نوع مقاله : مقاله پژوهشی
نویسندگان
1 کارشناسی ارشد، دانشکده مالی، دانشگاه خاتم، تهران، ایران.
2 کارشناسی، گروه حسابداری، واحد اسلامشهر، دانشگاه آزاد اسلامی، تهران، ایران.
3 دانشجوی دکتری، گروه مدیریت مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
چکیده
یکی از مهم ترین مفاهیم در هر اقتصادی استارتاپها هستند زیرا آنها ویژگیها و شاخصههایی مانند نوآوری، ایجاد اشتغال، افزایش بهرهوری اقتصادی و ... دارند که آنها را از سایر شرکتها متمایز میکنند. بنابراین، شناخت بهتر آنها و آشنایی با جریانات درآمدی و ارزشگذاری آنها حائز اهمیت است. در این مقاله، تلاش کردهایم تا نقش مهم استارتاپها در اقتصاد، ویژگیها، اهداف اصلی و ... آنان را مطالعه کنیم. هدف اصلی این مقاله، پیشبینی بازدهی استارتاپ با استفاده از روشهای مبتنی بر هوش مصنوعی مانند الگوریتم ژنتیک (GA) و شبکه عصبی مصنوعی (ANN) است. برخی شاخصهای جهانی مانند شاخص S&P500، شاخص DJIA و نماگرهای اقتصادی از جمله بازده 10ساله اوراق بهادار خزانه، شاخص مجموع بازار Wilshire5000 به همراه برخی نماگرهای ویژه دیگر در استارتاپها مانند تیم، ایده، زمانبندی و ... به عنوان متغیرهای ورودی مورد استفاده قرارگرفتهاند. از الگوریتم ژنتیک به عنوان انتخاب ویژگی و انتخاب مهمترین متغیرها استفاده گردیده است. از شبکه عصبی مصنوعی به عنوان مدلی جهت بهینهسازی و پیشبینی بازدهی استارتاپ استفاده گردیده است. از مدلهای اقتصادسنجی مانند تحلیل رگرسیون نیز استفاده کردهایم. مدلهای ارزش در معرض ریسک (VaR) و ارزش در معرض ریسک شرطی (C-VaR) را برای پورتفوی مورد نظر شامل سه استارتاپ (شرکت عام) دراپ باکس (DBX)، اسکوت24 (G24.DE) و تی آی ای (TIE.AS) تخمین زدهایم و پورتفوی بهینه را تشکیل دادهایم. نتایج نشان میدهد که روشهای مبتنی بر هوش مصنوعی در پیشبینی بازدهی استارتاپ قدرتمندتر هستند. از سویی دیگر، مدلهای VaR و C-VaR رهیافتهایی مفید در کمینهسازی ریسک و بیشینهسازی بازدهی هستند. در این مقاله دریافتیم که مدلهای مبتنی بر هوش مصنوعی دارای قدرت پیشبینی بالا و قابلیتهایی مانند افزایش سرعت محاسبات، بهبود نتایج براساس یادگیری، عدم وجود مفروضات محدودکننده، سهولت بکارگیری و ... هستند. اما، مدلهای اقتصادی دارای برخی ویژگیها و مفروضات محدودکننده مانند فرض نرمال بودن، خطی بودن، مانایی و ... هستند.
کلیدواژه‌ها
- شبکه عصبی مصنوعی (ANN)
- الگوریتم ژنتیک (GA)
- مدلهای اقتصادسنجی
- ارزشگذاری استارتاپ
- ارزش در معرض ریسک (VaR) و ارزش در معرض ریسک شرطی (C-VaR)
موضوعات
Akkaya, M. (2020). Startup valuation: Theories, models, and future. In Valuation Challenges and Solutions in Contemporary Businesses (pp. 137-156). IGI Global.
Baltagi, B. H. (2011). What Is Econometrics? In Econometrics (pp. 3-12). Springer, Berlin, Heidelberg.
Bjørnskov, C., & Foss, N. J. (2016). Institutions, entrepreneurship, and economic growth: what do we know and what do we still need to know? Academy of Management Perspectives, 30(3), 292-315.
Boudieb, D., Mohammedi, K., Bouziane, A., & Smaili, Y. (2011). OPTIMIZATION TECHNIQUES BY DARWIN'S THEORY OF EVOLUTION. International Journal of Arts & Sciences, 4(19), 131.
Chatterjee, S., & Hadi, A. S. (2013). Regression analysis by example. John Wiley & Sons.
de Oliveira, F. B., & Zotes, L. P. (2018). Valuation methodologies for business startups: a bibliographical study and survey. Brazilian Journal of Operations & Production Management, 15(1), 96-111.
DeJong, K. Analysis of the Behavior of a Class of Genetic Adaptive. Ph.D. Thesis, University of Michigan, Ann Arbor, MI, USA, 1975.
Dhochak, M., & Doliya, P. (2020). Valuation of a startup: Moving towards strategic approaches. Journal of Multi‐Criteria Decision Analysis, 27(1-2), 39-49.
Edison, H. (2020). Lean Internal Startups: Challenges and Lessons Learned. In Fundamentals of Software Startups (pp. 251-268). Springer, Cham.
Hidayat, S. E., Bamahriz, O., Hidayati, N., Sari, C. A., & Dewandaru, G. (2021). Value drivers of startup valuation from venture capital equity-based investing: A global analysis with a focus on technological factors. Borsa Istanbul Review.
Hsu, D. K., Haynie, J. M., Simmons, S. A., & McKelvie, A. (2014). What matters, matters differently: a conjoint analysis of the decision policies of angel and venture capital investors. Venture Capital, 16(1), 1-25.
Hyrkäs, A. (2016). Startup complexity: tracing the conceptual shift behind disruptive entrepreneurship. Publications of the Faculty of Social Sciences.
Jedlickova, M., & Kutnar, P. (2017, October). Construction of a fuzzy model for the success prediction of hi-tech companies with a short history. In International Conference at Brno University of Technology, Faculty of Business and Management.
Laitinen, E. K. (2019). Discounted Cash Flow (DCF) as a measure of startup financial success.
Lavanchy, M., Reichert, P., & Joshi, A. (2022). Blood in the water: An abductive approach to startup valuation on ABC's Shark Tank. Journal of Business Venturing Insights, 17, e00305.
Magalhães, R. P. C. (2019). What is a startup? a scoping review on how the literature defines startup (Doctoral dissertation).
Montani, D., Gervasio, D., & Pulcini, A. (2020). Startup company valuation: The state of art and future trends. International Business Research, 13(9), 31-45.
Rahardjo, D., & Sugiarto, M. (2019, March). Valuation model using a mixed real options method: a review on Singapore and Indonesia digital startups. In 16th International Symposium on Management (INSYMA 2019) (pp. 9-12). Atlantis Press.
Salamzadeh, A., & Kawamorita Kesim, H. (2015). Startup companies: Life cycle and challenges. In 4th International conference on employment, education and entrepreneurship (EEE), Belgrade, Serbia.
Schückes, M., & Gutmann, T. (2021). Why do startups pursue initial coin offerings (ICOs)? The role of economic drivers and social identity on funding choice. Small Business Economics, 57(2), 1027-1052.
Shariatpanahi, S. M., Amiri, M., Babajani, J., Taghavi Fard, M. T., & Khalili, E. (2020). Model Determination for Equilibrium Valuation of Startup Companies Using Real Option Method in the Presence of Agency Cost. Financial Research Journal, 22(2), 182-205.
Shestakov, D. (2021). The Hypotheses Testing Method for Evaluation of Startup Projects. Journal of Economics and Management Sciences, 4(4), p47-p47.
Wang, M. H. (2017). Artificial Intelligence and Subfields. Santa Clara University, Department of Computer Engineering.
)