تأثیرات مثبت و منفی COVID-19 در تحول دیجیتال

این مطالعه برای تحقیق در مورد تأثیر موقعیت های همه گیر مانند COVID-19 در تحول دیجیتال (DT) طراحی شده است. مطالعه پیشنهادی ما به منظور تحقیق در مورد اینکه آیا COVID-19 محرک تحول دیجیتال است و به بررسی سه نابرابری مثبت و منفی DT طراحی شده است. مطالعه ما نشان می دهد که COVID-19 محرک تحول دیجیتال است ، زیرا 94 درصد از پاسخ دهندگان موافقت کردند که Covid-19 محرک DT است. مرحله دوم مطالعه ما نشان می دهد که فناوری ، اتوماسیون و همکاری (TAC) مثبت ترین عامل معنادار است که کار را از هر نقطه (WFA) (یا کار از خانه) امکان پذیر می کند و همچنین منجر به سومین عامل مثبت یک کار می شودتعادل زندگی (WLB). سه عامل منفی برتر هیچ تعادل کار و زندگی (NWL) ، مسائل مربوط به اشتغال اجتماعی (SEI) و مسائل امنیت و فناوری داده ها (DST) است. عوامل منفی نتیجه متناقض را نشان می دهد زیرا NWL منفی ترین عامل است ، حتی اگر WLB سومین عامل مثبت باشد. در حالی که وضعیت همه گیر منجر به وضعیت مثبت برای اقتصادها و سازمانها در سطح خرد می شود ، تأثیرات منفی ، که بر رشد کلی اقتصادی و همچنین بهزیستی اجتماعی ، بهداشت و ثروت تأثیر می گذارد ، باید در ذهن داشته باشد. انگیزه این مطالعه تحقیق در مورد اثرات مثبت و منفی COVID-19 بر DT بود ، زیرا COVID-19 بر همه و زندگی روزمره از جمله مشاغل تأثیر می گذارد. مطالعه ما یک چارچوب منحصر به فرد برای پرداختن به پذیرش مثبت و منفی ایجاد کرد. مطالعه ما همچنین نیاز به سازمانها و اقتصاد برای ایجاد برنامه های کاهش را برجسته می کند ، زیرا این همه گیر در سه چهارم گذشته باعث اختلال در کل جهان شده است.

1. مقدمه

سال 2020 یک سال همه گیر برای کل جهان بود ، زیرا Covid-19 زندگی همه را در آن سال تحت تأثیر قرار داد. COVID-19 یک بیماری است که شامل یک کروناویروس است ("CO" مخفف Corona ، "VI" برای ویروس و "D" برای بیماری است) [1]. COVID-19 از زمان اعلامیه سازمان بهداشت جهانی (WHO ، ژنو ، سوئیس) در مورد این بیماری در 30 ژانویه 2020 ، تقریباً سه چهارم تأثیرات جانبی داشته است. ویروس Covid-19 یک ویروس مرتبط با سندرم تنفسی حاد است [1،2]وادکل اقتصادها در تلاشند تا بر همه گیر خود غلبه کنند زیرا این یک مسئله تهدید کننده برای هر ملتی است. همانطور که توسط WHO ذکر شد ، Covid-19 یکی از جدی ترین همه گیر جهانی است ، شبیه به آنفولانزای اسپانیا [3]. در شرایط غالب ، هیچ راه حلی برای پایان دادن یا کنترل این بیماری همه گیر در دسترس نیست و تنها راه حل پیروی از دستورالعمل های WHO تا حد امکان است [3]. نکته قابل توجه ، واکسن هایی مانند واکسن های Pfizer و Modea وجود دارد که نتایج کارآمد و امیدوارکننده ای را نشان می دهد ، همانطور که توسط WHO ذکر شده است. علاوه بر این ، کانادا و بسیاری از کشورهای دیگر ، بر اساس آخرین اخبار مربوط به این موضوع (15 دسامبر 2020) ، واکسیناسیون شهروندان سالخورده خود را آغاز کرده اند و آنها را برای پوشش کل جمعیت خود گسترش می دهند تا کل جمعیت خود را پوشش دهند. طبق شرایط غالب ، 50 واکسن وجود دارد که در حال حاضر در آزمایشات هستند و WHO با دانشمندان و سازمان های بهداشتی در سراسر جهان همکاری می کند [3].

تحول دیجیتال (DT) از بسیاری جهات تعریف شده است ، اما به طور کلی استفاده از فناوری های اطلاعات و ارتباطات (ICT) به همراه مزایای آنها [4] برای تغییر مدل های عملیاتی ، محصولات ، خدمات و ساختارهای سازمانی برای به دست آوردن رقابتی است. مزیت - فایده - سود - منفعت. به گفته ویال [5] ، "DT فرایندی است که با هدف ایجاد تغییرات مهم در خصوصیات خود از طریق ترکیبی از اطلاعات ، محاسبات ، ارتباطات و فناوری های اتصال ، یک موجودیت را بهبود می بخشد."تعاریف دیگری از DT [6] مانند "فرصتی برای ایجاد یک مدل تجاری جدید" وجود دارد. انتظارات و مزایای مربوط به DT تا حدودی گسترده تر است [7] ، زیرا انتظار می رود باعث تغییر در تجربیات مشتری ، سرنوشت مشتری ، رشد تجارت ، افزایش در لمس مشتری ، تغییر در مدل های عملیاتی و غیره شود.

DT کاملاً مختل کننده است ، زیرا نحوه عملکرد مشاغل و ارائه کالاها و خدمات به مشتری را تغییر می دهد. DT در طول سه چهارم گذشته هنگامی که بیماری همه گیر Covid-19 عملی شد ، نقش مهمی در عملیات روزانه تجاری داشته است. از این رو ، مطالعه همبستگی بین COVID-19 و DT بسیار مهم است. با توجه به تأثیرات منفی COVID-19 در DT ، خواه آن را دوست داشته باشیم یا نه ، بقا ضروری است و حتی اگر مشاغل نتوانند به طور عادی فعالیت کنند ، ما باید در صورت امکان بخش تجارت را به حالت عادی برگردانیم [8]. مشاغل همانطور که انتظار می رود فعالیت نمی کنند ، زیرا دائماً تحت تأثیر وضعیت این بیماری همه گیر قرار می گیرند. شیوه هایی که دائماً تحت تأثیر قرار می گیرند ، ما را به سمت رکود جهانی گسترده تر سوق می دهد و از این رو نیاز بزرگی وجود دارد [8] اکنون برای بهزیستی اقتصادی بشر اقدامات موثری انجام دهیم. فرآیندهای اصلاح مالیات و جمع آوری به تأخیر می افتند [7] ، زیرا مهلت "پیوند دیجیتال" برای ساخت دیجیتال مالیاتی (MTD) دیگر اولویت بالایی نیست. COVID-19 در حال شروع مالیات غیرمستقیم و دیجیتالی شدن در توابع مالیاتی به طور موقت است [7]. با توجه به COVID-19 ، اصلاحات مالیاتی ، فرآیندهای جمع آوری ، سیستم های اساسی IT و سیاست های مالیاتی به طور موقت [9،10] در سطح کلان تغییر می یابد ، که این یک بار برای شهروندان است و در عین حال استفاده از آن برای نگهداری دشوار استپایداری اقتصاد. علاوه بر اصلاحات مالیاتی برای افراد ، نگرانی هایی در مورد اصلاح مالیات [11] برای میلیاردرهای برتر یا بازیکنان بزرگ مانند Google ، Amazon ، Facebook و Apple (GAFA) وجود دارد. حتی اگر جهان به دلیل بیماری همه گیر ، در معرض رکود اقتصادی گسترده اقتصادی و دموکراتیک قرار بگیرد ، تعهدات مالیاتی بر GAFA تحت تأثیر قرار نگرفته است و سهم آنها در حال حاضر فقط 0. 2 درصد از ثروت آنها است [11].

بهزیستی اقتصادی و اجتماعی بشریت تا حدودی تحت تأثیر همه گیر Covid-19 قرار دارد زیرا بازار بیمه نیز تحت تأثیر Covid-19 قرار دارد [12] ، که این یک نگرانی جدی برای تأمین اجتماعی در سطح کلان است. از آنجا که مشتریان دائماً در حال قفل شدن هستند و بنابراین ، به شدت تحت تأثیر همه گیر قرار می گیرند ، تغییر در مدل های تجاری دیجیتال و مؤلفه های فناوری مرتبط برای انجام کار در حالی که همه گیر همچنان ادامه دارد ، لازم است. به عبارت دیگر ، انتظار می رود که پرداخت های بدون تماس تحت مدلهای فعلی تجارت دیجیتال بسیار افزایش یابد [13]. یکی دیگر از وضعیت های نوظهور در زمینه آموزش ، کشف بهترین راه برای از سرگیری مدارس ، حداقل به صورت آنلاین است که نیاز به سیستم عامل های یادگیری آنلاین ، تغییر در فرایند یادگیری و تهیه مطالب الکترونیکی دارد [14]. علاوه بر این ، نقش فعلی معلمان و دانش آموزان نیز باید تغییر کند. از آنجا که مدرسه یکی از نیازهای اساسی برای نسل بعدی است ، Covid شروع به تغییر در مدل عملیاتی مدرسه می کند. با نگه داشتن این تغییرات تکنولوژیکی در روشهای تدریس ، موضوعات سیاسی مرتبط باید در اسرع وقت برطرف شود. بر خلاف یک بیماری محلی ، از آنجا که این اپیدمی گسترده است ، انتظار در سطح کلان دنیایی از روابط بین فرهنگی و وحدت است [15]. از آنجا که اقتصاد کاملاً تحت تأثیر قرار می گیرد ، یک سرویس تجاری ناعادلانه و فریبنده مشخص شده وجود دارد [16]. بخش تجارت خطرات داخلی و تغییرات در شرایط بازار خارجی را نیز مشخص کرده است [17] نیز کاهش یافته است. علاوه بر مسئله اقتصادی [8] ، تهدیدهای اجتماعی و تغییر شیوه های ارتباطی (ارتباط از راه دور) توسط وضعیت COVID-19 عقب مانده است. از آنجا که گسترش فناوری ، استفاده از اطلاعات و خطرات امنیتی زیاد است. تجارت و داده ها در معرض فیشینگ و از دست دادن اطلاعات هستند [19]. تمرکز داده ها بسیار انتظار می رود [20] زیرا اطلاعات در همه جا و هرجای لازم برای دسترسی به کارفرمایان و کارمندان مورد نیاز است. یکی دیگر از مشکلات اقتصادی کاهش اتصال تجاری [1] نیز به عنوان تأثیر COVID-19 شناخته شده است.

از آنجا که Covid-19 چیزی جدی است و بر همه شهروندان در کل جهان تأثیر می گذارد ، DT تا حدودی یک کلمه کلیدی است که بیشتر بخش های تجارت و جامعه در مورد آن صحبت می کنند. همانطور که در ادبیات ذکر شده در بخش فوق بررسی شده است ، COVID-19 منجر به تأثیرات منفی و مثبت در سفر DT می شود. با این حال ، مشخص نیست که آیا تأثیر مثبت بر بهزیستی اجتماعی و اقتصادی است و در عین حال میزان تأثیر منفی نامشخص است. از آنجا که Covid-19 بر همه و زندگی روزمره ، از جمله مشاغل تأثیر می گذارد ، DT یکی از بازیکنانی است که باعث ایجاد تجارت و جامعه اجتماعی مجازی می شود. COVID-19 در هر دو حواس مثبت و منفی تأثیرات زیادی دارد. این موضوع مطالعه در این زمان هنوز کاملاً جدید است ، بنابراین تحقیق در مورد این موضوع بسیار مهم است تا بیشتر در نحوه ترجمه همه گیر Covid-19 به جنبه های مثبت کمک کند. در عین حال ، مهم است که در مورد بهزیستی اجتماعی و عوامل تجاری که تحت تأثیر منفی قرار گرفته اند ، بررسی شود تا در هنگام استفاده صحیح از این مقاله کاهش یابد. نویسندگان این مقالات برای پرداختن به این سؤالات زیر انگیزه دارند.

برای پرداختن به سؤالات ما ، یک چارچوب جدید فرزندخواندگی با عوامل همگن مورد نیاز است. مطالعه ما یک چارچوب مدل برای شناسایی و تجزیه و تحلیل متغیرهای مسئول اثرات مثبت و منفی COVID-19 در DT ایجاد خواهد کرد. شناسایی دامنه و توسعه ابزار برای چارچوب در بخش های زیر ارائه شده است. این امر پس از جمع آوری داده ها ، تجزیه و تحلیل ، آزمایش فرضیه ، نتایج ، بحث و پیامدها و نتیجه گیری در بخش های بعدی دنبال می شود.

2. پیشینه ادبیات

2. 1تأثیر منفی و مثبت بر DT به دلیل COVID-19

موارد زیر تأثیرات منفی تلفیقی بر روی DT است که به دلیل همه گیر COVID-19 است (جدول 1).

با نگاهی به تأثیرات مثبت COVID-19 در رانندگی DT ، فشار برای فعال کردن اکوسیستم دیجیتال ، یادگیری دیجیتال و مدلهای تجاری چابک [8] برای بقای تجارت و پایداری وجود دارد. همانطور که توسط ساتیا نادلا از مایکروسافت [26] مشخص شده است ، و آینده را در خاطر داشته باشید ، مهارت DT بسیار سریع در حال رشد است. این امر با ظهور فرصت های جدید در مشاغل [27،28،29] مانند 5G ، استفاده تکثیر شده از AI و ML ، پر کردن شکاف در B2B2C و B2B و عقب نشینی تغییر فرهنگی با همکاری و انتظار قوی یا پتانسیل برای مدیریت کیفیت نشان داده شده است. وادبسیاری از فرصت های شغلی مرتبط با فناوری اطلاعات دیگر [30،31] در فضای IoT مانند تجزیه و تحلیل پیش بینی کننده ، محاسبات ابری ، مراقبت های بهداشتی ، تحرک ، رسانه های اجتماعی و همکاری ، استفاده از سکوی اتوماسیون ، روباتیک ، تصویربرداری پزشکی وجود دارد [32 ،33،34] ، پوشیدنی و غیره. علاوه بر این ، اتصال تجاری ، Telepresence ، Telecare و ارتباطات از راه دور تأثیرات مثبت دیگری بر رشد دارد [1].

مدیریت فاجعه ، همه گیر و شرایط اضطراری منجر به ایجاد سیستم IT [9] می شود که تأثیر مثبتی در رانندگی DT دارد. یادگیری دیجیتال و اکوسیستم های دیجیتال بخشی از عامل رقابتی بودند ، در حالی که اکنون آنها الزام اساسی برای اکثر اقتصادها هستند زیرا آموزش و تحصیل بسیار تحت تأثیر قرار می گیرد [8،35]. در زیر جدول 2 برخی از تأثیرات مثبت برای رانندگی DT است اما محدود به این موارد نیست.

2. 2چارچوب های اتخاذ فناوری

مدل TOE [40] به زمینه های تکنولوژیکی، سازمانی و محیطی برای شناسایی عامل تأثیرگذار بر نوآوری و پذیرش می نگریست، در حالی که نظریه انتشار نوآوری (IDT) [41] بر زمینه های اقتصادی، اجتماعی و ارتباطی درون سازمان تمرکز می کرد.. به طور مشابه، مدل MOA [12] به طور گسترده در رشته های مدیریت به کار گرفته شده است، در حالی که انگیزه به تمایل به عمل اشاره دارد. فرصت به مکانیسم های محیطی یا زمینه ای اشاره دارد که انگیزه را ممکن می کند و توانایی به مهارت های فرد اشاره دارد. نظریه RBV [42] یکی از نظریه های کلاسیک در سیستم های اطلاعاتی بر اساس نظریه رشد شرکت ادیت پنروز (1959) است. علاوه بر این، RBV بر منابع در قالب محصولات، افراد و فرآیندها تمرکز دارد. علاوه بر این، مدل پذیرش فناوری (TAM) [43] بر پذیرش و سازگاری فناوری توسط یک فرد در سازمان تمرکز دارد، در حالی که نظریه یکپارچه پذیرش و استفاده از فناوری (UTAUT) بر اهداف کاربر تمرکز دارد. نسبت به سیستم های اطلاعاتی [44]. هر یک از این مدل ها دارای عوامل یا ساختارهای منحصربه فردی است که برای چنین کاربرد خاصی در پذیرش، انتشار و استفاده فناوری در نظر گرفته شده است. مطالعه ما به طور متفاوت به این مدل نگاه می کند و به پاسخ دهنده اجازه می دهد ویژگی های مثبت یا منفی را آزاد کند و متاآنالیز را انجام دهد تا به عامل/پارامترهای مناسب برای فرضیه های بیشتر نگاه کند. نتیجه این رویکرد منجر به شناسایی عوامل و تعریف مدلسازی برای این مطالعه خواهد شد. مدل و فرضیه به دست آمده به آزمون سؤالات تحقیق با فرضیه مربوطه کمک می کند.

3. روش ها

از آنجایی که هدف این مطالعه پرداختن به سوالات مطرح شده در بخش فوق است، شناسایی و توسعه مدلی برای شناسایی فرضیه برای تحلیل بیشتر مهم است. این مطالعه از رویکرد چرچیل [45] با دسته بندی متغیرها، شناسایی عوامل، و ساخت مدلی برای آزمایش و تحلیل بیشتر استفاده می کند. برای رویکرد پیشنهادی در فرآیند توسعه مدل، ایجاد فرضیه ها، جمع آوری داده ها، اعتبارسنجی، تجزیه و تحلیل داده ها، آزمون فرضیه ها، نتایج و بحث به شکل 1 مراجعه کنید.

3. 1. توسعه ابزار

این فرآیند تهیه پرسشنامه برای انجام یک نظرسنجی و جمع آوری داده های مناسب است. به دلیل حفظ حریم خصوصی داده ها، نویسنده تصمیم گرفت آدرس ایمیل و سال ها تجربه (0 تا 10 سال و بیشتر از 10 سال) را برای درک مشخصات پاسخ دهندگان جمع آوری کند. سوال بعدی دریافت پاسخ در مورد اینکه آیا کووید-19 یک راننده DT است یا خیر. این سوال یک چک باکس بله یا خیر است."بله" پاسخ دهندگان را برای پرسیدن سؤالات بیشتر در مورد تأثیر مثبت و منفی به بخش بعدی هدایت می کند."نه" به پاسخ دهنده دستور می دهد که در اینجا توقف کند و پاسخی را ارسال کند. بخش بعدی برای جمع آوری پاسخ ها در مورد سه تغییر مثبت و سه تغییر منفی در DT است. این شش سوال دارای متن آزاد هستند تا به پاسخ دهنده اجازه دهند پاسخ را ارائه دهند زیرا مطالعه نمی خواهد چیزی را که ممکن است مناسب نباشد از پیش تعریف کند. برای پرسشنامه های پیوست A همانطور که در اینجا تعریف شده است به جدول A1 مراجعه کنید.

3. 2. شناسایی عوامل

با توجه به ابزار توسعه یافته در بخش فوق، شش سؤال (هر سه سؤال برای تأثیر مثبت و منفی) به صورت متنی آزاد هستند. مطالعه ما متاآنالیز [46] را برای شناسایی زمینه های مناسب و گروه بندی پاسخ ها با هم برای دستیابی به عوامل نهایی برای توسعه مدل انجام خواهد داد. متاآنالیز و شناسایی عاملی پس از جمع آوری داده ها انجام خواهد شد.

3. 3. توسعه مدل

پس از خروجی نهایی عوامل در مرحله شناسایی، از آن عوامل برای توسعه مدل استفاده می شود. مدل پیشنهادی در شکل 2 و شکل 3 بیان شده است. شکل 2 نشان می دهد که آیا کووید-19 یک محرک DT با یک سوال واحد با پاسخ اجباری مورد انتظار بله یا خیر است، در حالی که شکل 3 برای نشان دادن فرضیه های دیگر است. سوالات مربوط به سه تاثیر مثبت و منفی DT ناشی از COVID-19.

3. 4. توسعه فرضیه ها

همانطور که در بخش بررسی ادبیات گفته شد، COVID-19 کاملاً مخرب است، کل جهان را مهار می کند و بر رفاه انسان تأثیر می گذارد [8]. تقریباً همه از خانه کار می کنند زیرا COVID-19 تاکنون سه چهارم را تحت تأثیر قرار داده است و کنترل آن تقریباً غیرممکن به نظر می رسد. DT در قالب تغییر در سیستم ها و برنامه های IT به عنوان تراکنش هایی در زندگی روزمره در نظر گرفته می شود که با کار از خانه، سیستم های یادگیری مبتنی بر خانه و غیره در حال تغییر هستند.

آیا Covid-19 درایور تحول دیجیتال است؟ "این است که بررسی کند که آیا Covid-19 راننده DT است. از آنجا که این یک سؤال مستقیم از طریق پرسشنامه های نظرسنجی است ، اعتبار سنجی داده ها فقط توصیفی خواهد بود. مدل در شکل 2 پاسخ مستقیمی به این سوال ارائه می دهد.

سه عامل مثبت برتر که COVID-19 به تحول دیجیتال نسبت می دهد چیست؟ "آیا پسوند آزمایش ما وقتی پاسخ دهنده به سؤال 1 "Covid-19 به عنوان راننده DT" پاسخ داد ، پاسخ داد. سؤالات 2 تا 4 در حال جمع آوری تأثیر مثبت DT است. این عوامل بر اساس متاآنالیز همانطور که در "شناسایی فاکتور" ذکر شده است ، همانطور که در بالا توضیح داده شد ، شناسایی می شوند. سپس تجزیه و تحلیل داده ها به کشف سه عامل مثبت برتر که به DT نسبت می دهند کمک می کند.

سه عامل منفی برتر که COVID-19 به تحول دیجیتال نسبت می دهد چیست؟ "گسترش آزمایش ما برای شناسایی سه عامل منفی برتر است. سؤالات 5 تا 7 در حال جمع آوری پاسخ به تأثیر منفی DT است. این عوامل بر اساس متاآنالیز همانطور که در "شناسایی فاکتور" ذکر شده است ، همانطور که در بالا توضیح داده شد ، شناسایی می شوند. سپس تجزیه و تحلیل داده ها به ما کمک می کند تا سه عامل منفی برتر را که به DT نسبت می دهند ، بفهمیم.

3. 5جمع آوری داده ها

پاسخ دهندگان با استفاده از نمونه گیری هدفمند انتخاب شدند. این مطالعه با کارمندان در یک محیط سازمانی با سطح مختلف تجربه انجام می شود. توزیع گسترده ای از سطح تجربه وجود دارد زیرا از دسته ها (کمتر از 10 سال و بیش از 10 سال) در ساز ما استفاده شده است. این نظرسنجی به 135 گیرنده ارسال شده و برای این تجزیه و تحلیل تجربی پاسخ های منحصر به فرد قابل قبول 87 درصد دریافت کرده است [47]. با نگاهی به پروفایل های اشتغال خود ، 79 درصد از آنها بیش از 10 سال تجربه و 21 درصد از آنها کمتر از 10 سال تجربه داشتند (جدول 3). پاسخ دهندگان گزارش دادند که برای تکمیل نظرسنجی کمتر از 2 دقیقه طول کشید.

پاکسازی داده ها و شناسایی عامل

داده ها جمع آوری می شوند تا پاسخ دهنده بتواند در متن رایگان برای سه تغییر مثبت و سه تغییر منفی DT به دلیل COVID-19 پاسخ دهد. متاآنالیز برای گروه بندی این پاسخ ها برای تشکیل ساختار برای تجزیه و تحلیل بیشتر بود. پاسخ ها به عنوان بخشی از متاآنالیز رمزگذاری شده اند (شکل 4). داده های جدول 4 طبقه بندی و گروه بندی پاسخ های مختلف از نتیجه متاآنالیز است. پاسخ های بسیار کمی وجود دارد که خارج از عوامل مرتبط با DT قرار می گیرند و به عنوان مثبت کاذب در تجزیه و تحلیل داده ها از بین می روند.

3. 6تحلیل داده ها

داده ها برای تجزیه و تحلیل با استفاده از برنامه R (یک پلت فرم اسکریپتینگ آماری و داده های علمی OpenSource) به پرونده CSV تبدیل شدند. نسخه R 3. 6 است که آخرین نسخه در زمان این تجزیه و تحلیل است. نویسنده اندازه نمونه را با استفاده از semtools (فرمول زیر) تأیید کرده است و دریافت که اندازه نمونه مورد نیاز 97 در مقایسه با نمونه واقعی 117 است (مناسب برای تجزیه و تحلیل SEM در R).

کتابخانه های گدازه 0. 6-7 [48] ، SEM ، SEMPLOT و LAVAAN برای تجزیه و تحلیل بارگیری شدند. قابلیت اطمینان و قوام مورد آزمایش قرار گرفت ، و آلفای کلی کرونباخ است~0. 60 (قابل قبول) از آنجا که تعداد سؤالات کمتر از 10 است [45]. تجزیه و تحلیل داده ها با استفاده از مدل سازی معادله ساختاری (Lavaan-SEM) انجام شد. این روش به طور گسترده ای در زمینه تحقیق IT و سیستم اطلاعاتی برای ارزیابی پیش بینی مناسب بین سازه های پیشنهادی و متغیرهای وابسته مورد استفاده قرار می گیرد [49]. تجزیه و تحلیل FIT مدل بر اساس تجزیه و تحلیل Lavaan-SEM مورد بررسی قرار گرفت. این کار به طور عادی پس از 132 تکرار به پایان رسید و همانطور که در جدول 5 نشان داده شده است ، همگرایی را به درستی نشان داد.

اطلاعات خلاصه کلی از تجزیه و تحلیل خوب بودن ، نتایج بسیار مثبتی را نشان می دهد ، از آنجا که GFI = 0. 95 ، AGFI = 0. 90 ، TLI = 0. 94 ، CFI = 0. 9 ، RMSEA = 0. 07 و SRMR = 0. 10. برای جزئیات بیشتر در مورد منابع به جدول 6 مراجعه کنید. برای ارزش اهمیت که در این مطالعه مورد تجزیه و تحلیل قرار گرفته است به شکل 6 زیر مراجعه کنید.

3. 7آزمایش فرضیه

3. 7. 1. فرضیه H1: آیا Covid-19 راننده DT است؟

ما با بررسی تجزیه و تحلیل داده ها برای فرضیه (H1) شروع خواهیم کرد ، که یک آمار توصیفی ساده با پاسخ مورد انتظار بله یا خیر است. آمار توصیفی نشان می دهد که این فرضیه صحیح است زیرا پاسخ برای 94 درصد بله و نه فقط برای 6 درصد است. به همین ترتیب ، 94 درصد از مخاطب پاسخ دادند كه Covid-19 محرک DT در وضعیت همه گیر است. راننده DT می تواند مثبت یا منفی باشد ، که بیشتر در H2 و H3 آزمایش می شود. از آنجا که DT در تغییرات در مدلهای تجاری و عملیاتی کاملاً مختل کننده است ، Covid-19 یکی از فعال کننده های DT است که در این فرضیه آزمایش شده است. Covid-19 فعال کننده سفر DT در سطح کلان است زیرا جمع آوری داده ها در مطالعه ما در سطح کلان است.

3. 7. 2. فرضیه H2: سه عامل مثبت برتر که COVID-19 به تحول دیجیتال نسبت می دهد چیست؟

سه عامل مثبت برتر فناوری ، اتوماسیون و همکاری (TAC) است. کار از هرجای دیگر (WFA) ؛و تعادل کار و زندگی (WLB). این مطالعه همچنین نشان می دهد که مدل تجاری نوآورانه (IBM) نیز در همان سطح پیش بینی WLB قرار دارد. WLB به 1. 0 و TAC 5. 02 است که بسیار مهمتر از WLB است. علاوه بر این ، WFA 4. 26 بسیار مهمتر از WLB است. IBM کم و بیش در همان سطح از اهمیت WLB قرار دارد. با این حال ، آمار توصیفی WLB نسبت به IBM 18 21 است. از این رو سه عامل مثبت TAC ، WFA و WLB هستند. برای بحث و ادبیات بیشتر به بخش بحث مراجعه کنید.

3. 7. 3. فرضیه H3: سه عامل منفی برتر که COVID-19 به تحول دیجیتال نسبت می دهد چیست؟

سه عامل مهم مهم که به DT منفی نسبت داده می شوند ، تعادل زندگی و زندگی نیستند (NWL). مسائل اجتماعی و اشتغال (SEI) ؛و داده ها ، امنیت و مسائل مربوط به فناوری (DST). هنگامی که NWL به 1. 00 می رسد ، SEI 0. 32 و DST 0. 20 است. برای بحث و ادبیات بیشتر به بخش بحث مراجعه کنید.

4. نتایج

فرضیه اول همه چیز در مورد اینکه آیا Covid-19 یک راننده برای DT است. بر اساس پاسخ مستقیم پاسخ دهنده ، 110 پاسخ از "بله" (Covid-19 محرک DT است) و 7 پاسخ "نه" (نه راننده DT) وجود دارد. این مطالعه در سطح جهانی در این دوره اوج COVID-19 (طی 12 ماه گذشته) انجام شد و میزان پاسخ 87 درصد را دریافت کرد زیرا موضوع این مطالعه مورد توجه بیشتر پاسخ دهندگان بود. نتیجه H1 فقط یک تجزیه و تحلیل توصیفی است که نشان می دهد COVID-19 محرک DT است. پاسخ برای سؤالات بعدی فقط زمانی است که پاسخ فرضیه یک (H1) "بله" بود.

H2 برای بررسی سه عامل مثبت برتر که COVID-19 به تحول دیجیتال نسبت داده می شود. تجزیه و تحلیل نشان می دهد که سه عامل مهم مثبت مثبت (مانند شکل 6) TAC (فناوری ، اتوماسیون و همکاری) ، WFA و WLB هستند. علاوه بر این ، با نگاهی به داده های توصیفی ، پاسخ ها TAC = 151 ، WFA = 134 ، WLB = 21 و IBM = 18 هستند.

در مقابل ، H3 برای بررسی سه عامل منفی برتر که از طریق آن COVID-19 بر تحول دیجیتال تأثیر می گذارد. سه عامل اصلی منفی (شکل 6) NWL = 1. 00 ، SEI = 0. 32 و DST = 0. 20 است. با نگاهی به داده های توصیفی ، پاسخ های NWL = 196 ، SEI = 68 و DST = 41 و تغییر مدل تجاری (BMC) = 10. NWL توسط اکثر پاسخ ها به عنوان پاسخ ها به عنوان 196 امتیاز بالایی دارد. این به این دلیل است که کار می کند. از خانه محدودیت هایی را برای ساعات کاری و برنامه یا کنترل زمان کار حذف می کند.

علاوه بر این ، SEI از نظر منفی قابل توجه است و 68 پاسخ برای SEI وجود دارد. مطالعات کمی وجود دارد [11،51،52] توجیه مسائل اجتماعی و اشتغال به دلیل همه گیر. اگر رابطه مثبت و منفی کلی را با هم ترکیب کنیم ، همه گیر منجر به اختلال مثبت در DT می شود ، اما همچنین منجر به اختلال منفی می شود زیرا هیچ تعادل کار و زندگی و همچنین سایر مسائل و شغلی و شغلی وجود ندارد.

5. بحث و پیامدها

نتایج به وضوح نشان می دهد که اختلال COVID-19 منجر به اتخاذ و اختلال در فناوری در قالب اتوماسیون و همکاری می شود [8،14،31]. علاوه بر TAC ، Covid-19 منجر به کار از هرجایی می شود [53] که موانع جغرافیایی و وابستگی به دفتر را از بین می برد. سد جغرافیایی ممکن است به بهبود اشتغال در کشورهای در حال توسعه کمک کند. DT WFA را فعال می کند زیرا به فناوری بستگی دارد اما نوع آجر و ملات را از بین می برد. TAC (پاسخ ها: 151) منجر به WFA (پاسخ ها: 134) می شود که منجر به WLB (پاسخ ها: 21) مطابق پاسخ های توصیفی می شود. چشم انداز هرجای دیگر و هر زمان جدیدی نیست [17] همانطور که در اوایل دهه 2000 دید. WFH منجر به اتصال کارمندان 24 × 7 از طریق تحرک [54] یا حتی گاهی اوقات از طریق سیستم عامل های همکاری 24 × 7. WFA تأثیر منفی مستقیمی بر تعادل کار و زندگی دارد زیرا پاسخ های NWL 196 است. این بیشتر از هر یک از سایر موارد استعامل. از بین پاسخ دهندگان ، 21 نفر گزارش دادند كه تعادل زندگی و زندگی خوب است ، اما 196 پاسخ حاکی از عدم تعادل زندگی و زندگی است كه بسیار نگران كننده است زیرا NWL منجر به مسائل اجتماعی می شود.

این مهم است که با داشتن یک برنامه کاری به روشی کنترل شده ، مسائل اجتماعی ناشی از تعادل NWL [55] را کاهش دهیم. بسیاری از مطالعات حاکی از داشتن تعادل بهتر زندگی و زندگی [56] برای سلامتی و بهزیستی ثروت هستند. NWL [57] از گروه جوان و سالخورده کارمندان بسیار راضی است اما توسط گروه سنین میانسالی نیست. این مطالعه [57] در سال 2002 انجام شد ، اما مطالعه ما نشان می دهد که اکثر پاسخ ها می گویند NWL دارای رتبه بالایی است حتی اگر 79 درصد از پروفایل های پاسخ دهنده بیش از 10 سال اشتغال داشته باشند. این بدان معنی است که در طی یک دوره زمانی تعادل کار و زندگی در نتیجه اختلالاتی مانند COVID-19 به همراه جریان اصلی فن آوری های دیجیتال بدتر می شود.

5. 1دلالت عملی

توسعه ابزار با داشتن فرم نظرسنجی برای جمع آوری داده ها به جای انجام نوعی مطالعات کیفی به دلیل سفارشات فعلی در خانه و فاصله اجتماعی انجام می شود. علاوه بر این ، چالش های بی شماری توسط COVID به زنجیره تأمین ارائه شده است [58] ، که همه پیامدهای مدیران و سیاستگذاران است. از آنجا که این بیماری همه گیر بیش از یک سال به طول انجامیده است ، بلافاصله از بین نمی رود. جمع آوری داده های کمی تنها راه جمع آوری داده ها و انجام مطالعات مانند این است. داده های کمی (با استفاده از فرم پیمایشی) در زمان وضعیت همه گیر جمع آوری شد که در آن ممکن است واکنش پاسخ دهندگان واقعیت ها را منعکس نکند ، زیرا ممکن است انگیزه منفی رخ دهد. جمع آوری داده های کمی به نویسندگان این مقاله کمک می کند تا احساسات کارمندان را از طریق پرسشنامه های نظرسنجی به جای مطالعات کیفی مانند تعامل چهره به چهره جمع آوری کنند که در این وضعیت همه گیر مجاز نیست. Covid-19 یک اختلال گسترده ایجاد کرده است که کل اقتصادها را از بین می برد و منجر به فکر بهبود زندگی می شود تا اقتصاد. پاسخ ها ممکن است در اقتصادهای بسیار ضعیف و ضعیف یکنواخت نباشد. بسیاری از موضوعات اقتصادی و اجتماعی دیگر ممکن است در موضوعات COVID-19 قرار بگیرند. پاسخ ها در مرحله همه گیر COVID جمع آوری می شوند که ممکن است منعکس کننده وضعیت فعلی نباشد زیرا احساسات انصاف را در پاسخ ها از بین می برد. سطح یا گسترش همه گیر در سراسر جهان یکنواخت نیست زیرا مدیریت همه گیر در اقتصادها متفاوت است. اگر مطالعه این تجزیه و تحلیل تأثیر در سطوح خاص منطقه ای یا اقتصادی مورد نیاز باشد ، بهتر است در اقتصاد یا منطقه خاص انجام شود.

پایداری سازمان با تکیه بر DT در اسرع وقت برای اداره تجارت و کمک به کارکنان و مشتریان برای اتصال به آن تکیه می کند. تأثیر مثبت یا منفی DT نه تنها به عوامل مشترک بلکه بر اقتصاد ، سطح دیجیتال و کنترل همه گیر COVID-19 نیز بستگی دارد. اگر سطح تأثیر DT در زمان اختلال در COVID-19 مورد نیاز باشد ، این مطالعه با استفاده از همین رویکرد تحقیق می تواند به اقتصادهای خاص گسترش یابد. پایداری اجتماعی بستگی به چگونگی حل COVID-19 دارد و جامعه چگونه یکپارچه با یا بدون این نوع وضعیت همه گیر ارتباط دارد. باز هم ، اندازه گیری پایداری اجتماعی با تأثیر COVID-19 در DT می تواند در صورت لزوم بیشتر در اقتصادهای خاص تحقیق شود.

5. 2دلالت نظری

مدل نظری بر اساس جمع آوری پاسخ های کاربر در متن رایگان و گروه بندی پاسخ ها به عوامل مختلف با انجام متاآنالیز پاسخ ها بدست می آید. توسعه ابزار برای جمع آوری پاسخ ها برای سه تأثیر مثبت و منفی COVID-19 در DT انجام شد. پاسخ ها در متن رایگان است. سپس متن رایگان با استفاده از متاآنالیز مانند جدول 5 مورد تجزیه و تحلیل قرار گرفت و پاسخ های مختلف در ستون 3 به عنوان هشت IV کدگذاری شده است ، مانند "WFA ، WLB ، IBM ، TAC ، NWL ، SEI ، DST و BMC" در ستون 2. متا. تجزیه و تحلیل از پاسخ ها بر اساس تمرین مبتنی بر شواهد است که در رویکرد Kitchenham توضیح داده شده است [59]. نویسندگان مختلف در این مقاله پاسخ های متغیرها را در هر دو فاکتور مثبت و منفی در جدول 5 بررسی کردند. شناسایی عوامل از نتیجه پاسخ ها با دانشی بود که نویسنده از ادبیات محدود در Covid-19 در این مرحله جمع آوری کرده است.

6. نتیجه گیری

شکی نیست که آزمایش H1 ثابت می کند که COVID-19 محرک تحول دیجیتال است. تجزیه و تحلیل بیشتر مربوط به H2 و H3 ثابت می کند که اهمیت تأثیرات مثبت بیشتر از تأثیرات منفی است. این تأثیرات مستقیماً با اشتغال و محل کار مرتبط است زیرا مطالعه در بین کارکنان است. این مطالعه نشان می دهد که فناوری، اتوماسیون و همکاری (TAC) در تأثیرات مثبت DT رتبه بندی بالایی دارد. سپس کار از هر نقطه (WFA) و مدل های کسب وکار جدید (IBM) در تأثیرات مثبت DT دنبال می شود. از این اختلال همه گیر نمی توان جلوگیری کرد زیرا کسب و کار باید تا حدی به روال عادی خود ادامه دهد و کارمندان را ملزم می کند از خانه یا هر جایی کار کنند. WFH یا WFA به فناوری اساسی (TAC) نیاز دارند تا امکان کار یکپارچه با همکاران و مشتریان را فراهم کند. فناوری، اتوماسیون از طریق فناوری ها و فناوری های مشارکتی، پلتفرم های مهم فناوری اطلاعات هستند که برای هر کارمند در سازمان مورد نیاز است. نه تنها برای کارمندان، بلکه پذیرش آموزش الکترونیکی [60] توسط دانش آموزان ثابت می کند که COVID-19 مستقیماً DT را فعال می کند. تغییرات در عملیات یا مدل کسب و کار [61] به شدت توسط DT به شکل صنعت 4. 0 در وضعیت COVID-19 هدایت می شود. TAC یکی از پیامدهای مثبت COVID-19 است. عامل مهم بعدی WFA است که انتظار می رود در وضعیت COVID-19 یک امر عادی جدید باشد. به طور کلی، COVID-19 تأثیر مثبتی در WLB، WFA و TAC دارد. شکلی از تغییر در مدل کسب و کار یا IBM انتظار می رود در حالی که پاسخ دهندگان تعادل کار و زندگی را به عنوان یک تغییر مثبت ارزیابی کردند. سهم این مطالعه این است که DT برای کاهش وضعیت همه گیر مهم است زیرا تجارت باید طبق معمول اجرا شود. از آنجایی که بیماری همه گیر گسترده و جهانی است، کارمندان باید در سطح جهانی با هم ارتباط برقرار کنند که به فناوری های مشترک نیاز دارد. این مطالعه کارفرمایان و مشاغل را از فرصت ها آگاه می کند زیرا مدل های کسب وکار جدیدی برای کاهش همه گیری پدیدار شده اند. این مطالعه همچنین به کارفرمایان اطلاع می دهد که کاهش در قالب تحول فناوری (DT) برای کارمندان یا حتی ارتباطات مشتری ضروری است.

از طرف دیگر ، اختلال منفی وجود دارد زیرا آمار توصیفی تأثیر منفی در وضعیت COVID-19 را نشان می دهد زیرا پایه پایه NWL (بدون تعادل زندگی کار) = 1. 00 به عنوان پارامتر ثابت است. این نشان می دهد که تعادل کار و زندگی کارکنان تحت تأثیر قرار می گیرد و با حفظ دقت در تعامل کارمندان در این بیماری همه چیز قابل بازیابی است. مهم است که کارمندان را در ساعات اداری درگیر کنید و جایی برای تعادل زندگی خود فراهم کنید. NWL منجر به مسائل اجتماعی و اشتغال می شود (SEI = 0. 32). سهم این مطالعه به وضوح نشان می دهد که کارفرمایان باید برای حفظ تعادل زندگی کار ، دقت لازم را حفظ کنند. این همچنین باعث بهبود بهزیستی اجتماعی و سلامتی خواهد شد. جوامع ، سازمان ها و اقتصادها باید ضمن استفاده از اختلال مثبت به عنوان فرصت ، به بهزیستی اجتماعی و بهداشتی توجه داشته باشند.

با نگاهی به نتیجه و پیامدهای ، می توان یک مطالعه کیفی را پس از آرامش مقررات COVID-19 انجام داد. اگر اختلال در همه گیر در تأثیر DT برای مناطق یا اقتصادهای خاص مورد مطالعه قرار گیرد ، می توان رویکرد این مطالعه را برای مناطق یا اقتصادهای خاص بیشتر گسترش داد. از آنجا که این مطالعه خاص برای اختلال در COVID-19 در DT است ، ممکن است به طور مستقیم با سایر انواع همه گیر ارتباط برقرار نکند زیرا ماهیت اختلال ممکن است متفاوت باشد.

کمک های نویسنده

مفهوم سازی ، R. S.(Radhakrishnan Subramaniam) ؛روش شناسی ، R. S.(رجا سرودران) ؛نرم افزار P. P.(Prashobhan Palakkeel) ؛اعتبار سنجی ، R. S.(Radhakrishnan Subramaniam) ، S. P. S. و P. P.(Parasuraman Padmanabhan) ؛تجزیه و تحلیل رسمی ، R. S.(Radhakrishnan Subramaniam) ؛تحقیقات ، R. S.(Radhakrishnan Subramaniam) و S. P. S. ؛منابع ، R. S.(Radhakrishnan Subramaniam) ؛درمان داده R. S.(Radhakrishnan Subramaniam) ؛نوشتن - پیش نویس آماده سازی ، R. S.(Radhakrishnan Subramaniam) ؛نوشتن - بررسی و ویرایش ، R. S.(Radhakrishnan Subramaniam) و B. G. ؛تجسم ، R. S.(Radhakrishnan Subramaniam) ؛نظارت ، P. P.(Prashobhan Palakkeel) ؛مدیریت پروژه ، P. P.(Parasuraman Padmanabhan) ؛کسب بودجه ، B. G. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و موافقت کرده اند.

منابع مالی

نویسندگان حمایت از دانشکده پزشکی لی کنگ چیان و علوم داده و تحقیقات AI (DSAIR) مرکز دانشگاه فناوری نانیانگ سنگاپور (شماره پروژه ADH-11/2017-DSAIR) را تأیید می کنند. P. P.(Parasuraman Padmanabhan) و B. G. همچنین حمایت از مرکز تصویربرداری عصبی شناختی (CONIC) در NTU ، سنگاپور را تأیید کنید.

بیانیه هیئت بررسی نهادی

کمیته اخلاقی از آمریتا ویشوا ویدیاپهام ، هند "IEC-AIMS-2021-DOM-026" را بررسی کرده است ، مورخ: 18-02-2021 "و با بیان اینکه هیچ مسئله اخلاقی در این مطالعه وجود ندارد ، تأیید کرد.