Искусственный интеллект: проблемы применения при интеграции факторов устойчивого развития в модель анализа эффективности сделки слияния и поглощения
Аннотация
Предмет: развитие искусственного интеллекта и его применение в инвестиционном анализе способствует включению нефинансовых рисков в анализ эффективности сделок слияния и поглощения. Цель: исследование возможностей применения технологий искусственного интеллекта в сделках слияния и поглощения и выявление проблемных аспектов при интеграции факторов устойчивого развития в анализ эффективности сделок слияния и поглощения. Дизайн исследования: исследование проводится в форме аналитического и систематического обзора литературы на основе научных баз ScienceDirect, Business Source Premier, Scopus, Web of Science, IEEE, Google Scholar, используя такие ключевые слова, как сделки слияния и поглощения, анализ эффективности, риск, неопределенность, анализ рисков, качественные оценки рисков, факторы устойчивого развития, искусственный интеллект и нейронные сети. Результаты: автором выявлены и описаны проблемные аспекты применения искусственного интеллекта в анализе эффективности сделок слияния и поглощения при интеграции факторов устойчивого развития. Результаты данного исследования систематизируют идеи, разработанные научным сообществом по вопросу применения искусственного интеллекта в анализе эффективности сделок слияния и поглощения.
Скачивания
Литература
Ефимова О.В. Об учете факторов устойчивого развития в финансовом моделировании инвестиционных проектов // Вестник Воронежского государственного университета. Серия: Экономика и управление, 2021, no. 2, с. 99-111.
Ефимова О.В. Развитие инструментария финансового анализа и его информационного обеспечения для целей обоснования принимаемых решений //Экономика и управление: проблемы, решения, 2019, Т. 15, no. 3, с. 12-20.
Рожнова О.В. и др. Информация финансовой и нефинансовой отчетностей как основа для стратегических решений бизнеса, 2020.
Aaldering L.J., Leker J., Song C.H. Recommending untapped M&A opportunities: A combined approach using principal component analysis and collaborative filtering // Expert systems with applications, 2019, t. 125, рр. 221-232.
Acuña-Carvajal F. et al. An integrated method to plan, structure and validate a business strategy using fuzzy DEMATEL and the balanced scorecard // Expert systems with applications, 2019, t. 122, рр. 351-368.
Amankwah-Amoah J., Adomako S. Big data analytics and business failures in data-Rich environments: An organizing framework // Computers in Industry, 2019, t. 105, рр. 204-212.
Côrte-Real N. et al. Unlocking the drivers of big data analytics value in firms // Journal of Business Research, 2019, t. 97, рр. 160-173.
Dong Q., Slovin M.B., Sushka M.E. Private equity exits after IPOs // Journal of Corporate Finance, 2020, t. 64, р. 101696.
Duan Y., Edwards J.S., Dwivedi Y.K. Artificial intelligence for decision making in the era of Big Data-evolution, challenges and research agenda // International journal of information management, 2019, t. 48, рр. 63-71.
Ghosh P. AAAS: Machine learning ‘causing science crisis’ // BBC News, 2019.
López-Robles J.R. et al. 30 years of intelligence models in management and business: A bibliometric review // International journal of information management, 2019, t. 48, рр. 22-38.
Mikalef P. et al. Big data analytics and firm performance: Findings from a mixedmethod approach // Journal of Business Research, 2019, t. 98, рр. 261-276.
Ransbotham S. et al. Winning with AI // MIT Sloan management review, 2019, t. 61180.
Safhi H.M., Frikh B., Ouhbi B. Assessing reliability of big data knowledge discovery process // Procedia computer science, 2019, t. 148, рр. 30-36.
Surbakti F.P.S. et al. Factors influencing effective use of big data: A research framework // Information & Management, 2020, t. 57, no. 1, р. 103146.
