تحلیل مقایسه‌ای یادگیری ماشین کسب‌و‌کار در اتخاذ تصمیمات مالی موثر با استفاده از مدل معادلات ساختاری (SEM)

نویسندگان

  • امیرحسین ناطقی * گروه مهندسی صنایع، واحد پردیس، دانشگاه آزاد اسلامی، تهران، ایران.

https://doi.org/10.22105/ssfmi.v3i1.99

چکیده

هدف: در سطح جهانی، سازمان‌ها بر استخراج ارزش بیشتر از داده‌های گردآوری‌شده از منابع مختلف متمرکز هستند. هدف این پژوهش، تحلیل مقایسه‌ای یادگیری ماشینی کسب‌وکار در تصمیم‌گیری‌های مالی موثر با استفاده از مدل معادلات ساختاری (SEM) است. در این مطالعه، رابطه بین سه متغیر کلیدی شامل مدیریت ریسک، حوزه‌های عملکرد مالی و مدیریت موثر وجه نقد با یادگیری ماشین در تصمیم‌گیری مالی بررسی شد.

روش‌شناسی پژوهش: پژوهش حاضر از نوع توصیفی–پیمایشی بوده و ابزار جمع‌آوری داده‌ها پرسش‌نامه است. جامعه آماری تحقیق شامل بانک‌ها بوده و حجم نمونه با استفاده از فرمول کوکران برابر با 100 نفر برآورد شد. برای تحلیل داده‌ها از مدل معادلات ساختاری با رویکرد حداقل مربعات جزیی (PLS-SEM) استفاده شد.

یافته‌ها: نتایج پژوهش نشان داد که تمامی متغیرهای علی موردبررسی تاثیر مستقیم و مثبت بر یادگیری ماشین در تصمیم‌گیری مالی دارند. تحلیل‌های آماری همچنین تایید کردند که پرسش‌نامه از نظر پایایی و روایی (همگرای و واگرا) دارای کیفیت بالایی است و مدل مفهومی پژوهش به‌خوبی با داده‌ها سازگار است. این نتایج نشان می‌دهد که یادگیری ماشین می‌تواند فرایند‌های تصمیم‌گیری مالی در بانک‌ها را بهبود دهد، دقت پیش‌بینی را افزایش دهد و ریسک تصمیم‌گیری را کاهش دهد.

اصالت/ارزش افزوده علمی: این پژوهش با ارایه تحلیل مقایسه‌ای نقش یادگیری ماشین در تصمیم‌گیری مالی و تبیین هم‌زمان اثر مدیریت ریسک، حوزه‌های عملکرد مالی و مدیریت موثر وجه نقد در قالب مدل معادلات ساختاری، چارچوبی یکپارچه برای ارزیابی تاثیر این متغیرها فراهم می‌کند. نتایج پژوهش نشان می‌دهد که بهره‌گیری از الگوریتم‌های یادگیری ماشین همراه با به‌کارگیری شاخص‌های مدیریت ریسک و عملکرد مالی می‌تواند ابزار موثری برای ارتقای تصمیم‌گیری‌های مالی در سازمان‌ها فراهم آورد.

کلمات کلیدی:

یادگیری ماشین، تصمیم‌گیری مالی، مدیریت ریسک، مدیریت وجه نقد، مدل معادلات ساختاری، PLS-SEM

مراجع

  1. [1] Izadi, M., Ashtab, A., & Zavari Rezaei, A. (2025). Comparing the estimation power of machine learning models and statistical models in predicting profit component changes and selecting the optimal model. Financial research journal, 27(1), 31-57. (In Persian). https://doi.org/10.22059/frj.2024.373472.1007580
  2. [2] Tavakoli, S., & Ashtab, A. (2023). Comparing the effectiveness of machine learning models and statistical models in predicting financial risk. Financial management strategy, 11(1), 53–76. (In Persian). https://doi.org/10.22051/jfm.2023.35240.2512
  3. [3] Gbongli, K., Xu, Y., Amedjonekou, K. M., & Kovács, L. (2020). Evaluation and classification of mobile financial services sustainability using structural equation modeling and multiple criteria decision-making methods. Sustainability, 12(4), 1288. https://doi.org/10.3390/su12041288
  4. [4] Tunca, B. (2025). Hybrid use of structural equation modeling and machine learning: Literature review and future potential. Structural equation modelling and multivariate research, 2(1), 1-2. https://doi.org/10.5281/zenodo.15740696
  5. [5] Asadi, M., Mirbergkar, S. M., & Chirani, E. (2022). Presenting a neural network model for predicting the profits of companies listed on the Tehran Stock Exchange and comparing its accuracy with HDZ and ARIMA models. Management accounting, 15(54), 163-180. (In Persian). https://www.sid.ir/fa/VEWSSID/J_pdf/4003714015409.pdf
  6. [6] Mirzaei, S., Ashtab, A., & Rezaei, A. Z. (2023). Comparing the efficiency of statistical and machine learning models and selecting the optimal model in predicting net profit and operating cash flows. Asset management and financing, 11(2), 53–74. (In Persian). https://doi.org/10.22108/amf.2023.136720.1784
  7. [7] Mullainathan, S., & Spiess, J. (2017). Machine learning: an applied econometric approach. Journal of economic perspectives, 31(2), 87–106. https://doi.org/10.1257/jep.31.2.87
  8. [8] Mishra, A., Irwin, D., Shenoy, P., Kurose, J., & Zhu, T. (2012, May). Smartcharge: Cutting the electricity bill in smart homes with energy storage. Proceedings of the 3rd international conference on future energy systems: where energy, computing and communication meet (pp. 1-10). https://doi.org/10.1145/2208828.2208857
  9. [9] Buchanan, B. G., & Wright, D. (2021). The impact of machine learning on UK financial services. Oxford review of economic policy, 37(3), 537–563. https://doi.org/10.1093/oxrep/grab016
  10. [10] Abbas Hassan, S., Piri, P., & Chalaki, P. (2025). Providing an optimal model for investor decision-making by using artificial intelligence and emphasizing the transparency of financial reporting. Asset management and financing, 1–24. (In Persian). https://doi.org/10.22108/amf.2025.143308.1934
  11. [11] Nouri, N. A., Fazl, Sh., & Gharib, H. (2024). The impact of artificial intelligence on the financial performance of small and medium-sized businesses (SEMS), a structural equation modeling approach.16th international conference on data envelopment analysis and decision sciences, Tehran, Iran. Civilica. (In Persian). https://civilica.com/doc/2228762
  12. [12] Kannappan, S. (2025). Evaluating Machine learning models for business decision-making: A structural equation modeling approach. Journal of marketing & social research, 2, 260–267. https://doi.org/10.61336/jmsr/25-04-35
  13. [13] Nowak, M., & Zajkowski, R. (2025). An integrated structural equation modelling and machine learning framework for measurement scale evaluation—application to voluntary turnover intentions. AppliedMath, 5(3), 105. https://doi.org/10.3390/appliedmath5030105
  14. [14] Mestiri, S. (2024). Machine learning techniques in financial applications. Journal of research, innovation and technologies, 3(1(5)), 30–40. https://doi.org/10.57017/jorit.v3.1(5).02
  15. [15] Hair Jr, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis. In Multivariate data analysis (pp. 785-785). https://pesquisa.bvsalud.org/portal/resource/pt/biblio-1074274
  16. [16] Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/BF02310555
  17. [17] Rezazadeh, A., & Davari, A. (2018). Structural equation modeling with PLS software. Jihad Daneshgahi Publications. (In Persian). https://agahbookshop.com/p-22489--pls.aspx
  18. [18] 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://journals.sagepub.com/doi/abs/10.1177/002224378101800104
  19. [19] Wetzels, M., Odekerken-Schröder, G., & Van Oppen, C. (2009). Using PLS path modeling for assessing hierarchical construct models: Guidelines and empirical Illustration1. MIS quarterly, 33(1), 177–195. https://doi.org/10.2307/20650284
  20. [20] Wahab, M. D. A., & Radmehr, M. (2024). The impact of AI assimilation on firm performance in small and medium-sized enterprises: A moderated multi-mediation model. Heliyon, 10(8). https://doi.org/10.1016/j.heliyon.2024.e29580
  21. [21] Kannappan, S. (2025). Evaluating machine learning models for business decision-making: A structural equation modeling approach. Journal of marketing & social research, 2, 260-267. https://www.jmsr-online.com/article/evaluating-machine-learning-models-for-business-decision-making-a-structural-equation-modeling-approach-228/

دانلود

چاپ شده

2026-06-02

شماره

دوره 3 شماره 1 (2026): Strategic Studies in Financial Management and Insurance

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

ناطقی ا. . (2026). تحلیل مقایسه‌ای یادگیری ماشین کسب‌و‌کار در اتخاذ تصمیمات مالی موثر با استفاده از مدل معادلات ساختاری (SEM). مطالعات راهبردی در مدیریت مالی و بیمه, 3(1), 1-10. https://doi.org/10.22105/ssfmi.v3i1.99
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.