运营预算基线包括$ 93,881,700和497.1 FTE在2026财年的运营预算中的职位。These amounts consist of: FY 2026 General Fund $9,145,100 Air Quality Fund 929,900 Automation Operations Fund 29,840,500 Capital Outlay Stabilization Fund (COSF) 13,487,400 Corrections Fund 629,400 Federal Surplus Materials Revolving Fund 473,500 Information Technology Fund 2,164,300 Personnel Division Fund 13,796,200 Risk Management Revolving Fund 8,258,000 Special Employee Health Insurance Trust Fund 5,715,200 Special Services Revolving Fund 1,255,700 State Surplus Materials Revolving Fund 1,401,500 State Web Portal Fund 4,705,400 Telecommunications Fund 2,079,600 Adjustments are as follows: Arizona State Hospital Ombudsman Position The Baseline includes a decrease of $(2,500) from 2026财年的普通基金撤销与建立新的监察员立场有关的设备成本的一次性资金,以处理有关亚利桑那州立医院的投诉和申诉。Capital Mall Fiber网络升级基线包括从2026财年的电信基金中降低$(325,000),以删除与升级横向纤维和Riser在Capitol Mall上升级的一次性设备和安装成本的资金,以提高网络传输速度。
代理描述 - 亚利桑那州退休系统(ASRS)为亚利桑那州大多数公立雇主的雇员,包括公立学校,大多数地方和县政府以及亚利桑那州提供退休,幸存者,健康和残疾福利。除投资管理和咨询费,租金,精算咨询费,法律顾问费用,退休人员薪资和健康保险计划管理外,该机构的资金均拨款。
1 莫斯科谢切诺夫第一国立医科大学(谢切诺夫大学)儿童牙科和正畸学系,俄罗斯莫斯科 119991;Olesya.V.Dudnik@yandex.ru 2 大西洋科学技术学术出版社,美国马萨诸塞州波士顿 01233 3 自主非营利组织“科学评论出版社”(Nauchnoe Obozrenie),俄罗斯莫斯科 127051 4 国立管理大学数字化转型管理研究所,俄罗斯莫斯科 109542;nikolay.kuznetsov53@gmail.com 5 莫斯科鲍曼国立技术大学基础科学学院数学模拟系,俄罗斯莫斯科 105005;marina.podzorova@inbox.ru 6 东北联邦大学数理经济学和应用信息科学系,俄罗斯雅库茨克 677009; irina.v.nikolaeva@lenta.ru 7 莫斯科理工大学公共管理与法律系,107023 莫斯科,俄罗斯;larissavatutina@yandex.ru 8 乌德穆尔特国立大学金融、会计与经济数学方法系,426034 伊热夫斯克,俄罗斯;ekaterina.khomenko@yahoo.com 9 普列汉诺夫俄罗斯经济大学历史与哲学系人道主义培训中心,117997 莫斯科,俄罗斯;marina.ivleva.2014@inbox.ru * 通信地址:info@astap.net 或 marina.vasiljeva2017@gmail.com
摘要:数字技术是创业活动的关键资源,人们对数字创业非常感兴趣。虽然许多研究都集中在数字技术在创业中的作用以及它们如何塑造这个领域,但对数字创业的关键参与者的研究相对较少。本研究使用来自 Crunchbase 和 Twitter API 以及学习机的数据,试图回答“谁是数字企业家?”的问题。 本研究报告称,人工智能和数据分析 (AIDA) 行业的数字企业家比非数字企业家更有可能是男性,并且更活跃且在线联系更紧密。此外,他们往往比其他非数字企业家更外向,更不认真和随和。我们的研究结果有助于更清楚地了解数字企业家,这将引起投资者、政策制定者、当前和未来的数字企业家和教育工作者的极大兴趣。
摘要:人工智能 (AI) 是一种强大的技术,具有多种功能,如今在所有行业中都开始显现出来。然而,与其他行业相比,人工智能在建筑行业的普及程度相当有限。此外,尽管人工智能是建筑环境研究的热门话题,但研究建筑行业人工智能采用水平低的原因的综述研究有限。本研究旨在通过确定人工智能的采用挑战以及为建筑行业提供的机遇来缩小这一差距。为了实现这一目标,该研究采用了 PRISMA 协议的系统文献综述方法。此外,文献的系统综述侧重于建筑项目生命周期的规划、设计和施工阶段。审查结果表明:(a) 人工智能在规划阶段特别有益,因为建筑项目的成功取决于准确的事件、风险和成本预测;(b) 采用人工智能的主要机会是通过使用大数据分析和改进工作流程来减少花在重复任务上的时间; (c) 将人工智能融入建筑工地的最大挑战是该行业的碎片化性质,这导致了数据获取和保留的问题。研究结果为建筑行业的各方提供了有关人工智能适应性的机会和挑战的信息,并有助于提高市场对人工智能实践的接受度。
摘要:目的:技术举措现已融入广泛的商业领域。本文的目的是探讨人工智能系统通过顾客偏好和行业基准的中介对企业家决策的可能影响。设计/方法/方法:这是一项非实证的文献综述和概念模型的开发。在主要学术数据库(如 Emerald 在线期刊、Taylor and Francis 在线期刊、JSTOR 在线期刊、Elsevier 在线期刊、IEEE Xplore 和开放存取期刊目录 (DOAJ))中搜索了专注于人工智能 (AI)、企业家决策、顾客偏好、行业基准和员工参与度的论文。总共有 25 篇文章符合预定义标准并被使用。结果:该研究提出,人工智能系统可以从企业家的角度促进更好的决策。此外,研究表明,员工作为利益相关者,可以通过参与来调节人工智能系统与企业家更好决策之间的关系。此外,研究表明,客户偏好和行业基准可以调节人工智能系统与企业家更好的决策之间的关系。研究的局限性/含义:本研究假设 ICT 环境完美,以保证人工智能系统的顺利运行。然而,情况可能并非总是如此。这项研究没有考虑企业家在 ICT 使用和采用方面的个人倾向。实际意义:本研究提出,企业家决策在人工智能系统的环境中得到丰富,并辅以客户偏好、行业基准和员工参与。这一发现为企业家提供了一种可能的技术工具,以便做出更好的决策,凸显了人工智能系统提供的无限选择。社会影响:在商业决策过程中引入人工智能会带来许多社会问题,这些问题与机器对人类和社会的影响有关。本文提出了如何在不破坏社会的情况下使用这项新技术。原创性/价值:这个概念框架是企业家发展的宝贵组织范围。此外,这项研究通过人工智能系统为企业家发展做出了宝贵的贡献。
摘要:本文研究公众和企业对人工智能的态度,并研究影响这些态度的主要因素。概念模型基于技术-组织-环境(TOE)框架,并通过定性和定量数据分析进行测试。主要数据是通过专门为研究开发的问卷进行的公开调查以及对人工智能领域专家和各公司管理代表的半结构化访谈收集的。本研究旨在评估公众和各行业员工对人工智能的当前态度,并调查影响他们的因素。研究发现,不同行业对人工智能的态度存在显著差异。已经实施人工智能解决方案的组织的员工和近期不打算实施人工智能解决方案的组织的员工对人工智能的态度存在显著差异。影响组织采用人工智能的三个主要因素是高层管理人员的态度、竞争和法规。在确定影响社会和公司对人工智能态度的主要因素后,提出了减少各种负面因素的建议。作者提出了一个命题,证明了成功采用创新技术所需的活动。
1 昆士兰科技大学建筑与建筑环境学院,2 George Street,布里斯班 QLD 4000,澳大利亚 2 圣卡塔琳娜联邦大学技术学院,Campus Universitario,Trindade,Florian ó polis,SC 88040-900,巴西 3 萨拉曼卡大学 Bisite 研究小组,37007 萨拉曼卡,西班牙;corchado@usal.es 4 空气研究所,物联网数字创新中心,37188 萨拉曼卡,西班牙 5 大阪工业大学工程学院电子、信息和通信系,大阪 535-8585,日本 6 阿卜杜勒阿齐兹国王大学高性能计算中心,Al Ehtifalat St,吉达 21589,沙特阿拉伯; rmehmood@kau.edu.sa 7 香港树仁大学经济及金融系,香港北角伟翠街 10 号,中国;ymli@hksyu.edu 8 亚利桑那州立大学公共事务学院,美国亚利桑那州凤凰城北中央大道 411 号,邮编 85004;karen.mossberger@asu.edu 9 昆士兰科技大学管理学院,澳大利亚昆士兰州布里斯班乔治街 2 号,邮编 4000;kevin.desouza@qut.edu.au * 通讯地址:tan.yigitcanlar@qut.edu.au;电话: +61-7-3138-2418
1 昆士兰科技大学建筑环境学院,2 George Street,布里斯班 4000,昆士兰州,澳大利亚;ruth.kankanamge@hdr.qut.edu.au (N.K.); massimo.regona@hdr.qut.edu.au (M.R.); andres.ruizmaldonado@connect.qut.edu.au (A.R.M.); bridget.rowan@connect.qut.edu.au (B.R.); hanseung.ryu@connect.qut.edu.au (A.R.)2 昆士兰科技大学管理学院,2 George Street,布里斯班 4000,昆士兰州,澳大利亚; kevin.desouza@qut.edu.au 3 萨拉曼卡大学 Bisite 研究小组,37007 萨拉曼卡,西班牙;corchado@usal.es 4 航空研究所,物联网数字创新中心,37188 萨拉曼卡,西班牙 5 大阪工业大学工学院电子、信息与通信系,大阪 535-8585,日本 6 阿卜杜勒阿齐兹国王大学高性能计算中心,Al Ehtifalat St,吉达 21589,沙特阿拉伯;rmehmood@kau.edu.sa 7 香港树仁大学可持续房地产研究中心,10 Wai Tsui Cres,北角,香港,中国;ymli@hksyu.edu * 通信地址:tan.yigitcanlar@qut.edu.au;电话: + 61-7-3138-2418
摘要:我们提出了一个可解释的人工智能模型,该模型可用于解释客户购买或放弃非寿险的原因。该方法包括将相似性聚类应用于从高精度 XGBoost 预测分类算法获得的 Shapley 值。我们提出的方法可以嵌入到基于技术的保险服务 (Insurtech) 中,从而可以实时了解对客户决策影响最大的因素,从而主动洞察他们的需求。我们通过对保险微保单购买数据进行的实证分析证明了我们模型的有效性。研究了两个方面:购买保险单的倾向和现有客户流失的风险。分析结果表明,可以根据一组相似的特征有效、快速地对客户进行分组,这可以很好地预测他们的购买或流失行为。