en پیش بینی کارایی بانک‌ها با استفاده از تحلیل پوششی داده‌ها و شبکه عصبی مخچه اقتصاد Economics پژوهشی اصیل - نظری Original Research - Theoric صنعت بانکداری نقش مهمی در رشد و توسعه اقتصادی یک کشور ایفاء می‌کند. لذا، ارزیابی عملکرد بانک‌ها از اهمیت ویژه‌ای برخوردار است. تحلیل پوششی داده‌ها یک ابزار قدرتمند برای ارزیابی کارایی مجموعه‌ای از واحدهای تصمیم گیرنده است. با این حال مدل‌های تحلیل پوششی داده‌ها کارایی را بر اساس داده‌های موجود قبلی به‌دست می‌آورند و قادر به پیش بینی کارایی در آینده نیستند. در این تحقیق، برای پوشش این نقض، از ترکیب تحلیل پوششی داده‌ها و شبکه عصبی مصنوعی مخچه استفاده گردید. شبکه عصبی مصنوعی مخچه شبیه بخشی از مغز به‌نام مخچه است. شبکه عصبی مخچه با ساختار ساده خود، قادر به تخمین توابع غیر خطی، مدل سازی سیستم و تشخیص الگو است. در این پژوهش، کارایی مجموعه‌ای از 210 شعبه بانک ایرانی در فاصله زمانی فروردین 1404 تا اسفند 1406 پیش بینی شدند. The banking industry plays a major role in the economic growth and development of a country. Thus, the assessment of bank performance is highly competitive for bank managers. Data Envelopment Analysis (DEA) is a pioneering approach in the literature for the assessment of organizations&rsquo; efficiency. Even so, the evaluation of DEA models is based on previously existing data, and they are unable to forecast future efficiency. To cover the shortcoming that occurs with DEA, this paper introduces a complementary method that integrates DEA as a powerful performance measurement approach and Artificial Neural Network (ANN) as a robust prediction system behavior.<i> </i>The Cerebellar Model Articulation Controller (CMAC) is a neural network that resembles a part of the brain known as cerebellum. The CMAC network, with its simple structure, is capable of estimating nonlinear functions, system modelling and pattern recognition. Meanwhile, the CMAC approach has fast learning convergence and local generalization compared to other networks. A set of 210 Iranian bank branches is involved in implementing the proposed method. The related historical data covers the period from April 2022 to March 2025 and consists of actual figures used to predict&nbsp;the&#39;&nbsp;bank&#39;s future efficiency from April 2025 to March&nbsp;2028. <span style="background:white"><span style="color:#0b1215">The empirical results revealed that the predicted efficiency using the DEA and CMAC network has a good correlation with that calculated by the DEA, indicating that the predicted efficiency using the proposed approach is a reasonable proxy to demonstrate efficiency for the future.</span></span> تحلیل پوششی داده‌ها, شبکه عصبی مصنوعی, شبکه عصبی مخچه, کارایی, بانکداری Data Envelopment Analysis, Neural Networks, Cerebellar Model Articulation Controller, Efficiency, Bank Branch. 0 0 http://jme.mbri.ac.ir/browse.php?a_code=A-10-717-1&slc_lang=en&sid=1 Dalal Modhej modhej83@gmail.com 10031947532846007924 10031947532846007924 Yes Department of Mathematics, So.C., Islamic Azad University, Sousangerd, Iran Adel Dahimavi adeldahimavi@yahoo.com 10031947532846007925 10031947532846007925 No Postdoctoral graduate of Water Resources, Khozestan Water and Power Organization