E-ISSN: 2717-4581 | P-ISSN: 2783-1345

Financial and Banking Strategic Studies

www.journal-fbs.ir

Fin. Bank. Stra. Stud. Vol. 1, No. 1 (2023) 22–40.

Paper Type: Original Article

Investigating the Impact of Business Intelligence and

Innovation on the Financial Performance of Start-Ups: the
Approach of Neural Network Models and Structural Equations

Meysam Jafari Eskandari1, Ebrahim Farbad1,*

1 Department of Industrial Engineering, Payame Noor University, Tehran, Iran; meisam_jafari@pnu.ac.ir;

farbod1819@outlook.com.

Citation:
Jafari Eskandari, M., & Farbad, E. (2023). Investigating the impact of business intelligence and
innovation on the financial performance of start-ups: the approach of neural network models and
structural equations. Financial and banking strategic studies, 1(1), 22-40.

Received: 11/04/2023 Reviewed: 15/05/2023 Revised: 21/06/2023 Accepted: 13/07/2023

Abstract
Purpose: Investigating the impact of business intelligence and innovation on the financial performance of start-ups: the
approach of neural network models and structural equations.
Methodology: This research is quantitative in nature, descriptive-correlative in nature, and practical in terms of purpose.
There is no up-to-date list of start-ups and start-ups that can be used as examples. To overcome this problem, we reached
out to several business growth centers as a means of reaching startups because they work directly with the demographics
we want to address. The statistical population of the research is experts and experts available in growth centers and
technology parks, 153 people were selected by non-probability sampling method. To test the hypotheses, taking into
account the mediating effect of network learning and innovation, the variance-based structural equation method in
Smartpls4.0 software and the multilayer perceptron neural network module was used, as well as to test the bias of the
measurement tool, Harman's single-factor test was used in Spss27 software package.
Findings: The output of the models showed that business intelligence has an impact both directly and indirectly on the
financial performance of start-ups and the impact of the variables is 87%. The most important variables in influencing
the financial performance of start-ups are innovation and network learning. Also, the multi-layer perceptron neural
network approach is more accurate than variance-based structural equation modeling.
Originality/Value: At the same moment of the formation of start-ups, the discussion of business intelligence and in
the real sense of the discussion of innovation according to data analysis, which is one of the tools of illustration of
business intelligence, should be used. Business intelligence is usually a capability that companies develop and discover
and can influence existing information so that it can be considered an internal organizational variable.
Keywords: Network learning, Start-up, Financial performance, Business intelligence, Economic stability.

Corresponding Author: farbod1819@outlook.com

Licensee. Financial and Banking Strategic Studies. This article is an open access article distributed under the terms
and conditions of the Creative Commons Attribution (CC BY) license (http://creativecommons.org/licenses/by/4.0).
 ‫‪Financial and Banking‬‬
‫مطالعات راهبردی مالی و بانکی‬

‫‪Strategic Studies‬‬
‫دوره ‪ ،1‬شماره (‪22-40 ،)1402( ،)1‬‬
‫‪www.journal-fbs.ir‬‬

‫نوع مقاله‪ :‬پژوهشی‬

‫بررسی اثرگذاری هوش تجاری و نوآوری بر عملکرد مالی استارت آپها‪ :‬رویکرد مدل‬
‫های شبکه عصبی و معادالت ساختاری‬
‫‪*،1‬‬
‫ميثم جعفری اسکندری‪ ،1‬ابراهيم فربد‬
‫‪1‬گروه مهندسی صنايع‪ ،‬دانشگاه پیام نور‪ ،‬تهران‪ ،‬ايران‪.‬‬

‫چکیده‬

‫هدف‪ :‬بررسی اثرگذاری هوش تجاری و نوآوری بر عملکرد مالی استارت آپها‪ :‬رو یکرد مدلهای شبکه عصبی و معادالت ساختاری‬
‫میباشد‪.‬‬
‫روششناسی پژوهش‪ :‬این پژوهش از نوع کمی‪ ،‬ازنظر ماهیت توصیفی‪-‬همبستگی و ازلحاظ هدف کاربردی هست‪ .‬هیچ لیست بهروزی‬
‫مطالعات راهبردی مالی و بانکی‪ ،‬دوره ‪ ،1‬شماره ‪ ،1‬بهار ‪ ،1402‬صفحه‪22-40 :‬‬

‫از شرکتهای نوپا و استارآپها وجود ندارد که بتوان از آنها بهعنوان نمونه استفاده کرد‪ .‬برای غلبه بر این مشکل‪ ،‬با چندین مرکز رشد کسب‬
‫وکار بهعنوان وسیلهای برای دسترسی به استارت آپها تماس گرفتیم‪ ،‬زیرا آنها مستقیما با جمعیتی که میخواهیم به آنها رسیدگی کنیم‪،‬‬
‫کار میکنند‪ .‬جامعه آماری تحقیق کارشناسان و صاحبنظران در دسترس در مراکز رشد و پارکهای فناوری میباشند که ‪ 153‬نفر با روش‬
‫نمونهگیری غیر احتمالی در دسترس انتخاب شدند‪ .‬برای آزمون کردن فرضیهها با درنظر گرفتن اثر میانجی یادگیری شبکهای و نوآوری از‬
‫روش معادالت ساختاری واریانسمحور در نرمافزار ‪ Smartpls4.0‬و ماژول شبکه عصبی پرسپترون چندالیه و همچنین جهت آزمون‬
‫سوگیری ابزار اندازهگیری از آزمون تک عاملی هارمن دربسته نرمافزاری ‪ Spss2‬استفاده شده است‪.‬‬
‫یافتهها‪ :‬خروجی مدلها نشان داد که هوش تجاری هم بهصورت مستقیم و هم بهصورت غیرمستقیم در عملکرد مالی استارت آپها‬
‫تاثیرگذار بوده و میزان اثرگذاری متغیرها ‪ 87%‬میباشد‪ .‬مهمترین متغیر در اثرگذاری بر عملکرد مالی استارت آپها نوآوری و یادگیری‬
‫شبکهای میباشند‪ .‬همچنین رو یکرد شبکه عصبی پرسپترون چندالیه دارای دقت بیشتری از مدلسازی معادالت ساختاری واریانس محور‬
‫میباشد‪.‬‬
‫اصالت‪/‬ارزش افزوده علمی‪ :‬در همان لحظه شکلگیری استارت آپها بحث هوش تجاری و به معنای واقعی بحث نوآوری منطبق بر‬
‫تحلیل داده که یکی از ابزارهای مصورسازی هوش تجاری است استفاده شود‪ .‬هوش تجاری معموال قابلیتی است که شرکتها توسعه و‬
‫کشف میکنند و میتواند بر اطالعات موجود تاثیر بگذارد طوری که میتوان آن را یک متغیر سازمانی داخلی درنظر گرفت‪.‬‬

‫کلیدواژهها‪ :‬یادگیری شبکهای‪ ،‬استارت آپ‪ ،‬عملکرد مالی‪ ،‬هوش تجاری‪ ،‬پایداری اقتصادی‪.‬‬

‫‪ -1‬مقدمه‬

‫یک استارت آپ یک شرکت است که توسط یک کارآفرین راهاندازی میشود تا یک مدل کسبوکار مقیاسپذیر را بررسی کند‪ ،‬توسعه دهد‬
‫و اعتبارسنجی کند ]‪ .[1‬استارتآپها برای دستیابی به فضای خود در بازار سخت کار میکنند و باید برای بقا و رشد‪ ،‬عملکرد خود را‬
‫انجام دهند‪ .‬باید توجه داشته باشیم که یک شرکت کوچک نسخه کوچکشده شرکتهای بزرگتر نیست‪ .‬تفاوتهایی از نظر ساختار‪ ،‬منابع‬
‫موجود‪ ،‬شیوههای مدیریت‪ ،‬واکنش محیطی و نحوه رقابت آنها در بازار وجود دارد ]‪.[2‬‬

‫* نویسنده مسئول‬
‫‪farbod1819@outlook.com‬‬
 ‫حتی بااینکه کارآفرینی به کسبوکارهای جدیدی گفته میشود که شامل خوداشتغالی و کسبوکارهایی هستند که هرگز هدفشان ثبت‬
‫شدن نیست‪ ،‬اما استارت آپها به کسبوکارهای جدیدی گفته میشود که هدفشان تکامل و فراتر رفتن از یک موسس منفرد است‪ .‬یکی‬
‫از اصول کارآفرینی‪ ،‬توانایی ایجاد ایدههای جدید و سودمندی است که مشکالت انسان را حل میکنند ]‪.[3‬‬

‫کارآفرینان خصوصا زمانی که منابع را به شیوههای جدید و متفاوتی ترکیب کنند که یک مزیت رقابتی را نسبت به رقبای خود بهدست آورند‬
‫میتوانند در خلق ارزش بازار و بهبود عملکردهای مالی و غیرمالی موفق باشند ]‪.[4‬‬
‫‪23‬‬
‫در یک محیط بهشدت رقابتی‪ ،‬پو یا و بیثبات‪ ،‬شرکتها باید تالش کنند تا اطالعات را برای بهبود تصمیمات خود جمعآوری کنند‪ .‬این‬
‫میتواند یک چالش برای هر کسبوکاری باشد‪ ،‬اما برای استارت آپهایی که در بازار با مشکل مواجه هستند‪ ،‬یک چالش برجستهتر است‬
‫]‪ .[5‬این فرآیند میتواند به مدیران کمک کند تا تناسب موثری با محیط خود داشته باشند و عملکرد شرکت خود را افزایش دهند ]‪.[6‬‬

‫عوامل موفقیت استارت آپها را میتوانیم به سه عامل طبقهبندی کنیم‪ :‬سازمان‪ ،‬فرآیند و تکنولوژی‪ .‬عوامل سازمانی شامل پشتیبانی‬
‫مدیریت متعهد‪ ،‬یک چشمانداز واضح و یک کسبوکار جاافتاده هستند‪ .‬عوامل فرآیند شامل رقابت مبتنی بر تجارت و ترکیب متعادل تیم‪،‬‬
‫یک رویکرد توسعه تعاملی مبتنی بر تجارت و مدیریت کاربر‪-‬محور هستند‪ .‬عوامل تکنولوژی شامل یک چارچوب فنی انعطافپذیر‪،‬‬
‫بررسی اثرگذاری هوش تجاری و نوآوری بر عملکرد مالی استارت آپها‪ :‬رویکرد مدلهای شبکه عصبی و معادالت ساختار ی‬

‫مقیاسپذیر و مبتنی بر تجارت و کیفیت یکپارچهسازی دادهها هستند‪ .‬لذا استارت آپها برای اجرای هوش تجاری به پیشنیازهایی نیاز‬
‫دارند که بدون آنها‪ ،‬سرمایهگذاری بازده نخواهد داشت ]‪ .[7‬نظریه دیدگاه مبتنی بر منابع‪ 1‬بیان میکند که برای توسعه و حفظ مزیتهای‬
‫رقابتی‪ ،‬شرکتها باید از داراییهای فیزیکی‪ ،‬انسانی و سازمانی خود‪ ،‬اعم از ملموس و نامشهود استفاده کنند ]‪ .[8‬یک مفهوم مهم از این‬
‫نظریه این است که شرکتهای کنترلکننده منابع ارزشمند و کمیاب ظرفیت ایجاد مزیت رقابتی را دارند‪ ،‬بهعالوه‪ ،‬اگر تقلید یا جایگزینی‬
‫این منابع دشوار باشد ]‪.[9‬‬

‫مکمل نظریه دیدگاه مبتنی بر منابع‪ ،‬دیدگاه مبتنی بر دانش‪ 2‬بهعنوان باارزشترین منبع در شرکت تمرکز میکند ]‪ .[10‬با درنظر گرفتن دانش‬
‫بهعنوان عامل اولیه تولید که یک شرکت میتواند از آن مزیت رقابتی کسب کند‪ ،‬بر پایههای نظری دیدگاه مبتنی بر منبع استوار است‪ .‬هوش‬
‫تجاری یکی از این داراییها است زیرا میتوان از آن برای بهدست آوردن اطالعات استفاده کرد و بهطور همزمان میتواند به افزایش مخزن‬
‫دانش در دسترس مدیران کمک کند‪ .‬این امکانپذیر است زیرا فرآیندهای درگیر در تولید دانش هر دو جستجو و ترکیب مجدد هستند ]‪.[11‬‬

‫هوش تجاری بهعنوان یک ساختار چند بعدی دیده میشود که چندین جنبه را ارزیابی میکند‪ :‬جامعیت درون صنعت‪ ،3‬تجزیهوتحلیل بین‬
‫صنعتی‪ ،4‬رسمیت هوش تجاری‪ 5‬و سودمندی درک شده‪ .6‬دو مورد اول به جنبههای بیرونی هوش و بقیه به ساختار داخلی و استفاده از‬
‫اطالعات مربوط میشوند‪ .‬این ترکیب میتواند به ما درک درستی از تالشهای اطالعاتی برای حمایت از تصمیم بدهد‪ .‬اهمیت هوش‬
‫تجاری در سازمانهای امروزی غیرقابلانکار است چون آنها از طریق فراهمسازی اطالعات برای شرکتها‪ ،‬توانایی نظارت بر روندها و‬
‫حرکات بازار رقبا و مشتریان را ایجاد میکنند ]‪.[12‬‬

‫از آنجاییکه فقدان تحقیق در مورد مطالعات هوش تجاری در شرکتهای کوچک گزارش شده است ]‪ ،[13‬سعی میکنیم با بررسی برخی‬
‫از جنبههای هوش تجاری در این نوع سازمانها‪ ،‬نظریه را پیش ببریم‪ .‬رو یکرد هوش تجاری در منظر مدیریتی به جای دیدگاه تکنولوژیکی‬
‫سنتی اهمیت دارد ]‪.[14‬‬

‫ارتباط با نوآوری‪ ،‬یک مفهوم کلیدی برای موفقیت سازمانی درنظر گرفته شده است‪ .‬همچنین فرآیند جمعآوری دانش با استفاده از یادگیری‬
‫شبکهای موردبررسی قرار میگیرد‪ .‬تعامل با بازیگران مختلف که دانش فنی یا غیر فنی دارند‪ ،‬میتواند برای سرعت بخشیدن به دستیابی‬

‫‪1‬‬ ‫‪4‬‬
‫‪Resource-based view‬‬ ‫‪Interindustry analysis‬‬
‫‪2‬‬ ‫‪5‬‬
‫‪Knowledge-based view‬‬ ‫‪BI formality‬‬
‫‪3‬‬ ‫‪6‬‬
‫‪Intraindustry comprehensiveness‬‬ ‫‪Perceived usefulness‬‬
‫به این منبع نامشهود مهم باشد‪ .‬درنهایت‪ ،‬روابط بین این سازهها و عملکرد ارزیابی میشود؛ زیرا این فرآیندها میتوانند به مدیران کمک‬
‫کنند تا تناسب موثر با محیط خود را حفظ کنند و عملکرد را افزایش دهند ]‪.[6‬‬

‫هدف مطالعه حاضر بررسی رابطه بین و یژگیهای هوش تجاری‪ 1‬و تاثیر آن بر یادگیری شبکه‪ ،2‬نوآوری و عملکرد استارت آپها و بهطور‬
‫همزمان اثر تعدیلی یادگیری شبکه و نوآوری در عملکرد استارت آپها میباشد‪ .‬مدلی برای بررسی روابط مستقیم و غیرمستقیم بین متغیرها‬
‫با استفاده از مدلسازی معادالت ساختاری و شبکه عصبی ارایه و ارزیابی شده است‪.‬‬
‫‪24‬‬
‫‪ -2‬مبانی نظری و بسط فرضيههای پژوهش‬

‫‪ -2-1‬عملکرد استارت آپ‬

‫عملکرد مالی رشد استارت آپ ازلحاظ فروش و سودآوری‪ ،‬وضعیت سهام و نرخ رشد سهام شرکتها‪ ،‬حاشیه سود خالص و حاشیه سود‬
‫عملیاتی و ‪ ...‬را نشان میدهد ]‪.[7‬‬

‫عملکرد‪ ،‬توانایی دستیابی به اهداف به شیوهای مورد انتظار یا برتر است‪ .‬مفهوم عملکرد سازمانی شامل دیدگاههای مختلف (بهعنوانمثال‬

‫جعفری اسکندری و فربد ‪ /‬مطالعات راهبردی مالی و بانکی‪ ،‬دوره ‪ ،1‬شماره ‪ ،1‬بهار ‪ ،1402‬صفحه‪22-40 :‬‬
‫سهامدار در مقابل کارکنان)‪ ،‬دورههای زمانی (بهعنوانمثال‪ ،‬بلندمدت در مقابل کوتاهمدت) و معیارها (بهعنوانمثال‪ ،‬سهم بازار در مقابل‬
‫سود) است ]‪.[15‬‬

‫در یک بررسی سه نوع رو یکرد مختلف برای اندازهگیری عملکرد سازمانی ارایه شده است‪ .‬اولی مربوط به عملکرد مالی است که یک‬
‫شاخص عملکرد مبتنی بر نتیجه است و بهعنوان محدودترین تصور از عملکرد تجاری درنظر گرفته میشود‪ .‬مفهوم دوم شامل ابعاد مالی و‬
‫عملیاتی عملکرد‪ ،‬شامل معیارهای غیر مالی بهعنوانمثال‪ ،‬نتایج بازار محصول‪ ،‬مانند سهم بازار‪ ،‬معرفی محصوالت جدید و اثربخشی‬
‫بازاریابی و نتایج فرآیند داخلی است‪ .‬این عوامل عملیاتی ممکن است درنهایت به عملکرد مالی کمک کند‪.‬‬

‫گستردهترین مفهومسازی عملکرد به اثربخشی سازمانی مربوط میشود‪ .‬برخی از معیارها برای اثربخشی سازمانی یا کلی عبارتاند از‪:‬‬
‫بقای شرکت‪ ،‬شهرت‪ ،‬عملکرد کلی درک شده و دستیابی به اهداف ]‪.[16‬‬

‫‪ -2-2‬یادگيری شبکهای‬

‫دانش از طریق یادگیری و یادگیری قابلیتهای جدید تولید میشود به شرکتها کمک میکند تا بهطور موثر رقابت و بقا و رشد کنند ]‪.[17‬‬
‫همانطور که دانش تغییر میکند و باید بر اساس مطالعه و تجربه بازسازی شود‪ ،‬جایی که تغییر مستمر مستلزم یادگیری مداوم است؛‬
‫بنابراین‪ ،‬دانش نه مطلق است و نه جهانی ]‪.[18‬‬

‫توجه به توانایی سازمان برای شناسایی‪ ،‬جذب‪ ،‬ایجاد و به اشتراکگذاری یا انباشت دانش شده است زیرا در حال تبدیلشدن به مهمترین‬
‫عنصر در تولید و منبع مزیت رقابتی است ]‪.[19‬‬

‫الرسون و همکاران ]‪ [20‬یادگیری شبکه را بررسی کردند تا میانگین گروههای سازمانی را بهدست آورند که هدفشان یادگیری با یکدیگر‪ ،‬از‬
‫یکدیگر و از روابط متقابل است؛ بنابراین تمرکز اصلی آن به جای یادگیری جمعی‪ ،‬بر روی پویایی گروهی و یادگیری اعضای فردی گروه‬
‫است‪ .‬دانشمندان در حیطه شبکه‪ ،‬یادگیری را بهصورت یک نهاد مستقل نمیبینند بلکه آن را بهصورت پلتفرمی برای یادگیری درنظر‬
‫میگیرند‪ .‬علی و انور ]‪ [21‬یادگیری شبکه را بر اساس چهار فرض بررسی میکنند‪ -1 :‬یادگیری‪ ،‬محدود به سطح فردی نیست بلکه از آن‬
‫در سطوح دیگر سیستم هم میتوان استفاده کرد‪ -2 ،‬شبکه بین سازمانی چهارمین سطح از یادگیری بعد از یادگیریهای فردی‪ ،‬گروهی و‬

‫‪1‬‬ ‫‪2‬‬
‫‪Business intelligence characteristics‬‬ ‫‪Network learning‬‬
 ‫سازمانی است‪ -3 ،‬یادگیری شبکه را در شبکههای عریضتر از شبکههای استراتژیکی باید مطالعه کرد تا برای همبستگی با یادگیری‬
‫سازمانی ارزیابی شوند و ‪ -4‬یادگیری شبکه بهصورت یادگیری گروهی سازمانی در هر زمینه فردی‪ ،‬گروهی‪ ،‬سازمانی و بین سازمانی‬
‫است‪.‬‬

‫یادگیری شبکه به معنای یادگیری فراگیر در سازمان از طریق تکیه کردن بر شبکههای ارتباطی دربخشهای مختلفی از سازمان و همچنین‬
‫شبکههای ارتباطی با شرکا‪ ،‬همکاران‪ ،‬مشتریان و ‪ ...‬است تا سطح دانش شرکتها به روز نگه داشته شود ]‪.[7‬‬
‫‪25‬‬
‫معموال شرکتهای بزرگ ابزاری برای توسعه داخلی بسیاری از دانش مورداستفاده در نوآوری دارند؛ اما شرکتهای کوچک همه ورودی‬
‫های موردنیاز برای توسعه موفق و مستمر فناوری را ندارند و مجبورند به دنبال دانش خارجی باشند ]‪ .[22‬آنها با توجه به یادگیری سازمانی‬
‫با "نوع مشکل" منحصربهفردی روبرو هستند که باید از شرکتهای بزرگ متمایز شود ]‪.[23‬‬

‫با توجه به این محدودیتها‪ ،‬برخی استارت آپها برای دستیابی به دانش جدید به موسسات مجاور وابسته هستند‪ .‬آنها میتوانند نزدیکی‬
‫خود را با این گروهها پرورش دهند‪ ،‬اما به میزان زیادی به میزان تعامالت اجتماعی بین افراد‪ ،‬شرکتها و سایر سازمانها وابسته هستند‬
‫]‪.[24‬‬
‫بررسی اثرگذاری هوش تجاری و نوآوری بر عملکرد مالی استارت آپها‪ :‬رویکرد مدلهای شبکه عصبی و معادالت ساختار ی‬

‫‪ -2-3‬نوآوری‬

‫نوآوری به تمایل یک شرکت برای مشارکت و حمایت از ایدهها‪ ،‬آزمایشها و فرآیندهای خالقانه جدید اشاره دارد که ممکن است منجر به‬
‫محصوالت‪ ،‬خدمات یا فرآیندهای فناوری جدید شود ]‪ .[25‬در زمینه کارآفرینی نشاندهنده درجه جدیدی است که کسبوکار در بازار‬
‫میگذارد‪ .‬همانطور که توسط پارادکار و همکاران ]‪ [26‬ذکر شده است‪« ،‬استارت آپهایی که درنهایت موفق هستند با ایجاد مزایای کامال‬
‫جدید برای مشتریان یا با بهبود چشمگیر موارد موجود‪ ،‬با شرکتهای رقیب رقابت میکنند‪ .‬همچنین‪ ،‬عملکرد نوآورانه در ادبیات بهعنوان‬
‫یکی از مهمترین محرکهای دیگر جنبههای عملکرد سازمانی دیده میشود و شکلگیری پو یایی یادگیری سازمانی را تقو یت میکند ]‪.[27‬‬

‫نوآوری شرکت از دو منظر مفهومسازی میشود‪ -1 :‬آن را بهعنوان یک متغیر رفتاری‪ ،‬یعنی میزان پذیرش نوآوریها توسط شرکت میبیند و‬
‫‪ -2‬آن را تمایل به تغییر میداند ]‪ .[28‬این ظرفیت میتواند از منابع موجود بهتر استفاده کند‪ ،‬کارایی و ارزش بالقوه را بهبود بخشد‪ ،‬اما‬
‫همچنین داراییهای نامشهود جدیدی را به سازمان وارد کند‪.‬‬

‫توانایی نوآوری بهعنوان یکی از عوامل تعیینکننده برای بقا و موفقیت سازمانها شناخته میشود ]‪ .[29‬نوآوری بیشتر میتواند عامل مهمی‬
‫برای ایجاد ارزش باشد و به پاسخگو یی به نیازهای مشتریان‪ ،‬در توسعه قابلیتهای جدیدی که امکان دستیابی و حفظ عملکرد بهتر یا‬
‫سودآوری برتر را در محیطهای پیچیدهتر‪ ،‬رقابتی و بهسرعت در حال تغییر میدهد‪ ،‬کمک میکند ]‪ .[19‬ادبیات‪ ،‬قابلیت نوآوری را بهعنوان‬
‫یکی از مهمترین عوامل تعیینکننده عملکرد شرکت ارایه میکند که توسط بسیاری از مطالعات تجربی پشتیبانی میشود ]‪ .[30‬شرکتهای‬
‫نوآور‪ ،‬با ایجاد و معرفی محصوالت و فنآوریهای جدید‪ ،‬میتوانند عملکرد اقتصادی بهتری ایجاد کنند و منابع رشد اقتصادی هستند‬
‫]‪.[31‬‬

‫‪ -2-4‬هوش تجاری‬

‫هوش تجاری را میتوان بهعنوان یک اصطالح کلی درنظر گرفت که فعالیتها‪ ،‬فرآیندها و فنآوریهای مختلف را برای جمعآوری ذخیره‪،‬‬
‫تجزیهوتحلیل و انتشار اطالعات برای بهبود تصمیمگیری پوشش میدهد ]‪ .[12‬این یک ابتکار گسترده و پیچیده است که توسط چندین‬
‫نو یسنده بهطور متفاوتی تعریف و بحث شده است و ب نابراین یک تعریف یکپارچه ندارد ]‪ [32‬و حتی ممکن است گیجکننده باشد؛ اما‬
‫همه شامل ایده تجزیهوتحلیل دادهها و اطالعات در دانش مدیریتی فشرده و مفید است ]‪.[33‬‬
‫در حوزه مدیریت‪ ،‬این مفهوم تحت عناو ین مختلف موردمطالعه قرار گرفته است ]‪ .[34‬برخی از نو یسندگان از اصطالح هوش تجاری برای‬
‫انتقال مفهوم "اسکن محیطی‪ "1‬استفاده میکنند که بر چگونگی "اسکن" محیط سازمان توسط مدیران متمرکز است‪ .‬دیگران به هوش یا تجزیه‬
‫وتحلیل رقابتی اشاره میکنند و بیشتر بر روی رقبا‪ ،‬نقاط قوت‪ ،‬ضعف و رفتار آنها متمرکز شده است‪ .‬درحالیکه دیگران از هوش تکنولوژیک‬
‫متمایل به پو یایی تکنولوژیکی یاد میکنند ]‪.[35‬‬

‫برچسبهای دیگر برای نزدیک شدن به همین مفهوم استفاده میشوند و شامل هوش بازار (بازاریابی)‪ ،‬هوش مشتری‪ ،‬هوش محصول و‬
‫هوش محیطی ]‪ [35‬میباشد‪ .‬این عمل به شرکتها اجازه میدهد تا دادهها را به دانش مفید تبدیل کنند ]‪ [36‬و سپس تصمیمات بهتر و‬ ‫‪26‬‬
‫سریعتری اتخاذ کنند ]‪ [37‬تا عملکرد کسبوکار را افزایش دهند و از تصمیمگیری حمایت کنند‪ .‬ایجاد در تمام سطوح سازمانی‪ ،‬یعنی‬
‫سطوح استراتژیک‪ ،‬تاکتیکی و عملیاتی ]‪ [39‬ماهیت دایمی دارد و امکان کشف مشکالت و آگاهی عمومی در مورد وضعیت فعالیتها‬
‫]‪ [38‬و چالشهای محیطی را فراهم میکند‪.‬‬

‫توجه به این نکته حایز اهمیت است که هوش تجاری نهتنها در فرآیند تصمیمگیری بلکه در عملکرد بازیگران سازمانی نیز تاثیر دارد‪.‬‬

‫با تجزیهوتحلیل عملکرد‪ ،‬میتوانیم میزان موفقیت کسبوکار را درک کنیم؛ بنابراین‪ ،‬هدف اصلی در هر سازمانی است و میتواند بهخودی‬

‫جعفری اسکندری و فربد ‪ /‬مطالعات راهبردی مالی و بانکی‪ ،‬دوره ‪ ،1‬شماره ‪ ،1‬بهار ‪ ،1402‬صفحه‪22-40 :‬‬
‫خود یا ناشی از فرآیندهای داخلی تجزیهوتحلیل شود ]‪.[2‬‬

‫برخی مطالعات وجود دارد که هوش تجاری و دانش را که بهعنوان نتیجه هوش تجاری درک میشود به عملکرد تجاری مرتبط میکند ]‪،[12‬‬
‫کمبود مطالعات برای درک این رابطه در سرمایهگذاریهای جدید وجود دارد‪.‬‬

‫این شواهد محدود نشان میدهد که این رابطه متقابل به دلیل اقدامات انجامشده و تغییرات متعاقب آن در منابع مورداستفاده برای پاسخگو یی‬
‫به فرصتهای جدید و تغییرات محیطی مهم است ]‪ [31‬چالش مدیریت شایستگیهای موجود بر اساس موفقیت و تجدید مداوم خود در‬
‫پرتو تغییرات محیطی به عملکرد برتر شرکت مربوط میشود و چالشی در تحقیقات کارآفرینی برای درک ابعاد عملکرد استارت آپها وجود‬
‫دارد ]‪.[39‬‬

‫فرضیه ‪ -1‬یک رابطه مثبت مستقیم بین و یژگیهای هوش تجاری و عملکرد استارت آپ وجود دارد‪.‬‬

‫نوآوری بهعنوان درجهای که یک شرکت درگیر ایدهها‪ ،‬آزمایشها و خالقیتهای جدید است که ممکن است منجر به محصوالت‪ ،‬خدمات‬
‫یا فرآیندهای جدید شود ]‪ ،[40‬میتواند بهعنوان جنبهای از فرهنگ یک شرکت درنظر گرفته شود و به بقای او در یک محیط فرار کمک می‬
‫کند ]‪ .[28‬نوآوری بهعنوان فعالیتی تلقی میشود که مدیریت میتواند آن را کنترل کند ]‪ ،[30‬درگیر شدن در آزمایش و فرآیندهای خالقانه‬
‫که ممکن است منجر به محصوالت‪ ،‬خدمات یا فرآیندهای فناوری جدید شود ]‪ .[41‬اقدامات شرکت‪ ،‬ازجمله فعالیتهای نوآورانه آنها‪،‬‬
‫مشروط است و گاهی اوقات توسط عوامل خارجی ازجمله تقاضای مشتری (بازار)‪ ،‬اقدامات رقبا یا حتی قوانین دولت هدایت میشود‬
‫]‪.[30‬‬

‫رابطه بین نوآوری و یادگیری سازمانی ]‪ [28‬و دانش قبلی در دسترس اهمیت دارد‪ ،‬زیرا آنها میتوانند از درک فناوری جدید و شرایط بازار و‬
‫تولید ایدهها و محصوالت جدید پشتیبانی کنند‪ .‬ظرفیت نوآوری باالتر به شرکتها این امکان را میدهد که سریعتر و بهتر به چالشهای‬
‫محیطی نسبت به چالشهای غیر نوآورانه پاسخ دهند ]‪.[42‬‬

‫کسبوکاری که توانایی تبدیل و بهرهبرداری از دانش را دارد‪ ،‬ممکن است سطح نوآوری آن را تعیین کند‪ ،‬مانند روشهای جدید حل مساله‬
‫و محصوالت جدید برای واکنش سریع به تقاضای بازار ]‪[19‬؛ بنابراین میتوان یک رابطه بین هوش تجاری و نوآوری را پیشبینی کنیم‪ .‬از‬
‫آنجاییکه هوش تجاری به استفاده از اطالعات برای تصمیمگیریهای بهتر اهمیت میدهد‪ ،‬میتواند بر اقدامات نوآورانه شرکت تاثیر‬

‫‪1‬‬
‫‪Environmental scanning‬‬
 ‫بگذارد‪ .‬اطالعات بهتر بهخودیخود بهطور قابلمالحظهای منجر به افزایش عملکرد و کارایی کسبوکار نمیشود‪ ،‬نکته کلیدی این است‬
‫که سازمانها با این اطالعات چه میکنند ]‪.[32‬‬

‫فرضیه ‪ -2‬بین و یژگیهای هوش تجاری و نوآوری در استارتآپها رابطه مثبت وجود دارد‪.‬‬

‫ازلحاظ نظری‪ ،‬نوآوری با پیشنهاد محصوالت‪/‬خدمات جدید به بازار‪ ،‬دستیابی به فرصتهای جدید را تسهیل میکند‪ .‬اگر این فعالیت‬
‫‪27‬‬ ‫ها با موفقیت به نتیجه برسند‪ ،‬بر عملکرد تاثیر میگذارند و آن را افزایش میدهند‪.‬‬

‫شرکتهایی با نوآوری بیشتر در پاسخگو یی به نیازهای مشتریان و توسعه قابلیتهای جدید که به آنها اجازه میدهد عملکرد بهتر یا‬
‫سودآوری باالتری داشته باشند‪ ،‬موفقتر خواهند بود‪ .‬ادبیات بهتدریج به تاثیرات جنبههای مختلف نوآوری بر عملکرد شرکت توجه بیشتری‬
‫کرده است ]‪ [19‬و بنابراین ما میتوانیم یک رابطه بین این سازهها را پیشبینی کنیم‪.‬‬

‫فرضیه ‪ -3‬یک رابطه مثبت بین نوآوری و عملکرد استارت آپ وجود دارد‪.‬‬

‫هوش تجاری به سازمان توانایی درک محیط داخلی و خارجی را از طریق اکتساب‪ ،‬تجزیهوتحلیل‪ ،‬تفسیر و بهرهبرداری سیستماتیک از‬
‫بررسی اثرگذاری هوش تجاری و نوآوری بر عملکرد مالی استارت آپها‪ :‬رویکرد مدلهای شبکه عصبی و معادالت ساختار ی‬

‫اطالعات میدهد ]‪ [43‬یادگیری شبکهای بهعنوان ظرفیت شرکت برای ایجاد‪ ،‬ادغام و پیکربندی مجدد دانش فنی و غیر فنی تولیدشده از‬
‫طریق پیوندها و موسسات خارجی‪ ،‬میتواند بهشدت دانش شرکت کمک کند ]‪.[22‬‬

‫فرضیه ‪ -4‬بین و یژگیهای هوش تجاری و یادگیری شبکهای در استارت آپها رابطه مثبت وجود دارد‪.‬‬

‫بسیاری از محققان پیشنهاد کردهاند که توانایی بهرهبرداری از دانش بیرونی جزو حیاتی قابلیتهای نوآورانه است ]‪ .[42‬تالش برای یادگیری‬
‫از منابع خارجی میتواند به کشف ایدهها‪ ،‬فرآیندها یا تکنیکهای جدیدی که میتوانند به کار گرفته شوند کمک کند و توسعه و کاربرد‬
‫نوآوری را تقو یت کند‪ .‬رقابت و عملکرد مرتبط ممکن است درنتیجه بهرهگیری از مدیریت دانش و یادگیری باشد؛ اما تعداد کمی از شرکت‬
‫ها دارای تمام قابلیتهای نوآوری هستند ]‪ ،[22‬کمک گرفتن از منابع خارجی میتواند اهمیت زیادی داشته باشد‪ ،‬بهو یژه برای استارت‬
‫آپها ]‪.[46‬‬

‫فرضیه ‪ -5‬یک رابطه مثبت بین یادگیری شبکه و نوآوری وجود دارد‪.‬‬

‫‪ -2-5‬پيشينه پژوهش‬

‫ویالر و همکاران ]‪ [10‬بیان کردهاند که هوش تجاری یک منبع داخلی ارزشمند و غیرقابل جایگزین است که به شرکتهای استارت آپ‬
‫کمک میکند مبنای دانش خود برای مدیران را توسعه و گسترش دهند‪ .‬من و همکاران ]‪ [2‬در مطالعه خود نشان دادند که سه ویژگی روی‬
‫موفقیت کسبوکارهای استارت آپ تاثیرگذار هستند‪ :‬عوامل داخلی‪ ،‬خصوصیات فردی و خصوصیات کارآفرینی‪.‬‬

‫کاسیرو و همکاران ]‪ [16‬با استفاده از روش آماری تحلیل عاملی‪ ،‬به مطالعه عوامل شکست و موفقیت کارآفرینی پرداختند‪ .‬نتایج نشان داد‬
‫که از دیدگاه کارآفرینان‪ ،‬شهرت و مدیریت شرکت (ازجمله صداقت و مهارتهای اجتماعی) و ویژگیهای شخصیتی کارآفرینی‪ ،‬مهمترین‬
‫عوامل برای موفقیت هستند‪ .‬مهمترین مساله سیستم مالیات و ناتوانی در حفظ کارکنان قابلاطمینان بود‪.‬‬

‫هانی ]‪ [44‬برای اولویتبندی عوامل تاثیرگذار بر موفقیت استارت آپها از تحلیل شبکه استفاده کرد‪ .‬این عوامل شامل تجارت بازار‬
‫جهانی‪ ،‬فرهنگسازمانی‪ ،‬تجربه‪ ،‬آموزش‪ ،‬روابط صنعتی‪ ،‬پشتیبانی دولت‪ ،‬خالقیت‪ ،‬ارتباط با مشتری و ‪ ...‬بودند‪.‬‬

‫هوانگ و همکاران ]‪ [7‬در تحقیقی با عنوان تاثیر هوش تجاری بر روی عملکرد مالی استارت آپها به این نتیجه رسیدند که تاثیر هوش‬
‫تجاری بر روی عملکرد مالی بهصورت غیرمستقیم و از طریق نقش واسطهای ابتکار و یادگیری شبکه در استارت آپها موردمطالعه قرار‬
‫گرفته است‪ .‬جالب این است که این دو عامل برای بهبود عملکرد مالی ضروری هستند‪.‬‬
‫کاسیرو و کوئلهو ]‪ [16‬در تحقیقی با عنوان تاثیر ظرفیت هوش تجاری‪ ،‬یادگیری شبکه و نوآوری بر عملکرد استارتآپها در مقایسه استارت‬
‫آپهای اروپایی و پرتغالی به این نتیجه رسیدند که نوآوری و یادگیری شبکه اثر غیرمستقیم بر عملکرد استارت آپها داشتند‪ .‬از آنجاییکه‬
‫یادگیری شبکه میتواند جمعآوری دانش را در سطوح مختلف بهبود بخشد و دانش بر تصمیمگیری و تخصیص منابع تاثیر دارد‪ ،‬ما بررسی‬
‫خواهیم کرد که آیا یادگیری شبکه میتواند بر عملکرد تاثیر بگذارد یا خیر‪.‬‬

‫فرضیه ‪ -6‬یک رابطه مثبت بین یادگیری شبکه و عملکرد راهاندازی وجود دارد‪.‬‬
‫‪28‬‬
‫مدل مفهومی متناسب با فرضیههای تحقیق بهصورت شکل ‪ 1‬میباشد‪.‬‬

‫جعفری اسکندری و فربد ‪ /‬مطالعات راهبردی مالی و بانکی‪ ،‬دوره ‪ ،1‬شماره ‪ ،1‬بهار ‪ ،1402‬صفحه‪22-40 :‬‬
‫شکل ‪ -1‬چارچوب مفهومی تحقيق ]‪.[16] ،[7‬‬
‫‪Figure 1- The conceptual framework of the research [7], [16].‬‬

‫‪ -3‬روش پژوهش‬

‫این پژوهش از نوع کمی‪ ،‬ازنظر ماهیت توصیفی‪-‬همبستگی و ازلحاظ هدف کاربردی هست‪ .‬هیچ لیست بهروزی از شرکتهای نوپا و‬
‫استارآپها وجود ندارد که بتوان از آنها بهعنوان نمونه استفاده کرد‪ .‬برای غلبه بر این مشکل‪ ،‬با چندین مرکز رشد کسبوکار بهعنوان‬
‫وسیلهای برای دسترسی به استارت آپها تماس گرفتیم‪ ،‬زیرا آنها مستقیما با جمعیتی که میخواهیم به آنها رسیدگی کنیم‪ ،‬کار میکنند‪.‬‬
‫جامعه آماری تحقیق کارشناسان و صاحبنظران در دسترس در مراکز رشد و پارکهای فناوری میباشند که ‪ 153‬نفر با روش نمونهگیری‬
‫غیر احتمالی در دسترس انتخاب شدند‪ .‬دادههای پژوهش مطابق با پرسشنامه استاندارد در مقیاس طیف لیکرت ‪ 5‬درجهای جدول ‪2‬‬
‫جمعآوری میشوند‪ .‬در پژوهش حاضر برای آزمون کردن فرضیهها با درنظر گرفتن اثر میانجی یادگیری شبکهای و نوآوری از روش معادالت‬
‫ساختاری واریانسمحور‪ 1‬یا حداقل مربعات جزئی در نرمافزار ‪ SmartPls4.0‬و ماژول شبکه عصبی پرسپترون چندالیه‪ 2‬دربسته نرمافزاری‬
‫‪ Spss27‬استفاده شده است‪ .‬ازلحاظ ماهیت‪ ،‬دو رویکرد فوق یکسان میباشند؛ بنابراین‪ ،‬میتوان در جهت انتخاب بهترین مدل برازش‪،‬‬
‫نتایج آنها را باهم مقایسه کرد ]‪ .[45‬شکل ‪ 2‬مدل مفهومی تحقیق را پس از برازش نشان میدهد‪ .‬همچنین‪ ،‬قبل از بررسی فرضیهها‪ ،‬روایی‬
‫و پایایی را موردبررسی قراردادیم‪ .‬برای تعیین پایایی و روایی پرسشنامه به ترتیب از شاخص آلفای کرونباخ‪ ،‬پایایی ترکیبی‪ ،‬روایی مال کی و‬
‫روایی همگرایی‪ 3‬میانگین واریانس استخراجی‪ 4‬و روایی واگرایی‪ 5‬فورنل و الرکر و همچنین جهت آزمون سوگیری ابزار اندازهگیری از آزمون‬
‫تک عاملی هارمن‪ 6‬استفاده شده است‪.‬‬

‫جدول ‪ -1‬متغيرهای تحقيق‪.‬‬

‫‪Table 1- Research variables.‬‬
‫نحوه اندازهگیری‬ ‫سازهها‬
‫‪ 16‬گویه شامل ‪ 4‬بعد (جامعیت درون صنعتی‪ ،‬تجزیهوتحلیل بین صنعتی‪ ،‬رسمی بودن و سودمندی درک شده) ]‪[6‬‬ ‫ویژگی هوش تجاری‬
‫‪ 10‬گویه ]‪[46‬‬ ‫نوآوری‬
‫‪ 6‬گویه ]‪[22‬‬ ‫یادگیری شبکهای‬
‫‪ 10‬گویه ]‪[7‬‬ ‫عملکردمانی‬

‫‪1‬‬ ‫‪4‬‬
‫)‪SEM-PLS (Partial Least Squares‬‬ ‫‪Average variance extracted‬‬
‫‪2‬‬ ‫‪5‬‬
‫‪Multilayer perceptron neural network‬‬ ‫‪Discriminant validity‬‬
‫‪3‬‬ ‫‪6‬‬
‫‪Convergent validity‬‬ ‫‪Harman’s single factor test‬‬
 ‫‪ -4‬نتایج پژوهش‬

‫یافتههای تحقیق در دو قسمت برازش مدل با رویکرد معادالت ساختاری واریانس محور و رویکرد شبکه عصبی پرسپترون چندالیه بیان‬
‫میشود‪ .‬برازش مدل ساختاری واریانس محور در سه مرحله برازش مدل اندازهگیری‪ ،‬برازش مدل ساختاری و برازش مدل کلی انجام‬
‫میشود‪ .‬قبل از برازش مدل آزمون سوگیری روش رایج ابزار اندازهگیری انجام میشود که به اعتبار ادامه فرآیند تحلیل منتج شود‪.‬‬
‫‪29‬‬
‫جدول ‪ -2‬خروجی آزمون تک عاملی هارمن‪.‬‬
‫‪Table 2- The output of Harman's single-factor test.‬‬
‫‪Component‬‬ ‫‪Initial eigenvalues‬‬ ‫‪Extraction sums of squared loadings‬‬
‫‪Total‬‬ ‫‪% of variance‬‬ ‫‪Cumulative%‬‬ ‫‪Total % of variance‬‬ ‫‪Cumulative%‬‬
‫‪1‬‬ ‫‪17.374‬‬ ‫‪41.367‬‬ ‫‪41.367‬‬ ‫‪17.374‬‬ ‫‪41.367‬‬ ‫‪41.367‬‬
‫‪2‬‬ ‫‪8.351‬‬ ‫‪19.382‬‬ ‫‪61.249‬‬
‫‪3‬‬ ‫‪1.050‬‬ ‫‪2.499‬‬ ‫‪63.748‬‬
‫‪4‬‬ ‫‪0.952‬‬ ‫‪2.266‬‬ ‫‪66.014‬‬
‫*منبع‪ :‬یافتههای تحقیق‬

‫اگر کل واریانس استخراجشده توسط یک عامل بیش از ‪ 50%‬باشد‪ ،‬سوگیری روش رایج در تحقیق وجود دارد‪ .‬مشکلی در سوگیری روش‬
‫رایج در این دادهها وجود ندارد زیرا کل واریانس استخراجشده با توجه به جدول ‪ 1‬توسط یک عامل ‪ 41/367%‬بوده که کمتر از آستانه‬
‫بررسی اثرگذاری هوش تجاری و نوآوری بر عملکرد مالی استارت آپها‪ :‬رویکرد مدلهای شبکه عصبی و معادالت ساختار ی‬

‫توصیهشده ‪ 50%‬است ]‪.[47‬‬

‫‪ -4-1‬برازش مدل اندازهگيری‬

‫در این مرحله‪ ،‬تعیین میشود که آیا مفاهیم نظری بهدرستی توسط متغیرهای مشاهدهشده اندازهگیری شدهاند یا خیر‪ .‬بدین منظور اعتبار‬
‫سازه‪ 1‬مدل‪ ،‬موردبررسی قرار میگیرد که برای سنجش آن از دو معیار روایی همگرایی و روایی واگرایی استفاده میشود‪ .‬همانگونه که در‬
‫جدول ‪ 3‬نیز مالحظه میگردد‪ ،‬بارهای عاملی تمامی ابعاد متغیرها باالتر از ‪ 0/4‬است که نشان میدهد ابزار تحقیق حاضر از روش تحلیل‬
‫عاملی تاییدی نیز دارای روایی مطلوبی است و تمامی ابعاد بهخوبی سازههای خود را تبیین کردهاند‪.‬‬

‫جدول ‪ -3‬نتایج روایی همگرا ابعاد پرسشنامه (الگوریتم مدل اندازهگيری)‪.‬‬

‫‪Table 3- Convergent validity results of questionnaire dimensions (measurement model algorithm).‬‬
‫نتیجه‬ ‫سطح معنیداری‬ ‫عدد معنیداری‬ ‫بار عاملی‬ ‫سازه‪/‬گویه‬
‫تایید‬ ‫‪0.000‬‬ ‫‪19.801‬‬ ‫‪0.797‬‬ ‫ویژگی هوش تجاری ‪q1 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪38.050‬‬ ‫‪0.827‬‬ ‫ویژگی هوش تجاری ‪q10 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪29.888‬‬ ‫‪0.777‬‬ ‫ویژگی هوش تجاری ‪q11 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪27.602‬‬ ‫‪0.794‬‬ ‫ویژگی هوش تجاری ‪q12 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪32.065‬‬ ‫‪0.796‬‬ ‫ویژگی هوش تجاری ‪q13 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪31.947‬‬ ‫‪0.803‬‬ ‫ویژگی هوش تجاری ‪q14 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪38.051‬‬ ‫‪0.818‬‬ ‫ویژگی هوش تجاری ‪q15 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪31.131‬‬ ‫‪0.806‬‬ ‫ویژگی هوش تجاری ‪Q16 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪12.524‬‬ ‫‪0.685‬‬ ‫نوآوری ‪Q17 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪14.721‬‬ ‫‪0.708‬‬ ‫نوآوری ‪Q18 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪13.988‬‬ ‫‪0.709‬‬ ‫نوآوری ‪Q19 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪33.616‬‬ ‫‪0.826‬‬ ‫ویژگی هوش تجاری ‪q2 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪14.968‬‬ ‫‪0.713‬‬ ‫نوآوری ‪q20 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪14.390‬‬ ‫‪0.683‬‬ ‫نوآوری ‪q21 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪15.715‬‬ ‫‪0.735‬‬ ‫نوآوری ‪q22 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪12.941‬‬ ‫‪0.627‬‬ ‫نوآوری ‪q23 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪17.298‬‬ ‫‪0.712‬‬ ‫نوآوری ‪q24 <-‬‬

‫‪1‬‬
‫‪Construct validity‬‬
 ‫جدول ‪ -3‬ادامه‪.‬‬
‫‪Table 3- Continued.‬‬
‫نتیجه‬ ‫سطح معنیداری‬ ‫عدد معنیداری‬ ‫بار عاملی‬ ‫سازه‪/‬گویه‬
‫تایید‬ ‫‪0.000‬‬ ‫‪14.903‬‬ ‫‪0.666‬‬ ‫نوآوری ‪q25 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪24.282‬‬ ‫‪0.730‬‬ ‫نوآوری ‪q26 <-‬‬
‫تائید‬ ‫‪0.000‬‬ ‫‪27.053‬‬ ‫‪0.783‬‬ ‫یادگیری شبکهای ‪q27 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪25.201‬‬ ‫‪0.795‬‬ ‫یادگیری شبکهای ‪q28 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪28.373‬‬ ‫‪0.785‬‬ ‫یادگیری شبکهای ‪q29 <-‬‬
‫‪30‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪20.054‬‬ ‫‪0.744‬‬ ‫ویژگی هوش تجاری ‪q3 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪35.988‬‬ ‫‪0.830‬‬ ‫یادگیری شبکه ای ‪q30 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪26.731‬‬ ‫‪0.780‬‬ ‫یادگیری شبکه ای ‪q31 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪27.223‬‬ ‫‪0.777‬‬ ‫یادگیری شبکه ای ‪q32 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪35.485‬‬ ‫‪0.824‬‬ ‫عملکردمالی استارت آپ ‪q33 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪35.226‬‬ ‫‪0.823‬‬ ‫عملکردمالی استارت آپ ‪q34 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪21.632‬‬ ‫‪0.726‬‬ ‫عملکردمالی استارت آپ ‪q35 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪24.186‬‬ ‫‪0.746‬‬ ‫عملکرد مالی استارت آپ ‪q36 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪36.391‬‬ ‫‪0.822‬‬ ‫عملکرد مالی استارت آپ ‪q37 <-‬‬

‫جعفری اسکندری و فربد ‪ /‬مطالعات راهبردی مالی و بانکی‪ ،‬دوره ‪ ،1‬شماره ‪ ،1‬بهار ‪ ،1402‬صفحه‪22-40 :‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪27.448‬‬ ‫‪0.784‬‬ ‫عملکرد مالی استارت آپ ‪q38 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪33.643‬‬ ‫‪0.807‬‬ ‫عملکرد مالی استارت آپ ‪q39 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪16.845‬‬ ‫‪0.728‬‬ ‫ویژگی هوش تجاری ‪q4 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪27.936‬‬ ‫‪0.782‬‬ ‫عملکرد مالی استارت آپ ‪q40 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪27.501‬‬ ‫‪0.790‬‬ ‫عملکرد مالی استارت آپ ‪q41 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪28.567‬‬ ‫‪0.800‬‬ ‫عملکرد مالی استارت آپ ‪q42 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪10.266‬‬ ‫‪0.639‬‬ ‫ویژگی هوش تجاری ‪q5 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪27.282‬‬ ‫‪0.779‬‬ ‫ویژگی هوش تجاری ‪q6 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪28.298‬‬ ‫‪0.778‬‬ ‫ویژگی هوش تجاری ‪q7 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪32.104‬‬ ‫‪0.808‬‬ ‫ویژگی هوش تجاری ‪q8 <-‬‬
‫تایید‬ ‫‪0.000‬‬ ‫‪25.183‬‬ ‫‪0.773‬‬ ‫ویژگی هوش تجاری ‪q9 <-‬‬
‫*منبع‪ :‬یافتههای تحقیق‬

‫همانگونه که در جدولهای ‪ 3‬و ‪ 4‬مشاهده میشود با توجه به اینکه میانگین واریانس استخراجی و قابلیت اطمینان ترکیبی برای تمامی‬
‫متغیرهای پژوهش به ترتیب باالتر از ‪ 0/5‬و ‪ 0/7‬است‪ ،‬میتوان بیان نمود ابزار تحقیق از روایی همگرای قابل قبولی برخوردار است‪ .‬همه‬
‫گویهها در سطح اطمینان ‪ 0/95‬معنادار میباشند‪ .‬معناداری گویهها باالتر بودن عدد معناداری از ‪ ±1/96‬است؛ بنابراین با توجه به مقادیر‬
‫بهدست آمده میتوان گفت که اعتبار همگرایی ابزار سنجش تایید میشود‪.‬‬

‫جدول ‪ -4‬پایایی و روایی سازههای تحقيق‪.‬‬

‫‪Table 4- Reliability and validity of research constructs.‬‬
‫جذر میانگین واریانس‬ ‫میانگین واریانس‬ ‫قابلیت اطمینان‬ ‫آلفای کرونباخ‬ ‫سازه‬
‫استخراجشده‬ ‫استخراجشده‬ ‫ترکیبی‬
‫‪0.791‬‬ ‫‪0.626‬‬ ‫‪0.934‬‬ ‫‪0.933‬‬ ‫عملکرد مالی استارت آپ‬
‫‪0.828‬‬ ‫‪0.686‬‬ ‫‪0.886‬‬ ‫‪0.884‬‬ ‫نوآوری‬
‫‪0.782‬‬ ‫‪0.612‬‬ ‫‪0.960‬‬ ‫‪0.957‬‬ ‫ویژگی هوش تجاری‬
‫‪0.792‬‬ ‫‪0.627‬‬ ‫‪0.881‬‬ ‫‪0.881‬‬ ‫یادگیری شبکهای‬
‫*منبع‪ :‬یافتههای تحقیق‬

‫جهت بررسی روایی واگرا از معیار فورنل و النکر استفاده میشود این معیار با جایگذاری جذر میانگین واریانس استخراجی بهجای اعداد‬
‫‪ 1‬در قطر اصلی ماتریس ضریب همبستگی بهدست میآید‪ .‬با توجه به جدول ‪ 5‬چنین استنباط میشود که این مقدار برای هر یک از متغیرها‬
‫بیش از همبستگی یک سازه با سازههای دیگر است‪ ،‬بنابراین ابزار تحقیق از روایی واگرای مناسبی برخوردار است‪.‬‬
 ‫جدول ‪ -5‬بررسی روایی واگرا در ماتریس همبستگی‪.‬‬
‫‪Table 5- Investigating the divergent validity in the correlation matrix.‬‬

‫یادگیری شبکهای‬ ‫ویژگی هوش تجاری‬ ‫نوآوری‬ ‫عملکرد مالی استارت آپ‬ ‫سازه‬
‫‪0.627‬‬ ‫‪0.612‬‬ ‫‪0.686‬‬ ‫‪0.626‬‬ ‫میانگین واریانس استخراجشده‬
‫‪0.791‬‬ ‫عملکرد مالی استارت آپ‬
‫‪0.828‬‬ ‫‪0.719‬‬ ‫نوآوری‬
‫‪0.782‬‬ ‫‪0.715‬‬ ‫‪0.311‬‬ ‫ویژگی هوش تجاری‬
‫‪31‬‬ ‫‪0.792‬‬ ‫‪0.754‬‬ ‫‪0.731‬‬ ‫‪0.619‬‬ ‫یادگیری شبکهای‬
‫*منبع‪ :‬یافتههای تحقیق‬

‫با توجه به تایید مطلوب بودن مقادیر بارهای عاملی‪ ،‬اعتبار همگرایی‪ ،‬اعتبار افتراقی و پایایی مرکب‪ ،‬برازش مدل اندازهگیری تحقیق مورد‬
‫تایید واقع میشود‪.‬‬

‫‪ -4-2‬برازش مدل ساختاری‬

‫پس از تحلیل و بررسی برازش مدل اندازهگیری‪ ،‬در این قسمت به بررسی برازش مدل ساختاری پرداخته میشود‪ .‬درواقع‪ ،‬مرحله دوم در‬
‫بررسی اثرگذاری هوش تجاری و نوآوری بر عملکرد مالی استارت آپها‪ :‬رویکرد مدلهای شبکه عصبی و معادالت ساختار ی‬

‫رو یهها بهرهگیری از تحلیل مسیر‪ ،‬ضریب تعیین و شاخص برازندگی مدل هست‪ .‬شکلهای ‪ 2‬و ‪ 3‬مدل معادالت ساختاری و نمودار‬
‫مسیر مدل تحقیق را به همراه اعداد معنیداری و ضرایب مسیر نشان میدهد‪.‬‬

‫شکل ‪ -2‬مدل مفهومی برازش شده در حالت تخمين استاندارد‪.‬‬

‫‪Figure 2 - Conceptual model fitted in standard estimation mode.‬‬

‫ضریب تعیین ‪ ،R2‬مهمترین معیاری است که با آن میتوان رابطه بین یک یا چند متغیر مستقل با متغیر وابسته را توضیح داد‪ .‬این ضریب‪،‬‬
‫بیانکننده درصد تغییرات متغیر وابسته بهوسیله متغیرهای مستقل بوده که مقدار آن بین صفر و ‪ 1‬هست‪ .‬ضریب استون‪-‬گیسر ‪ ،Q2‬معیار‬
‫قدرت پیشبینی مدل را مشخص میسازد و درصورتیکه مقدار ضریب استون‪-‬گیسر در مورد یک سازه درونزا سه مقدار ‪ 0/15 ،0/02‬و‬
‫‪ 0/35‬را کسب نماید‪ ،‬به ترتیب نشان از قدرت پیشبینی ضعیف‪ ،‬متوسط و قوی سازه یا سازههای برونزای مربوط به آن را دارد‪ .‬جدول ‪6‬‬
‫ضریب تعیین و ضریب استون‪-‬گیسر را برای متغیرهای عملکرد مالی استارت آپ‪ ،‬نوآوری و یادگیری شبکهای نشان میدهد‪.‬‬
 ‫‪32‬‬

‫جعفری اسکندری و فربد ‪ /‬مطالعات راهبردی مالی و بانکی‪ ،‬دوره ‪ ،1‬شماره ‪ ،1‬بهار ‪ ،1402‬صفحه‪22-40 :‬‬
‫شکل ‪ -3‬مدل مفهومی برازش شده در حالت معناداری پارامترها‪.‬‬
‫‪Figure 3- Conceptual model fitted in the significance state of the parameters.‬‬

‫جدول ‪ -6‬ضریب تعيين و قدرت پيشبينی سازههای مدل‪.‬‬

‫‪Table 6- Coefficient of determination and predictive power of model structures.‬‬
‫ضریب استون – گیسر‬ ‫ضریب تعیین‬ ‫سازه‬
‫‪0.591‬‬ ‫‪0.867‬‬ ‫عملکرد مالی استارت آپ‬
‫‪0.438‬‬ ‫‪0.864‬‬ ‫نوآوری‬
‫‪0.526‬‬ ‫‪0.125‬‬ ‫یادگیری شبکهای‬
‫*منبع‪ :‬یافتههای تحقیق‬

‫بر اساس جدول ‪ ،6‬حدود ‪ 87%‬از تغییرات متغیر عملکرد مالی استارت آپ تحت تاثیر و یژگی هوش تجاری‪ ،‬نوآوری و یادگیری شبکهای‬
‫بیان میشود‪ .‬همچنین با توجه به مقادیر بهدست آمده برای ضریب تعیین و قدرت پیشبینی مدل میتوان بیان نمود بخش ساختاری مدل‬
‫نیز از برازش خوبی برخوردار است‪.‬‬

‫‪ -4-3‬برازش مدل کلی‬

‫برازندگی مدل از میانگین هندسی ضریب تعیین و میانگین اشتراکی بهدست میآید که شاخص نیکویی برازش مدل‪ 1‬نامیده میشود‪ .‬مقدار‬
‫شاخص نیکویی برازش مدل باید باالی ‪ 0/36‬باشد تا مدل‪ ،‬مدل برازندهای باشد‪ .‬با توجه به محاسبه شاخص نیکویی برازش مدل بر اساس‬
‫خروجیهای نرمافزار ‪ ،SmartPls‬مدل از برازندگی مناسبی برخوردار است ]‪.[51‬‬

‫جدول ‪ -7‬شاخص نيکویی برازش مدل‪.‬‬

‫‪Table 7- goodness of fit index of the model.‬‬
‫اعتبار اشتراک‬ ‫ضریب تعیین‬ ‫سازه‬
‫‪0.626‬‬ ‫‪0.867‬‬ ‫عملکرد مالی استارت آپ‬
‫‪0.686‬‬ ‫‪0.864‬‬ ‫نوآوری‬
‫‪0.612‬‬ ‫ویژگی هوش تجاری‬
‫‪0.627‬‬ ‫‪0.125‬‬ ‫یادگیری شبکهای‬
‫‪0.638‬‬ ‫‪0.619‬‬ ‫میانگین‬
‫*منبع‪ :‬یافتههای تحقیق‬

‫‪1‬‬
‫‪Goodness of fit‬‬
 ‫(‪)1‬‬
‫میانگین ضریب تعیین مدل و ‪ AverageCommunality‬میانگین شاخص بررسی اعتبار اشتراک یا روایی‬ ‫در معادله (‪،)1‬‬
‫متقاطع می باشد که برای محاسبه شاخص برازش نیکویی برازش مدل استفاده میشود‪.‬‬
‫(‪)2‬‬
‫با توجه به سه مقدار ‪ 0/25 ،0/01‬و ‪ 0/36‬که بهعنوان مقادیر ضعیف‪ ،‬متوسط و قوی برای شاخص نیکویی برازش مدل معرفی شده است‪،‬‬
‫بر اساس معادله (‪ )1‬مقدار ‪ 0/628‬برای شاخص نیکویی برازش مدل‪ ،‬برازش بسیار مناسب مدل کلی تایید میشود ]‪.[45‬‬
‫‪33‬‬
‫‪ -4-4‬بررسی فرضيهها‬

‫آزمون فرضیههای تحقیق شامل آزمون اثرات مستقیم (تاثیر متغیرهای مستقل بر وابسته)‪ ،‬آزمون اثرات میانجی (اثرات غیرمستقیم) و آزمون‬
‫اثرات کل (تاثیر متغیرهای مستقل بر وابسته در حضور متغیرهای میانجی) هست‪.‬‬

‫جدول ‪ -8‬آزمون فرضيهها (مسيرهای مستقيم)‪.‬‬

‫‪Table 8- Test of hypotheses (direct paths).‬‬
‫نتیجه‬ ‫سطح معنیداری‬ ‫عدد معنیداری‬ ‫ضریب مسیر‬ ‫مسیر مستقیم‬
‫بررسی اثرگذاری هوش تجاری و نوآوری بر عملکرد مالی استارت آپها‪ :‬رویکرد مدلهای شبکه عصبی و معادالت ساختار ی‬

‫تایید فرضیه‬ ‫‪0.000‬‬ ‫‪5.684‬‬ ‫‪0.411‬‬ ‫نوآوری ‪ >-‬عملکرد مالی استارت آپ‬
‫تایید فرضیه‬ ‫‪0.000‬‬ ‫‪4.322‬‬ ‫‪0.268‬‬ ‫ویژگی هوش تجاری ‪ >-‬عملکرد مالی استارت آپ‬
‫تایید فرضیه‬ ‫‪0.000‬‬ ‫‪15.903‬‬ ‫‪0.613‬‬ ‫ویژگی هوش تجاری ‪ >-‬نوآوری‬
‫تایید فرضیه‬ ‫‪0.000‬‬ ‫‪5.024‬‬ ‫‪0.354‬‬ ‫ویژگی هوش تجاری ‪ >-‬یادگیری شبکهای‬
‫تایید فرضیه‬ ‫‪0.000‬‬ ‫‪16.815‬‬ ‫‪0.713‬‬ ‫یادگیری شبکهای ‪ >-‬عملکرد مالی استارت آپ‬
‫تایید فرضیه‬ ‫‪0.000‬‬ ‫‪11.154‬‬ ‫‪0.514‬‬ ‫یادگیری شبکهای ‪ >-‬نوآوری‬
‫*منبع‪ :‬یافتههای تحقیق‬

‫قابلذکر است درصورتیکه اعداد معناداری باالتر از عدد ‪ 1 /96‬باشد‪ ،‬میتوان معناداری مسیر میان دو متغیر را تایید نمود و بر وجود این‬
‫رابطه صحه گذاشت‪ .‬ازاینرو بر اساس جدول ‪ ،8‬فرضیههای ‪ 5 ،4 ،3 ،2 ،1‬و ‪ 6‬تحقیق موردپذیرش قرار میگیرند‪.‬‬

‫جدول ‪ 9‬آزمون متغیرهای میانجی را نشان میدهد‪ ،‬میتوان نتیجه گرفت که متغیر یادگیری شبکهای و نوآوری نقش میانجی بین و یژگی‬
‫هوش تجاری و عملکرد مالی استارت آپ دارد‪ .‬چون اعداد معناداری بهدست آمده باالتر از ‪ 1/96‬هست؛ بنابراین میتوان چنین استنباط‬
‫کرد که متغیرهای میانجی تایید شده‪ ،‬میانجی کامل میباشند چون مطابق جدول ‪ 8‬مسیرهای مستقیم معنادار میباشند‪.‬‬

‫جدول ‪ -9‬اثرگذاری مسيرهای غيرمستقيم‪.‬‬

‫‪Table 9- Effect of indirect routes.‬‬
‫سطح معنیداری‬ ‫عدد معنیداری‬ ‫ضریب مسیر‬ ‫مسیر غیرمستقیم‬
‫‪0.000‬‬ ‫‪5.775‬‬ ‫‪0.182‬‬ ‫ویژگی هوش تجاری ‪ >-‬یادگیری شبکهای ‪ >-‬نوآوری‬
‫‪0.000‬‬ ‫‪5.030‬‬ ‫‪0.252‬‬ ‫ویژگی هوش تجاری ‪ >-‬نوآوری ‪ >-‬عملکرد مالی استارت آپ‬
‫‪0.000‬‬ ‫‪5.540‬‬ ‫‪0.211‬‬ ‫یادگیری شبکهای ‪ >-‬نوآوری ‪ >-‬عملکرد مالی استارت آپ‬
‫‪0.000‬‬ ‫‪4.533‬‬ ‫‪0.252‬‬ ‫ویژگی هوش تجاری ‪ >-‬یادگیری شبکهای ‪ >-‬عملکرد مالی استارت آپ‬
‫‪0.000‬‬ ‫‪3.953‬‬ ‫‪0.075‬‬ ‫ویژگی هوش تجاری ‪ >-‬یادگیری شبکهای ‪ >-‬نوآوری ‪ >-‬عملکرد مالی‬
‫استارت آپ‬
‫*منبع‪ :‬یافتههای تحقیق‬

‫جدول ‪ 10‬میزان اثرگذاری متغیرهای مستقل بر وابسته در حضور متغیرهای میانجی نشان میدهد‪ ،‬میتوان نتیجه گرفت که چون اعداد‬
‫معناداری باالتر از عدد ‪ 1 /96‬باشد‪ ،‬میتوان معناداری مسیر میان دو متغیر را تایید نمود و بر وجود این رابطه صحه گذاشت‪ .‬ازاینرو بر‬
‫اساس جدول ‪ ،10‬میزان اثرگذاری کل متغیرهای مستقل تاثیرگذار بر وابسته بیان میشود‪.‬‬
 ‫جدول ‪ -10‬اثرگذاری کل متغيرهای مستقل بر متغير وابسته‪.‬‬
‫‪Table 10- The effect of all independent variables on the dependent variable.‬‬
‫اثر کل‬ ‫اثر غیرمستقیم‬ ‫اثر مستقیم‬ ‫مسیر‬
‫‪0.411‬‬ ‫‪-‬‬ ‫‪0.411‬‬ ‫نوآوری ‪ >-‬عملکرد مالی استارت آپ‬
‫‪0.311‬‬ ‫‪0.063‬‬ ‫‪0.268‬‬ ‫ویژگی هوش تجاری ‪ >-‬عملکرد مالی استارت آپ‬
‫‪0.924‬‬ ‫‪0.211‬‬ ‫‪0.713‬‬ ‫یادگیری شبکهای ‪ >-‬عملکرد مالی استارت آپ‬
‫*منبع‪ :‬یافتههای تحقیق‬

‫بر اساس جدول ‪ 11‬و شکل ‪ 4‬چنین نتیجهگیری میشود که در بین متغیرهای مستقل و میانجی تاثیرگذار بر عملکرد مالی استارت آپها‪،‬‬ ‫‪34‬‬
‫متغیر یادگیری شبکهای با ضریب اثر کل ‪ 0/924‬در اولویت اول‪ ،‬نوآوری با ضریب اثر کل ‪ 0/411‬در اولویت دوم و و یژگی هوش تجاری‬
‫با ضریب اثر کل ‪ 0/311‬در اولویت سوم میباشند‪.‬‬

‫جعفری اسکندری و فربد ‪ /‬مطالعات راهبردی مالی و بانکی‪ ،‬دوره ‪ ،1‬شماره ‪ ،1‬بهار ‪ ،1402‬صفحه‪22-40 :‬‬
‫شکل ‪ -4‬اولویتبندی عوامل تاثيرگذار بر عملکرد مالی استارت آپها‪.‬‬
‫‪Figure 4- Prioritization of factors affecting the financial performance of start-ups.‬‬

‫‪ -4-5‬ارزیابی مدل معادالت ساختاری واریانس محور‬

‫پایه اصلی معادالت ساختاری واریانس محور ایجاد مدلهای توضیحی باقدرت پیشبینی قابلقبول است‪ .‬معادالت ساختاری واریانس‬
‫محور با به حداکثر رساندن میزان واریانس توضیح دادهشده سازههای درونزای تعبیهشده در یک مدل مسیر فرضی‪ ،‬سازوکارهایی را تولید‬
‫میکند که بهوسیله آنها پیشبینی تولید میشود‪ .‬این و یژگی معادالت ساختاری واریانس محور را از ابزارهای مختلف یادگیری ماشین که‬
‫برای اهداف پیشبینی طراحیشدهاند‪ ،‬متمایز میکند‪ .‬ارزیابی قدرت پیشبینی یک مدل آماری یک عنصر مهم در هر مطالعه است‪ .‬تمرکز‬
‫محققان مدیریتی و بازاریابی بیشتر دنبال این هستند که آیا ضرایب مدل قابلتوجه‪ ،‬معنیدار و در جهت فرضیه هستند نه آزمون اینکه یک‬
‫مدل میتواند موارد جدید را پیشبینی کند‪ .‬معادالت ساختاری واریانس محور یک روش "پیش بینی‪-‬علی" است ]‪ .[48‬برای ارزیابی قدرت‬
‫پیشبینی مدلهای معادالت ساختاری واریانس محور از شاخص ریشه میانگین مربعات خطا‪ 1‬که توسط شموئلی و همکاران ]‪ [49‬در‬
‫نرمافزار ‪ SmartPls‬مطرحشده است استفاده میشود‪ .‬نتایج قدرت پیشبینی مدل برازش شده شکل ‪ 2‬بهصورت جدول ‪ 11‬هست‪.‬‬

‫جدول ‪ -11‬ارزیابی قدرت پيشبينی مدل ‪.SEM-PLS‬‬

‫‪Table 11- Evaluation of predictive power of SEM-PLS model.‬‬
‫‪RMSE‬‬ ‫‪Max‬‬ ‫‪Min‬‬ ‫‪Mean‬‬ ‫)‪PLS Predictions (Descriptives‬‬
‫‪0.780‬‬ ‫‪3.837‬‬ ‫‪2.297‬‬ ‫‪3.086‬‬ ‫عملکرد مالی استارت آپ‬
‫*منبع‪ :‬یافتههای تحقیق‬

‫‪1‬‬
‫)‪Root Mean Square Error (RMSE‬‬
 ‫‪ -4-6‬برازش مدل شبکه عصبی پرسپترون چندالیه‬

‫شکل ‪ 5‬شبکه عصبی پرسپترون چندالیه ‪ MLP‬شبکه عصبی از نوع پیشخور است‪ .‬شبکه از تکنیک پس انتشار برای یادگیری استفاده‬
‫میکند‪ .‬یکالیه ورودی از نورونها دارد که بهعنوان گیرنده عمل میکند‪ ،‬یک یا چندالیه مخفی از نورونها که دادهها را محاسبه میکنند‬
‫و تحت تکرار قرار میگیرند و سپس الیه خروجی که خروجی را پیشبینی میکند ]‪.[50‬‬

‫‪35‬‬

‫شکل ‪ -5‬ساختار شبکه عصبی ‪.MLP‬‬

‫بررسی اثرگذاری هوش تجاری و نوآوری بر عملکرد مالی استارت آپها‪ :‬رویکرد مدلهای شبکه عصبی و معادالت ساختار ی‬

‫‪Figure 5- MLP neural network structure.‬‬

‫همچنان که در جدول ‪ 12‬مشاهده میشود معماری شبکه عصبی حاصل شامل ‪ 6‬الیه ورودی‪ 1 ،‬الیه میانی با ‪ 2‬واحد و ‪ 1‬الیه خروجی‬
‫است‪ .‬تابع عملکرد مورداستفاده به ترتیب در الیه میانی و خروجی تابع هیپربولیک تانژانت و تابع همانی و تابع خطای مورداستفاده در الیه‬
‫خروجی مجموع مربعات هست‪ .‬از روش استانداردسازی دادهها برای ورود متغیرها به مدل استفادهشده است که ‪ 69/9%‬دادهها بهعنوان‬
‫نمونه آموزشی‪ 1‬و ‪ 30/1%‬دادهها بهعنوان نمونه آزمایشی‪ 2‬میباشند‪.‬‬

‫جدول ‪ -12‬خالصه مدل شبکه عصبی ‪.MLP‬‬

‫‪Table 12- Summary of MLP neural network model.‬‬
‫‪Input layer‬‬ ‫‪Covariates‬‬ ‫‪1‬‬ ‫جامعیت درون صنعتی‬
‫‪2‬‬ ‫تجزیهوتحلیل بین صنعتی‬
‫‪3‬‬ ‫رسمی بودن‬
‫‪4‬‬ ‫سودمندی درک شده‬
‫‪5‬‬ ‫نوآوری‬
‫‪6‬‬ ‫یادگیری شبکهای‬
‫‪Number of units‬‬ ‫‪5‬‬
‫‪Rescaling method for covariates‬‬ ‫استانداردسازی‬
‫‪Hidden layer‬‬ ‫‪Number of units‬‬ ‫‪1‬‬
‫‪Activation function‬‬ ‫هیپربولیک تانژانت‬
‫‪Output layer‬‬ ‫‪Dependent variables‬‬ ‫‪1‬‬ ‫عملکرد مالی استارت آپ‬
‫‪Number of units‬‬ ‫‪1‬‬
‫‪Rescaling method for scale dependents‬‬ ‫استانداردسازی‬
‫‪Activation function‬‬ ‫همانی‬
‫‪Error function‬‬ ‫مجموع مربعات‬
‫مجموع مربعات خطابه ترتیب در نمونه آموزشی برابر ‪ 7/627‬و در نمونه آزمایشی برابر ‪ 2/719‬هست‪ .‬ازآنجاییکه مقدار خطای بهدست‬
‫آمده در نمونه آموزشی کمتر از نمونه آزمایشی است؛ بنابراین‪ ،‬برازش مدل قابلقبول هست‪.‬‬

‫میزان اثرگذاری متغیرهای مستقل در مدل ساختار شبکه عصبی بهصورت جدول ‪ 13‬و شکل ‪ 7‬هست‪ .‬چنین نتیجه میشود که یادگیری‬
‫شبکهای با میزان اثرگذاری ‪ 100%‬در اولویت اول‪ ،‬نوآوری با میزان اثرگذاری ‪ 85.5%‬در اولویت دوم‪ ،‬رسمی بودن با میزان اثرگذاری‬
‫‪ 18.9%‬در اولویت سوم‪ ،‬سودمندی درک شده با میزان اثرگذاری ‪ 17.5%‬در اولویت چهارم و جامعیت درون صنعتی در اولویت آخر‬
‫هست‪.‬‬

‫‪1‬‬ ‫‪2‬‬
‫‪Traninig‬‬ ‫‪Testing‬‬
 ‫‪36‬‬

‫جعفری اسکندری و فربد ‪ /‬مطالعات راهبردی مالی و بانکی‪ ،‬دوره ‪ ،1‬شماره ‪ ،1‬بهار ‪ ،1402‬صفحه‪22-40 :‬‬
‫شکل ‪ -6‬مدل شبکه عصبی پرسپترون چندالیه با ‪ 1‬الیه ورودی‪ ،‬یکالیه نهانی و یکالیه خروجی‪.‬‬
‫‪Figure 6- Multilayer perceptron neural network model with 1 input layer, one hidden layer‬‬
‫‪and one output layer.‬‬

‫جدول ‪ -13‬ميزان تاثيرگذاری متغيرها در مدل شبکه عصبی‪.‬‬

‫‪Table 13- The influence of the variables in the neural network model.‬‬
‫درصد اهمیت‬ ‫درجه اهمیت‬ ‫متغیر‬
‫‪10.9%‬‬ ‫‪0.045‬‬ ‫جامعیت درون صنعتی‬
‫‪12.4%‬‬ ‫‪0.051‬‬ ‫تجزیهوتحلیل بین صنعتی‬
‫‪18.9%‬‬ ‫‪0.077‬‬ ‫رسمی بودن‬
‫‪17.5%‬‬ ‫‪0.071‬‬ ‫سودمندی درک شده‬
‫‪85.8%‬‬ ‫‪0.349‬‬ ‫نوآوری‬
‫‪100.0%‬‬ ‫‪0.407‬‬ ‫یادگیری شبکهای‬
 ‫درجه اهمیت متغیرها بر عملكرد مالی استارت آپ‬

‫‪0/407‬‬ ‫یادگیری شبكه ای‬

‫‪0/349‬‬ ‫نوآوری‬

‫‪37‬‬ ‫‪0/071‬‬ ‫سودمندی درک شده‬

‫‪0/077‬‬ ‫رسمی بودن‬

‫‪0/051‬‬ ‫تجزیه و تحلیل بین صنعتی‬

‫‪0/045‬‬ ‫جامعیت درون صنعتی‬

‫بررسی اثرگذاری هوش تجاری و نوآوری بر عملکرد مالی استارت آپها‪ :‬رویکرد مدلهای شبکه عصبی و معادالت ساختار ی‬

‫شکل ‪ -7‬ميزان تاثيرگذاری متغيرها در مدل شبکه عصبی‪.‬‬

‫‪Figure 7- The influence of variables in the neural network model.‬‬

‫‪ -4-7‬ارزیابی مدل شبکه عصبی پرسپترون چندالیه‬

‫نتایج قدرت پیشبینی مدل برازش شده شکل ‪ 6‬بهصورت جدول ‪ 14‬است‪.‬‬

‫جدول ‪ -14‬ارزیابی قدرت پيشبينی مدل شبکه عصبی تابع پرسپترون چندالیه‪.‬‬
‫‪Table 14- Evaluation of the predictive power of the multi-layer perceptron function neural‬‬
‫‪network model.‬‬
‫‪RMSE‬‬ ‫‪Max‬‬ ‫‪Min‬‬ ‫‪Mean‬‬ ‫)‪MLP Predictions (Descriptives‬‬
‫‪0.016‬‬ ‫‪4.144‬‬ ‫‪2.052‬‬ ‫‪3.087‬‬ ‫عملکرد مالی استارت آپ‬

‫‪ -4-8‬تحليل حساسيت‬

‫در این پژوهش از روش معادالت ساختاری واریانس محور و شبکه عصبی پرسپترون چندالیه برای برازش مدل مفهومی تحقیق استفاده‬
‫شد‪ .‬نتایج تحقیق معادالت ساختاری واریانس محور نشان داد که متغیرهای و یژگی هوش تجاری‪ ،‬نوآوری و یادگیری شبکهای بر عملکرد‬
‫مالی استارت آپها تاثیر مستقیم و مثبتی داشتند‪ .‬پس از برازش مدل تحقیق با رویکرد معادالت ساختاری واریانس محور و شبکه عصبی‬
‫پرسپترون چندالیه‪ ،‬در هر دو رویکرد نوآوری باالترین تاثیر را بر عملکرد مالی استارت آپها داشتند‪ .‬هر دو رویکرد توانایی پیشبینی‬
‫عملکرد مالی استارت آپها را داشتند‪ .‬برای ارزیابی مدل برازش شده با دو رویکرد‪ ،‬از شاخص ریشه میانگین مربعات خطا استفاده شد‪.‬‬
‫همچنانکه شکل ‪ 8‬نشان میدهد مقدار ریشه میانگین مربعات خطا در رویکرد شبکه عصبی پرسپترون چندالیه برابر ‪ 0/016‬و در رویکرد‬
‫معادالت ساختاری واریانس محور برابر ‪ 0/780‬میباشد بنابراین روش شبکه عصبی پرسپترون چندالیه با خطای خیلی کمتری توانایی‬
‫پیشبینی عملکرد مالی استارت آپها را داشته و میتواند بهعنوان مدل بهینه مورداستفاده قرار گیرد‪.‬‬
 ‫‪38‬‬

‫شکل ‪ -8‬مقایسه مقدار ریشه ميانگين مربعات خطا در دو رویکرد‪.‬‬

‫‪Figure 8- Comparison of root mean square error value in two approaches.‬‬

‫‪ -5‬نتيجهگيری و پيشنهادهای پژوهش‬

‫تاثیر هوش تجاری بر روی عملکرد مالی استارت آپها در این مطالعه بررسی شده است‪ .‬با توجه به تحلیلهای توصیفی انجامشده چنین‬

‫جعفری اسکندری و فربد ‪ /‬مطالعات راهبردی مالی و بانکی‪ ،‬دوره ‪ ،1‬شماره ‪ ،1‬بهار ‪ ،1402‬صفحه‪22-40 :‬‬
‫نتیجهگیری میشود که از نظر جنسیت از ‪ 153‬نمونه‪ 23 ،‬نفر معادل ‪ 15%‬زن‪ 130 ،‬نفر معادل ‪ 85%‬مرد بودهاند‪ .‬از نظر سن‪ ،‬بیشترین‬
‫درصد پاسخگو یان در رده سنی ‪ 35‬تا ‪ 40‬با ‪ 69.6%‬معادل ‪ 107‬نفر میباشند‪ .‬از نظر وضعیت تحصیالت‪ ،‬باالترین فراوانی در مقطع‬
‫تحصیلی فوقلیسانس با ‪ 77‬نفر معادل ‪ 50.3%‬مشاهده شد‪ .‬از آنجاییکه حجم نمونه کمتر از حداقل ‪ 200‬نمونه بود از روش معادالت‬
‫ساختاری واریانس محور ‪ PLS‬برای آزمون کردن فرضیهها در مقایسه با روش شبکه عصبی پرسپترون چندالیه استفاده گردید‪ .‬خروجی مدل‬
‫ها نشان داد که هوش تجاری هم بهصورت مستقیم و هم بهصورت غیرمستقیم در عملکرد مالی استارت آپها تاثیرگذار هستند که‬
‫تحقیقهای مرتبط هوانگ و همکاران ]‪ [7‬و کاسیرو و کوئلهو ]‪ [16‬را تایید مینماید؛ اما از آنجاییکه در بحث استارت آپها بحث نوآوری‬
‫و یادگیری شبکهای در اولو یت باالتری است به هوش تجاری اهمیت کمتری داده میشود‪ .‬لذا پیشنهاد میشود در همان لحظه شکلگیری‬
‫استارت آپها بحث هوش تجاری و به معنای واقعی بحث نوآوری منطبق بر تحلیل داده که یکی از ابزارهای مصورسازی هوش تجاری‬
‫است استفاده شود‪ .‬هوش تجاری معموال قابلیتی است که شرکتها توسعه و کشف میکنند و میتواند بر اطالعات موجود تاثیر بگذارد‪.‬‬
‫میتوان آن را یک متغیر سازمانی داخلی درنظر گرفت و همانطور که در ادبیات قبلی بیان شد‪ ،‬میتواند بر عملکرد تاثیر بگذارد‪.‬‬
‫هوش تجاری میتواند ابعاد یادگیری شبکه و نوآوری را افزایش دهد‪ .‬ازاینرو‪ ،‬تاثیر مثبت منجر به رفتارهای عملکرد بهتر میشود‪ .‬از طرف‬
‫دیگر در این تحقیق شاخصهای متفاوتی به جای شاخصهای مالی مورداستفاده قرار گرفتند‪ ،‬زیرا برخی از نو یسندگان استدالل میکنند‬
‫که در واقعیت کاربرد محدودی دارند‪ .‬اگر چرخه حیات نوپای این استارت آپها را درنظر بگیریم‪ ،‬ارقام مالی لزوما منعکسکننده بهبودهای‬
‫پایدار در عملکرد رقابتی آنها نیستند و بهسختی بهدست میآیند و تفسیر آنها در زمینه سرمایهگذاریهای جدید دشوار است؛ بنابراین‬
‫پیشنهاد میشود در آینده تاثیر عوامل خارجی مانند آشفتگی محیطی یا سایر مفاهیم مهم در ادبیات کارآفرینی‪ ،‬مانند قابلیتهای پو یا یا‬
‫ظرفیت جذب و همچنین رشد فروش حاصل از ارایه خدمات یا تولید بر عملکرد مالی استارت آپها بررسی شود‪.‬‬

‫تقدیر و تشکر‬

‫بدینوسیله از ریاست محترم مراکز رشد و پارکهای فناوری خصوصا پارکهای علم و فناوری و مراکز رشد دانشگاه پیام نور به خاطر‬
‫حمایت معنوی در اجرای پژوهش حاضر سپاسگزاری میشود‪.‬‬

‫منابع‬

‫‪[1] Katila, R., Chen, E. L., & Piezunka, H. (2012). All the right moves: How entrepreneurial firms compete effectively.‬‬
‫‪Strategic entrepreneurship journal, 6(2), 116–132. DOI:10.1002/sej.1130‬‬
‫‪[2] Man, T. W. Y., Lau, T., & Chan, K. F. (2002). The competitiveness of small and medium enterprises: A‬‬
‫‪conceptualization with focus on entrepreneurial competencies. Journal of business venturing, 17(2), 123–142.‬‬
‫‪DOI:10.1016/S0883-9026(00)00058-6‬‬
‫‪[3] Raghuvanshi, J., Agrawal, R., & Ghosh, P. K. (2017). Analysis of barriers to women entrepreneurship: the‬‬
‫‪DEMATEL approach. Journal of entrepreneurship, 26(2), 220–238. DOI:10.1177/0971355717708848‬‬
 [4] Guzman, J., & Kacperczyk, A. (2019). Gender gap in entrepreneurship. Research policy, 48(7), 1666–1680.
DOI:10.1016/j.respol.2019.03.012
[5] Foster, K., Smith, G., Ariyachandra, T., & Frolick, M. N. (2015). Business intelligence competency center:
improving data and decisions. Information systems management, 32(3), 229–233.
DOI:10.1080/10580530.2015.1044343
[6] Zahra, S. A., Neubaum, D. O., & El–Hagrassey, G. M. (2002). Competitive analysis and new venture performance:
understanding the impact of strategic uncertainty and venture origin. Entrepreneurship theory and practice, 27(1),
1–28. DOI:10.1111/1540-8520.t01-2-00001
[7] Huang, Z. xiong, Savita, K. S., & Zhong-jie, J. (2022). The Business Intelligence impact on the financial
performance of start-ups. Information processing and management, 59(1), 102761.
39 DOI:10.1016/j.ipm.2021.102761
[8] Lonial, S. C., & Carter, R. E. (2015). The impact of organizational orientations on medium and small firm
performance: A resource-based perspective. Journal of small business management, 53(1), 94–113.
DOI:10.1111/jsbm.12054
[9] Wiklund, J., & Shepherd, D. A. (2011). Where to from here? EO-as-experimentation, failure, and distribution of
outcomes. Entrepreneurship: theory and practice, 35(5), 925–946. DOI:10.1111/j.1540-6520.2011.00454.x
[10] Villar, C., Alegre, J., & Pla-Barber, J. (2014). Exploring the role of knowledge management practices on exports:
A dynamic capabilities view. International business review, 23(1), 38–44. DOI:10.1016/j.ibusrev.2013.08.008
[11] Colombelli, A., Krafft, J., & Quatraro, F. (2013). Properties of knowledge base and firm survival: Evidence from
a sample of French manufacturing firms. Technological forecasting and social change, 80(8), 1469–1483.
DOI:10.1016/j.techfore.2013.03.003
‫ رویکرد مدلهای شبکه عصبی و معادالت ساختار ی‬:‫بررسی اثرگذاری هوش تجاری و نوآوری بر عملکرد مالی استارت آپها‬

[12] Wanda, P., & Stian, S. (2015). The secret of my success: an exploratory study of business intelligence management
in the Norwegian Industry. Procedia computer science, 64, 240–247. DOI:10.1016/j.procs.2015.08.486
[13] Hoppe, M. (2015). Intelligence as a discipline, not just a practice. Journal of intelligence studies in business, 5(3),
47–54. DOI:10.37380/jisib.v5i3.137
[14] Trieu, V. H. (2017). Getting value from Business Intelligence systems: A review and research agenda. Decision
support systems, 93, 111–124. DOI:10.1016/j.dss.2016.09.019
[15] Gerschewski, S., & Xiao, S. S. (2015). Beyond financial indicators: An assessment of the measurement of
performance for international new ventures. International business review, 24(4), 615–629.
DOI:10.1016/j.ibusrev.2014.11.003
[16] Caseiro, N., & Coelho, A. (2019). The influence of Business Intelligence capacity, network learning and
innovativeness on startups performance. Journal of innovation and knowledge, 4(3), 139–145.
DOI:10.1016/j.jik.2018.03.009
[17] Hitt, M. A., Ireland, R. D., Camp, S. M., & Sexton, D. L. (2001). Strategic entrepreneurship: entrepreneurial
strategies for wealth creation. Strategic management journal, 22(6–7), 479–491. DOI:10.1002/smj.196
[18] Psarras, J. (2006). Education and training in the knowledge-based economy. Vine, 36(1), 85–96.
[19] Wang, Z., & Wang, N. (2012). Knowledge sharing, innovation and firm performance. Expert systems with
applications, 39(10), 8899–8908.
[20] Larsson, R., Bengtsson, L., Henriksson, K., & Sparks, J. (1998). The Interorganizational learning dilemma:
collective knowledge development in strategic alliances. Organization science, 9(3), 285–305.
DOI:10.1287/orsc.9.3.285
[21] Jamal Ali, B., & Anwar, G. (2021). Measuring competitive intelligence network and its role on business
performance. International journal of english literature and social sciences, 6(2), 329–345.
DOI:10.22161/ijels.62.50
[22] Weerawardena, J., Mort, G. S., Salunke, S., Knight, G., & Liesch, P. W. (2015). The role of the market sub-system
and the socio-technical sub-system in innovation and firm performance: a dynamic capabilities approach. Journal
of the academy of marketing science, 43(2), 221–239. DOI:10.1007/s11747-014-0382-9
[23] Frank, H., Kessler, A., Mitterer, G., & Weismeier-sammer, D. (2012). Learning orientation of SMEs and Its impact
on firm performance. Journal of marketing development and competitiveness, 6(3), 29–42.
[24] Larrañeta, B., Zahra, S. A., & González, J. L. G. (2012). Enriching strategic variety in new ventures through
external knowledge. Journal of business venturing, 27(4), 401–413.
[25] Shan, P., Song, M., & Ju, X. (2016). Entrepreneurial orientation and performance: Is innovation speed a missing
link? Journal of business research, 69(2), 683–690. DOI:10.1016/j.jbusres.2015.08.032
[26] Paradkar, A., Knight, J., & Hansen, P. (2015). Innovation in start-ups: Ideas filling the void or ideas devoid of
resources and capabilities? Technovation, 41, 1–10. DOI:10.1016/j.technovation.2015.03.004
[27] Gunday, G., Ulusoy, G., Kilic, K., & Alpkan, L. (2011). Effects of innovation types on firm performance.
International journal of production economics, 133(2), 662–676. DOI:10.1016/j.ijpe.2011.05.014
[28] Calantone, R. J., Cavusgil, S. T., & Zhao, Y. (2002). Learning orientation, firm innovation capability, and firm
performance. Industrial marketing management, 31(6), 515–524. DOI:10.1016/S0019-8501(01)00203-6
[29] Wang, C. L., & Ahmed, P. K. (2004). The development and validation of the organisational innovativeness
construct using confirmatory factor analysis. European journal of innovation management, 7(4), 303–313.
DOI:10.1108/14601060410565056
[30] Prajogo, D. I. (2016). The strategic fit between innovation strategies and business environment in delivering
business performance. International journal of production economics, 171, 241–249.
DOI:10.1016/j.ijpe.2015.07.037
[31] Wiklund, J., & Shepherd, D. (2003). Knowledge-based resources, entrepreneurial orientation, and the performance
of small and medium-sized businesses. Strategic management journal, 24(13), 1307–1314.
[32] Lukman, T., Hackney, R., Popovič, A., Jaklič, J., & Irani, Z. (2011). Business intelligence maturity: The economic
transitional context within Slovenia. Information systems management, 28(3), 211–222.
DOI:10.1080/10580530.2011.585583
[33] AL-Shubiri, F. N. (2012). Measuring the impact of business intelligence on performance: an empirical study.
Polish journal of management studies, 6, 162–173.
[34] Adidam, P. T., Banerjee, M., & Shukla, P. (2012). Competitive intelligence and firm’s performance in emerging
markets: An exploratory study in India. Journal of business and industrial marketing, 27(3), 242–254.
DOI:10.1108/08858621211207252
[35] Hannula, M., & Pirttimaki, V. (2003). Business intelligence empirical study on the top 50 Finnish companies. 40
Journal of american academy of business, 2(2), 593–599.
[36] Venter, P., & Tustin, D. (2012). The availability and use of competitive and business intelligence in South African
business organisations. Southern african business review, 13(2), 88–117.
[37] Hoppe, M., Hamrefors, S., & Soilen, K. S. (2009). Competitive intelligence: competing, consuming and
collaborating in a flat world. Proceedings of the third european competitive intelligence symposium.
[38] Chang, Y. W., Hsu, P. Y., & Wu, Z. Y. (2015). Exploring managers’ intention to use business intelligence: The
role of motivations. Behaviour and information technology, 34(3), 273–285.
DOI:10.1080/0144929X.2014.968208
[39] Berndtsson, B. (2015). A Brunn–Minkowski type inequality for Fano manifolds and some uniqueness theorems in
Kähler geometry. Inventiones mathematicae, 200(1), 149–200. DOI:10.1007/s00222-014-0532-1

22-40 :‫ صفحه‬،1402 ‫ بهار‬،1 ‫ شماره‬،1 ‫ دوره‬،‫ مطالعات راهبردی مالی و بانکی‬/ ‫جعفری اسکندری و فربد‬
[40] Shollo, A., & Galliers, R. D. (2016). Towards an understanding of the role of business intelligence systems in
organisational knowing. Information systems journal, 26(4), 339–367. DOI:10.1111/isj.12071
[41] Bruyat, C., & Julien, P. A. (2001). Defining the field of research in entrepreneurship. Journal of business venturing,
16(2), 165–180. DOI:10.1016/S0883-9026(99)00043-9
[42] Wang, C. L. (2008). Entrepreneurial orientation, learning orientation, and firm performance. Entrepreneurship
theory and practice, 32(4), 635–657.
[43] Dhliwayo, S. (2014). Entrepreneurship and competitive strategy: an integrative approach. Journal of
entrepreneurship, 23(1), 115–135. DOI:10.1177/0971355713513356
[44] Cepeda-Carrion, G., Cegarra-Navarro, J. G., & Jimenez-Jimenez, D. (2012). The effect of absorptive capacity on
innovativeness: Context and information systems capability as catalysts. British journal of management, 23(1),
110–129. DOI:10.1111/j.1467-8551.2010.00725.x
[45] Sangar, A. B., & Iahad, N. B. A. (2013). Critical Factors that Affect the Success of Business Intelligence Systems
(BIS) Implementation in an Organization. International journal of scientific & technology research, 2(2), 176–
180.
[46] Martini, A., Neirotti, P., & Appio, F. P. (2017). Knowledge searching, integrating and performing: always a tuned
trio for innovation? Long range planning, 50(2), 200–220. DOI:10.1016/j.lrp.2015.12.020
[47] Hani, E. H. (2021). The Effect Of Key Business Success Factors On Start-Up Performance. Network interlligence
studies, 11(18), 117–129.
[48] Garson, J. . (2018). Smart PLS partial least squares, structural equation and regression models. Mehregan Ghalam
Publications.
[49] Ucbasaran, D., Westhead, P., & Wright, M. (2009). The extent and nature of opportunity identification by
experienced entrepreneurs. Journal of business venturing, 24(2), 99–115. DOI:10.1016/j.jbusvent.2008.01.008
[50] Kock, N. (2021). Harman’s single factor test in PLS-SEM: Checking for common method bias. Data analysis
perspectives journal, 2(2), 1–6.
[51] Vinzi, V. E., Trinchera, L., & Amato, S. (2010). PLS path modeling: from foundations to recent developments and
open issues for model assessment and improvement. Handbook of partial least squares, 47–82. DOI:10.1007/978-
3-540-32827-8_3
[52] Joreskog, K. G. (1982). The ML and PLS techniques for modeling with latent variables: Historical and comparative
aspects. Systems under indirect observation, part i, 263–270.
[53] Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J. H., Ting, H., Vaithilingam, S., & Ringle, C. M. (2019). Predictive
model assessment in PLS-SEM: guidelines for using PLSpredict. European journal of marketing, 53(11), 2322–
2347. DOI:10.1108/EJM-02-2019-0189
[54] Desai, M., & Shah, M. (2021). An anatomization on breast cancer detection and diagnosis employing multi-layer
perceptron neural network (MLP) and Convolutional neural network (CNN). Clinical ehealth, 4, 1–11.
DOI:10.1016/j.ceh.2020.11.002