تحلیل پیامدهای هوشمندسازی زنجیره تأمین مالی بر کاهش ریسک نقدینگی و افزایش کارایی سرمایه در گردش
کلمات کلیدی:
زنجیره تأمین مالی هوشمند, ریسک نقدینگی, سرمایه در گردش, تحلیل پیشبینانه, فناوری مالی, مدیریت جریان نقدچکیده
هدف: هدف این پژوهش تبیین پیامدهای هوشمندسازی زنجیره تأمین مالی بر کاهش ریسک نقدینگی و ارتقای کارایی سرمایه در گردش شرکتها از دیدگاه خبرگان مالی، زنجیره تأمین و فناوری مالی بود. این پژوهش با رویکرد کیفی و طرح تحلیل مضمون انجام شد. مشارکتکنندگان شامل ۲۰ نفر از مدیران مالی، مدیران خزانهداری، مدیران زنجیره تأمین، متخصصان بانکداری شرکتی و کارشناسان فناوری مالی فعال در شرکتها و مؤسسات مالی شهر تهران بودند که بهصورت هدفمند انتخاب شدند. دادهها از طریق مصاحبههای نیمهساختاریافته گردآوری شد و فرایند مصاحبه تا دستیابی به اشباع نظری ادامه یافت. مصاحبهها پس از پیادهسازی، با استفاده از نرمافزار NVivo و بر اساس مراحل کدگذاری باز، محوری و انتخابی تحلیل شدند. برای افزایش اعتبار یافتهها از بازبینی مشارکتکنندگان، بازبینی همتایان، ثبت مسیر تحلیل و مقایسه مستمر دادهها استفاده شد. تحلیل مصاحبهها به استخراج چهار مقوله اصلی منجر شد: «شفافیت دادهمحور و پیشبینیپذیری نقدینگی»، «بازآرایی ریسک اعتباری و عملیاتی در شبکه تأمین مالی»، «بهبود چرخه تبدیل وجه نقد و کارایی سرمایه در گردش» و «الزامات حکمرانی، یکپارچگی داده و آمادگی سازمانی». یافتهها نشان دادند که هوشمندسازی از طریق صورتحساب الکترونیک، تحلیل پیشبینانه، امتیازدهی هوشمند تأمینکنندگان، قراردادهای هوشمند و اتصال سامانههای مالی و عملیاتی، امکان پایش جریان نقد، کاهش عدمتقارن اطلاعاتی، تسریع وصول مطالبات و تصمیمگیری دقیقتر درباره پرداختها و تأمین مالی کوتاهمدت را فراهم میکند. هوشمندسازی زنجیره تأمین مالی صرفاً یک تحول فناورانه نیست، بلکه سازوکاری راهبردی برای مدیریت یکپارچه نقدینگی، کنترل ریسک، افزایش انعطافپذیری مالی و بهینهسازی سرمایه در گردش است. با این حال، تحقق کامل منافع آن مستلزم کیفیت داده، همسویی میان واحد مالی و زنجیره تأمین، زیرساخت فناورانه، اعتماد میان شرکای تجاری و حکمرانی دقیق داده است.
دانلودها
مراجع
Aktas, N., Croci, E., & Petmezas, D. (2015). Is working capital management value-enhancing? Evidence from firm performance and investments. Journal of Corporate Finance, 30, 98–113. doi:10.1016/j.jcorpfin.2014.12.008
Arunachalam, D., Kumar, N., & Kawalek, J. P. (2018). Understanding big data analytics capabilities in supply chain management: Unravelling the issues, challenges and implications for practice. Transportation Research Part E: Logistics and Transportation Review, 114, 416–436. doi:10.1016/j.tre.2017.04.001
Babich, V., & Kouvelis, P. (2018). Introduction to the special issue on research at the interface of finance, operations, and risk management: Recent contributions and future directions. Manufacturing & Service Operations Management, 20(1), 1–18. doi:10.1287/msom.2018.0706
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. doi:10.1191/1478088706qp063oa
Creswell, J. W., & Poth, C. N. (2018). Qualitative inquiry and research design: Choosing among five approaches (4th ed.). SAGE Publications.
Deloof, M. (2003). Does working capital management affect profitability of Belgian firms? Journal of Business Finance & Accounting, 30(3–4), 573–588. doi:10.1111/1468-5957.00008
Gelsomino, L. M., Mangiaracina, R., Perego, A., & Tumino, A. (2016). Supply chain finance: A literature review. International Journal of Physical Distribution & Logistics Management, 46(4), 348–366. doi:10.1108/IJPDLM-08-2014-0173
Han, Z., & Wang, Z. (2025). Digitalization and supply chain finance risk: Evidence from listed firms in the construction industry. Finance Research Letters, 74, 106726. doi:10.1016/j.frl.2024.106726
Hazen, B. T., Boone, C. A., Ezell, J. D., & Jones-Farmer, L. A. (2014). Data quality for data science, predictive analytics, and big data in supply chain management. International Journal of Production Economics, 154, 72–80. doi:10.1016/j.ijpe.2014.04.018
Hofmann, E. (2005). Supply chain finance: Some conceptual insights. In Logistik Management: Innovative Logistikkonzepte (pp. 203–214). Deutscher Universitätsverlag.
Johnson, S., Robinson, P., Atreya, K., & Lisco, C. (2019). Invoice financing of supply chains with blockchain technology and artificial intelligence. arXiv preprint arXiv:1906.03306.
Klapper, L. (2006). The role of factoring for financing small and medium enterprises. Journal of Banking & Finance, 30(11), 3111–3130. doi:10.1016/j.jbankfin.2006.05.001
Kouvelis, P., & Xu, F. (2021). A supply chain theory of factoring and reverse factoring. Management Science, 67(10), 6071–6088. doi:10.1287/mnsc.2020.3787
Lasch, R. (2022). Blockchain-driven supply chain finance. Logistics Research.
Luo, Z. (2024). A survey on blockchain-based supply chain finance with progress and future directions. arXiv preprint arXiv:2408.08915.
Pfohl, H. C., & Gomm, M. (2009). Supply chain finance: Optimizing financial flows in supply chains. Logistics Research, 1, 149–161. doi:10.1007/s12159-009-0020-y
Richards, V. D., & Laughlin, E. J. (1980). A cash conversion cycle approach to liquidity analysis. Financial Management, 9(1), 32–38. doi:10.2307/3665310
Ronchini, A., Guida, M., Moretto, A., & Caniato, F. (2024). The role of artificial intelligence in the supply chain finance innovation process. Operations Management Research, 17(4), 1213–1243. doi:10.1007/s12063-024-00492-2
Wuttke, D. A., Blome, C., & Henke, M. (2013). Focusing the financial flow of supply chains: An empirical investigation of financial supply chain management. International Journal of Production Economics, 145(2), 773–789. doi:10.1016/j.ijpe.2013.05.031
Zhu, Y., Zhou, L., Xie, C., Wang, G. J., & Nguyen, T. V. (2019). Forecasting SMEs’ credit risk in supply chain finance with an enhanced hybrid ensemble machine learning approach. International Journal of Production Economics, 211, 22–33. doi:10.1016/j.ijpe.2019.01.032