Article ID : 14000506274366 Visit : 1348 Page: 195 - 214

Article Type: Original Research

Identifying the effective actors of forex trading network in the NIMA system using social network analysis

Research Areas :

Mehrdad Agha Mohammad Ali Kermani ¹ (Iran University of Science and Technology)
mohammad javad Rokhsat Talab ² (Iran University of Science and Technology)
Saeed Mirzamohammadi ³ (Iran University of Science and Technology)

Received: 2021-07-28 Accepted : 2021-11-22 Published : 2021-12-21

Keywords: currency buying and sellingsocial networks analysisranking of actorsNIMA system,

Abstract :

Nima system is an integrated system of foreign exchange transactions. Nima is a platform system that has been designed and implemented with the aim of managing the foreign exchange market. In this system, on the supply side, exporters can sell the currency from their exports, and on the demand side, importers can request to buy foreign currency. Identifying effective actors in each of these markets can have a positive impact on the policies of the main market maker of this system, the central bank.Using social networks analysis (SNA) tools can be a good way to achieve this. Since in these networks each of the actors can only have one of the roles of "buyer" or "seller" and there is only the possibility of trading and communication with the opposite role, these networks can be called bipartite networks. As a result, the usual approaches to identifying effective actors for these networks will not be usable. In contrast to standard approaches, we used a weighted projection algorithm to solve this problem. After projectting each of the two networks of foreign exchange supply and demand, four new networks are created, including the network of seller-exporters, buyer exchange offices, buyer importers, and seller exchange offices. Then We will try to make a method to score and rank the nodes. As a result of the implementation of the algorithm, a ranking was provided for the nodes, based on which the node with the highest rank will be the most important node in our network. Finally, in order to make suggestions to the policymaker, by analyzing the results of the ranking, questions about effective market players were answered.

References:

1- Fortunato, S. (2010). Community detection in graphs. Physics reports, 486(3-5), 75-174
2- Liu, J., Xiong, Q., Shi, W., Shi, X., & Wang, K. (2016). Evaluating the importance of nodes in complex networks. Physica A: Statistical Mechanics and its Applications, 452, 209-219.
3- Jackson, M. O. (2010). Social and economic networks. Princeton university press.
4- Pesántez Cabrera, P. G. (2018). Bipartite Network Community Detection: Algorithms and Applications.
5- Xiao, B., Huang, M., & Barnes, A. J. (2015). Network closure among sellers and buyers in social commerce community. Electronic Commerce Research and Applications, 14(6), 641-653.
6- Wang, J. C., & Chiu, C. C. (2008). Recommending trusted online auction sellers using social network analysis. Expert Systems with Applications, 34(3), 1666-1679.
7- Lam, H. W., & Wu, C. (2009, May). Finding influential ebay buyers for viral marketing a conceptual model of BuyerRank. In 2009 International Conference on Advanced Information Networking and Applications (pp. 778-785). IEEE.
8- Leem, B., & Chun, H. (2014). An impact of online recommendation network on demand. Expert systems with applications, 41(4), 1723-1729.
9- Dreżewski, R., Sepielak, J., & Filipkowski, W. (2015). The application of social network analysis algorithms in a system supporting money laundering detection. Information Sciences, 295, 18-32.
10- Giurca, A., & Metz, T. (2018). A social network analysis of Germany’s wood-based bioeconomy: Social capital and shared beliefs. Environmental innovation and societal transitions, 26, 1-14.
11- Lin, S. J., Jheng, Y. Y., & Yu, C. H. (2012). Combining ranking concept and social network analysis to detect collusive groups in online auctions. Expert Systems with Applications, 39(10), 9079-9086
12- Cheah, I., & Shimul, A. S. (2018). Consumer ethnocentrism, market mavenism and social network analysis. Australasian Marketing Journal (AMJ), 26(3), 281-288.
13- Newman, M. E., & Girvan, M. (2004). Finding and evaluating community structure in networks. Physical review E, 69(2), 026113
14- Alzahrani, T., & Horadam, K. J. (2016). Community detection in bipartite networks: Algorithms and case studies. In Complex systems and networks (pp. 25-50). Springer, Berlin, Heidelberg.
15- Guimerà, R., Sales-Pardo, M., & Amaral, L. A. N. (2007). Module identification in bipartite and directed networks. Physical Review E, 76(3), 036102.
16- Barber, M. J. (2007). Modularity and community detection in bipartite networks. Physical Review E, 76(6), 066102.
17- Yadav, V., Karmakar, S., Kalbar, P. P., & Dikshit, A. K. (2019). PyTOPS: A Python based tool for TOPSIS. SoftwareX, 9, 217-22

Full-Text:

University Archives

Identifying the effective actors of forex trading network in the NIMA system using social network analysis

Saeed Mirzamohammadi 1 | Mehrdad Agha Mohammad Ali Kermani 2 | Mohammad javad rokhsat-talab3

1. Assistant Professor, School of management and economy at Iran University of science and technology, mirzamohammadi@iust.ac.ir

2. Assistant Professor, School of management and economy at Iran University of science and technology, m_kermani@iust.ac.ir

3. Master of Science in macro systems engineering at Iran University of science and technology, mjrt140@gamil.com

Article Info

ABSTRACT

Article type:

Research Article

Article history:

Received:

Revised:

Accepted:

Keywords:

currency buying and selling,

social networks analysis,

ranking of actors,

NIMA system.

Objective:Identify the actors of the foreign exchange trading network.

Methodology: Social networks analysis

Conclusion: As a suggested method for ranking actors in an online sales network, social media analysis tools can provide a suitable solution.

Cite this article: Miirzamohammadi., Agha Mohammad Ali Kermani., rokhsat-talab. (2022). Identifying the effective actors of forex trading network in the NIMA system using social network analysis Academic Librarianship and Information Research, 54 (4), 1-20. DOI: 0000000000000000000

DOI: 00000000000000000000000000

, Vol, , No. , 2020, pp. .

شناسایی بازیگران مؤثر شبکه معاملات ارز در سامانه نیما به کمک تحلیل شبکه‌های اجتماعی

دکتر سعید میرزامحمدی*¹| دکتر مهرداد آقا محمد علی کرمانی²| محمد جواد رخصت طلب³

چکیده

نظام یکپارچه معاملات ارزی که به‌اختصار «نیما» نامیده می‌شود، بستری است که با هدف مدیریت بازار ارز طراحی و پیاده‌سازی شده است. با راه‌اندازی کامل سامانه نیما عملیات ارزی عرضه و تقاضای تجاری کشور به‌طورکلی از بستر این سامانه انجام خواهد شد. به‌این‌ترتیب که در سمت عرضه، صادرکنندگان می‌توانند ارز حاصل از صادرات خود را بفروشند و در سمت تقاضا، واردکنندگان درخواست خرید ارز نمایند. شناسایی بازیگران مؤثر در هریک از این بازارها می‌تواند تأثیر مثبتی در سیاست‌گذاری‌های بازار ساز اصلی این سامانه یعنی بانک مرکزی داشته باشد. در این میان استفاده از ابزارهای تحلیل شبکه‌های اجتماعی می‌تواند راهکار مناسبی برای تحقق این امر باشد. از آن جا که در این شبکه‌ها هریک از بازیگران تنها می‌تواند یکی از نقش‌های "خریدار" یا "فروشنده" ارز را داشته باشد و تنها امکان معامله و ایجاد ارتباط با نقش مقابل وجود دارد، می‌توان این شبکه‌ها را شبکه‌های دو وجهی نامید که به‌منظور تحلیل آن‌ها ما از یک الگوریتم تصویرسازی وزنی استفاده کردیم. بعد از تصویرکردن هریک از دو شبکه عرضه و تقاضای ارز، چهار شبکه جدید شامل شبکه صادرکننده‌های فروشنده ارز، صرافی‌های خریدار ارز، واردکننده‌های خریدار ارز و صرافی‌های فروشنده ارز ایجاد گردید. در ادامه هم یک الگوریتم رتبه‌بندی برای گره‌ها ارائه شد که بر اساس آن گره‌ای که بالاترین رتبه را کسب کرده است مهم‌ترین گره در شبکه مدنظر ما خواهد بود. در نهایت نیز جهت ارائه پیشنهاداتی به سیاست‌گذار، با تحلیل و بررسی نتایج رتبه‌بندی، به پرسش‌هایی در مورد بازیگران مؤثر بازار پاسخ داده شد.

هدف: هدف این مقاله شناسایی بازیگران مؤثر شبکه معاملات خرید فروش ارز می باشد.

ضرورت: شناخت بازار ساز از شبکه، ارتباطات افراد، اجتماعات موجود و بازیگران اثرگذار در شبکه برای بازار ساز

روش شناسی: تحلیل شبکه های اجتماعی

یافته‌ها: ارائه پیشنهاداتی به سیاست‌گذار باز خرید فروش ارز

نتیجه‌گیری: به‌عنوان یک روش پیشنهادی برای رتبه‌بندی بازیگران در یک شبکه خریدوفروش آنلاین ارز استفاده از ابزارهای تحلیل شبکه‌های اجتماعی می‌تواند راهکار مناسبی باشد.

کلیدواژه‌ها: خریدوفروش ارز - تحلیل شبکه‌های اجتماعی – رتبه‌بندی بازیگران – سامانه نیما

استناد: میرزا محمدی، سعید؛ آقا محمد علی کرمانی ، مهرداد؛ و رخصت طلب، محمد جواد (1400). شناسایی بازیگران مؤثر شبکه معاملات ارز در سامانه نیما به کمک تحلیل شبکه‌های اجتماعی.

دریافت مقاله: ........ 01/05/1400 پذیرش مقاله: ..........01/09/1400

مقدمه

همان‌طور که از تعریف ارز یا پول خارجی مشخص است، ارزهای خارجی نمی‌تواند در یک کشور تولید شود؛ بلکه از طریق مبادلات پولی آن کشور با سایر کشورها به دست می‌آید. موجودی ارزی کشور با ورود ارز از طریق مبادلات خارجی گروهی از افراد که ما آنها را «دارندگان ارز» می‌نامیم، افزایش می‌یابد. سمت دیگر جریان ارزی، «مشتریان ارز» هستند که با خرید و مصرف ارز در مبادلات خارجی، موجودی ارز را کم می‌کنند. در کنار این دودسته معمولاً جابه‌جایی ارز بین دارندگان و مشتریان از طریق واسطه‌ها صورت می‌گیرد. واسطه‌ها شامل بانک‌ها و صرافی‌ها می‌شوند.

درگذشته بازرگانان برای تهیه ارز موردنیاز واردات عملاً با صرافی‌های معدودی که سابقه همکاری با آنها را داشتند در ارتباط بودند. به طریق مشابه صراف‌ها نیز امکان دسترسی به همه بازرگانان را نداشته و تنها با همان تعداد بازرگان محدود کار می‌کردند. این امر باعث طراحی و ایجاد سامانه‌ای ملی با عنوان «نیما» جهت تسهیل در این فرایند گردید. نظام یکپارچه معاملات ارزی که به‌اختصار «نیما» نامیده می‌شود، بستری است که با هدف مدیریت بازار ارز طراحی و پیاده‌سازی شده است. با راه‌اندازی سامانه نیما، محدودیت دسترسی به‌صورت کامل برطرف شد و صراف‌ها می‌توانند با بازرگانان سراسر کشور ارتباط برقرار کرده و دامنه مشتریان خود را افزایش دهند که این امر، نهایتاً به افزایش سهم بازار در یک محیط رقابتی و سودآوری بیشتر صرافی‌ها منجر شده است. مراجعه حضوری بازرگانان منسوخ شده و درخواست‌ها به‌صورت اینترنتی ارسال می‌شود. صرافی نیز با مشاهده درخواست‌ها در صورت تمایل بر روی آنها پیشنهاد خود را ارائه می‌کند. با راه‌اندازی کامل این سامانه عملیات ارزی عرضه و تقاضای تجاری کشور به‌طورکلی از بستر این سامانه انجام خواهد شد. به‌این‌ترتیب که در سمت عرضه، صادرکنندگان می‌توانند ارز حاصل از صادرات خود را به بانک‌ها و صرافی‌های مجاز بفروشند و در سمت تقاضا، واردکنندگان درخواست خرید ارز نمایند. مشخص است که در این سامانه دو بازار مجزا در سمت عرضه ارز در کشور و در سمت تقاضای ارز در کشور شکل‌گرفته است. شناخت شبکه، ارتباطات افراد، اجتماعات موجود و بازیگران اثرگذار در شبکه برای بازار ساز یک بازار امری مهم و حیاتی تلقی می‌شود. در این راستا استفاده از ابزارهای تحلیل شبکه‌های اجتماعی (SNA) می‌تواند راهکار مناسبی برای تحقیق این امر باشد. در این مقاله تلاش شده است با استفاده از ابزار مذکور تحلیل و نتیجه گیری مناسب ارائه گردد.

1. مرورادبیات

تحلیل شبکه‌های اجتماعی، رویکردی است که در آن شبکه را به‌صورت مجموعه‌ای از «گره‌ها» و روابط میان آن‌ها در نظر می‌گیرند. گره‌ها، اشخاص و در واقع بازیگران درون شبکه هستند و روابط میان آن‌ها به‌صورت اتصالاتی بین گره‌ها نمایش داده می‌شود. ساختار شبکه‌های اجتماعی که ساختارهایی مبتنی بر گراف است، معمولاً بسیار پیچیده‌اند. در واقع «تحلیل شبکه‌های اجتماعی» یک استراتژی برای بررسی ساختارهای اجتماعی با استفاده از نظریه‌های شبکه و گراف است. شبکه‌های اجتماعی در زندگی اجتماعی و اقتصادی ما نفوذ کرده‌اند و نقشی اساسی در انتقال اطلاعات فرصت‌های شغلی دارند همچنین برای تجارت بسیاری از کالاها و خدمات حیاتی هستند[1]. در میان شبکه‌های اجتماعی شبکه‌های دو وجهی⁴ آنهایی هستند که دارای دو مجموعه مجزا از رأس‌ها و یال‌ها هستند و یال‌ها فقط بین دو نوع مختلف رأس است. برای نمایش بهتر این شبکه‌ها نمودارهای دوطرفه مانند شکل زیر می‌توانند روش مناسبی باشند[2]. همچنین امروزه انگیزه بسیار زیادی برای مطالعه ساختار شبکه‌های اجتماعی پیچیده دووجهی به‌عنوان یک دسته جداگانه و ویژه در شبکه‌های اجتماعی به وجود آمده است. در این میان مسئله شناسایی بازیگران مؤثر و رتبه‌بندی آن‌ها نیز یک مسئله پرکاربرد در حوزه شبکه‌های اجتماعی دو وجهی خواهد بود. در مسئله مطرح شده در این تحقیق یک بازار دو وجهی شامل خریدار و فروشنده وجود دارد که ما تصمیم داریم بازیگران مؤثر در این بازار را به کمک تحلیل شبکه اجتماعی ایجاد شده توسط این بازیگران، شناسایی نماییم.

$C:\Users\Administrator\Desktop\Capture.PNG$

2. پیشینۀ پژوهش

3. زائو⁵و همکاران (2015) بیان کرده‌اند که گروه‌های تجارت اجتماعی فروشندگان و خریداران را به هم متصل می‌کنند و به آنها امکان می‌دهند تا اطلاعات محصولات را جستجو و به اشتراک بگذارند. باتوجه‌به ماهیت معامله در این گروه‌ها، برای بازاریان و محققان دانشگاهی بسیار مهم است كه در مورد روابط بین كاربران این شبکه‌ها تحقیق کنند [3]. ونگ و چیو⁶ (2008) نیز تلاش کرده‌اند با استفاده از تکنیک‌های تحلیل شبکه‌های اجتماعی اعتبار فروشندگان را در یک بازار حراج آنلاین بررسی کند. در مقاله آن‌ها یک سیستم پیشنهادی ارائه شده است که بر اساس روابط؛ اعتبار فروشندگان را محاسبه می‌کند و نشان می‌دهد که ساختارهای شبکه ایجاد شده توسط تاریخچه معاملات می‌توانند برای افشای رفتارهای فرومایه احتمالی توسط فروشنده‌ها مورداستفاده قرار گیرد. بدین ترتیب این سیستم می‌تواند چندین ماه پیش از انتشار رسمی لیست‌های سیاه، هشدار دهد تا از تبانی احتمالی فروشنده جلوگیری کند[4]. لام و وو⁷ (2009) نیز در مقاله خود ابتدا یک بررسی پیشرفته از مطالعات اخیر در زمینه SNA و بازاریابی ویروسی در حوزه تجارت الکترونیکی انجام دادند و سپس سعی کردند با استفاده از تحلیل شبکه‌های اجتماعی بر اساس رفتار گذشته خریداران بالقوه یک رتبه‌بندی از تأثیر آتی آن‌ها در بازار ارائه دهند. در نهایت مقاله آن‌ها سه شاخص با عناوین PageRank و UserRank و BuyerRank جهت رتبه‌بندی شناسایی بازیگران تأثیرگذار ارائه کرده است [5]. لیم و چان⁸ (2014) در مقاله دیگری از دیدگاه تحلیل شبکه‌های اجتماعی میزان تقاضا در یک بازار آنلاین کتاب مورد بررسی قرار داده‌اند. بدین منظور در ابتدا شبکه پیشنهادهای کتاب‌ها بر اساس داده‌های خرید مشتریان ساخته‌اند و سپس شاخص‌های مرکزیت شبکه و ضرایب خوشه‌بندی محاسبه کردند. همچنین مدل تحقیق با استفاده از روش همبستگی و تحلیل رگرسیون چندگانه تجزیه‌وتحلیل گردیده است. نتایج این دو اقدام نشان می‌دهد که بین شاخص‌های مرکزیت شبکه، ضریب خوشه‌بندی و تقاضا همبستگی قابل‌توجهی وجود دارد [6]. درژشسکی⁹ و همکاران (2015) نیز در مقاله‌ی دیگری روش استفاده از تحلیل شبکه‌های اجتماعی برای تجزیه‌وتحلیل داده‌های سیستم شناسایی پول‌شویی را ارائه کرده‌اند. سیستم آن‌ها می‌تواند نقش‌هایی را از طریق شبکه به افراد اختصاص داده و امکان تجزیه‌وتحلیل ارتباطات بین آن‌ها را فراهم کند. آن‌ها شناسایی افراد گفته شده از طریق تکنیک خوشه‌بندی و استخراج الگوهای تکراری صورت دادند[7]. لین و ژنگ¹⁰ (2012) هم در مقاله‌ای به موضوع کلاهبرداری در بازارهای حراج آنلاین پرداخته‌اند. مقاله آن‌ها سعی کرده است روندی را پیشنهاد کند که بتواند روشی را برای شناسایی گروه‌های کلاهبرداری در حراجی‌های آنلاین ارائه دهد بدین منظور ابتدا، با استفاده از جستجوی وب برای جمع‌آوری موارد حراج واقعی و شناسایی گروه‌های احتمالی کلاهبرداری خوشه‌بندی k-core پیاده‌سازی می‌گردد. سپس فرایند تمیزکردن داده‌ها را برای حذف داده‌های غیرمرتبط انجام می‌گردد و در گام سوم، برای کشف حساب‌های مشکوک، از الگوریتم PageRank استفاده شده است[8]. بلاس و همکاران¹¹ (2018) در پژوهشی دیگر با استفاده از ترکیب سنجه‌های تحلیل شبکه‌های اجتماعی و تحلیل پوششی داده‌ها (DEA)، روشی برای رتبه‌بندی ارائه داده‌اند. روش پیشنهادی آن‌ها با استفاده از یک الگوریتم وزنه دار HITS دو مقدار authority weight و hub weight را محاسبه می‌کند[9]. چه و شیمال¹² (2018) در مقاله به بررسی گرایش قوم‌گرایی مصرف‌کننده، نقش تضاد بازار و تعامل بین این دو مفهوم در یک ساختار اجتماعی می‌پردازد. بدین منظور به روش گلوله برفی 215 پاسخ از بازیگران جمع‌آوری کرده‌اند و نشان داده‌اند که مصرف‌کنندگان جوان قوم‌گرایی کمتری دارند اما نسبت به سایر بازیگران تضاد بیشتری در بازار دارند. همچنین به کمک تحلیل شبکه‌های اجتماعی نشان داده‌اند در درون هر 2- clique شبکه تضاد بازار بیشتری وجود دارد[10]. الزهرانی و هورادم¹³ (2016) در مقاله‌ای به مسئله شناسایی جوامع در شبکه‌های دووجهی پرداختند. می‌دانیم که شناسایی جوامع در شبکه‌های یک وجهی در سال‌های اخیر بسیار موردمطالعه قرار گرفته است؛ بااین‌وجود، مطالعات پیرامون حل این مسئله در شبکه‌های دو وجهی علی‌رغم اهمیت و تأثیر فزاینده آن پراکنده بوده است و ازآنجاکه یال‌ها گره‌ها از دو نوع مختلف را به هم متصل می‌کنند، تعاریف کلاسیک اجتماعات مستقیماً در این شبکه‌ها قابل‌استفاده نیست [2]. بیشتر نویسندگان از روش ماژولاریتی نیومن و گیروان¹⁴ [11] برای یافتن جوامع در شبکه‌های دو وجهی پیروی می‌کنند. ازآنجاکه شبکه‌های دو وجهی دارای دو گره مجزا هستند و یال‌ها فقط گره‌ها را از مجموعه‌های مختلف متصل می‌کنند، برای شناسایی جوامع در این نوع شبکه، باید بهینه‌سازی ماژولار اصلاح شود[12]. برای اولین‌بار گیمرا¹⁵ و همکاران اندازه‌گیری ماژولاریتی را برای شبکه‌های دو وجهی ارائه دادند[13]. در ادامه باربر¹⁶ با الهام از ایده نیومن درباره ماتریس ماژولاریتی، این ماتریس را برای شبکه‌های دو وجهی ایجاد کرد[14]. در مقابل با رویکردهای استاندارد، در مقاله الزهرانی و هورادم [12]، یک الگوریتم تصویرسازی وزنی ارائه شد که نتایج پیشرفته‌تری را نشان می‌دهد. این روش نمودار دو وجهی را به یک وجهی تبدیل می‌کند و از یک پیاده‌روی تصادفی برای شناسایی جوامع استفاده می‌کند. در واقع این روش می‌گوید که ما نمی‌توانیم روش‌های معمول را مستقیماً روی شبکه‌های دو وجهی اعمال کنیم اما مطمئناً می‌توانیم از یک تصویرسازی (وزنی) استفاده کنیم. گیمرا و همکاران [13] می‌گویند هیچ تفاوتی در جوامع وقتی‌که به‌صورت یک وجهی تصویر می‌شوند ایجاد نمی‌گردد. مدت‌زمان طولانی است که از روش تصویرسازی در حوزه کسب‌وکار استفاده می‌شود. نقطه قوت این ایده است که تأکید معمولاً بر روی یکی از دو مجموعه گره است. این مجموعه‌ها را می‌توان برای برنامه‌های مختلف تغییر داد؛ بنابراین یک روش پیش‌بینی وزنی به ما اجازه می‌دهد تا با استفاده از الگوریتم‌های قدرتمند پس از یک فرایند تبدیل، شبکه‌های دو وجهی را بررسی کنیم. در نتیجه مطالعات صورت‌گرفته ما نیز تلاش خواهیم کرد ضمن تصویرسازی شبکه‌های دو وجهی مورد بررسی یک روش رتبه‌بندی کارا به کمک محاسبه شاخص‌های مرکزیت شبکه‌های اجتماعی؛ ارائه دهیم.

4. شکاف تحقیق و تعریف مسئله

شناخت شبکه، ارتباطات افراد، اجتماعات موجود و بازیگران اثرگذار در شبکه برای بازار ساز یک بازار امری مهم و حیاتی تلقی می‌شود. در این راستا استفاده از ابزارهای تحلیل شبکه‌های اجتماعی (SNA) می‌تواند راهکار مناسبی برای تحقیق این امر باشد. به کمک این ابزارها می‌توان شبکه را ترسیم و سپس به کمک الگوریتم‌های آزمایش شده زیر شبکه‌ها و اجتماعات را شناسایی نمود و نهایتاً به کمک سنجه‌ها بازیگران مؤثر و جریان‌ساز شبکه را شناسایی کرد. بسیاری از شبکه‌های موجود در دنیای واقعی می‌توانند توسط یک شبکه پیچیده مدل شوند. شبکه‌های پیچیده توسط گرافی از گره‌ها (معرف افراد) و یال‌ها (بیانگر ارتباط مابین گره‌ها) نمایش داده می‌شوند. شبکه‌های پیچیده اعم از شبکه‌های بیولوژیکی، اینترنتی، اطلاعاتی و اجتماعی دارای ویژگی‌های مشابهی مانند جهان کوچک، مستقل از مقیاس و دارای ساختارهای پیمانه‌ای (گروهی) هستند که ازاین‌حیث در سال‌های اخیر مطالعه شبکه‌های پیچیده توجه بسیاری از محققان را به خود جلب نموده است [15]. شناسایی گره‌های (اﻓﺮاد) تأثیرگذار در ﺳﺎﺧﺘﺎرﻫﺎی ﺷﺒﮑﻪ اﺟﺘﻤﺎﻋی ﺑﺎ ﻫﺪف بیشینه‌سازی اﺛﺮ یﮑی از ﻣﺴﺎﺋﻞ ﭘﺮﮐﺎرﺑﺮد در ﺣﻮزه ﺗﺤﻠﯿﻞ شبکه‌های اﺟﺘﻤﺎﻋی اﺳﺖ. ایﻦ ﻣﺴﺌﻠﻪ به‌ویژه در ﺣﻮزه ﺗﺠﺎرت اﺟﺘﻤﺎﻋی ﺑﻪ دﻟﯿﻞ ﮐﺎرﺑﺮد آن در ﺑﺎزاریﺎﺑی و اﻧﺘﺸﺎر ﺗﺒﻠﯿﻐﺎت ﮐﺎﻻ و ﺧﺪﻣﺎت ﺑﺴﯿﺎر موردتوجه می‌باشد.[16] در این راستا تلاش خواهد شد در ابتدا بازیگران اصلی هریک از دو بازار (بازار عرضه ارز حاصل از صادرات و بازار تأمین ارز موردنیاز واردات) به کمک سنجه‌های تحلیل شبکه اجتماعی شناسایی شود و سپس پرسش‌هایی که در مورد علت اثرگذاری هریک از این بازیگران مطرح می‌شود، مورد بررسی قرار گیرد. موارد ذیل پرسش‌هایی‌ای است که تلاش می‌شود در این پژوهش به آن‌ها پاسخ داده شود:

- آیا بین حجم معامله بازیگران با رتبه آن‌ها در شبکه ارتباطی وجود دارد؟

- آیا بین مرغوبیت ارز معامله شده توسط بازیگران با رتبه آن‌ها در شبکه، ارتباطی وجود دارد؟

-- نقش واسطه‌های دو بازار باتوجه‌به رتبه آن‌ها چگونه تحلیل می‌گردد؟

در مجموع می‌توان گفت تحلیل‌های منتج از این مطالعه می‌تواند به نظارت دقیق و مؤثر در بازار پرتنش ارز و همچنین شناسایی تخلفات احتمالی کمک کند. علاوه بر نکات گفته شده این موضوع می‌تواند کمک کند در توسعه‌های آتی سامانه با بررسی رفتارهای بازیگران مؤثر در شبکه تأمین و توزیع ارز تغییرات مؤثر شکل بگیرد. همچنین روش استفاده شده در این پژوهش می‌تواند به صاحبان سایر بازارهای خریدوفروش آنلاین و محققان شبکه‌های اجتماعی جهت رتبه‌بندی بازیگران و شناسایی مقتضیات بازارهای دو وجهی کمک کند.

5. روش شناسی

5.1. جمع‌آوری داده‌ها

این پژوهش با محوریت شبکه ایجاد شده در نظام یکپارچه معاملات ارزی (نیما) انجام می‌گیرد. مشخص است که در این سامانه دو بازار مجزا در سمت عرضه ارز در کشور و در سمت تقاضای ارز در کشور شکل‌گرفته است؛ بنابراین هریک از این بازارها دارای شبکه معاملات مختص به خود خواهد بود. در شبکه عرضه ارز گره‌ها از بازیگران حاضر در این بازار ایجاد شده‌اند که شامل دو بخش صادرکننده‌ها (فروشنده) و صرافی‌ها (خریدار) می‌باشد. طبیعتاً یال‌های این شبکه نیز معاملات صورت‌گرفته بین خریدار و فروشنده است. وزن هریک از این یال‌ها نیز مبلغ معامله صورت‌گرفته قرار داده می‌شود که به‌منظور یکسان‌سازی نیاز است تمامی مبالغ که به ارزهای گوناگون می‌باشند با تبدیل به ارز مرجع (که یورو در نظر گرفته شده است) معادل‌سازی شوند؛ بنابراین جهت تشکیل شبکه عرضه، اطلاعات معاملات صورت‌گرفته در سامانه نیما در یک بازه زمانی 100 روزه استخراج می‌شود. بعد از تمیز سازی اطلاعات و حذف داده‌های هرز و تستی و همچنین معاملات نهایی نشده، تعداد 1146 معامله باقی می‌ماند. بعد از ترکیب و جمع معاملاتی که خریدار و فروشنده یکسان دارند این شبکه با 222 گره شامل 100 فروشنده (رنگ تیره)، 122 خریدار (رنگ روشن) و 455 یال تشکیل می‌گردد که در شکل 2 قابل‌مشاهده است.

شکل (1) نمونه نمایش شبکه‌های دو وجهی G(∪,E,ω) [2]

شکل (2) شبکه فروش ارز حاصل از صادرات در سامانه نیما

به همین شکل نیز در شبکه تقاضا ارز گره‌ها از بازیگران حاضر در این بازار ایجاد شده‌اند که شامل دو بخش واردکننده‌ها (خریدار) و صرافی‌ها (فروشنده) می‌باشد. طبیعتاً یال‌های این شبکه نیز معاملات صورت‌گرفته بین خریدار و فروشنده است. وزن هریک از این یال‌ها نیز مبلغ معامله صورت‌گرفته قرار داده می‌شود که به‌منظور یکسان‌سازی نیاز است تمامی مبالغ که به ارزهای گوناگون می‌باشند با تبدیل به ارز مرجع (که یورو در نظر گرفته شده است) معادل‌سازی شوند؛ بنابراین جهت تشکیل شبکه تقاضا اطلاعات معاملات صورت‌گرفته در سامانه نیما در یک بازه زمانی 100 روزه استخراج می‌شود. بعد از تمیز سازی اطلاعات و حذف داده‌های هرز و تستی و همچنین معاملات نهایی نشده، تعداد 10531 معامله باقی می‌ماند. بعد از ترکیب و جمع معاملاتی که خریدار و فروشنده یکسان دارند این شبکه با 3634 گره شامل 3497 خریدار (رنگ تیره) 137 فروشنده (رنگ روشن) و 4669 یال تشکیل می‌گردد که در شکل 3 قابل‌مشاهده است.

Share To

Article Url

Identifying the effective actors of forex trading network in the NIMA system using social network analysis