حسابداری، امور مالی و هوش محاسباتی

مطالعه حاضر با استفاده از روش تخمین پارامترها با ضرایب متغیر و رهیافت کالمن فیلتر به تحلیل حالت فضا از همگرایی بازار مالی و توسعه اقتصادی در کشور ایران برای سال‌های 1375 تا 1402 می‌پردازد. نتایج حاصل از تخمین مدل حالت فضا (کالمن فیلتر)، گویای این مطلب می‌باشد که؛ توسعه مالی، کیفیت حکمرانی، درآمد رانتی، حجم تجارت و اشتغال به ترتیب؛ 6%، 2/0%، 7%، 10% و 3% توسعه اقتصادی را افزایش می‌دهد. همچنین به ازای یک درصد افزایش در نرخ تورم و نرخ ارز، توسعه اقتصادی به ترتیب؛ 2%،  و 7% کاهش می‌یابد. همچنین پارامتر‌های برآورد شده مدل حالت-فضا با استفاده از کالمن فیلتر و کشش توسعه اقتصادی نسبت به توسعه مالی در طول دوره مورد بررسی، کمتر از واحد بوده است، بطوریکه در طول سال‌های ١٣٧۵ تا 1384، حساسیت مربوطه عدد 0.16 می‌باشد. در سال‌های 1389 تا 1402 کشش توسعه اقتصادی نسبت به توسعه مالی روند نزولی خود را طی می‌کند. لزوما اجرای فرایند توسعه بازار‌های مالی همراه با رشد و آثار مثبت نیست و مستلزم هماهنگی اقتصاد داخلی به لحاظ ساختاری، مقررات اقتصادی، سیاست‌های هماهنگ و ثبات اقتصادی می‌باشد. همچنین با نگاهی به حساسیت توسعه اقتصادی نسبت به درآمد‌های رانتی قابل مشاهده است که میانگین حساسیت در طول سال‌های مطالعه کمتر از واحد و بشکل تقریبی برابر با ٣ درصد می‌باشد. بعبارتی با افزایش قیمت نفت در اقتصاد ایران، سرمایه‌ها بجای ورود به بخش تولید و بخش‌های دارای ارزش افزوده، صرف واردات شده که بخاطر شرایط رکود-تورمی کشور، برای مقابله با تورم انجام می‌شود. بنابرین بخش تولید با آسیب جدی روبرو شده و بسیاری از بخش‌های تولیدی از چرخه اقتصاد دور شده و سرمایه‌های موجود در بخش تولید در اقتصاد راکد مانده و به ناچار وارد بازار سیاه و سفته بازی می‌شوند.

اطلاعات به عنوان منبع اصلی تصمیم گیرزی ذینفعان می‌باشد، هرچه خوانایی اطلاعات و کیفیت آن بیشتر و از طرفی عدم تقارن اطلاعاتی کمتر باشد، در نتیجه تصمیم گیری ذینفع نیز راحت تر خواهد بود. در همین راستا، مطالعه حاضر با هدف بررسی ارتباط بین خوانایی گزارش‌های مالی و کیفیت گزارشگری مالی با تأکید بر عدم تقارن اطلاعاتی در بورس اوراق بهادار تهران بین سال‌های 1395 - 1401 انجام گرفته است. کیفیت گزارشگری مالی با استفاده از مدل دیچو دیچاو و خوانایی گزارش‌های سالانه با استفاده از شاخص فوگ مورد سنجش قرار گرفت. عدم تقارن اطلاعاتی از بعد  انتخاب نامطلوب بر مبنای مدل ونکاتش و چیانگ (1986) و خطر اخلاقی بر اساس مدل عبدی گلزار و همکاران (1400) اندازه‌گیری شد. تحلیل فرضیه‌های پژوهش با استفاده از اطلاعات 129 شرکت و با بکارگیری تحلیل رگرسیون حداقل مربعات و نرم‌افزار Stata  نسخه 17 مورد سنجش قرار گرفت. نتایج پژوهش نشان داد بین خوانایی گزارش‌های سالانه و کیفیت گزارشگری مالی ارتباط مستقیم و معناداری وجود دارد. عدم تقارن اطلاعاتی از بعد انتخاب نامطلوب موجب تضعیف رابطه مثبت بین خوانایی گزارش‌های مالی و کیفیت گزارشگری مالی می‌شود. در حالی که انتخاب نامطلوب بر این ارتباط تأثیر معناداری ندارد.

ویژگی‌های مدیرعامل به‌طور قابل‌توجهی بر تصمیمات شرکت‌ها در زمینه تأمین مالی، سرمایه‌گذاری و عملیات تأثیر می‌گذارد. مدیران عامل با اعتماد بیش از حد، معمولاً توانایی‌های خود را بیش از حد ارزیابی می‌کنند و ریسک پروژه‌ها را دست کم می‌گیرند. این رفتار می‌تواند بر تداوم مالی و پایداری شرکت‌های کوچک و متوسط تأثیر منفی بگذارد، زیرا این نوع مدیران وجوه خارجی را نسبت به منابع داخلی پرهزینه می‌دانند و در نتیجه تأمین مالی شرکت خود را محدود می‌کنند. در این راستا، هدف این مقاله بررسی تأثیر اعتماد بیش از حد مدیریتی بر پایداری شرکتی در شرکت‌های کوچک و متوسط است. جهت نیل به این هدف از دو شاخص هزینه سرمایه‌ای و بیش‌سرمایه‌گذاری به عنوان شاخص‌های بیش‌اعتمادی استفاده شده است. روش تحقیق به‌کاررفته در این مطالعه شامل 132 شرکت پذیرفته شده در بورس اوراق بهادار تهران در مدت زمان بین سال‌های 1396 تا 1402 بوده و از تکنیک رگرسیون چندکی برای تحلیل داده‌ها استفاده شده است. نتایج حاصل از تحلیل داده‌ها نشان می‌دهد که بین این شاخص‌ها و پایداری شرکتی رابطه منفی و معناداری وجود دارد. به عبارت دیگر، افزایش بیش‌اعتمادی مدیران عامل، منجر به تصمیمات مالی نامطلوبی می‌شود که در نتیجه تأثیر منفی بر پایداری شرکتی دارد. یافته‌های این تحقیق به تأثیرات منفی و پیچیده بیش‌اعتمادی بر عملکرد و پایداری شرکت‌ها تأکید می‌کند و به مدیران و تصمیم‌گیرندگان توصیه می‌کند که در اتخاذ تصمیمات سرمایه‌گذاری و مالی، واقع‌بینی و احتیاط را در نظر داشته باشند.

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.