تاثیر ویژگی های کارآفرینی فردی بر عملکرد پروژه: یک چارچوب پیش بینی مبتنی بر یادگیری ماشین

پیش بینی عملکرد پروژه هنوز یک چالش اساسی است، زیرا ۲۰-۶۱٪ از پروژه ها با وجود ۴۸ تریلیون دلار سرمایه گذاری سالانه جهانی شکست می خورند، که نشان دهنده یک شکاف تحقیقاتی مهم است. برای حل این مسئله، یک چارچوب یادگیری ماشین بر اساس ویژگی های کارآفرینی توسعه یافته است. داده ها از ۲۰۰ شرکت کننده با استفاده از پنج الگوریتم (LASSO، Ridge، SVR-RBF، SVR-Sigmoid و Random Forest) تجزیه و تحلیل می شوند تا روابط بین جهت گیری کارآفرینی فردی، خودکارآفرینی، مهارت های مدیریت کارآفرینی و نتایج پروژه بررسی شود. رگرسیون LASSO عملکرد پیش بینی برتری را نشان می دهد (MSE = ۰.۵۲۴، r = ۰.۷۸۱)، که اهمیت آماری آن از طریق آزمون فریدمن (x = ۹.۱۲، p < ۰.۰۵) و آزمون پس از Nemenyi تایید می شود. انتخاب ویژگی بر اساس معیارهای AIC/BIC، سه پیش بینی کننده بحرانی-فعالیت و خودکاری، خودکارآفرینی اجتماعی و ظاهری-را شناسایی می کند که پیچیدگی ارزیابی را کاهش می دهد در حالی که دقت پیش بینی را حفظ می کند. یافته ها نشان می دهند که مدل های خطی می توانند به طور موثر روابط کارآفرینی-عملکرد را مدیریت کنند، فرض های مربوط به پیچیدگی رفتاری در زمینه های پروژه را چالش می دهند. ابزار ارزیابی سه ویژگی حاصل، امکان بهینه سازی ترکیب تیم و پیش بینی احتمال موفقیت را برای افراد فراهم می کند، که یک راه حل مبتنی بر شواهد برای افزایش عملکرد پروژه در سازمان ها ارائه می دهد.

کلیدواژه ها:

کارآفرینی فردی ، جهت گیری کارآفرینی فردی ، یادگیری ماشین ، پیش بینی عملکرد پروژه ، خودکارآفرینی ، انتخاب ویژگی