ایمان رییسی وانانی

بیشتر سیستم های تشخیص تقلب سنتی برای شناسایی تقلب مالی، صرفا معیار های مالی را در نظر می گیرند که به نظر می رسد درحالیکه این احتمال وجود دارد که شرکت های متقلب علاوه بر تقلب های مالی، مرتکب سایر انواع تقلبهای غیر مالی نیز شوند. اگرچه تحقیقات اخیر، بیش از حد بر اهمیت داده های مالی به عنوان تنها فاکتور پیش بینی کننده تقلب تأکید کرده اند؛ هیچ مطالعه ای بر معیارهای غیر مالی یا ESG به عنوان یک فاکتور کمکی برای برای پیش بینی تقلب انجام نشده است. لذا هدف این تحقیق این است که با ارائه یک مدل یادگیری ماشینی پیشرفته و یادگیری عمیق، امکان بهبود پیش بینی تقلب های بر اساس ترکیبی از داده های مالی و ESG، را بررسی نماید. در این پژوهش با استفاده از الگوریتم های نظارت شده یادگیری ماشین و یادگیری عمیق، به بررسی چگونگی شناسایی تقلب مالی در بازه زمانی 10 ساله منتهی به سال 1401 پرداخته می شود. این تحقیق به طور نوآورانه ای نشان داد که استفاده از مدل ترکیبی مبتنی بر داده های مالی ومعیارهای غیرمالی قدرت پیش بینی کننده ای بهتری برای تقلب های مالی نسبت به تکیه صرف بر داده های مالی دارد. مطابق یافته های این تحقیق، در پاسخ به پرسش اول این تحقیق، در میان الگوریتم های یادگیری ماشین و یادگیری عمیق، بالاترین کارایی در برای الگوریتم طبقه بندی یا Bagging مشاهده گردید. همچنین یافته های این تحقیق در خصوص سوال دوم تحقیق نشان می دهد که مجموعه داده ای همه ویژگی ها(مدل ترکیب داده های مالی و غیرمالی) کارایی بهتری در مقایسه با مجموعه داده های مالی به تنهایی) و غیرمالی به تنهایی داشته است.

کارکنان مهم ترین و باارزش ترین سرمایه هر سازمانی هستند. تجربه کارمند بر نگرش و رفتار کارکنان تاثیر می گذارد؛ مبرهن است که تجربه کارمندی عالی افراد، تاثیر به سزایی در موفقیت سازمان آن ها دارد. با ظهور تحول دیجیتال، تجربه کارمند نیز دچار تحول گردیده و تجربه دیجیتال کارمند پا به عرصه حضور نهاده-است. اهمیت چشم گیر تجربه دیجیتال کارمند بر عملکرد کلی افراد و در نتیجه سرنوشت سازمان، ضرورت شناسایی مولفه های شکل دهنده تجربه دیجیتال کارمند را ایجاد کرده است. پژوهش حاضر با هدف شناسایی این مولفه ها و با روش کیفی دومرحله ای انجام شده است. در مرحله نخست، با استفاده از تحلیل مضمون پژوهش های انتخابی در زمینه موضوع موردمطالعه، مضامین اصلی و فرعی شناسایی شدند و الگوی اولیه ارائه گردید. سپس برای تایید و نیز اصلاح و تکمیل مولفه های شناسایی شده، مصاحبه با 12 خبره در حوزه تحول دیجیتال و منابع انسانی شهرداری استان سمنان که با روش نمونه گیری هدفمند قضاوتی برگزیده شدند، انجام پذیرفت. در بخش مصاحبه ها، از روش کیفی پدیدارشناسی تفسیری استفاده شد. یافته های پژوهش شامل شناسایی 8 مضمون اصلی و 86 مضمون فرعی در زمینه تجربه دیجیتال کارمند است.

تغییر مدل کسب وکار استارتاپ ها برای تطبیق با نیازهای متغیر بازار و افزایش رقابت پذیری ضروری است، اما بیشتر مطالعات پیشین بر شرکت های مستقر متمرکز بوده اند. همچنین برخلاف مطالعات پیشین که بیشتر به عوامل تاثیر گذار بر نوآوری مدل کسب وکار پرداخته اند، این پژوهش به طور ویژه بر فرآیند تغییر مدل کسب وکار مبتنی بر الگوهای مدل کسب وکار تمرکز دارد. در جهت برطرف کردن این شکاف علمی، هدف این مطالعه ارائه چارچوبی برای درک بهتر تغییر مدل کسب وکار استارتاپ ها بود. برای تحقق این هدف، از روش مرور نظام مند استفاده شد و پس از تعیین سؤال پژوهش، استراتژی جست وجو و غربالگری، ۹۵ مقاله معتبر منتشرشده بین سال های ۲۰۰۰ تا ۲۰۲۴ مورد تحلیل قرار گرفت. در ابتدا، چارچوب مفهومی اولیه بر اساس ادبیات نظری شکل گرفت و سپس با استفاده از تحلیل مضمون قیاسی-استقرایی توسعه داده شد. مضامین فراگیر شناسایی شده شامل تازگی، کارایی، قفل درونی، مکملی، و انطباق بودند که در چهار بعد تغییر مدل کسب وکار شامل محتوا، ساختار، حاکمیت و جریان تحلیل شدند. هر یک از این مضامین شامل مضامین پایه مختلف هستند که نشانگر نحوه تغییر اجزای مدل کسب وکار استارتاپ ها هستند. این پژوهش با شناسایی الگوی جدید «انطباق» در کنار چهار الگوی متداول (تازگی، کارایی، قفل درونی و مکملی) و افزودن بعد «جریان» به ابعاد سه گانه محتوا، ساختار، حاکمیت، نوآوری مدل کسب وکار استارتاپ ها را از منظر گسترده تری بررسی می کند. نتایج نشان داد که این مضامین به صورت هم افزا عمل کرده و نقش اساسی در ایجاد مزیت رقابتی و پایداری کسب وکار ایفا می کنند.

در حالی که هدف اصلی شهرهای هوشمند ایجاد زندگی بهتر برای ساکنان شهرهاست؛ اما به عقیده تعدادی از محققان این هدف بیشتر در حد یک شعار باقی مانده است و اهداف شهرهای هوشمند بیشتر متناسب و به نفع اهداف سایر ذی نفعان شهر هوشمند که نهادهای دولتی و شرکت های خصوصی هستند پیش می رود. حتی در اغلب مواقعی که به شعار شهروند محوری توجه شده و به آن عمل شده است نیز دیده می شود که شهروندان صرفاً استفاده کنندگان از سرویس های شهر هوشمند بوده یا تنها نقش گره های حسگر را در شهر ایفا می کنند و نقشی در خلق و ایجاد ابتکار عمل جهت مشارکت در اداره شهرهای خود ندارند. با درنظر گرفتن این چالش ها در زمینه مدیریت شهرهای هوشمند، تبدیل مدل های مدیریتی شهر هوشمند یک امر ضروری است. در این مقاله با انجام یک مرور سیستماتیک ادبیات با استفاده از پروتکل پریزما، نقش های مختلفی که شهروندان و عوامل مؤثر بر مشارکت شهروندان در شهرهای هوشمند شناسایی شدند. در نهایت به این موضوع می پردازیم که با توجه به آن که روند فعلی بیانگر نقش خلاقانه و مشارکت واقعی شهروندان در پروژه های شهر هوشمند نیست، آیا نیاز به معرفی پارادایم جدیدی برای تکامل ایده شهر هوشمند وجود دارد؟ ما معتقدیم که در حال حاضر این نیاز وجود داشته و این پارادایم جدید را شهر هوشمندِ پاسخگو نامیدیم.

هدف: این پژوهش به دنبال ارائه مدلی برای محاسبه تعهدهای آتی شرکت های بیمه است تا به چالش های بالقوه موجود در روش سنتی پاسخ مناسبی دهد. به صورت سنتی، شرکت های بیمه از روش زنجیره نردبانی، به عنوان نوعی ابزار آماری، برای پیش بینی روند توسعه خسارت ها استفاده می کنند. این روش آماری به دلیل سادگی فرضیه ها و تفسیر روشن، تأیید نهادهای نظارتی در کشورهای مختلف را نیز به همراه دارد. با این حال، وجود فرضیه هایی نظیر ایستایی در ساختار توسعه داده ها و ارتباط خطی بین متغیرها، ممکن است کارایی مدل را در مواجهه با تغییرات ناشی از عوامل داخل و خارج از سازمان، مانند اِعمال سیاست های داخلی یا عوامل خارجی مانند همه گیری کووید۱۹ متأثر سازد. محاسبه نزدیک به واقعیت تعهدهای شرکت های بیمه با توانگری مالی آن ها ارتباط تنگاتنگی دارد. مبلغی که شرکت های بیمه برای پاسخ به تعهدهای آتی خود تخصیص می دهند، به عنوان ذخیره شناسایی می شود. محاسبه ذخایر کمتر از تعهدهای آتی، شرکت بیمه را در ایفای تعهدهایش دچار مشکل می کند و از سویی دیگر، محاسبه بیش از مبلغ مورد نیاز، صورت های مالی شرکت های بیمه را تحت تأثیر قرار می دهد.روش: مدل ارائه شده در این پژوهش با استفاده از یادگیری ماشین و هوش مصنوعی، تعداد حوادث روزانه با خسارت های جانی را در بخش بیمه شخص ثالث پیش بینی می کند. خروجی این مدل، یعنی ترکیب تعداد و زمان وقوع حوادث، در محاسبه تعهدهای آتی و ذخیره خسارت در این بخش بیمه ای نقش کلیدی دارد. این مدل با کمک داده های تاریخی خسارت بیمه گذاران شرکت بیمه کارآفرین، در بخش بیمه شخص ثالث آموزش دیده است. این مدل قادر است لایه های پنهان و ارتباطات غیرخطی و پیچیده بین داده های خسارتی را شناسایی کند. در این پژوهش، از الگوریتم شبکه عصبی با حافظه بلندمدت کوتاه مدت که در سری های زمانی توانایی پیش بینی بیشتری دارد، استفاده شده است. داده های تاریخی مربوط به خسارت های جرحی بیمه گذاران، در بازه زمانی فروردین ۱۳۹۶ تا شهریور ۱۴۰۰ بوده است.یافته ها: کارایی مدل با بهینه سازی ابرپارامترها ارتباط نزدیک دارد. برای بهینه سازی مدل دو رویکرد، یعنی جست وجوی شبکه ای و تصادفی برای شناسایی ابرپارامترها با یکدیگر مقایسه شده اند. میانگین مربعات خطا به عنوان شاخص سنجش عملکرد در نظر گرفته شده است. این شاخص برای داده های آموزش، در هر دو مدل با فاصله کمی از یکدیگر (33/16 در مقابل 4/17) برتری جست وجوی شبکه ای را نشان می دهد؛ اما در این روش، نتیجه داده های آزمون از داده های آموزش بهتر بود (22/15 در برابر 33/16) که این امر می تواند نشانه ای از وقوع بیش پردازش باشد.نتیجه گیری: این مقاله برای طراحی مدل پیش بینی تعداد روزانه حوادث با خسارت های جانی، استفاده از روش جست وجوی تصادفی را برای تنظیم ابرپارامترهای مدل طراحی شده بر مبنای شبکه عصبی حافظه بلندمدت کوتاه مدت پیشنهاد می کند؛ زیرا مدل طراحی شده بر این مبنا، بر مشکل بیش پردازش غلبه می کند و می تواند در کار با داده های ناآشنا عملکرد مناسبی داشته باشد. بیش پردازش زمانی رخ می دهد که مدل بیش از حد از داده های آموزشی تأثیر بگیرد و نه تنها الگوهای واقعی را یاد بگیرد، بلکه نویزها و جزئیات جزئی داده ها را نیز یاد بگیرد. این ممکن است باعث کاهش جامع پذیری مدل شود.

هدف: هدف اصلی این تحقیق انجام یک تحقیق جامع با هدف شناسایی تمامی عوامل موثر در طراحی و عملکرد بهینه سیستم های نظارت هوشمند برای کشف تقلب است. این شامل تجزیه و تحلیل دقیق انواع تقلب مالی، انواع داده های مورد استفاده برای سیستم های تشخیص تقلب (اعم از مالی و غیر مالی) و شناسایی موثرترین الگوریتم های یادگیری ماشینی و یادگیری عمیق است. علاوه بر این، هدف این تحقیق ایجاد معیارهای مناسب برای اندازه گیری کارایی آنها و شناسایی چالش ها در طراحی سیستم های نظارت هوشمند است. در نهایت، این تحقیق به دنبال پیش بینی فرآیند تحقیقات آینده است تا بتواند به این چالش ها پاسخ دهد.   روش: این پژوهش با استفاده از روش تحقیق توصیفی، به بررسی دقیق منابع از جمله مقالات منتشر شده در مجلات بین المللی، مقالات همایش ها و بویژه مقالات نمایه شده در پایگاه اسکوپوس و مجلات معتبر داخلی پرداخته است. دامنه زمانی یک دوره 20 ساله را در بر می گیرد که منتهی به سال 1401 می شود. برای اطمینان از صحت و دقت تجزیه و تحلیل، از نرم افزار MAXQDA برای کدگذاری و برگه های تجزیه و تحلیل استفاده شد، در حالی که از نرم افزار VOS Viewer برای تحلیل کلمات کلیدی و ترسیم نقشه جامع تحقیق استفاده شد.   یافته ها: این تحقیق با بررسی تحقیقات سیستم های کشف تقلب در دو دهه گذشته به ارائه مدل مفهومی تحقیقات کشف تقلب آتی منجر شده است که با ادغام داده های مالی و غیرمالی، از جمله معیارهای زیست محیطی، اجتماعی و حکمرانی ( ESG )، یک تغییرپارادیم جدی در تحقیقات این حوزه را موجب می شود. این رویکرد با رفع محدودیت های موجود در کشف تقلب و با در نظر گرفتن طیف وسیع تری از متغیرها، موجب افزایش دقت و شفافیت سیستم های تشخیص تقلب می شود.   نتیجه گیری: این پژوهش با تجزیه و تحلیل تحقیقات قبلی انجام شده در این زمینه و شناسایی چالش ها و روندهای آتی، به گسترش حوزه دانش کمک می کند. خروجی این تحقیق شامل تجزیه و تحلیل دقیق چالش های حاضر در طراحی سیستم های نظارت هوشمند و استخراج روندهای تحقیقات آتی است. با پرداختن به این چالش ها و روندها، تحقیقات آینده می توانند به طور قابل توجهی، طراحی و اجرای سیستم های نظارت هوشمند را بهبود بخشد و از اثربخشی آنها در شناسایی و پیشگیری از تقلب مالی، اطمینان حاصل نمایند.

هدف: این پژوهش به دنبال طراحی و معرفی شاخص های کلیدی عملکرد ارکان یک مدل بلوغ جامع، متناسب با اهداف دولت الکترونیک بر مبنای عملکرد کنشگران آن است. روش: این پژوهش کاربردی محسوب می شود و با رویکرد ترکیبی اجرا شده است. در طراحی مدل بلوغ اولیه با هدف اطمینان از قدرت و کاربرد آن، از رویکرد ترکیبی بکر استفاده شده است. در این رویکرد، روش های تحلیل کیفی و کمّی به صورت ترکیبی استفاده شده اند. به منظور شناسایی شاخص های اولیه مدل بلوغ، از تحلیل کیفی محتوای مقاله های علمی مرتبط بهره گرفته شد. برای تقویت و تأیید شاخص های مدل با ۲۵ مدیر و کاربر کلیدی سامانه مصاحبه کیفی انجام و پس از آن مدل اولیه طراحی شد. به منظور ارزیابی مدل به دست آمده، پرسش نامه ای ساختاریافته به کلیه کاربران ارسال شد و ۲۴۲۵ کاربر سامانه به آن پاسخ دادند. در بخش اول این پرسش نامه با استفاده از مقیاس لیکرت و رتبه بندی شاخص های انتخاب شده توسط پاسخ دهندگان، شاخص های اولیه منتخب رتبه بندی شدند. در سؤال های باز در خصوص شاخص های مدنظر پاسخ دهندگان، در مجموع ۸۰۰ پاسخ دریافت شد و با استفاده از تحلیل کیفی این پاسخ ها، مدل نهایی به روزرسانی و تأیید شد. یافته ها: مدل بلوغ نهایی به دست آمده، چهار سطح را شامل می شود: ۱. اولیه؛ ۲. معاملات الکترونیک؛ ۳. یکپارچگی معاملات؛ ۴. بهینه سازی شده. در هر سطح شاخص هایی شناسایی شده که به واسطه آن ها، امکان ارزیابی عملکرد سامانه ها در آن سطح میسر می شود. این شاخص ها به تفکیک هر سطح به شرح ذیل هستند: سطح اولیه: سامانه ها در مراحل ابتدایی پیاده سازی قرار دارند و بر قابلیت های فنی پایه، مانند دسترسی پذیری و قابلیت استفاده متمرکزند. علاوه برآن، معیارهای کسب وکار اولیه همچون ثبت نام کاربران و تعداد معاملات در هر سامانه، جزء ملاک های ارزیابی این سطح به شمار می روند. سطح معاملات الکترونیکی: در این سطح، در سامانه ها تراکنش های الکترونیکی منظم و سیستماتیک مدیریت می شود. شاخص های کلیدی در این سطح، تعداد تراکنش های هم زمان، شفافیت در مشخصات درخواست ها و پردازش به موقع پرداخت ها است. سطح یکپارچگی معاملات: در این سطح فرایندهای تدارکاتی و جریان های اطلاعاتی با یکدیگر به صورت جامع یکپارچه می شوند. شاخص های این سطح مستندسازی فرایندها، حمایت از تأمین کنندگان داخلی و شفافیت برای ذی نفعان است. سطح بهینه سازی شده: سامانه ها در این سطح به حداکثر کارایی دست می یابند و معیارهای پیشرفته ای مانند پایداری زیست محیطی، اشتراک داده ها و حفاظت از اطلاعات شخصی را شامل می شوند. ملاحظات اجتماعی و زیست محیطی مانند کاهش مصرف منابع اداری و رعایت استانداردهای زیست محیطی نیز مورد تأکید قرار می گیرند. نتیجه گیری: در این پژوهش یک مدل بلوغ شناسایی شد که بر مبنای آن، در هر سطح شاخص های شناسایی شده به ازای هر کنشگر قابل ارزیابی خواهد بود. کنشگران سامانه با عملکرد بهتر در هر مرحله و نهادینه ساختن شاخص های سطح در عملکردشان، امکان ارزیابی شاخص های سطح های بالاتر را فراهم می سازند و بر این اساس، به سطوح بالاتر صعود می کنند. در سطوح ابتدایی شاخص های فنی و اقتصادی، حضور پُررنگ تری دارند و با بهبود عملکرد کنشگران و نهادینه شدن شاخص های سطوح ابتدایی، در سطوح بالاتر شاخص های اجتماعی و زیست محیطی پُررنگ تر خواهند شد.

نحوه آمادگی سازمانی برای تحول دیجیتال، به موضوع اصلی بحث در محافل دانشگاهی و سازمانی تبدیل شده است ودرک آن یکی از چالش ها و اولویت های اصلی در نظریه و عمل می باشد. بر همین اساس، هدف این پژوهش، توسعه یک مدل است که اجزاء سازنده آمادگی سازمانی برای تحول دیجیتال و پیشایندها و پیامدهای آن را مفهوم-سازی کند. برای رسیدن به این هدف، از روش پژوهش آمیخته اکتشافی (تحلیل مضمون- مدلسازی معادلات ساختاری) استفاده شده است. جامعه آماری این پژوهش، مدیران و کارشناسان سازمان فناوری اطلاعات و ارتباطات شهرداری تهران می باشد. برای گردآوری داده ها در بخش کیفی، بر اساس منطق نمونه گیری نظری، مصاحبه های نیمه ساختاریافته با مدیران ارشد و میانی در سازمان انجام شد. در بخش کمی نیز، با استفاده از روش نمونه گیری تصادفی 220 نفر به عنوان نمونه انتخاب شدند و ابزار گردآوری داده ها نیز پرسشنامه محقق ساخته بوده است. تجزیه و تحلیل داده ها بصورت متوالی و در دو مرحله انجام شد: در بخش کیفی، از دستور العمل براون و کلارک در تحلیل مضمون برای تجزیه و تحلیل داده ها استفاده شد. در بخش کمی نیز، از روش مدلسازی معادلات ساختاری بر مبنای حداقل مربعات جزئی استفاده شد. یافته های پژوهش نشان داد، آمادگی سازمانی برای تحول دیجیتال از چهار بعد افراد، ساختار، فرایندها و تعاملات و حکمرانی داده تشکیل شده است. یافته ها همچنین بیانگر این است که آمادگی سازمانی نقش میانجی را در رابطه میان محیط دیجیتال و سازمان دیجیتال را ایفا می کند. در نهایت، رهنمودهای نظری و مدیریتی مورد بحث قرار گرفت و پیشنهاداتی برای پژوهشگران آتی ارائه شد.

هدف: اهمیت بالای درماندگی مالی برای حیات اقتصادی کشور و هزینه های بالای فردی و اجتماعی آن، موضوع پیش بینی درماندگی مالی را به یک مسئله مهم برای استفاده کنندگان و ذی نفعان صورت های مالی تبدیل کرده است. عمده پژوهش ها باتکیه بر اطلاعات مالی ساختاریافته و کمی صورت های مالی درماندگی مالی را پیش بینی کردند؛ اما در این پژوهش تلاش شده است با استفاده از تکنیک متن کاوی و الگوریتم های یادگیری ماشین، از اطلاعات ساختار نیافته گزارش های هیئت مدیره جهت پیش بینی درماندگی مالی استفاده شود.   روش: به همین منظور گزارش هیئت مدیره 100 شرکت بورسی در بازه زمانی 1390-1400 جمع آوری، با استفاده از زبان برنامه نویسی پایتون مورد متن کاوی (شامل مراحل پیش پردازش، استخراج ویژگی، انتخاب ویژگی و ...) قرار گرفتند و سپس مدل سازی آن با استفاده از الگوریتم های یادگیری ماشین در زبان برنامه نویسی پایتون انجام گرفت.   یافته ها: نتایج پژوهش حاکی از برتری دو روش مدل درخت تصمیم و ماشین بردار پشتیبان با کرنل شعاعی نسبت به سایر روش ها (شامل رگرسیون لجستیک، جنگل تصادفی، نزدیک ترین همسایگی و روش های ماشین بردار پشتیبان با کرنل های خطی، سیگموئید و چندجمله ای) بود.   نتیجه گیری: در واقع نتایج این پژوهش نشان داد که به جای توجه صرف بر اعداد و ارقام و نسبت های مشتق شده، می توان از تکنیک متن کاوی نیز جهت تجزیه وتحلیل و پیش بینی استفاده کرد و با تلفیق آن با نتایج حاصل از اطلاعات کمی می توان درماندگی مالی شرکت ها پیش بینی نمود.