هدف: این پژوهش با هدف بررسی تأثیر سواد مالی بر رفتار مالی دانش‌آموزان دوره دوم متوسطه با در نظر گرفتن نقش میانجی ضریب عاطفی و اخلاق در دوره زمانی مهرماه 1402 تا آذرماه 1402 به اجرا درآمده است. روش: برای گردآوری اطلاعات درزمینه‌ی مبانی نظری و ادبیات موضوع، از منابع کتابخانه‌ای، مقالات، کتاب‌ها استفاده شد. جمع‌آوری داده‌ها و اطلاعات برای تجزیه و تحلیل نیز به روش میدانی صورت می‌گیرد و روش تحلیل داده‌ها، از نوع استنباطی است. جهت آزمون فرضیه‌های پژوهش، سیستم مدل‌سازی معادلات ساختاری (SEM) با رویکرد روش حداقل مربعات جزئی و استفاده از نرم‌افزار Smart PLS برآورد شد. یافته‌ها: نتایج آزمون فرضیه‌های پژوهش نشان می‌دهد که سواد مالی بر رفتار مالی دانش‌آموزان دوره دوم متوسطه اثرگذار است. سواد مالی از طریق ضریب عاطفی بر رفتار مالی دانش‌آموزان اثرگذار است. همچنین سواد مالی از طریق ضریب عاطفی و اخلاق بر رفتار مالی دانش‌آموزان اثرگذار است. نتیجه‌گیری: هرچه قدر فرد از سواد مالی بالاتری برخوردار باشد، اعتقادات و ارزش‌های فردی، وی را تحت‌الشعاع قرار می‌دهد و بر تصمیمات وی مبنی بر انجام یا عدم انجام فعالیت‌های مالی تأثیرگذار است. همچنین هوش عاطفی می‌تواند قدرت شخص در تقویت، کسب و به ‌کارگیری سواد مالی و نقش آن درتصمیم ها و رفتارهای مالی را بهبود بخشد. علاوه بر این توجه به ارزش‌های اخلاقی در کنار تقویت سواد مالی باعث می‌شود دانش‌آموزان، فعالیت‌های مالی همچون سرمایه‌گذاری و پس‌انداز خود را انجام دهند . پرونده مقاله

هدف: هدف پژوهش حاضر بررسی نظام‌مند مدل‌های پیش‌بینی ورشکستگی در راستای ایجاد مدلی است که به‌عنوان راهنمایی برای انتخاب ابزار مناسب که بهترین انطباق را با داده‌های موجود و معیارهای کیفیت مدل‌های پیش‌بینی ورشکستگی دارد عمل کند.روش‌شناسی پژوهش: برای انجام این پژوهش، جستجوی سیستماتیک از database (web of Science) با استفاده از کلیدواژه‌های Bankruptcy، Default، Distress، Failure، Forecasting، Predicting، Prediction و Insolvency بین سال‌های ۲۰15 لغایت 2023 صورت پذیرفت. باتوجه‌به معیارهای ورود و خروج تعریف‌شده، حاصل این جستجو 1000 مقاله بود که درنهایت 49 مقاله از میان آن‌ها انتخاب و مورد تجزیه‌وتحلیل قرار گرفت. سپس یافته‌های به‌دست‌آمده از مقالات، در جداول خلاصه‌سازی وارد گردیده و در گام بعدی، مدل‌های بزرگ پیش‌بینی ورشکستگی بر اساس 9 معیار کلیدی با یکدیگر مقایسه و نتیجه‌گیری نهایی به عمل آمد.یافته‌ها: شبکه عصبی مصنوعی و ماشین‌های بردار پشتیبان دارای بیشترین دقت می‌باشند درحالی‌که تحلیل شخصیتی چندگانه دارای کمترین دقت است. همچنین شبکه عصبی مصنوعی و تحلیل شخصیتی چندگانه، درخت تصمیم‌گیری و رگرسیون لجستیک به نمونه آموزشی بزرگی نیاز دارند تا الگویی را منطقاً شناسایی کرده و طبقه‌بندی بسیار دقیقی ارائه دهند؛ اما استدلال مبتنی بر مورد، مجموعه‌های راف و ماشین‌های بردار پشتیبان می‌توانند با اندازه نمونه‌های کوچک کار کنند.اصالت / ارزش‌افزوده علمی: نتایج این پژوهش به درک کامل ویژگی‌های ابزارهای مورداستفاده برای توسعه مدل‌های پیش‌بینی ورشکستگی و کاستی‌های مربوط به آن‌ها کمک می‌کند. پرونده مقاله