قانون اصلاحات داد-فرانک وال استریت و حمایت از مصرف کننده: عنوان هفتم، مشتقات

The Dodd-Frank Wall Street Reform and Consumer Protection Act: Title VII, Derivatives

چکیده
مقدمه
پس زمینه
ساختار و تنظیم بازار قبل از قانون داد-فرانک
ساختار بازار برای مشتقات تصفیه شده و معامله شده در بورس
ساختار بازار برای مشتقات فرابورس (OTC)
شرایط تصفیه و گزارش دهی قانون داد- فرانک
الزامات تصفیه (پایاپای)
شرط معامله در بورس
معافیت مالیاتی کاربر نهایی
تعاریف کارگزار و شرکت کننده اصلی سواپ
گزارش سواپ ها و سواپ های مبتنی بر اوراق بهادار
جلوگیری از فرار
اقتدار پیشرفته CFTC در بازارهای کالاها
الزام حداقل ودیعه
محدودیت های اتخاذ موضع
سازمان ضد دستکاری در بازار برای بازارگرمی
بخش 716- ممنوعیت کمک فدرال به نهادهای سواپ

چکیده
بحران مالی بازار مشتقات فرابورس (OTC) را به عنوان منبع اصلی ریسک سیستمی درگیر نمود. تعدادی از شرکت ها از مشتقات برای ساخت موقعیت های سوداگرانه بسیار اهرمی استفاده نمودند، که خسارات زیادی ایجاد کرد که نه تنها خود بنگاه ها بلکه بستانکاران و شرکای تجاری آنها را به ورشکستگی تهدید می کرد. صدها میلیارد دلار اعتبار دولتی لازم بود تا از بروز چنین خسارات در سیستم جلوگیری شود. AIG مشهورترین نمونه بود ، اما به هیچ وجه تنها نمونه نبود.

این واقعیت که بازار فرابورس به ثبات مالی چند تاجر عمده بستگی داشت، به همان اندازه مشکل ساز بود. عدم موفقیت یک کارگزار منجر به خنثی کردن قراردادهای ارزش تریلیون دلار می شود و باعث می شود که طرفین مشتقه در معرض ریسک و ضرر ناگهانی قرار بگیرند، و این امر منجر به تشدید اهرم زدایی و امتناع اعتبار خواهد شدکه مشخصه بحران است. همه کارگزاران عمده تحت استرس قرار گرفته و حتی اگر معاملات مشتقات به طور کلی منبع مستقیم ضعف مالی نبود، سقوط بازار 600 تریلیون دلاری مشتقات فرابورس قریب الوقوع بود و بدون مداخله فدرال انجام می شد. اولین گروه از دریافت کنندگان برنامه نجات دارايي‌هاي مشکل دار (TARP) تقریباً همه کارگزاران مشتقات بزرگ را شامل می شد.

قانون داد-فرانک (203-111. P.L) به دنبال بازسازی بازار فرابورس در تصویر بورس آتی تنظیم شده بود. اصلاحات اساسی شامل لزوم پاکسازی قراردادهای سواپ از طریق یک طرف قرارداد مرکزی است که توسط یک یا چند آژانس فدرال تنظیم می شود. مراكز تهاتر معامله گران را ملزم می کند که در زمان انعقاد قرارداد به منظور پوشش خسارات احتمالی، پول نقد (به نام ودیعه اولیه) واریز نموده و نیاز به سپرده های بعدی (به نام حداقل ودیعه) برای پوشش ضررهای واقعی موقعیت است. تاثیر مورد نظر الزام حداقل ودیعه، از بین بردن این احتمال است که هر شرکتی بتواند معرض بدون سرمایه ای را ایجاد کند که آنقدر زیاد باشد که در آن نکول عواقب سیستمیک در پی داشته باشد (دوباره وضعیت AIG). اندازه وضعیت تسویه توسط شرکت توسط قابلیت شرکت در ارسال سرمایه برای پوشش خسارات خود محدود می شود. این سرمایه از شرکای تجاری و کل سیستم محافظت می کند.

ساختار و تنظیم بازار قبل از قانون داد-فرانک
انواع مختلف مشتقات برای اهداف مشابه مورد استفاده قرار می گیرند – اجتناب از ریسک تجاری یا پوشش اقتصادی و ریسک پذیری در جستجوی سودهای سوداگرانه. با این وجود قبل از قانون داد-فرانک، این ابزارها در بازارهای مختلفی معامله می شدند. قراردادهای آتی در بورس هایی که توسط کمیسیون معاملات آتی کالا (CFTC)، گزینه های سهام در بورس های تحت کمیسیون بورس و اوراق بهادار (SEC) تنظیم شده اند معامله می شوند و تمام سواپ ها (و سواپ های امنیتی و همچنین برخی اختیارات) در فرابورس معامله شده و توسط کسی تنظیم نمی شوند.

بورس اوراق بهادار بازارهای متمرکزی هستند که در آن تمام سود خرید و فروش جمع می شود. معامله گرانی که می خواهند خرید کنند (یا موقعیت خرید دارند) با کسانی که می خواهند بفروشند (دارای موقعیت فروش هستند) تعامل می کنند، و معاملات انجام شده و قیمت ها در طول روز گزارش می شود. در بازار فرابورس، قراردادها بصورت دوجانبه انجام می شود، معمولاً بین یک فروشنده و یک کاربر نهایی و به طور کلی هیچ الزامی وجود ندارد که قیمت، شرایط یا حتی وجود قرارداد برای تنظیم کننده یا عموم اعلام شود.

مشتقات می توانند قراردادهای بی ثباتی باشند و انتظار عادی این است که سود و زیان بزرگی بین معامله گران به وجود آید. در نتیجه، مسئله یکپارچگی بازار وجود دارد. از کجا بدانیم که این موقعیت های فروش قادر به انجام تعهدات خود خواهند بود و بالعکس؟ بازاری که در آن میلیاردها قرارداد عوض می شود، در صورتی که همه معامله گران باید اعتبارمندی تاجر دیگر یا طرف مقابل را بررسی کنند، کنترل غیرممکن است. بازار مبادلات از یک طرف با این مشکل ریسک اعتباری و از طرف دیگر با بازار OTC سروکار دارد. چگونگی مدیریت این ریسک – که معمولاً ریسک طرف قرارداد خوانده می شود – باید عنصر اصلی اصلاحات اعمال شده توسط قانون داد-فرانک باشد.

حفاظت های بهبود یافته برای حساب های سپرده با دسترسی شخص ثالث

Improved protections for deposit accounts with third-party access

در رابطه با این گزارش
سلب مسئولیت
خلاصه اجرایی
بررسی ASIC از حساب های سپرده اداره شونده توسط مشاور
هدف و دامنه بررسی ما
این حساب ها چگونه مورد استفاده قرار می گیرند.
خلاصه یافته‌ها و اقدامات برای بانک‌ها
آنچه از مشاوران و مجوزهای مشاوره انتظار داریم
اقدامات بیشتر
بررسی ASIC در مورد حساب‌های سپرده اداره شده توسط مشاور
حساب‌های سپرده اداره شده توسط مشاور چیست؟
بانک‌ها چه تعهداتی دارند؟
هدف و دامنه بررسی ما
نحوه استفاده از این حساب‌ها
آمار جمعیتی مشتری و بازار
سطح دسترسی
یافته‌های دقیق و اقدامات پیشنهادی
تنظیم و دسترسی به حساب
صورت‌حساب‌ها و تراکنش‌ها
نظارت و مسئولیت‌پذیری

در رابطه با این گزارش
این گزارش پس از یک بررسی توسط ASIC در مورد حساب های سپرده ای ارائه شد که می توانند توسط یک شخص ثالث، معمولاً یک مشاور مالی، کارگزار بورس، و یا حسابدار، از سوی مشتری اداره شوند.
به طور خاص، گزارش به تحلیل اقدامات انطباقی و کنترل هایی می پردازد که بانک ها باید به منظور اشاره به خطراتی نظیر کلاه برداری و دیگر خطرات مرتبط با دسترسی شخص ثالث به پول مشتریان در این حساب ها را انجام دهند.

اقدامات بیشتر
19 به عنوان بخشی از این بررسی، با بانک‌های درگیر ملاقات کردیم تا یافته‌های خود را با آنها در میان بگذاریم و اقداماتی برای بهبود محافظت از مشتریانی که از حساب‌های سپرده اداره شده توسط مشاور استفاده می‌کنند، پیشنهاد کردیم. همچنین درمورد انتظارات خود از مشاوران مجموعه‌های صنعتی برای مشاوران مالی و کارگزران بورس صحبت کردیم.

20 برخی از پیشنهادات ما راهنمایی‌های خوبی برای بانک‌ها بوده و الزامات قانونی نیستند. بانک‌ها باید آنچه را که مناسب محافظت از مشتریان در مقابل خطر کلاهبرداری است در نظر بگیرند و مطابق آن عمل کنند.

اعتقاد نداریم که هرکدام از این 10 اقدام توصیه شده به تنهایی خطر کلاهبرداری را به طور کامل از بین می‌برد. طیفی از اقدامات و کنترل‌ها برای پاسخگویی موثر به خطر کلاهبرداری مورد نیاز است. تمام بانک‌های درگیر در بررسی ما اقدامات پیشنهادی را در نظر گرفته‌اند و موافقت کرده‌اند تا اقدامات فعلی خود را اصلاح کنند.

اگر نمونه‌های فردی از رفتار کلاهبردارانه در رابطه با حساب‌های سپرده اداره شده توسط مشاور در آینده به وجود بیاید، ASIC مسئله فردی و تطابق گسترده‌تر بانک با اقدامات پیشنهادی مندرج در این گزارش را مورد تحقیق و بررسی قرار می‌دهد.

کسب موقعیت مزیت رقابتی از طریق شیوه های منابع انسانی: مطالعه بانک های هندی

Gaining competitive advantage status through human resource practices: A study of Indian banks

چکیده
1 مقدمه
2 مرور منابع و طرح فرضیه ها
3 روش تحقیق
4 تحلیل داده ها و نتایج
5 بحث و یافته ها
مفاهیم اجتماعی
6 نتیجه گیری ها، محدودیت ها، و مسیر تحقیقات آتی
منابع

چکیده
در وضعیت کنونی، وجود عملیات کارآمد منابع انسانی(HR) ضروری است. به دلیل تغییرات مداوم در بانکداری، محیط های کار، قوانین بانک ذخایر هندوستان(RBI) و افزایش انتظارات و نیازهای مشتریان، باید توجه بیشتری به استرتژی هایHR نمود تا بتوان به عملکرد عالی رسید و در وضعیت رقابتی باقی ماند (به ویژه در سازمان های خدمات رسانی). این موضوع، به یکی از مهم ترین عوامل تأثیرگذار تبدیل شده است که بر چگونگیِ رقابتی بودنِ بخش بانکداری هندی اثر می گذارد. هدف این پژوهش، ارزیابیِ وضیت کنونیِ سیستمHR در بانک های هندی و وضعیت آن به عنوان یک مزیت رقابتی است. برای این تحقیق،600 پاسخِ نظرسنجی از بانک های هندی جمع آوری شد. روش مورد استفاده در این پژوهش، مدل معادلاتِ ساختاریِ مبتنی بر حداقل مربعات جزئی، با استفاده از آزمون کای-دو و تحلیل توصیفی، بر پایۀ تعداد زیادی متغیرهای مستقل و یک متغیر وابسته می باشد. دوازده فاکتورِ سیستم HR شناسایی شدند که مزیت رقابتی ایجاد می کنند. همچنین، این دوازده فاکتور، مجموعاً 59/63 درصد از واریانس کل را توصیف نمودند، و تمام فرضیه ها به خوبی این مطالعه را تأیید کردند. بر اساس نتایج حاصل، با تمرکز بر عملکرد HR، بانک ها نه تنها می توانند در این شرایط اقتصادی دشوار، بقا یابند، بلکه به مزیت رقابتی هم دست می یابند. در سیستم هایHR مورد استفاده توسط بانک ها و مزیت رقابتی که به آن دست یافته اند، تغییرات بین-بخشی وجود دارند که لازم است که با برنامه ریزی دقیقی حفظ شوند.

2- مرور منابع و طرح فرضیه ها
توانایی یک سازمان برای موفق شدن، به نگرش ها، قابلیت ها، و مهارت های کارمندانش و نیز ظرفیت آنها در وفاداری و اعتماد به کارفرمای خود و عملکرد عالی در تعاملات پیچیده، بستگی دارد. HRها هستند که می توانند از هر منبع دیگری به طور مؤثر در حداکثر کردن فرصت ها و به حداقل رساندن خطرات استفاده نمایند (Choudhury & Mishra, 2010). باور بر این است که HR های برتر، به سازمان، مزیّت رقابتی می دهند، چون با بهبود روش ها و نتایج سازمانی سبب موفقیت سازمان می شوند، چرا که از منابع دیگر استفاده می نمایند. بعد از قدردانی از ارزشHR یک سازمان، اولویت باید با درک اهمیت دپارتمانHR و روش ها و سیاست هایHR باشد. ایجاد مزیّت رقابتی از طریقHR ، به تمرکز بر عملیاتِHR نیاز دارد(Verma et al., 2022) . دارایی های انسانی، بهترین اهرم در عملیات کارآمدِHR هستند. در صنعت بانکداری هندی،HR ها با مشکلات متعدّدی مواجه هستند. اولین مشکل که مدیران اجراییHR با آن رو به رو هستند، ایجاد ارزش در دپارتمان HR، آموزش و پیشرفتHR برای انطباق با نیازهای متغیرِ این صنعت و افزایش ویژگی های نادر آنها است. مدیران باید درک کنند که فقط نیازهای مالی، محرّک انگیزه های یک فرد نیستند و باید حس تعلّق در کارمندانشان ایجاد گردد. مهم ترین مشکل که بخش بانکداریِ هندی ما تجربه می کند، مدیریت عملیاتِHR است، چون فشار روی رقابت (به دلیل ایجاد بانک های خصوصی بیشتر، و بازنشستگی های انبوهی که برای بانک های دولتی در آیندۀ نزدیک پیش بینی شده است) تشدید شده است. به منظور بقا در این دورۀ دشوار و رقابتی و نیز برآورده نمودن انتطاراتِ رو به افزایش مشتریان، این صنعتِ خدمات رسانی، اکنون بایدHR ها را توسعه دهد و انرژی دوباره به آنها بخشد. در نتیجه، تجارت ها باید به طور مداوم برای بهبود و اجرای بهترین عملیاتِHR و نیز استخدام، انتخاب، آموزش، توسعه، پرداخت حقوق، و حفظ کارمندان، هزینه نمایند. قابلیتِHR را می توان از طریق مدیریتِ مناسب استعدادها و اجرای عملیاتِHR مانند استخدام، آموزش، و پاداش به کارمندان ایجاد نمود و اطمینان حاصل نمود که کپی کردنِ این فرهنگِ سازمانی دشوار خواهد بود (Merkel et al., 2009).

1-2 عملیات HR
خلاصۀ برخی از اجزاء مهم در عملیاتِ HR بر اساس مطالعاتِ پیشین عبارت است از:
1-1-2 رضایت شغلی
رضایت شغلی، سطحی از رضایتمندی است که کارمندان از کارِ خود به دست می آورند. این امر، فراتر از خرسند بودن با همکاران و رئیس ها، رضایت از قوانین سازمانی و اثر کارشان بر زندگی شخصی آنها است. اینکه کارمندان حس تعلّق داشته باشند، سازمان را به عنوان یک محل کار خوب به دیگران پیشنهاد دهند، به سازمان متعهّد باشند، حس امنیّت شغلی داشته باشند، حس کنند پکیج حقوقی آنها نسبت به افراد دیگرِ این صنعت، منصفانه است، ارزش های لازم برای رشد و توسعۀ مهارت هایشان را داشته باشند، و مزایای فرعی و امنیت برای بازنشستگی دریافت کنند، از جمله ویژگی های رضایتمندیِ شغلی است. تمام این موارد به کارمندان کمک می کنند رضایت شغلیِ بهتری در سازمان داشته باشند.

تاثیر مدیریت سود بر کارایی بانک: شواهدی از بانک های تحت نظارت بانک مرکزی اروپا

The effect of earnings management on bank efficiency: Evidence from ECB-supervised banks

چکیده

1- مقدمه

2- مسیر متدولوژی

3- نتایج تجربی

4- نتیجه گیری

منابع

چکیده
     این مطالعه به بررسی تأثیر مدیریت سود روی راندمان و بهره وری بانک های منطقه ی یورو می پردازد، ضمن اینکه تکامل زمانی آن را تا زمان اجرای استانداردهای گزارشگری مالی بین المللی 9 بررسی می کند. ما با استفاده از داده های مروبط به 70 بانک متوجه می شویم که مدیریت سود، که به صورت ذخیره ی زیان وام اختیاری تعریف شده، راندمان و بهره وری را به صورت منفی تحت تأثیر قرار می دهد. ضمنا، زمانی که ما ذخایر غیراختیاری را درنظر می گیریم (آن ذخایری که از طبق تعهدات قانونی مورد نیاز می باشند)، تأثیر مثبت ذخایر وام روی راندمان و بهره وری تخصیصی را برآورد می کنیم – درست برخلاف تأثیر منفی ذخایر اختیاری. این یافته به تأکید بر اهمیت تعریف کافی و مناسب مدیریت سود کمک می کند، از جمله برای هدف آنالیز تأثیر آن روی راندمان و بهره وری بانکداری.

2- مسیر متدولوژی
2-1 نمونه
     نمونه ی استفاده شده در این مطالعه مشتکل از 70 بانک تحت نظارت ECB است. بانک های تحت نظارت مستقیم ECB 82% دارایی های بانکداری در منطقه ی یورو را نشان می دهند (بانک مرکزی اروپا، 2018) و بانک های گنجانده شده در نمونه، در سال 2017، با 81% از کل دارایی های بانک های تحت نظارت بانک مرکزی اروپا مطابقت داشتند. جدول 1 جمعیت و نمونه ی ما را در سراسر کشور مقایسه می کند. ما بازه ی زمانی 2013-2017 را مورد مطالعه قرار می دهیم.

2-2 متغیرها     در جدول 2 ما متغیرهای وابسته و مستقل استفاده شده در مطالعه ی خود را نشان می دهیم. راندمان اقتصادی یا بهره وری هزینه (CE) همراه با راندمان فنی (TE) و راندمان تخصیصی (AE) محاسبه می شود. در مورد متغیرهای تبیینی، سه اندازه گیری متفاوت از مدیریت سود بکار گرفته می شوند. اولین معیار اندازه گیری به المان اختیاری LLP اشاره می کند و به صورت تخمین باقیمانده ی مدل اثرات تصادفی داده های پانلی (جدول داده ها) بدست می آید (همراستا با ادبیات پژوهشی مربوطه – برای مثال، الحدب و الاون، 2019؛ دستا، 2017؛ کولسی و گراسا، 2017):

     که در اینجا α_0,…,α_3 به ترتیب پارامترهای i و t را نشان می دهند که به ترتیب شاخص های واحد و زمان می باشند، ϵ خطا را نشان می دهد، و معنای عبارات باقیمانده به شرح زیر می باشند: LLP – ذخایر زیان وام؛ TL- کل وام ها؛ NPL- وام های غیرجاری هستند. جایگزینی برای مؤلفه ی اختیاری ذخایر از طریق برآورد باقیمانده از این مدل ارائه می شود – که این به صورت RD نشان داده می شود.

کمبود نقدینگی در شرکت های عرضه اولیه عمومی سهام

Cash shortfalls in IPO firms

چکیده
1 مقدمه
2 آزمون های تجربی
3 نتیجه گیری
پیوست. تعاریف متغیر
منابع

چکیده

     ما دریافتیم که در صورتی که شرکت های عرضه اولیه عمومی (IPO) درآمد حاصل از فروش سهام اولیه را دریافت نکنند، اکثر آن ها به زودی نقدینگی خود را از دست خواهند داد. کسری نقدی ناشی از افزایش در مخارج سرمایه، تحقیق و توسعه (R&D)، M&A یا بازپرداخت بدهی نیست و در طول ۵ سال پس از عرضه اولیه سهام باقی می ماند. جریان های نقدی خالص منفی به توضیح کمبودهای نقدی مداوم کمک می کنند. این نتایج با نظریه افق تامین مالی سازگار هستند. شرکت های عرضه اولیه عمومی (IPO) با کسری های نقدی اولیه بیشتر نیز جریان های نقدی کمتری در ۵ سال آینده دارند که نشان می دهد کسری های نقدی اولیه را می توان برای پیش بینی عملکرد عملیاتی آینده شرکت های عرضه اولیه عمومی (IPO) استفاده کرد.

2 آزمون های تجربی
2-1 داده ها و نمونه
     ما نمونه اولیه ۱۳،۴۰۳ عرضه اولیه عمومی (IPO) بین سال های ۱۹۸۰ تا ۲۰۱۷ را از پایگاه داده انتشارات جدید مالی تامسون (‏SDC)‏ جمع آوری کردیم. داده های مالی و سهام از پایگاه داده Compustat و پایگاه داده مرکز تحقیقات قیمت های اوراق بهادار (CRSP)‏ به دست آمده است. ما از روند استاندارد در مطالعات IPO برای مرتب نمودن نمونه پیروی می کنیم.

     همانطور که در جدول ۱ توضیح داده شد، ما همه سهام های کم ارزش (‏با قیمت کمتر از ۵ دلار )‏، حق تقدم، سهام های واحد، سهام های سرمایه گذاری واحد، سهام های سپرده، سهام های اعتماد صندوق بسته و سهام های REIT را حذف می کنیم. ما همچنین شرکت های مالی (‏کد SIC بین ۶۰۰۰ و ۶۷۹۹) ‏و شرکت های برق (‏کد SIC از ۴۸۰۰ تا ۴۹۹۹)‏ را حذف می کنیم. نمونه نهایی شامل ۵۵۴۸ عرضه اولیه عمومی (IPO) است.

2-2 شواهد تجربی در مورد کمبود نقدینگی
     ابتدا در بخش الف جدول ۲ میانه های وجوه نقد، وجوه نقد/کل دارایی ها و وجوه نقد مازاد/کل دارایی ها را از سال قبل از IPO تا سال پنجم پس از سال IPO برای شرکت های نمونه خود گزارش می کنیم. وجوه نقد مازاد با استفاده از روش مطالعه دی آنجلو و همکاران (‏۲۰۱۰) ‏محاسبه می شود. میانه درآمد حاصل از IPO نیز در بخش الف گزارش شده است. به نظر می رسد که موجودی نقدی بیشتر شرکت های IPO، کمتر از موجودی نقدی عادی قبل از IPO اما بالاتر از موجودی نقدی عادی بعد از IPO است، به خصوص در چند سال اول بعد از IPO.

تأثیر COVID-19 بر بانک‌های دیجیتالی: آیا آنها برنده هستند یا بازنده؟

The impact of COVID‑19 on digital‑only banks: are they winners or losers?

چکیده

مقدمه

چارچوب های نظری

تحلیل استراتژیک بانک های صرفا دیجیتالی

نقاط قوت

نقاط ضعف

فرصت ها

تهدیدات

تحلیل استراتژیک: خلاصه

تحلیل مالی بانک های صرفا دیجیتالی

ویژگی های کلی نهادهای منتخب

تحلیل مالی

نتیجه گیری

منابع

چکیده

     هدف این مقاله، شناسایی تاثیر پاندمی کووید 19 بر عملیات بانک های صرفا دیجیتالی می باشد. بدین منظور، از دو روش استفاده شده است. روش اول، تحلیل استراتژیک و روش دوم، تحلیل مالی بانک های صرفا دیجیتالی است که دو دوره را پوشش می دهد، یعنی، قبل از ظهور پاندمی کووید 19(2018-2019) و طی پاندمی ویروس کرونا(2020). تحلیل استراتژیک بانک های صرفا دیجیتالی نشان داده است که آنها نقاط ضعف زیادی دارند، و واقعیت اینکه با تهدیدات زیادی مواجه هستند که دلیل آن، سن بانک های فین تک و رقابت بانک های سنتی است که بانکداری اینترنتی و موبایلی را ایجاد و توسعه داده اند. تحلیل های مقدماتی انجام شده برای بانک های صرفا دیجیتالی نشان می دهند که بیشتر آنها زیان هایی داشته اند و این زیان ها در سطح عملیاتی است. نسبت های بازگشت سرمایه و بازده حقوق صاحبان سهام در سال 2020 کمی بهبود یافت و در بیشتر موارد، درآمد بهره ایجاد شده بالاتر از هزینه های بهره بود.

چارچوب های نظری
     بانک های صرفا دیجیتالی، تنها درباره بانکداری آنلاین یا موبایلی نیستند. مفهوم منسجمی از نهادی است که از طریق استفاده از تکنولوژی مدرن، یعنی توسط اپلیکیشن ها یا وب سایت ها، خدماتی به مشتریان ارائه می دهد. اکثریت بانک های صرفا دیجیتالی هیچ گونه دفاتر یا شعبی ندارند، یا تعداد شعب یا دفاتر آنها بسیار کم است. بانک های صرفا دیجیتالی، شعب بانک های موجود نیستند، بلکه نهادهای جدیدی هستند که بدون پول یا منابع ایجاد شدند. بانک های فین تک از پیشرفته ترین تکنولوژی ها از جمله ارز رمزنگاری شده، تکنیک های دفترکل توزیع شده، هوش مصنوعی، داده های بزرگ یا یادگیری عمیق استفاده می کنند[21]. بنابراین، در زمینه بانک های صرفا دیجیتالی، می توانیم درباره یک مدل کسب و کار کاملا جدید صحبت کنیم[19،33،37].

     با وجود این، سردرگمی مفهومی در ادبیات وجود دارد[16]. زمانی که به دنبال اطلاعات در زمینه بانک های صرفا الکترونیکی هستیم، افراد ممکن است با اصطلاحات بسیار مختلفی مواجه شوند، که غالبا به اشتباه به عنوان مترادف استفاده شده اند. فهرست واژگانی که در زمینه مسئله مورد بحث وجود دارد، شامل این موارد می باشد: بانک های صرفا دیجیتالی، بانک های چالشگر، نئوبانک ها، بانک های فین تک یا بتابانک ها. علاوه بر این، این اصطلاحات تعریف می شوند و توسط نویسندگان مختلف، به صورت متفاوت تبیین می شوند. بنابراین، تصمیم گرفته شد تا تمام اصطلاحاتی که نویسنده طی مروری بر ادبیات پیشین با آن مواجه شد را مرتب و فهرست کند. جدول 1، اصطلاحات منتخب را با تعاریف و ارجاع آنها به مقالات نشان می دهد.

     تحقیقات تجربی در زمینه بانک های صرفا دیجیتالی بخاطر پیشینه عملیاتی کوتاه آنها و بیشتر، به خاطر عدم دسترسی به داده(سری های زمانی کوتاه مدت) بسیار محدود است. به طور مثال، چوی[7]، لایو[22]، یا اومی و هانگ[32] بر روی ویژگی های کلی بانک های صرفا دیجیتالی تمرکز کردند و درباره نمونه هایی از بازارهای منتخب بحث نمودند. برخی کارها[3-5] بر جنبه تعریفی مرتبط با بانک های صرفا دیجیتالی تمرکز دارند، در حالیکه، برخی تاثیر بخش فین تک به عنوان یک بانکداری کل را مد نظر قرار می دهند[35،39،41،42].

نقش رسانه های اجتماعی در پذیرش بانکداری تلفن همراه در میان مصرف کنندگان

Role of social media on mobile banking adoption among consumers

چکیده

1- مقدمه

2- چارچوب نظری

3- مرور ادبیات تحقیقی و فرضیه ها

4- چارچوب تحقیق

5- تحلیل داده ها و نتایج

6- بحث و گفتمان

7- نتیجه گیری

ضمیمه A: خلاصه ای از سازه های استفاده شده در متغیر مستقل.

ضمیمه B: خلاصه ای از سازه های استفاده شده برای شناسایی مرحله شناختی.

منابع

چکیده

     هدف این مقاله بررسی اثربخشی سوشیال مدیا روی مراحل مختلف مراحل شناختی از طریق مدل سلسله مراتب اثرات (HOE) برای اتخاذ همراه بانک میان مصرف کنندگان می باشد. یک رویکرد تحلیلی دو مرحله ای با تحلیل مدل سازی معادله ساختاری (SEM) و شبکه عصبی (NN) برای مشخص کردن تأثیر متمایز و تأییدی شبکه های اجتماعی روی مصرف کنندگان از همراه بانک به کار گرفته می شود. داده های بدست آمده از 482 پاسخ دهنده در گروه های سنی 18 تا 30 سال (مصرف کنندگان جوان) از کشور هند از لحاظ تأثیر شبکه های اجتماعی روی مراحل شناختی مختلف پذیرش همراه بانک تحلیل شدند. نتایج افزایش گرایش به تأثیر شبکه های اجتماعی با افزایش سطح شناخت را نشان می دهند. در میان چهار مرحله شناختی (توجه، علاقه، تمایل، و اقدام – مدل AIDA) اتخاذ همراه بانک، مراحل اقدام و علاقه جزء تأثیرگذارترین مراحل شبکه های اجتماعی هستند و به دنبال آن ها مراحل تمایل و توجه قرار دارند. این تحقیق یک رویکرد تحلیلی دو مرحله ای را با ترکیب SEM و NN به جهت ارزیابی تأثیر ادغام سازه های AIDA ارائه می کند. ما یک مدل یکپارچه ی اصلی را توسعه می دهیم که به پدیده ی انتشار اطلاعات از شبکه های اجتماعی در مراحل مختلف شناختی مصرف کنندگان جوان همراه بانک اشاره می کند.

چارچوب نظری
     همانطور که توسط سنت المو لوئیس (1898) مطرح شده، مدل آیدا (AIDA) اولین مدلی بوده است که وجود سلسله مراتب اثرات (HOE) در ارتباطات بازاریابی را پیشنهاد می کند. آیدا (AIDA) اختصار مراحل شناختی مختلف پیشرفت مصرف کنندگان است به طوریکه به سمت خرید تشویق شده و انگیزه می گیرند. این مراحل عبارتند از: توجه، علاقه، تمایل، و اقدام. مراحل شناختی اولیه اعم از آگاهی و علاقه زمانی دیده می شوند که مصرف کننده به اطلاعات کافی در مورد محصول دانسته یا ندانسته دست می یابد. سپس مصرف کننده احساس می کند که تمایل به خرید دارد. مرحله ی چهارم، مطابق با نظر لوئیس، حالت روانی و پیامد سه مرحله ی قبلی می باشد. در این مرحله، مصرف کننده تصمیم می گیرد تا خرید کند یا نه. راسیتر و همکاران (1991) از این سازه و نگرش جمع آوری اطلاعات مصرف کننده با قراردادن مشتریان به صورت مشتری با دخالت و مشارکت کم و زیاد استفاده کرد.

     تبلیغ کنندگان مدت هاست که از تکنیک های تبلیغاتی مختلف برای ایجاد انگیزه در مصرف کنندگان استفاده می کنند تا مصرف کنندگان را از این مراحل عبور داده و به سمت اقدام مناسب و مطلوب وادار کنند. یک استدلال مشابه از سوی سایر محققانی مطرح شده است که از مدل آیدا پیروی می کردند. لاویج و اشتاینر (1961) دلیل آوردند که تبلیغات یک سرمایه گذاری بلندمدت است که مشتری را از مرحله ی عدم آگاهی عبور می دهد و نهایتا به یک شیوه ی کاملا سیستماتیک خرید واقعی انجام می دهد. هر نوع رسانه جنبه های مثبت و منفی خودش را دارد، لذا آن را برای یک مرحله ی شناختی خاص در مدل های HOE مطلوب یا نامطلوب می کند (داناهار و داگر، 2013؛ فرامباخ و همکاران، 2007). بنابراین، پیگیری اطلاعاتی یک مصرف کننده در ترجیح دادن یک رسانه ی خاص یک فاکتور محسوب می شود. از آنجایی که سطح اطلاعاتی که یک رسانه ی مشخص همراه با ویژگی ها به همراه دارد، مثل اعتبار، قیمت، راحتی، و خطر فرق می کنند، انتخاب رسانه ها نیز برای مصرف کننده ها متغیر است. همچنین، مطابق با نگرش پربار بودن رسانه، که توانایی یک محیط برای انتقال اطلاعات مختلف را نشان می دهد، رسانه های پربارتر و غنی تر معناداری بیشتری را در انتخاب های مصرف کننده به جا می گذارند (تسنگ و وی، 2020؛ دافت و همکاران، 1987). این امر مصرف کننده ها را به سمت استفاده از رسانه های مختلف سوق می دهد (لین و همکاران، 2013).

     زمانی که مصرف کنندگان جوان از محتوای موجود در پلت فرم های مختلف شبکه های اجتماعی استفاده می کنند، اغلب در مراحل شناختی بدون تفاوت و بی اثر هستند. شبکه های اجتماعی مثل سایر رسانه ها باید از تأثیرات مختلف روی مراحل متفاوت مدل HOE برخوردار باشند. که به موجب آن، در این مطالعه، ما به بررسی میزان تأثیر شبکه های اجتماعی روی مراحل شناختی مختلف مصرف کنندگان همراه بانک پرداخته و یک مداخله ارتباطی بازاریابی بر محور شبکه های اجتماعی را بسط می دهیم.

پیش بینی درماندگی مالی از طریق تلفیق کردن ویژگی های لحن عاطفی

Financial distress prediction by combining sentiment tone features

چکیده
1 مقدمه
2 مروی بر پیشینه
2-1 ویژگی ها در پیش بینی درماندگی مالی
2-2 مدل های پیش بینی درماندگی مالی
3 طرح پژوهشی
3-1 مبنای نظری
3-2 کسب داده
3-3 پردازش داده و استخراج ویژگی
3-3-1 ویژگی های مالی
3-3-2 ویژگی های متنی
3-3-3 انتخاب مقطع زمانی اظهارنظرها در تالار آنلاین بورس
3-4 ساخت مدل
3-4-1 CatBoost
3-4-2 دیگر مدل ها
4 ارزیابی تجربی
4-1 مجموعه داده ی آزمایشی
4-2 انتخاب ویژگی های مالی
4-3 مقیاس های ارزیابی
4-4 انتخاب مقطع زمانی اظهار نظرها در تالارهای آنلاین بورس
5 نتایج آزمایشی و بحث
5-1 نتایح آزمایشی و تحلیل
5-2 مزایای اقتصادی چهارچوب پیش بینی پیشنهادی
5-3 آزمون استواری
6 نتیجه گیری
منابع

چکیده

در این مقاله افزون بر ارائه ی ویژگی های مالی، یک چهارچوب نوین پیش می نهیم که با تلفیق کردن ویژگی های لحن عاطفیِ مستخرج از اظهار نظرها در تالارهای آنلاین بورس، بحث و تحلیل مدیریت، و نکات صورت های مالی، درماندگی مالی را پیش بینی می کند. ما چهارچوب پیشنهادی را با استفاده از داده های مربوط به بازار بورس چین در فواصل سال های 2016 تا 2020 ارزیابی می کنیم. ما درمی یابیم که شرکت های دچار درماندگی مالی با احتمال بیش-تری دارای لحن عاطفی ضعیفی هستند چون سرمایه گذاران نگرش منفی نسبت به وضعیت عملیاتی و مالی آن شرکت ها دارند، در حالی که شرکت های عادی وضعیت عکس دارند. افزون بر این، لحن عاطفی اظهار نظرها در طول یک ماه به طور کارامدی این همبستگی ها را منعکس می کند. ما گنجاندن ویژگی های لحن عاطفی را توصیه می کنیم چون آن ها به بهبودی عملکرد پیش بینی همه ی مدل هایی که صرفاً از ویژگی های مالی استفاده می کنند، می انجامند، و همچنین استفاده از مدل CatBoost را توصیه می کنیم چون نسبت به همه ی مدل های معیار عملکرد بهتری دارد و از این توانایی برخوردار است که روابط میان ویژگی های پیچیده را استخراج کند. تحلیل مزایای اقتصادی نشان می-دهد که چهارچوب پیشنهادی می تواند به درستی شرکت های از نظر مالی درمانده تر را شناسایی کند.

1 مقدمه

با گسترش مستمر حجم بازار اوراق بهادار و توسعه ی تدریجی بازار سرمایه، شرکت ها با محیط های اقتصادی بسیار پیچیده و متغیر و فشار رقابتی عظیمی رو به رو هستند (لیو و همکاران، 2020). بدون یک سازوکار مناسب برای تطبیق دادن با این محیط، شرکت ها با احتمال بیش تری به مسائل و مشکلاتی برمی خورند، مانند نقدینگی ناکافی و بدهی های فراوان، که در نهایت منجر به درماندگی مالی می شوند (وانگ و همکاران، 2018). درماندگی مالی به عنوان یکی از نگران کننده ترین مسائل در حوزه ی اقتصادی می تواند به طور نامطلوبی بر توسعه ی پایدار شرکت ها تأثیر بگذارد، بقای آن ها را تهدید کند، و منجر به زیان های هنگفت برای سرمایه گذاران، بستانکاران، مشتریان، و دیگر ذینفعان (بهره وران) شود (کیم و اوپنجا، 2014). هنگامی که شمار شرکت های در وضعیت درماندگی مالی به یک سطح مشخص می رسد، ممکن است درماندگی مالی اجتماعی رخ دهد و ثبات و پایداری توسعه ی اقتصاد کلان ممکن است به خطر بیفتد (مای و همکاران، 2019).

6 نتیجه گیری

توانایی پیش بینی کردن به هنگام و کارامد درماندگی مالی برای تصمیم گیری شرکت ها و ذینفعان مهم است. بنابراین، پژوهشگران مدت هاست که توجه ویژه ای به تدوین و طراحی مدل پیش بینی درماندگی مالی با عملکرد افتراقی بالاتر مبذول داشته اند. به دست آوردن ویژگی های معتبر و ساختن مدل هایی با عملکرد بالا، مولفه های ارزشمندی برای بهبود توانایی پیش بینی دقیق درماندگی مالی هستند. در این مقاله، ما استفاده از تلفیق اطلاعات مالی پایه ای و دیگر اطلاعات متنی و CatBoost برای بهبود عملکرد افتراقی پیش بینی درماندگی مالی شرکت های ثبت شده را مطالعه می کنیم. ما چهارچوبی را پیشنهاد می کنیم که ویژگی های لحن عاطفی مستخرج از تالارهای آنلاین بورس، بحث و تحلیل مدیریت، و نکات صورت های مالی را تلفیق می کند. به ویژه، ما ویژگی های مرتبط را از تالارهای آنلاین بورس استخراج می کنیم و اثبات می کنیم که این ویژگی ها می توانند به طور چشمگیری صحت پیش بینی درماندگی مالی را بهبود ببخشند. ما تأثیر تالارهای آنلاین بورس طی مقاطع زمانی گوناگون و ویژگی های لحن عاطفی گوناگون بر مدل پیش بینی درماندگی مالی را بررسی می کنیم. ما همچنین شش مدل با استفاده از LR، DT، SVM، XGBoost و ANN طراحی می کنیم و عملکرد CatBoost با پنج مدل معیار دیگر به ازای مجموعه ویژگی های گوناگون مقایسه می شود.

Abstract

In addition to financial features, we propose a novel framework that combines sentiment tone features extracted from comments on online stock forums, management discussion and analysis, and financial statement notes, to predict financial distress. We evaluate the proposed framework using data from the Chinese stock market between 2016 and 2020. We find that financially distressed companies are more likely to have weak sentiment tones as investors have a negative attitude toward the operation and financial status of the companies, while normal companies are to the contrary. Additionally, the sentiment tones of comments within one month most effectively reflect such correlations. We recommend incorporating sentiment tone features as they contribute to predictive performance improvements of all models using financial features only, and using the CatBoost model as it outperforms all benchmarked models with its ability to capture complex feature relationships. Economic benefits analysis shows that the proposed framework can correctly identify more financially distressed companies.

1 Introduction

With the continuous expansion of the scale of the securities market and the gradual development of the capital market, companies are facing highly complex and changeable economic environments and huge competitive pressure (Liu et al., 2020). Without a good mechanism to adapt to this environment, companies are more likely to encounter problems, such as insufficient liquidity and excessive liabilities, which eventually lead to financial distress (Wang et al., 2018). As one of the most concerning issues in the economic field, financial distress can adversely affect the sustainable development of companies, threaten their survival, and result in huge losses to investors, creditors, customers, and other stakeholders (Kim and Upneja, 2014). When the number of companies in financial distress accumulates to a certain level, social financial distress may occur and the stability and sustainability of macroeconomic development may be endangered (Mai et al., 2019).

6 Conclusion

The ability to predict financial distress timely and effectively is important for the decision-making of companies and stakeholders. Therefore, researchers have paid close attention toward developing a financial distress prediction model with higher discrimination performance for a long time. Obtaining valid features and building highperformance models have proven to be important directions for improving the ability to accurately predict financial distress. In this paper, we study the use of COSF to supplement basic financial information and other text information and CatBoost to improve the discrimination performance of predicting the financial distress of listed companies. We propose a framework that combines sentiment tone features extracted from COSF, MD&A, and FSN. Specifically, we extract relevant features from COSF and prove that these features can significantly improve the accuracy of predicting financial distress. We examine the impact of COSF during different periods and different sentiment tone features on the financial distress prediction model. We also build six models using CatBoost, LR, DT, SVM, XGBoost, and ANN, and the performance of CatBoost is compared with the other five benchmark models on different feature sets.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پیش بینی درماندگی مالی از طریق تلفیق کردن ویژگی های لحن عاطفی

Financial distress prediction by combining sentiment tone features

ریسک دم و ریسک سیستمی شرکت های مالی و فناوری (فین تک)

Tail risk and systemic risk of finance and technology (FinTech) firms

چکیده
1 مقدمه
2 مرور ادبیات
2-1 اثر شرکت های فناوری بر سیستم های مالی
2-2- اثر ریسک تعقیبی و ریسک سیستمی شرکت های مالی بر سیستم های مالی
3- داده و روش
3-1 اندازه گیری ریسک تعقیبی
3-2 اندازه گیری ریسک سیستمی
4 یافته های تجربی
4-1 برآوردهای ریسک نزولی شرکت های فناوری و مالی
4-2 ریسک سیستمی حدی
5 مقررات شرکت های مالی و فناوری
5-1 مقررات و نوآوری فین تک
5-2 اهمیت رگ تک در خدمات مالی
5-3 چالش های مقررات
6 نتیجه گیری و پیامدهای سیاسی
منابع

چکیده

شرکت های فناوری به طور فزاینده ای در حال حرکت به سوی زمینه های مالی هستند. آن ها می توانند از داده های کاربران خود استفاده کرده و خدماتی را پیشنهاد دهند که تا پیش از این ناممکن بود. این حرکت ممکن است منجر به ایجاد چالش های جدیدی برای پایداری مالی شود. این مقاله، به طور تجربی ریسک تعقیبی و ریسک سیستمی شرکت های فناوری را ارزیابی می کند. نمونه داده ما از شرکت های فناوری تشکیل شده است و همچنین ریسک تعقیبی و ریسک سیستمی شرکت های مالی را به منظور مقایسه، ارزیابی می کنیم. ما داده های بازگشتی روزانه سهام را از 2 آوریل 1992 تا 31 دسامبر 2019 مورد استفاده قرار می دهیم و نظریه مقدار حدی تک متغیره (EVT) را برای تعیین ریسک تعقیبی سهام، اتخاذ می کنیم. معیار انتخاب ما ارزش بازار است و بیست شرکت برتر فناوری و بیست شرکت برتر مالی را برای ارزیابی ریسک تعقیبی و ریسک سیستمی انتخاب می کنیم. ما نتیجه گرفتیم که ریسک تعقیبی شرکت های فناوری از ریسک تعقیبی شرکت های مالی بیشتر است، در حالی که احتمال کمی وجود دارد که این شرکت ها به واسطه شوک از سوی سیستم، در شرایط دشوار و مضیقه قرار گیرند. هرچند این یافته هنگامی که از داده های اخیر توسط تخمین های چرخشی شش ساله خود استفاده می کنیم، برای شرکت های فناوری برعکس می شود. ما نتیجه می گیریم که مشابه با شرکت های مالی، باید برای شرکت های فناوری نیز مقررات سختگیرانه تری وجود داشته باشد ؛ زیرا شرکت های فناوری نسبت به شرکت های مالی، مخاطره آمیزتر هستند. مقاله ما دارای پیامدهای مهمی برای مقررات مالی ملی و جهانی است.

1 مقدمه

فین تک یکی از زمینه های محرک و معاصر در تجارت جهانی امروز است. در یک زمان کوتاه، سیر تکاملی فین تک تأثیری قابل توجه بر چگونگی پیش برد فعالیت های مالی و تراکنش ها با مشتریان، دارد. سرمایه گذاری در این صنعت به طور مداوم در حال افزایش است و هیچ نشانی از توقف ندارد. گزارش KMPG (2017) نشان می دهد که بیش از 100 میلیارد دلار در شرکت های فین تک در طول پنج سال گذشته، از 2011 تا 2016، سرمایه گذاری شده است. به طور مشابه، از سال 2009، ارزش بازار (چگونه بازار سهام، شرکت ها را ارزش گذاری می کند) 10 شرکت برتر بیگ تک، پنج برابر بیشتر شده است (شکل 1 را ببینید). در سال 1999، تنها پنج شرکت فناوری در میان 10 شرکت بزرگ برتر از نظر ارزش بازار وجود داشت که در سال 2009 به یک شرکت کاهش یافت. هرچند، تعداد شرکت های بیگ تک در بین 10 شرکت برتر تا سال 2019 به هفت شرکت افزایش یافت (شکل 2 را ببینید). با ورود شرکت های بیگ تک به بازار خدمات مالی، فین تک به نمایندگی از شرکت های فناوری که خدمات مالی ارائه می دهند، تکامل یافته است. ورود شرکت های بیگ تک به بازار خدمات مالی براساس پیش فرض نوآوری، کارایی و گنجایش مالی است (FSB، 2019؛ گزارش اقتصادی سالانه BIS، 2019). اگرچه، ورود آن ها منجر به ایجاد ریسک در سیستم مالی شده و پیامدهایی برای پایداری مالی دارد (FBS، 2019). علیرغم رشد زیاد شرکت های بیگ تک و قطعیت ریسک آن ها برای سیستم مالی، هیچ مطالعه تجربی وجود ندارد که آستانه ریسکی که شرکت های بیگ تک متحمل می شوند، میزان ریسکی که آنها به سیستم مالی تحمیل می کنند و احتمال این را که آن ها تحت تأثیر رویدادهای پیش بینی نشده بازار مانند کووید 19، حباب دات کام یا بحران مالی جهانی (GFC) قرار گیرند، اندازه گیری کند. برای مقایسه، ما ریسک تعقیبی و رسیک سیستمی شرکت های مالی را نیز اندازه گیری می کنیم.

Abstract

Technology firms are increasingly moving to finance. They are able to make use of a large stock of user data and offer a range of services that otherwise were not possible. This move may pose fresh challenges to financial stability. This paper empirically evaluates the tail risk and systemic risk of technology firms. Our data sample consists of technology firms, and for comparison we also evaluate the tail risk and systemic risk of finance firms. We use daily equity returns data from 2 April 1992 to 31 December 2019 and we adopt the univariate extreme value theory (EVT) to determine equity tail risk. Our selection criteria is the market capitalisation and we choose the top twenty technology and the top twenty finance firms to evaluate tail risk and systemic risk. We found that the tail risk of technology firms is higher than the financial firms, whereas they are less likely to be in distress conditional upon a shock from the system. However, this finding for technology firms reverses when we use recent data via our six-year rolling estimates. We conclude that, similar to finance firms, there should be tighter regulations for technology firms since technology firms are riskier than the finance firms. Our paper has significant implications for both national and global financial regulators.

1 Introduction

Financial technology (Fintech) is one of the stimulating and contemporary areas in global business today. The evolution of financial technology has, in a very short time, had a noticeable impact on how to carry out financial activities and transactions with customers. The investment in this industry is continuously increasing with no indication of stopping. KPMG (2017) report shows that there has been over US$ 100 billion invested into financial technology (firms?) during the last five years from 2011-2016. Similarly, since 2009, the market capitalisation (how the stock markets value firms) of the top ten BigTech firms have multiplied five times. (See Fig. 1). In 1999, there were only five tech firms among the top ten big firms by market capitalisation, which reduced to one in 2009. However, the number of BigTech firms in the top ten overall firms increased to seven in 2019. (See Fig. 2). With the entry of BigTech firms into the financial services market, the term Fintech has evolved to represent technology firms providing financial services. The BigTech companies’ entry into the financial services market is based on the premise of innovation, efficiency and financial inclusion (FSB, 2019; BIS annual economic report, 2019). However, their entry poses risks to the financial system and has implications for financial stability (FSB, 2019). Despite the huge growth of BigTech and the certainty of their risk to the financial system, there is no empirical study measuring the extent of the risk that BigTech firms carry,= and how much risk they pose to the financial system, as well as how likely they are to be affected by unforeseen market events such as COVID-19, the dot com bubble or GFC. In this paper, we study the tail risk and systemic risk of BigTech firms. For the purpose of comparison, we also measure the tail risk and systemic risk of finance firms.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

ریسک دم و ریسک سیستمی شرکت های مالی و فناوری (فین تک)

Tail risk and systemic risk of finance and technology (FinTech) firms

اثر سیستم های حسابداری دیجیتال بر کیفیت تصمیم گیری در بخش صنعت بانکداری: یک مدل واسطه‌ای – تعدیل شده

The effect of digital accounting systems on the decision-making quality in the banking industry sector: a mediated-moderated model

چکیده

1 مقدمه

2 مرور مطالعات پیشین

3 مبانی نظری و تولید فرضیات

4 روش تحقیق

5 نتایج تحقیق

6 بحث تحقیقی و کاربردها

7 محدودیت ها و پیشنهاداتی برای تحقیقات آینده

ضمیمه، آیتم های سنجش و منابع

منابع

چکیده

     هدف: اخیراً توسعه فزاینده سیستم های حسابداری دیجیتالی، اثرات آنها بر روی کیفیت تصمیم گیری را افزایش داده است. در نتیجه هدف تحقیق حاضر این است که تأثیرات عوامل موفقیت سیستم های حسابداری دیجیتالی بر روی پیشرفت کیفیت تصمیم گیری در بانک های اردن را ارزیابی نماید.

طراحی/روش/رویکرد: پرسشنامه ها را به 187 تصمیم گیرنده ارسال کردیم که کاربران واقعی سیستم های حسابداری دیجیتالی در بانک های اردن بودند. ما یک رویکرد تحقیق کمّی را اتخاذ نمودیم تا مدل تحقیق پیشنهاد شده را بر اساس روش حداقل مربعات جزئی-مدلسازی معادله ساختاری آزمایش کنیم.

یافته ها: نتایج تجربی تحقیق حاضر مشخص ساخت که کیفیت داده ها و اطلاعات تأثیر معناداری بر روی کیفیت تصمیم گیری کلی با سیستم های حسابداری دیجیتالی دارد در حالی که کیفیت سیستم تأثیر غیرمعناداری بر روی آن دارد. نتایج تجربی نیز تأیید کردند که کیفیت اطلاعات به عنوان واسطه ای برای رابطه بین کیفیت داده ها و سیستم، و کیفیت تصمیم گیری عمل می کند. و در نهایت مشخص شد که فرهنگ تصمیم گیری تحلیلی رابطه بین کیفیت اطلاعات و کیفیت تصمیم گیری را تعدیل می کند.

اصالت/ارزش: تحقیق حاضر کاربردهای پژوهشی جذاب و پیشنهاداتی را در خصوص ارزیابی تأثیر سیستم های حسابداری دیجیتالی بر روی بهبود کیفیت تصمیم گیری در بانک های اردن، برای متخصصان، مدیران حسابداری و تصمیم گیرندگان فراهم می سازد.

مرور مطالعات پیشین
     با نزدیک شدن به پایان قرن بیستم، تکنولوژی شبکه سازی بی سیم پدیدار شد و اینترانت و اکسترانت به تدریج شیوه دسترسی به اطلاعات حسابداری و اشتراک گذاری آنها در بین افراد داخلی و خارجی را تغییر دادند. در ضمن رسانه های اجتماعی شیوه جدیدی برای ارتباط بین حسابداران و مشتریان آنها را ایجاد نمود. امروزه هدف اقدامات تکنولوژیکی این است که بیش از پیش، تغییرات اساسی را در حرفه حسابداری ایجاد کند (بلفو و تریگو 2013؛ دیمیترو و ماتی 2014).

     انقلاب های دیجیتالی از طریق تغییر و توسعه گسترده، تأثیرات عظیمی روی دنیای تجارت ایجاد کرده اند. به علت افزایش رشد تکنولوژیکی و نیاز به اجرای تکنولوژی های نوظهور، نهادها مجبور شده اند که خود را با روندهای جدید و آتی آشنا سازند (و با آنها مقابله کنند). اتوماسیون در حال پیشرفت بوده است تا در کسب و کارهای مرتبط همچون بخش حسابرسی ترویج شود که در آن، چهار مفهوم کلیدی که توسط کارشناسان بیان شده اند در اتوماسیون، حسابداری ابری، اینترنت اشیاء ، بلاکچین و کلان داده مهم شناخته شده اند؛ این رویکردها معرفی شدند تا در بخش حسابداری شناخته شوند و محققان نیز بر پتانسیل آنها برای ایجاد اتوماسیون در حسابداری تأکید نموده اند. حسابداران اکنون زمان کافی برای صرف کردن برای تحلیل های پیچیده تر و انجام حسابداری آماری با شایستگی بهتر برای پیش بینی وضعیت مالی شرکت دارند (ژانگ و همکارانش 2020).

     زمانی که چهار مورد از مفاهیم فوق الذکر در حجم های مختلفی از مقالات رشته حسابداری معرفی شدند فرصتی را برای قرائت الکترونیکی، تحلیل و انتقال اطلاعات ضروری برای روندهای حسابداری ایجاد کردند (ژانگ و همکارانش 2020؛ قسیم و خاربات 2020؛ مال و ییگیت باسی اغلو 2019). آنها زمانی که همکاری درستی با هم داشته باشند شانس زیادی برای کاهش سوابق ثبت شده دستی توسط افراد وجود خواهد داشت و یک فرد منفرد می تواند در تکنولوژی به صورت منحصر افشاء سازد که تمام سوابق ثبت شده حسابداری را آماده می کند (یووادی 2015). به عنوان مثال تکنولوژی بلاکچین به چند جنبه از رشته حسابداری کمک کرد. اول، چون تقریباً تمام اسناد خودکار شده اند بنابراین به راحتی می توان آنها را به سمت کاربردهای متعدد دیگر روانه کرد. دوم، تمام اعضا در تمام تراکنشات بلاکچین حق پذیرش دارند و بنابراین توانایی و قابلیت اطمینان حسابرسی افزایش می یابد. و در نهایت این سبب کاهش کلاهبرداری می شود چون تغییرات ایجاد شده در بلوک ها خیلی سخت هستند؛ در نتیجه این امر ممکن است بندرت رخ دهد و حتی اگر رخ هم دهد تمام مشارکت کنندگان می توانند متوجه ایجاد چنین تغییری شوند. منفعت دیگر چنین استفاده ای از بلاکچین این است که دو طرفی که به یک معامله کمک می کنند می توانند فاکتورها را از طریق بلاکچین مبادله کنند که این سبب سریعتر شدن روند معامله می گردد، نیازی به استفاده از کاغذ ندارد، و مانع از هر گونه سوء استفاده می شود (فانینگ و سنترز 2016). استفاده از این تکنولوژی نیز مانند استفاده از هر تکنولوژی جدید دیگر، مشکلات، نقاط ضعف و اثرات مضر خاص خود را دارد. یک بحث مطرح شده است که ابزارهای کافی وجود ندارد تا اطمینان حاصل کنیم که سیستم طبق هدف مورد نظر خود عمل می کند و این منجر به قابلیت اطمینان کمتر سیستم می گردد (قسیم و خاربات 2020).