مدیریت استراتژیک هوشمند

مدیریت استراتژیک هوشمند

مدیریت ریسک استراتژیک صنعت انرژی بر اساس الگوریتم هوش مصنوعی

نوع مقاله : مقاله پژوهشی

نویسنده
مرضیه افتخاری پور
دانشجوی دکتری مدیریت بازرگانی، دانشگاه تهران، تهران، ایران
bumara.3.2.15564.35887873.65974626
چکیده
با تعمیق روند ادغام اقتصادی جهانی، خدمات مالی زنجیره تامین تجارت بین‌الملل نیز شکوفا شده است. خدمات مالی زنجیره تامین تجارت بین‌الملل نقش مهمی در حل تامین مالی سازمانی زنجیره تامین ایفا کرده است. تا آنجا که به صنعت انرژی مربوط می شود، خدمات مالی زنجیره تامین تجارت بین المللی می تواند حمایت اعتباری کافی برای شرکت های انرژی فراهم کند. این امر معضل تامین مالی شرکت های انرژی کوچک و متوسط را در تجارت واردات و صادرات حل می کند و همچنین می تواند نرخ گردش سرمایه شرکت های بزرگ انرژی را بهبود بخشد. با این حال، از آنجایی که خدمات مالی زنجیره تامین تجارت بین‌الملل همچنان با تاثیر ریسک‌هایی مانند ریسک اعتباری شرکت، ریسک عملیاتی بانک و ریسک انتقال اطلاعات شرکت زنجیره تامین مواجه است، عملکرد آن در تامین مالی به طور کامل اعمال نشده است. هشدار زودهنگام و کنترل ریسک های موجود در خدمات مالی زنجیره تامین تجارت بین‌الملل می‌تواند نقش خدمات مالی زنجیره تامین تجارت بین‌المللی را در ارتقای توسعه صنعت انرژی ایفا کند. بنابراین، این مقاله از سه الگوریتم هوش مصنوعی (AI) شامل شبکه عصبی مصنوعی، الگوریتم ژنتیک و الگوریتم ازدحام ذرات برای تحلیل ریسک خدمات مالی در زنجیره تامین تجارت بین‌المللی صنعت انرژی استفاده کرد. یک مدل هشدار اولیه ریسک در مورد خدمات مالی زنجیره تامین تجارت بین‌المللی صنعت انرژی ساخته شد و یک مطالعه تجربی بر روی مدل هشدار اولیه ریسک انجام شد. تحقیقات نشان داد که مدل هشدار اولیه ریسک مبتنی بر الگوریتم هوش مصنوعی بانک‌ها را قادر می‌سازد تا دقت ارزیابی اعتبار شرکت‌ها را تا ۷.۴۳ درصد و دقت جمع‌آوری اطلاعات را تا ۵.۶۱ درصد بهبود بخشند. دقت پیش‌بینی ریسک‌های محیطی خارجی را تا 3.52 درصد بهبود بخشید و ریسک عملیاتی بانک را تا 6.58 درصد و ریسک قانونی و نظارتی را تا 7.06 درصد کاهش داد.
کلیدواژه‌ها
مدیریت ریسک استراتژیک
صنعت انرژی
الگوریتم هوش مصنوعی
مدیریت هوشمند

عنوان مقاله English

Strategic Risk Management of the Energy Industry Based on Artificial Intelligence Algorithm

نویسنده English

Marzieh Eftekharipour
PhD Student in Business Administration, University of Tehran, Tehran, Iran
چکیده English

With the deepening of the trend of global economic integration, international trade supply chain financial services have also flourished. International trade supply chain financial services have played an important role in solving the enterprise financing of the supply chain. As far as the energy industry is concerned, international trade supply chain financial services can provide sufficient credit support for energy companies. This solves the financing problem of small and medium-sized energy companies in import and export trade, and can also improve the capital turnover rate of large energy companies. However, since international trade supply chain financial services are still affected by risks such as enterprise credit risk, bank operational risk, and supply chain company information transmission risk, its function in financing has not been fully implemented. Early warning and control of risks in international trade supply chain financial services can play the role of international trade supply chain financial services in promoting the development of the energy industry. Therefore, this paper used three artificial intelligence (AI) algorithms including artificial neural network, genetic algorithm and particle swarm algorithm to analyze the risk of financial services in the international trade supply chain of the energy industry. A risk early warning model of the financial services in the international trade supply chain of the energy industry was built, and an empirical study on the risk early warning model was conducted. The research showed that the risk early warning model based on the AI ​​algorithm enabled banks to improve the accuracy of corporate credit assessment by 7.43% and the accuracy of information collection by 5.61%. It improved the prediction accuracy of external environmental risks by 3.52%, and reduced the bank's operational risk by 6.58% and legal and regulatory risk by 7.06%.

کلیدواژه‌ها English

Strategic risk management
energy industry
AI algorithm
intelligent management
آرمسترانگ، مایکل. ترجمه اعرابی و ایزدی. (1383)." مدیریت استراتژیک منابع انسانی (راهنمای عمل)" تهران: دفتر پژوهشهای فرهنگی. صص 26-18، 43-41، 106، ‌113
اعرابی، محمد و مورعی، محمد هادی. (1382). "توسعه مدل یکپارچه تدوین استراتژی منابع انسانی (مطالعه موردی شرکت مپنا)". مجموعه مقالات اولین کنفرانس توسعه منابع انسانی. صص 101-25
اعرابی، سید محمد. (1385) "مدیریت استراتژیک منابع انسانی". تهران: دفتر پژوهشهای فرهنگی. صص 22-16، 31-28، 49، 50
آون، هیوز. ترجمه الوانی، خلیلی شورینی ومعمارزاده. (1385). "مدیریت دولتی نوین: نگرشی راهبردی، سیر اندیشه ها، مفاهیم ونظریه ها".تهران:انتشارات مروارید.صص 220-205
ایران‎زاده سلیمان، برقی امیر، (1388)، الگو‌های ارزیابی عملکرد سازمانً، انتشارات فروزش، ص 7
بامبرگر، پیتر و مشولم، ایلن. ترجمه علی پارساییان و سید محمد اعرابی(1381). "تدوین، اجرا و آثار استراتژی منابع انسانی" تهران: دفتر پژوهشهای فرهنگی، صص13-11، 39، 79-64، ‌87-85، 90، 139.
 Chen, S., 2018. Risks and countermeasures of financial services in international trade supply chain. Mod. Bus. 42 (25), 89–90.
 Chen, L., 2022. Analysis on the financing methods and countermeasures of international trade supply chain finance. Bus. Exhib. Econ. 37 (10), 45–47.
Gao, Y., Pan, X.Y., Li, J.T., 2021. Predictive value of artificial intelligence algorithm model in the diagnosis of lower extremity venous thromboembolism in trauma patients. Chin. J. Trauma 37 (10), 932–937.
Hoettecke, Lukas, Thiem, Sebastian, Schäfer, Jochen, Niessen, Stefan, 2022. Resilience optimization of multi-modal energy supply systems: Case study in German metal industry. Comput. Chem. Eng. 162, 107824.
 Leukel, Jörg, Sugumaran, Vijayan, 2022. How novice analysts understand supply chain process models: an experimental study of using diagrams and texts. J. Enterp. Inf. Manag. 35 (3), 757–773.
 Li, X., 2020. Risk assessment of wireless mobile communication system based on artificial intelligence algorithm. Mod. Electron. Technol. 43 (1), 12–15.
Peng, K.H., Huang, Y.F., Yao, J.M., 2018. Comparison of database technology curriculum automatic examination of multiple artificial intelligence algorithms. Comput. Syst. Appl. 27 (3), 210–216.
Sankar, S., Somula, Ramasubbareddy, Parvathala, Balakesavareddy, Kolli, Srinivas, Pulipati, Srilatha, Srinivas Thuluva, Aditya Sai, 2022. SOA-EACR: Seagull optimization algorithm based energy aware cluster routing protocol for wireless sensor networks in the livestock industry. Sustain. Comput. Inform. Syst. 33, 100645.
 Song, C., 2020. Analysis of financing and supply chain financial services in comprehensive foreign trade services. Int. Publ. Relat. 25 (2), 290–295.
 Sornalakshmi, M., Balamurali, S., Venkatesulu, M., et al., 2022. Hybrid method for mining rules based on enhanced apriori algorithm with sequential minimal optimization in healthcare industry. Neural Comput. Appl. 34, 10597–10610.
Wang, Y.M., 2017. Risks and prevention of commercial bank supply chain finance. Financ. Theory Pract. 16 (2), 1–15.
 Wang, Zhoufeng, He, Xiangqi, Shen, Huiling, Fan, Shangjie, Zeng, Yilong, 2022. Multi-source information fusion to identify water supply pipe leakage based on SVM and VMD. Inf. Process. Manag. 59 (2), 102819.
Wei, Y.Y., 2019. Risk analysis and countermeasures of international trade supply chain financial services. Consum. Guide 38 (6), 230–239.
Yang, W.Q., 2019. On the risk prevention of supply chain trade financing of large and medium-sized state-owned foreign trade enterprises. Invest. Entrep. 14 (3), 31–35.
 Yang, F., Zhou, M., Dai, C.N., 2019. Construction and analysis of gasoline yield prediction model for catalytic cracking unit based on artificial intelligence algorithm. Chin. J. Pet. (Pet. Process.) 35 (4), 807–817.