Toward prediction of entrepreneurial exit in Iran; a study based on GEM ۲۰۰۸-۲۰۱۹ data and approach of machine learning algorithms
- سال انتشار: 1400
- محل انتشار: مجله داده های بزرگ و چشم انداز محاسباتی، دوره: 1، شماره: 3
- کد COI اختصاصی: JR_BDCV-1-3_001
- زبان مقاله: انگلیسی
- تعداد مشاهده: 218
نویسندگان
Faculty of Entrepreneurship, University of Tehran, Tehran, Iran.
School of Strategy and Leadership, Faculty of Business and law, Coventry University, UK.
Faculty of Entrepreneurship, University of Tehran, Tehran, Iran.
Faculty of Entrepreneurship, University of Tehran, Tehran, Iran.
چکیده
This study discusses the prediction model of Entrepreneurial Exit from Entrepreneurial Perceptions, acquired the data from the Global Entrepreneurship Monitor's (GEM) database in ۲۰۰۸-۲۰۱۹. Some essential indicators include Opportunity Perception, Fear of Failure, Capability Perception, Role Model, and Entrepreneurial Intention. Data mining results show that the exit reasons and entrepreneurial intention have a more significant impact on entrepreneurial exit than other variables. This research applies the Random Forest Algorithm to get a prediction model that shows the entrepreneurial exit. According to the Random Forest Algorithm results, accuracy, ROC-AUC score, AUC curve, precision, recall, and F۱ score validate the classification method. The prediction model shows that the best accuracy predictor of entrepreneurial exit is ۹۹ percent, and another criteria ROC_AUC score ۹۶%. Consistent results demonstrate that the proposed method can consider a promisingly successful predictive model of entrepreneurial exit with excellent predictive performance. These results can predict the individuals' entrepreneurial exit possibility before the psychological and financial impact and loss of capital and failure.کلیدواژه ها
Entrepreneurial exit, Entrepreneurial perceptions, Machine Learning, Global Entrepreneurship Monitor (GEM)اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.