مدیریت استراتژیک هوشمند

مدیریت استراتژیک هوشمند

طراحی مدل نظام پیشنهاده (دستور کار) خط‌مشی‌گذاری عمومی با رویکرد هوشمندسازی: چارچوب مفهومی و طرح روش‌شناختی آمیخته اکتشافی متوالی

نوع مقاله : مقاله پژوهشی

نویسندگان
سیدمجتبی حسینی نیا
کرم اله دانشفرد
حرمت اصغری
گروه مدیریت دولتی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
10.87453/bumara.2026.372301.4159
چکیده
هدف: مرحله دستورکارگذاری نخستین و تعیین‌کننده‌ترین حلقه در چرخه خط‌مشی عمومی است؛ زیرا تعیین می‌کند کدام مسائل عمومی به توجه نظام تصمیم‌گیری دست می‌یابند و کدام مسائل نادیده گرفته می‌شوند. با وجود گسترش کاربرد هوش مصنوعی، داده‌های بزرگ و پلتفرم‌های دیجیتال در مراحل اجرا و ارزیابی خط‌مشی، مدل نظام‌مندی برای هوشمندسازی مرحله دستورکارگذاری، به‌ویژه در بستر نظام سیاست‌گذاری ایران، ارائه نشده است. هدف این مقاله، تبیین چارچوب مفهومی اولیه و طرح روش‌شناختی دقیق برای طراحی مدل نظام پیشنهاده (دستور کار) خط‌مشی‌گذاری عمومی با رویکرد هوشمندسازی است.
روش: این مقاله برگرفته از رساله دکتری است و بر پایه مرور نظام‌مند و انتقادی ادبیات نظری، چارچوب مفهومی سه‌لایه‌ای را صورت‌بندی می‌کند و سپس طرح پژوهش آمیخته اکتشافی متوالی را برای آزمون و تکمیل آن ارائه می‌دهد. فلسفه پژوهش پراگماتیسم است. در مرحله کیفی، مصاحبه‌های نیمه‌ساختاریافته با خبرگان منتخب به روش هدفمند و گلوله‌برفی تا حصول اشباع داده‌ای انجام و با تحلیل مضمون شش‌مرحله‌ای براون و کلارک تحلیل می‌شود. در مرحله کمی، پرسشنامه محقق‌ساخته حاصل از یافته‌های کیفی بر نمونه‌ای ۳۰۰ نفری از مدیران و کارشناسان نهادهای سیاست‌گذار اجرا و با تحلیل عاملی تأییدی اعتبارسنجی می‌شود. سپس روابط میان مؤلفه‌ها با مدل‌سازی ساختاری تفسیری سطح‌بندی و با تحلیل ماتریس اثرات متقاطع بر حسب قدرت نفوذ و وابستگی طبقه‌بندی می‌گردد.
یافته‌ها: خروجی تحلیل نظری، چارچوبی متشکل از سه لایه است: لایه مبانی نظری (مدل فرایندی کایرن با تفصیل مرحله دستورکارگذاری بر اساس سه گام نخست مدل هشت‌مرحله‌ای پورعزت و اصول مشارکت عمومی)، لایه عناصر هوشمندسازی (داده‌های بزرگ، هوش مصنوعی، پلتفرم‌های مشارکت دیجیتال و سامانه‌های پایش هوشمند) و لایه بستر بومی (ساختار سیاسی-اداری، محدودیت‌های زیرساختی و فرهنگ سازمانی). همچنین مقایسه پنج مدل خط‌مشی‌گذاری هوشمند نشان داد که هیچ‌یک به‌تنهایی الزامات یک نظام هوشمند دستورکارگذاری را پوشش نمی‌دهد.
نتیجه‌گیری: چارچوب و طرح روش‌شناختی ارائه‌شده، مسیری شفاف، تکرارپذیر و قابل ممیزی برای تبدیل ادبیات پراکنده خط‌مشی‌گذاری هوشمند به مدلی بومی و سلسله‌مراتبی فراهم می‌کند و می‌تواند مبنای پژوهش‌های تجربی بعدی و طراحی سامانه‌های پشتیبان دستورکارگذاری در نهادهایی مانند مجلس و سازمان برنامه و بودجه قرار گیرد.
کلیدواژه‌ها
دستورکارگذاری
نظام پیشنهاده خط‌مشی
خط‌مشی‌گذاری هوشمند
هوش مصنوعی
روش آمیخته
مدل‌سازی ساختاری تفسیری
موضوعات

عنوان مقاله English

Designing a Smart Public Policy Agenda-Setting Model: A Conceptual Framework and Sequential Exploratory Mixed-Methods Methodological Design

نویسندگان English

Seyyed Mojtaba Hosseininia
Karamollah Daneshfard
Hormat Asghari
Department of Public Administration, SR.C., Islamic Azad University, Tehran, Iran
چکیده English

Purpose: Agenda setting is the first and most consequential stage in the public policy cycle, as it determines which public issues receive the attention of decision-making systems and which remain overlooked. Despite the growing application of artificial intelligence, big data, and digital platforms in policy implementation and evaluation, no systematic model has yet been developed for the intelligent transformation of the agenda-setting stage, particularly within the context of Iran’s policymaking system. This article aims to develop an initial conceptual framework and a rigorous methodological design for constructing a smart public policy agenda-setting model.
Method: This article is derived from a doctoral dissertation and, based on a systematic and critical review of the theoretical literature, formulates a three-layer conceptual framework and subsequently proposes a sequential exploratory mixed-methods research design to test and refine it. The research is grounded in the philosophy of pragmatism. In the qualitative phase, semi-structured interviews will be conducted with selected experts using purposive and snowball sampling until data saturation is reached, and the data will be analyzed using Braun and Clarke’s six-phase thematic analysis. In the quantitative phase, a researcher-developed questionnaire derived from the qualitative findings will be administered to a sample of 300 managers and experts from policymaking institutions and validated through confirmatory factor analysis. Subsequently, the relationships among the components will be structured and leveled using Interpretive Structural Modeling (ISM), while the components will be classified according to their driving power and dependence using Cross-Impact Matrix Multiplication Applied to Classification (MICMAC) analysis.
Findings: The theoretical analysis resulted in a three-layer framework: the theoretical foundations layer, comprising the Cairney process model, with the agenda-setting stage elaborated based on the first three steps of PourEzzat’s eight-stage model and the principles of public participation; the intelligent transformation elements layer, comprising big data, artificial intelligence, digital participation platforms, and intelligent monitoring systems; and the contextual layer, encompassing the political-administrative structure, infrastructural constraints, and organizational culture. Furthermore, a comparison of five smart policymaking models indicated that none of them, individually, fully addresses the requirements of an intelligent agenda-setting system.
Conclusion: The proposed framework and methodological design provide a transparent, replicable, and auditable pathway for transforming the fragmented literature on smart policymaking into an indigenous and hierarchical model. They can serve as a foundation for subsequent empirical research and for designing agenda-setting support systems in institutions such as the Parliament and the Plan and Budget Organization.

کلیدواژه‌ها English

Agenda Setting
Policy Agenda System
Smart Policymaking
Artificial Intelligence
Mixed-Methods Research
Interpretive Structural Modeling
اسکندری و همکاران (۱۴۰۳). ارائه فرامدل خط‌مشی‌گذاری توسعه هوش مصنوعی در صنعت فینتک.
بوستان‌زر و همکاران (۱۴۰۱). مدل اجرای هوشمند خط‌مشی‌های عمومی در سازمان‌های دولتی: مطالعه‌ای در وزارت تعاون، کار و رفاه اجتماعی.
حق‌شناس گرگابی و همکاران (۱۴۰۴). واکاوی علل شکست ارزشیابی اجرای خط‌مشی‌های زیربنایی در ایران.
عابدی جعفری، حسن؛ تسلیمی، محمدسعید؛ فقیهی، ابوالحسن و شیخ‌زاده، محمد (۱۳۹۰). تحلیل مضمون و شبکه مضامین. اندیشه مدیریت راهبردی، ۵(۲)، ۱۵۱-۱۹۸.
قره‌داغی و همکاران (۱۴۰۲). ارائه مدل خط‌مشی‌گذاری عمومی در گردشگری پزشکی با تأکید بر حکمرانی شبکه‌ای.
قلی‌پور، رحمت‌الله و عطاردی (۱۳۹۹). شناسایی اهمیت نقش رسانه در فرآیند خط‌مشی‌گذاری عمومی.
مرکز پژوهش‌های مجلس شورای اسلامی (۱۴۰۲). ظرفیت‌های هوش مصنوعی در ارتقای فرآیند خط‌مشی‌گذاری عمومی.
نجفی رستاقی و همکاران (۱۴۰۲). چالش‌ها و راهکارهای هوشمندسازی فرایند خط‌مشی‌گذاری عمومی.
عباسی، حمیده، و دانشفرد، کرم‌الله. (۱۴۰۰). الگوی مشارکت شهروندان در مرحله اول خط‌مشی‌گذاری عمومی (شناسایی مسائل عمومی). مطالعات بین‌رشته‌ای دانش راهبردی، 11(42) ۲۴۷–۲۷۰.
سلیمانی خوئینی، مهدی، دانشفرد، کرم‌الله، و نجف‌بیگی، رضا. (۱۳۹۸). الگوی اقتضایی شناسایی مسائل عمومی در فرایند خط‌مشی‌گذاری ایران با تأکید بر عوامل پیش‌ران. فصلنامه مدیریت دولتی، (40)
لطفی، حمید، دانشفرد، کرم‌الله، و موسی‌خانی، مرتضی. (۱۳۹۹). بررسی تطبیقی نقش سازمان‌های مردم‌نهاد در فرایند خط‌مشی‌گذاری عمومی ایران و کشورهای منتخب. فصلنامه مطالعات راهبردی سیاستگذاری عمومی، 10(36)
وفائی، ابراهیم، دانشفرد، کرم‌الله، و موسی‌خانی، مرتضی. (۱۴۰۳). الگوی دیده‌بانی خط‌مشی‌های عمومی با تأکید بر عصر دیجیتال (مورد مطالعه: نظام بانکی). آینده‌پژوهی مدیریت، 35(3) ۱۲۸–۱۶۴.
رحیمی معین، الهام، فقیهی، ابوالحسن، و دانشفرد، کرم‌الله. (۱۴۰۳). الگوی ارزیابی اجرای خط‌مشی‌های توسعه شهری مبتنی بر هوشمندسازی شهری. مطالعات علوم مدیریت دریایی، 5(3)، ۵–۳۴.
Allam, Z., & Dhunny, Z. A. (2019). On big data, artificial intelligence and smart cities. Cities, 89, 80–91.
Ansell, C., & Torfing, J. (2021). Public governance as co-creation. Cambridge University Press.
Baumgartner, F. R., Jones, B. D., & Mortensen, P. B. (2018). Punctuated equilibrium theory. In C. M. Weible & P. A. Sabatier (Eds.), Theories of the policy process (4th ed.). Routledge.
Birkland, T. A. (2020). An introduction to the policy process (5th ed.). Routledge.
Braun, V., & Clarke, V. (2022). Thematic analysis: A practical guide. SAGE.
Brown, T. A. (2015). Confirmatory factor analysis for applied research (2nd ed.). Guilford.
Busuioc, M. (2021). Accountable artificial intelligence: Holding algorithms to account. Public Administration Review, 81(5), 825–836.
Cairney, P. (2019). Understanding public policy (2nd ed.). Red Globe Press.
Creswell, J. W., & Creswell, J. D. (2023). Research design (6th ed.). SAGE.
Creswell, J. W., & Plano Clark, V. L. (2018). Designing and conducting mixed methods research (3rd ed.). SAGE.
Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.
Fung, A. (2015). Putting the public back into governance. Public Administration Review, 75(4), 513–522.
Giest, S. (2017). Big data for policymaking: Fad or fasttrack? Policy Sciences, 50(3), 367–382.
Grimmelikhuijsen, S. (2023). Explaining why the computer says no. Public Administration Review, 83(2), 241–262.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.
Head, B. W. (2016). Toward more "evidence-informed" policy making? Public Administration Review, 76(3), 472–484.
Head, B. W. (2022). Wicked problems in public policy. Palgrave Macmillan.
Herweg, N., Zahariadis, N., & Zohlnhöfer, R. (2018). The multiple streams framework. In C. M. Weible & P. A. Sabatier (Eds.), Theories of the policy process (4th ed.). Routledge.
Hill, M., & Varone, F. (2021). The public policy process (8th ed.). Routledge.
Höchtl, J., Parycek, P., & Schöllhammer, R. (2016). Big data in the policy cycle. Journal of Organizational Computing and Electronic Commerce, 26(1–2), 147–169.
Howlett, M., Ramesh, M., & Perl, A. (2020). Studying public policy (4th ed.). Oxford University Press.
Janssen, M., & Kuk, G. (2016). The challenges and limits of big data algorithms in technocratic governance. Government Information Quarterly, 33(3), 371–377.
Kingdon, J. W. (2011). Agendas, alternatives, and public policies (updated 2nd ed.). Longman.
Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). Guilford.
Kraft, M. E., & Furlong, S. R. (2020). Public policy (7th ed.). CQ Press.
Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic inquiry. SAGE.
Mehrabi, N., et al. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys, 54(6), 1–35.
Meijer, A., & Bolívar, M. P. R. (2016). Governing the smart city. International Review of Administrative Sciences, 82(2), 392–408.
Mukherjee, I., & Bali, A. S. (2019). Policy effectiveness and capacity. Policy Design and Practice, 2(2), 103–114.
Newig, J., et al. (2018). The environmental performance of participatory and collaborative governance. Policy Studies Journal, 46(2), 269–297.
Nowell, L. S., Norris, J. M., White, D. E., & Moules, N. J. (2017). Thematic analysis: Striving to meet the trustworthiness criteria. International Journal of Qualitative Methods, 16(1).
Ogie, R. I., Perez, P., & Dignum, V. (2017). Smart infrastructure. Proceedings of the ICE – Smart Infrastructure and Construction, 170(1), 8–16.
Parkhurst, J. (2017). The politics of evidence. Routledge.
Patton, M. Q. (2015). Qualitative research and evaluation methods (4th ed.). SAGE.
Pencheva, I., Esteve, M., & Mikhaylov, S. J. (2020). Big data and AI – A transformational shift for government. Public Policy and Administration, 35(1), 24–44.
Pereira, G. V., et al. (2018). Smart governance in the context of smart cities. Information Polity, 23(2), 143–162.
Saunders, M., Lewis, P., & Thornhill, A. (2019). Research methods for business students (8th ed.). Pearson.
Stone, D. (2012). Policy paradox (3rd ed.). W. W. Norton.
Sun, T. Q., & Medaglia, R. (2019). Mapping the challenges of artificial intelligence in the public sector. Government Information Quarterly, 36(2), 368–383.
Sushil. (2017). Modified ISM/TISM process with simultaneous transitivity checks for reachability matrix. Global Journal of Flexible Systems Management, 18(4), 331–351.
Taeihagh, A. (2021). Governance of artificial intelligence. Policy and Society, 40(2), 137–157.
Valle-Cruz, D., et al. (2020). Assessing the public policy-cycle framework in the age of artificial intelligence. Government Information Quarterly, 37(4), 101509.
van Zoonen, L. (2016). Privacy concerns in smart cities. Government Information Quarterly, 33(3), 472–480.
Vinuesa, R., et al. (2020). The role of artificial intelligence in achieving the Sustainable Development Goals. Nature Communications, 11, 233.
Warfield, J. N. (1974). Developing interconnection matrices in structural modeling. IEEE Transactions on Systems, Man, and Cybernetics, SMC-4(1), 81–87.
Wirtz, B. W., Weyerer, J. C., & Geyer, C. (2019). Artificial intelligence and the public sector. International Journal of Public Administration, 42(7), 596–615.
Wu, X., Ramesh, M., & Howlett, M. (2015). Policy capacity. Policy and Society, 34(3–4), 165–171.
Zuiderwijk, A., Chen, Y.-C., & Salem, F. (2021). Implications of the use of artificial intelligence in public governance. Government Information Quarterly, 38(3), 101577.