https://www.joee.ir/ مدیریت مالی هوشمند fa daily 1 Thu, 23 Jul 2026 00:00:00 +0330 Thu, 23 Jul 2026 00:00:00 +0330 https://www.joee.ir/article_245543.html بازار ارزهای دیجیتال به دلیل ماهیت غیرمتمرکز، نقدشوندگی بالا و تأثیرپذیری گسترده از اخبار و رویدادهای اجتماعی، یکی از پرنوسان‌ترین بازارهای مالی جهان محسوب می‌شود. پیش‌بینی دقیق نوسانات این بازار می‌تواند نقش مهمی در تصمیم‌گیری سرمایه‌گذاران، مدیریت ریسک و بهبود عملکرد استراتژی‌های معاملاتی ایفا کند. هدف این پژوهش ارائه مدلی ترکیبی مبتنی بر یادگیری عمیق و تحلیل احساسات شبکه‌های اجتماعی برای پیش‌بینی نوسانات بازار ارزهای دیجیتال است. در این مطالعه، داده‌های تاریخی قیمت و حجم معاملات ارزهای دیجیتال در کنار داده‌های متنی استخراج‌شده از شبکه‌های اجتماعی نظیر توییتر، ردیت و تلگرام مورد استفاده قرار گرفته‌اند. برای استخراج احساسات کاربران از تکنیک‌های پردازش زبان طبیعی و برای مدل‌سازی سری‌های زمانی از شبکه‌های عصبی عمیق شامل LSTM و GRU استفاده شده است. نتایج پژوهش نشان می‌دهد که ترکیب داده‌های مالی و شاخص‌های احساسات اجتماعی نسبت به استفاده صرف از داده‌های قیمتی، دقت پیش‌بینی نوسانات را به طور معناداری افزایش می‌دهد. همچنین یافته‌ها حاکی از آن است که تغییرات احساسات کاربران در شبکه‌های اجتماعی دارای قدرت توضیح‌دهندگی قابل توجهی در خصوص رفتار آتی بازار ارزهای دیجیتال هستند. نتایج این پژوهش می‌تواند برای سرمایه‌گذاران، تحلیلگران مالی و توسعه‌دهندگان سیستم‌های هوشمند معاملاتی کاربردهای ارزشمندی فراهم آورد. https://www.joee.ir/article_245556.html تحولات فناوری اطلاعات و ارتباطات در دهه اخیر موجب ظهور الگوهای نوین کسب‌وکار در صنعت در سال‌های اخیر، افزایش نوسانات اقتصادی، پیچیدگی ساختارهای مالی و رشد عدم قطعیت در محیط کسب‌وکار موجب شده است که شناسایی زودهنگام نشانه‌های ورشکستگی سازمان‌ها به یکی از موضوعات مهم در حوزه مالی و مدیریت ریسک تبدیل شود. هدف این پژوهش، طراحی یک سیستم هشدار زودهنگام ورشکستگی سازمان‌ها با استفاده از تحلیل کلان‌داده و بهره‌گیری هم‌زمان از داده‌های مالی و غیرمالی است. در این راستا، تلاش می‌شود با ترکیب اطلاعات مالی شرکت‌ها، داده‌های رفتاری، و داده‌های متنی گسترده، الگوهای پنهان مرتبط با احتمال ورشکستگی شناسایی شود.روش پژوهش مبتنی بر تحلیل کلان‌داده و استفاده از الگوریتم‌های یادگیری ماشین در قالب مدل‌های طبقه‌بندی است که توانایی تفکیک شرکت‌ها را در سه وضعیت سالم، در معرض بحران مالی و ورشکسته دارند. همچنین در این پژوهش از مراحل پیش‌پردازش داده، پاک‌سازی اطلاعات و انتخاب ویژگی‌های مؤثر استفاده می‌شود تا دقت و کارایی مدل افزایش یابد. به‌کارگیری این رویکرد امکان تحلیل هم‌زمان داده‌های ساختاریافته و غیرساختاریافته را فراهم می‌سازد.یافته‌های پژوهش‌های پیشین نشان می‌دهد که مدل‌های مبتنی بر یادگیری ماشین در مقایسه با روش‌های سنتی آماری از توانایی بیشتری در پیش‌بینی بحران‌های مالی برخوردارند. علاوه بر این، استفاده از کلان‌داده می‌تواند به شناسایی سریع‌تر نشانه‌های اولیه بحران کمک کند و دقت سیستم‌های پیش‌بینی را بهبود بخشد. در نهایت، این پژوهش نشان می‌دهد که ترکیب داده‌های مالی و کلان‌داده‌های رفتاری و متنی می‌تواند به طراحی یک سیستم هشدار زودهنگام دقیق‌تر، هوشمندتر و کارآمدتر در حوزه مدیریت ریسک مالی منجر شود. https://www.joee.ir/article_245638.html تحول دیجیتال و گسترش هوش مصنوعی در صنعت مالی، فرآیندهای تصمیم‌گیری، مدیریت ریسک، ارزیابی اعتباری و کشف تقلب را متحول کرده است. با این حال، پیچیدگی مدل‌های هوش مصنوعی و ابهام در نحوه تصمیم‌گیری آن‌ها، چالش‌هایی نظیر کاهش شفافیت، مسئولیت‌پذیری، حفظ حریم خصوصی و رعایت الزامات نظارتی را به همراه داشته است. در این راستا، هوش مصنوعی توضیح‌پذیر به‌عنوان رویکردی مؤثر برای افزایش شفافیت و قابلیت تفسیر تصمیمات الگوریتمی مطرح شده است. بهره‌گیری مؤثر از این فناوری در سیستم‌های مالی، نیازمند استقرار چارچوبی منسجم برای حکمرانی داده است.هدف این پژوهش، طراحی مدل حکمرانی داده در سیستم‌های مالی مبتنی بر هوش مصنوعی توضیح‌پذیر است. این پژوهش از نظر هدف کاربردی و از نظر روش، کیفی و اکتشافی است. بدین منظور، ادبیات مرتبط با حکمرانی داده، هوش مصنوعی توضیح‌پذیر و فناوری‌های مالی به‌صورت نظام‌مند بررسی و ابعاد و مؤلفه‌های مدل از طریق تحلیل محتوا و نظر خبرگان استخراج شد. یافته‌ها نشان می‌دهد مدل پیشنهادی شامل ابعاد کیفیت داده، امنیت و حریم خصوصی، شفافیت الگوریتمی، پاسخگویی، مدیریت ریسک، انطباق مقرراتی و نظارت مستمر است.نتایج پژوهش بیانگر آن است که استقرار این مدل می‌تواند اعتماد ذی‌نفعان را افزایش داده، سوگیری‌های الگوریتمی را کاهش دهد، کیفیت تصمیمات مالی را بهبود بخشد و انطباق با الزامات قانونی و نظارتی را تسهیل کند. ازاین‌رو، مدل ارائه‌شده می‌تواند به‌عنوان چارچوبی راهبردی برای سازمان‌های مالی، بانک‌ها، شرکت‌های فین‌تک و نهادهای ناظر مورد استفاده قرار گیرد. https://www.joee.ir/article_245647.html این پژوهش با هدف تحلیل نقش اقتصاد رفتاری دیجیتال در طراحی محصولات مالی هوشمند انجام شده است. در دهه اخیر، گسترش فناوری‌های مالی، هوش مصنوعی و کلان‌داده‌ها موجب تحول اساسی در ساختار خدمات مالی و نحوه تصمیم‌گیری کاربران شده است. در این میان، رفتار مالی افراد بیش از گذشته تحت تأثیر سوگیری‌های شناختی، محدودیت‌های عقلانیت و عوامل هیجانی قرار گرفته است که می‌تواند منجر به تصمیمات غیرکارا در بازارهای مالی شود.اقتصاد رفتاری دیجیتال به‌عنوان یک رویکرد نوین میان‌رشته‌ای، با ترکیب اصول اقتصاد رفتاری و ابزارهای تحلیل داده‌های پیشرفته، امکان تحلیل دقیق‌تر رفتار کاربران و طراحی مداخلات هدفمند برای بهبود تصمیم‌گیری مالی را فراهم می‌سازد. این پژوهش با رویکرد مروری–تحلیلی، نقش مؤلفه‌هایی همچون معماری انتخاب، تلنگرهای رفتاری ، شخصی‌سازی خدمات مالی، الگوریتم‌های یادگیری ماشین، تحلیل رفتار لحظه‌ای کاربران و طراحی رابط‌های کاربری هوشمند را در توسعه محصولات مالی هوشمند بررسی می‌کند.یافته‌های پژوهش نشان می‌دهد که به‌کارگیری اقتصاد رفتاری دیجیتال می‌تواند به بهبود کیفیت تصمیمات سرمایه‌گذاری، افزایش رفاه مالی افراد، کاهش خطاهای شناختی، ارتقای سواد مالی دیجیتال و افزایش شفافیت در تعاملات مالی منجر شود. همچنین، این رویکرد در بهینه‌سازی تجربه کاربری و افزایش اثربخشی پلتفرم‌های مالی نقش مهمی ایفا می‌کند. با این حال، چالش‌هایی نظیر نقض حریم خصوصی داده‌ها، سوگیری الگوریتمی، وابستگی بیش از حد کاربران به سیستم‌های هوشمند، و مسائل اخلاقی مرتبط با دستکاری رفتاری نیز از جمله محدودیت‌های مهم این حوزه محسوب می‌شوند. در نهایت، این پژوهش بر ضرورت تلفیق دقیق ملاحظات رفتاری، فناورانه و اخلاقی در طراحی نسل جدید محصولات مالی هوشمند تأکید می‌کند. https://www.joee.ir/article_245738.html قیمت‌گذاری صحیح دارایی‌ها یکی از مهم‌ترین چالش‌های حوزه مالی و سرمایه‌گذاری محسوب می‌شود. مدل‌های سنتی قیمت‌گذاری دارایی، نظیر مدل قیمت‌گذاری دارایی‌های سرمایه‌ای و مدل‌های عاملی، عمدتاً بر فرضیات خطی و روابط ایستا میان متغیرها استوار هستند و در تبیین پیچیدگی‌ها و وابستگی‌های ساختاری موجود در بازارهای مالی با محدودیت‌هایی مواجه‌اند. در سال‌های اخیر، پیشرفت‌های حاصل در حوزه یادگیری عمیق و به‌ویژه شبکه‌های عصبی گراف، امکان مدل‌سازی روابط پیچیده و غیرخطی میان اجزای یک سیستم را فراهم کرده است. پژوهش حاضر با هدف توسعه یک مدل نوین قیمت‌گذاری دارایی‌ها مبتنی بر شبکه‌های عصبی گراف انجام شده است. در این پژوهش، دارایی‌ها و ارتباطات میان آن‌ها در قالب یک گراف مالی مدل‌سازی شده و با بهره‌گیری از سازوکار انتشار اطلاعات در شبکه‌های عصبی گراف، اثرات متقابل میان دارایی‌ها در فرآیند پیش‌بینی بازده مورد انتظار لحاظ می‌شود. مدل پیشنهادی با استفاده از داده‌های بازار سرمایه آموزش داده شده و عملکرد آن از طریق معیارهای متداول پیش‌بینی و قیمت‌گذاری با مدل‌های کلاسیک و سایر روش‌های یادگیری ماشین مقایسه می‌شود. نوآوری اصلی این پژوهش در بهره‌گیری از ساختار شبکه‌ای بازار مالی و استخراج روابط پنهان میان دارایی‌ها برای بهبود فرآیند قیمت‌گذاری است. همچنین، امکان تلفیق اطلاعات بنیادی، معاملاتی و ارتباطات بین‌شرکتی در قالب یک چارچوب گرافی فراهم می‌شود که می‌تواند درک جامع‌تری از رفتار بازار ارائه دهد. برای ارزیابی مدل، از شاخص‌هایی نظیر خطای پیش‌بینی، توان تبیین بازده و معیارهای سنجش ریسک استفاده خواهد شد. انتظار می‌رود نتایج پژوهش نشان دهد که بهره‌گیری از ساختارهای گرافی موجب بهبود دقت پیش‌بینی بازده، شناسایی بهتر عوامل ریسک و افزایش توان تبیینی مدل‌های قیمت‌گذاری دارایی خواهد شد. علاوه بر این، مدل پیشنهادی می‌تواند در مدیریت پرتفوی، تخصیص بهینه دارایی‌ها و طراحی راهبردهای سرمایه‌گذاری هوشمند مورد استفاده قرار گیرد. یافته‌های این پژوهش افق‌های جدیدی را در توسعه مدل‌های مالی مبتنی بر هوش مصنوعی و تحلیل شبکه‌های مالی فراهم خواهد ساخت. https://www.joee.ir/article_245745.html با گسترش سریع فناوری‌های هوش مصنوعی، یادگیری ماشین و سیستم‌های چندعاملی، نظام‌های بانکی در حال ورود به مرحله‌ای نوین از تحول دیجیتال هستند که در آن نقش تصمیم‌گیر انسانی به‌تدریج کاهش یافته و به سمت خودکارسازی کامل حرکت می‌کند. این مقاله به بررسی توسعه مفهوم بانکداری بدون تصمیم‌گیر انسانی با اتکاء به عامل‌های خودمختار مالی می‌پردازد. در این پژوهش، از رویکرد توصیفی تحلیلی و مطالعه کتابخانه‌ای استفاده شده و داده‌ها از منابع علمی معتبر، مقالات بین‌المللی و گزارش‌های حوزه فین‌تک گردآوری و تحلیل شده‌اند. همچنین، برای تبیین ساختار پیشنهادی، از رویکرد مدل‌سازی مفهومی سیستم‌های چندعاملی بهره گرفته شده است. در این چارچوب، عامل‌های هوشمند قادرند وظایف کلیدی بانکی شامل اعتبارسنجی مشتریان، تخصیص اعتبارات، مدیریت نقدینگی، تحلیل ریسک‌های مالی و کشف تقلب را به‌صورت بلادرنگ و بدون مداخله انسانی انجام دهند. معماری پیشنهادی مبتنی بر ترکیب یادگیری عمیق، پردازش کلان‌داده‌ها و تعامل میان عامل‌های خودمختار طراحی شده است که موجب افزایش سرعت، دقت و مقیاس‌پذیری تصمیم‌گیری می‌شود. با وجود مزایای قابل توجه مانند کاهش خطاهای انسانی و افزایش بهره‌وری، این رویکرد با چالش‌هایی همچون شفافیت الگوریتمی، مسئولیت حقوقی، ریسک‌های سیستمی و ملاحظات اخلاقی مواجه است. نتایج پژوهش نشان می‌دهد که تحقق کامل بانکداری بدون انسان در کوتاه‌مدت دشوار است، اما حرکت تدریجی به سمت بانکداری خودمختار می‌تواند ساختار صنعت مالی را به‌طور بنیادین متحول سازد. https://www.joee.ir/article_248229.html تأمین منابع مالی در شرکت‌های صنعتی و پتروشیمی، به‌ویژه در شرایط نوسانات اقتصادی، محدودیت‌های نظام مالی، تحریم‌ها و نیازهای سرمایه‌ای گسترده، با چالش‌های متعددی مواجه است. در چنین شرایطی، صرف اتکا به روش‌های متعارف تأمین مالی نمی‌تواند پاسخگوی پیچیدگی‌های موجود باشد و ضرورت بهره‌گیری از چانه‌زنی استراتژیک در تعامل با بانک‌ها، سرمایه‌گذاران و سایر تأمین‌کنندگان منابع مالی را افزایش می‌دهد. هدف پژوهش حاضر، طراحی و اعتبارسنجی مدل بومی چانه‌زنی استراتژیک در تأمین منابع مالی با تمرکز بر شرکت صنایع پتروشیمی خلیج فارس است. پژوهش از نظر رویکرد، آمیخته و از نوع اکتشافی متوالی است. در بخش کیفی، با استفاده از نظریه داده‌بنیاد رویکرد استراوس و کوربین، داده‌های حاصل از ۱۲ مصاحبه عمیق نیمه‌ساختاریافته با خبرگان حوزه تأمین مالی، مدیریت مالی و صنعت پتروشیمی تحلیل شد. فرآیند تحلیل شامل کدگذاری باز، محوری و انتخابی بود که به شناسایی ۱۵۱ کد نهایی و شکل‌گیری مدل پارادایمی پژوهش انجامید. در بخش کمی، مدل استخراج‌شده با استفاده از داده‌های ۱۰۸ پرسشنامه و روش مدل‌سازی معادلات ساختاری با رویکرد حداقل مربعات جزئی در نرم‌افزار SmartPLS3 اعتبارسنجی شد. نتایج نشان داد مدل پیشنهادی از پایایی، روایی و برازش مطلوب برخوردار است و تمامی پنج فرضیه پژوهش تأیید شدند. یافته‌ها نشان می‌دهد موفقیت در تأمین منابع مالی نیازمند ترکیبی از مدیریت اطلاعات، ایجاد گزینه‌های جایگزین، مدیریت ریسک، همکاری و ائتلاف‌سازی و توجه به شرایط محیطی و نهادی است. مدل ارائه‌شده می‌تواند به‌عنوان چارچوبی کاربردی برای بهبود مذاکرات مالی و ارتقای تصمیم‌گیری‌های تأمین مالی در شرکت صنایع پتروشیمی خلیج فارس و شرکت‌های صنعتی مشابه مورد استفاده قرار گیرد. https://www.joee.ir/article_248525.html از منظر تئوری‌های ذی‌نفعان، بنگاه‌های اقتصادی نه تنها در برابر سهامداران، بلکه در قبال طیف وسیعی از گروه‌ها شامل کارکنان، بستانکاران، مشتریان، دولت و جامعه مسئول و پاسخگو هستند. در این چارچوب، ویژگی کیفی مربوط بودن اطلاعات که از طریق معیارهای سنجش مبتنی بر «ارزش منصفانه» تقویت می‌شود، اهمیت ویژه‌ای می‌یابد. در این راستا این پژوهش با هدف طراحی مدل امکان سنجی بهبود ویژگی های کیفی مربوط بودن براساس ارزش منصفانه از منظر تئوری های ذی نفعان در ایران به انجام رسید. روش انجام این پژوهش آمیخته(کیفی-کمی) بود. در بخش کیفی برای شناسایی شاخص ها از روش مرورسیستماتیک استفاده شد و پس ار بررسی 97 مقاله نهایتاً 39 مقاله مبنای استخراج شاخص ها قرار گرفتند و تحلیل داده های کیفی منجر به استخراج 17 شاخص شد. سپس در بخش کمی، برای مدلسازی از مدلسازی ساختاری تفسیری(ISM) استفاده شد. داده های این بخش با کمک ماتریس خودتعاملی گردآوری شد که این ماتریس ها توسط 19 خبره تکمیل شدند. در نتیجه تحلیل داده های گردآوری شده با نرم افزار ISM متلب مدلی پنج سطحی حاصل شد که تاثیرگذارترین شاخص آن کاهش عدم‌تقارن اطلاعاتی است. https://www.joee.ir/article_246209.html در سال‌های اخیر، درک رفتار بازارهای مالی از چارچوب‌های صرفاً اقتصادی و مبتنی بر عقلانیت کلاسیک فراتر رفته و به سمت تحلیل‌های مبتنی بر رفتار جمعی، هیجان و تعاملات شبکه‌ای حرکت کرده است. پژوهش حاضر با هدف ارائه یک مدل نوین برای تبیین و پیش‌بینی انتقال هیجان‌های مالی در شبکه‌های انسانی–دیجیتال انجام شده است. در این راستا، از مفاهیم فیزیک آماری و نظریه سیستم‌های پیچیده به‌عنوان چارچوب نظری استفاده شده و بازار مالی به‌عنوان یک سیستم غیرخطی با کنش‌گران به‌هم‌پیوسته مدل‌سازی گردیده است.در این مدل، هر کنش‌گر اقتصادی (سرمایه‌گذار، تحلیل‌گر یا کاربر شبکه‌های اجتماعی) به‌عنوان یک «ذره تصمیم‌گیر» در نظر گرفته شده که حالت هیجانی آن تحت تأثیر تعاملات محلی و جهانی تغییر می‌کند. انتقال هیجان‌ها از طریق شبکه‌های دیجیتال (شامل رسانه‌های اجتماعی، پلتفرم‌های معاملاتی و جریان‌های خبری) با استفاده از معادلات مبتنی بر دینامیک آماری و توابع همبستگی تصادفی مدل‌سازی شده است. همچنین، ساختار شبکه به‌صورت یک گراف پویا در نظر گرفته شده که در آن وزن یال‌ها بیانگر شدت نفوذ هیجانی میان کنش‌گران است.یافته‌های مفهومی مدل نشان می‌دهد که بازارهای مالی در شرایط شوک، رفتارهایی مشابه گذار فاز در سیستم‌های فیزیکی از خود نشان می‌دهند و تغییرات ناگهانی در احساسات جمعی می‌تواند منجر به ناپایداری‌های شدید قیمتی شود. این چارچوب امکان تحلیل دقیق‌تر پدیده‌هایی نظیر هجوم‌های رفتاری، حباب‌های قیمتی و سقوط‌های ناگهانی بازار را فراهم می‌سازد. نوآوری اصلی پژوهش در ترکیب هم‌زمان فیزیک آماری، تحلیل شبکه‌های دیجیتال و رفتارشناسی مالی در قالب یک مدل یکپارچه است.در نهایت، مدل پیشنهادی می‌تواند به‌عنوان ابزاری برای سیاست‌گذاران مالی و نهادهای نظارتی جهت درک بهتر ریسک‌های سیستمی ناشی از انتقال هیجان در بازارهای دیجیتال مورد استفاده قرار گیرد. https://www.joee.ir/article_246210.html تحول بانکداری دیجیتال موجب تغییر بنیادین در شیوه‌های ارزیابی اعتباری مشتریان شده است؛ به‌گونه‌ای که اتکا به داده‌های آماری کلاسیک و ایستا دیگر پاسخگوی پیچیدگی رفتار مالی کاربران نیست. پژوهش حاضر با هدف ارائه چارچوبی نوین تحت عنوان «حافظه جمعی مالی» در بانکداری دیجیتال طراحی شده است که بر مبنای بازسازی تصمیم‌های اعتباری از طریق تاریخچه تعاملی مشتریان عمل می‌کند.در این چارچوب، به‌جای استفاده از شاخص‌های سنتی نظیر درآمد، سابقه تسهیلات و امتیاز اعتباری ایستا، رفتارهای تعاملی مشتری در بسترهای دیجیتال بانکی (شامل تراکنش‌های خرد، الگوهای استفاده از خدمات، واکنش به پیشنهادهای مالی و تعاملات سیستمی) به‌عنوان منبع اصلی یادگیری مدل در نظر گرفته می‌شود. این داده‌ها در قالب یک ساختار «حافظه جمعی» ذخیره و پردازش می‌گردند که در آن هر مشتری نه به‌صورت یک واحد ایستا، بلکه به‌عنوان یک مسیر زمانی از تعاملات مالی تعریف می‌شود.مدل پیشنهادی با بهره‌گیری از اصول یادگیری ترتیبی و معماری‌های مبتنی بر حافظه، امکان بازسازی تصمیم‌های اعتباری را به‌صورت پویا فراهم می‌کند. در این رویکرد، سیستم بانکی قادر است الگوهای رفتاری گذشته و تغییرات تدریجی در تعاملات مشتری را برای پیش‌بینی ریسک اعتباری آینده به‌کار گیرد. نتایج مفهومی پژوهش نشان می‌دهد که استفاده از حافظه جمعی مالی می‌تواند دقت ارزیابی اعتباری را نسبت به مدل‌های سنتی به‌طور قابل توجهی افزایش داده و در عین حال، سوگیری‌های ناشی از داده‌های ناقص یا ایستا را کاهش دهد.نوآوری اصلی این پژوهش در جایگزینی مفهوم «امتیاز اعتباری لحظه‌ای» با «حافظه رفتاری انباشته» و تبدیل فرآیند اعتبارسنجی به یک سیستم یادگیرنده و تطبیق‌پذیر نهفته است. این چارچوب می‌تواند به‌عنوان زیرساختی برای نسل جدید سیستم‌های تصمیم‌گیری اعتباری در بانکداری هوشمند مورد استفاده قرار گیرد. https://www.joee.ir/article_247879.html هدف: به دلیل افزایش حجم و اهمیت داده‌ها و به دلیل بالارفتن امنیت سیستم‌های اطلاعاتی، مبحث حکمرانی داده‌ها، ارائه راه‌حل‌های مرتبط با مدیریت داده‌ها، اطمینان از کیفیت، صحت و پایبندی داده‌ها اهمیت پیدا کرده است؛ لذا این پژوهش باهدف شناسایی پیشایندها و پسایندهای با ارائه مدل حکمرانی داده های مالی در گمرک ایران با رویکردی کیفی انجام شد.روش‌شناسی: مشارکت‌کنندگان در این پژوهش شامل ۱۸ نفر از مدیران ارشد و میانی گمرک و خبرگان دانشگاهی متخصص در حوزه حکمرانی داده و فناوری اطلاعات، کارشناسان بخش خصوصی فعال در حوزه لجستیک و تجارت باسابقه کاری بیش از 10 سال که با روش نمونه‌گیری غیراحتمالی قضاوتی و گلوله برفی به وسیله مصاحبه نیمه ساختار یافته تا رسیدن به حد کفایت نظری شاخص‌های پیشایندها و پسایندها شناسایی شدند. روایی و پایایی آن با استفاده از چهار معیار مفهوم امانت‌داری گوبا و لینکن تائید شد و پایایی بین دو کدگذار برای مصاحبه‌های انجام‌گرفته طبق فرمول هولستی 91/0 است که قابلیت اعتماد کدگذاری‌ها مورد تائید واقع شد.یافته‌ها: پس از انجام مصاحبه‌ها با خبرگان، نتایج پژوهش حاضر مشتمل بر شناسایی پیشایندهای حکمرانی داده های مالی در گمرک ایران به ترتیب با عنوان ارتقای کارایی اقتصادی و تسهیل تجارت از طریق هوشمندی داده‌محور، تقویت امنیت ملی و مبارزه با جرائم سازمان‌یافته از طریق یکپارچگی و اعتبار داده، ایجاد شفافیت و پاسخگویی به‌عنوان پایه حکمرانی خوب و مبارزه با فساد و پویایی و چابکی سازمانی در مقابل تحولات و همچنین نتایج پژوهش مهم‌ترین پسایندهای حکمرانی داده های مالی در گمرک ایران را به ترتیب اولویت تحت عنوان تحول در مدل کسب‌وکار گمرک، ظهور اکوسیستم داده بنیان، ایجاد ارزش اقتصادی جدید و افزایش تاب‌آوری سایبری و کاهش ریسک‌های عملیاتی و اعتباری مطرح می‌نمایدنتیجه‌گیری: نتایج این پژوهش نشان می‌دهد در فضای کسب‌وکار امروزه در مواجهه با تهدیدات سایبری پیچیده و ریسک‌های عملیاتی فزاینده، سرمایه‌گذاری بر حکمرانی داده، در واقع نوعی سرمایه‌گذاری بر انعطاف‌پذیری، ثبات و امنیت بلندمدت در سازمان است، حکمرانی داده با ایجاد یک مخزن داده‌ای متمرکز و قابل‌اطمینان جریان روان و ایمن اطلاعات بین تمام ذی‌نفعان داخلی و خارجی را تضمین کند. https://www.joee.ir/article_248277.html پژوهش حاضر با هدف بررسی هم‌زمان و تحلیل ساختاری تأثیر دو عامل کلیدی برنامه‌ریزی بودجه و استفاده از فناوری اطلاعات بر عملکرد مالی در سازمان فضایی ایران انجام شده است. روش تحقیق حاضر از نظر هدف، کاربردی و از نظر ماهیت و روش، توصیفی-پیمایشی و مبتنی بر مدل‌یابی معادلات ساختاری است. جامعه آماری پژوهش شامل 394 نفر از مدیران، کارشناسان مالی و مسئولان مرتبط با فرایندهای بودجه‌ریزی و سیستم‌های اطلاعاتی سازمان فضایی ایران بود که بر اساس فرمول کوکران برای جوامع محدود، نمونه‌ای به حجم 194 نفر تعیین و به روش تصادفی ساده انتخاب شدند. داده‌ها با استفاده از پرسشنامه استاندارد 60 گویی گردآوری و با نرم‌افزارهای آماری تحلیل شد. نتایج تحلیل مسیر حاکی از آن است که برنامه‌ریزی بودجه با ضریب مسیر 0.463 تأثیر مثبت و معناداری بر عملکرد مالی دارد. همچنین، استفاده از فناوری اطلاعات با ضریب مسیر 0.461 بر عملکرد مالی تأثیر مثبت و معناداری می‌گذارد. ضریب تبیین مدل نیز برابر با 0.758 به دست آمد. برنامه‌ریزی بودجه و فناوری اطلاعات در مجموع 75.8 درصد از تغییرات عملکرد مالی را در سازمان فضایی ایران تبیین می‌کنند. این یافته‌ها ضرورت سرمایه‌گذاری هم‌زمان در ابعاد ساختاری-مدیریتی و زیرساخت‌های فناوری را برای دستیابی به پایداری مالی و کارایی عملیاتی در بخش دولتی آشکار می‌سازد.