تاثیر سواد هوش مصنوعی مالی، فرهنگ پذیرش فناوری مالی و کیفیت تصمیم‌گیری داده‌محور بر کارایی فرایند‌های مالی در بانک‌های ایرانی

نویسندگان

  • محمد مهدی‌پور زرین‌کمر گروه ریاضی کاربردی، گرایش آنالیز عددی، دانشگاه علم و صنعت ایران، دانشکده ریاضی و علوم کامپیوتر، تهران، ایران.
  • حسین حسینی گروه ریاضی کاربردی، گرایش آنالیز عددی، دانشگاه علم و صنعت ایران، دانشکده ریاضی و علوم کامپیوتر، تهران، ایران.
  • حسن غریبی * گروه مدیریت بازرگانی، گرایش تحول، دانشگاه علامه طباطبایی تهران، دانشکده مدیریت و حسابداری، تهران، ایران. https://orcid.org/0000-0003-1504-1051

https://doi.org/10.22105/ssfmi.v2i3.85

چکیده

هدف: با گسترش فناوری‌های نوین و اهمیت روزافزون هوش مصنوعی در ارتقای کارایی و بهبود تصمیم‌گیری مالی، این پژوهش با هدف بررسی تاثیر سواد هوش مصنوعی مالی، فرهنگ پذیرش فناوری مالی و کیفیت تصمیم‌گیری داده‌محور بر کارایی فرایند‌های مالی در بانک‌های ایرانی انجام شده است. تمرکز اصلی تحقیق بر تبیین نقش این سه عامل کلیدی در افزایش اثربخشی فعالیت‌های مالی و حمایت از تحول دیجیتال در نظام بانکی کشور است.

روش‌شناسی پژوهش: جامعه آماری شامل مدیران و کارشناسان ارشد مالی در دو سطح ستادی و صف در بانک‌های دولتی و خصوصی ایران است. برای انتخاب نمونه، از روش نمونه‌گیری تصادفی طبقه‌ای متناسب با حجم استفاده شد که در نهایت منجر به گردآوری ۴۰۲ پرسشنامه قابل تحلیل گردید. ابزار جمع‌آوری داده‌ها، پرسشنامه‌ای استاندارد و بومی‌سازی‌شده با ۴۴ سوال در چهار متغیر اصلی پژوهش بود. تحلیل داده‌ها با بهره‌گیری از مدلسازی معادلات ساختاری و استفاده از نرم‌افزارهای آماری تخصصی انجام پذیرفت و تمامی مراحل با رعایت ملاحظات اخلاق پژوهش صورت گرفت.

یافته‌ها: نتایج تحلیل مدل نشان داد که تمامی متغیرهای مورد بررسی دارای تاثیر مثبت و معنادار بر کارایی فرایند‌های مالی هستند. سواد هوش مصنوعی مالی با ضریب مسیر 68/0 و مقدار t برابر با 23/9، فرهنگ پذیرش فناوری مالی با ضریب مسیر 54/0 و مقدار t برابر با 85/7 و کیفیت تصمیم‌گیری داده‌محور با ضریب مسیر 72/0 و مقدار t برابر با 41/10 نقش مهم خود را در ارتقای کارایی مالی اثبات کردند. این یافته‌ها با مطالعات داخلی و بین‌المللی همسو بوده و نشان می‌دهد که افزایش دانش و مهارت‌های مرتبط با هوش مصنوعی، ایجاد فرهنگ پذیرنده فناوری و تقویت توانایی تحلیل داده‌ها می‌تواند موجب بهبود کارایی عملیاتی، کاهش خطا و ارتقای کیفیت تصمیم‌گیری در بانک‌ها شود.

اصالت/ارزش افزوده علمی: نتایج کاربردی پژوهش بیانگر آن است که طراحی برنامه‌های آموزشی هدفمند در حوزه هوش مصنوعی، توسعه سامانه‌های تحلیل داده و تقویت زیرساخت‌های فناوری مالی می‌تواند به ارتقای تصمیم‌گیری داده‌محور و بهبود عملکرد عملیاتی در واحدهای ستادی و صف کمک کند. این پژوهش با تمرکز بر تعامل سه عامل مهم دانشی، فرهنگی و تحلیلی، تصویری روشن از عوامل اثرگذار بر کارایی فرایند‌های مالی ارایه کرده و می‌تواند به‌عنوان راهنمایی عملی برای سیاست‌گذاری، برنامه‌ریزی استراتژیک و بهره‌گیری موثر از فناوری‌های مالی و داده‌محور در بانک‌های ایرانی مورد استفاده قرار گیرد.

کلمات کلیدی:

سواد هوش مصنوعی مالی، فرهنگ پذیرش فناوری مالی، کیفیت تصمیم‌گیری داده‌محور، کارایی فرایند‌های مالی

مراجع

  1. [1] Karthika, M., Neethu, K., & Lakshmi, P. (2022). Impact of fintech on the banking sector. Integrated journal for research in arts and humanities, 2(4), 109–112. https://doi.org/10.55544/ijrah.2.4.66
  2. [2] Tay, L. Y., Tai, H. T., & Tan, G. S. (2022). Digital financial inclusion: A gateway to sustainable development. Heliyon, 8(6), 1–10. https://www.cell.com/heliyon/fulltext/S2405-8440(22)01054-4
  3. [3] Widyastuti, U., Respati, D. K., & Mahfirah, T. F. (2024). Digital financial literacy and digital financial inclusion: A multigroup analysis based on gender. Humanities and social sciences letters, 12(1), 33–42. https://ideas.repec.org/a/pkp/hassle/v12y2024i1p33-42id3617.html
  4. [4] Al-Okaily, M., & Al-Okaily, A. (2024). Financial data modeling: An analysis of factors influencing big data analytics-driven financial decision quality. Journal of modelling in management, 20(2), 301–321. https://doi.org/10.1108/JM2-08-2023-0183
  5. [5] DeStefano, T. J., Teodorovicz, T., Cho, J., Kim, H., & Paik, J. (2022). What determines AI adoption?. Academy of management proceedings (Vol. 2022, p. 14791). Briarcliff Manor, NY 10510: Academy of Management. https://doi.org/10.5465/AMBPP.2022.14791abstract
  6. [6] Chen, Q., & Shen, C. (2024). How FinTech affects bank systemic risk: Evidence from China. Journal of financial services research, 65(1), 77–101. https://doi.org/10.1007/s10693-023-00421-7
  7. [7] Dheepiga, S., & Sivakumar, N. (2024). Exploring the intersection of AI and financial literacy: Current insights, hurdles, and prospects. In Improving library systems with AI: applications, approaches, and bibliometric insights (pp. 226–234). IGI Global. https://doi.org/10.4018/979-8-3693-5593-0.ch016
  8. [8] Aleksandrova, A., Tairov, I., Stefanova, N., Ninova, V., & Zhelev, Z. (2024). Digital financial literacy in a post-covid world: The role of AI and technological innovation in shaping financial decision-making. Revista de gestão social e ambiental, 18(11), 1–18. https://doi.org/10.24857/rgsa.v18n11-253
  9. [9] Agarwal, V., Ray, R., & Varghese, N. (2024). An AI-powered personal finance assistant: Enhancing financial literacy and management [presentation]. FOSS approaches towards computational intelligence and language technology (FOSS-CIL T24). https://doi.org/10.13140/RG.2.2.10706.57280
  10. [10] Nithya, A. R., & others. (2025). Leveraging artificial intelligence to explore gendered patterns in financial literacy among teachers in academia. Frontiers in artificial intelligence, 8, 1634640. https://doi.org/10.3389/frai.2025.1634640
  11. [11] Challoumis, C. (2024). What are the ethical implications of AI in financial systems [presentation]. XVII international scientific conference (pp. 41–75). https://conference-w.com/wp-content/uploads/2024/11/Ger.D-0708112024.pdf#page=42
  12. [12] Ogîgău-Neamțiu, F., & Antonoaie, C. (2019). The influence of national culture on technology adoption. ELearning & software for education, 3, 146. https://doi.org/10.12753/2066-026X-19-157
  13. [13] Kumar, R., Sachan, A., Mukherjee, A., & Kumar, R. (2018). Factors influencing e-government adoption in India: A qualitative approach. Digital policy, regulation and governance, 20(5), 413–433. https://doi.org/10.1108/DPRG-02-2018-0007
  14. [14] Lin, R., Sharma, M., Sarhan, M. Y., Yaqub, M. Z., & Cheng, J. (2026). Fintech adoption and organizational culture: Pathways to supply chain resilience. Technological forecasting and social change, 222, 124395. https://doi.org/10.1016/j.techfore.2025.124395
  15. [15] Franke, F., & Hiebl, M. R. W. (2023). Big data and decision quality: The role of management accountants’ data analytics skills. International journal of accounting & information management, 31(1), 93–127. https://doi.org/10.1108/IJAIM-12-2021-0246
  16. [16] Thanasas, G. L., & Kampiotis, G. (2024). The role of big data analytics in financial decision-making and strategic accounting. Technium business and management, 10, 17–33. https://pdfs.semanticscholar.org/ca7d/0376f6030999cece9004ecf7a966dd170a15.pdf
  17. [17] Zhang, S. (2025). A big data-driven approach to financial analysis and decision support system design. Informatica, 49(11), 29–44. https://doi.org/10.31449/inf.v49i11.7065
  18. [18] el Yaakoubi, M., Ravesteijn, P., Prinsen, A., Hooimeijer, H., & Van Der Ven, M. (2020). Data driven decision support: The role of the controller in decision-making processes. 16th european conference on management, leadership and governance (pp. 73–80). Academic Conferences International limited. https://b2n.ir/bz5553
  19. [19] Szukits, Á. (2022). The illusion of data-driven decision making–The mediating effect of digital orientation and controllers’ added value in explaining organizational implications of advanced analytics. Journal of management control, 33(3), 403–446. https://doi.org/10.1007/s00187-022-00343-w
  20. [20] Charles, O. I., Hamza, O., Eweje, A., Collins, A., Babatunde, G. O., & Ubamadu, B. C. (2022). Implementing robotic process automation (RPA) to streamline business processes and improve operational efficiency in enterprises. International journal of social science exceptional research, 1(1), 111–119. https://www.elibrary.ru/item.asp?id=82177706
  21. [21] Balogun, E. D., Ogunsola, K. O., & Ogunmokun, A. S. (2022). Developing an advanced predictive model for financial planning and analysis using machine learning. IRE journals, 5(11), 320–328. https://B2n.ir/eu9851
  22. [22] Kothandapani, H. P. (2022). Machine learning for enhancing mortgage origination processes: Streamlining and improving efficiency. International journal of scientific research and management, 10(2), 752–773. https://www.elibrary.ru/item.asp?id=74855996
  23. [23] Rane, N., Choudhary, S., & Rane, J. (2023). Blockchain and artificial intelligence (AI) integration for revolutionizing security and transparency in finance. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4644253
  24. [24] Trabelsi, L., Bahloul, S., & Mathlouthi, F. (2020). Performance analysis of Islamic and conventional portfolios: The emerging markets case. Borsa istanbul review, 20(1), 48–54. https://doi.org/10.1016/j.bir.2019.09.002
  25. [25] Taşkıran, G. (2019). The relationship between organizational citizenship behavior and entrepreneurial orientation: A research in the hospitality industry. Procedia computer science, 158, 672–679. https://doi.org/10.1016/j.procs.2019.09.102
  26. [26] Abikoye, B. E., Umeorah, S. C., Adelaja, A. O., Ayodele, O., & Ogunsuji, Y. M. (2024). Regulatory compliance and efficiency in financial technologies: Challenges and innovations. World journal of advanced research and reviews, 23(1), 1830–1844. https://doi.org/10.30574/wjarr.2024.23.1.2174
  27. [27] Szmajser, R., Kędzior, M., Andrzejewski, M., & Świetla, K. (2022). Implementation of new technologies in accounting and financial processes: An effectiveness assessment. International entrepreneurship review, 8(3), 7–21. https://ier.uek.krakow.pl/pm/article/view/2082
  28. [28] Daei Dehaqani, A. A. (2024). Application of artificial intelligence in improving accounting processes. The first international conference on management, industrial engineering, accounting and economics in the humanities, Lisbon, República Portuguesa. Civilica. (In Persian). https://civilica.com/doc/2025759/
  29. [29] Eftekhari Sinjani, S. S., Rousta, A., & Naami, A. (2021). Investigating the impact of factors affecting the acceptance of financial technology by bank customers (case study of Pasargad bank). Journal of investment knowledge, 10(38), 135-153. (In Persian). http://www.jik-ifea.ir/article_17443.html?lang=en
  30. [30] Ghasemi, A., Khatiri, M., Hamidian, M., & Ghasemi, E. (2024). Applying digital auditing to improve the quality of logical, visual, and knowledge-based decision-making of financial managers. Motahar audit studies, 1(4), 11-28. (In Persian). https://journals.ihu.ac.ir/article_209380.html
  31. [31] Imjai, N., Yordudom, T., Yaacob, Z., Saad, N. H. M., & Aujirapongpan, S. (2025). Impact of AI literacy and adaptability on financial analyst skills among prospective Thai accountants: The role of critical thinking. Technological forecasting and social change, 210, 123889. https://doi.org/10.1016/j.techfore.2024.123889
  32. [32] Al Syahrani, A. L., Sujianto, A. E., Latifah, N. A., & Sulaiman, S. H. (2022). Financial technology, transaction efficiency and financial satisfaction: The mediating role of financial achievement. Indonesian economic review, 2(1), 8–15. https://doi.org/10.53787/iconev.v2i1.2
  33. [33] Chatterjee, S., Chaudhuri, R., Gupta, S., Sivarajah, U., & Bag, S. (2023). Assessing the impact of big data analytics on decision-making processes, forecasting, and performance of a firm. Technological forecasting and social change, 196, 122824. https://doi.org/10.1016/j.techfore.2023.122824
  34. [34] Long, D., & Magerko, B. (2020). What is AI literacy? competencies and design considerations [presentation]. Proceedings of the 2020 chi conference on human factors in computing systems (pp. 1–16). https://doi.org/10.1145/3313831.3376727
  35. [35] Mishra, D., Agarwal, N., Sharahiley, S., & Kandpal, V. (2024). Digital financial literacy and its impact on financial decision-making of women: Evidence from India. Journal of risk and financial management, 17(10), 468. https://doi.org/10.3390/jrfm17100468
  36. [36] Gefen, D., & Straub, D. W. (2000). The relative importance of perceived ease of use in IS adoption: A study of e-commerce adoption. Journal of the association for information systems, 1(1), 8. https://aisel.aisnet.org/jais/vol1/iss1/8?utm_source=aisel.aisnet.org%2Fjais%2Fvol1%2Fiss1%2F8&utm_medium=PDF&utm_campaign=PDFCoverPages
  37. [37] Zhou, T. (2012). Examining mobile banking user adoption from the perspectives of trust and flow experience. Information technology and management, 13(1), 27–37. https://doi.org/10.1007/s10799-011-0111-8
  38. [38] Davenport, T. H., & Harris, J. G. (2007). Competing on analytics: The new science of winning. Harvard Business Press. https://books.google.nl/books/about/Competing_on_Analytics.html?id=n7Gp7Q84hcsC&redir_esc=y
  39. [39] Popovič, A., Hackney, R., Coelho, P. S., & Jaklič, J. (2012). Towards business intelligence systems success: Effects of maturity and culture on analytical decision making. Decision support systems, 54(1), 729–739. https://doi.org/10.1016/j.dss.2012.08.017
  40. [40] DeLone, W. H., & McLean, E. R. (2003). The DeLone and McLean model of information systems success: A ten-year update. Journal of management information systems, 19(4), 9–30. https://doi.org/10.1080/07421222.2003.11045748
  41. [41] Hammer, M. (2007). The process audit. Harvard business review, 85(4), 111–123. https://modir3-3.ir/article-english/article330.pdf
  42. [42] Venkatesh, V., Davis, F., & Morris, M. G. (2007). Dead or alive? The development, trajectory and future of technology adoption research. Journal of the association for information systems, 8(4), 267–286. http://aisel.aisnet.org/jais/vol8/iss4/1

دانلود

چاپ شده

2025-09-11

شماره

دوره 2 شماره 3 (2025): Strategic Studies in Financial Management and Insurance

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

مهدی‌پور زرین‌کمر م., حسینی ح., & غریبی ح. (2025). تاثیر سواد هوش مصنوعی مالی، فرهنگ پذیرش فناوری مالی و کیفیت تصمیم‌گیری داده‌محور بر کارایی فرایند‌های مالی در بانک‌های ایرانی. مطالعات راهبردی در مدیریت مالی و بیمه, 2(3), 162-178. https://doi.org/10.22105/ssfmi.v2i3.85
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.