ÉVALUATION DE SUCCURSALES BANCAIRES À L’AIDE D’UNE MÉTHODE MULTICRITÈRE

ÉVALUATION DE SUCCURSALES BANCAIRES À

L’AIDE D’UNE MÉTHODE MULTICRITÈRE

Michael Michalopoulos, Constantin Zopounidis

et
Michael Doumpos (Technical University of Crete)1
Résumé. Les auteurs donnent un très bref aperçu de leur évaluation multicritère de
succursales bancaires en Grèce. Ils retiennent 14 critères choisis entre 56. Pour les
années 1992 et 1993, les succursales sont classées en trois groupes: les succursales
dynamiques, à dynamisme modéré (ou incertain) et peu dynamiques. La méthode
utilisée dite des “utilités additives discriminantes” (UTADIS) a donné des résultats
très satisfaisants car les classements erronés sont peu nombreux pour les deux
années d’analyse.

I. INTRODUCTION

L’évaluation des succursales bancaires pose un défi intéressant tant au

niveau théorique que pratique. Des études récentes révèlent qu’il est courant d’en
évaluer la rentabilité par rapport à un ensemble de succursales de même type ayant,
soit de multiples entrées et sorties, comme dans la méthode DEA (Data Envelop-
ment Analysis)2, soit de multiples entrées et une sortie, comme dans la méthode
loglinéaire (Giokas, 1991). Le désavantage principal de ces méthodes est qu’elles
ne comparent pas vraiment les succursales. Elles les catégorisent comme étant re-
lativement rentables et non rentables, sans indiquer lesquelles sont les meilleures,
ou lesquelles parmi les non rentables sont les pires. Elles n’aident pas les cadres des
banques à analyser les dysfonctionnements possibles des succursales et à remédier
aux problèmes qui se posent.

1 M. Michalopoulos, C. Zopounidis et M. Doumpos sont professeurs au Department of Pro-

duction Engineering and Management, Technical University of Crete, 73100 Chania, Crete.
Pour joindre le professeur Zopounidis: kostas@ergasya.tuc.gr; tél. 30-821-37236; fax: 30-
821-69410). Les auteurs remercient l’équipe Finéco pour ses suggestions et son aide édito-
riale.
2 Lire Charnes et al. (1990), Drake et Howcroft (1994), Oral et al. (1992), Parcan (1987),
Sherman et Gold (1985).

FINÉCO, vol. 8, No 2, 2e semestre 1998 123

MICHAEL MICHALOPOULOS, CONSTANTIN ZOPOUNIDIS ET MICHAEL DOUMPOS

Quant à l’évaluation multicritère, elle introduit une notion générale de dyna-

misme. Elle permet une comparaison des succursales dynamiques et moins
dynamiques (Zopounidis et al., 1995), ce qui rend plus efficace son mécanisme
d’inspection. Elle permet aussi de distinguer entre les succursales d’une même
catégorie. De plus, les analystes de la Banque sont incités par l’approche multi-
critère à participer au processus de l’évaluation des succursales, en tenant compte
à la fois de leurs préférences et de la politique de leur organisation.

Dans cet article, nous nous contentons de donner un bref aperçu de notre
approche “agrégation-désagrégation” des préférences (Zopounidis, 1999) à l’éva-
luation de succursales bancaires. Cette approche passe par l’analyse des préfé-
rences globales du décideur afin de déterminer l’importance de chaque critère de
décision. Le décideur-analyste exprime d’abord ses préférences en produisant son
propre classement. L’approche exploite cette information pour cerner à la fois des
critères clés de décision et leur importance relative, et du même coup rendre le
modèle le plus compatible possible avec les préférences et la politique du décideur.
L’application de cet outil multicritère d’évaluation du dynamisme de 27 succur-
sales bancaires grecques est réalisée, pour la période 1992-1993, avec la méthode
UTADIS issue des travaux de Devaud et al. (1980), Jacquet-Lagrèze (1995), Jac-
quet-Lagrèze et Siskos (1982) et Zopounidis et Doumpos (1998a, 1998b).

Ci-dessous, à la section II, nous introduisons la méthode UTADIS, les détails

étant annexés. Son application bancaire est décrite à la section III. Nous concluons
à la section IV.

II. LA MÉTHODE UTADIS

Partant d’un classement préalable des objets de choix, ou actions, envisagea-

bles par le décideur, la méthode UTADIS débouche sur la “meilleure” affectation
des actions (donc la moins erronée) dans les classes d’appartenance découpées par
les divers seuils, ou profils, multicritères retenus. Pour y arriver, UTADIS modélise
les préférences du décideur en une fonction d’utilité multicritère additive issue de
ses utilités unicritères dites partielles. UTADIS prévoit une pondération des critères
avant de pouvoir répartir les actions en classes prédéterminées par des seuils d’uti-
lité. Comme il y aura des erreurs de classement des actions, UTADIS prévoit les
minimiser par programmation linéaire de sorte que l’affectation finale des actions
en est bonifiée d’autant. La méthode est explicitée en annexe. À noter qu’UTADIS,
et deux de ses variantes, sont incorporées au système de classification financière
FINCLAS de Zopounidis et Doumpos (1998a). Également, qu’une méthode appa-
rentée, UTASTAR, a été décrite par Zopounidis (1993, in Finéco) et par Siskos et
Yiannakopoulos (1985).

124 FINÉCO, vol. 8, No 2, 2e semestre 1998

 ÉVALUATION DE SUCCURSALES BANCAIRES À L’AIDE D’UNE MÉTHODE MULTICRITÈRE

III. APPLICATION
Description de l’échantillon
Nous appliquons UTADIS à l’évaluation de 27 succursales bancaires de la
Banque de Grèce pour les années 1992 et 1993. Leur degré de dynamisme a été
établi selon 56 critères, dont les 14 plus pertinents ont été retenus via une analyse
en composantes principales et sur indication d’un cadre supérieur de la Banque.
Celui-ci a classé les succursales comme suit:
- Classe 1: les plus dynamiques: elles atteignent leurs buts, sont grandement ren-
tables et connaissent une grande activité tout au long de l’année;
- Classe 2: celles d’un dynamisme modéré ou incertain; et,
- Classe 3: les peu dynamiques.
Pour l’année 1992, l’ensemble des 27 succursales se répartit en 12 de classe
1, 5 de classe 2 et 10 de classe 3. La répartition correspondante pour 1993 est 11, 7
et 9.
Présentation des résultats
En utilisant la méthode UTADIS, nous recourons à deux modèles de classe-
ment des 27 succursales en 3 classes pour les années 1992 et 1993. Les utilités
globales des succursales et leur classement pour chaque année sont présentées,
respectivement, dans les tableaux 2 et 3 (les succursales qui se sont mal classées
sont présentées en caractères gras).
Nous estimons les résultats plus que satisfaisants puisque 23 succursales sur
27 (85%) sont bien classées en 1992 et 24 (89%) le sont en 1993. Il convient de
souligner l’absence d’erreurs importantes de classement: aucune succursale
dynamique est classée comme non dynamique et vice-versa. Notez les poids des 14
critères d’évaluation du dynamisme des succursales au tableau 4.
Pour les deux années de l’analyse, le critère comptage et tri des billets de
banque (g14) s’avère le plus important pour le classement dans les trois classes de
succursales. D’autres critères importants pour l’année 1992 sont les réceptions
d’argent par les autres succursales de la Banque (g4), les envois d’argent vers
d’autres succursales (g7) et l’émission d’ordres en drachmes (g10) tandis que
l’envoi d’argent vers les succursales de la Banque Nationale de Grèce (g8), ainsi
que l’introduction d’ordres en drachmes (g11) sont importants en 1993. Ces résul-
tats s’accordent à la fois aux préférences des cadres supérieurs de la Banque de
Grèce et à la politique de celle-ci.

FINÉCO, vol. 8, No 2, 2e semestre 1998 125

MICHAEL MICHALOPOULOS, CONSTANTIN ZOPOUNIDIS ET MICHAEL DOUMPOS

TABLEAU 1
Critères (g) de classement des succursales bancaires

g1 Encaissements
g2 Paiements
g3 Réception d’argent par l’établissement central de la Banque
g4 Réception d’argent par les autres succursales de la Banque
g5 Réception d’argent par les succursales de la Banque Nationale de Grèce
g6 Envoi d’argent vers l’établissement central de la Banque
g7 Envoi d’argent vers les autres succursales de la Banque
g8 Envoi d’argent vers les succursales de la Banque Nationale de Grèce
g9 Émission de chèques en drachmes
g10 Émission d’ordres en drachmes
g11 Introduction d’ordres en drachmes
g12 Tenue de comptes hors de la comptabilité
g13 Dépôts de banques et organismes
g14 Comptage et tri des billets de banque

TABLEAU 2
Résultats de l’application d’UTADIS pour l’année 1992

Succursale Classe initiale Utilité Classe estimée

Y16 1 0.9447 1
Y26 1 0.9141 1
Y8 1 0.7171 1
Y13 1 0.7242 1
Y6 1 0.7005 1
Y27 1 0.6303 1
Y7 1 0.5031 1
Y1 1 0.4951 1
Y4 1 0.4951 1
Y25 1 0.4951 1

Seuil d’utilité U1 0.4950

Y23 1 0.4949 2
Y19 3 0.4818 2
Y9 2 0.4598 2
Y17 2 0.4593 2
Y10 1 0.4454 2
Y11 2 0.3951 2
Y21 2 0.3937 2
Y12 2 0.3853 2
Y14 3 0.2969 2

Seuil d’utilité U2 0.2450

Y2 3 0.2441 3
Y5 3 0.2441 3
Y24 3 0.2441 3
Y18 3 0.2431 3
Y15 3 0.2272 3
Y22 3 0.1799 3
Y20 3 0.1687 3
Y3 3 0.1215 3

126 FINÉCO, vol. 8, No 2, 2e semestre 1998

 ÉVALUATION DE SUCCURSALES BANCAIRES À L’AIDE D’UNE MÉTHODE MULTICRITÈRE

TABLEAU 3
Résultats de l’application d’UTADIS pour l’année 1993

Succursale Classe initiale Utilité Classe estimée

Y26 1 1.0000 1
Y16 1 0.9771 1
Y6 1 0.9005 1
Y13 1 0.8942 1
Y27 1 0.7365 1
Y7 1 0.7182 1
Y4 1 0.6300 1
Y8 1 0.6300 1
Y12 1 0.6300 1
Y25 1 0.6300 1

Seuil d’utilité U1 0.6300

Y21 2 0.6286 2
Y9 2 0.6057 2
Y1 1 0.5961 2
Y10 2 0.5909 2
Y17 2 0.5490 2
Y19 3 0.5265 2
Y14 2 0.4090 2
Y23 2 0.4049 2
Y24 3 0.4019 2
Y11 2 0.3893 2

Seuil d’utilité U2 0.3800

Y5 3 0.3790 3
Y2 3 0.3777 3
Y15 3 0.3450 3
Y3 3 0.2739 3
Y22 3 0.2425 3
Y18 3 0.2218 3
Y20 3 0.0620 3

TABLEAU 4
Les poids des 14 critères (g) identifiés au tableau 1

. En 1992: g1 = 0%; g2 = 8,605%; g3 = 0,003%; g4 = 10,934%; g5 = 6,798%; g6 = 4,701%; g7 = 12,178%; g8 = 0,003%;

g9 = 0%; g10 = 10,767%; g11 = 2,155%; g12 = 0%; g13 = 0%; g14 = 43,857%.

. En 1993: g1 = 0%; g2 = 8,399%; g3 = 0%; g4 = 4,091%; g5 = 3,739%; g6 = 0,007%; g7 = 4,658%; g8 = 13,855%;

g9 = 0%; g10 = 0%; g11 = 26,880%; g12 = 0,012%; g13 = 0%; g14 = 38,360%

À partir de nos premiers résultats, diverses interactions avec un cadre

supérieur de la Banque ont eu lieu au cours desquelles les désaccords observés ont
été étudiés. En examinant les résultats de l992, le cadre a jugé que les indications
du modèle voulant que les succursales Y10, Y19 et Y23 soient classées chez les
dynamiques modérées étaient justes, tandis qu’il était en désaccord avec l’apparte-
nance de Y14 à la même classe. En réestimant le modèle conformément aux

FINÉCO, vol. 8, No 2, 2e semestre 1998 127

MICHAEL MICHALOPOULOS, CONSTANTIN ZOPOUNIDIS ET MICHAEL DOUMPOS

réactions du cadre, le classement correct de toutes les succursales a été obtenue. En

procédant de même pour 1993, le cadre était d’accord avec le modèle qui classait
les succursales Y1 et Y19 chez les dynamiques modérées, tandis qu’il a jugé que
Y24 ne devrait pas quitter la classe peu dynamique. En incorporant les indications
du cadre à l’analyse du dynamisme des succursales, le nouveau modèle a permis de
classer les succursales avec 100% de réussite.

Les poids des critères d’évaluation des modèles remaniés diffèrent légère-
ment des poids initiaux. Malgré ces différences, le comptage et le tri des billets de
banque (g14) reste le critère essentiel pour le classement des succursales de la
Banque en trois classes.

IV. CONCLUSION

Il s’agissait d’appliquer la méthode multicritère UTADIS au classement de

succursales de la Banque de Grèce. Les résultats obtenus sont considérés fort satis-
faisants. Ils montrent que la méthode apporte une aide efficace dans la résolution
des problèmes de classement.

L’application d’UTADIS en milieu bancaire donne au décideur des informa-

tions utiles sur la répartition des succursales en classes de dynamisme et sur le
niveau relatif de dynamisme de chaque succursale à l’intérieur d’une même classe.
Un tel apport permet à la Banque de mieux contrôler le fonctionnement de ses suc-
cursales et d’éviter des problèmes d’inefficacité, de faible compétitivité, de
services déficients, etc. L’évaluation de l’ensemble de ses succursales pourrait lui
indiquer comment accroître sa compétitivité dans ce monde bancaire international
en évolution accélérée. De plus, comme la méthode fonctionne d’une façon inter-
active avec le décideur, elle laisse entrevoir le rôle essentiel que le décideur joue
dans la prise de décision. L’interaction du décideur avec la méthode peut facile-
ment se faire en temps réel, via un outil d’aide multicritère comme le système
FINCLAS (Zopounidis et Doumpos, 1998a). Dans une perspective de recherche, il
serait très utile de comparer l’efficacité de la méthode UTADIS à celle d’autres
méthodes (de type DEA, loglinéaire ou d’analyse discriminante) avec des données
relatives au dynamisme et à l’efficience opérationnelle des succursales bancaires.

128 FINÉCO, vol. 8, No 2, 2e semestre 1998

 ÉVALUATION DE SUCCURSALES BANCAIRES À L’AIDE D’UNE MÉTHODE MULTICRITÈRE

ANNEXE
La problématique multicritère de classement selon UTADIS

Soit g1, g2,... gm une famille cohérente de m critères et A = { a 1, a 2, …an }

l’ensemble de choix, n actions possibles réparties dans Q classes (C1, C2,..., CQ)
qui sont préordonnées de la manière suivante: C1PC2 ,..., CQ-1PCQ, où P est la
relation de préférence stricte entre les classes C1,..., CQ (la classe Cq est préférable
à la classe Cq+1, q = 1, 2,..., Q-1). Notre modèle de classement des préférences du
décideur se fonde sur l’agrégation de m critères par une fonction d’utilité de la
forme U(g) = Somme des ui(gi), i = 1, 2,...m, où U(g) est l’utilité globale d’une
action possible, et ui(gi) l’utilité partielle selon le critère gi. Pour chaque critère gi,
*
on définit une valeur extrême g i exprimant la conséquence la plus favorable et une
autre, g i* , exprimant la moins favorable. On suppose que ces valeurs extrêmes
*
sont finies et on découpe l’intervalle [ g i*, g i ] en ai-1 intervalles égaux
j j+1
[ g i, g i ] , où ai est choisi par le décideur qui précise ainsi le nombre des points
j
calculés pour chaque utilité partielle u i*, g i étant donné par gi* + [(j-1)/(ai-1)]
*
( g i – gi* ) . Quant à l’utilité partielle de l’action a ∈ A , elle est calculée par
interpolation:

j j + 1  j ] j j+1 j
u i [ g i ( a ) ] = u i  g i + b i [ u i  g i  – u i  g i où b i = [ g ( a ) – g ] /  g
i i i – g i .

Comme les gi sont des critères, les utilités partielles ui(gi) sont des fonctions
monotones (croissantes ou décroissantes), ce qui, vu les hypothèses précédentes, se
j+1 j
traduit par u i ( g i ) – u i ( g i ) ≥ 0,∀i,j. On peut remplacer ces contraintes par:
j+1 j j j–1
w ij = u i ( g i ) – u i ( g i ) ≥ 0,∀i,j; ui ( g i* ) = 0 ; et u i ( g i ) = Σ k = 1 w ik .

*
D’après les transformations précédentes, on a que ui ( g i ) : = Somme des
wik, k=1,..., ai-1. Quant à la répartition des actions dans Q classes prédéterminées,
elle se fait en comparant leurs utilités globales avec certains seuils d’utilité,

FINÉCO, vol. 8, No 2, 2e semestre 1998 129

MICHAEL MICHALOPOULOS, CONSTANTIN ZOPOUNIDIS ET MICHAEL DOUMPOS

soit Uq(U1>U2>...>UQ-1),

qui permettent de séparer les classes entre elles. Ainsi:

U ( a ) ≥ U1 ⇒ a ∈ C1 ; U 2 ≤ U ( a ) < U 1 ⇒ a ∈ C 2 ;...;
Uq ≤ U ( a ) < Uq – 1 ⇒ a ∈ C q ;...; U ( a ) < U Q – 1 ⇒ a ∈ CQ .

Lors du classement, une erreur de surestimation, σ+(a), se produit là où

l’action a est affectée à une classe inférieure à sa vraie classe, l’inverse tenant pour
l’erreur de sous-estimation, σ-(a).

UTADIS vise à minimiser les erreurs en résolvant le programme linéaire ci-

dessous, lequel estime les utilités globales des actions U(a) (le modèle additif) et
les seuils d’utilité Uq, soit:
+
Min F = ∑ σ (a) + … + ∑ [ σ+ ( a ) + σ - ( a ) ] + … + ∑
-
σ (a)
a ∈ C1 a ∈ Cq a ∈ CQ

m
+
sous réserve que ∑ u i [ gi ( a ) ] – U1 + σ (a) ≥ 0 pour ∀ a ∈ C1 ,
i=1
m m
- +
∑ u i [ g i ( a ) ] – Uq – 1 – σ ( a ) ≤ –δ , ∑ u i [ g i ( a ) ] – Uq + σ ( a ) ≥ 0 pour
i=1 i=1
m
-
∀ a ∈ Cq , ∑ u i [ g i ( a ) ] – UQ – 1 – σ ( a ) ≤ –δ pour ∀ a ∈ CQ ,
i=1
m a –1
Σ i = 1 Σ j = 1 w ij = 1 , U q – 1 – U q ≥ s, q = 2, 3, …, Q – 1 ,
i
et
+ -
w ij ≥ 0, σ ( a ) ≥ 0, σ ( a ) ≥ 0 où le seuil δ est un nombre réel positif qui assure
l’inégalité stricte U ( a ) < U q – 1 (∀ a ∈ C q, q > 1 ), tandis que le seuil s assure la
relation de préférence stricte qui existe entre les seuils d’utilité séparant deux
classes successives. Ensuite, une analyse post-optimale se fait, de telle sorte que
l’on puisse déterminer l’ensemble de fonctions d’utilité optimales, ou “quasi-opti-
males”, qui donnent des valeurs de F plus petites que la valeur F*+k(F*) où F* est
la valeur optimale du programme linéaire précédent et k(F*) une petite valeur po-

130 FINÉCO, vol. 8, No 2, 2e semestre 1998

 ÉVALUATION DE SUCCURSALES BANCAIRES À L’AIDE D’UNE MÉTHODE MULTICRITÈRE

sitive ou nulle dépendant de F*. Ainsi, la fonction à minimiser devient une con-
trainte linéaire exprimant que F est un quasi-critère, de la forme:
+ + - -
∑ σ (a) + … + ∑ [ σ ( a) + σ ( a)] + … + ∑ σ ( a ) ≤ F* + k ( F* ) .
a ∈ C1 a ∈ Cq a ∈ CQ

Il en résulte une double fonction à optimiser, soit::

ai – 1 Q–1 ai – 1 Q–1
max
i ∑ wij + ∑ Uq et min
i ∑ wij + ∑ Uq
j=1 q=1 j=1 q=1

La méthode UTADIS et deux de ses variantes sont incorporées au système

FINCLAS de Zopounidis et Doumpos (1998a). Le système a déjà servi aux prévi-
sions de faillite (Zopounidis et Doumpos, 1997) et à résoudre divers problèmes de
classement en finance (Zopounidis et Doumpos, 1998b).

FINÉCO, vol. 8, No 2, 2e semestre 1998 131

MICHAEL MICHALOPOULOS, CONSTANTIN ZOPOUNIDIS ET MICHAEL DOUMPOS

BIBLIOGRAPHIE
Charnes, A., Cooper, W.W.et Z.M. Huang, 1990, “Polyhedral Cone-ratio DEA
Models with an Illustrative Application to Large Commercial Banks”, Jour-
nal of Econometrics 46, 73-91.

Devaud, J.M., Groussaud, G. et E. Jacquet-Lagrèze, 1980, “UTADIS: une méthode

de construction de fonctions d’utilités additives rendant compte de juge-
ments globaux”, European Working Group on Multicriteria Decision Aid,
Bochum.

Drake, I. et B. Howcroft, 1994, “Relative Efficiency in the Branch Network of a

UK Bank: An Empirical Study”, OMEGA: International Journal of Man-
agement Science 22, 83-90.

Giokas, D.I., 1991, “Bank Branch Operation Efficiency: A Comparative Applica-

tion of DEA and Loglinear Model”, OMEGA: International Journal of Man-
agement Science 19, 549-557.

Jacquet-Lagrèze, E., 1995, “An Application of the UTA Discriminant Model for
the Evaluation of R & D Projects: in P.M. Pardalos, Y. Siskos et C. Zopouni-
dis (éd.), Advances in Multicriteria Analysis, Kluwer Academic Publishers,
Dordrecht, 202-211.

Jacquet-Lagrèze, E. et J. Siskos, 1982, “Assessing a Set of Additive Utility Func-

tions for Multicriteria Decision Making: The UTA Method”, European Jour-
nal of Operational Research 10, 150-164.

Oral, M., Kettani, O. et R. Yolalan, 1992, “An Empirical Study on Analyzing the
Productivity of Bank Branches”, IIE Transactions 24, 166-176.

Parcan, C., 1987, “Measuring the Efficiency of Service Operations: An Application

to Bank Branches”, Engineering Costs and Production Economics 12, 237-
242.

Sherman, H.D. et F. Gold, 1985, “Bank Branch Operating Efficiency: Evaluation

with Data Envelopment Analysis”, Journal of Banking and Finance 9, 297-
315.

Siskos, Y. et D. Yiannakopoulos, 1985, “UTASTAR: An Ordinal Regression

Method for Building Additive Value Functions”, Investigaçâo Operacional
5, 39-53.

132 FINÉCO, vol. 8, No 2, 2e semestre 1998

 ÉVALUATION DE SUCCURSALES BANCAIRES À L’AIDE D’UNE MÉTHODE MULTICRITÈRE

Zopounidis, C., 1993, “Le point sur les méthodes d’évaluation des projets d’inves-
tissement en capital de risque”, Finéco 3, 99-121.

Zopounidis, C., 1999, “Multicriteria Decision Aid in Financial Management”, Eu-

ropean Journal of Operational Research 119, 404-415.
Zopounidis, C., Despotis, D.K. et E. Stavropoulou, 1995, “Multiattribute Evalua-
tion of Greek Banking Performance”, Applied Stochastic Models and Data
Analysis 11, 97-107.

Zopounidis, C., et M. Doumpos, 1997, “Preference Disaggregation Methodology

in Segmentation Problems: The Case of Financial Distress” in: C. Zopouni-
dis (éd.) New Operational Approaches for Financial Modelling, Springer-
Verlag, Berlin-Heidelberg, 417-439.

Zopounidis, C., et M. Doumpos, 1998a, “Developing a Multicriteria Decision Sup-

port System for Financial Classification Problems: The FINCLAS System”,
Optimization Methods and Software 8, 277-304.

Zopounidis, C., et M. Doumpos, 1998b, “A Multicriteria Sorting Methodology for

Financial Classification Problems”, in: C. Zopounidis et I. Papadimitriou
(éd.), Abstracts and Papers of the 47th Meeting of the EURO Working Group
“Multicriteria Aid for Decisions”, Vol. II, Editions of the Technical Univer-
sity of Crete, Chania, 41-68.

FINÉCO, vol. 8, No 2, 2e semestre 1998 133

MICHAEL MICHALOPOULOS, CONSTANTIN ZOPOUNIDIS ET MICHAEL DOUMPOS

LONG SUMMARY

Evaluation of Bank Branches Using a Multicriteria Methodology

Michael Michalopoulos, Constantin Zopounidis

and
Michael Doumpos (Technical University of Crete)
In the fully competitive and changing environment of the international bank-
ing sector, it is absolutely necessary for each bank to improve its operating and
overall efficiency, in order to remain competitive and viable. The overall efficiency
of a bank is strictly related to that of each branch. Therefore the top managers in
addition to the formulation of a proper business and strategic development plan,
should also proceed with the evaluation of the efficiency of each branch. This will
enable them to specify the measures that should be taken to overcome actual or
potential efficiency problems. Furthermore, the evaluation of bank branches’ effi-
ciency is essential for the formulation of an overall strategic plan.

This significant problem in the field of financial management and banking

has already attracted the interest of many financial and operational researchers
who have proposed methodologies for modeling and evaluating the efficiency of
bank branches. The methodologies are mainly based on the DEA method (Data
Envelopment Analysis; Sherman and Gold, 1985; Charnes et all., 1990; Drake and
Howcroft, 1994) and the Loglinear method (Giokas, 1991). The DEA method iden-
tifies the efficient frontier (the maximum output that can be produced for a specific
level of input), and defines as efficient, the bank branches that belong to it while
those that do not are defined as inefficient. However, in such an efficiency evalua-
tion procedure there is no distinction between the efficient branches (i.e. there is
no index to separate the most efficient branches from those that are marginally so),
while the notion of efficiency defined as an input-output relationship can be incon-
sistent with the decision maker’s perception of efficiency.

In this paper the bank branches efficiency problem is studied from a different
point of view. Instead of a relative evaluation, an absolute one is performed involv-
ing the sorting of bank branches into predefined homogeneous efficiency classes.
This is achieved through the UTADIS preference disaggregation analysis method
(Devaud et al., 1980; Jacquet-Lagrèze, 1995; Zopounidis and Doumpos, 1997).
The preference disaggregation approach refers to the analysis (disaggregation) of
the global preferences (judgment policy) of the decision maker in order to identify
the criteria aggregation model that underlies the preference result (sorting). Simi-

134 FINÉCO, vol. 8, No 2, 2e semestre 1998

 ÉVALUATION DE SUCCURSALES BANCAIRES À L’AIDE D’UNE MÉTHODE MULTICRITÈRE

larly to multiattribute utility theory (MAUT), preference disaggregation analysis

uses common utility decomposition forms to model the decision maker’s prefer-
ences. Nevertheless, instead of employing a direct procedure for estimating the
global utility model (MAUT), preference disaggregation analysis uses regression-
based techniques based on linear programming formulations (indirect estimation
procedure). More specifically, in preference disaggregation analysis the parame-
ters of the utility decomposition model are estimated through the analysis of the
decision maker’s overall preference on some reference alternatives. The problem
is then to estimate a utility function (usually additive) that is as consistent as pos-
sible with the known subjective preferences of the decision maker.

In the case of sorting problems, the UTADIS method develops an additive

utility function and calculates the appropriate utility thresholds that sort a set of
alternatives (bank branches) into predefined homogeneous classes with the mini-
mum classification error. The sorting models that are developed through the
UTADIS method have three basic features that are essential in the bank branches’
efficiency evaluation problem: (1) in addition to the sorting of the bank branches
into efficiency classes they also provide the competitive level between those that
belong to the same class (i.e. the global utility can be used as an index to identify
the best and the worst branches), (2) they establish the relative importance of the
criteria that are used to measure bank branches’ efficiency: in this way, the top
managers of the bank can develop the most appropriate measures to improve the
efficiency of a branch, (3) they have an extrapolation ability, that is, once a sorting
model is developed and validated, it can be easily used in real time to control and
monitor the efficiency of any branch.

This approach is applied in a case study involving the evaluation of 27

branches of the Bank of Greece. The Bank is a non-profit organization, which has
the responsibility for designing and implementing appropriate monetary and fiscal
policies in Greece. Despite this non-profit character, its top managers are seeking
to improve the operation and efficiency of the Bank, through the development and
implementation of the appropriate means for controlling and monitoring the effi-
ciency of its branches.

Initially, complete data regarding the activity of the 27 branches have been
collected for the years 1992 and 1993. These data include 56 evaluation criteria
regarding the efficiency of the bank branches. Nevertheless, the incorporation of
such a large number of evaluation criteria in the analysis would result in the devel-
opment of a complicated and unrealistic sorting model (additive utility function).
Thus, it was decided to consider a reduced set of 14 evaluation criteria regarding
the main activities of the bank branches that affect their efficiency. According to

FINÉCO, vol. 8, No 2, 2e semestre 1998 135

MICHAEL MICHALOPOULOS, CONSTANTIN ZOPOUNIDIS ET MICHAEL DOUMPOS

the performances of the bank branches on these evaluation criteria, a top manager
of the bank determined three classes of branches, based on data for the two succes-
sive years of the analysis: (i) the efficient, (ii) the moderately efficient, and (iii) the
non-efficient bank branches.Using this trichotomic classification the UTADIS
method was applied twice (once for each year). The results may be considered as
satisfactory in terms of the classification accuracy (85% for 1992 and 89% for
1993) while after a series of interactions with an expert analyst of the bank a 100%
classification accuracy was obtained for both years. Furthermore, the results indi-
cate that the sorting and counting of banknotes is the dominant factor that affects
the efficiency of the bank branches.

Overall, the results of the application of the proposed preference disaggre-

gation approach confirm that besides its three aforementioned theoretical
advantages, it is also easily applicable. Furthermore, the approach is decision sup-
port oriented so that it can be incorporated into an integrated decision support
system specifically designed and developed for bank branches’ efficiency evalua-
tion problems, such as the Financial Classification system (FINCLAS, Zopounidis
and Doumpos, 1998). Although the current structure of the FINCLAS system is ori-
ented towards the analysis of corporate performance and viability, its flexibility
enables its adoption in the study of other financial classification problems as well,
besides the evaluation of bank branches.

136 FINÉCO, vol. 8, No 2, 2e semestre 1998