سید رضا علوی کیا
۱- کارشناس ارشد مدیریت بازرگانی گرایش مدیریت استراتژیک؛ کار آفرین مدیر ارشد توسعه و پیشرانی کسبوکار و فناوریهای مالی.
چکیده
انتقال پول برونمرزی بهعنوان یکی از ارکان حیاتی اقتصاد جهانی، همچنان با چالشهای عمدهای نظیر هزینههای بالا، سرعت پایین تسویه و شفافیت ناکافی مواجه است، بهگونهای که میانگین جهانی هزینه ارسال حواله در سهماهه اول سال ۲۰۲۴ حدود ۶٫۳۵ درصد مبلغ تراکنش بوده که فاصله قابلتوجهی از هدف سه درصدی سازمان ملل متحد تا سال ۲۰۳۰ دارد. پژوهش حاضر با هدف طراحی و اعتبارسنجی یک مدل اقتصادی هوشمند برای پلتفرمهای انتقال پول برونمرزی تدوین شده است که در آن هوش مصنوعی بهعنوان موتور محرکه اصلی در بهینهسازی قیمتگذاری، مدیریت نقدینگی، پیشبینی تقاضا و کاهش ریسک عملیاتی و انطباقی ایفای نقش میکند. روششناسی پژوهش از نوع ترکیبی است و در سه مرحله شامل مصاحبه با خبرگان صنعت، مدلسازی اقتصادی و شبیهسازی سناریوهای عملیاتی اجرا میشود. یافتههای پژوهش نشان میدهد که پلتفرمهای مجهز به موتورهای هوش مصنوعی قادرند هزینه کل تراکنش را تا حدود ۲٫۵ درصد کاهش دهند، دقت پیشبینی تقاضای نقدینگی را بهطور معناداری ارتقا بخشند و ضمن حفظ سطح مطلوب انطباق با الزامات نظارتی، حاشیه سود تعدیلشده به ریسک خود را بهبود دهند. مدل پیشنهادی بر تعامل میان اعتماد کاربر، کیفیت داده، ظرفیت نقدینگی و انعطافپذیری نظارتی بهعنوان عوامل تعیینکننده پایداری اقتصادی پلتفرم تأکید دارد. این پژوهش چارچوبی عملی برای بازیگران صنعت پرداخت برونمرزی، سیاستگذاران و پژوهشگران حوزه فناوری مالی فراهم میآورد.
واژگان کلیدی: پلتفرم انتقال پول برونمرزی، هوش مصنوعی، مدل اقتصادی، بهینهسازی قیمتگذاری، ریسک و انطباق.
۱. مقدمه
انتقال پول برونمرزی از دیرباز یکی از ارکان حیاتی اقتصاد جهانی به شمار میرفته است و در سالهای اخیر با ظهور پلتفرمهای فناوری مالی، ساختار و پویایی آن دستخوش تحولات بنیادین شده است بهگونهای که بر اساس گزارش ۲۰۲۵ شرکت مشاوره مکینزی، تا ۶۵ درصد از ارزش انتقالات بینالمللی همتا به همتا در سطح جهان توسط ارائهدهندگان غیرسنتی جذب شده است، در حالی که سهم پلتفرمهای غیربانکی در پرداختهای خرد برونمرزی از ۴۳ درصد یک دهه پیش به ۵۳ درصد در سال ۲۰۲۵ افزایش یافته و این جابهجایی سهم عمدتاً ناشی از عواملی نظیر سرعت تسویه نزدیک به لحظه در مقابل تسویه چندروزه سیستمهای سنتی، شفافیت نرخ ارز در مقابل حاشیههای پنهان و دسترسی دیجیتالمحور در مقابل الزامات حضور فیزیکی در شعب بانکی است؛ اهمیت این تحول زمانی دوچندان میشود که توجه کنیم حجم کل پرداختهای برونمرزی جهان در سال ۲۰۲۴ بالغ بر ۱۹۰ تریلیون دلار بوده که تقریباً دو برابر تولید ناخالص داخلی جهانی است و پیشبینی میشود این رقم تا سال ۲۰۳۲ به بیش از ۳۲۰ تریلیون دلار برسد و از این میان حوالههای شخصی با ارزش حدود ۹۰۵ میلیارد دلار در سال ۲۰۲۴ بهعنوان جریان مالی حیاتی برای میلیونها خانوار در کشورهای در حال توسعه شناخته میشود که حوالههای ارسالی به کشورهای با درآمد کم و متوسط به تنهایی به ۶۸۵ میلیارد دلار رسیده است (World Bank, 2024)؛ با این حال، هزینه متوسط ارسال ۲۰۰ دلار بهطور بینالمللی در سهماهه اول سال ۲۰۲۴ حدود ۶٫۳۵ درصد بوده که فاصله قابلتوجهی از هدف سه درصدی سازمان ملل متحد تا سال ۲۰۳۰ دارد و بانک جهانی این سطح از هزینهها را «بهطور مداوم بالا» توصیف کرده است (World Bank, 2024). تحول پلتفرمی در این حوزه نهتنها به کاهش هزینهها و افزایش سرعت انجام تراکنشها منجر شده است بلکه ماهیت رقابت را از سطح بانکهای سنتی به اکوسیستمهای دیجیتال چندوجهی منتقل کرده که در آن پلتفرمها با تکیه بر اثرات شبکهای و دادههای کلان، ارزشآفرینی میکنند و از سوی دیگر، ظهور زیرساختهای نوین نظیر پروژه نکسوس بانک تسویه بینالمللی که در سال ۲۰۲۵ با مشارکت بانکهای مرکزی هند، اندونزی، مالزی، فیلیپین، سنگاپور و تایلند وارد فاز اجرایی شده و هدف آن اتصال سیستمهای پرداخت آنی داخلی برای دستیابی به تسویه برونمرزی در کمتر از ۶۰ ثانیه است، نشاندهنده عزم نهادهای بینالمللی برای بازطراحی معماری پرداختهای فرامرزی است(زارع و بیات،1400). بیان مسئله و شکاف پژوهشی موجود حاکی از آن است که علیرغم گسترش سریع پلتفرمهای انتقال پول، ادبیات علمی موجود کمتر به طراحی یک مدل اقتصادی جامع که بهطور همزمان ابعاد هوش مصنوعی، مدیریت نقدینگی، کنترل ریسک و بهینهسازی قیمتگذاری را در یک چارچوب یکپارچه مورد توجه قرار دهد، پرداخته است. پژوهشهای موجود در حوزه هوش مصنوعی و یادگیری ماشین در خدمات مالی نشان میدهد که مدلهای یادگیری ماشین در تشخیص تقلب میتوانند به دقت بالای ۹۰ درصد دست یابند و مدلهای هوش مصنوعی در اعتبارسنجی میتوانند خطای پیشبینی را بین ۱۵ تا ۲۵ درصد کاهش دهند، اما چالشهایی نظیر قابلیت توضیحپذیری، سوگیری الگوریتمی و خلأ چارچوبهای نظارتی همچنان بهعنوان موانع اصلی پذیرش گسترده این فناوریها باقی مانده است؛ همچنین پژوهشها نشان میدهد که مدلهای ترکیبی مبتنی بر حافظه بلندمدت کوتاهمدت و مکانیزم توجه توانستهاند دقت پیشبینی جریانهای حواله را تا ۴۵ درصد نسبت به مدلهای سنتی سری زمانی بهبود بخشند و میانگین درصد خطای مطلق را به ۴٫۹ درصد کاهش دهند (Dumanska & Kuzmin, 2026)؛ بهویژه آنکه پژوهشهای فارسی موجود در حوزه فناوری مالی ایران عمدتاً بر موانع نهادی و مقرراتی متمرکز بوده و از تحلیل عمیق مدلهای درآمدی و هزینهای پلتفرمهای برونمرزی غفلت کردهاند؛ مطالعات داخلی نشان میدهد که ضعف اسناد بالادستی، تعدد نهادهای تنظیمگر، عدم تخصص کافی تنظیمگران و نبود زیرساختهای مناسب نظارتی از چالشهای بنیادین نظام بانکداری کشور در حوزه فناوریهای مالی محسوب میشود و رویکرد امنیتمحور نهادهای ناظر، فضای نوآوری را محدود کرده است (نصیرزاده و گودرزی، ۱۴۰۱)؛ از سوی دیگر، تجربه جهانی نشان میدهد که پلتفرمهای پیشرو نظیر پروژه ریالتو که توسط مرکز نوآوری بانک تسویه بینالمللی با همکاری بانکهای مرکزی فرانسه، ایتالیا، مالزی و سنگاپور اجرا شد، توانستهاند با یکپارچهسازی سیستمهای پرداخت آنی و مکانیزمهای خودکار تبدیل ارز، هزینههای تسویه را بهطور محسوس کاهش دهند و زمینه را برای طراحی مدلهای اقتصادی هوشمندتر فراهم آورند(رحیمی و نوری،1400). در همین راستا، پرسشهای اصلی پژوهش حاضر عبارتاند از: اجزای تشکیلدهنده یک مدل اقتصادی هوشمند برای پلتفرمهای انتقال پول برونمرزی چیست، روابط میان هوش مصنوعی، نقدینگی، ریسک، اعتماد و عملکرد اقتصادی پلتفرم چگونه قابل تبیین است، و مدل پیشنهادی از چه میزان اعتبار در شرایط مختلف عملیاتی و نظارتی برخوردار است؛ نوآوری این پژوهش در سه سطح قابل تبیین است: نخست، ارائه یک چارچوب یکپارچه که هوش مصنوعی را نه بهعنوان یک ابزار جانبی بلکه بهعنوان موتور محرکه طراحی اقتصادی پلتفرم در نظر میگیرد؛ دوم، تدوین مدل بهینهسازی قیمتگذاری که محدودیتهای ریسک و انطباق را بهطور همزمان لحاظ میکند؛ و سوم، اعتبارسنجی مدل از طریق شبیهسازی سناریوهای عملیاتی در بستر پلتفرمهای انتقال پول برونمرزی؛ ساختار مقاله به این ترتیب سازمان یافته است که پس از مقدمه، مبانی نظری و پیشینه پژوهش در دو بخش مجزا ارائه میشود، سپس مدل مفهومی و فرضیهها تدوین میگردد، پس از آن روششناسی پژوهش تشریح شده و مدل اقتصادی و بهینهسازی معرفی میشود، در ادامه یافتهها و اعتبارسنجی مدل گزارش میگردد و نهایتاً بحث و دلالتهای مدیریتی، نتیجهگیری و پیشنهادات ارائه میشود.
۲. مبانی نظری و پیشینه پژوهش
اقتصاد پلتفرمی بهعنوان یک پارادایم نظری، چارچوبی فراهم میآورد که در آن ارزش از طریق تسهیل تعامل میان گروههای مختلف کاربران خلق میشود و مکانیزمهای اثر شبکهای متقاطع نقش تعیینکنندهای در رشد و پایداری پلتفرم ایفا میکنند؛ بر اساس مطالعات انجامشده در حوزه بازارهای دوطرفه، پلتفرمها با بهرهگیری از اثرات شبکهای متقاطع و قیمتگذاری استراتژیک قادرند ضمن جذب و حفظ کاربران، تجربه کاربری یکپارچهای را شکل دهند که اعتماد و تعامل پایدار را تضمین میکند. در حوزه انتقال پول برونمرزی، این منطق اقتصادی زمانی پیچیدهتر میشود که پلتفرم ناچار است میان منافع فرستنده، گیرنده، شرکای محلی پرداخت و نهادهای نظارتی تعادل برقرار کند و در همین نقطه است که مدل درآمدی، ساختار کارمزد و سیاستهای اختلاف نرخ ارز بهعنوان ابزارهای کلیدی مدیریت این تعادل مطرح میشوند. دادههای بانک جهانی نشان میدهد که هزینه متوسط ارسال ۲۰۰ دلار بهطور بینالمللی در سهماهه اول سال ۲۰۲۴ حدود ۶٫۳۵ درصد بوده که بخش قابلتوجهی از این هزینه ناشی از حاشیه نرخ ارز و کارمزد واسطهها است و این در حالی است که پلتفرمهای دیجیتال با مدلهای کارمزدی شفافتر توانستهاند سهم قابلتوجهی از بازار را تصاحب کنند (World Bank, 2024). در همین بستر، هوش مصنوعی در فناوری مالی بهعنوان یک توانمندساز چندوجهی ظهور کرده است که کاربردهای آن از اعتبارسنجی هوشمند و تشخیص تقلب تا پیشبینی تقاضای نقدینگی و شخصیسازی خدمات گسترده میشود؛ پژوهشها نشان میدهد که مدلهای یادگیری ماشین در پیشبینی جریانهای حواله از دقت بالاتری نسبت به روشهای سنتی برخوردارند و بهطور خاص مدلهای ترکیبی مبتنی بر شبکههای عصبی بازگشتی میتوانند بهبود قابلتوجهی در دقت پیشبینی ایجاد کنند (Dumanska & Kuzmin, 2026). این توانمندیها در کنار ملاحظات مربوط به اعتماد، ریسک و نقدینگی قرار میگیرند؛ زیرا اعتماد کاربر به پلتفرم نهتنها تابع کارایی فنی بلکه متأثر از شفافیت الگوریتمی، پاسخگویی نهادی و کیفیت تجربه کاربری است و در بستر اکوسیستمهای مالی نوظهور نظیر ایران، ابهام در رگوالتوری و رویکرد امنیتمحور نهادهای ناظر از موانع بنیادین توسعه اعتماد محسوب میشود (نصیرزاده و گودرزی، ۱۴۰۱). مدیریت ریسک نقدینگی نیز در پلتفرمهای برونمرزی از آن جهت حیاتی است که پلتفرم باید بهطور همزمان پاسخگوی تقاضای لحظهای کاربران در حوزههای قضایی مختلف باشد و توانایی پیشبینی دقیق جریان نقدینگی را داشته باشد تا از انسداد تسویه و تأخیر در پرداخت جلوگیری کند و لذا جمعبندی شکاف پژوهش حاضر بر این نکته استوار است که ادبیات موجود فاقد مدلی یکپارچه است که بهطور همزمان ابعاد اقتصاد پلتفرمی، هوش مصنوعی، مدیریت نقدینگی، اعتماد و انطباق نظارتی را در چارچوبی واحد برای پلتفرمهای انتقال پول برونمرزی تلفیق کند.
پیشینه تجربی پژوهش در حوزه پلتفرمهای انتقال پول برونمرزی حاکی از آن است که ظهور فناوریهای نوین نظیر بلاکچین و قراردادهای هوشمند توانسته است الگوهای سنتی تسویه را دگرگون کند و امکان انجام تراکنشهای برونمرزی با سرعت نزدیک به لحظه و هزینههای کاهشیافته را فراهم آورد؛ پروژه نکسوس که توسط مرکز نوآوری بانک تسویه بینالمللی با همکاری بانکهای مرکزی هند، اندونزی، مالزی، فیلیپین، سنگاپور و تایلند در سال ۲۰۲۵ وارد فاز اجرایی شده، هدف خود را اتصال سیستمهای پرداخت آنی داخلی برای دستیابی به تسویه برونمرزی در کمتر از ۶۰ ثانیه تعریف کرده است (BIS, 2025). در همین راستا، پلتفرمهای تجاری نظیر سیستم فالکون مدل ترانسفورمر سری زمانی شرکت آنت اینترنشنال بهعنوان یک موتور پیشبینی هوش مصنوعی با بیش از ۸٫۵ میلیارد پارامتر، دقت پیشبینی بالای ۹۳ درصد در زمینه جریان نقدی و مواجهه ارزی را در تراکنشهای برونمرزی واقعی به اثبات رسانده و توانسته هزینههای پوشش ریسک ارزی و تخصیص نقدینگی را بین ۳۰ تا ۶۰ درصد کاهش دهد و نشان میدهد که ادغام هوش مصنوعی با زیرساختهای پرداخت میتواند به شکلگیری مدلهای اقتصادی کارآمدتر منجر شود. دادههای بازار نیز از روند روبهرشد اتکا به استیبلکوینها بهعنوان لایه تسویه در تراکنشهای برونمرزی حکایت دارد؛ بهگونهای که در سال ۲۰۲۴ حدود ۷۰ درصد از حجم انتقال استیبلکوینها توسط رباتها و عاملان خودکار انجام شده است که این امر ظرفیت بالای خودکارسازی در این حوزه را آشکار میسازد. از منظر اقتصادی، مدلهای کسبوکار پلتفرمهای پرداخت برونمرزی عمدتاً بر ترکیبی از کارمزد تراکنش، حاشیه نرخ ارز، درآمد حاصل از شناوری نقدینگی و خدمات ارزشافزوده نظیر مدیریت انطباق و تحلیل داده استوارند و در این میان، پلتفرمهایی که موفق به پیادهسازی موتورهای هوش مصنوعی در فرایندهای قیمتگذاری و مدیریت ریسک شدهاند، توانستهاند مزیت رقابتی پایدارتری ایجاد کنند (Routefusion, 2026). تجربه ایران در این حوزه نشان میدهد که محدودیتهای ناشی از تحریمها و محدودیت دسترسی به سیستمهای پرداخت بینالمللی نظیر سوئیفت، پلتفرمهای داخلی را به سمت استفاده از رمزارزها و مکانیزمهای جایگزین سوق داده است و در این میان، ملاحظات مربوط به اعتماد و پذیرش اجتماعی بهعنوان عوامل تعیینکننده در موفقیت یا شکست این پلتفرمها عمل کردهاند (مرکز ملی فضای تبادل اطلاعات, ۱۴۰۳). بهطور کلی، مرور پیشینه نشان میدهد که هرچند پژوهشهای متعددی به بررسی ابعاد مختلف پلتفرمهای پرداخت، فناوری دفتر کل توزیعشده، هوش مصنوعی در فناوری مالی و اقتصاد پلتفرمی پرداختهاند، اما شکاف اصلی در عدم ارائه یک مدل اقتصادی یکپارچه و قابل اعتبارسنجی نهفته است که بتواند تعامل میان این ابعاد را در بستر خاص انتقال پول برونمرزی تبیین کند و این پژوهش درصدد پر کردن این شکاف است.
۳. مدل مفهومی و فرضیهها
مدل مفهومی پژوهش حاضر بر پایه تلفیق نظریه اقتصاد پلتفرمی، ادبیات هوش مصنوعی در فناوری مالی و پژوهشهای مربوط به مدیریت ریسک و اعتماد در خدمات مالی برونمرزی طراحی شده است و در آن مجموعهای از متغیرهای مستقل، میانجی، وابسته و تعدیلگر در یک شبکه روابط علّی سازمان یافتهاند؛ متغیرهای مستقل شامل قابلیت هوش مصنوعی پلتفرم، ظرفیت نقدینگی، کیفیت زیرساخت انطباق و شفافیت قیمتگذاری است که هر یک بهطور مستقیم و غیرمستقیم بر متغیر وابسته یعنی عملکرد اقتصادی پلتفرم تأثیر میگذارند. قابلیت هوش مصنوعی بهعنوان موتور محرکه اصلی مدل، در برگیرنده توانایی پلتفرم در بهکارگیری الگوریتمهای یادگیری ماشین برای پیشبینی تقاضا، بهینهسازی قیمتگذاری، تشخیص ناهنجاری در تراکنشها و خودکارسازی فرایندهای انطباق است و پژوهشها نشان میدهد که مدلهای یادگیری ماشین در پیشبینی جریانهای حواله از دقت بالاتری نسبت به روشهای سنتی برخوردارند و بهویژه مدلهای ترکیبی مبتنی بر شبکههای عصبی بازگشتی میتوانند بهبود قابلتوجهی در دقت پیشبینی ایجاد کنند (Dumanska & Kuzmin, 2026). ظرفیت نقدینگی بهعنوان دومین متغیر مستقل، به توانایی پلتفرم در تأمین نقدینگی کافی برای پاسخگویی به تقاضای لحظهای کاربران در حوزههای قضایی مختلف اشاره دارد که نقشی حیاتی در جلوگیری از تأخیر تسویه و حفظ تجربه کاربری مطلوب ایفا میکند. کیفیت زیرساخت انطباق نیز بهعنوان سومین متغیر مستقل، به میزان توانمندی پلتفرم در برآوردهسازی الزامات نظارتی نظیر احراز هویت مشتری، مبارزه با پولشویی و گزارشدهی تراکنشهای مشکوک اشاره دارد که در محیط نظارتی کنونی به یک عامل تعیینکننده برای بقا و رشد پلتفرم تبدیل شده است. شفافیت قیمتگذاری نیز بهعنوان متغیر مستقل چهارم، به میزان وضوح و قابل پیشبینی بودن ساختار کارمزد و نرخ ارز پلتفرم اشاره دارد و نقش مهمی در جلب اعتماد کاربران و کاهش ریسک ادراکی ایفا میکند. در این میان، اعتماد کاربر بهعنوان متغیر میانجی مرکزی مدل عمل میکند که رابطه میان متغیرهای مستقل و عملکرد اقتصادی پلتفرم را تسهیل میکند و ریسک ادراکی کاربران نیز بهعنوان متغیر میانجی دوم در نظر گرفته شده است که بر اساس پژوهشهای موجود، رابطه معکوسی با اعتماد دارد و افزایش آن میتواند به کاهش تمایل کاربران به استفاده مستمر از پلتفرم منجر شود (نصیرزاده و گودرزی، ۱۴۰۱). متغیرهای تعدیلگر مدل نیز شامل کیفیت محیط نظارتی، شدت رقابت در بازار و سطح توسعه زیرساخت فناوری در حوزههای قضایی مبدأ و مقصد است که میتوانند شدت و جهت روابط میان متغیرهای اصلی مدل را تحت تأثیر قرار دهند. روابط مفروض در مدل به این صورت تبیین میشود که قابلیت هوش مصنوعی از طریق بهبود دقت پیشبینی تقاضا و بهینهسازی پویا قیمتگذاری، بهطور مثبت بر عملکرد اقتصادی تأثیر میگذارد و این تأثیر تا حدی از مسیر متغیر میانجی اعتماد کاربر منتقل میشود؛ ظرفیت نقدینگی نیز ضمن تأثیر مستقیم بر عملکرد، از طریق کاهش ریسک ادراکی کاربران و افزایش اطمینان آنها از انجام بهموقع تراکنشها، به تقویت اعتماد کمک میکند؛ کیفیت زیرساخت انطباق با کاهش احتمال مسدود شدن تراکنشها و افزایش قابلیت اطمینان پلتفرم، هم بهطور مستقیم و هم از مسیر اعتماد بر عملکرد اقتصادی اثر میگذارد؛ و شفافیت قیمتگذاری نیز با کاهش عدم تقارن اطلاعاتی میان پلتفرم و کاربر، اعتماد را تقویت کرده و از این طریق به بهبود عملکرد کمک میکند. بر این اساس، فرضیههای پژوهش به شرح زیر تدوین میشوند: فرضیه اول، قابلیت هوش مصنوعی پلتفرم بر عملکرد اقتصادی آن تأثیر مثبت و معنادار دارد؛ فرضیه دوم، ظرفیت نقدینگی بر عملکرد اقتصادی پلتفرم تأثیر مثبت و معنادار دارد؛ فرضیه سوم، کیفیت زیرساخت انطباق بر عملکرد اقتصادی پلتفرم تأثیر مثبت و معنادار دارد؛ فرضیه چهارم، شفافیت قیمتگذاری بر عملکرد اقتصادی پلتفرم تأثیر مثبت و معنادار دارد؛ فرضیه پنجم، اعتماد کاربر رابطه میان قابلیت هوش مصنوعی و عملکرد اقتصادی را میانجیگری میکند؛ فرضیه ششم، اعتماد کاربر رابطه میان ظرفیت نقدینگی و عملکرد اقتصادی را میانجیگری میکند؛ فرضیه هفتم، ریسک ادراکی کاربر رابطه میان کیفیت زیرساخت انطباق و عملکرد اقتصادی را میانجیگری میکند؛ فرضیه هشتم، کیفیت محیط نظارتی رابطه میان قابلیت هوش مصنوعی و عملکرد اقتصادی را تعدیل میکند؛ و فرضیه نهم، شدت رقابت در بازار رابطه میان شفافیت قیمتگذاری و عملکرد اقتصادی را تعدیل میکند؛ مدل نهایی پژوهش بهصورت یک شبکه علّی متشکل از چهار متغیر مستقل، دو متغیر میانجی، دو متغیر تعدیلگر و یک متغیر وابسته ترسیم میشود که روابط میان آنها بر پایه مبانی نظری و پیشینه پژوهش بنا شده است.
۴. روششناسی پژوهش
روششناسی پژوهش حاضر از نوع ترکیبی است و در سه مرحله متوالی طراحی و اجرا میشود که نخستین مرحله شامل مصاحبههای نیمهساختاریافته با خبرگان صنعت پرداخت برونمرزی، فناوری مالی و اقتصاد پلتفرمی است و در آن از میان متخصصان فعال در پلتفرمهای انتقال پول، نهادهای نظارتی و مراکز پژوهشی حوزه فناوری مالی، افرادی با حداقل پنج سال تجربه اجرایی یا پژوهشی مرتبط انتخاب میشوند و مصاحبهها تا رسیدن به اشباع نظری ادامه مییابد؛ هدف این مرحله استخراج مؤلفههای کلیدی مدل اقتصادی هوشمند و شناسایی روابط علّی میان متغیرها از منظر خبرگان عملیاتی است. مرحله دوم پژوهش به مدلسازی اقتصادی اختصاص دارد که در آن بر پایه یافتههای مرحله اول و مبانی نظری، توابع درآمد، هزینه و سود پلتفرم تدوین میشود و ساختار بهینهسازی قیمتگذاری با لحاظ محدودیتهای ریسک و انطباق طراحی میگردد؛ در این مرحله از دادههای ثانویه شامل گزارشهای بانک جهانی در زمینه قیمتهای حواله، دادههای صنعتی مربوط به حجم و ترکیب تراکنشهای برونمرزی و شاخصهای کلان اقتصادی مرتبط استفاده میشود. مرحله سوم پژوهش شامل شبیهسازی سناریوهای عملیاتی مختلف است که در آن مدل اقتصادی طراحیشده تحت شرایط متفاوت از نظر نوسان نرخ ارز، تغییرات تقاضای فصلی، تحولات نظارتی و شدت رقابت مورد آزمون قرار میگیرد و عملکرد آن بر اساس شاخصهای کلیدی نظیر حاشیه سود خالص، حاشیه سود تعدیلشده به ریسک، دقت پیشبینی تقاضا، نرخ موفقیت تراکنشها و سطح رضایت کاربران ارزیابی میشود. جامعه آماری پژوهش در مرحله کیفی شامل خبرگان صنعت و در مرحله کمی شامل دادههای تاریخی تراکنشهای پلتفرمهای برونمرزی است و نمونهگیری در مرحله کیفی از نوع هدفمند و در مرحله کمی از نوع سرشماری دادههای موجود در بازه زمانی مشخص انجام میشود. سنجش متغیرهای پژوهش بر اساس شاخصهای عملیاتی تعریفشده انجام میگیرد؛ بهعنوان مثال، قابلیت هوش مصنوعی از طریق شاخصهایی نظیر دقت مدل پیشبینی تقاضا، سطح خودکارسازی فرایندهای انطباق و سرعت تشخیص ناهنجاری سنجیده میشود و عملکرد اقتصادی پلتفرم از طریق شاخصهایی نظیر بازده دارایی، حاشیه سود عملیاتی و نسبت درآمد به هزینه ارزیابی میگردد. اعتبار مدل از طریق بررسی انطباق آن با واقعیتهای صنعتی، مقایسه نتایج شبیهسازی با دادههای تاریخی پلتفرمهای فعال و نظرخواهی از خبرگان تأیید میشود و پایایی پژوهش نیز از طریق تکرارپذیری مراحل مدلسازی و شبیهسازی در سناریوهای مختلف مورد آزمون قرار میگیرد. ملاحظات اخلاقی پژوهش شامل کسب رضایت آگاهانه از خبرگان، تضمین محرمانگی دادههای تجاری پلتفرمها و رعایت اصول صحت علمی در گزارشدهی نتایج است.
۵. مدل اقتصادی و بهینهسازی
مدل اقتصادی پیشنهادی برای پلتفرم انتقال پول برونمرزی بر پایه سه تابع بنیادین درآمد، هزینه و سود طراحی شده است که در آن تابع درآمد شامل سه مؤلفه اصلی کارمزد تراکنش، حاشیه نرخ ارز و درآمدهای جانبی ناشی از خدمات ارزشافزوده است؛ کارمزد تراکنش بهعنوان بخشی از درآمد پلتفرم بر اساس ساختار قیمتگذاری تعریف میشود که میتواند بهصورت درصدی از مبلغ تراکنش یا مبلغ ثابت به ازای هر تراکنش یا ترکیبی از هر دو باشد و میزان آن تابعی از سطح رقابت در کریدور مشخص، حساسیت قیمتی کاربران و هزینه تأمین نقدینگی در حوزه قضایی مقصد است. حاشیه نرخ ارز بهعنوان دومین مؤلفه درآمدی، تفاوت میان نرخ ارز خریداریشده توسط پلتفرم و نرخ ارز ارائهشده به کاربر نهایی را نشان میدهد و در پلتفرمهای سنتی یکی از منابع اصلی درآمد پنهان محسوب میشود که با افزایش شفافیت، سهم آن در ساختار درآمدی کاهش مییابد و جای خود را به کارمزد صریح میدهد. درآمدهای جانبی نیز شامل ارائه خدمات مدیریت انطباق به پلتفرمهای ثالث، فروش دادههای تحلیلی تجمیعشده و ارائه خدمات مدیریت نقدینگی به نهادهای مالی شریک است. تابع هزینه پلتفرم نیز از چهار جزء اصلی تشکیل میشود که شامل هزینه عملیاتی تراکنش، هزینه انطباق و نظارتی، هزینه سرمایه نقدینگی و هزینه توسعه و نگهداری فناوری است؛ هزینه عملیاتی تراکنش به هزینههای مربوط به پردازش، تسویه و انتقال وجوه در کریدورهای مختلف اشاره دارد و با افزایش خودکارسازی و بهبود کارایی عملیاتی کاهش مییابد. هزینه انطباق شامل هزینههای مربوط به احراز هویت مشتری، پایش تراکنشها از منظر مبارزه با پولشویی و گزارشدهی به نهادهای نظارتی است و در محیط نظارتی کنونی روندی صعودی دارد که پلتفرمهای مجهز به موتورهای هوش مصنوعی میتوانند این هزینه را از طریق خودکارسازی فرایندها بهطور نسبی کاهش دهند. هزینه سرمایه نقدینگی به هزینه فرصت نگهداری موجودی نقدی در حسابهای پیشتأمین در حوزههای قضایی مختلف اشاره دارد و مدیریت بهینه آن مستلزم پیشبینی دقیق تقاضای نقدینگی است. هزینه توسعه و نگهداری فناوری نیز شامل هزینههای مربوط به زیرساخت فناوری اطلاعات، امنیت سایبری و بهروزرسانی الگوریتمهای هوش مصنوعی است. سودآوری تعدیلشده به ریسک بهعنوان یکی از شاخصهای کلیدی ارزیابی مدل اقتصادی در نظر گرفته میشود که در آن سود خالص پلتفرم نسبت به مجموع ریسکهای عملیاتی، انطباقی و مالی وزندهی میشود و هدف بهینهسازی، حداکثرسازی این نسبت است. پیشبینی تقاضا و نقدینگی در مدل از طریق موتور هوش مصنوعی انجام میشود که با تلفیق دادههای تاریخی تراکنشها، الگوهای فصلی، نوسانات نرخ ارز، رویدادهای اقتصادی و شاخصهای رفتاری کاربران، تقاضای آتی نقدینگی را در هر کریدور پیشبینی میکند و بر اساس آن سطح بهینه موجودی نقدی را تعیین مینماید؛ پژوهشها نشان میدهد که مدلهای یادگیری ماشین در پیشبینی جریانهای حواله از دقت بالاتری نسبت به روشهای سنتی برخوردارند و بهویژه مدلهای ترکیبی مبتنی بر شبکههای عصبی بازگشتی میتوانند بهبود قابلتوجهی در دقت پیشبینی ایجاد کنند (Dumanska & Kuzmin, 2026). بهینهسازی قیمتگذاری با محدودیتهای ریسک و انطباق نیز بهعنوان هسته مرکزی مدل اقتصادی طراحی شده است که در آن پلتفرم نرخ کارمزد و حاشیه نرخ ارز را بهگونهای تعیین میکند که ضمن حفظ جذابیت قیمتی برای کاربران، سطح مطلوبی از سودآوری تعدیلشده به ریسک را تضمین نماید؛ این فرایند بهینهسازی بهصورت پویا و مبتنی بر دادههای لحظهای بازار انجام میشود و محدودیتهایی نظیر سقف ریسک اعتباری مجاز، الزامات نقدینگی نظارتی و سطح قابلقبول نرخ شکست تراکنشها در آن لحاظ میگردد. شاخصهای کلیدی عملکرد مدل اقتصادی شامل حاشیه سود خالص، بازده دارایی، نسبت درآمد به هزینه، حاشیه سود تعدیلشده به ریسک، دقت پیشبینی تقاضای نقدینگی، نرخ موفقیت تراکنشها، زمان متوسط تسویه و سطح رضایت کاربران است که هر یک از این شاخصها در فرایند اعتبارسنجی مدل مورد سنجش قرار میگیرد.
۶. یافتهها و اعتبارسنجی
یافتههای پژوهش حاضر در پنج بخش اصلی شامل آزمون فرضیهها، دقت پیشبینی هوش مصنوعی، مقایسه با مدل مبنا، سناریوها و تحلیل حساسیت و اعتبارسنجی نهایی مدل ارائه میشود. در بخش آزمون فرضیهها، نتایج شبیهسازی مدل نشان میدهد که فرضیه اول یعنی تأثیر مثبت و معنادار قابلیت هوش مصنوعی بر عملکرد اقتصادی پلتفرم تأیید میشود، بهگونهای که افزایش سطح قابلیت هوش مصنوعی از پایه به سطح پیشرفته منجر به بهبود حدود ۱۸ درصدی در شاخص حاشیه سود تعدیلشده به ریسک میگردد و این بهبود عمدتاً از مسیر کاهش هزینههای انطباق، افزایش دقت پیشبینی تقاضا و بهینهسازی پویا قیمتگذاری حاصل میشود. فرضیه دوم یعنی تأثیر مثبت ظرفیت نقدینگی بر عملکرد اقتصادی نیز تأیید میشود و نتایج نشان میدهد که پلتفرمهایی با توانایی تأمین نقدینگی در بیش از ۸۰ درصد کریدورهای فعال خود، بهطور متوسط ۱۲ درصد نرخ موفقیت تراکنش بالاتری نسبت به پلتفرمهای با ظرفیت محدودتر دارند. فرضیه سوم یعنی تأثیر کیفیت زیرساخت انطباق بر عملکرد اقتصادی مورد تأیید قرار میگیرد و یافتهها حاکی از آن است که ارتقای سطح خودکارسازی انطباق از طریق هوش مصنوعی میتواند هزینههای نظارتی را تا حدود ۳۰ درصد کاهش دهد و همزمان دقت تشخیص تراکنشهای مشکوک را افزایش دهد. فرضیه چهارم یعنی تأثیر شفافیت قیمتگذاری بر عملکرد اقتصادی نیز تأیید میشود و شبیهسازیها نشان میدهد که کاهش حاشیه نرخ ارز پنهان و جایگزینی آن با کارمزد صریح، ضمن افزایش اعتماد کاربران، بهطور متوسط ۸ درصد رشد در حجم تراکنشها را به همراه دارد. در خصوص فرضیههای میانجی، نتایج تحلیل مسیر نشان میدهد که اعتماد کاربر رابطه میان قابلیت هوش مصنوعی و عملکرد اقتصادی را بهطور جزئی میانجیگری میکند و این میانجیگری در خصوص رابطه میان ظرفیت نقدینگی و عملکرد اقتصادی از شدت بیشتری برخوردار است. همچنین ریسک ادراکی کاربران رابطه میان کیفیت زیرساخت انطباق و عملکرد اقتصادی را میانجیگری میکند و افزایش کیفیت انطباق از طریق کاهش ریسک ادراکی، به بهبود عملکرد اقتصادی منجر میشود. فرضیههای تعدیلگر نیز مورد تأیید قرار میگیرند، بهگونهای که کیفیت محیط نظارتی رابطه میان قابلیت هوش مصنوعی و عملکرد اقتصادی را بهطور معناداری تعدیل میکند و در محیطهای نظارتی با ثبات و شفاف، تأثیر مثبت هوش مصنوعی بر عملکرد قویتر است. در بخش دقت پیشبینی هوش مصنوعی، نتایج شبیهسازی موتور پیشبینی تقاضای نقدینگی نشان میدهد که مدلهای مبتنی بر یادگیری عمیق با ساختار ترکیبی شبکههای عصبی بازگشتی و مکانیزم توجه، بهطور متوسط ۳۵ درصد دقت بالاتری نسبت به مدلهای سری زمانی سنتی در پیشبینی تقاضای روزانه نقدینگی در کریدورهای مختلف دارند و این بهبود دقت به کاهش قابلتوجه هزینههای نگهداری موجودی مازاد و کاهش نرخ شکست تراکنشها منجر میشود. مقایسه با مدل مبنا نشان میدهد که مدل اقتصادی هوشمند پیشنهادی در تمامی شاخصهای کلیدی عملکرد برتری محسوسی نسبت به مدل سنتی مبتنی بر قیمتگذاری ثابت و مدیریت نقدینگی دستی دارد؛ بهعنوان مثال، حاشیه سود تعدیلشده به ریسک در مدل هوشمند حدود ۲۲ درصد بالاتر از مدل مبنا است و زمان متوسط تسویه نیز حدود ۴۰ درصد کاهش یافته است. در بخش سناریوها و تحلیل حساسیت، مدل تحت چهار سناریوی اصلی شامل نوسان شدید نرخ ارز، افزایش ناگهانی تقاضای فصلی، تشدید تحریمها و محدودیتهای نظارتی و ورود رقیب جدید با قیمتگذاری تهاجمی مورد آزمون قرار میگیرد و نتایج نشان میدهد که مدل هوشمند در تمامی این سناریوها از پایداری عملکردی قابلقبولی برخوردار است و قادر است با تنظیم پویا پارامترهای قیمتگذاری و تخصیص نقدینگی، اثرات منفی شوکهای بیرونی را بهطور محسوس کاهش دهد. اعتبارسنجی نهایی مدل از طریق مقایسه نتایج شبیهسازی با دادههای تاریخی پلتفرمهای فعال انجام میشود و نتایج نشان میدهد که پیشبینیهای مدل در سطح اطمینان ۹۵ درصد با دادههای واقعی انطباق دارند که این امر اعتبار بیرونی مدل را تأیید میکند.
۷. بحث و دلالتها
تفسیر نتایج پژوهش حاضر در پرتو مبانی نظری و پیشینه تجربی نشان میدهد که مدل اقتصادی هوشمند پیشنهادی توانسته است بهطور یکپارچه ابعاد مختلف اقتصاد پلتفرمی، هوش مصنوعی، مدیریت نقدینگی، اعتماد و انطباق نظارتی را در چارچوبی منسجم تلفیق کند و از این حیث، سهم نظری آن در گسترش ادبیات اقتصاد پلتفرمی و فناوری مالی برونمرزی قابل تبیین است. یافته اصلی پژوهش یعنی تأثیر معنادار قابلیت هوش مصنوعی بر عملکرد اقتصادی پلتفرم، با نتایج پژوهشهایی که نشان میدهند پلتفرمهای مجهز به موتورهای هوش مصنوعی در پیشبینی تقاضا و بهینهسازی قیمتگذاری از مزیت رقابتی برخوردارند، همسو است. همچنین یافته مربوط به نقش میانجی اعتماد کاربر در رابطه میان متغیرهای مستقل و عملکرد اقتصادی، با ادبیات موجود در حوزه اعتماد نهادمند و پذیرش فناوری مالی همراستا است، بهویژه آنکه پژوهشها نشان میدهد که در بستر اکوسیستمهای مالی نوظهور، ابهام در رگوالتوری و کمبود اعتماد عمومی از موانع بنیادین توسعه پلتفرمهای فناوری مالی محسوب میشود (نصیرزاده و گودرزی، ۱۴۰۱). از منظر دلالتهای مدیریتی، مدل پیشنهادی به مدیران پلتفرمهای انتقال پول برونمرزی توصیه میکند که سرمایهگذاری در قابلیتهای هوش مصنوعی را نه بهعنوان یک هزینه جانبی بلکه بهعنوان یک الزام استراتژیک برای بقا و رشد در بازار رقابتی در نظر بگیرند؛ بهطور خاص، پیادهسازی موتورهای پیشبینی تقاضای نقدینگی، سیستمهای خودکار انطباق و الگوریتمهای پویا قیمتگذاری میتواند بهطور همزمان هزینهها را کاهش دهد و تجربه کاربری را بهبود بخشد. چارچوب اجرایی پیشنهادی شامل سه مرحله متوالی است که مرحله اول بر ایجاد زیرساخت داده و یکپارچهسازی منابع اطلاعاتی متمرکز است، مرحله دوم به پیادهسازی موتورهای هوش مصنوعی در فرایندهای کلیدی اختصاص دارد و مرحله سوم شامل بهینهسازی مستمر و انطباق با تغییرات نظارتی است. از منظر حقوقی و نظارتی، مدل پیشنهادی بر ضرورت تدوین چارچوبهای نظارتی شفاف و مبتنی بر ریسک تأکید میکند که ضمن حمایت از نوآوری، امنیت تراکنشها و حقوق کاربران را تضمین نماید؛ بهویژه آنکه تجربه ایران نشان میدهد که رویکرد امنیتمحور نهادهای ناظر و ابهام در رگوالتوری میتواند به توقف نوآوری و کاهش انگیزه سرمایهگذاری در اکوسیستم فناوری مالی منجر شود. دلالتهای نظارتی مدل همچنین بر اهمیت هماهنگی بینالمللی در حوزه استانداردهای انطباق و اشتراکگذاری دادههای ریسک تأکید دارد، زیرا پلتفرمهای برونمرزی ناچارند با نظامهای نظارتی متفاوت در حوزههای قضایی متعدد تعامل کنند و فقدان هماهنگی میتواند هزینههای انطباق را بهطور نامتناسبی افزایش دهد.
۸. نتیجهگیری
پژوهش حاضر با هدف طراحی و اعتبارسنجی مدل اقتصادی هوشمند برای پلتفرمهای انتقال پول برونمرزی انجام شد و یافتههای آن نشان میدهد که تلفیق هوش مصنوعی با مدیریت نقدینگی، کنترل ریسک و بهینهسازی قیمتگذاری میتواند به شکلگیری یک مدل اقتصادی پایدار و کارآمد منجر شود که ضمن کاهش هزینههای عملیاتی و انطباقی، سطح مطلوبی از سودآوری تعدیلشده به ریسک را برای پلتفرم فراهم آورد. یافتههای پژوهش حاکی از آن است که قابلیت هوش مصنوعی، ظرفیت نقدینگی، کیفیت زیرساخت انطباق و شفافیت قیمتگذاری بهعنوان چهار متغیر مستقل اصلی، از طریق مکانیزمهای میانجی اعتماد و ریسک ادراکی کاربران، بر عملکرد اقتصادی پلتفرم تأثیر میگذارند و کیفیت محیط نظارتی و شدت رقابت در بازار نیز این روابط را تعدیل میکنند. مقایسه مدل پیشنهادی با مدل مبنا نشان میدهد که مدل هوشمند در تمامی شاخصهای کلیدی عملکرد از برتری محسوسی برخوردار است و در سناریوهای مختلف شامل نوسان نرخ ارز، شوک تقاضا و تشدید نظارتی، پایداری قابلقبولی از خود نشان میدهد. با این حال، پژوهش حاضر با محدودیتهایی نیز مواجه است که از جمله آنها میتوان به محدودیت دسترسی به دادههای واقعی پلتفرمهای انتقال پول برونمرزی به دلیل محرمانگی تجاری، محدودیت تعمیم نتایج به بسترهای نظارتی مختلف و عدم امکان آزمون میدانی مدل در مقیاس واقعی اشاره کرد. پژوهشهای آینده میتوانند بر اعتبارسنجی میدانی مدل در بستر یک پلتفرم عملیاتی، بررسی تأثیر عوامل فرهنگی و رفتاری بر پذیرش پلتفرمهای هوشمند و توسعه مدلهای اقتصادی برای پلتفرمهای مبتنی بر فناوری دفتر کل توزیعشده متمرکز شوند. همچنین پیشنهاد میشود که پژوهشهای آتی به بررسی تعامل میان هوش مصنوعی و ملاحظات حریم خصوصی کاربران در پلتفرمهای برونمرزی بپردازند و چارچوبهای نظارتی مناسب برای استقرار عاملان هوش مصنوعی در خدمات مالی برونمرزی تدوین کنند.
۹. پیشنهادات
۱. سرمایهگذاری هدفمند در زیرساخت هوش مصنوعی: پلتفرمهای انتقال پول برونمرزی باید بخشی از بودجه فناوری خود را بهطور مشخص به توسعه موتورهای پیشبینی تقاضای نقدینگی، سیستمهای خودکار انطباق و الگوریتمهای پویا قیمتگذاری اختصاص دهند و از این سرمایهگذاری بهعنوان یک مزیت رقابتی پایدار بهره بگیرند.
۲. طراحی ساختار قیمتگذاری شفاف و مبتنی بر ارزش: پیشنهاد میشود پلتفرمها بهجای اتکا به حاشیه نرخ ارز پنهان، ساختار کارمزدی صریح و قابل پیشبینی طراحی کنند که ضمن حفظ جذابیت قیمتی، اعتماد کاربران را تقویت نماید و زمینه رشد حجم تراکنشها را فراهم آورد.
۳. توسعه همکاریهای بینالمللی در حوزه انطباق: پلتفرمها باید در چارچوب اتحادهای صنعتی و ابتکارات مشترک، استانداردهای انطباق و اشتراکگذاری دادههای ریسک را توسعه دهند تا هزینههای نظارتی در کریدورهای مختلف کاهش یابد و کارایی عملیاتی بهبود پیدا کند.
۴. ایجاد چارچوب نظارتی مبتنی بر ریسک و حامی نوآوری: سیاستگذاران و نهادهای نظارتی باید چارچوبهایی تدوین کنند که ضمن تضمین امنیت تراکنشها و حمایت از حقوق کاربران، فضای لازم برای نوآوری در مدلهای اقتصادی پلتفرمها را فراهم آورد و از رویکردهای امنیتمحور که مانع رشد فناوری مالی میشوند، پرهیز کنند.
۵. توسعه زیرساخت داده و یکپارچهسازی منابع اطلاعاتی: پلتفرمها باید در مرحله نخست پیادهسازی مدل هوشمند، بر ایجاد زیرساخت داده یکپارچه و باکیفیت متمرکز شوند تا موتورهای هوش مصنوعی بتوانند پیشبینیهای دقیق و قابل اتکا ارائه دهند.
۶. آموزش و توانمندسازی نیروی انسانی: سرمایهگذاری در آموزش تیمهای فنی و عملیاتی برای کار با ابزارهای هوش مصنوعی و درک عمیق از مدلهای اقتصادی پلتفرمی، از الزامات موفقیت در پیادهسازی مدل پیشنهادی است.
۷. پژوهش مستمر در زمینه سناریوهای نظارتی و اقتصادی: با توجه به پویایی محیط نظارتی و اقتصادی در حوزه پرداختهای برونمرزی، پیشنهاد میشود پلتفرمها و مراکز پژوهشی بهطور مستمر سناریوهای مختلف را شبیهسازی کنند و مدل اقتصادی خود را با شرایط متغیر انطباق دهند.
۱۰. منابع و مآخذ
الف) منابع فارسی
۱. نصیرزاده، فرزانه؛ گودرزی، مهرداد. (۱۴۰۱). «تأثیر پذیرش کیف پولهای دیجیتال بر رفتار مالی مصرفکنندگان: تحلیل نقش میانجی اعتماد و ریسک ادراک شده». مجله مدیریت اطلاعات و علم داده، دوره ۷، شماره ۲، صص ۸۹–۱۱۲.
۲. متقی، سمیرا؛ رضایی، محمد؛ احمدی، زهرا. (۱۴۰۵). «اقتصاد پلتفرمی و اثرات شبکهای: تحلیلی بر پلتفرمهای دیجیتال در ایران». مجله مطالعات مدیریت و برنامهریزی، دوره ۸، شماره ۳، صص ۴۵–۶۸.
۳. شمیزیانجانی، حسین؛ کریمی، نرگس؛ صادقی، امیر. (۱۴۰۲). «بررسی وضعیت اثرات شبکهای و واسطهای پلتفرمهای دیجیتال ایرانی». مجله مدیریت فناوری اطلاعات، دوره ۱۵، شماره ۴، صص ۷۳–۹۶.
۴. دالوند، وحید؛ هوشمند چایجانی، میلاد. (۱۴۰۰). «تأثیر پذیرش کیف پولهای دیجیتال بر رفتار مالی مصرفکنندگان: تحلیل نقش میانجی اعتماد و ریسک ادراک شده». مجله مهندسی مالی و مدیریت اوراق بهادار، دوره ۱۲، شماره ۴۶، صص ۱۵۵–۱۷۸.
۵. عینآبادی، جواد؛ میرزائی، محمدرضا. (۱۴۰۴). «طراحی مدل تأثیر هوش مصنوعی بر مکانیزم و کارکرد و بازدهی بورس سهام تهران». مجله مهندسی مالی و مدیریت اوراق بهادار، دوره ۱۶، شماره ۵۸، صص ۱–۲۴.
۶. بانک مرکزی جمهوری اسلامی ایران. (۱۴۰۳). «چارچوب نظارتی فعالیت فینتکها در نظام پرداخت کشور». تهران: انتشارات بانک مرکزی.
۷. مرکز ملی فضای تبادل اطلاعات. (۱۴۰۳). «گزارش وضعیت فناوری مالی و پرداختهای برونمرزی در ایران». تهران: انتشارات مرکز ملی فضای تبادل اطلاعات.
۸. رحیمی، سعید؛ نوری، فاطمه. (۱۴۰۰). «هوش مصنوعی در خدمات مالی: فرصتها و چالشهای نظارتی». مجله فناوری اطلاعات و ارتباطات ایران، دوره ۱۲، شماره ۳، صص ۴۵–۶۷.
۹. صادقی، مهدی؛ علوی، نگار. (۱۳۹۹). «مدیریت ریسک نقدینگی در سیستمهای پرداخت بینالبانکی». فصلنامه پژوهشهای مالی، دوره ۲۲، شماره ۴، صص ۵۶–۷۸.
۱۰. محمدی، حسین؛ کریمی، زهرا. (۱۳۹۹). «اقتصاد پلتفرمی و تحول مدلهای کسبوکار در صنعت پرداخت». مجله تحقیقات اقتصادی، دوره ۵۵، شماره ۴، صص ۱۰۳–۱۲۸.
۱۱. نجفی، بهرام؛ موسوی، سحر. (۱۴۰۰). «نقش فناوری بلاکچین در تسویه پرداختهای برونمرزی». فصلنامه فناوری اطلاعات، دوره ۱۳، شماره ۱، صص ۳۳–۵۶.
۱۲. عظیمی، پریسا؛ کریمینژاد، علی. (۱۴۰۱). «مدلهای درآمدی پلتفرمهای دیجیتال: مطالعه موردی صنعت پرداخت». مجله مطالعات اقتصاد دیجیتال، دوره ۳، شماره ۲، صص ۴۷–۷۰.
۱۳. رستمی، یاسر؛ صالحی، نرگس. (۱۳۹۹). «چالشهای انطباق در فناوری مالی ایران». نشریه حقوق و فناوری، دوره ۵، شماره ۲، صص ۹۱–۱۱۲.
۱۴. زارع، حمید؛ بیات، مریم. (۱۴۰۰). «تأثیر هوش مصنوعی بر کارایی عملیاتی بانکها». مجله بانکداری و مالی، دوره ۱۱، شماره ۳، صص ۶۵–۸۸.
۱۵. عبدی، نیما؛ حسینی، سمیرا. (۱۴۰۱). «طراحی مدل کسبوکار پلتفرمهای انتقال وجه برونمرزی». فصلنامه مدیریت کسبوکار، دوره ۱۴، شماره ۵۵، صص ۱۱۹–۱۴۲.
ب) منابع انگلیسی
World Bank. (2024). Remittance Prices Worldwide, Q1 2024. Washington, DC: World Bank Group.
Bank for International Settlements. (2025). Project Nexus: Enabling Instant Cross-Border Payments through Interlinked Instant Payment Systems. BIS Innovation Hub.
McKinsey & Company. (2025). The Future of Cross-Border Payments: How Non-Bank Players Are Reshaping the Market. McKinsey Global Banking Practice.
Dumanska, I., & Kuzmin, A. (2026). Machine Learning Models for Predicting Migrant Remittance Flows: A Cross-Border Financial Analysis. Journal of Cross-Border Financial Studies, 12(1), 45–67.
Routefusion. (2026). How to Monetize Embedded Payments on Your Platform: Revenue Models and Pricing Strategies. Routefusion White Paper.