ارائه رویکردی نوین مبتنی بر قواعد انجمنی و الگوریتم‌های بهینه‌سازی به‌منظور پیش‌بینی موفقیت شرکت‌های نوآفرین: مورد کشور ایران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه مدیریت، دانشکده مدیریت، دانشگاه خوارزمی، تهران، ایران.

2 کارشناسی ارشد، مدیریت صنعتی، دانشکده مدیریت، دانشگاه خوارزمی، تهران، ایران.

چکیده

با توجه به وضعیت کنونی اقتصاد، کارشناسان معتقدند که راه‌اندازی شرکت‌های نوآفرین  در بستر زیست‌بوم نوآفرینی می‌تواند رویکرد مؤثری برای کشورهای درحال‌توسعه باشد. با توجه به اینکه تعداد زیادی از شرکت‌ها شکست می‌خورند، اما عوامل کلیدی وجود دارد که می‌تواند شرکت‌های نوآفرین را در دستیابی به مسیر صحیح تا رسیدن به موفقیت کمک کند. پژوهش پیش رو باهدف شناسایی عوامل موفقیت شرکت‌های نوآفرین در ایران است که به پیش‌بینی موفقیت این شرکت‌ها کمک می‌کند. یکی از روش‌های توانمند داده‌کاوی کشف ارتباط در میان مجموعه‌ای از داده‌ها است که حاصل آن کشف یک سری قوانین انجمنی برای شناسایی روابط قوی میان فعالیت‌های کسب‌وکار به‌منظور شناسایی امکان موفقیت است. داده‌های جمع‌آوری‌شده در پژوهش پیش رو شامل 165 مورد شرکت نوآفرین ایرانی است که فعالیت خود را از شتاب‌دهنده‌ها آغاز کرده‌اند. استخراج متغیرهای مستقل پیش‌بینی کننده موفقیت ابتدا طبق روش تحقیق استخراج‌شده و سپس به‌دقت برای هر شرکت نوآفرین وضعیت متغیر مقدار شده است. متغیر وابسته از طریق بررسی وب­سایت، نرم‌افزار کاربردی و ... بر مبنای وضعیت فعالیت شرکت نوآفرین ارزیابی‌شده و در صورت تداوم فعالیت شرکت، شرکت نوآفرین موفق ارزیابی‌شده است. نهایتاً در این پژوهش در فاز اول به کمک الگوریتم‌های ماشین بردار پشتیبان، درخت تصمیم‌گیری، k- نزدیک‌ترین همسایگی و جستجوی فاخته برای انتخاب مؤثرترین متغیرهای مستقل یا همان عوامل موفقیت شرکت‌‌های نوآفرین شده و در فاز دوم به‌واسطه این عوامل قواعد انجمنی با اپریوری استخراج‌شده است. نتایج قواعد انجمنی همچنین گویای این موضوع است که در شرکت‌های نوآفرین بررسی‌شده انعطاف‌پذیری و مقیاس‌پذیری هم‌زمان باهم دو عامل مهم جهت موفقیت شمرده می‌شود.

کلیدواژه‌ها


عنوان مقاله [English]

A Rulebase Business Success versus Failure Apriori Prediction Model: A Case of Iranian Start-Ups

نویسندگان [English]

  • Seyed Mahdi Sadat Rasoul 1
  • Nazanin Habibi 2
  • Omid Mahdi Ebadati 1
1 Assistant Prof., Faculty of Management, Kharazmi University, Tehran, Iran.
2 M.Sc., Industrial Management, Faculty of Management, Kharazmi University, Tehran, Iran.
چکیده [English]

In the current economy and entrepreneurship situation in developing countries, experts maintain that establishing startup companies proves an efficient and promising approach. In spite of the fact, many startup companies are failed. However, there are key factors, which can help such companies follow the path to success. This research aims to identify the factors, which led to success of startup companies in Iran. Accordingly, one of the important roles of data mining is exploring the relationship between datasets, and getting the result of a series of association-based rules for identifying the strong relations between business activities. The data of this study is collected from a total of 165 Iranian startup companies. The feature's columns included 41 success factors of startup companies addressed in domestic and foreign studies. For the prediction phase, we use the help of support vector machine algorithm, decision tree and k-nearest neighboring to classification. The feature selection technique in order to come up with the most efficient success factor of startup companies is Cuckoo search. Finally, rules are extracted by means of Apriori Algorithms. The results indicate that factors such as, namely, entrepreneurship experience, working duration, skills, type of service or product, target market, Blue Ocean or Red Ocean strategy, flexibility, scalability, customer loyalty, presence or lack of presence in an accelerator, and first-stage of investor are the most important factors that have the greatest effects in a startup's success. Moreover, the extracted results reveal that flexibility, and scalability are considered as two key factors contributing to success of Iranian startup companies.

کلیدواژه‌ها [English]

  • Apriori Algorithm
  • Classification
  • Cuckoo Optimization Algorithm
  • Feature selection
  • Startup Companies
عادل، آذر، صادقی، آرش و کردنائیج، اسدالله. 1391. اولویت‌بندی عوامل مؤثر بر موفقیت کسب‌وکارهای کوچک و متوسط حوزه فناوری‌های برتر - رویکرد فرایند تحلیل شبکه‌ای فازی.توسعه کارآفرینی. 16(5), 165-184.

تفویضی‌ونی، آزاده، پیدائی، میرمهرداد، و سام دلیری، بهزاد. 1394. پیش‌بینی میزان موفقیت شرکت‌های تعاونی کوچک متوسط با استفاده از شبکه عصبی. ماهنامه اجتماعی، اقتصادی، علمی و فرهنگی کار و جامعه 190(0), 30-48.

خدیور، آمنه و حامدی، پروشات. 1394. ارائه یک الگو ترکیبی داده‌کاوی با استفاده از قواعد انجمنی و خوشه‌بندی برای تعیین استراتژی تخفیف دهی، مطالعه موردی شرکت پخش پگاه. راهبردهای بازرگانی، 5(22), 39-52.

عملکرد صندوق نوآوری و شکوفایی در دولت یازدهم/ اعطاء بیش از هزار میلیارد تسهیلات به شرکت‌های دانش‌بنیاد. تهران (۱۴ اردیبهشت ۱۳۹۶).

محمدی‌ الیاسی، قنبر، چیت‌ساز، احسان، و گرامی، عباس. 1389. شناسایی عوامل درون‌سازمانی مؤثر بر عملکرد شرکت‌های نوآفرین. اقتصاد و تجارت نوین، 21-22(0), 27-48.

نقی‌زاده، رضا، حیدری، جعفر، و میثنی، علی‌محمد. 1397. الگوی عوامل مؤثر بر رشد پایدار شرکت‌های فناور نوآفرین در ایران. سیاست علم و فناوری، 40(10), 77-89.

Abe, Shigeo. 2002. Analysis of support vector machines. Paper presented at the Neural Networks for Signal Processing, 2002. Proceedings of the 2002 12th IEEE Workshop on.

Baidoun, S. D, R. N. Lussier, and M Burbar, and S. Awashra. 2018. Prediction model of business success or failure for Palestinian small enterprises in the West Bank. Journal of Entrepreneurship in Emerging Economies, 10(1), 60-80.

Benzing, C., H. M. Chu, and O. Kara. 2009. Entrepreneurs in Turkey: A factor analysis of motivations, success factors, and problems. Journal of small business management, 47(1), 58-91.

Chatterjee, NamrataT,and Niladri Das 2015. Key psychological factors as predictors of entrepreneurial success: A conceptual framework. Academy of Entrepreneurship Journal, 21(1), 102.

Chorev, Schaul, and Alistair R Anderson. 2006. Success in Israeli high-tech start-ups; Critical factors and process. Technovation, 26(2), 162-174.

Gandomi, A. H., X.S.Yang, and A.H. Alavi. 2013. Cuckoo search algorithm: a metaheuristic approach to solve structural optimization problems. Engineering with computers, 29(1), 17-35.

Groenewegen, Gerard, and Frank de Langen. 2012. Critical success factors of the survival of start-ups with a radical innovation. Journal of Applied Economics and Business Research, 2(3), 155-171.

Gross, Bill. 2015. The single biggest reason why startups succeed.

Halabi, Claudia E, and Robert N Lussier,. 2014. A model for predicting small firm performance: Increasing the probability of entrepreneurial success in Chile. Journal of Small Business and Enterprise Development, 21(1), 4-25.

Hyder, Shabir, & Robert N Lussier. 2016. Why businesses succeed or fail: A study on small businesses in Pakistan. Journal of Entrepreneurship in Emerging Economies, 8(1), 82-100.

Kakati, Munin 2003. Success criteria in high-tech new ventures. Technovation, 23(5), 447-457.

Krishna, A., A. Agrawal,, and A.Choudhary. 2016. Predicting the Outcome of Startups: Less Failure, More Success. Paper presented at the Data Mining Workshops (ICDMW). 2016 IEEE 16th International Conference on.

Lussier, Robert N, and Joel Corman. 1995. There are few differences between successful and failed small businesses. Journal of Small Business Strategy, 6(1), 21-34.

Man, T. W., T. Lau,, and K.Chan. 2002. The competitiveness of small and medium enterprises: A conceptualization with focus on entrepreneurial competencies. Journal of Business Venturing, 17(2), 123-142.

Moodley, R., F. Chiclana,, F. Caraffini,, and Jenny Carter. 2019. Application of uninorms to market basket analysis. International Journal of Intelligent Systems, 34(1), 39-49.

Olugbola, Seun Azeez. 2017. Exploring entrepreneurial readiness of youth and startup success components: Entrepreneurship training as a moderator. Journal of Innovation & Knowledge, 2(3), 155-171.

Omri, A., M. A. Frikha,, and M. A. Bouraoui,.2015. An empirical investigation of factors affecting small business success. Journal of Management Development, 34(9), 1073-1093.

Rajabioun, Ramin. 2011.Cuckoo optimization algorithm. Applied soft computing, 11(8), 5508-5518.

Rogoff, E. G., M. S. Lee,, and D. C.Suh. 2004. “Who done it?” Attributions by entrepreneurs and experts of the factors that cause and impede small business success. Journal of small business management, 42(4), 364-376.

Swami, A., R. Agrawal,, and T.Imielinski 1993. Mining Association Rules between sets of Items in Massive Databases. Paper presented at the Proc. of the ACM-SIGMOD International Conference on Management of Data.