مدیریت بهینه نقدینگی با بهره گیری از مدل های پیش بینی تقاضا: تحلیل چالش ها و راهکارهای نوین در بنگاه های اقتصادی و نظام بانکی

مدیریت بهینه نقدینگی به عنوان عاملی حیاتی در پایداری مالی، در شرایط پرنوسان اقتصادی ایران نیازمند رویکردهای نوین است. روش های سنتی پیش بینی که مبتنی بر برونیابی خطی و قضاوت تجربی هستند، در مواجهه با الگوهای غیرخطی و تغییرات سریع بازار کارایی لازم را ندارند. این پژوهش با هدف طراحی یک چارچوب عملیاتی برای بهبود مدیریت نقدینگی از طریق بهره گیری از مدل های پیشرفته پیش بینی تقاضا و تحلیل موانع پیاده سازی آن در بستر ایران انجام شده است. روش تحقیق ترکیبی (کمی-کیفی) بوده و در بخش کمی با استفاده از داده های تاریخی پنج ساله یک بنگاه تولیدی و یک بانک خصوصی، عملکرد مدل های کلاسیک (ARIMA، SARIMA) و مدرن (XGBoost، LSTM) مقایسه و یک مدل هیبریدی بهینه (ترکیب SARIMA و LSTM) طراحی شد. در بخش کیفی نیز با انجام مصاحبه های نیمه ساختاریافته با 30 مدیر ارشد مالی، چالش های پیاده سازی به طور عمقی بررسی شد. یافته های کمی نشان داد مدل هیبریدی پیشنهادی با کاهش خطای پیش بینی (MAPE) به 3.6٪، نسبت به بهترین مدل کلاسیک (SARIMA با MAPE=7.1٪) حدود 49٪ و نسبت به مدل پایه ARIMA حدود 57٪ بهبود دقت دارد. یافته های کیفی، موانع اجرایی را در چهار دسته اولویت بندی شده شناسایی کرد: 1) چالش های داده ای (کیفیت پایین و عدم یکپارچگی)، 2) موانع مدیریتی-فردی (مقاومت در برابر تغییر و عدم اعتماد به خروجی مدل ها)، 3) محدودیت های فناورانه، و 4) عوامل محیطی. در نهایت این پژوهش بر اساس یافته ها، چارچوبی مرحله ای برای گذار به مدیریت نقدینگی هوشمند ارائه می دهد که شامل ایجاد زیرساخت داده ای یکپارچه، استقرار تدریجی مدل های پیش بینی و توسعه سامانه های پشتیبان تصمیم گیری هوشمند است. نتایج گویای آن است که حرکت به سمت مدیریت نقدینگی داده محور نه تنها یک امکان فنی، بلکه یک ضرورت راهبردی برای افزایش تاب آوری مالی و کاهش هزینه ها در اقتصاد ایران محسوب می شود.

کلیدواژه ها:

مدیریت نقدینگی ، پیش بینی تقاضا ، هوش مصنوعی