<?xml version="1.0" encoding="UTF-8"?>
<ArticleSet>
  <Article>
    <Journal>
      <PublisherName></PublisherName>
      <JournalTitle>حسابداری، امور مالی و هوش محاسباتی</JournalTitle>
      <Issn>3092-7366</Issn>
      <Volume>2</Volume>
      <Issue>پیاپی ۴</Issue>
      <PubDate PubStatus="epublish">
        <Year>2024</Year>
        <Month>07</Month>
        <Day>11</Day>
      </PubDate>
    </Journal>
    <ArticleTitle>Identifying Influential Factors on the Efficiency of AI-Based Budgeting Algorithms</ArticleTitle>
    <VernacularTitle>شناسایی مؤلفه‌های تأثیرگذار بر کارایی بودجه‌بندی مبتنی بر الگوریتم‌های هوش مصنوعی</VernacularTitle>
    <FirstPage>12</FirstPage>
    <LastPage>22</LastPage>
    <Language>EN</Language>
    <AuthorList>
      <Author>
        <FirstName>حمیدرضا </FirstName>
        <LastName>کرمانی‌</LastName>
        <Affiliation>گروه حسابداری، دانشگاه علامه طباطبائی، تهران، ایران</Affiliation>
      </Author>
      <Author>
        <FirstName>شهاب‌الدین </FirstName>
        <LastName>صادقی‌منش</LastName>
        <Affiliation>گروه مدیریت مالی، دانشگاه علامه طباطبائی، تهران، ایران</Affiliation>
      </Author>
    </AuthorList>
    <PublicationType>Journal Article</PublicationType>
    <History>
      <PubDate PubStatus="received">
        <Year>2024</Year>
        <Month>04</Month>
        <Day>15</Day>
      </PubDate>
    </History>
    <Abstract>&lt;p&gt;This study aims to identify the key factors influencing the efficiency of AI-based budgeting algorithms in financial organizations. This qualitative study employed a phenomenological approach to explore the experiences of financial and IT professionals. Data were collected through semi-structured interviews with 19 financial managers, budgeting experts, and AI specialists in Tehran. Interviews continued until theoretical saturation was reached, and data were analyzed using thematic analysis with NVivo software. The results indicated that the efficiency of AI-based budgeting is influenced by four main categories of factors: organizational, technological, human, and environmental. In the organizational dimension, senior management support and flexible organizational structures played a crucial role. Technological factors included data quality, system integration, and information security. Human factors such as managerial attitudes and employee skills were found to be highly significant. Finally, economic fluctuations and regulatory frameworks were identified as key environmental factors affecting AI-based budgeting. The findings suggest that the successful implementation of AI-based budgeting requires improvements in technological infrastructure, employee training, increased managerial support, and the development of appropriate policies to facilitate AI adoption. This study provides valuable insights for financial managers and policymakers in developing effective strategies for AI-driven budgeting.&lt;/p&gt;</Abstract>
    <OtherAbstract Language="FA">&lt;p&gt;این پژوهش با هدف شناسایی مؤلفه‌های تأثیرگذار بر کارایی بودجه‌بندی مبتنی بر الگوریتم‌های هوش مصنوعی در سازمان‌های مالی انجام شده است. این پژوهش از نوع کیفی بوده و از روش پدیدارشناسی برای بررسی تجارب متخصصان حوزه مالی و فناوری اطلاعات استفاده شده است. داده‌های پژوهش از طریق مصاحبه‌های نیمه‌ساختاریافته با ۱۹ نفر از مدیران مالی، کارشناسان بودجه‌بندی و متخصصان هوش مصنوعی در شهر تهران گردآوری شد. مصاحبه‌ها تا رسیدن به اشباع نظری ادامه یافت و داده‌ها با استفاده از روش تحلیل مضمون و نرم‌افزار NVivo تحلیل شدند. نتایج پژوهش نشان داد که کارایی بودجه‌بندی مبتنی بر هوش مصنوعی تحت تأثیر چهار دسته اصلی از عوامل قرار دارد: عوامل سازمانی، عوامل تکنولوژیکی، عوامل انسانی و عوامل محیطی. در عوامل سازمانی، حمایت مدیریت ارشد و ساختار سازمانی انعطاف‌پذیر نقش کلیدی داشتند. عوامل تکنولوژیکی شامل کیفیت داده‌ها، یکپارچگی سیستم‌ها و امنیت اطلاعات بودند. در عوامل انسانی، نگرش مدیران و مهارت کارکنان تأثیر بسزایی داشتند و در نهایت، نوسانات اقتصادی و قوانین و مقررات از جمله عوامل محیطی مؤثر شناسایی شدند. یافته‌های این پژوهش نشان می‌دهد که پیاده‌سازی موفق بودجه‌بندی مبتنی بر هوش مصنوعی نیازمند بهبود زیرساخت‌های فناوری، آموزش کارکنان، افزایش حمایت مدیران و تدوین سیاست‌های مناسب در راستای پذیرش این فناوری است. این پژوهش می‌تواند به مدیران و سیاست‌گذاران مالی در توسعه راهبردهای کارآمد برای استفاده بهینه از هوش مصنوعی در بودجه‌بندی کمک کند.&lt;/p&gt;</OtherAbstract>
    <ObjectList>
      <Object Type="keyword">
        <Param Name="value">AI-based budgeting</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">qualitative analysis</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">organizational factors</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">technological factors</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">artificial intelligence in finance</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">financial decision-making</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">بودجه‌بندی مبتنی بر هوش مصنوعی</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">تحلیل کیفی</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">عوامل سازمانی</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">عوامل تکنولوژیکی</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">هوش مصنوعی در امور مالی</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">تصمیم‌گیری مالی</Param>
      </Object>
    </ObjectList>
    <ArchiveCopySource DocType="pdf">https://jafci.com/index.php/jafci/article/download/28/29</ArchiveCopySource>
  </Article>
</ArticleSet>
