حسابداری، امور مالی و هوش محاسباتی

دیجیتالی‌شدن فرآیندهای بانکی تأثیر بسزایی بر عملکرد مالی و بهره‌وری بانک‌ها داشته است. این پژوهش به بررسی تأثیرات دیجیتالی‌شدن بر کارایی مالی بانک‌ها پرداخته و از روش‌های تحلیل داده‌محور برای مدل‌سازی این اثرات استفاده کرده است. داده‌های مالی ۳۰ بانک از کشورهای مختلف طی دوره ۲۰۱۲ تا ۲۰۲۴ جمع‌آوری شده و با استفاده از مدل‌های پانلی پویا و تحلیل پوششی داده‌ها (DEA) بررسی شده‌اند. نتایج نشان داد که دیجیتالی‌شدن با افزایش سرعت پردازش داده‌ها، کاهش هزینه‌های عملیاتی و بهبود تجربه مشتری، تأثیر مثبتی بر کارایی مالی بانک‌ها دارد. همچنین، مشاهده شد که بانک‌هایی که از هوش مصنوعی و یادگیری ماشین در فرآیندهای مالی خود استفاده می‌کنند، عملکرد بهتری نسبت به سایر بانک‌ها دارند. با این حال، چالش‌هایی نظیر هزینه‌های بالای سرمایه‌گذاری اولیه، ریسک‌های امنیت سایبری و مقاومت سازمانی در برابر تغییرات فناورانه از جمله موانع اصلی پیاده‌سازی کامل این فناوری‌ها هستند. این پژوهش پیشنهادهایی برای سیاست‌گذاران و مدیران بانک‌ها جهت بهینه‌سازی استراتژی‌های دیجیتالی‌شدن ارائه می‌دهد.

در سال‌های اخیر، ربات‌های مشاور مالی (Robo-Advisors) به عنوان ابزاری کارآمد برای کمک به سرمایه‌گذاران فردی در اتخاذ تصمیمات بهینه مالی مورد توجه قرار گرفته‌اند. این پژوهش به بررسی تأثیر استفاده از ربات‌های مشاور بر عملکرد تصمیم‌گیری سرمایه‌گذاران فردی در بازار سرمایه ایران پرداخته است. داده‌های این مطالعه از طریق یک آزمایش کنترل‌شده تصادفی (RCT) با مشارکت ۲۰۰ سرمایه‌گذار حقیقی جمع‌آوری شده و عملکرد آن‌ها طی یک بازه زمانی ۱۲ ماهه مورد بررسی قرار گرفته است. نتایج نشان داد که سرمایه‌گذارانی که از ربات‌های مشاور استفاده کرده‌اند، در مقایسه با سایرین تصمیم‌گیری‌های منطقی‌تر و بازدهی سرمایه‌گذاری بالاتری داشته‌اند. علاوه بر این، مشاهده شد که تجربه مالی و میزان اعتماد به فناوری نقش مهمی در میزان پذیرش و استفاده از این سیستم‌ها ایفا می‌کند. چالش‌هایی مانند عدم درک کافی از نحوه کارکرد الگوریتم‌ها و نگرانی‌های مربوط به امنیت داده‌ها از جمله موانع اصلی پذیرش این فناوری هستند. این پژوهش پیشنهادهایی برای بهبود پذیرش و کارایی ربات‌های مشاور مالی در بازار سرمایه ارائه می‌دهد.

مدل‌های پیش‌بینی مالی مبتنی بر یادگیری عمیق به طور فزاینده‌ای در تحلیل سودآوری شرکت‌ها مورد استفاده قرار گرفته‌اند. این پژوهش به بررسی تأثیر این مدل‌ها بر دقت پیش‌بینی سودآوری شرکت‌ها در مقایسه با روش‌های سنتی می‌پردازد. در این راستا، داده‌های مالی ۶۰ شرکت پذیرفته‌شده در بورس اوراق بهادار تهران طی دوره ۲۰۱۵ تا ۲۰۲۴ جمع‌آوری و از مدل‌های یادگیری عمیق شامل شبکه‌های عصبی پیچشی (CNN)، شبکه‌های حافظه کوتاه‌مدت بلندمدت (LSTM) و مدل‌های تقویتی (Gradient Boosting) برای تحلیل داده‌ها استفاده شده است. نتایج نشان داد که مدل‌های یادگیری عمیق نسبت به روش‌های سنتی مانند مدل‌های رگرسیونی و سری‌های زمانی دارای دقت بالاتری در پیش‌بینی سودآوری هستند. همچنین، ترکیب مدل‌های یادگیری عمیق با تکنیک‌های کاهش ابعاد داده باعث بهبود عملکرد مدل‌ها شده است. با این حال، چالش‌هایی مانند پیچیدگی محاسباتی، نیاز به داده‌های حجیم و هزینه‌های پردازشی بالا از جمله موانع اصلی پیاده‌سازی این مدل‌ها در محیط‌های مالی هستند. این مطالعه پیشنهادهایی برای استفاده بهینه از یادگیری عمیق در پیش‌بینی سودآوری ارائه می‌دهد.

کلان‌داده‌ها نقش مهمی در تصمیم‌گیری‌های مالی شرکت‌های چندملیتی ایفا می‌کنند. این پژوهش با هدف تحلیل تأثیر استفاده از کلان‌داده‌ها بر بهبود تصمیم‌گیری مالی در شرکت‌های چندملیتی انجام شده است. برای این منظور، داده‌های مالی و عملیاتی ۵۰ شرکت چندملیتی از سال ۲۰۱۵ تا ۲۰۲۴ جمع‌آوری و با استفاده از مدل‌های رگرسیون پانلی پویا و تحلیل سری‌های زمانی بررسی شد. همچنین، از شاخص‌های نوسانات بازار، نرخ بازده سرمایه‌گذاری و بهره‌وری مالی به عنوان متغیرهای وابسته استفاده شد. یافته‌ها نشان داد که کلان‌داده‌ها موجب افزایش دقت پیش‌بینی‌های مالی، بهبود تخصیص منابع و کاهش ریسک تصمیم‌گیری‌های کلان می‌شوند. همچنین، نقش پلتفرم‌های تحلیلی مبتنی بر هوش مصنوعی در تفسیر داده‌های کلان و بهینه‌سازی فرآیندهای مالی مشهود بود. در نهایت، این پژوهش پیشنهادهایی برای مدیران مالی جهت بهینه‌سازی استفاده از کلان‌داده‌ها ارائه می‌دهد.

مدیریت ریسک اعتباری یکی از حیاتی‌ترین مسائل در صنعت بانکداری است که می‌تواند از طریق هوش مصنوعی بهبود یابد. این پژوهش با هدف بررسی تأثیر هوش مصنوعی بر بهینه‌سازی فرایندهای مدیریت ریسک اعتباری در بانک‌های ایران و اروپا انجام شده است. برای این منظور، از روش تحقیق کمی-تجربی استفاده شده و داده‌های مربوط به درخواست‌های وام، امتیازات اعتباری و بازپرداخت‌های مشتریان از ۱۰ بانک بزرگ در ایران و ۱۰ بانک اروپایی طی بازه زمانی ۲۰۱۶ تا ۲۰۲۴ جمع‌آوری شده است. مدل‌های تحلیل پوششی داده‌ها (DEA) و شبکه‌های عصبی مصنوعی برای ارزیابی تأثیر هوش مصنوعی بر بهبود دقت مدل‌های اعتبارسنجی مورد استفاده قرار گرفتند. یافته‌های تحقیق نشان داد که بانک‌هایی که از مدل‌های هوش مصنوعی برای ارزیابی اعتبار مشتریان استفاده می‌کنند، نسبت به بانک‌هایی که از روش‌های سنتی بهره می‌برند، نرخ نکول پایین‌تر و دقت پیش‌بینی بالاتری دارند. علاوه بر این، تفاوت‌های قابل‌توجهی بین بانک‌های ایرانی و اروپایی از نظر میزان پذیرش و استفاده از مدل‌های هوش مصنوعی مشاهده شد که نشان‌دهنده تأثیرات فرهنگی، اقتصادی و زیرساختی بر پذیرش فناوری است. در نهایت، این پژوهش پیشنهادهایی برای سیاست‌گذاران و مدیران بانکی جهت بهینه‌سازی مدل‌های مدیریت ریسک اعتباری ارائه می‌دهد.

پیش‌بینی جریان‌های نقدی دقیق یکی از مهم‌ترین چالش‌های مدیریت مالی در شرکت‌هاست که بهبود آن می‌تواند منجر به کاهش ریسک‌های مالی و افزایش کارایی در تصمیم‌گیری‌های اقتصادی شود. در سال‌های اخیر، الگوریتم‌های یادگیری ماشین به عنوان ابزاری کارآمد برای مدل‌سازی و پیش‌بینی جریان‌های نقدی معرفی شده‌اند. در این پژوهش، یک رویکرد ترکیبی کیفی-کمی به کار گرفته شده است. ابتدا در بخش کیفی، مصاحبه‌های نیمه‌ساختاریافته با ۲۵ مدیر مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران انجام شد تا مهم‌ترین چالش‌ها و مزایای استفاده از یادگیری ماشین در این حوزه شناسایی شود. سپس، در بخش کمی، داده‌های مالی ۵۰ شرکت بورسی طی بازه زمانی ۲۰۱۵ تا ۲۰۲۴ جمع‌آوری و با استفاده از روش‌های رگرسیون خطی، شبکه‌های عصبی مصنوعی و مدل‌های تقویتی مانند XGBoost تحلیل شد. یافته‌های تحقیق نشان داد که الگوریتم‌های یادگیری ماشین توانایی بهبود دقت پیش‌بینی جریان‌های نقدی را نسبت به مدل‌های سنتی دارند. با این حال، چالش‌هایی مانند پیچیدگی الگوریتم‌ها، نیاز به داده‌های حجیم و مسائلی نظیر شفافیت مدل‌ها می‌تواند مانع از پذیرش گسترده این فناوری در شرکت‌ها شود. این پژوهش پیشنهادهایی برای تسهیل پیاده‌سازی یادگیری ماشین در پیش‌بینی جریان‌های نقدی ارائه می‌دهد که می‌تواند به مدیران مالی و سرمایه‌گذاران در اتخاذ تصمیمات بهینه کمک کند.

این پژوهش با هدف بررسی موانع پذیرش و اجرای سیستم‌های گزارشگری مالی مبتنی بر بلاکچین در سازمان‌های مالی انجام شده است. این پژوهش به روش کیفی و با استفاده از مصاحبه‌های نیمه‌ساختاریافته انجام شد. نمونه‌گیری به‌صورت هدفمند انجام شد و ۲۷ نفر از متخصصان مالی، حسابداری و فناوری اطلاعات در سازمان‌های مستقر در تهران در این پژوهش شرکت کردند. گردآوری داده‌ها تا رسیدن به اشباع نظری ادامه یافت و تحلیل داده‌ها با استفاده از نرم‌افزار NVivo و روش تحلیل محتوای کیفی صورت گرفت. نتایج نشان داد که پذیرش و اجرای بلاکچین در گزارشگری مالی با موانع سازمانی، فنی و مقرراتی متعددی مواجه است. در سطح سازمانی، مقاومت مدیران و کارکنان در برابر تغییر و کمبود دانش فنی از عوامل بازدارنده اصلی بودند. در بعد فنی، چالش‌هایی همچون محدودیت مقیاس‌پذیری، ناسازگاری با سیستم‌های سنتی و هزینه‌های بالای پیاده‌سازی مطرح شد. در بعد قانونی، عدم شفافیت مقررات، ابهام در مسئولیت‌پذیری قانونی و نگرانی‌های مرتبط با امنیت داده‌ها و حریم خصوصی به‌عنوان موانع کلیدی شناسایی شدند. با وجود موانع متعدد، سازمان‌ها به پتانسیل‌های بلاکچین در بهبود شفافیت و کارایی سیستم‌های مالی واقف هستند. برای تسهیل پذیرش این فناوری، پیشنهاد می‌شود که چارچوب‌های قانونی مشخصی تدوین شود، سرمایه‌گذاری در آموزش نیروی انسانی افزایش یابد و زیرساخت‌های فناوری اطلاعات برای یکپارچه‌سازی بلاکچین با سیستم‌های مالی موجود توسعه یابد.

این مطالعه با هدف شناسایی موانع توسعه سیستم‌های گزارشگری مالی خودکار در سازمان‌ها انجام شده است. این پژوهش از نوع کیفی است و با استفاده از روش تحلیل محتوای کیفی انجام شده است. داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته با ۲۲ نفر از مدیران و متخصصان حوزه مالی و فناوری اطلاعات سازمان‌های مستقر در تهران جمع‌آوری شد. روش نمونه‌گیری هدفمند بود و فرایند گردآوری داده‌ها تا رسیدن به اشباع نظری ادامه یافت. برای تحلیل داده‌ها از روش کدگذاری باز، محوری و گزینشی در نرم‌افزار NVivo استفاده شد. نتایج نشان داد که موانع توسعه سیستم‌های گزارشگری مالی خودکار در چهار مقوله اصلی شامل موانع سازمانی، موانع فناوری، موانع مالی و موانع قانونی و مقرراتی طبقه‌بندی می‌شود. مقاومت کارکنان در برابر تغییر، ضعف فرهنگ سازمانی، عدم حمایت مدیریت ارشد، مشکلات زیرساختی فناوری اطلاعات، پیچیدگی‌های ادغام سیستم‌ها، نگرانی‌های امنیتی، محدودیت‌های بودجه‌ای، هزینه‌های نگهداری و چالش‌های حقوقی مرتبط با داده‌ها، از جمله موانع کلیدی شناسایی‌شده در این پژوهش بودند. یافته‌های این پژوهش نشان می‌دهد که برای توسعه موفق سیستم‌های گزارشگری مالی خودکار، سازمان‌ها باید به کاهش مقاومت سازمانی، تقویت زیرساخت‌های فناوری، تأمین منابع مالی مناسب و تدوین مقررات شفاف توجه کنند. اتخاذ رویکردهای راهبردی در زمینه فرهنگ‌سازی، آموزش کارکنان و حمایت مدیریت ارشد می‌تواند به کاهش موانع و بهبود پذیرش این سیستم‌ها در سازمان‌ها کمک کند.