سامانه مدیریت نشریات علمی دانشگاه شاهد

اصغری نجیب, مریم, فیض, داود, ملکی مین باش رزگاه, مرتضی, زارعی, عظیم. (1400). شناسایی چارچوب گفتمانی راه‌کارهای مقابله با تغییرات اقلیمی مبتنی بر هوش مصنوعی: تحلیل اکتشافی از کسب-وکارهای B2B. , 18(18), 183-201. doi: 10.22070/cs.2023.17247.1274
مریم اصغری نجیب; داود فیض; مرتضی ملکی مین باش رزگاه; عظیم زارعی. "شناسایی چارچوب گفتمانی راه‌کارهای مقابله با تغییرات اقلیمی مبتنی بر هوش مصنوعی: تحلیل اکتشافی از کسب-وکارهای B2B". , 18, 18, 1400, 183-201. doi: 10.22070/cs.2023.17247.1274
اصغری نجیب, مریم, فیض, داود, ملکی مین باش رزگاه, مرتضی, زارعی, عظیم. (1400). 'شناسایی چارچوب گفتمانی راه‌کارهای مقابله با تغییرات اقلیمی مبتنی بر هوش مصنوعی: تحلیل اکتشافی از کسب-وکارهای B2B', , 18(18), pp. 183-201. doi: 10.22070/cs.2023.17247.1274
اصغری نجیب, مریم, فیض, داود, ملکی مین باش رزگاه, مرتضی, زارعی, عظیم. شناسایی چارچوب گفتمانی راه‌کارهای مقابله با تغییرات اقلیمی مبتنی بر هوش مصنوعی: تحلیل اکتشافی از کسب-وکارهای B2B. , 1400; 18(18): 183-201. doi: 10.22070/cs.2023.17247.1274

شناسایی چارچوب گفتمانی راه‌کارهای مقابله با تغییرات اقلیمی مبتنی بر هوش مصنوعی: تحلیل اکتشافی از کسب-وکارهای B2B

نشریه علمی راهبردهای بازرگانی
دوره 18، شماره 18، اسفند 1400، صفحه 183-201    اصل مقاله (983.6 K)
نوع مقاله: مقاله مستخرج از رساله دکتری
شناسه دیجیتال (DOI): 10.22070/cs.2023.17247.1274
نویسندگان
مریم اصغری نجیب1؛ داود فیض* 2؛ مرتضی ملکی مین باش رزگاه3؛ عظیم زارعی4
1دانشجوی دکترای مدیریت بازرگانی، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران
2استاد گروه مدیریت، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران
3دانشیار گروه مدیریت، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان، ایران سمنان
4استاد گروه مدیریت، دانشکده اقتصاد، مدیریت و علوم اداری، دانشگاه سمنان، سمنان. ایران
چکیده
پیچیدگی، عدم اطمینان و تغییرات محیطی از جمله تغییرات اقلیمی، کسب­وکارهای B2B را ملزم به شناسایی راه­کارهایی برای مقابله با آن­ها و بازنگری نسبت به استراتژی­های خود کرده است. از این رو پژوهش حاضر با هدف شناسایی چارچوب گفتمانی راه­کارهای مقابله با تغییرات اقلیمی مبتنی بر هوش مصنوعی در کسب­وکارهای B2B با استفاده از روش کیو انجام گرفت. چارچوب فلسفی این پژوهش، پارادایم تفسیری-اثبات­گرایی است که از منظر هدف، کاربردی شمرده می‌شود. مشارکت‌کنندگان پژوهش که به‌صورت هدفمند و با روش گلوله برفی انتخاب شدند، 9 نفر از مدیران کسب­وکارهای B2B بودند که کسب­وکار آن­ها متاثر از تغییرات اقلیمی می­باشد. دیدگاه‌های آن‌ها با تحلیل عاملی کیو و استفاده از نرم‌افزار SPSS 25 تجزیه­وتحلیل شد. نتایج نشان می­دهد که چارچوب گفتمانی راه­کارهای مقابله با تغییرات اقلیمی مبتنی بر هوش مصنوعی در سه دسته ذهنیت، ظرفیت­سازی آموزش، کاهش و ظرفیت­سازی ادراک، قرار دارد. تغییرات اقلیمی شدیدترین تهدیدی است که نوع بشر امروزی با آن مواجه و مقابله با آن نه تنها یک ضرورت فوری جهانی بلکه یک فرصت تجاری عظیم می­باشد. از سوی دیگر هوش مصنوعی قدرتمندترین ابزاری است که بشر در قرن بیست و یکم در اختیار دارد که با استفاده از این ابزار می­تواند با این تغییرات مقابله کند و و بهره­وری خود را حفظ و یا حتی ارتقا دهد.
کلیدواژه‌ها
کسب‌وکارهای B2B؛ تغییرات اقلیمی؛ هوش مصنوعی؛ روش کیو
مراجع
  1. DiBella J. The spatial representation of business models for climate adaptation: An approach for business model innovation and adaptation strategies in the private sector. Business Strategy & Development. 2020;3(2):245-60.
  2. IPCC. Global warming of 1.5°C. An IPCC Special Report on the impacts of global warming of 1.5°C above pre-industrial levels and related global greenhouse gas emission pathways, in the context of strengthening the global response to the threat of climate change, sustainable development, and efforts to eradicate poverty. https://www.ipcc.ch/sr15/2018.
  3. Masson-Delmotte V, Zhai P, Pörtner H-O, Roberts D, Skea J, Shukla PR. Global Warming of 1.5° C: IPCC Special Report on Impacts of Global Warming of 1.5° C above Pre-industrial Levels in Context of Strengthening Response to Climate Change, Sustainable Development, and Efforts to Eradicate Poverty: Cambridge University Press; 2018.
  4. Pachauri RK, & Meyer, L. A. . Climate Change 2014: Synthesis Report. Contribution of Working Groups I, II and III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. 2014.
  5. FORBES. organizations are feeling pain of climate change here are five ways its affecting their business. https://b2n.ir/e340682021.
  6. Forino G, von Meding J. Climate change adaptation across businesses in Australia: interpretations, implementations, and interactions. Environment, Development and Sustainability. 2021;23(12):18540-55.
  7. Chandy R, Dowell G, Mayer C, Plambeck E, Serafeim G, Toffel M, et al. Management science—special issue on business and climate change. Management Science. 2019;65(7):3447-8.
  8. Hu Q, Lu Y, Pan Z, Gong Y, Yang Z. Can AI artifacts influence human cognition? The effects of artificial autonomy in intelligent personal assistants. International Journal of Information Management. 2021;56:102250.
  9. Guo H, Xu H, Tang C, Liu-Thompkins Y, Guo Z, Dong B. Comparing the impact of different marketing capabilities: Empirical evidence from B2B firms in China. Journal of Business Research. 2018;93:79-89.
  10. Chen P, Gao J, Ji Z, Liang H, Peng Y. Do Artificial Intelligence Applications Affect Carbon Emission Performance?—Evidence from Panel Data Analysis of Chinese Cities. Energies. 2022;15(15):5730.
  11. Huntingford C, Jeffers ES, Bonsall MB, Christensen HM, Lees T, Yang H. Machine learning and artificial intelligence to aid climate change research and preparedness. Environmental Research Letters. 2019;14(12):124007.
  12. Dwivedi YK, Ismagilova E, Hughes DL, Carlson J, Filieri R, Jacobson J, et al. Setting the future of digital and social media marketing research: Perspectives and research propositions. International Journal of Information Management. 2021;59:102168.
  13. Ågerfalk PJ. Artificial intelligence as digital agency. European Journal of Information Systems. 2020;29(1):1-8.
  14. Ransbotham S, Gerbert P, Reeves M, Kiron D, Spira M. Artificial intelligence in business gets real. MIT sloan management review. 2018;60280.
  15. Mikalef P, Conboy K, Krogstie J. Artificial intelligence as an enabler of B2B marketing: A dynamic capabilities micro-foundations approach. Industrial Marketing Management. 2021;98:80-92.
  16. Duan Y, Edwards JS, Dwivedi YK. Artificial intelligence for decision making in the era of Big Data–evolution, challenges and research agenda. International journal of information management. 2019;48:63-71.
  17. Chui M. Artificial intelligence the next digital frontier. McKinsey and Company Global Institute. 2017;47(3.6).
  18. Microsoft. The carbon benefits of cloud computing: a study on the Microsoft Cloud. https://www.microsoft.com/en-us/download/details.aspx?id=569502018.
  19. Cowls J, Tsamados A, Taddeo M, Floridi L. The AI gambit: leveraging artificial intelligence to combat climate change—opportunities, challenges, and recommendations. Ai & Society. 2021:1-25.
  20. Dwivedi YK, Wang Y. Guest editorial: Artificial intelligence for B2B marketing: Challenges and opportunities. Elsevier; 2022. p. 109-13.
21 .Cortez RM, Johnston WJ. The future of B2B marketing theory: A historical and prospective analysis. Industrial Marketing Management. 2017;66:90-102.

  1. Webster Jr FE. Management Science in Industrial Marketing: A review of models and measurement techniques–new rigor, new sophistication. Journal of Marketing. 1978;42(1):21-7.
  2. Lilien GL, Petersen, A. J., & Wuyts, S. . Handbook of business-to-business marketing: Edward Elgar Publishing; 2022.
  3. Webster FE, Keller KL. A roadmap for branding in industrial markets. Journal of Brand Management. 2004;11(5):388-402.
  4. McCarthy J, Minsky ML, Rochester N, Shannon CE. A proposal for the dartmouth summer research project on artificial intelligence, august 31, 1955. AI magazine. 2006;27(4):12-.
  5. Huang M-H, Rust RT. Artificial intelligence in service. Journal of Service Research. 2018;21(2):155-72.
  6. Syam N, Sharma A. Waiting for a sales renaissance in the fourth industrial revolution: Machine learning and artificial intelligence in sales research and practice. Industrial marketing management. 2018;69:135-46.
  7. Davenport TH, Ronanki R. Artificial intelligence for the real world. Harvard business review. 2018;96(1):108-16.
  8. Kaplan A, Haenlein M. Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons. 2019;62(1):15-25.
  9. Akter S, Wamba SF, Mariani M, Hani U. How to build an AI climate-driven service analytics capability for innovation and performance in industrial markets? Industrial Marketing Management. 2021;97:258-73.
  10. Ransbotham S, Kiron D. Using analytics to improve customer engagement. MIT Sloan Management Review. 2018;59(3):1-20.
  11. Ouhamdouch S, Bahir M, Ouazar D, Carreira PM, Zouari K. Evaluation of climate change impact on groundwater from semi-arid environment (Essaouira Basin, Morocco) using integrated approaches. Environmental Earth Sciences. 2019;78(15):1-14.
  12. Martens P, McEvoy D, Chang CT. Climate change: responding to a major challenge for sustainable development. Sustainability science: Springer; 2016. p. 303-10.
  13. Mousavi A, Ardalan A, Takian A, Ostadtaghizadeh A, Naddafi K, Bavani AM. Climate change and health in Iran: a narrative review. Journal of Environmental Health Science and Engineering. 2020;18(1):367-78.
  14. Inderwildi O, Zhang C, Wang X, Kraft M. The impact of intelligent cyber-physical systems on the decarbonization of energy. Energy & Environmental Science. 2020;13(3):744-71.
  15. Sayed-Mouchaweh M. Artificial intelligence techniques for a scalable energy transition: advanced methods, digital technologies, decision support tools, and applications: Springer; 2020.
  16. Narciso DA, Martins F. Application of machine learning tools for energy efficiency in industry: A review. Energy Reports. 2020;6:1181-99.
  17. Paschen J, Wilson M, Ferreira JJ. Collaborative intelligence: How human and artificial intelligence create value along the B2B sales funnel. Business Horizons. 2020;63(3):403-14.
  18. Collins C, Dennehy D, Conboy K, Mikalef P. Artificial intelligence in information systems research: A systematic literature review and research agenda. International Journal of Information Management. 2021;60:102383.
  19. Bag S, Pretorius JHC, Gupta S, Dwivedi YK. Role of institutional pressures and resources in the adoption of big data analytics powered artificial intelligence, sustainable manufacturing practices and circular economy capabilities. Technological Forecasting and Social Change. 2021;163:120420.
  20. Coombs C, Hislop D, Taneva SK, Barnard S. The strategic impacts of Intelligent Automation for knowledge and service work: An interdisciplinary review. The Journal of Strategic Information Systems. 2020;29(4):101600.
  21. Leone D, Schiavone F, Appio FP, Chiao B. How does artificial intelligence enable and enhance value co-creation in industrial markets? An exploratory case study in the healthcare ecosystem. Journal of Business Research. 2021;129:849-59.
  22. Rolnick D, Donti PL, Kaack LH, Kochanski K, Lacoste A, Sankaran K, et al. Tackling climate change with machine learning. ACM Computing Surveys (CSUR). 2022;55(2):1-96.
44 .Churruca K, Ludlow K, Wu W, Gibbons K, Nguyen HM, Ellis LA, et al. A scoping review of Q-methodology in healthcare research. BMC medical research methodology. 2021;21(1):1-17.

  1. Brown SR, editor The history and principles of Q methodology in psychology and the social sciences. Red at the British Psychological Society Symposium on, A Quest for a Science of Subjectivity: The Lifework of William Stephenson, University of London; 1997.
  2. Stenner P, Watts S, Worrell M. Q methodology. The SAGE handbook of qualitative research in psychology. 2008:215-39.
  3. Khoshgouyan fard A. Q Method: IRIB research (In Persian); 2007.
  4. Dennis KE. Q-methodology: New perspectives on estimating reliability and validity. Measurement of nursing outcomes. 1988;2:409-19.
  5. Carnelley JA. The Components of Marketing Capability: A framework and processes of knowledge integration for development: University of Pretoria; 2018.
  6. Surminski S. Private-sector adaptation to climate risk. Nature Climate Change. 2013;3(11):943-5.
  7. BCG. How AI Can Be a Powerful Tool in the Fight Against Climate Change. https://web-assets.bcg.com/ff/d7/90b70d9f405fa2b67c8498ed39f3/ai-for-the-planet-bcg-report-july-2022.pdf2022.
  8. Wamba-Taguimdje S-L, Wamba SF, Kamdjoug JRK, Wanko CET. Influence of artificial intelligence (AI) on firm performance: the business value of AI-based transformation projects. Business Process Management Journal. 2020;26(7):1893-924.
  9. Balaban O, Gedikli B. Sustainability of Climate Policy at Local Level: The Case of Gaziantep City. Smart Resilient and Transition Cities Emerging Approaches and Tools for a Climate-Sensitive Urban Development Amsterdam: Elsevier. 2018.
  10. Abdalla AN, Nazir MS, Tao H, Cao S, Ji R, Jiang M, et al. Integration of energy storage system and renewable energy sources based on artificial intelligence: An overview. Journal of Energy Storage. 2021;40:102811.
  11. Nazir MS, Wang Y, Bilal M, Sohail HM, Kadhem AA, Nazir HR, et al. Comparison of small-scale wind energy conversion systems: economic indexes. Clean Technologies. 2020;2(2):144-55.
  12. Engel H, Enkvist P-A, Henderson K. How companies can adapt to climate change. McKinsey com. 2015.
  13. CDP. Major Public Companies Describe Climate-Related Risks and Costs: A Review of Findings from CDP 2011–2013 Disclosures. 2014.
  14. Review HB. Machine Learning Can Help B2B Firms Learn More About Their Customers. https://hbr.org/2018/01/machine-learning-can-help-b2b-firms-learn-more-about-their-customers2018.
  15. CDP. Tackle your environmental risks, achieve your sustainability goals and make your business more resilient. https://www.cdp.net/en/supply-chain2021.
آمار
تعداد مشاهده مقاله: 284
تعداد دریافت فایل اصل مقاله: 323