درخت حوزه‌های تخصصی

مفهوم استراتژی پردازی، به عنوان یکی از مفاهیم نوین و کاربردی در مدیریت استراتژیک، به دلیل ابهام در تعریف و تبیین ابعاد آن، نیازمند مطالعه و بررسی دقیق تر است. این پژوهش با هدف شفاف سازی مفهوم استراتژی پردازی و کاهش ابهام موجود در ادبیات، از رویکرد تحلیل مفهوم سودابی استفاده کرده است. بدین منظور، مقالات منتشرشده بین سال های 1990 تا 21 جولای 2025 در پایگاه اسکوپوس با کلیدواژه های "استراتژی پردازی" و "استراتژی به عنوان عمل" مورد جستجو و تحلیل قرار گرفته اند. یافته های پژوهش شامل تعریف شفاف مفهوم استراتژی پردازی، تبیین سطح تحلیلی، دامنه زمانی و مبانی فلسفی آن، مقایسه با مفاهیم مشابه، و ارائه چارچوبی منسجم برای این مفهوم است. چارچوب مفهومی پیشنهادی می تواند زمینه کاربست بهتر این مفهوم در سطوح کسب وکار، شرکت و اکوسیستم را فراهم سازد. این پژوهش می تواند آغازی برای تحقیق و توسعه بیشتر پیرامون مفهوم استراتژی پردازی، به ویژه در حوزه قابلیت های موردنیاز برای آن و همچنین راهکارهای پیاده سازی آن در سطوح مختلف سازمانی و مدیریتی باشد.

پژوهش حاضر با هدف آسیب شناسی فرایند قصد جابجایی کارکنان از نواحی گازرسانی (واحد صف) به واحدهای ستادی شرکت گاز استان چهارمحال و بختیاری و ارائه راهکارهایی برای بهبود آن انجام شده است. مشارکت کنندگان پژوهش حاضر، کارکنان نواحی گازرسانی با سابقه کار بالای 5 سال که جابجایی آن ها انجام شده یا در حال انجام است و یا قصد این کار را دارند، هستند. داده ها از طریق مصاحبه های گردآوری و تجزیه وتحلیل داده ها با استفاده از روش تحلیل موقعیت کلارک انجام و مجموعه ای از گفتمان ها و مقوله ها که بر قصد جابجایی تأثیرگذارند، شناسایی شدند. یافته ها نشان می دهند که عدم وجود مسیر شغلی مشخص، احساس بی عدالتی در جابجایی و انتصابات، تأثیر عوامل سیاسی، محدودیت های ارتقای شغلی و شرایط سخت کاری در نواحی گازرسانی، از جمله دلایل اصلی افزایش درخواست جابجایی هستند. نتایج این پژوهش بر اهمیت طراحی اقدامات مدیریت منابع انسانی، نظیر تعیین دوره تصدی شغل، شفاف سازی فرآیندهای جابجایی و انتصاب و کاهش نفوذ عوامل سیاسی، تأکید دارد. درنهایت، یافته های پژوهش بر ضرورت اتخاذ رویکردی جامع تأکید دارد که علاوه بر اصلاح سیاست های منابع انسانی، به بازتعریف نقش ساختارهای مدیریتی و کاهش تأثیر مداخلات بیرونی در تصمیم گیری های سازمانی بپردازد

این پژوهش با هدف اعتبارسنجی مدل صادرات فرآورده های نفتی به کشورهای همسایه با تأکید بر افغانستان انجام شد. مطالعه از نوع کاربردی و با رویکرد آمیخته اکتشافی در دو بخش کیفی و کمی اجرا گردید. در بخش کیفی، داده ها از طریق مصاحبه نیمه ساختاریافته با 13 نفر از خبرگان حوزه نفت، گمرک و اتاق مشترک ایران و افغانستان جمع آوری و با روش نظریه داده بنیاد تحلیل شد که منجر به استخراج مقوله ها و طراحی مدل مفهومی اولیه گردید. در بخش کمی، جامعه آماری شامل صادرکنندگان فرآورده های نفتی، تجار ایرانی و افغانستانی بود که با روش نمونه گیری در دسترس، داده های حاصل از 214 پرسشنامه معتبر گردآوری شد. برای اعتبارسنجی مدل از مدل سازی معادلات ساختاری مبتنی بر واریانس و نرم افزار Smart PLS استفاده گردید. یافته ها نشان داد روابط بین سازه ها معنادار و مدل از برازش مطلوبی برخوردار است. در نتیجه، مدل ارائه شده می تواند چارچوبی کارآمد برای صادرات و تصمیم سازی سیاست گذاران حوزه انرژی فراهم آورد.

مطالعه حاضر با هدف ارائه مدل ساختاری تفسیری نگهداشت دانشگرها در توسعه زنجیره ارزش صنعت نفت انجام شد. این پژوهش از نظر پارادایم شناسی عمل گرا (پراگماتیسم) از حیث رویکرد آمیخته و از حیث استراتژی تحلیل مضمون و مدل سازی معادلات ساختاری تفسیری است. نمونه گیری بر اساس پروتکل کنشگران به روش نمونه گیری هدفمند اطلاعات محور انجام شد و با 15 مصاحبه به اشباع نظری دست پیدا شد. برای گردآوری داده ها از مصاحبه نیمه ساختاریافته و پرسشنامه استفاده شد. برای اعتباریابی ابزار سنجش از تحلیل عاملی اکتشافی بهره گرفته شد. تحلیل کیفی مصاحبه های تخصصی با روش تحلیل مضمون در نرم افزار Maxqda انجام شد. سپس روابط سازه ها با هدف اکتشاف مدل با روش مدل سازی ساختاری تفسیری در نرم افزار MicMac شناسایی و طراحی گردید. بر اساس خروجی شبکه مضمون 113 شاخص فرعی و 29 مضمون اصلی و 8 متغیر مضمون فراگیر ساماندهی شده است. مدل اکتشافی حاکی از اثر محیط کاری توسعه گرا، محیط کاری فرصت محور، محیط کاری سلامت محور به عنوان عوامل پیش بین بر توسعه شایستگی های تخصصی، بهینه سازی سیستم جبران خدمات و مزایا، توسعه جذابیت شغلی به عنوان عوامل راهبردی است. همچنین، بالندگی استعدادهای دانشگر و توسعه استعداد دانشگران به عنوان عوامل پیامدی مدل شناسایی گردید.

تحول در نظام های مدیریت منابع انسانی در صنعت نفت، مستلزم بازنگری در تدوین و اجرای سیاست ها است. این پژوهش با هدف شناسایی ابعاد و مؤلفه های مؤثر بر اجرای خط مشی های توسعه منابع انسانی در صنعت نفت ایران انجام شده است. روش پژوهش کیفی و از نوع تحلیل مضمون با رویکرد اکتشافی است. داده ها از طریق مصاحبه نیمه ساختاریافته با 12 نفر از خبرگان حوزه مدیریت منابع انسانی و سیاست گذاری در صنعت نفت گردآوری و با استفاده از تحلیل مضمون براون و کلارک تحلیل شد. یافته ها نشان داد پنج بعد اصلی شامل «ساختار مدیریت مؤثر»، «سرمایه انسانی»، «الزامات خط مشی گذار»، «نظام خط مشی گذاری منابع انسانی» و «بهره وری فردی و سازمانی» عوامل کلیدی در اجرای موفق خط مشی های توسعه منابع انسانی در صنعت نفت هستند. این ابعاد از 40 مؤلفه ی فرعی تشکیل شده اند که هرکدام به صورت نظام مند بر عملکرد منابع انسانی و بهبود کیفیت سیاست ها تأثیر گذاشته و مبنایی برای اجرای خط مشی های توسعه منابع انسانی در صنعت نفت ایران است.

مطالعات سازمانی، سرمایه اجتماعی را به عنوان یک مفهوم زیربنایی در ایجاد خلاقیت، نوآوری و پویایی های سازمانی معرفی کرده اند. ارتقای سرمایه اجتماعی یک راهبرد مهم به منظور نیل به اهداف صنعت نفت کشور است که هدف این پژوهش طراحی الگویی جهت توسعه سرمایه اجتماعی است. پژوهش حاضر از نظر هدف، کاربردی و توسعه ای و از نظر ماهیت داده ها، کیفی است که با استفاده از روش تحلیل مضمون انجام شد. جامعه آماری از خبرگان صنعت نفت کشور تشکیل و نمونه برداری به صورت نظری صورت گرفت. داده ها به روش مصاحبه نیمه ساختاریافته گردآوری و تا دستیابی به معیار کفایت نظری با 11 منبع مصاحبه گردید. کدگذاری داده ها با استفاده از نرم افزار MAXQDA انجام شد. درمجموع، 98 مضمون پایه، 17 مضمون سازمان دهنده و 4 مضمون فراگیر استخراج که مضامین فراگیر شامل لزوم توجه به سرمایه اجتماعی، ابعاد سرمایه اجتماعی، عوامل مؤثر بر توسعه سرمایه اجتماعی و نتایج توسعه سرمایه اجتماعی است در یک شبکه ارتباطی قرار گرفتند.

رشد سریع فناوری های مالی و افزایش دسترسی سرمایه گذاران خرد به بازارهای مالی، زمینه را برای توسعه سیستم های مشاور روباتیک فراهم کرده است. این سیستم ها با بهره گیری از الگوریتم های هوش مصنوعی و تحلیل داده های مالی، خدمات مدیریت سبد سرمایه گذاری را با هزینه ای کمتر و سرعتی بیشتر نسبت به مشاوران انسانی ارائه می کنند. با وجود پیشرفت های قابل توجه در حوزه مشاوران روباتیک، اغلب سیستم های موجود بر مبنای نظریه های کلاسیک مالی طراحی شده اند و فرض می کنند سرمایه گذاران رفتار کاملاً عقلایی دارند. در حالی که مطالعات مالی رفتاری نشان داده اند تصمیمات سرمایه گذاران تحت تأثیر سوگیری های شناختی و احساسی متعددی قرار دارد که می تواند منجر به انحراف از رفتار عقلایی شود.هدف این پژوهش توسعه یک چارچوب نوین برای طراحی مشاور روباتیک شخصی سازی شده است که علاوه بر ویژگی های مالی و ریسک پذیری سرمایه گذار، سوگیری های رفتاری وی را نیز در فرآیند تصمیم گیری لحاظ می کند. در این چارچوب، از یادگیری تقویتی عمیق به عنوان هسته تصمیم گیری استفاده می شود تا عامل هوشمند بتواند از طریق تعامل مستمر با محیط بازار و تحلیل رفتار کاربران، استراتژی های بهینه تخصیص دارایی را فراگیرد. مدل پیشنهادی با ترکیب داده های بازار، مشخصات فردی سرمایه گذار و شاخص های رفتاری، قادر است توصیه های سرمایه گذاری متناسب با ویژگی های هر فرد ارائه نماید.نتایج مطالعات نظری نشان می دهد ادغام مفاهیم مالی رفتاری با الگوریتم های یادگیری تقویتی عمیق می تواند عملکرد مشاوران روباتیک را در مدیریت سبد، کنترل ریسک و افزایش رضایت سرمایه گذاران بهبود بخشد. همچنین انتظار می رود سیستم پیشنهادی بتواند اثرات منفی سوگیری هایی نظیر اعتماد بیش از حد، زیان گریزی، رفتار گله ای و لنگراندازی را کاهش داده و تصمیمات سرمایه گذاری منطقی تری ایجاد کند.

تحولات فناوری اطلاعات و ارتباطات در دهه اخیر موجب ظهور الگوهای نوین کسب وکار در صنعت بانکداری شده است. بانکداری باز به عنوان یکی از مهم ترین نوآوری های مالی، با فراهم نمودن امکان اشتراک گذاری داده های بانکی از طریق رابط های برنامه نویسی کاربردی (API)، زمینه توسعه خدمات مالی نوآورانه، افزایش رقابت پذیری بانک ها و ارتقای کارایی عملیاتی را فراهم ساخته است. هدف پژوهش حاضر بررسی اثر بانکداری باز بر کارایی مالی بانک های تجاری ایران است. این پژوهش از لحاظ هدف کاربردی و از نظر روش، توصیفی-تحلیلی محسوب می شود. جامعه آماری شامل بانک های تجاری فعال در ایران بوده و برای سنجش کارایی مالی از شاخص های بازده دارایی ها، بازده حقوق صاحبان سهام و حاشیه سود خالص استفاده شده است. همچنین میزان توسعه بانکداری باز از طریق شاخص ترکیبی مبتنی بر سطح دیجیتالی شدن خدمات، تعداد API های ارائه شده و میزان همکاری با شرکت های فین تک اندازه گیری شده است. نتایج مطالعات نظری و تجربی نشان می دهد که توسعه بانکداری باز از طریق کاهش هزینه های عملیاتی، بهبود کیفیت خدمات، افزایش رضایت مشتریان و خلق جریان های درآمدی جدید، تأثیر مثبت و معناداری بر کارایی مالی بانک ها دارد. یافته های پژوهش حاکی از آن است که بانک هایی که سطح بالاتری از پیاده سازی بانکداری باز را تجربه کرده اند، عملکرد مالی مطلوب تری نسبت به سایر بانک ها داشته اند. بر این اساس، توسعه زیرساخت های بانکداری باز می تواند به عنوان یکی از راهبردهای کلیدی در ارتقای بهره وری و رقابت پذیری نظام بانکی ایران مورد توجه سیاست گذاران و مدیران بانکی قرار گیرد.

در سال های اخیر، گسترش رمزارزها و فناوری های مبتنی بر بلاک چین موجب تحول اساسی در نظام های پرداخت و مدیریت مالی شرکت ها شده است. پذیرش رمزارزها به عنوان یک ابزار پرداخت نوین می تواند ساختار جریان های نقدی، سرعت گردش نقدینگی و شیوه مدیریت دارایی های جاری شرکت ها را دگرگون سازد. با این حال، ماهیت نوسانی رمزارزها و عدم قطعیت های مرتبط با پذیرش آن ها، تحلیل اثرات این پدیده را پیچیده کرده است. علاوه بر این، تفاوت های نهادی و مقرراتی میان کشورها موجب شده است که اثر رمزارزها بر عملکرد مالی شرکت ها در بسترهای مختلف اقتصادی متفاوت باشد. در چنین شرایطی، استفاده از روش های پیشرفته مدل سازی احتمالاتی برای درک بهتر این روابط ضروری به نظر می رسد.پژوهش حاضر با هدف بررسی تأثیر پذیرش رمزارزها بر مدیریت نقدینگی شرکت ها انجام شده و از رویکرد شبکه های بیزی برای مدل سازی روابط احتمالاتی میان متغیرهای کلیدی استفاده می کند. این روش امکان تحلیل وابستگی های علی و غیرخطی میان پذیرش رمزارزها، جریان های نقدی عملیاتی، چرخه تبدیل وجه نقد و ریسک نقدینگی را فراهم می سازد. همچنین شبکه های بیزی این قابلیت را دارند که عدم قطعیت های موجود در داده های مالی و محیطی را به صورت ساختاریافته مدل سازی کنند و سناریوهای مختلف تصمیم گیری را شبیه سازی نمایند. این ویژگی باعث می شود نتایج پژوهش از انعطاف پذیری و دقت بالاتری نسبت به مدل های اقتصادسنجی سنتی برخوردار باشد. نتایج مفهومی پژوهش نشان می دهد که پذیرش رمزارزها می تواند از طریق کاهش هزینه های تراکنش، افزایش سرعت تسویه و بهبود دسترسی به بازارهای بین المللی، موجب بهبود مدیریت نقدینگی شود. در عین حال، نوسانات قیمتی و ریسک های قانونی می توانند اثرات منفی بر ثبات نقدینگی ایجاد کنند. یافته ها نشان می دهد که اثر نهایی پذیرش رمزارزها بر مدیریت نقدینگی ماهیتی غیرخطی و وابسته به شرایط محیطی دارد. در مجموع، استفاده از شبکه های بیزی امکان تحلیل دقیق تر عدم قطعیت ها و ارائه تصویری جامع تر از روابط میان متغیرهای مالی در فضای رمزارزها را فراهم می کند.

در سال های اخیر، توسعه بازارهای مالی و افزایش پیچیدگی رفتار سرمایه گذاران، ضرورت بهره گیری از روش های نوین تحلیلی برای ارزیابی عملکرد ابزارهای مالی را دوچندان کرده است. در این میان، صندوق های سرمایه گذاری به عنوان یکی از مهم ترین نهادهای مالی غیرمستقیم، نقش اساسی در تجهیز و تخصیص بهینه منابع مالی در بازار سرمایه ایفا می کنند. با توجه به نوسانات بالای بازار سرمایه و محدودیت روش های سنتی در تحلیل غیرخطی و پویا، استفاده از رویکردهای مبتنی بر یادگیری ماشین و به ویژه شبکه های عصبی مصنوعی به عنوان یک ابزار قدرتمند در پیش بینی و ارزیابی عملکرد صندوق ها مورد توجه قرار گرفته است. هدف این پژوهش، ارائه یک مدل ترکیبی مبتنی بر شبکه های عصبی عمیق (Deep Neural Networks) و داده های سری زمانی بازار سرمایه جهت ارزیابی عملکرد صندوق های سرمایه گذاری و پیش بینی بازدهی آن ها است. در این راستا، داده های مربوط به بازدهی واحدهای سرمایه گذاری، شاخص کل بورس، نرخ ارز، نرخ سود بدون ریسک و متغیرهای کلان اقتصادی به عنوان ورودی های مدل مورد استفاده قرار گرفته اند. روش تحقیق از نوع توصیفی کاربردی بوده و با استفاده از داده های واقعی بازار سرمایه ایران در یک بازه زمانی چندساله، مدل پیشنهادی آموزش و آزمون شده است. نتایج حاصل از مدل سازی نشان می دهد که شبکه های عصبی در مقایسه با روش های سنتی مانند رگرسیون خطی و مدل های کلاسیک ارزیابی عملکرد (مانند شارپ و ترینر)، توانایی بالاتری در شناسایی الگوهای غیرخطی و پیش بینی رفتار صندوق های سرمایه گذاری دارند. همچنین نتایج بیانگر آن است که ترکیب متغیرهای کلان اقتصادی با داده های معاملاتی، دقت پیش بینی مدل را به طور معناداری افزایش می دهد. در نهایت، یافته های پژوهش نشان می دهد که بهره گیری از مدل های یادگیری عمیق می تواند به سرمایه گذاران و مدیران صندوق ها در تصمیم گیری های بهینه و مدیریت ریسک کمک شایانی نماید.

این پژوهش با هدف تحلیل رفتار معامله گران خرد در بازار سرمایه و ارائه یک چارچوب هوشمند مبتنی بر یادگیری تقویتی و داده های سفارشات لحظه ای انجام شده است. در سال های اخیر، پیچیدگی روزافزون بازارهای مالی و نقش پررنگ داده های با فرکانس بالا، ضرورت استفاده از مدل های پیشرفته محاسباتی را در تحلیل رفتار بازار افزایش داده است. در این راستا، بازار سرمایه به عنوان یک سیستم پیچیده تطبیقی در نظر گرفته شده و رفتار معامله گران خرد از طریق داده های دفتر سفارشات محدود و با استفاده از الگوریتم های یادگیری تقویتی مدل سازی شده است. در این پژوهش، سه الگوریتم اصلی شامل یادگیری کیو و شبکه کیو عمیق، روش بازیگر منتقد و روش بازیگر منتقد نرم برای تحلیل و پیش بینی رفتار بازار مورد استفاده قرار گرفتند. داده های مورد استفاده شامل ویژگی های استخراج شده از دفتر سفارشات لحظه ای از جمله عدم تعادل سفارشات، عمق بازار، جریان سفارشات و تغییرات لحظه ای قیمت بوده است. نتایج نشان داد که مدل های یادگیری تقویتی، به ویژه روش بازیگر–منتقد نرم، عملکرد بهتری نسبت به سایر مدل ها در شاخص هایی مانند دقت پیش بینی، بازدهی تجمعی و کنترل ریسک دارند. همچنین مشخص شد که عدم تعادل سفارشات مهم ترین متغیر تأثیرگذار در پیش بینی جهت بازار است. یافته ها بیانگر آن است که ترکیب یادگیری تقویتی با داده های سطح خرد بازار می تواند الگوهای رفتاری پنهان معامله گران خرد را استخراج کرده و دقت تصمیم گیری در محیط های مالی پویا را به طور معناداری افزایش دهد. این چارچوب می تواند به توسعه سیستم های معاملاتی هوشمند و بهبود درک رفتار بازار در سطح خرد کمک کند.

قیمت گذاری صحیح دارایی ها یکی از مهم ترین چالش های حوزه مالی و سرمایه گذاری محسوب می شود. مدل های سنتی قیمت گذاری دارایی، نظیر مدل قیمت گذاری دارایی های سرمایه ای و مدل های عاملی، عمدتاً بر فرضیات خطی و روابط ایستا میان متغیرها استوار هستند و در تبیین پیچیدگی ها و وابستگی های ساختاری موجود در بازارهای مالی با محدودیت هایی مواجه اند. در سال های اخیر، پیشرفت های حاصل در حوزه یادگیری عمیق و به ویژه شبکه های عصبی گراف، امکان مدل سازی روابط پیچیده و غیرخطی میان اجزای یک سیستم را فراهم کرده است. پژوهش حاضر با هدف توسعه یک مدل نوین قیمت گذاری دارایی ها مبتنی بر شبکه های عصبی گراف انجام شده است. در این پژوهش، دارایی ها و ارتباطات میان آن ها در قالب یک گراف مالی مدل سازی شده و با بهره گیری از سازوکار انتشار اطلاعات در شبکه های عصبی گراف، اثرات متقابل میان دارایی ها در فرآیند پیش بینی بازده مورد انتظار لحاظ می شود. مدل پیشنهادی با استفاده از داده های بازار سرمایه آموزش داده شده و عملکرد آن از طریق معیارهای متداول پیش بینی و قیمت گذاری با مدل های کلاسیک و سایر روش های یادگیری ماشین مقایسه می شود. نوآوری اصلی این پژوهش در بهره گیری از ساختار شبکه ای بازار مالی و استخراج روابط پنهان میان دارایی ها برای بهبود فرآیند قیمت گذاری است. همچنین، امکان تلفیق اطلاعات بنیادی، معاملاتی و ارتباطات بین شرکتی در قالب یک چارچوب گرافی فراهم می شود که می تواند درک جامع تری از رفتار بازار ارائه دهد. برای ارزیابی مدل، از شاخص هایی نظیر خطای پیش بینی، توان تبیین بازده و معیارهای سنجش ریسک استفاده خواهد شد. انتظار می رود نتایج پژوهش نشان دهد که بهره گیری از ساختارهای گرافی موجب بهبود دقت پیش بینی بازده، شناسایی بهتر عوامل ریسک و افزایش توان تبیینی مدل های قیمت گذاری دارایی خواهد شد. علاوه بر این، مدل پیشنهادی می تواند در مدیریت پرتفوی، تخصیص بهینه دارایی ها و طراحی راهبردهای سرمایه گذاری هوشمند مورد استفاده قرار گیرد. یافته های این پژوهش افق های جدیدی را در توسعه مدل های مالی مبتنی بر هوش مصنوعی و تحلیل شبکه های مالی فراهم خواهد ساخت.

افزایش پیچیدگی شبکه های مالی و گسترش ارتباطات متقابل میان بانک ها موجب شده است که ریسک سیستمی به یکی از مهم ترین تهدیدهای ثبات مالی در اقتصادهای مدرن تبدیل شود. بحران مالی جهانی 2008 نشان داد که ناتوانی در شناسایی زودهنگام آسیب پذیری های سیستمی می تواند پیامدهای گسترده ای برای نظام بانکی و اقتصاد کلان به همراه داشته باشد. در این راستا، آزمون بحران به عنوان یکی از ابزارهای کلیدی مدیریت ریسک، توسط بانک های مرکزی و نهادهای ناظر برای ارزیابی تاب آوری بانک ها در برابر شوک های اقتصادی مورد استفاده قرار می گیرد. با این حال، روش های سنتی آزمون بحران عمدتاً مبتنی بر سناریوهای از پیش تعریف شده بوده و در مواجهه با محیط های پویا و غیرخطی مالی از انعطاف پذیری محدودی برخوردار هستند.ظهور فناوری های هوش مصنوعی مولد، به ویژه مدل های زبانی بزرگ، شبکه های مولد تخاصمی و مدل های انتشار، ظرفیت های جدیدی را برای تولید سناریوهای پیچیده، تحلیل روابط غیرخطی و شبیه سازی رویدادهای نادر فراهم ساخته است. این پژوهش با هدف ارائه چارچوبی نوین برای آزمون بحران و سناریوسازی ریسک سیستمی بانک ها بر پایه مدل های هوش مصنوعی مولد انجام شده است. در این چارچوب، داده های کلان اقتصادی، شاخص های سلامت بانکی، متغیرهای بازار مالی و اطلاعات شبکه ارتباطات بین بانکی به عنوان ورودی مدل مورد استفاده قرار می گیرند و مدل های مولد قادر خواهند بود مجموعه گسترده ای از سناریوهای بحرانی محتمل را تولید و ارزیابی نمایند. نتایج تحلیل های نظری نشان می دهد که به کارگیری مدل های هوش مصنوعی مولد می تواند دقت پیش بینی بحران های بانکی، قابلیت کشف الگوهای پنهان، توانایی تولید سناریوهای نوظهور و انعطاف پذیری فرآیند آزمون بحران را به طور قابل توجهی افزایش دهد. همچنین این فناوری امکان ارزیابی اثرات سرایتی ریسک در شبکه بانکی و شناسایی بانک های دارای اهمیت سیستمی را فراهم می آورد. یافته ها حاکی از آن است که ادغام هوش مصنوعی مولد با چارچوب های نظارتی موجود می تواند به ارتقای ثبات مالی، بهبود تصمیم گیری نهادهای ناظر و افزایش تاب آوری نظام بانکی در برابر شوک های اقتصادی منجر شود.

این پژوهش یک چارچوب نوین برای پیش بینی ریسک اعتباری مشتریان خرد در پلتفرم های فناوری وام دهی (LendTech) با استفاده از داده های جایگزین و الگوریتم های یادگیری ماشین ارائه می دهد. روش های سنتی امتیازدهی اعتباری معمولاً قادر به شناسایی الگوهای پیچیده رفتاری نیستند و در محیط های وام دهی دیجیتال عملکرد محدودی دارند. در این مطالعه، از داده های جایگزین مانند رفتار دیجیتال کاربران، سوابق تراکنش ها، داده های تلفن همراه و تعاملات کاربران با پلتفرم برای افزایش دقت پیش بینی نکول استفاده شده است. همچنین چندین مدل یادگیری ماشین از جمله رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی و گرادیان بوستینگ مورد ارزیابی قرار گرفته اند. برای افزایش شفافیت و قابلیت تفسیر نتایج، از روش SHAP جهت تحلیل اهمیت ویژگی ها استفاده شده است. نتایج نشان می دهد که مدل های تجمیعی، به ویژه Gradient Boosting و Random Forest، بهترین عملکرد را در پیش بینی ریسک اعتباری دارند و عواملی مانند الگوهای تراکنش، رفتار بازپرداخت، ثبات درآمد و میزان تعامل کاربران با پلتفرم بیشترین تأثیر را بر نتایج دارند. یافته ها بیانگر آن است که ترکیب داده های جایگزین، یادگیری ماشین و هوش مصنوعی توضیح پذیر می تواند چارچوبی دقیق، کارآمد و قابل اعتماد برای امتیازدهی اعتباری در اکوسیستم های وام دهی فراهم کند.

گسترش سریع اکوسیستم امور مالی غیرمتمرکز (DeFi) و بازار دارایی های رمزنگاری شده، ساختار سنتی نظام مالی را با چالش های بنیادین مواجه کرده است. ویژگی هایی نظیر عدم تمرکز، قراردادهای هوشمند، نقدینگی الگوریتمی، اهرم مالی پنهان و ارتباطات پیچیده میان پروتکل ها، موجب ظهور انواع جدیدی از ریسک های سیستمیک شده اند که ابزارهای متعارف مدیریت ریسک توانایی کافی برای شناسایی و پیش بینی آن ها را ندارند. هدف این پژوهش ارائه یک چارچوب یکپارچه برای ارزیابی ریسک های سیستمیک ناشی از DeFi و ارزهای دیجیتال با بهره گیری از مدل های شبیه سازی مونت کارلو کوانتومی و الگوریتم های هوش مصنوعی است. در این چارچوب، شبکه مالی غیرمتمرکز به عنوان یک سیستم پیچیده تطبیقی مدل سازی شده و وابستگی های غیرخطی میان پروتکل ها، صرافی های غیرمتمرکز، استیبل کوین ها و بازیگران بازار از طریق شبکه های عصبی عمیق و مدل های یادگیری گرافی استخراج می شود. سپس با استفاده از الگوریتم های مونت کارلو کوانتومی، سناریوهای گسترده ای از شوک های بازار، فروپاشی نقدینگی و سرایت ریسک شبیه سازی شده و احتمال وقوع بحران های سیستمیک برآورد می شود. نتایج نظری نشان می دهد که ترکیب قابلیت های پیش بینی هوش مصنوعی با سرعت همگرایی بالاتر الگوریتم های کوانتومی می تواند دقت ارزیابی ریسک های سیستمیک را نسبت به مدل های کلاسیک به طور معناداری افزایش دهد.

در سال های اخیر، ارزیابی عملکرد پایداری شرکت ها به یکی از مهم ترین دغدغه های سرمایه گذاران، نهادهای نظارتی و بازارهای سرمایه تبدیل شده است. رشد سرمایه گذاری های مبتنی بر معیارهای محیط زیستی، اجتماعی و حاکمیتی (ESG) موجب شده است که توسعه مدل های دقیق و هوشمند برای سنجش پایداری شرکت ها از اهمیت ویژه ای برخوردار شود. با این حال، اغلب مدل های سنتی امتیازدهی پایداری بر تحلیل شاخص های مستقل و داده های ساختاریافته متمرکز بوده و قادر به استخراج روابط پیچیده میان شرکت ها، صنایع و ذی نفعان نیستند. این محدودیت باعث کاهش دقت ارزیابی و ضعف در پیش بینی عملکرد آتی پایداری شرکت ها می شود. هدف این پژوهش طراحی یک مدل هوشمند امتیازدهی پایداری برای شرکت های پذیرفته شده در بورس مبتنی بر شبکه های عصبی گرافی است. در مدل پیشنهادی، شرکت ها به عنوان گره های یک گراف و روابط مالی، صنعتی، مالکیتی و اطلاعاتی میان آن ها به عنوان یال های شبکه تعریف می شوند. سپس با استفاده از الگوریتم های یادگیری عمیق گرافی، الگوهای پنهان و وابستگی های ساختاری میان شرکت ها استخراج و در فرآیند محاسبه امتیاز پایداری لحاظ می شود. روش پژوهش از نوع کاربردی و توسعه ای بوده و در چارچوب رویکرد کمی انجام می شود. داده های مورد نیاز شامل شاخص های مالی، معیارهای ESG، اطلاعات مالکیتی و داده های ارتباطی شرکت های پذیرفته شده در بورس جمع آوری خواهد شد. پس از پیش پردازش داده ها، مدل شبکه عصبی گرافی طراحی و با مدل های یادگیری ماشین متداول نظیر Random Forest، XGBoost و شبکه های عصبی چندلایه مقایسه می شود. ارزیابی عملکرد مدل با استفاده از شاخص هایی نظیر MAE، RMSE،Accuracy و ضریب تعیین انجام شد. نتایج پژوهش نشان داد که بهره گیری از ساختارهای گرافی و روابط بین شرکتی می تواند دقت و قابلیت تبیین مدل های امتیازدهی پایداری را به طور معناداری افزایش داد. همچنین مدل پیشنهادی قادر بود ابزاری کارآمد برای سرمایه گذاران، مدیران و سیاست گذاران بازار سرمایه در راستای تصمیم گیری های مبتنی بر توسعه پایدار فراهم آورد.

مدیران باید در جامعه اسلامی سازمان ها را بر اساس مبانی، ارزش ها و اهداف اسلامی اداره کنند. بدیهی است الگوپذیری از سازمان ها و تشکیلاتی که در طول تاریخ از نظر شرایط و اقتضائات و موقعیت با مبانی، ارزش ها و اهداف اسلامی هماهنگی و مطابقت داشته و به ویژه توسط معصومان(ع) مدیریت و رهبری شده اند، می تواند مدیران سازمان های اسلامی را با سهولت و سرعت بیشتری در دستیابی به اهدافشان یاری دهد. ازاین رو نگارنده در این مقاله بر آن است که با روش توصیفی تحلیلی به شناسایی و تبیین مهم ترین سازمان ها و تشکیلات صدر اسلام بپردازد. از یافته های این پژوهش می توان به تبیین رویکرد تحولی و مدیریت قبایل و عشایر توسط پیامبر اکرم(ع) و رویکرد امضایی پیمان حلف الفضول و پایه گذاری دولت اسلامی و نظام اداری نبوی و برخی نهادهای اداری اسلامی، سازمان امامت در زمان امیرالمؤمنین(ع)، تشکیلات امام حسن مجتبی و امام حسین(ع) و بازمهندسی و حفظ سازمان امامت توسط امام سجاد(ع) اشاره کرد.

در چشم انداز در حال تحول مدیریت منابع انسانی، مدل شایستگی به عنوان ابزاری کلیدی برای هم راستا کردن توسعه منابع انسانی با اهداف راهبردی سازمان به ویژه در نقش های مدیریتی عمل می کند. هر چند مدل های شایستگی مدیریت از سال 1990 گسترش پیدا کرده اند، اما رویکردهای مرسوم در طراحی مدل های شایستگی و ارزیابی مبتنی بر این مدل ها، با چالش هایی از نقطه نظر چیستی شایستگی، ارتباط شایستگی ها با عملکرد برتر و روش ایجاد مدل که اغلب مبتنی بر قضاوت خبرگان و ارزیابی های کیفی و در نتیجه تجربیات و داوری های ذهنی است، مواجه بوده اند. در راستای پاسخ به این چالش ها، پژوهش حاضر چارچوبی مبتنی بر داده کاوی برای طراحی مدل شایستگی برای مدیران ارائه می دهد. این چارچوب بر پایه تحلیل محتوای کیفی قیاسی بر ۲۵ مقاله منتخب که از راه مرور نظام مند ادبیات شناسایی شدند و بر مبنای فرایند استاندارد برای داده کاوی CRISP-DM توسعه یافته است. بر این اساس از 25 پژوهش که از روش های داده کاوی در مراحل مختلف طراحی مدل شایستگی برای مدیران استفاده کرده اند، الگوهای مشترک استخراج و تلفیق شده اند. در نتیجه تحلیل محتوای کیفی 16 مقوله به دست آمده که 12 مقوله از جمله خوشه بندی شایستگی ها، خوشه بندی افراد بر اساس عملکرد، تفسیر خوشه های عملکرد و شناسایی خوشه عملکرد برتر، الگوریتم های دسته بندی برای ایجاد رابطه میان شایستگی و عملکرد، تفسیر مدل و مشخص کردن محدوده شایستگی ها در قالب چارچوب طراحی مدل شایستگی ارائه شده است و 4 مقوله نیز به تکمیل چارچوب و استفاده از آن کمک می کند. بر این اساس، این چارچوب امکان طراحی مدل های عینی تر و مبتنی بر داده را فراهم می سازد.

این پژوهش با هدف شناسایی و اولویت بندی مهارت ها و نیازهای توسعه فردی مدیران منابع انسانی در حوزه مربیگری، به تلفیق روش دلفی سنتی (مبتنی بر دیدگاه های خبرگان) با قابلیت های روش دلفی مبتنی بر هوش مصنوعی پرداخته است. در راستای ارائه یک الگوی نوآورانه در روش شناسی تحقیق، از ظرفیت تحلیل مدل های زبانی پیشرفته نظیر ChatGPT، DeepSeek، Perplexity، Microsoft Copilot و Gemini در کنار تجربه و قضاوت انسانی استفاده شده است. پژوهش از نوع کاربردی است، اما به دلیل تمرکز بر توسعه ابزارهای تحلیلی نوین، جنبه هایی از پژوهش های بنیادی را نیز در برمی گیرد. جامعه پژوهش شامل ۱۰ نفر از متخصصان منابع انسانی و پنج مدل زبانی هوش مصنوعی است. گردآوری داده ها با استفاده از روش دلفی انجام شده و برای افزایش اعتبار یافته ها، رویکرد زاویه بندی به کار رفته است. شایان ذکر است که برای طراحی پرسشنامه اولیه، علاوه بر مرور ادبیات، ۱۰۰ شرح شغلی و ۵۰ آگهی شغلی با استفاده از Python تحلیل شده است. نتایج نشان می دهد دلفی مبتنی بر هوش مصنوعی توانایی بالایی در تحلیل دقیق و چندلایه مؤلفه ها دارد و داده هایی با دیدگاه های متنوع و چرخشی تولید می کند. این فرآیند در پنج مرحله طراحی شده که از نگارش هدفمند پرامپت ها آغاز و با اولویت بندی مؤلفه ها پایان می یابد. برای نخستین بار در ایران، این فرآیند به صورت ساختارمند در حوزه توسعه فردی و پژوهش های علمی اجرا شده و می تواند در ترکیب با دلفی انسانی، دقت تحلیل و کیفیت تصمیم سازی در مطالعات را به طور معناداری ارتقا دهد.

این پژوهش در پی شناسایی بارزترین نشانه های هشدار اولیه و علل وقوع کار خارج از توالی و تحلیل اثر آن ها بر بهره وری پروژه های ساخت وساز صنعتی است. بدین منظور، با اتکا به پیشینه پژوهش و نظرات گروهی متشکل از 16 خبره و به کمک فن دلفی فازی بارزترین این نشانه ها و علل در پروژه های ساخت وساز صنعتی تعیین، و با استفاده از قواعد ماکس ماکس و بیز اثر آن ها بر بهره وری پروژه های مذکور در دو موقعیت اطمینان کامل و ریسک تحلیل شد. ادغام یافته های دو رویکرد نشان داد که در میان بارزترین نشانه های هشدار اولیه، شش نشانه «ویرایش های زیاد در طراحی»؛ «حضور افراد بی تجربه در نقش های کلیدی»؛ «گرایش به تخطی از منحنی پیشرفت خط پایه»؛ «برنامه ریزی ضعیف برای گذار از مرحله ساخت به مرحله راه اندازی»؛ «درصد بالای دوباره کاری»؛ و «استفاده زودهنگام از شناوری» جدی ترین اخطار آسیب به بهره وری از جانب کار خارج از توالی را می دهند. همچنین، در میان بارزترین علل کار خارج از توالی، «عدم توجه به الزامات ذ ی نفعان حین برنامه ریزی»؛ «تغییر در طراحی»؛ «ارتباط ضعیف تیم پروژه با طرف های مختلف پروژه»؛ «عدم تحویل به موقع توسط تأمین کنندگان»؛ «واقعی نبودن زمان پیش بینی شده برای فعالیت ها»؛ و «نبود منابع مالی کافی برای پروژه» می توانند با زمینه سازی برای وقوع کار خارج از توالی، بیشترین آسیب را به بهره وری پروژه های ساخت وساز صنعتی وارد کنند. یافته های این مطالعه به مدیران در درک بهتر نشانه های هشدار اولیه و علل کار خارج از توالی و پیش بینی تمهیداتی برای پیشگیری از وقوع یا کاهش آثار منفی این پدیده در مرحله برنامه ریزی پروژه های ساخت وساز صنعتی کمک می کند.