سیمای آمادگی قابلیت‌های کلان‌داده با رویکرد ارزش‌آفرینی در گردشگری پزشکی

نوع مقاله : مقاله پژوهشی

نویسندگان
مهدی پور 1
مرتضی رجوعی 2
سید مرتضی غیورباغبانی 3
شاپور بدیعی اول 4
1 دانشجوی دکترا،گروه مدیریت، دانشکده مدیریت و حسابداری، دانشگاه بین المللی امام رضا(ع)، مشهد، ایران
2 دانشیار،گروه مدیریت، دانشکده مدیریت و حسابداری، دانشگاه بین المللی امام رضا(ع)، مشهد، ایران
3 استادیار،گروه مدیریت، دانشکده مدیریت و حسابداری، دانشگاه بین المللی امام رضا(ع)، مشهد، ایران
4 دانشیار،گروه طب ایرانی، دانشکده طب سنتی و مکمل، دانشگاه علوم پزشکی مشهد، مشهد، ایران
10.48305/him.2025.45395.1314
چکیده
مقدمه:با توجه به اهمیت ارزش‌آفرینی در کسب‌و‌کار و نقش روزافزون کلان‌داده‌ها، در دهه اخیر استقرار مدل‌های ارزش‌آفرینی مبتنی بر کلان‌داده‌ها، تاکید شده است. پژوهش حاضر با هدف بررسی میزان آمادگی قابلیت‌های کلان‌داده‌ها برای پیاده‌سازی موفق این مدل‌ها در گردشگری پزشکی انجام شد.

روش بررسی: این پژوهش، از منظر هدف، کاربردی و از نوع توصیفی-همبستگی است که به روش مقطعی در سال 1403 انجام شد. جامعه پژوهش، مدیران مراکز درمانی گردشگری پزشکی مشهد بوده و به صورت سرشماری انتخاب شدند. ابزار گردآوری داده‌ها، پرسشنامه محقق ساخته بود که بین مدیران مراکز توزیع گردید. برای تحلیل داده‌ها، از آمار توصیفی و برای آزمون فرضیه‌ها از مدل‌یابی معادلات ساختاری و به دلیل تعداد محدود مشارکت‌کنندگان در پژوهش، روش ناپارامتری«کمترین مجذورات جزئی» Partial Least Square(PLS) در نرم‌افزار Smart PLS استفاده شد.

یافته‌ها: آمادگی کلی قابلیت‌های کلان‌داده‌ها(با میانگین 28/2) و قابلیت‌های‌تحلیلی ‌کلان‌داده، قابلیت‌های مدیریتی و زیرساخت‌ها(با میانگین‌های 12/2، 14/2و 49/2)، کمتر از مقدار 3 و در سطح پایینی قراردارند. زیرساختها، قابلیت‌های تحلیلی و قابلیت‌های مدیریتی کلان‌داده‌ها، به ترتیب با ضرایب مسیر 540/0 ، 300/0 و 192/0 بیشترین تاثیر را بر میزان آمادگی کلی دارند.

نتیجه‌گیری: بهبود سطح آمادگی همگی قابلیت‌ها، با توجه به میزان تاثیر آنها بر آمادگی کلی، بایستی با اولویت ارتقای زیرساخت‌ها، قابلیت‌های تحلیلی و مدیریتی کلان‌داده‌ها، با پیاده‌سازی و یکپارچه‌سازی منابع داده، بهره‌گیری از قابلیت‌های تحلیلی پیشرفته، و ارتقای فرهنگ داده‌محور صورت پذیرد.

کلیدواژه‌ها

موضوعات

عنوان مقاله English

Readiness Profile of Big Data Capabilities with a Value-Creation Approach in Medical Tourism

نویسندگان English

Mehdi Pour 1
Morteza Rojuee 2
Seyed Morteza Ghayour Baghbani 3
Shapour Badiee Aval 4
1 PhD Student, Department of Management, Faculty of Management and Accounting, Imam Reza International University, Mashhad, Iran
2 Associate Professor, Department of Management, Faculty of Management and Accounting, Imam Reza International University, Mashhad, Iran
3 Assistant Professorو Department of Management, Faculty of Management and Accounting, Imam Reza International University, Mashhad, Iran
4 Associate Professor,Department of Iranian Medicine, School of Traditional and Complementary Medicine,, Mashhad University of Medical Sciences, Mashhad, Iran
چکیده English

Given the importance of value creation in business and the increasing role of big data, the adoption of big data-driven value creation models has been emphasized over the past decade. Accordingly, this study aims to assess big data capabilities preparedness with a focus on the successful implementation of these models in Medical tourism.

Methods: This study is applied in terms of purpose and descriptive-correlational in design, conducted using a cross-sectional approach in 2024. The statistical population consisted of managers of medical tourism healthcare centers in Mashhad, Iran, who were included through a census sampling method. Data were collected using a researcher-developed questionnaire distributed among the center managers. The instrument’s validity was confirmed through confirmatory factor analysis, and its reliability was established using Cronbach’s alpha and composite reliability coefficients. Descriptive statistics were employed for data summarization, while structural equation modeling (SEM) was used to test the research hypotheses. Due to the limited sample size, the non-parametric Partial Least Squares (PLS) approach was implemented using SmartPLS software.

Results: T The overall readiness of big data capabilities (mean = 2.28)—along with analytical capabilities (mean = 2.12), managerial capabilities (mean = 2.14), and infrastructure (mean = 2.49)—was below the theoretical midpoint of 3, indicating a low level of preparedness. Infrastructure, analytical capabilities, and managerial capabilities exerted the strongest influence on overall readiness, with path coefficients of 0.540, 0.300, and 0.192, respectively.

Conclusion: Improving the readiness level of all capabilities—considering their respective impacts on overall readiness—should be prioritized by first enhancing big data infrastructure, followed by analytical and managerial capabilities. This can be achieved through the implementation and integration of diverse data sources, adoption of advanced analytical capabilities, and fostering a stronger data-driven organizational culture.

کلیدواژه‌ها English

Value
Value Creation
Big Data
Big Data Analysis Capability
Health Tourism
  1. Mousavi SM, Amiri Aghdaie SF. Investigating Consumer Behavior to Create Expected Customer Value, using Big Data Analytics. Consumer Behavior Studies Journal 2020; 7 (1): 160-82. [in Persian].
  2. Mirarab A, Mirtaheri S L, Asghari S A. Key Factors of Value Creation Using Big Data Analytics for Excellence in Enterprise Strategies. Siasate motalieh 2019; 23: 237-52. [in Persian].
  3. Rahmanseresht H, Sheikhi N. Value- Co-creation in Iran Banking Industry:Analysis of Value Creation Elements and Relationships. Public management research, 2020; 46, 95-122. [in Persian].
  4. Gul R, Ellahi N, Saleh Al-Faryan M A. The complementarities of big data and intellectual capital on sustainable value creation; collective intelligence approach. Annals of Operations Research[Online]. [cited 12 Nov. 2021]; https://doi.org/10.1007/s10479-021-04338-z.
  5. Faroukhi AZ, El Alaoui I, Gahi Y, Amine A. An adaptable big data value chain framework for end-to-end big data monetization. Big Data and Cognitive Computing. 2020 Nov 23;4(4):34. doi:10.3390/bdcc4040034
  6. Furtado L, Dutra M, Macedo D. Value creation in big data scenarios: A literature survey. Journal of Industrial Integration and Management. 2017 Mar 4;2(01):1750002.doi:10.1142/S2424862217500026.
  7. Olszak C M, Zurada J. Big Data-driven Value Creation for Organizations, Proceedings of the 52nd Hawaii International Conference on System Sciences 2019,164-73, doi: 10.24251/HICSS.2019.021.
  8. Grover V, Chiang R, Liang T, Zhang D. Creating Strategic Business Value from Big Data Analytics: A Research Framework. Journal of Management Information Systems 2018; 35( 2): 388-423.
  9. Brewis C, Dibb S, Meadows M. Leveraging big data for strategic marketing: A dunamic capability model for incumbent firms. Technological Forecasting & Social Change, 2023; 190, 1-15.
  10. Saggi, M K, Jain S. A survey towards an integration of big data analytics to big insights for value-creation. Information Processing and Management 2018; 54(5),758-90.
  11. Cai C, Li Y, Tu Y. Big data capabilities, ESG performance and corporate value. . International Review of Economics and Finance 2024; 96, 103540 https://doi.org/10.1016/j.iref.2024.103540.
  12. Zhang JZ, Srivastava PR, Sharma DH, Eachempati P. Big data analytics and machine learning: A retrospective overview and bibliometric analysis. Expert Systems With Applications 2021; 184, , 115561, https://doi.org/10.1016/j.eswa.2021.115561.
  13. Feng N, Tu SH,Guo F. Big-data analytics capability, value creation process, and collaboration innovation quality in manufacturing enterprises: A knowledge-based view. Computers & Industrial Engineering 2024; 187 ; 109804.
  14. Agarwal A., Singh G, Jain S, Mittal P. Beyond boundaries: Charting the frontier of healthcare with big data and ai advancements in pharmacovigilance. Health Sciences Review 2025(14). https://doi.org/10.1016/j.hsr.2025.100214
  15. Brossard PY, Minvielle E, Sicotte C. The path from big data analytics capabilities to value in hospitals: a scoping review. BMC Health Services Research. 2022 31;22(1):134. https://doi.org/10.1186/s12913-021-07332-0.
  16. Galetsi P, Katsaliaki K, Kumar S. Big data analytics in health sector: Theoretical framework, techniques and prospects, International Journal of Information Management 2020; 50, 206–16.
  17. Wang L. Enhancing tourism management through big data: Design and implementation of an integrated information system, Heliyon 2024; 10(20), e38256. https://doi.org/10.1016/j.heliyon.2024.e38256.
  18. Büyük¨ozkan G, Mukul E, Kongar E. Health tourism strategy selection via SWOT analysis and integrated hesitant fuzzy linguistic AHP-MABAC approach , Socio-Economic Planning Sciences, available online 2020; https://doi.org/10.1016/j.seps.2020.100929.
  19. Medical tourism market estimated to be worth US$97.9 billion by 2030. ITIJ [Internet]. 2023 Feb 9 [cited 2025 Feb 17]. Available from: https://www.itij.com/latest/news/medical-tourism-market-estimated-be-worth-us979-billion-2030
  20. Weerasinghe K, Scahill Sh, Pauleen D, Taskin N. Big data analytics for clinical decision-making: Understanding health sector perceptions of policy and practice. Technological Forecasting & Social Change 2022; 174. https://doi.org/10.1016/j.techfore.2021.121222
  21. The Islamic Republic News Agency. IRNA [Internet]. 2025 [cited 2025 June 13]; Available from: https://irna.ir/xjTMzz
  22. Hair J F. A primer on partial least squares structural equation modeling (PLS – SEM). Trans. Alam Beigi A, Haji Agha P. Tehran, Iran: University of Tehran Press; 2023. P 15-28. [In Persian].

Yeh Y T, Eden R, Fielt E, Syed R. The role of use for the business value of big data analytics. Journal of Strategic Information Systems 2025; 34, 101888. https://doi.org/10.1016/j.jsis.2025.101888

مدیریت اطلاعات سلامت
دوره 22، شماره3(پاییز)
پاییز 1404
صفحه 152-160