عنوان تاثیر هوش مصنوعی مالی، بلوغ نظام‌های مالی سازمان و انعطاف‌پذیری ساختارهای صنعتی بر بهره‌وری سازمانی در شرکت‌های صنعتی

نویسندگان

  • کریم مجرب گروه مدیریت بازرگانی، مدیرکل اداره کل صنعت، معدن و تجارت استان فارس، شیراز، ایران.
  • مجتبی حاجی زاده گروه مدیریت دولتی، کارشناس بازرگانی اداره کل صنعت معدن و تجارت استان فارس، شیراز، ایران.
  • حسن غریبی * گروه مدیریت بازرگانی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی تهران، تهران، ایران. https://orcid.org/0000-0003-1504-1051

https://doi.org/10.22105/ssfmi.v3i3.86

چکیده

هدف: این پژوهش با هدف بررسی تاثیر هوش مصنوعی مالی، بلوغ نظام‌های مالی سازمانی و انعطاف‌پذیری ساختارهای صنعتی بر بهره‌وری سازمانی در شرکت‌های صنعتی پذیرفته‌شده در بورس اوراق بهادار تهران انجام شد. اهمیت مطالعه در تبیین نقش قابلیت‌های فناورانه و ساختاری در ارتقای عملکرد سازمانی و کارایی عملیاتی شرکت‌های صنعتی نهفته است.

روش‌شناسی پژوهش: روش تحقیق از نوع کاربردی و به لحاظ ماهیت، توصیفی–پیمایشی بود. داده‌های پژوهش از طریق پرسشنامه‌های استاندارد گردآوری شد. جامعه آماری شامل مدیران مالی، عملیاتی و فناوری اطلاعات شرکت‌های صنعتی بود که با استفاده از روش نمونه‌گیری تصادفی طبقه‌ای انتخاب شدند و در نهایت ۲۸۷ پرسشنامه معتبر برای تحلیل مورداستفاده قرار گرفت. تحلیل داده‌ها با بهره‌گیری از مدلسازی معادلات ساختاری و روش حداقل مربعات جزیی انجام شد.

یافته‌ها: نتایج آزمون فرضیه‌های اصلی نشان داد انعطاف‌پذیری ساختارهای صنعتی نقش میانجی جزیی و معناداری در رابطه بین هوش مصنوعی مالی و بلوغ نظام مالی با بهره‌وری سازمانی دارد؛ به‌طوری‌که شاخص اثر واسطه‌ای به ترتیب برابر 0/421 و 0/375 بود که نشان‌دهنده انتقال قابل‌توجه اثرات غیرمستقیم است. همچنین، نتایج آزمون فرضیه‌های فرعی حاکی از آن بود که هوش مصنوعی مالی و بلوغ نظام مالی به‌صورت مستقیم و مثبت بر بهره‌وری سازمانی و انعطاف‌پذیری ساختارهای صنعتی اثرگذار هستند. علاوه بر این، انعطاف‌پذیری ساختارهای صنعتی نیز تاثیر مستقیم و معناداری بر بهره‌وری سازمانی داشت.

اصالت/ارزش‌افزوده علمی: نتایج آزمون فرضیه‌های اصلی نشان داد انعطاف‌پذیری ساختارهای صنعتی نقش میانجی جزیی و معناداری در رابطه بین هوش مصنوعی مالی و بلوغ نظام مالی با بهره‌وری سازمانی دارد؛ به‌طوری‌که شاخص اثر واسطه‌ای به ترتیب برابر 0/421 و 0/375 بود که نشان‌دهنده انتقال قابل‌توجه اثرات غیرمستقیم است. همچنین، نتایج آزمون فرضیه‌های فرعی حاکی از آن بود که هوش مصنوعی مالی و بلوغ نظام مالی به‌صورت مستقیم و مثبت بر بهره‌وری سازمانی و انعطاف‌پذیری ساختارهای صنعتی اثرگذار هستند. علاوه بر این، انعطاف‌پذیری ساختارهای صنعتی نیز تاثیر مستقیم و معناداری بر بهره‌وری سازمانی داشت.

 

کلمات کلیدی:

هوش مصنوعی مالی، بلوغ نظام مالی، انعطاف‌پذیری ساختارهای صنعتی، بهره‌وری سازمانی

مراجع

  1. [1] Abdullah, A. A. H., & Almaqtari, F. A. (2024). The impact of artificial intelligence and Industry 4.0 on transforming accounting and auditing practices. Journal of open innovation: technology, market, and complexity, 10(1), 100218. https://doi.org/10.1016/j.joitmc.2024.100218
  2. [2] Razmjouyi, M., Adami-Fard, A., & Mohammad Talebi, M. (2025). The impact of artificial intelligence on optimizing the management of corporate financial resources by mediating operational efficiency. 10th international conference on management and industry, Tehran, Iran. Civilica. (In Persian). https://civilica.com/doc/2455579
  3. [3] Nasirov, E., Raimjanova, M., Mamatov, B., Alikulov, M., Shaislamova, N., & Khomitov, K. (2025). The impact of financial management on increasing productivity and profitability of organizations. Economic annals-xxi/ekonomìčnij časopis-xxi, 213(1/2), 77. https://doi.org/10.21003/ea.V213-08
  4. [4] Aboulhasani Hestiyani, A., Khosh Bash, A., & Safari, J. (2024). Examining the effect of financial discipline on improving productivity in executive agencies (public sector). Motahari auditing studies, 1(1), 137-174. (In Persian). https://jms.ihu.ac.ir/article_208350.html
  5. [5] Ramos, E., Patrucco, A. S., & Chavez, M. (2023). Dynamic capabilities in the “new normal”: A study of organizational flexibility, integration and agility in the Peruvian coffee supply chain. Supply chain management: an international journal, 28(1), 55–73. https://doi.org/10.1108/SCM-12-2020-0620
  6. [6] Chang, S. H. (2024). The impact of workforce flexibility on organizational operations: Promoting productive employment. Journal of lifestyle and sdgs review учредители: editora alumniin, 5(1), e03724. https://doi.org/10.47172/2965-730X.SDGsReview.v5.n01.pe03724
  7. [7] Abdelwahed, N. A. A., & Doghan, M. A. Al. (2023). Developing employee productivity and performance through work engagement and organizational factors in an educational society. Societies, 13(3), 65. https://doi.org/10.3390/soc13030065
  8. [8] Yi, Z., & Ayangbah, S. (2024). The impact of AI innovation management on organizational productivity and economic growth: An analytical study. International journal of business management and economic review, 7(3), 61–84. http://doi.org/10.35409/IJBMER.2024.3580
  9. [9] Vig, S., & Agarwal, R. N. (2021). Repercussions of COVID-19 on small restaurant entrepreneurs: The Indian context. Strategic change, 30(2), 145–152. https://doi.org/10.1002/jsc.2398
  10. [10] Ahmed, S., Alshater, M. M., El Ammari, A., & Hammami, H. (2022). Artificial intelligence and machine learning in finance: A bibliometric review. Research in international business and finance, 61, 101646. https://doi.org/10.1016/j.ribaf.2022.101646
  11. [11] Paramesha, M., Rane, N. L., & Rane, J. (2024). Artificial intelligence, machine learning, deep learning, and blockchain in financial and banking services: A comprehensive review. Partners universal multidisciplinary research journal, 1(2), 68–83. https://doi.org/10.5281/zenodo.12826933
  12. [12] Hentzen, J. K., Hoffmann, A., Dolan, R., & Pala, E. (2022). Artificial intelligence in customer-facing financial services: A systematic literature review and agenda for future research. International journal of bank marketing, 40(6), 1299–1336. https://doi.org/10.1108/IJBM-09-2021-0417
  13. [13] Giudici, P., & Raffinetti, E. (2023). SAFE Artificial Intelligence in finance. Finance research letters, 56, 104088. https://doi.org/10.1016/j.frl.2023.104088
  14. [14] Weber, P., Carl, K. V., & Hinz, O. (2024). Applications of explainable artificial intelligence in finance—a systematic review of finance, information systems, and computer science literature: P. Weber et al. Management review quarterly, 74(2), 867–907. https://doi.org/10.1007/s11301-023-00320-0
  15. [15] do Rosário Cabrita, M., Antunes, C., & Costa, J. (2021). Increasing process maturity through a business process management system: Case study at a financial institution. 2021 16th iberian conference on information systems and technologies (CISTI) (pp. 1–6). IEEE. https://doi.org/10.23919/CISTI52073.2021.9476639
  16. [16] Aras, A., & Büyüközkan, G. (2023). Digital transformation journey guidance: A holistic digital maturity model based on a systematic literature review. Systems, 11(4), 213. https://doi.org/10.3390/systems11040213
  17. [17] Mahama, H., Elbashir, M., Sutton, S., & Arnold, V. (2022). Enabling enterprise risk management maturity in public sector organizations. Public money & management, 42(6), 403–407. https://doi.org/10.1080/09540962.2020.1769314
  18. [18] Çallı, B. A., & Çallı, L. (2021). Relationships between digital maturity, organizational agility, and firm performance: An empirical investigation on SMEs. Business & management studies: an international journal, 9(2), 486–502. https://doi.org/10.15295/bmij.v9i2.1786
  19. [19] Jordan, S., & Sternad Zabukovšek, S. (2023). Organizational maturity and sustainability orientation influence on DMS life cycle—case analysis. Sustainability, 15(5), 4308. https://doi.org/10.3390/su15054308
  20. [20] Lai, X., Shui, H., Ding, D., & Ni, J. (2021). Data-driven dynamic bottleneck detection in complex manufacturing systems. Journal of manufacturing systems, 60, 662–675. https://doi.org/10.1016/j.jmsy.2021.07.016
  21. [21] Daryaei, A. A., & Vahid, S. (In Press). Future research of public sector accounting system: Emphasis on sustainability reporting in municipalities. Journal of development and capital. https://doi.org/10.22103/jdc.2025.25374.1563
  22. [22] Reisinger, J., Hollinsky, P., & Kovacic, I. (2021). Design guideline for flexible industrial buildings integrating Industry 4.0 parameters. Sustainability, 13(19), 10627. https://doi.org/10.3390/su131910627
  23. [23] Yang, R. S., Hanson, A. J., Sullivan, C. R., & Perreault, D. J. (2021). Design flexibility of a modular low-loss high-frequency inductor structure. IEEE transactions on power electronics, 36(11), 13013–13024. https://doi.org/10.1109/TPEL.2021.3076774
  24. [24] Benjaafar, S., Chen, D., Wang, R., & Yan, Z. (2023). Appointment scheduling under a service-level constraint. Manufacturing & service operations management, 25(1), 70–87. https://doi.org/10.1287/msom.2022.1159
  25. [25] He, J., Cao, L., Cui, J., Fu, G., Jiang, R., Xu, X., & Guan, C. (2024). Flexible energy storage devices to power the future. Advanced materials, 36(4), 2306090. https://doi.org/10.1002/adma.202306090
  26. [26] Guo, Y., Lan, Z., Li, K., Zhu, K., Song, X., Zhang, R., … & Chou, X. (2024). Fully flexible integrated and self-powered smart bending strain skin for wireless monitoring of heavy industrial equipment. IEEE transactions on instrumentation and measurement, 74, 1–12. https://doi.org/10.1109/TIM.2024.3502818
  27. [27] Rožanec, J. M., Lu, J., Rupnik, J., Škrjanc, M., Mladenić, D., Fortuna, B., … & Kiritsis, D. (2022). Actionable cognitive twins for decision making in manufacturing. International journal of production research, 60(2), 452–478. https://doi.org/10.1080/00207543.2021.2002967
  28. [28] Ojika, F. U., Onaghinor, O., Esan, O. J., Daraojimba, A. I., & Ubamadu, B. C. (2024). Designing a workforce analytics model to improve employee productivity and wellbeing: A conceptual framework for talent management and organizational efficiency. International journal of multidisciplinary research and growth evaluation, 5(1), 1635–1646. https://doi.org/10.54660/.IJMRGE.2024.5.1.1635-1646
  29. [29] Obinwanne, C. O., & Kpaji, O. L. (2022). Effect of work life balance in organizational productivity in tourism centers in Port Harcourt, Rivers State, Nigeria. International journal of hospitality & tourism studies (IJHTS), 3(1), 32. https://doi.org/10.31559/IJHTS2022.3.1.4
  30. [30] Hackney, A., Yung, M., Somasundram, K. G., Nowrouzi-Kia, B., Oakman, J., & Yazdani, A. (2022). Working in the digital economy: A systematic review of the impact of work from home arrangements on personal and organizational performance and productivity. Plos one, 17(10), e0274728. https://doi.org/10.1371/journal.pone.0274728
  31. [31] Patanjali, S., & Bhatta, N. M. K. (2025). Work from home during the pandemic: The impact of organizational factors on the productivity of employees in the IT industry. Vision, 29(3), 326–338. https://doi.org/10.1177/09722629221074137
  32. [32] Olan, F., Ogiemwonyi Arakpogun, E., Suklan, J., Nakpodia, F., Damij, N., & Jayawickrama, U. (2022). Artificial intelligence and knowledge sharing: Contributing factors to organizational performance. Journal of business research, 145, 605–615. https://doi.org/10.1016/j.jbusres.2022.03.008
  33. [33] Abolhasani Hastiani, A., Khoshbash, A., & Safari, J. (2023). Investigating the impact of financial discipline on improving productivity in executive agencies (public sector). Motahar audit studies quarterly, 1(1), 137-174. (In Persian). https://civilica.com/doc/1754601/
  34. [34] Cheragh Sahar, R., Sasanpour, M., & B. M. H. (2024). Investigating the impact of artificial intelligence applications on organizational performance with the mediating role of B2B marketing capabilities (case study: Janbo chain stores). Scientific journal of modern research approaches in management and accounting, 8(28), 1252–1283. (In Persian). https://majournal.ir/index.php/ma/article/view/2368
  35. [35] Kassa, B. Y., & Worku, E. K. (2025). The impact of artificial intelligence on organizational performance: The mediating role of employee productivity. Journal of open innovation: technology, market, and complexity, 11(1), 100474. https://doi.org/10.1016/j.joitmc.2025.100474
  36. [36] George, A. S., & Baskar, T. (2024). The transformational impact of AI innovation on financial sectors in the Industry 5.0 era. Partners universal international innovation journal, 2(6), 9–13. https://doi.org/10.5281/zenodo.14626294
  37. [37] Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of marketing research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104
  38. [38] Tenenhaus, M., Amato, S., & Vinzi, E. V. (2004). A global goodness-of-fit index for pls structural equation modelling. The xlii sis scientific meeting (Vol. 1, pp. 739–742). Padova. https://www.sis-statistica.org/old/htdocs/files/pdf/atti/RSBa2004p739-742.pdf

دانلود

چاپ شده

2026-12-10

شماره

دوره 3 شماره 3 (2026): Strategic Studies in Financial Management and Insurance

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

مجرب ک. ., حاجی زاده م. ., & غریبی ح. (2026). عنوان تاثیر هوش مصنوعی مالی، بلوغ نظام‌های مالی سازمان و انعطاف‌پذیری ساختارهای صنعتی بر بهره‌وری سازمانی در شرکت‌های صنعتی. مطالعات راهبردی در مدیریت مالی و بیمه, 3(3), 173-194. https://doi.org/10.22105/ssfmi.v3i3.86
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.