پيش بيني ميزان موفقيت كارآفرينان روستايي شهرستان كرمانشاه با استفاده از تحليل شبكه عصبي مصنوعي(ANN)

Predicting rural entrepreneur’s success with Artificial Neural Network(ANN) (case study: Kermanshah Township)

افزايش نرخ بيكاري، سرمايه بر بودن طرح ها و ... موجب افزايش شكاف ميان طبقات درآمدي و اشتغال كاذب شده است. چنين پيامدهاي مخربي كه ريشه در فقدان فرصت هاي شغلي مناطق داشته است، موجب گرديده تا كشورهاي در حال توسعه استراتژي هاي جديدي را با هدف رشد فرصت هاي شغلي به صورت غيرمتمركز به كار گيرند. در اين راستا، استراتژي كارآفريني، در جهت دستيابي به اهداف فوق، در بسياري از كشورها مورد استفاده قرار گرفته است. نوشتار حاضر با هدف پيش بيني ميزان موفقيت كارآفرينان روستايي شهرستان كرمانشاه به وسيله تحليل شبكه عصبي مصنوعي انجام شده است. جامعه آماري قابل دسترس در اين مطالعه 68 نفر از كارآفرينان شهرستان كرمانشاه بوده كه در آن گردآوري داده هاي موردنياز از طريق سرشماري انجام شده است. ابزار جمع آوري داده ها پرسشنامه بود كه روايي آن از طريق پانل متخصصين و پايايي آن به وسيله آلفاي كرونباخ (0.79) انجام گرفت. جهت پيش بيني ميزان موفقيت كارآفرينان روستايي از نرم افزار MATLAB استفاده شده است. كه پس از طراحي شبكه مناسب جهت پيش بيني ميزان موفقيت به يازده شبكه با ميزان دقت قابل قبول دست يافتيم. از اين يازده شبكه مي توان جهت شناسايي كارآفرينان موفق استفاده نمود. در پايان پيشنهادهايي جهت بهبود كار ارايه شده است.

A growing population and increase of unemployment and are the cause of increase gap between different classes in society. These factors lead to growing unofficial employment rates and decrease in average income, especially in rural areas. The severe problems oblige developing countries to adapt new entrepreneurial strategies. In Iran entrepreneurship is a new concept and little knowledge and skills are in place. The aim of this paper is to forecast the success of rural entrepreneurs using and artificial neural network case study focused o Kermanshah City, Iran. The sample exists of 68 entrepreneurs and the research data has been collected via census. The software used is MATLAB. The inputs for constructing the neural network are; Innovation, risk, independence, internal locus of control, family contacts, credit possibilities, governmental regulations and education. Internal satisfaction, creating growth and stability of job opportunities and satisfaction of serving society are considered as the targets of the neural network.