ارزیابی تاثیر مقوله‌های الگوی مدیریت مالی هوشمند در شرکت‌های پالایش گازی
الموضوعات :
سید علی صدیقی پور
1
,
شاهرخ بزرگمهریان
2
,
اله کرم صالحی
3
1 - گروه مدیریت مالی، واحد مسجدسلیمان، دانشگاه آزاد اسلامی، مسجدسلیمان، ایران
2 - گروه حسابداری، واحد مسجدسلیمان، دانشگاه آزاد اسلامی، مسجدسلیمان، ایران
3 - گروه حسابداری ، واحد مسجدسلیمان، دانشگاه آزاد اسلامی ، مسجدسلیمان، ایران
الکلمات المفتاحية: مدیریت مالی هوشمند, شرکت‌های پالایش گازی, الگوی معادلات ساختاری,
ملخص المقالة :
در این پژوهش، به ارزیابی تاثیر مقوله‌های الگوی مدیریت مالی هوشمند در شرکت‌های پالایش گازی پرداخته شده است. جامعه آماري پژوهش شامل مدیران و اعضای هیات مدیره، مدیران و کارشناسان مالی و مدیران و کارشناسان بخش IT در شرکت‌های پالایش گازی میباشند که با بهرهگیری از روش نمونه‌گیري در دسترس، حجم نمونه به تعداد 302 نفر تعیین گردید. ابزار گردآوری اطلاعات، پرسشنامه محقق ساخته است و آزمون فرضیه‌ها با روش معادلات ساختاری مبتنی بر رویکرد کمترین مربعات جزئی و با استفاده از نرم افزار پی ال اس صورت گرفت. یافته‌های حاصل از معادلات ساختاری بیانگر ارتباط مطلوب در ساختار عاملی الگو میباشد، بدین صورت که شرایط علی، زمینهای و مداخلهگر بر پدیده مقوله محوری (مدیریت مالی هوشمند) ارتباط معناداری دارد. همچنین مقوله محوری بر راهبردها و در نهایت، راهبردها اثر میانجی و معناداری بر روابط بین مقوله محوری بر پیامدها دارد. بطور کلی نتایج حاکی از آن است که الگوی مدیریت مالی هوشمند در شرکت‌های پالایش گازی از قابلیت پیش بینی بالایی برخوردار بوده و میتوان از آن به عنوان عوامل مؤثر بر مدیریت مالی هوشمند بهره گرفت.
Chen, Y. (2021). Smart Financial Management: Integration of AI and Big Data. Journal of Financial Technology, 9(2), 101-117.
Chen, Y., and Li, Z. (2023). Global financial connectivity and smart management. Journal of Financial Technology, 10(2), 98-115.
Corbin, J., & Strauss, A. (2008). Basics of qualitative research: Techniques and procedures for developing grounded theory (3rd ed.). Sage Publications, Inc. https://doi.org/10.4135/9781452230153
Deng, X. (2023). Intelligent financial eco-management model based on perceptron model. Applied Mathematics and Nonlinear Sciences, 9(1). 10.2478/amns.2023.2.00300
Gao, T., Wang, C., Zheng, J., Wu, G., Ning, X., Bai, X., Yang, J., & Wang, J. (2023). A smoothing Group Lasso based interval type-2 fuzzy neural network for simultaneous feature selection and system identification. Knowledge-Based Systems, 280(25), 111028. 10.1016/j.knosys.2023.11102
Ghazi, E. and Shabazi, H. (2024). The role of artificial intelligence in financial management (necessity, applications and challenges). 7th International Conference in Management & Industry. (In Persian).
Hair, J.F., Sarstedt, M. and Ringle, C.M. (2019). Rethinking some of the rethinking of partial least squares. European Journal of Marketing, Vol. 53 No. 4, pp. 566-584. https://doi.org/10.1108/EJM-10-2018-0665
Henseler, J. Ringle, CM. Sinkovics, R.R. (2009). The use of partial least squares path modeling in international marketing. Advances in International Marketing, 20, 277-319.
Heydari, H. and Babaee, S. (2013). Crude oil price contagion to the growth of Industry and Mine sector in Iran: An approach to Markov-Switching Models. Iranian Journal of Energy, 16(3), 1-16. http://necjournals.ir/article-1-546-fa.html. (In Persian).
Huang L, and Lu H. (2024). Design of intelligent financial data management system based on higher-order hybrid clustering algorithm. PeerJ Computer Science. https://doi.org/10.7717/peerj-cs.1799
Huang, J., Chai, J., & Cho, S. (2020). Deep learning in finance and banking: A literature review and classification. Frontiers of Business Research in China, 14(1), 13. 10.1186/s11782-020-00082-6
Huang, S. (2024). Design and Implementation of an Intelligent Financial Management System Based on Enterprise Legal System. Journal of Organizational and End User Computing 36(1), 1-25. 10.4018/JOEUC.350224
Hulland, J. (1999). Use of partial least squares (PLS) in strategic management research: A review of four recent studies. Strategic Management Journal, 20(2), 195-204. https://doi.org/10.1002/(SICI)1097-0266(199902)20:2<195::AID-SMJ13>3.0.CO;2-7
Johnson, P., and Adams, K. (2022). Cloud computing and financial analytics: Revolutionizing finance. Journal of Applied Financial Technology, 14(1), 66-80.
Kumar, S., Sharma, D., Rao, S., Lim, W. M., & Mangla, S. K. (2022). Past, present, and future of sustainable finance: Insights from big data analytics through machine learning of scholarly research. Annals of Operations Research, •••, 1–44. 10.1007/s10479-021-04410-835002001
Lai, M. (2022). Smart Financial Management System Based on Data Ming and Man-Machine Management. Wireless Communications and Mobile Computing,
Lawshe, C. H. (1975). A quantitative approach to content validity. Personnel Psychology, 28(4), 563–575. https://doi.org/10.1111/j.1744-6570.1975.tb01393.x
Lee, H., & Wong, J. (2021). Big data analytics in financial management. Journal of Data Science and Finance, 19(4), 207-222.
Lee, I., & Shin, Y. J. (2020). Machine learning for enterprises: Applications, algorithm selection, and challenges. Business Horizons, 63(2), 157–170. 10.1016/j.bushor.2019.10.005
Lu, M. (2023). Research on dynamic time warping algorithm and intelligent financial management system based on heterogeneous cellular network. Soft Comput. https://doi.org/10.1007/s00500-023-08927-x
Miller, R., Smith, A., and Lee, T. (2023). Fintech and agile financial management: A global perspective. International Journal of Fintech and Innovation, 8(2), 121-140.
Musa, A. (2023). Revolutionizing Oil and Gas Industries with Artificial Intelligence Technology. International Journal of Computer Sciences and Engineering, 11(5), 20-30
Nasle Farda. the new link of productivity in the oil value chain, published online in https://akhbaresanat.ir/newspaper/BlockPrint/145433. (In Persian).
Ochieng, E. G., Ominde, D., & Zuofa, T. (2024). Potential application of generative artificial intelligence and machine learning algorithm in oil and gas sector: Benefits and future prospects. Technology in Society, 79, 102710. https://doi.org/10.1016/j.techsoc.2024.102710
Qasemi, R., et al. (2023). The Impact of Artificial Intelligence on Financial Decision-Making in Oil and Gas Industries. Energy Finance Review, 22(1), 34-49.
Rahman, M. W., Islam, R., Hasan, A., Bithi, N. I., Hasan, M. M., & Rahman, M. M. (2022). Intelligent waste management system using deep learning with IoT. Journal of King Saud University. Computer and Information Sciences, 34(5), 2072–2087. 10.1016/j.jksuci.2020.08.016
Ravi, V., & Kamaruddin, S. (2017). Big data analytics enabled smart financial services: opportunities and challenges. In International Conference on Big Data Analytics (pp. 15-39). Springer, Cham.
Sarker, I. H. (2022). AI-based modeling: Techniques, applications and research issues towards automation, intelligent and smart systems. SN Computer Science, 3(2), 158. 10.1007/s42979-022-01043-x35194580
Sedighipour, SA., Bozorgmehrian, S., Salehi, AK. (2024). Designing an Intelligent Financial Management Model in Gas Refining Companies using Grounded Theory, Journal of investment knowledge, Articles in Press. (In Persian).
Stone, M., and Geisser, F. (1975). Cross validatory choice and assessment of statistical predictions. Journal of the Royal Statistical Society, 36(2), 111-147.
Tenenhaus, M.; Vinizi, V, E. Cgatelin, Y. M.; Lauro, C. (2005). PLS path modeling, Computational Statistics and Data Analysis, 48 (1), 159-20.
Wilson, T., & Garcia, M. (2022). The Role of Innovation in Financial Management. Journal of Applied Financial Strategies, 18(1), 77-89.
Zakaria, S., Abdul Manaf, S.M. Amron, M.T. and Mohd Suffian, M.T (2023). Has the World of Finance Changed? A Review of the Influence of Artificial Intelligence on Financial Management Studies. Information Management and Business Review, 15(4): 420-432
Modern Management Engineering Volume 11, Issue 1 , spring 2025
Paper type: Research paper
|
Evaluating the impact of intelligent financial management model categories in gas refining companies
Seyed Ali Sedighipour1, Shahrokh Bozorgmehrian*2, Allah Karam Salehi3
Received: 26/10/2024 Accepted: 22/04/2025
Introduction
In recent years, advances in technology and business models have highlighted the importance of intelligent financial management for improving efficiency, intelligent decision-making, risk management, and automated generation of financial statements. Fintechs play a key role in improving the processing and analysis of financial data, and advances in cloud computing help financial managers identify trends and patterns. The task of intelligent financial management is to digitize financial information and ensure its accuracy so that companies can achieve international competitiveness. Although gas refining companies play a strategic role in the oil industry, domestic gas supply and exports, they have significant financial costs. Rapid changes in information technology have made intelligent financial management essential to reduce risks and attract financial resources. Sanctions have a direct impact on this industry, and intelligent financial management can help analyze data accurately, improve financial indicators, and facilitate transactions.This study aims to validate the intelligent financial management model and demonstrates that providing accurate indicators can attract investors, price products, and improve decision-making for managers and investors. Furthermore, these systems contribute to the success of the gas and refining industry by analyzing and managing financial resources, responding to environmental changes, and strengthening theoretical foundations.
Literature Review
Intelligent financial management refers to the use of new technologies such as artificial intelligence, blockchain, and cryptocurrencies to improve financial efficiency, analyze data, predict risks, and automate financial processes. Digital tools, online payment systems, and cloud accounting, data analytics, and the use of machine learning algorithms help managers make better decisions and allocate financial resources. Blockchain has reduced transaction costs through intelligent contracts, increased security, and automated financial processes, and cryptocurrencies, as a type of electronic payment system based on the blockchain network, have revolutionized financial approaches.These technologies are able to improve accuracy, reduce costs, and increase financial efficiency. Intelligent financial management in the oil and gas industry involves investing in artificial intelligence and automation to streamline operations, reduce costs, improve efficiency, and promote sustainability. Artificial intelligence plays a key role in decision-making, reservoir management, predictive maintenance, cyber and physical risk mitigation, price fluctuations control, and supply chain optimization. These innovations offer a new perspective on financial management and have significant potential to increase efficiency and productivity in different industries.
Research Methodology
This study has conducted to develop a paradigmatic model of intelligent financial management in gas refining companies using the grounded theory method (data based theory) and the framework proposed by Strauss and Corbin. Data were collected through 31 semi-structured interviews with university professors and financial managers, and then by open, axial, and selective coding, 6 main categories, 42 subcategories, and 149 key concepts were identified. In this applied and descriptive study, the correlation survey method was used to test the model. Sampling was conducted using the convenience method and 302 valid questionnaires were collected from managers and financial and IT experts of refineries. The researcher-made questionnaire was adjusted based on the Likert scale and its reliability and validity were examined by the Cronbach's alpha test (above 0.70) and approved by the faculty members. The data were analyzed using structural equation modeling and the partial least squares approach in Intelligent PLS software.
Results
The findings from the structural equations suggest the desired relationship in the model factor structure, so the causal, contextual, and intervening conditions have a significant relationship with the axial category (intelligent financial management). Also, the axial category on the strategies and finally, the strategies have a mediating and meaningful effect on the relationships between the axial category on the consequences.
Discussion and Conclusion
Considering the findings and the confirmation of the direct and significant relationship of causal conditions on intelligent financial management (category-oriented), it can be concluded that in an industry such as gas refineries, which on the one hand requires a huge amount of infrastructure investment and on the other hand has very high sources of income by providing sustainable production and selling varying amounts of gas and gas products to other industries and the general public, the need for intelligent cost management and automated resource management in order to use modern financial tools in such an industry seems essential. In the gas refinery industry, intelligent financial management is essential due to the need for huge infrastructure investments and high cash flow. Digitizing financial information is of great importance in efficient analysis, cost reduction and providing usable data for decision-making. Intelligent financial management systems play an important role in improving financial processes by analyzing data and using modern technologies, such as artificial intelligence and blockchain. These technologies provide managers with capabilities such as financial planning, risk management, financial data analysis and wealth creation.
One of the key factors in this area is the "talent pool" that is related to cultivating managers with high financial intelligence and the necessary capabilities to manage strategic decisions in the oil and gas industry. This contributes to the development of the national economy and wealth creation. The development of intelligent financial management strategies leads to improved decision-making, increased productivity, and value creation in the gas industry. The consequences of using this system include positive individual, organizational, and social impacts that will provide valuable insights for new opportunities in this industry. The results indicate that the intelligent financial management model in gas refining firms has high predictive ability and can be used as effective factors on intelligent financial management.
Originality/scientific added value
In addition to developing intelligent financial management literature, this study leads to predicting intelligent financial risk, improving smarter financial decision-making and optimal allocation of financial resources in gas refining companies and it also identifies the importance of the model categories for stakeholders.
Conflict of Interest: The author (s) of this article declared no conflict of interest regarding the authorship or publication of this article.
Keywords: Intelligent financial management, Gas refining companies, Structural Equation Model
JEL Classification: G30, F65
مهندسی مدیریت نوین
سال یازدهم ، بهار 1404- شماره اول
نوع مقاله: پژوهشی
ارزیابی تاثیر مقوله‌های الگوی مدیریت مالی هوشمند در شرکت‌های پالایش گازی
سید علی صدیقی پور4، شاهرخ بزرگمهریان5، اله کرم صالحی6
تاریخ دریافت: 05/08/1403 تاریخ پذیرش: 22/02/1404
چکیده
هدف این پژوهش ارزیابی تاثیر مقوله‌های الگوی مدیریت مالی هوشمند در شرکت‌های پالایش گازی است که در سال 1402 انجام شده است.جامعه آماري پژوهش شامل مدیران و اعضای هیات مدیره، مدیران و کارشناسان مالی و مدیران و کارشناسان بخش IT در شرکت‌های پالایش گازی میباشند که با بهرهگیری از روش نمونه‌گیري در دسترس، حجم نمونه به تعداد 302 نفر تعیین گردید. پژوهش حاضر کاربردی و با روش کمی به صورت پیمایشی همبستگی بررسی میشود. ابزار گردآوری اطلاعات، پرسشنامه محقق ساخته است و آزمون فرضیه‌ها با روش معادلات ساختاری مبتنی بر رویکرد کمترین مربعات جزئی و با استفاده از نرم افزار پی ال اس صورت گرفت. یافته‌های حاصل از معادلات ساختاری بیانگر ارتباط مطلوب در ساختار عاملی الگو میباشد، بدین صورت که شرایط علی، زمینهای و مداخلهگر بر پدیده مقوله محوری (مدیریت مالی هوشمند) ارتباط معناداری دارد. همچنین مقوله محوری بر راهبردها و در نهایت، راهبردها اثر میانجی و معناداری بر روابط بین مقوله محوری بر پیامدها دارد. بطور کلی نتایج حاکی از آن است که الگوی مدیریت مالی هوشمند در شرکت‌های پالایش گازی از قابلیت پیش بینی بالایی برخوردار بوده و میتوان از آن به عنوان عوامل مؤثر بر مدیریت مالی هوشمند بهره گرفت. این پژوهش علاوه بر توسعه ادبیات مربوط به مدیریت مالی هوشمند، منجر به پیشبینی ریسک مالی هوشمند، بهبود تصمیم‌گیری مالی هوشمندانه‌تر و تخصیص بهینه منابع مالی در شرکت‌های پالایش گازی شده و اهمیت مقوله‌های الگو را نیز برای ذینفعان مشخص می‌نماید.
واژه‌های کلیدی: مدیریت مالی هوشمند، شرکت‌های پالایش گازی، الگوی معادلات ساختاری
طبقه بندی موضوعی: G30, F65
1- مقدمه
در سال‌های اخیر، با پیشرفت‌های مداوم در فناوری و تحولات در مدل‌های کسب و کار، اهمیت مدیریت مالی هوشمند در شرکتها به طور فزاینده‌ای برجسته شده است (Huang, 2024). هدف مدیریت مالی هوشمند، استفاده از ابزارهای تکنولوژیکی پیشرفته، از جمله هوش مصنوعی، و تجزیه و تحلیل کلان دادهها، برای بهبود کارایی و دقت مدیریت مالی شرکت است (Sarker, 2022). وظیفه اصلی سیستم مدیریت مالی هوشمند، دیجیتالی‌کردن اطلاعات مالی کل شرکت، مدیریت فرآیند کسب و کار مالی شرکت از طریق ابزارهای اطلاعاتی، پی‌بردن به تداوم اطلاعات مالی در فرآیند انتقال و اطمینان از صحت اطلاعات مالی است (Lu, 2023). مدیریت مالی هوشمند امروزه به یکی از دغدغه‌های اصلی سازمان‌ها تبدیل شده است. مدیران عالی و میانی تلاش می‌کنند با استفاده از ابزارهای نرم‌افزاری و سخت‌افزاری پیشرفته و همچنین توسعه بازارهای مالی و گسترش ارتباطات مالی در سطح بین‌المللی، به رقابت‌پذیری بلندمدت دست یابند (Chen & Li, 2023).
هدف این پژوهش ارزیابی مقوله‌های الگوی مدیریت مالی هوشمند در شرکت‌های پالایش گازی در بستر مدل یابی معادلات ساختاری است. با توجه به شرایط اقتصادی کشور در حال توسعه ایران و محدودیتهای منابع مالی در شرکتها و سازمان‌ها بخصوص شرکت‌های پالایشگاه‌های گازی کشور و چالش‌های اساسی ناشی از رشد سریع فین تک‌ها، توجه به مدیریت مالی هوشمند اهمیت روزافزون یافته است. از سوی، تغییرات سریع فناوری اطلاعات یکی از مهمترین عوامل مؤثر بر ایجاد و بکارگیری مدیریت مالی هوشمند در این صنعت بوده و انجام پژوهشهای علمی و دانشگاهی در اینخصوص ازجمله پژوهش حاضر منجر به تقویت ادبیات و مبانی نظری در این حوزه می‌گردد. با این حال، گستردگی اطلاعات در حوزه مدیریت مالی هوشمند و شرایط تحریمی کشور ایران و تأثیر مستقیم تحریم‌ها بر صنایع نفت و گاز، مستلزم افزایش درک شرکتها در تهیه اطلاعات مالی و گزارشگری مالی با استفاده مدیریت مالی هوشمند برای اهدافی از قبیل تامین منابع مالی داخلی، توسعه ظرفیت‌های سرمایهگذاری در صنعت نفت و گاز خواهد شد، زیرا سرمایه‌گذاران به دنبال اطلاعات به موقع، قابل اطمینان و سودمند جهت تصمیم‌گیری میباشند. در همین ارتباط در پژوهشی مقوله‌های الگوی مدیریت مالی هوشمند با استفاده از نظر خبرگان تدوین گردید، اما این مقوله‌ها در حوزه عمل و کاربرد مستلزم ارزیابی است. لذا با توجه به اهمیت رو به رشد هوشمندسازی مدیریت مالی در شرکت‌های پالایش گازی و کمبود تحقیقات جامع در این زمینه، این مطالعه در توجیه وجود چنین شکاف تحقیقاتی تلاش دارد تا براساس دیدگاه مدیران و کارشناسان بخش‌های مالی و IT شرکت‌های پالایشگاه گازی اعتباریابی الگوی مدیریت مالی هوشمند را ارزیابی و با تجمیع نظرات آنان موجب تقویت نتایج حاصله گردد. نتایج این پژوهش بشرح زیر میتواند موجب دانش‌افزایی علمی گردد:
اول اینکه هزینه سرمایهگذاری و جریان منابع مالی در پالایشگاه‌های گازی به دلیل استراتژیک بودن محصولات، صادرات در سطح بین‌المللی و تحریم‌های اقتصادی از بعد اقتصادی و سیاسی در حوزه مدیریت مالی استراتژیک قرار دارند، لذا مدیریت این منابع، مستلزم بکارگیری مدیریت مالی هوشمند میباشد که با استفاده از فناوریهای نوین میتواند به تجزیه و تحلیل مالی دقیق، تولید حجم وسیعی از دادهها در اشکال مختلف، تامین مالی بیشتر از طریق سرمایه‌گذاران بالقوه، بهبود شاخصهای مالی، تسهیل مبادلات بین‌المللی شرکت‌های فعال این صنعت و همچنین اتخاذ سناریوهای مناسب برای دور زدن تحریم‌ها کمک نماید. دوم، ارائه شاخصهای ارزیابی‌شده الگوی مدیریت مالی هوشمند میتواند به عنوان یک مزیت رقابتی در جذب سرمایه‌گذار، قیمت‌گذاری محصولات پالایشگاه‌ها و توسعه پایدار صنعت گاز و در نهایت به بهبود تصمیم‌گیری بهتر مدیران و سرمایه‌گذاران کمک نماید.
در ادامه، ابتدا مبانی نظری و پس از آن پیشینه پژوهش ارائه خواهد شد. سپس روش پژوهش و در نهایت بحث و نتیجه‌گیری پژوهش به همراه پیشنهادهایی مبتنی بر یافته‌های پژوهش و نیز جهت پژوهشهای آتی ارائه می‌گردد که انتظار می‌رود راه‌گشای چالش‌های پیش‌روی این حوزه علمی گردد.
2- مبانی نظری و پیشینه پژوهش
2-1 مدیریت مالی هوشمند
مدیریت مالی هوشمند به عنوان یکی از روندهای نوین در این حوزه، شامل ادغام فناوریهای جدید، تحلیل دادهها و رویکردهای نوآورانه برای بهبود عملکرد مالی و دستیابی به اهداف سازمانی است. برای پیاده‌سازی مدیریت مالی هوشمند، روش‌های متعددی شامل پیاده‌سازی ابزارهای دیجیتال مدیریت مالی با استفاده از نرم‌افزارها، سیستم‌های پرداخت آنلاین و پلتفرم‌های حسابداری ابری (Miller et al., 2023)، تجزیه و تحلیل دادهها و پیش بینی نتایج (Chen, 2021)، استفاده از هوش مصنوعی به منظور تسریع در پردازش دادهها و صرفه‌جویی در زمان و منابع (Johnson & Adams, 2022)، پیشبینی ریسک مالی هوشمند (Huang & Lu, 2024)، تمرکز بر پایداری مالی جهت نیل به کاهش اثرات منفی زیست‌محیطی و ارتقاء سطح مسئولیت‌های اجتماعی (Lee & Wong, 2021; Deng, 2023) و تشویق رویکردهای نوآورانه برای بهبود عملکرد مالی (Wilson & Garcia, 2022; Ochieng, 2024) وجود دارد که در نهایت به مدیران مالی کمک می‌کند تا بینش عمیق‌تری از عملکرد مالی به دست آورند و منجر به تصمیم‌گیری‌های مالی هوشمندانه‌تر و تخصیص بهینه منابع مالی شود. یکی از این فناوریها نوین مالی، کاربرد گسترده از هوش مصنوعی است. لای (Lai, 2022) معتقد است هوش مصنوعی مدل‌های تصمیم‌گیری مالی و مدیریت مالی را متحول کرده است و با ترکیب تکنولوژی‌های نوین و رویکردهای مدیریتی میتواند سازمان‌ها را در محیط رقابتی امروز به موفقیت‌های بیشتری هدایت کند. یكی دیگر از نوآوری‌های حوزه فناوری كه بشدت حوزه مالی و اقتصادی را در سال‌های اخیر متاثر ساخته است، پیدایش رمزارزها در بستر بلوکی میباشد (Farazmand & Azadvar, 2019). رمز ارزها یک سیستم پرداخت آنلاین الکترونیکی مبتنی بر شبکه بلاک‌چین میباشد که قادر است پرداخت‌های غیرقابل ردیابی را به صورت آنی، شفاف، نامحدود و بدون مرز بین افراد انجام دهد (Salehi et al., 2024). بسیاری از اندیشمندان علم اقتصاد معتقدند که با ظهور ارزهای دیجیتال، چهارمین انقلاب صنعتی جهان رخ داده است، انقلابی که ریشه در تکنولوژی‌های نوینی همچون بلاک‌چین، هوش مصنوعی و .... دارد (Stosic et al., 2018).
در حال حاضر، تحقیق در مورد سیستم‌های هوشمند مدیریت مالی بر جنبه‌های مختلف تمرکز دارد. اولین مورد تجزیه و تحلیل و پیشبینی دادههای مالی مبتنی بر دادههای بزرگ و فناوری هوش مصنوعی، از قبیل نظارت بر زمان واقعی شاخصهای مالی و هشدار اولیه در مورد خطرات مالی است (Rahman et al., 2022). مورد بعدی، اتوماسیون و هوشمندسازی فرآیندهای مالی مانند تولید خودکار صورت‌های مالی و حسابرسی‌های مالی هوشمندانه است. علاوه بر این، مطالعاتی نیز وجود دارد که بر ادغام سیستم‌های مدیریت مالی و سایر سیستم‌های مدیریتی برای دستیابی به هوشمندسازی مدیریت سازمانی جامع تمرکز دارند (Lee & Shin, 2020). با این حال، علیرغم برخی پیشرفت‌ها، کاربرد عملی سیستم‌های هوشمند مدیریت مالی همچنان دارای معضلات و مشکلاتی مانند کیفیت دادهها و امنیت دادهها، پیچیدگی فرآیندهای تجاری مالی و قابلیت تفسیر و قابلیت اطمینان مدل میباشد (Kumar et al., 2022). در حال حاضر، جهت‌گیری پژوهشی جامعه دانشگاهی عمدتاً بر بهبود کیفیت و امنیت دادهها، تفسیرپذیری و شفافیت الگوریتم‌های هوشمند، و هوشمندسازی و اتوماسیون فرآیندهای کسب‌وکار مالی متمرکز است (Gao et al., 2023).
2-2 مدیریت مالی هوشمند در صنایع نفت و گاز
بازار نفت هم اكنون بزرگ‌ترين بازار كالاي دنيا محسوب مي‌شود كه از يك فعاليت توليد ابتدايي به بازار مالي پيچيده‌اي گسترش يافته است (Heydari & Babaee, 2013) صنایع نفت و گاز باید فرآیندهای خود را برای رقابتی ماندن، کاهش اثرات زیست محیطی و ارتقای پایداری تطبیق داده و نوسازی کنند. این فرایندها شامل سرمایهگذاری در هوش مصنوعی، اتوماسیون و تجزیه و تحلیل دادهها برای ساده‌سازی عملیات، بهبود کارایی و کاهش هزینهها است (Musa, 2023). هوش مصنوعی در این زمینه تاثیر قابل توجهی بر عملیات، کارایی و فرآیندهای تصمیم‌گیری داشته است از جمله نقش‌های کلیدی هوش مصنوعی در صنعت نفت و گاز میتوان به تعمیر و نگهداری پیش‌بینی‌کننده، مدل‌سازی و مدیریت مخزن، فرآیندهای اکتشاف و حفاری، مدیریت ایمنی و ریسک، بررسی دادههای ژئوفیزیک زیرسطحی، نقشه‌برداری دقیق ذخایر نفتی زیرزمینی، تشخیص نقص در خطوط لوله، کنترل نوسانات قیمت از طریق تجزیه و تحلیل دادههای پیشرفته و مدل‌سازی پیشبینی، کاهش حملات فیزیکی و سایبری، بهینه‌سازی ذخیره‌سازی دی‌اکسیدکربن، مدیریت زنجیره تامین و تغییرات سریع در شرایط اقتصادی جهانی اشاره نمود. پیشبینی میشود که تا سال 2028، بازار هوش مصنوعی در صنعت نفت و گاز به ارزش 4.21 میلیارد برسد و نرخ رشد مرکب سالانه 12.09 درصد افزایش یابد (Nasle Farda). در همین ارتباط نتایج پژوهش قاسمی و همکاران (Qasemi et al., 2023) با عنوان «تحلیل اثرات هوش مصنوعی بر بهبود تصمیم‌گیری‌های مالی در صنایع نفت و گاز» بر استفاده از الگوریتم‌های یادگیری ماشین و تحلیل پیشبینی برای مدیریت بهتر ریسک‌های مالی و افزایش سودآوری تمرکز دارد.
2-3- روش‌شناسی پژوهش
احمد و همکاران (Ahmad et al., 2024) در پژوهشی با عنوان «چارچوب چشم‌انداز هوش مصنوعی مدل مدیریت مالی و حسابداری هوشمند» به طراحی معماری مدل مدیریت حسابداری هوشمند با استفاده از هوش مصنوعی پرداختند. پلتفرم حسابداری که خدمات مربوط به اشتراک حسابداری را ارائه میدهد، کاملاً از بخش تدارکات هر مکان جدا است. نتایج نشان میدهد که استفاده از این استراتژی، بر خلاف الگوریتم EDF سنتی، این پتانسیل را دارد که تا حد زیادی عملکرد سیستم بلادرنگ را بهبود بخشد. هر دو الگوریتم HVF (بالاترین مقدار) و HVDF (بالاترین چگالی ارزش) در هر نوع موقعیت حجم کاری استفاده میشوند. مرکز اشتراک حسابداری خدمات متنوعی را به شعب شرکت لجستیک ارائه میدهد. برخی از این خدمات شامل حسابداری یکنواخت و استاندارد، مدیریت دارایی‌‌ها و درآمدها و هزینهها است. نتایج همچنین حاکی از آن است که سرعت کاهش این استراتژی در مقایسه با هر دو الگوریتم EDF و HVF تدریجی‌تر است. الگوریتم‌های EDF و HVF هر دو با افزایش بار، سرعت تکمیل خود را کاهش میدهند.
یو (Yu, 2024) مبادرت به ساخت پلتفرم مدیریت مالی هوشمند مبتنی بر ادغام صنعت و امور مالی با هدف بهبود کارایی مالی و سطح مدیریت شرکتها نمود. وی در این مطالعه نشان میدهد که مشکلات یکپارچه‌سازی بین امور مالی شرکت و مدیریت واحد تجاری، مانند تفکیک سیستم‌های اطلاعاتی و سیستم ارزیابی عملکرد ناکافی، منجر به مشکلات همکاری و هماهنگی بین بخشی میشود. پلتفرم مدیریت مالی هوشمند پیشنهادی وی مبتنی بر سیستم‌های ERP و CRM است و دادهها را از طریق ابزارهای ETL برای دستیابی به اشتراک‌گذاری اطلاعات پردازش می‌کند. نتایج نشان میدهد که با پیاده‌سازی این پلتفرم، کارایی مالی و سطح مدیریت به طور قابل‌توجهی بهبود یافته است که منجر به کاهش 60.22 درصدی پرسنل حسابداری و همچنین کاهش قابل توجه میانگین زمان حسابرسی صورت‌های مالی شده است. علاوه بر این، قابلیت مدیریت وجوه بهبود یافت، هزینهها و مخارج مدیریت کاهش یافت و ارزیابی عملکرد جامع‌تر بود.
اوچینگ و همکاران (Ochieng et al., 2024) بررسی کردند که چگونه الگوریتم‌های هوش مصنوعی مولد (GAI) و یادگیری ماشین (ML) می‌توانند عملکرد بهرهوری زنجیره ارزش نفت و گاز را افزایش دهند. آنها برای شناسایی متغیرهای مهم الگوریتم‌های هوش مصنوعی مولد و یادگیری ماشین مؤثر بر عملکرد در زنجیره ارزش نفت و گاز، از تجزیه و تحلیل مؤلفه اصلی (PCA) و برای آزمایش معادلات رگرسیون مربوط به کاربرد آنها، از مدل‌سازی معادلات ساختاری (SEM) استفاده کردند، نتایج نشان داد که پرتفوی‌ها و پروفایل‌های ریسک را میتوان در سراسر زنجیره ارزش با استفاده موثر از الگوریتم‌های GAI و ML در شرکت‌های بالادستی، میان دستی و پایین دستی ارزیابی کرد.
قاضی و شهبازی (Ghazi & Shabazi, 2024) در پژوهشی با عنوان نقش هوش مصنوعی در مدیریت امور مالی بیان کردند که بکارگیری هوش مصنوعی در مدیریت مالی، یک فرصت بزرگ برای بهبود عملکرد و افزایش سودآوری است. هوش مصنوعی قادر است به صورت خودکار و سریع دادههای مالی را تحلیل کند و به تصمیم‌گیران در انتخاب بهترین راهبردها کمک کند. نتایج این پژوهش نشان میدهد که استفاده از ترکیب هوش مصنوعی و دانش انسانی میتواند بهترین نتایج را در مدیریت مالی فراهم آورد. نکته حائز اهمیت آنکه اگر بکارگیری هوش مصنوعی در امور مالی، به دقت کنترل نشوند، استراتژی‌های معاملاتی مبتنی بر هوش مصنوعی می‌توانند انواع بازارها را دستکاری کنند. بنابراین برای مقابله با چالش‌های بکارگیری هوش مصنوعی در امور مالی، تعیین و اجرای قوانین و مقررات دقیق و جامع، ضروری به نظر می‌رسد.
رمضانی (Ramazani, 2024) در پژوهشی با عنوان استفاده از سیستم‌های هوشمند جهت مدیریت ریسک در بازارهای مالی بیان کردند که استفاده از سیستم‌های هوشمند مدیریت ریسک در بازارهای مالی به عنوان یک روش پیشرفته و موثر شناخته شده است. این سیستم‌ها از الگوریتم‌های پیچیده و قدرتمندی استفاده می‌کنند که به طور خودکار و سریع قادر به تحلیل دادههای بازار و تشخیص الگوهای ریسکی هستند. به این ترتیب، سیستم‌های هوشمند قادر به شناسایی و پیشبینی ریسک‌های بازار مالی میشوند و برای مدیریت مناسب آنها راه‌کارهایی ارائه میدهند.
گوپتا (Gupta, 2023) در پژوهشی با عنوان «نقش اینترنت اشیا (IOT) در امور مالی و بانکداری هوشمند» بیان کرد که مزایا و چالش‌های پیش روی بانک‌ها برای اتخاذ سیستم مبتنی بر IOT را مورد بحث قرار داده‌اند. وی نشان داد که IOT نقش حیاتی در اصلاح اقتصاد کشور از طریق بانکداری و مالی ایفا کرده است. با بکارگیری اینترنت اشیا، بانکداری اینترنتی، انتقال وجه و خرید آنلاین نیز آسان و راحت شده است. این فناوری همچنین امکان کار در امور مالی و بانکی را به شیوه‌ای مطمئن‌تر نسبت به گذشته فراهم می‌کند.
هدیه لو (Hediyeloo, 2023) در پژوهشی با عنوان استفاده هوش مصنوعی AI مدیریت مالی بیان کرد که هوش مصنوعی تکنولوژی فراگیری است که میتوان در مدیریت مالی و خدمات مالی به کار گرفت. از ترکیب هوش مصنوعی و مدیریت، سیستم مالی هوشمند حاصل میشود که از همکاری کارشناسان و ابزار هوش مصنوعی تشکیل شده. سیستم مالی هوشمند میتواند دادههای بزرگ را به سرعت داده‌کاوی کند و در دسترس تصمیم‌گیرندگان سازمان قرار دهد. از ویژگی‌های این سیستم میتوان به تشخیص کلاهبرداری (تشخیص تقلب)، پیشبینی پیکربندی هزینه، طرح فروش سهام، مدیریت ریسک بازار، مدیریت ریسک عملیاتی، ریسک مالی سرمایهگذاری اشاره کرد.
3. روش پژوهش
پس از مطالعه مبانی نظری و تحلیل مصاحبه‌ها، مقوله‌های اصلی و فرعی الگوی پارادایمی مدیریت مالی هوشمند در شرکت‌های پالایش گازی پس از کدگذاری باز، محوری و انتخابی، براساس نظر خبرگان و چارچوپ پیشنهادی کوربین و استراوس (Corbin & Strauss, 2008) به روش اکتشافی داده بنیاد تدوین گردید. برای این منظور، نمونه‌گیری به روش نظری و با بهره‌مندی از تکنیک‌های هدفمند (قضاوتی) و گلوله برفی (زنجیره‌ای) صورت پذیرفته که بر مبنای آن 31 مصاحبه نیمه ساختاریافته با اساتید دانشگاهی و مدیران مالی شرکت‌های پالایش گازی به عمل آمد. مطابق نظریه داده بنیاد، نتایج تحلیل دادههای به دست آمده از مصاحبه‌ها طی فرآیند کدگذاری باز، محوری و انتخابی به ایجاد الگوی مدیریت مالی هوشمند در شرکت‌های پالایش گازی منجر گردید. فرایند و نتایج این پژوهش کیفی که شامل 6 مقوله اصلی، 42 مقوله فرعی و 149 مفهوم کلیدی میباشد، طی مطالعه‌ای انجام و در دست چاپ میباشد (صدیقی پور و همکاران، در حال انتشار). با توجه به عوامل ارائه شده الگوی مدیریت مالی هوشمند در شکل شماره (1) پژوهش حاضر به ارزیابی تاثیر مقوله‌های این الگو پرداخته خواهد شد.
این پژوهش از نظر هدف کاربردی، از نظر بعد زمانی، پس رویدادی و در دسته پژوهشهای توصیفی قرار گرفته و الگوی ساخته شده با روش کمی به صورت پیمایشی همبستگی بررسی میشود و در بخش آزمون الگو نیز پرسشنامه‌ای، با استفاده از روش نمونه‌گیری در دسترس است. جامعه آماری از بین مدیران و اعضای هیات مدیره، مدیران و کارشناسان مالی و مدیران و کارشناسان بخش IT در شرکت‌های پالایش گازی هستند. روش گردآوری دادهها در این مرحله، استفاده از پرسشنامه محقق ساخته که ارزیابی ساختار عاملی الگو بر اساس ابعاد، مؤلفه‌های الگوی پیشنهادی مدیریت مالی هوشمند استخراج شده است و در میان نمونه آماری توزیع شد. تعداد 350 پرسشنامه میان جامعه آماری توزیع گردید که در نهایت 302 پرسشنامه برگشت شد. جهت ارزیابی پاسخ‌های داده شده، گویه‌های این پرسشنامه بر اساس طیف 5 درجه ای لیکرت از خیلی زیاد (5) تا خیلی کم (1) تنظیم گردید. لازم به ذکر است تمامی مقوله‌های الگوی پارادایمی نظریه داده بنیاد با آلفای بالای 70/0 از میزان پایایی مناسب برخوردار هستند. همچنین روایی محتوای پرسشنامه توسط چهار تن از اعضای هیئت علمی بهره گرفته شد و مورد تائید قرار گرفت. شیوه تحلیل دادهها بر اساس مدل یابی معادلات ساختاری مبتنی بر رویکرد کمترین مربعات جزئی با نرم افزار اسمارت پی ال اس صورت گرفته است.
4. یافته‌های پژوهش
4-1 آمار توصیفی
نتایج اطلاعات جمعیت شناختی نمونه جامعه آماری شامل 302 پاسخ‌دهنده پرسشنامه در جدول 1 ارائه شده است. نتایج حاکی از آن است که 88% درصد نمونه مورد نظر را مردان و 12% درصد زنان تشکیل میدهند. همچنین 58% نمونه دارای مدرک کارشناسی ارشد به بالا میباشند. همچنین 50 درصد فعالیت کاری نمونه پژوهش از بخش حسابداری و مالی تشکیل میشود. همچنین حدود 80% درصد نمونه دارای سوابق تجربی بیش از 10 سال میباشند.
جدول1- اطلاعات جمعیت شناختی نمونه
متغیر | موارد | تعداد | درصد | متغیر | موارد | تعداد | درصد |
جنسیت | مرد | 267 | %88 | شغل | مدیر ارشد | 78 | %26 |
زن | 35 | %12 | مدیر و رییس | 102 | %34 | ||
تحصیلات | لیسانس | 126 | %42 | کارشناس | 122 | %40 | |
فوق لیسانس | 104 | %34 | تجربه کاری | کمتر از 5 سال | 12 | %4 | |
دکتری | 72 | %24 | 5 تا 10 سال | 52 | %17 | ||
رشته دانشگاهی | مدیریت | 76 | %25 | 10 تا 15 سال | 123 | %41 | |
حسابداری و مالی | 151 | %50 | 15 تا 20 سال | 82 | %27 | ||
IT | 31 | %10 | بیش از 20 سال | 33 | %11 | ||
سایر | 44 | %15 | منبع : محاسبات پژوهشگر | ||||
در پژوهشهایی که در معاملات ساختاری صورت میگیرد نخست بررسی نرمال‌بودن توزیع دادهها مورد بررسی قرار میگیرد. در جدول 2 نرمال بودن دادهها مورد بررسی قرار گرفته است.
جدول 2- بررسی نرمال‌بودن متغیرهای پژوهش
شاخصها | میانگین | میانه | انحراف معیار | شاخصها | میانگین | میانه | انحراف معیار | شاخصها | میانگین | میانه | انحراف معیار |
Q 1 | 540/4 | 5 | 208/1 | Q51 | 020/4 | 4 | 340/1 | Q101 | 328/4 | 5 | 285/1 |
Q 2 | 487/4 | 5 | 022/1 | Q52 | 056/4 | 4 | 263/1 | Q102 | 679/4 | 5 | 127/1 |
Q 3 | 490/4 | 5 | 139/1 | Q53 | 076/4 | 4 | 311/1 | Q103 | 533/4 | 5 | 005/1 |
Q 4 | 252/4 | 4 | 278/1 | Q54 | 911/3 | 4 | 123/1 | Q104 | 238/4 | 4 | 146/1 |
Q 5 | 493/4 | 5 | 136/1 | Q55 | 113/4 | 4 | 277/1 | Q105 | 560/4 | 5 | 086/1 |
Q 6 | 407/4 | 5 | 206/1 | Q56 | 275/4 | 4 | 213/1 | Q106 | 338/4 | 5 | 260/1 |
Q 7 | 275/4 | 4 | 245/1 | Q57 | 907/3 | 4 | 327/1 | Q107 | 175/4 | 4 | 145/1 |
Q 8 | 411/4 | 5 | 181/1 | Q58 | 573/4 | 5 | 956/0 | Q108 | 487/4 | 5 | 170/1 |
Q 9 | 417/4 | 5 | 198/1 | Q59 | 437/4 | 5 | 174/1 | Q109 | 480/4 | 5 | 118/1 |
Q10 | 576/4 | 5 | 924/0 | Q60 | 977/3 | 4 | 355/1 | Q110 | 411/4 | 5 | 152/1 |
Q11 | 457/4 | 5 | 090/1 | Q61 | 079/4 | 4 | 237/1 | Q111 | 374/4 | 5 | 140/1 |
Q12 | 391/4 | 5 | 107/1 | Q62 | 924/3 | 4 | 346/1 | Q112 | 450/4 | 5 | 166/1 |
Q13 | 149/4 | 4 | 163/1 | Q63 | 030/4 | 4 | 267/1 | Q113 | 156/4 | 4 | 281/1 |
Q14 | 169/4 | 4 | 166/1 | Q64 | 238/4 | 4 | 149/1 | Q114 | 444/4 | 5 | 093/1 |
Q15 | 914/3 | 4 | 151/1 | Q65 | 219/4 | 4 | 276/1 | Q115 | 381/4 | 5 | 200/1 |
Q16 | 924/3 | 4 | 150/1 | Q66 | 930/3 | 4 | 206/1 | Q116 | 874/3 | 4 | 085/1 |
Q17 | 944/3 | 4 | 218/1 | Q67 | 957/3 | 4 | 256/1 | Q117 | 858/3 | 4 | 214/1 |
Q18 | 927/3 | 4 | 149/1 | Q68 | 904/3 | 4 | 279/1 | Q118 | 987/3 | 4 | 302/1 |
Q19 | 222/4 | 4 | 107/1 | Q69 | 937/3 | 4 | 258/1 | Q119 | 036/4 | 4 | 300/1 |
Q20 | 440/4 | 5 | 105/1 | Q70 | 387/4 | 5 | 266/1 | Q120 | 954/3 | 4 | 331/1 |
Q21 | 358/4 | 4 | 130/1 | Q71 | 497/4 | 5 | 193/1 | Q121 | 046/4 | 4 | 212/1 |
Q22 | 159/4 | 4 | 183/1 | Q72 | 305/4 | 4 | 352/1 | Q122 | 861/3 | 4 | 305/1 |
Q23 | 493/4 | 5 | 127/1 | Q73 | 560/4 | 5 | 964/0 | Q123 | 540/4 | 5 | 919/0 |
Q24 | 242/4 | 4 | 276/1 | Q74 | 493/4 | 5 | 150/1 | Q124 | 411/4 | 5 | 152/1 |
Q25 | 113/4 | 4 | 292/1 | Q75 | 394/4 | 5 | 171/1 | Q125 | 450/4 | 5 | 166/1 |
Q26 | 924/3 | 4 | 222/1 | Q76 | 464/4 | 5 | 114/1 | Q126 | 887/3 | 4 | 325/1 |
Q27 | 003/4 | 4 | 348/1 | Q77 | 397/4 | 5 | 218/1 | Q127 | 886/3 | 4 | 180/1 |
Q28 | 887/3 | 4 | 357/1 | Q78 | 550/4 | 5 | 040/1 | Q128 | 921/3 | 4 | 218/1 |
Q29 | 871/3 | 4 | 182/1 | Q79 | 497/4 | 5 | 193/1 | Q129 | 864/3 | 4 | 244/1 |
Q30 | 901/3 | 4 | 233/1 | Q80 | 192/4 | 4 | 298/1 | Q130 | 904/3 | 4 | 218/1 |
Q31 | 129/4 | 4 | 223/1 | Q81 | 887/3 | 4 | 258/1 | Q131 | 993/3 | 4 | 231/1 |
Q32 | 821/3 | 4 | 323/1 | Q82 | 003/4 | 4 | 326/1 | Q132 | 212/4 | 4 | 113/1 |
Q33 | 026/4 | 4 | 302/1 | Q83 | 265/4 | 4 | 178/1 | Q133 | 540/4 | 5 | 919/0 |
Q34 | 897/3 | 4 | 207/1 | Q84 | 636/4 | 5 | 098/1 | Q134 | 182/4 | 4 | 270/1 |
Q35 | 202/4 | 4 | 146/1 | Q85 | 460/4 | 5 | 192/1 | Q135 | 275/4 | 4 | 350/1 |
Q36 | 924/3 | 4 | 244/1 | Q86 | 099/4 | 4 | 200/1 | Q136 | 533/4 | 5 | 005/1 |
Q37 | 030/4 | 4 | 295/1 | Q87 | 013/4 | 4 | 332/1 | Q137 | 629/4 | 5 | 071/1 |
Q38 | 831/3 | 4 | 310/1 | Q88 | 705/4 | 5 | 138/1 | Q138 | 156/4 | 4 | 281/1 |
Q39 | 219/4 | 4 | 109/1 | Q89 | 202/4 | 4 | 175/1 | Q139 | 381/4 | 5 | 200/1 |
Q40 | 149/4 | 4 | 256/1 | Q90 | 894/3 | 4 | 326/1 | Q140 | 858/3 | 4 | 214/1 |
Q41 | 232/4 | 4 | 088/1 | Q91 | 583/4 | 5 | 091/1 | Q141 | 987/3 | 4 | 302/1 |
Q42 | 192/4 | 4 | 313/1 | Q92 | 424/4 | 5 | 179/1 | Q142 | 036/4 | 4 | 300/1 |
Q43 | 997/3 | 4 | 211/1 | Q93 | 265/4 | 4 | 219/1 | Q143 | 954/3 | 4 | 331/1 |
Q44 | 921/3 | 4 | 266/1 | Q94 | 093/4 | 4 | 368/1 | Q144 | 046/4 | 4 | 212/1 |
Q45 | 950/3 | 4 | 248/1 | Q95 | 070/4 | 4 | 162/1 | Q145 | 887/3 | 4 | 324/1 |
Q46 | 149/4 | 4 | 256/1 | Q96 | 053/4 | 4 | 356/1 | Q146 | 886/3 | 5 | 176/1 |
Q47 | 232/4 | 4 | 088/1 | Q97 | 079/4 | 4 | 263/1 | Q147 | 858/3 | 4 | 214/1 |
Q48 | 192/4 | 4 | 313/1 | Q98 | 861/3 | 4 | 305/1 | Q148 | 864/3 | 4 | 244/1 |
Q49 | 997/3 | 4 | 211/1 | Q99 | 629/4 | 5 | 071/1 | Q149 | 228/4 | 4 | 189/1 |
Q50 | 921/3 | 4 | 266/1 | Q100 | 228/4 | 4 | 189/1 | منبع : محاسبات پژوهشگر | |||
با توجه به اینکه چولگی و کشیدگی تمام آیتم‌هابه ترتیب در بازه بین (1+ و 1-) قرار دارند بنابراین همه متغیرها نرمال میباشند.
2-4 آزمونهای تناسب دادهها در تحلیل عاملی
در انجام تحلیل عاملی، ابتدا باید از اطمینان حاصل شود که آیا میتوان دادههای را تقلیل، و به چند عامل پنهانی کاهش داد یا خیر؟ که برای این مقصود از دو آزمون کیزر-میر-اولکین و بارتلت استفاده شده است. در جدول 3 نتایج آزمون ارائه شده است.
جدول 3- نتایج آزمون تناسب دادهها
نوع آزمون | آماره | نوع آزمون | آماره | درجه آزادی | معناداری |
آزمون کیزر | 892/0 | آزمون کورویت بارتلت | 378/28668 | 4851 | 000/0 |
منبع : محاسبات پژوهشگر
با توجه به اینکه مقادیر آماره آزمون کیزر بالاتر از 70 درصد میباشد بنابراین تناسب دادههای برای انجام تحلیل عاملی مورد تایید قرار گرفت. همچنین با توجه به معناداربودن آزمون کورویت بارتلت میتوان دریافت که ماتريس همبستگي هماني نيست و بين متغيرها همبستگي وجود دارد و امكان انجام تحليل عاملي وجود دارد.
3-4 بررسی برازش مدل پژوهش
قبل از آزمون فرضیه‌ها و در راستای مدل‌سازی معادلات ساختاری در پی ال اس، ابتدا برازش مدل بررسی می‌گردد تا از صحت و دقت يافته‌ها اطمینان حاصل گردد. این بررسی شامل ارزیابی مدل اندازهگیری، آزمون مدل ساختاری و برازش مدل کلی است.
الف) ارزیابی مدل اندازه‌گيري
يک مدل اندازه‌گيري بخشي از مدل کلي است که در برگيرنده يک مولفه به همراه سوالات مربوط به آن مولفه میباشد. جهت بررسي برازش مدل‌هاي اندازه‌گيري از سه معيار پايايي، روايي همگرا و روايي واگرا استفاده شده است. مدل اندازهگیری در شکل 2 نشان داده شده است.
شکل 2: مدل اندازهگیری
روایی و پایایی پرسشنامه
از آنجا که در پژوهش حاضر، پرسشنامه بهترین ابزار جمعآوری اطلاعات و اندازهگیری متغیرها میباشد. بنابراین سنجش و اندازهگیری روایی پرسشنامه نیز از اهمیت خاصی برخودار است. زیرا روایی پژوهش نیز میزان سازگاری پرسشنامه را با اهداف پژوهش نشان میدهد. در این پژوهش به منظور تعیین اعتبار ابزار اندازه گیری از دو روش اعتبار محتوا و اعتبار سازه بهره گرفته شده است. ضریب نسبی(CVI) و شاخص روایی محتوایی(CVR) لاوشه (Lawshe, 1975) دو ابزار تعیین اعتبار محتوا به شکل کمی است. در این روش با ارسال پرسشنامه برای 15 خبره دانشگاهی از آنها درخواست شد تا بازخورد لازم را در ارتباط با پرسشنامه ارائه دهند. در این پرسشنامه از آنها خواسته میشود که نظر خود را دربارهی هر آیتم در مقیاس قضاوتی که تعیین شده است لحاظ نمایند. پاسخ اعضا در سه کد (ضروری، مفید اما غیر ضروری و غیر ضروری) طبقه بندی میشوند. آرای اعضای گروه از طریق فرمول زیر کمی‌سازی میشوند :
در این رابطه:
تعداد متخصصانی است که به گزینه‌ی «ضروری» پاسخ داده اند
N تعداد کل متخصصان مشارکت کننده در این روایی میباشد.
جدول (4) حداقل مقادیر 
جهت مناسب بود روایی محتوی
تعداد ارزیابان | ۵ | ۶ | ۷ | ۸ | ۹ | ۱۰ | ۱۵ | .... | ۴۰ |
حداقل مقدار نسبت روایی محتوا | ۹۹/۰ | ۹۹/۰ | ۹۹/۰ | ۷۵/۰ | ۷۸/۰ | ۶۲/۰ | ۴۹/۰ | ... | ۲۹/۰ |
حال باتوجه به توضیحات داده شده، از شاخص 
(روایی محتوای مولفه‌های مدل با شاخص) استفاده می‌گردد. حداقل CVR با توجه به انتخاب 15 خبره جهت تعیین روایی پرسشنامه برابر 49/0 میباشد. اگر مقدار محاسبه شده از 49/0 بیشتر باشد اعتبار محتوای آن آیتم پذیرفته میشود.
همچنین یکی از موضوعات اصلی در بحث روش پژوهش پایایی ابزار اندازهگیری است. در این پژوهش به منظور ارزیابی قابلیت اطمینان پرسشنامه از آزمون آلفای کرونباخ در نرم افزارSPSS استفاده گردیده است. در جدول (5) نتایج بررسی روایی و پایایی پرسشنامه ارائه شده است.
با توجه به اینکه مقادیر شاخص روایی محتوایی(CVR) همه آیتمها بالای 49/0 میباشد، بنابراین روایی محتوایی همهی معیارها مورد تایید قرار میگیرد. همچنین با توجه به اینکه مقدار ضریب آلفا در کل برابر با 959/0 است، مشخص میشود که این 148 معیار دارای سازگاری درونی خوبی هستند. بنابراین میتوان نتیجه گرفت که پرسشنامه از پایایی خوبی برخوردار است و میتواند در جهت سنجش اهداف پژوهشگر مورد استفاده قرار گیرد. همچنین با توجه به اینکه ضریب آلفا تک تک معیارها بالای70 درصد میباشد بنابراین هیچ یک از معیارها پرسشنامه حذف نشدند.
جدول (5): نتایج روایی و پایایی پرسشنامه
ازه اصلی | عامل | گویه | شاخصها | روایی و پایایی پرسشنامه | |||||||
CVR | VIF | بارهای عاملی | C.R | AVE | آلفایکرونباخ شاخص | ||||||
مرتبه اول | مرتبه دوم | مرتبه سوم | |||||||||
شرایط علی | اهمیت مدیریت منابع و بهرهوری در صنعت گاز | Q1 | به حداقل رساندن ضایعات و بهبود کارایی عملیاتی | 73% | 691/2 | 943/0 | 775/0 |
-
| 945/0 | 896/0 | 959/0 |
Q2 | افزایش بهرهوری در صنعت گاز | 60% | 691/2 | 950/0 | 949/0 | ||||||
الزام به خودکارسازی | Q3 | استفاده از فناوری و ابزارهای خودکار | 60% | 806/4 | 967/0 | 871/0 | 945/0 | 853/0 | 965/0 | ||
Q4 | توسعه فناوریهای هوش مصنوعی | 1 | 793/1 | 830/0 | 942/0 | ||||||
Q5 | استفاده از سیستم‌های خودکار و هوشمند | 73% | 906/4 | 968/0 | 928/0 | ||||||
لزوم مدیریت هزینه هوشمند | Q6 | ضروری بودن بهره گیری از روش‌های مناسب برای کاهش هزینهها | 60% | 601/4 | 969/0 | 776/0 | 956/0 | 845/0 | 944/0 | ||
Q7 | مدیریت مخارج به صورت هوشمندانه و آگاهانه | 60% | 492/1 | 749/0 | 934/0 | ||||||
Q8 | کنترل مستمر هزینه‌های مختلف و نظارت دقیق بر آنها | 73% | 804/4 | 968/0 | 975/0 | ||||||
Q9 | هزینه بر بودن فعالیت‌های مالی | 60% | 182/3 | 971/0 | 963/0 | ||||||
ظهور فن آوری‌های نوین مالی | Q10 | توسعه فرایندهای اتوماسیون مالی | 73% | 373/1 | 595/0 | 919/0 | 859/0 | 552/0 | 859/0 | ||
Q11 | توسعه مداوم هوش مصنوعی | 60% | 884/1 | 683/0 | 820/0 | ||||||
Q12 | توسعه فناوریها و دانش مالی مانند اینترنت اشیا، رایانش ابری و داده‌کاوی | 60% | 138/2 | 766/0 | 817/0 | ||||||
Q13 | نرم افزارهای حسابداری مالی | 60% | 525/4 | 820/0 | 827/0 | ||||||
Q14 | نرم افزارهای تحلیل مالی | 73% | 773/2 | 825/0 | 953/0 | ||||||
یکپارچه‌سازی دادهها و جریان اطلاعات | Q15 | ترکیب و هماهنگ‌سازی دادههای مختلف | 87% | 883/1 | 981/0 | 673/0 | 967/0 | 881/0 | 982/0 | ||
Q16 | جمع آوری دادههای مختلف از منابع مختلف | 87% | 085/2 | 973/0 | 927/0 | ||||||
Q17 | به روزرسانی اطلاعات مالی | 73% | 933/1 | 810/0 | 937/0 | ||||||
Q18 | ترکیب دادهها از منابع مختلف | 60% | 433/4 | 978/0 | 859/0 | ||||||
سرعت تحولات بازار رقابتی | Q19 | رقابت در جذب مشتریان و کسب سهم بیشتری از بازار | 60% | 235/1 | 701/0 | 772/0 | 857/0 | 669/0 | 968/0 | ||
Q20 | حفظ مزیت رقابتی شرکتها | 87% | 96/1 | 858/0 | 978/0 | ||||||
Q21 | وجود رقبای بسیار در صنعت خاص | 73% | 012/2 | 883/0 | 971/0 | ||||||
همگامی با هوشمند سازی جهانی | Q22 | گسترش روابط اقتصادی، فرهنگی سیاسی | 60% | 307/1 | 753/0 | 961/0 | 857/0 | 667/0 | 969/0 | ||
Q23 | رشد و پیشرفت در زمینه‌های متعدد | 73% | 967/1 | 877/0 | 934/0 | ||||||
Q24 | انطباق با تغییرات جهانی | 60% | 739/1 | 815/0 | 835/0 | ||||||
پدیده اصلی | استفاده از ابزارهای نوین مالی | Q25 | استفاده از فناوریهای هوش مصنوعیدر تجزیه و تحلیل مالی و پیش بینی مالی | 60% | 469/1 | 868/0 | 871/0 | - | 878/0 | 782/0 | 848/0 |
Q26 | استفاده از سیستم پرداخت آنلاین الکترونیکی مبتنی بر شبکه بلاک چین | 60% | 469/1 | 900/0 | 878/0 | ||||||
ارتقاء هوش مالی مدیران | Q27 | توانایی برنامه ریزی مالی و بودجه بندی | 73% | 253/2 | 849/0 | 878/0 | 933/0 | 736/0 | 885/0 | ||
Q28 | توانایی سرمایه گذاری هوشمند | 87% | 91/2 | 868/0 | 866/0 | ||||||
Q29 | توانایی مدیریت ریسک مالی | 1 | 233/3 | 887/0 | 864/0 | ||||||
Q30 | توانایی تجزیه و تحلیل دادههای مالی | 73% | 475/2 | 834/0 | 869/0 | ||||||
Q31 | توانایی ثروت آفرینی | 60% | 612/2 | 851/0 | 847/0 | ||||||
شرایط زمینهای | اندازه شرکت | Q32 | بزرگی شرکتها | 60% | 74/1 | 852/0 | 936/0 |
- | 892/0 | 733/0 | 898/0 |
Q33 | تعداد کارکنان بالا | 87% | 962/1 | 850/0 | 895/0 | ||||||
Q34 | سطح تولید و دارایی‌های شرکت | 87% | 816/1 | 866/0 | 847/0 | ||||||
رسالت شرکت | Q35 | هدف اصلی شرکت | 60% | 525/1 | 913/0 | 863/0 | 884/0 | 792/0 | 864/0 | ||
Q36 | سند استراتژیک شرکت | 60% | 525/1 | 866/0 | 863/0 | ||||||
رقابت پذیری | Q37 | ایجاد مزیت رقابتی در صنعت | 73% | 688/1 | 844/0 | 857/0 | 881/0 | 713/0 | 988/0 | ||
Q38 | بنچمارکینگ | 60% | 954/1 | 894/0 | 968/0 | ||||||
Q39 | توانایی افزایش سهم بازار | 73% | 623/1 | 792/0 | 959/0 | ||||||
فرهنگ سازمانی | Q40 | ارزش‌های حاکم | 60% | 198/2 | 824/0 | 824/0 | 909/0 | 667/0 | 949/0 | ||
Q41 | شرایط اجتماعی اقتصادی جامعه | 60% | 502/1 | 703/0 | 968/0 | ||||||
Q42 | تعامل با مشتریان | 60% | 299/2 | 835/0 | 918/0 | ||||||
Q43 | ارزش‌های قابل قبول محیط کاری | 73% | 56/2 | 861/0 | 925/0 | ||||||
Q44 | توجه به هنجارهای اجتماعی | 87% | 372/2 | 851/0 | 927/0 | ||||||
پیچیدگی محیط شرکت | Q45 | پیچیدگی اطلاعات و فعالیت‌های خارجی در شرکت | 87% | 537/1 | 896/0 | 749/0 | 886/0 | 796/0 | 937/0 | ||
Q46 | قابل پیش بینی نبودن محیط | 73% | 537/1 | 888/0 | 933/0 | ||||||
ارتباطات جهانی | Q47 | رشد شبکه‌های ارتباطی | 87% | 668/2 | 938/0 | 814/0 | 940/0 | 798/0 | 936/0 | ||
Q48 | تغییرات فناوری در سطح جهان | 87% | 068/2 | 827/0 | 963/0 | ||||||
Q49 | جابجایی سرمایه بواسطه فین تک | 73% | 672/2 | 881/0 | 945/0 | ||||||
Q50 | رشد تجارت جهانی در صنعت گاز | 60% | 426/2 | 924/0 | 935/0 | ||||||
دانش مالی شرکت | Q51 | داشتن اطلاعات مالی | 60% | 72/1 | 902/0 | 784/0 | 903/0 | 823/0 | 831/0 | ||
Q52 | فهم اصول حسابداری و مدیریت مالی | 87% | 62/1 | 913/0 | 852/0 | ||||||
شرایط مداخلهگر | دادههای پنهان | Q53 | دادههای سانسور شده | 73% | 274/2 | 903/0 | 796/0 | - | 933/0 | 824/0 | 825/0 |
Q54 | دادههای ناقص | 60% | 903/1 | 921/0 | 924/0 | ||||||
Q55 | دادههای گم شده | 60% | 192/2 | 899/0 | 920/0 | ||||||
قوانین و مقررات | Q56 | مجموعه‌ای از قواعد و مقررات قانونی | 73% | 085/2 | 904/0 | 776/0 | 954/0 | 839/0 | 923/0 | ||
Q57 | الزامات و شرایط و قیدها | 60% | 151/2 | 926/0 | 926/0 | ||||||
Q58 | همگام‌سازی با قوانین | 73% | 524/1 | 937/0 | 959/0 | ||||||
Q59 | تطبیق با قوانین و مقررات | 60% | 755/1 | 895/0 | 918/0 | ||||||
حجم اطلاعات | Q60 | اندازه اطلاعات | 60% | 555/2 | 884/0 | 809/0 | 926/0 | 807/0 | 916/0 | ||
Q61 | مقدار کل دادهها و اطلاعات | 60% | 088/3 | 911/0 | 919/0 | ||||||
Q62 | میزان فایل‌ها و منابع اطلاعاتی | 73% | 609/2 | 900/0 | 899/0 | ||||||
مقیاس پذیری | Q63 | قدرت سیستم در افزودن منابع | 87% | 922/2 | 926/0 | 840/0 | 821/0 | 625/0 | 859/0 | ||
Q64 | مقیاس پذیری در سیستم‌های وب | 87% | 087/3 | 910/0 | 978/0 | ||||||
Q65 | مقیاس پذیری در برنامه‌های محاسباتی | 73% | 189/3 | 436/0 | 959/0 | ||||||
خزانه استعداد | Q66 | شکاف استعداد | 87% | 514/3 | 800/0 | 635/0 | 869/0 | 624/0 | 959/0 | ||
Q67 | مجموعه‌ای از افراد با استعداد | 87% | 52/4 | 753/0 | 962/0 | ||||||
Q68 | مدیریت منابع انسانی هوشمند | 73% | 121/3 | 824/0 | 958/0 | ||||||
Q69 | توسعه منابع انسانی شایسته | 60% | 971/1 | 782/0 | 960/0 | ||||||
نهادهای نظارتی | Q70 | نظارت بر فعالیت‌ها | 60% | 812/1 | 837/0 | 517/0 | 898/0 | 746/0 | 960/0 | ||
Q71 | سازمان‌های رسمی نظارتی | 87% | 603/1 | 876/0 | 960/0 | ||||||
Q72 | نظارت جهت تضمین رعایت حقوق و منافع عمومی | 73% | 291/1 | 879/0 | 949/0 | ||||||
راهبردها | چابک سازی مدیران | Q73 | پاسخ سریع مدیران به نیازهای صنعت | 60% | 516/1 | 749/0 | 924/0 | - | 859/0 | 549/0 | 905/0 |
Q74 | پذیرش تحولات فین تک در محیط کاری | 60% | 598/1 | 755/0 | 910/0 | ||||||
Q75 | بهبود و توسعه توانایی و مهارت‌های مالی مدیران | 73% | 808/1 | 780/0 | 919/0 | ||||||
Q76 | ارتقای فراست مالی مدیران جهت تصمیم‌گیری | 60% | 815/1 | 727/0 | 920/0 | ||||||
Q77 | انعطاف پذیری و چابکی | 73% | 585/1 | 693/0 | 918/0 | ||||||
برنامهریزی مالی هوشمند | Q78 | تعیین اهداف کوتاه‌مدت و بلندمدت مالی | 1 | 695/1 | 857/0 | 901/0 | 845/0 | 648/0 | 906/0 | ||
Q79 | برنامهریزی و بودجه‌بندی | 73% | 69/1 | 868/0 | 901/0 | ||||||
Q80 | استفاده از ابزارهای تحلیل مالی | 60% | 24/1 | 676/0 | 910/0 | ||||||
توسعه بازارهایمالی | Q81 | ایجاد زیرساخت فناوری اطلاعات برای توسعه بازارها | 60% | 923/1 | 932/0 | 573/0 | 916/0 | 846/0 | 906/0 | ||
Q82 | توسعه سرمایهگذاری خارجی در صنعت | 73% | 923/1 | 907/0 | 925/0 | ||||||
هوشمندسازی فرآیندهای مالی | Q83 | استفاده از هوش مصنوعی در مراودات اقتصادی | 60% | 794/1 | 767/0 | 768/0 | 908/0 | 665/0 | 864/0 | ||
Q84 | استفاده از سیستم‌های یکپارچه و مبتنی بر ERP | 73% | 24/3 | 833/0 | 863/0 | ||||||
Q85 | بکارگیری ابزارهای آماری و تحلیلی جهت تحلیل دادههای مالی | 60% | 897/2 | 890/0 | 988/0 | ||||||
Q86 | استفاده از دانش و الگوی مدیریت مالی هوشمند شرکت‌های برتر | 60% | 467/2 | 784/0 | 968/0 | ||||||
Q87 | پیاده‌سازی ابزارهای مدیریت مالی دیجیتال | 60% | 643/2 | 797/0 | 959/0 | ||||||
توسعه فناوریهای نوین مالی | Q88 | استفاده از فناوریهای پیشرو در پردازش دادههای مالی | 73% | 394/1 | 815/0 | 831/0 | 851/0 | 657/0 | 919/0 | ||
Q89 | استفاده از فناوریهای مدیریت ریسک در حوزه مالی | 87% | 825/1 | 861/0 | 899/0 | ||||||
Q90 | استفاده از الگوریتم داده‌کاوی | 87% | 509/1 | 752/0 | 859/0 | ||||||
گسترش ارتباطات مالی در سطح جهان | Q91 | توسعه سیستم‌های ارتباطات مالی بین‌المللی | 73% | 025/2 | 857/0 | 883/0 | 876/0 | 640/0 | 978/0 | ||
Q92 | فروش فرآورده‌های گازی در بازارهای بین‌المللی | 60% | 896/1 | 839/0 | 959/0 | ||||||
Q93 | توسعه زیرساخت‌های امنیتی در بخش مالی | 60% | 956/1 | 760 | 919/0 | ||||||
Q94 | استفاده از ابزارهای مالی پوشش ریسک بین‌المللی | 87% | 934/1 | 738/0 | 959/0 | ||||||
بعد فردی | افزایش بهرهوری | Q95 | افزایش کارایی و اثربخشی | 73% | 985/2 | 862/0 | 861/0 | 817/0 | 938/0 | 751/0 | 949/0 |
Q96 | کاهش خطاهای انسانی | 60% | 525/3 | 898/0 | 965/0 | ||||||
Q97 | صرفه‌جویی در مصارف کاغذی | 73% | 785/2 | 843/0 | 942/0 | ||||||
Q98 | بهرهگیری از فناوریهای کاهش هزینه | 60% | 752/2 | 867/0 | 928/0 | ||||||
Q150 | بهرهگیری از پایگاه دادههای هوشمند | 60% | 719/2 | 861/0 | 944/0 | ||||||
استفاده بهینه از زمان | Q99 | به روز بودن | 60% | 849/1 | 864/0 | 894/0 | 895/0 | 741/0 | 934/0 | ||
Q100 | تغییر در روند کارکرد نیروی انسانی از نظر زمان و هزینه | 73% | 753/1 | 834/0 | 975/0 | ||||||
Q101 | مدیریت زمان | 60% | 135/2 | 884/0 | 963/0 | ||||||
ارتقا کیفیت سلامت فردی و خانواده | Q102 | افزایش مهارت‌های فردی | 60% | 014/3 | 788/0 | 762/0 | 879/0 | 647/0 | 859/0 | ||
Q103 | توانمندسازی کارکنان مالی صنعت | 1 | 895/2 | 847/0 | 820/0 | ||||||
Q104 | درک بهتر مسائل مالی و تحلیل نتایج | 73% | 297/1 | 720/0 | 817/0 | ||||||
Q105 | صرفه‌جویی در استفاده از دستگاه‌های الکترونیکی | 60% | 304/2 | 855/0 | 827/0 | ||||||
بهبود تصمیمات سرمایهگذاری و مالی | Q106 | بهبود گزارش دهی و گزارش گیری مالی در صنعت گاز | 60% | 089/2 | 777/0 | 773/0 | 911/0 | 630/0 | 953/0 | ||
Q107 | بهبود جریان تولید اطلاعات مالی شرکت‌های گازی | 73% | 652/1 | 745/0 | 982/0 | ||||||
Q108 | سناریوسازی در مدیریت مالی صنعت | 60% | 448/2 | 844/0 | 927/0 | ||||||
Q109 | استفاده از روش‌های تحلیل داده در صنعت | 73% | 752/2 | 803/0 | 937/0 | ||||||
Q110 | ارزیابی و اندازهگیری ریسک‌های مالی صنعت گاز | 60% | 62/2 | 827/0 | 859/0 | ||||||
Q111 | تسهیل انجام خدمات سرمایهگذاری در سطح ملی و بین‌المللی | 60% | 672/1 | 764/0 | 968/0 | ||||||
بروزرسانی اطلاعات مالی کاربران | Q112 | تسریع در تبادل اطلاعات مالی بین کاربران | 60% | 728/1 | 821/0 | 897/0 | 888/0 | 664/0 | 978/0 | ||
Q113 | برخط بودن تصمیمات مالی کاربران در صنعت | 73% | 044/2 | 851/0 | 971/0 | ||||||
Q114 | تقویت بینش کاربران نسبت به وضعیت مالی صنعت | 87% | 886/1 | 832/0 | 969/0 | ||||||
Q115 | قابلیت دسترسی آسان و سریع به اطلاعات مالی | 87% | 608/1 | 753/0 | 934/0 | ||||||
بهبود شاخصهای مالی | Q116 | افزایش درآمدها و سودآوری | 73% | 147/2 | 754/0 | 785/0 | 938/0 | 717/0 | 835/0 | ||
Q117 | بهبود فرآیندهای مالی | 60% | 636/2 | 838/0 | 848/0 | ||||||
Q118 | مدیریت سرمایه و منابع | 60% | 158/3 | 881/0 | 878/0 | ||||||
Q119 | بهبود بودجه‌بندی و برآوردها | 87% | 103/3 | 879/0 | 885/0 | ||||||
Q120 | افزایش کارایی حسابداران و مدیران مالی | 73% | 161/3 | 869/0 | 866/0 | ||||||
Q121 | ارتقا کیفیت اطلاعات مالی | 60% | 703/2 | 852/0 | 864/0 | ||||||
بعد سازمانی | گزارشگری سریع و دقیق | Q122 | دقت در جمع آوری دادهها | 73% | 516/1 | 800/0 | 703/0 | 874/0 | 861/0 | 610/0 | 869/0 |
Q123 | افزایش سرعت انجام امور مالی | 60% | 486/1 | 631/0 | 751/0 | ||||||
Q124 | اتوماسیون‌سازی فرآیندهای تکراری | 60% | 93/1 | 788/0 | 959/0 | ||||||
Q125 | دقت در ارائه گزارشات و اطلاعات | 60% | 239/2 | 883/0 | 949/0 | ||||||
بهبود فرآیندهای عملیاتی | Q126 | بهبود عملکرد مالی | 73% | 56/3 | 876/0 | 923/0 | 948/0 | 722/0 | 965/0 | ||
Q127 | کارآمدی عملیاتی | 87% | 701/3 | 863/0 | 942/0 | ||||||
Q128 | حفاظت از اطلاعات در مقابل هکرها | 1 | 533/4 | 872/0 | 928/0 | ||||||
Q129 | ساده‌سازی فرایندهای مالی | 73% | 355/3 | 864/0 | 944/0 | ||||||
Q130 | بهبود کیفیت گزارشات مالی | 60% | 333/2 | 809/0 | 934/0 | ||||||
Q131 | مدیریت هزینهها | 60% | 822/2 | 840/0 | 975/0 | ||||||
Q132 | فرآیندکاوی | 87% | 716/2 | 821/0 | 963/0 | ||||||
بهبود مدیریت منابع و مصارف مالی صنعت | Q133 | مدیریت منابع مالی | 87% | 089/1 | 437/0 | 884/0 | 840/0 | 657/0 | 859/0 | ||
Q134 | مدیریت مصارف مالی | 60% | 322/3 | 946/0 | 820/0 | ||||||
Q135 | مدیریت منابع اطلاعاتی | 60% | 259/3 | 942/0 | 817/0 | ||||||
بعد اجتماعی | افزایش کارایی بازار و رونق اقتصادی | Q136 | توسعه اپلیکیشن‌های معاملاتی گوناگون | 73% | 345/1 | 646/0 | 826/0 | 850/0 | 860/0 | 609/0 | 827/0 |
Q137 | شفافیت اطلاعات و مشارکت فعال معامله‌گران | 60% | 822/1 | 822/0 | 953/0 | ||||||
Q138 | جهت‌گیری به سوی تامین مالی جمعی | 73% | 873/1 | 838/0 | 982/0 | ||||||
Q139 | جهت‌گیری به سمت بازار ارزهای دیجیتال | 60% | 605/1 | 799/0 | 927/0 | ||||||
بهبود شاخصهای اجتماعی | Q141 | توسعه مهارت‌های انسانی در صنعت | 60% | 064/3 | 853/0 | 921/0 | 947/0 | 749/0 | 937/0 | ||
Q142 | توسعه پایدار | 60% | 933/2 | 863/0 | 859/0 | ||||||
Q143 | پاسخگو نمودن مدیران | 73% | 215/3 | 885/0 | 968/0 | ||||||
Q144 | شفافیت در محیط اجتماعی | 87% | 53/3 | 886/0 | 978/0 | ||||||
Q145 | امنیت اقتصادی و اجتماعی | 87% | 095/3 | 839/0 | 971/0 | ||||||
Q146 | تقویت روابط اجتماعی | 73% | 456/3 | 865/0 | 969/0 | ||||||
افزایش رفاه و آسایش | Q147 | افزایش رضایت کارکنان و مدیران | 87% | 625/1 | 824/0 | 877/0 | 885/0 | 719/0 | 934/0 | ||
Q148 | حذف کارهای روتین و تکراری | 87% | 989/1 | 887/0 | 835/0 | ||||||
Q149 | رضایت مشتریان برون سازمانی | 73% | 74/1 | 832/0 | 848/0 | ||||||
در این پژوهش برای بررسی اعتبار همگرا از معیارهای بارهای بیرونی معرفها7، پایایی ترکیبی و میانگین واریانس استخراج شده8 بهره گرفته شده است. بر اساس نظر هالاند (Hulland, 1999) در پژوهشهای علوم اجتماعی حفظ معرفهایی با مقادیر بین 40 تا 70 درصد در صورتی که به اعتبار محتوایی متغیر و پایایی ترکیبی و متوسط واریانس استخراج شده خدشهای وارد نکند و باعث افزایش معیارهای ذکرشده گردد، قابل تأمل است. همچنین مقادیر بیشتر از 5/0 برای متوسط واریانس استخراج شده (
) و بیشتر از 7/0 برای پایایی مرکب (
) بیانگر برازش مناسب مدل‌های اندازه‌گیریاند و اینکه از نظر پایایی و روایی همگرا هستند. جدول (5) نتایج حاصل از تحلیل عاملی تأییدی مرتبه اول و دوم را نشان میدهد.
پس از انجام دادن تحلیل عاملی تاییدی که نتایج حاصل از آن در جدول (5)، نشان داده شد، مشخص شد که تمامی گویه‌ها دارای بارعاملی بالاتر از ملاک 4/0، متوسط واریانس استخراج شده بالای 6/0 و پایایی مرکب بالای 7/0 میباشند که نشان از مناسب بودن این معیار و پایایی مناسب مدل‌های اندازهگیری دارد. همچنین در این پژوهش برای بررسی همخطی بین متغیرهای پژوهش از عامل تورم واریانس استفاده شده است که نتایج حاصل از آن در جدول (5) ارائه شده است. با توجه به اینکه مقادیر آماره همخطی تمام معرفها کمتر از 5 میباشد بنابراین همخطی بین شاخصها وجود ندارد.
ب) ارزیابی مدل ساختاری
بعد از بررسي برازش مدل‌هاي سنجش، نوبت به برازش مدل ساختاری پژوهش مي‌رسد. مدل ساختاری در شکل 3 نشان داده شده است.
شکل 3: مدل ساختاری
براي برازش مدل ساختاری پژوهش از چندين معيار بهرهگیری مي‌شود. یکی از مهمترین مقادیر مورد استفاده برای ارزیابی مدل ساختاری، ضریب تعیین (R2) است که بیانگر میزان پیشبینی مدل میباشد. این ضریب از مربع روابط متغیرهای درونزا با متغیرهای پیشبین به دست میآید. بر اساس نظر هنسلر و همکاران (Henseler et al., 2009) سه مقدار 19/0، 33/0و 67/0 به عنوان مقدار ملاک برای مقادیر ضعیف، متوسط و قوی در نظر گرفته میشود.
همچنین توان پیش بینی کنندگی مدل ساختاری که توسط استون و گیزر (Stone & Geisser, 1975) مطرح گردید تناسب پیشبینی مدل را نشان میدهد. در واقع یک مدل وقتی مناسب است که به پیشبینی معرفهای متغیرهای پنهان درونزا بپردازد. در این پژوهش از معیار Q برای انجام این آزمون بهره گرفته شده است. سه مقدار 02/0، 15/0و 35/0 به عنوان مقدار ملاک برای مقادیر ضعیف، متوسط و قوی در نظر گرفته میشود.
جدول (6): مقادیر ضریب تعیین (
) و ضریب قدرت پیشبینی (
)
سازه اصلی | مولفه |
| سطح معناداری |
| متغیر مکنون |
| سطح معناداری |
|
شرایط علی | - | - | - | - | اهمیت مدیریت منابع و صنعت گاز | 601/0 | 000/0 | 512/0 |
الزام به خودکارسازی | 759/0 | 000/0 | 610/0 | |||||
لزوم مدیریت هزینه هوشمند | 603/0 | 000/0 | 458/0 | |||||
ظهور فناوریهای نوین مدیریت مالی | 845/0 | 000/0 | 437/0 | |||||
یکپارچه‌سازی دادهها و جریان اطلاعات | 453/0 | 000/0 | 372/0 | |||||
سرعت تحولات بازار رقابتی | 596/0 | 000/0 | 377/0 | |||||
همگامی با هوشمندسازی جهانی | 924/0 | 000/0 | 583/0 | |||||
پدیده اصلی | - | 768/0 | 000/0 | 508/0 | استفاده از ابزارهای نوین مالی | 758/0 | 000/0 | 566/0 |
ارتقاء هوش مالی مدیران | 771/0 | 000/0 | 523/0 | |||||
شرایط زمینهای | - | - | - | - | اندازه شرکت | 876/0 | 000/0 | 601/0 |
دانش مالی شرکت | 615/0 | 000/0 | 484/0 | |||||
ارتباطات جهانی | 662/0 | 000/0 | 493/0 | |||||
رسالت شرکت | 744/0 | 000/0 | 557/0 | |||||
رقابت پذیری | 734/0 | 000/0 | 487/0 | |||||
پیچیدگی محیط شرکت | 561/0 | 000/0 | 424/0 | |||||
فرهنگ سازمانی | 679/0 | 000/0 | 419/0 | |||||
راهبردها | - | 051/0 | 005/0 | 623/0 | چابک سازی مدیران مالی | 854/0 | 000/0 | 434/0 |
برنامهریزی مالی هوشمند | 811/0 | 000/0 | 498/0 | |||||
توسعه بازارهای مالی | 329/0 | 000/0 | 263/0 | |||||
هوشمندسازی فرآیندهای مالی | 590/0 | 000/0 | 357/0 | |||||
گسترش ارتباطات مالی در سطح جهان | 779/0 | 000/0 | 455/0 | |||||
توسعه فناوریهای نوین مالی | 690/0 | 000/0 | 422/0 | |||||
عوامل مداخلهگر | - | - | - | - | دادههای پنهان | 634/0 | 000/0 | 492/0 |
قوانین و مقررات | 603/0 | 000/0 | 473/0 | |||||
حجم اطلاعات | 654/0 | 000/0 | 497/0 | |||||
مقیاس پذیری | 705/0 | 000/0 | 414/0 | |||||
خزانه استعداد | 403/0 | 000/0 | 236/0 | |||||
نهادهای نظارتی | 268/0 | 000/0 | 187/0 | |||||
پیامدها | بعد فردی | 722/0 | 000/0 | 384/0 | بهبود شاخصهای مالی | 616/0 | 000/0 | 409/0 |
افزایش بهرهوری | 741/0 | 000/0 | 519/0 | |||||
بهبود تصمیمات سرمایهگذاری و مالی | 597/0 | 000/0 | 337/0 | |||||
استفاده بهینه از زمان | 799/0 | 000/0 | 562/0 | |||||
بروزرسانی اطلاعات مالی کاربران | 805/0 | 000/0 | 502/0 | |||||
ارتقا کیفیت سلامت فردی و خانواده | 581/0 | 000/0 | 323/0 | |||||
بهبود شاخصهای مالی | 616/0 | 000/0 | 409/0 | |||||
بعد سازمانی | 757/0 | 000/0 | 466/0 | گزارشگری سریع و دقیق | 494/0 | 000/0 | 267/0 | |
بهبود فرآیندهای عملیاتی | 852/0 | 000/0 | 567/0 | |||||
بهبود مدیریت منابع و مصارف مالی صنعت | 781/0 | 000/0 | 484/0 | |||||
بعد اجتماعی | 735/0 | 000/0 | 461/0 | افزایش کارایی بازار و رونق اقتصادی | 683/0 | 000/0 | 390/0 | |
بهبود شاخصهای اجتماعی | 847/0 | 000/0 | 587/0 | |||||
افزایش رفاه و آسایش | 769/0 | 000/0 | 524/0 |
فرضیه | روابط علی بین متغیرهای پژوهش | βضریب مسیر | T-Value | P-Value | نتیجه آزمون |
| شرایط علی ------> مدیریت مالی هوشمند (پدیده اصلی) | 215/0 | 743/3 | 000/0 | تایید |
| عوامل زمینهای -----> مدیریت مالی هوشمند (پدیده اصلی) | 657/0 | 521/14 | 000/0 | تأیید |
| عوامل مداخلهگر -----> مدیریت مالی هوشمند (پدیده اصلی) | 103/0 | 155/2 | 032/0 | تایید |
| مدیریت مالی هوشمند (پدیده اصلی)-----> راهبردها | 226/0 | 610/3 | 000/0 | تایید |
| راهبردها --------> پیامدها | 639/0 | 610/14 | 000/0 | تایید |
COPYRIGHTS © 2023 by the authors. Licensee Modern Management Engineering Journal. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution 4.0 International (CC BY 4.0) (http://creativecommons.org/licenses/by/4.0/).
|
[1] 1 Department of Financial management, MaS.C., Islamic Azad University, Masjed-Soleiman, Iran.
[2] 2 Department of Accounting, MaS.C., Islamic Azad University, Masjed-Soleiman, Iran. (Corresponding Author) Sh.bozorgmehrian@iau.ac.ir
[3] Department of Financial Management, MaS.C., Islamic Azad University, Masjed-Soleiman, Iran.
How to cite this paper: Sedighipour, S.A., Bozorgmehrian, S., Salehi, A.K. (2025). Evaluating the impact of intelligent financial management model categories in gas refining companies. Modern Management Engineering, 11(1). [In Persian]
[4] گروه مدیریت مالی، واحد مسجدسلیمان، دانشگاه آزاد اسلامی، مسجدسلیمان، ایران
[5] گروه حسابداری، واحد مسجدسلیمان، دانشگاه آزاد اسلامی، مسجدسلیمان، ایران (نویسنده مسئول) Sh.bozorgmehrian@iau.ac.ir
[6] گروه مدیریت مالی، واحد مسجدسلیمان، دانشگاه آزاد اسلامی، مسجدسلیمان، ایران
استناد: صدیقیپور، سیدعلی؛ بزرگمهریان، شاهرخ؛ صالحی، شاهرخ. (1404). ارزیابی تاثیر مقوله‌های الگوی مدیریت مالی هوشمند در شرکت‌های پالایش گازی. مهندسی مدیریت نوین ، 11 (1).
[7] 1. Outing Loading
[8] 2. Average Variance Extracted (AVE)
سند
الروابط
المراكز ذات الصلة
دعامة
الصفحات الرسمية
حقوق هذا الموقع الإلكتروني مملوكة لنظام SANAD Press Management. © 1442-1447