ارائه مدلی ترکیبی جهت ارزیابی و پیش بینی عملکرد کارآفرینانه شرکت‌های دانش‌بنیان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه مدیریت صنعتی، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد، ایران

2 کارشناسی ارشد مدیریت صنعتی، دانشگاه یزد

3 کارشناسی ارشد مدیریت صنعتی، دانشکده علوم انسانی، دانشگاه علم و هنر، یزد، ایران

چکیده

در محیط رقابتی امروزی، ارزیابی عملکرد شرکت‌های دانش‌بنیان نه‌تنها برای سرمایه‌گذاران و ذینفعان بسیار ضروری است بلکه یکی از الزامات توسعه پارک‌های علم و فناوری توجه به مقوله ارزیابی عملکرد آن‌ها می‌باشد. با توجه به نقش چشمگیر شرکت‌های دانش‌بنیان در ارتقاء نوآوری، تولید محصولات جدید، بهبود فرایند تولید، بهره-وری و نقش بسزای آن‌ها در توسعه‌ی اقتصادی، پرداختن به موضوع پیش‌بینی و ارزیابی عملکرد آن‌ها در راستای توسعه کارآفرینی فناورانه، می‌تواند بسیاری از آسیب‌های وارده بر حوزه عملکردی این شرکت‌ها را مشخص سازد. با توجه به مطالب ذکر شده مطالعه حاضر با هدف ارزیابی عملکرد و تعیین عوامل مؤثر بر آن در 30 شرکت دانش‌بنیان فعال در زمینه فناوری اطلاعات مستقر در پارک علم و فناوری شهرستان یزد انجام گرفته است. بدین منظور در این پژوهش ابتدا با بررسی حوزه تحقیق و توسعه‌ی شرکت‌ها، 8 سنجه بر اساس اطلاعات بدست آمده از شرکت‌ها انتخاب شد. سپس کارایی شرکت‌ها در دو مرحله با استفاده از تحلیل پوششی داده‏های شبکه‌ای و مدل BCC خروجی‌محور محاسبه گردید. در نهایت با استفاده از مدل شبکه عصبی مصنوعی کارایی مرحله اول و دوم شرکت‌ها پیش‌بینی شد و عملکرد شبکه با استفاده از پارامترهایی مورد ارزیابی قرار گرفت. در نتیجه یازده شرکت در مرحله اول و بیست و سه شرکت در مرحله دوم بعنوان واحدهای کارا مشخص شدند. از یافته‌های پژوهش جهت ارزیابی عملکرد و پیش‌بینی روند حرکت شرکت‌های دانش‌بنیان حوزه فناوری اطلاعات در سال‌های آتی می‌توان بهره برد.

کلیدواژه‌ها


اجلی، م؛ صفری، ح. (1390). ارزیابی عملکرد واحدهای تصمیم‌گیری با استفاده از مدل ترکیبی شبکه های عصبی پیش بینی کننده عملکرد و تحلیل پوششی داده ها (مورد مطالعه: شرکت ملی گاز ایران). نشریه تخصصی مهندسی صنایع، 45 (1).
رضوانی، م؛ یدالهی فارسی، ج؛ واحد وحدت‌‌کار، م. (1387). طراحی مدل مفهومی کارآفرینی سازمانی فناورانه: مطالعه موردی سیستم‌‌های هوشمند حمل و نقل سازمان شهرداری تهران. فصلنامه اقتصاد و تجارت نوین، 14، 64-87.
رضوی، س؛ شهریاری، س؛ احمدپور داریانی، م. (1394). ارزیابی عملکرد نوآورانۀ شرکت‌های دانش‌بنیان با استفاده از تحلیل پوششی داده‌های شبکه‌ای- رویکرد تئوری بازی. نشریه مدیریت صنعتی، 7 (4)، 721-742.
سلطانی، س؛ سرداری، س؛ شیخ‌پور، م؛ موسوی، ص. (1389). شبکه‌های عصبی مصنوعی: مبانی، کاربردها و آشنایی با نرم‌افزارهای Easy NN-plus و Neuro Solutions، تهران: انتشارات نص.
صفایی قادیکلایی، ع؛ زارع شاهی، ع. (1388). تخمین مرز کارایی با استفاده از شبکه های عصبی مصنوعی (مطالعه موردی: شعب بانک صادرات استان مازندران). دومین کنفرانس بین المللی تحقیق در عملیات ایران.
عزیزی، ف. (1391). ارزیابی عملکرد شرکت های فناور مستقر در پارک علم و فناوری یزد با رویکرد تلفیقی DEA و Six Sigma، پایان نامه کارشناسی ارشد، دانشگاه یزد.
فخاری،حسین؛ سلمانی، داوود؛ و دارایی، محمدرضا. (1392). بررسی اثرات تحریم های اقتصادی بر عملکرد شرکت های دانش بنیان کشور. فصلنامه علمی- پژوهشی سیاست علم و فناوری، 5 (3).
فضلی، ص. (1381). طراحی مدل ارزیابی عملکرد مدیر در سازمان‌های دولتی با رویکرد تحلیل پوششی داده ها. رساله دکتری مدیریت، دانشگاه تربیت مدرس.
مهدوی، ح؛ شیخ زین الدین ، م؛ خدابنده، ل. (1390).تحلیل اثربخشی پارک های علم و فناوری، فصلنامه تخصصی پارک ها و مراکز رشد، 7 (27).
منهاج، م. (1379). مبانی هوش محاسباتی. ج 1 و 2، چاپ اول، تهران: نشر دانشگاه صنعتی امیر کبیر.
مهرگان، م. (1385). مدل‏های کمی در ارزیابی عملکرد سازمان ها. انتشارات مدیریت دانشگاه تهران.

Chan, K. F., & Lau, T. (2005). Assessing technology incubator programs in the science park: the good, the bad and the ugly. Technovation, 25(10), 1215-1228.
Chen, C. J., Wu, H. L., & Lin, B. W. (2006). Evaluating the development of high-tech industries: Taiwan’s science park. Technological Forecasting and Social Change, 73(4), 452-465.
Cook, W. D., Liang, L., & Zhu, J. (2010). Measuring performance of two-stage network structures by DEA: a review and future perspective. Omega, 38(6), 423-430.
Duygun-Fethi, M., & Jackson, G. (2009). Assessing bank performance with operational research and artificial intelligence techniques: a survey.
Hsieh, L. F., & Lin, L. H. (2010). A performance evaluation model for international tourist hotels in Taiwan—An application of the relational network DEA. International Journal of Hospitality Management, 29(1), 14-24.
Khashei, M., & Bijari, M. (2010). An artificial neural network (p, d, q) model for timeseries forecasting. Expert Systems with applications, 37(1), 479-489.
Liu, J. S., & Lu, W. M. (2010). DEA and ranking with the network-based approach: a case of R&D performance. Omega, 38(6), 453-464.
Mostafa, M. M. (2009). Modeling the efficiency of top Arab banks: A DEA–neural network approach. Expert Systems with Applications, 36(1), 309-320.
Petti, C. (Ed.). (2009). Cases in technological entrepreneurship: Converting ideas into value. Edward Elgar Publishing.
Phillips, P. A. (1999). Performance measurement systems and hotels: a new conceptual framework. International Journal of Hospitality Management, 18(2), 171-182.
Sun, C. C. (2011). Evaluating and benchmarking productive performances of six industries in Taiwan Hsin Chu Industrial Science Park. Expert Systems with Applications, 38(3), 2195-2205.
Wu, D. D., Yang, Z., & Liang, L. (2006). Using DEA-neural network approach to evaluate branch efficiency of a large Canadian bank. Expert systems with applications, 31(1), 108-115.
Zhang, J., & Tan, W. (2012). Research on the performance evaluation of logistics enterprise based on the analytic hierarchy process. Energy Procedia, 14,1618-1623.