نتیجه گیری شد که احتمال بقای شرکت های متوسط(10 تا 99 نفر کارمند) از شرکت های کوچک (زیر 10 نفر کارمند) بیشتر است.
محسن عرب نجف آبادی (1390) در پایان نامه خود تحت عنوان خروج و عوامل مؤثر بر آن در صنایع تولیدی ایران: مقایسه بخش تعاون با بخش های خصوصی و دولتی به بررسی عوامل مؤثر بر خروج بنگاه های صنعتی پرداخته است. جهت تجزیه و تحلیل داده ها از مدل رگرسیونی پروبیت استفاده شده است. رشد صنعت، اندازه بنگاه، نرخ تمرکز صنعت، بهره وری نیروی کار، سود حاشیه ای صنعت، حاکمیت بنگاه، سطح تکنولوژی صنعت از جمله متغیرهایی است که در این پژوهش مورد استفاده قرار گرفته شده است. نتایج این تحقیق نشان داده است که بین رشد صنعت و بقا رابطه مثبت وجود دارد. همچنین اندازه بیشترین تأثیر را بر پیش بینی خروج بنگاه دارد و هرچه اندازه بزرگتر باشد احتمال خروج بنگاه کاهش می یابد.
2-4-3- جمع بندی مطالعات پیشین
جدول 2-1 تحقیقات انجام شده در زمینه موضوع تحقیق را به طور خلاصه نشان می دهد.

جدول 2-1- خلاصه تحقیقات انجام شده پیشین
متغیر
نویسنده
روش تجزیه و تحلیل
نتایج
متغیرهای سطح شرکت
اندازه
هلمرز و راجرز(2010)
مدل برآورد کننده حد محصول(کاپلان مایر) و مدل Probit
همگی دریافتند رابطه مثبتی بین بقا و اندازه وجود دارد.

سفیز و مارسیلی(2006)
رویکرد ناپارامتری بر اساس Transition Probability Matrices

اسجوکویست و کریستی(2012)
مدل برآورد کننده حد محصول(کاپلان مایر) و مدل نیمه پارامتریک رگرسیون Cox

هولمز و همکاران(2010)
تابع هازارد

کلاپر و ریچموند(2011)
مدل برآورد کننده حد محصول(کاپلان مایر)

هوین و همکاران(2008)
مدل پارامتریک Weibull و Gompertz و نیمه پارامتریک

بگز و همکاران(2008)

مدل Tobit و رگرسیون OLS

ادامه ی جدول 2-1- خلاصه تحقیقات انجام شده پیشین
متغیر
نویسنده
روش تجزیه و تحلیل
نتایج
متغیرهای سطح شرکت
اندازه

کاتو (2008)
مدل هازارد Cox
همگی دریافتند رابطه مثبتی بین بقا و اندازه وجود دارد.

عرب نجف آبادی (1390)
مدل Probit

مدهوشی و تاری(1389)
مدل برآورد کننده حد محصول(کاپلان- مایر) و مدل نیمه پارامتریک رگرسیون Cox

سرمایه اولیه

مدهوشی و تاری (1389)
مدل برآورد کننده حد محصول(کاپلان- مایر) و مدل نیمه پارامتریک رگرسیون Cox
رابطه معنی داری بین سرمایه اولیه و بقا تأیید نشد.

فیض پور و موبد (1387)
مدل Probit
بین سرمایه اولیه و بقا رابطه معنی داری وجود ندارد.

آسپلوند، بِرگ اوتبی و اِسکیودال (2005)

یک رابطه مثبت بین منابع اولیه و توانایی بقای شرکت در سال های اولیه فعالیت به دست آوردند.

ادامه جدول 2-1- خلاصه تحقیقات انجام شده پیشین
متغیر
نویسنده
روش تجزیه و تحلیل
نتایج

متغیرهای سطح صنعت

درجه نوآوری در صنعت

جنسن و همکاران(2008)
مدل هازارد نمایی ثابت

ثبت اختراع را به عنوان شاخص نوآوری در نظر گرفته است و به این نتیجه رسید که با بقا رابطه منفی دارد.

سفیز و مارسیلی(2006)
رویکرد ناپارامتری بر اساس Transition Probability Matrices
نوآوری اثر مثبت بر بقا دارد.

هلمرز و راجرز(2010)
مدل برآورد کننده حد محصول(کاپلان- مایر) و مدل Probit

ثبت اختراع و علامت تجاری را به عنوان شاخص نوآوری در نظر گرفتند و دریافتند ثبت اختراع با بقا رابطه منفی و علامت تجاری با بقا رابطه مثبت دارد.

دکوماشو و همکاران(2011)
مدل هازارد نسبی پارامتریک
شرکت ها با سرمایه گذاری بالا در نوآوری و R&D نرخ بقای بالاتری دارند.

کازویوکی(2012)
مدل Probit
ثبت اختراع را بعنوان شاخص نوآوری درنظر گرفته و دریافت که رابطه منفی با بقا دارد.

ادامه ی جدول 2-1- خلاصه تحقیقات انجام شده پیشین
متغیر
نویسنده
روش تجزیه و تحلیل
نتایج
متغیرهای سطح صنعت
نرخ ورود به صنعت
فریچ و همکاران(2006)

رگرسیون OLS
نرخ ورود با بقا رابطه معکوس دارد.

کاتو (2008)

مدل هازارد Cox
نرخ ورود رابطه معنی داری با بقا دارد

اسجوکویست و کریستی(2012)
مدل برآورد کننده حد محصول(کاپلان- مایر) و مدل نیمه پارامتریک رگرسیون Cox
نرخ ورود بالا میزان بقا را کاهش می دهد.

مدهوشی و نصیری (1389)

مدل برآورد کننده حد محصول(کاپلان- مایر) و مدل نیمه پارامتریک رگرسیون Cox
نرخ ورود با بقا رابطه معکوس دارد.

شدت سرمایه
فریچ و همکاران(2006)
رگرسیون OLS
شدت سرمایه بالا موجب کاهش بقا می شود.

هلمرز و راجرز(2010)
مدل برآورد کننده حد محصول(کاپلان- مایر) و مدل Probit
شدت سرمایه ارتباط معنی داری با بقا ندارد.

مدهوشی و نصیری(1388)
مدل برآورد کننده حد محصول(کاپلان- مایر) و مدل نیمه پارامتریک رگرسیون Cox
شدت سرمایه ارتباط معنی داری با بقا ندارد.

ادامه ی جدول 2-1- خلاصه تحقیقات انجام شده پیشین
متغیر
نویسنده
روش تجزیه و تحلیل
نتایج
متغیرهای سطح صنعت
نرخ رشد صنعت

آلوارز و ورگارا(2012)
مدل Probit
شرکت های کوچک و متوسط رشد فروش بالاتری نسبت به شرکت های بزرگتر دار
ند.

بگز و همکاران(2008)
مدل Tobit و رگرسیون OLS
رشد فروش بالا بقا را افزایش می دهد.

اسجوکویست و
کریستی(2012)
مدل برآورد کننده حد محصول(کاپلان- مایر) و مدل نیمه پارامتریک رگرسیون Cox
رشد سریع و توسعه یک شرکت جدید شانس بقای آن را افزایش می دهد.

محسن عرب نجف آبادی (1390)
مدل Probit
بین رشد صنعت و بقا رابطه ی مثبتی وجود دارد.

بهشتی، ناصر صنوبر و فرزانه کجاباد (1388)

رگرسیون OLS
از موانع عمده برای تولد بنگاه های جدید، عدم کارایی بازار پول و سرمایه کشور جهت تأمین بنگاهها برای شروع فعالیت می باشد. همچنین رشد و سودآوری صنعت بعنوان یک عامل جذب کننده بنگاههای جدید در بخش صنعت ایران عمل می کند.

فصل سوم
روش شناسی تحقیق

3-1- مقدمه
تجزیه و تحلیل بقاء یا تحلیل ماندگاری یکی از مباحث علم آمار است که در رشته‌های مختلفی از جمله علوم کامپیوتر، اپیدومیولوژی و کشاورزی کاربرد دارد. تجزیه و تحلیل داده های بقاء یک تکنیک آماری پیشرفته در تجزیه و تحلیل داده های مربوط به زمان وقوع حوادثی چون مرگ می باشد.بر اساس تئوری های این بخش از آمار، برای هر موجود زنده (یا در حال انجام یک فرایند کاری) می توان زمان شکست (مرگ) در نظر گرفت. در تحلیل داده های بقاء، احتمال مرگ در هر لحظه از زندگی موجود زنده و تابع بقاء او محاسبه می شود. مدل های طول عمر، کاپلان مایر و رگرسیون کوکس دارای بیشترین کاربرد در این زمینه می باشند (یوسف نژاد و همکاران، 1390).
تجزیه و تحلیل بقاء اولین بار توسط جان گرانت69 در سال 1662 و همچنین ستاره شناس معروف، ادموند هالی70 کاشف ستاره دنباله دار هالی، در قرن 17 و در سال 1693 انجام شده است (پوربهرام آبکنار، 1383). ارتقاء روش های تحلیل داده های بقا به عنوان یکی از حوزه های علم آمار در سال های اخیر بسیار مورد توجه قرار گرفته است. این بدان خاطر است که در بسیاری از موقعیت های عملی، محققین تمایل به بررسی زمان بقا تا رخداد یک واقعه از قبیل تاریخ انقضاء یک ماده یا زمان مرگ یک بیمار و … دارند (رجایی فرد و همکاران، 1388).
معمولاً تحلیل بقاء در زمانی انجام می شود که پیشامد مورد نظر در مورد تعدادی از واحدها رخ نداده است که این واحدها مقادیر سانسور شده را تشکیل می دهند، زیرا قادر به ثبت وضعیت نهایی آن ها نیستیم. در حقیقت وجود این مقادیر سانسور شده است که روش های تحلیل بقاء را از سایر روش های تحلیل متمایز می کند (پور بهرام آبکنار،1390).
به صورت کلی سه روش تحلیل آماری در مطالعات بقا وجود دارد: روش های پارامتریک، ناپارامتریک و نیمه پارامتریک. در این فصل در ابتدا در مورد داده های تاریخچه ای- رویدادی توضیحاتی داده می شود، سپس به معرفی نرم افزار TDA می پردازیم، و در نهایت سه روش تحلیل آماری پارامتریک، ناپارامتریک و نیمه پارامتریک مورد بررسی قرار گرفته و روش های مورد استفاده در این تحقیق تشریح می شوند.

این مطلب رو هم توصیه می کنم بخونین:   پایان نامه با واژگان کلیدیرگرسیون خطی، متغیر مستقل، مدل رگرسیون

3-2- متدلوژی تجزیه و تحلیل داده های تاریخچه ای- رخدادی
این نوع داده ها اغلب مناسبترین نوع اطلاعات تجربی هستند که محقق می تواند راجع به یک فرآیند مورد مطالعه به دست آورد. کولمن71(1981) این نوع فرآیندها را به شکل زیر توصیف کرده است:
1- در آنها واحدهایی وجود دارند که از وضعیتی72 به وضعیت دیگر تغییر می کنند.
2- این تغییرات یا رخدادها73 در هر نقطه از زمان می توانند رخ دهند.
3- تعداد زیادی از عوامل «وابسته به زمان» و عوامل «ثابت در زمان» آنها را تحت تأثیر قرار می دهند.
برای جمع آوری داده ها راجع به یک فرآیند، روش های تحقیقی گوناگونی با توجه به میزان جزئیات جمع آوری شده توسط هر روش مورد استفاده قرار می گیرند. مثلاً می توان روش های مقطعی (Cross-Sectional)، ترکیبی( Panel)، تعداد رخدادها(Event- Count)، توالی رخدادها (Event-Sequence) و تاریخی رخدادی(Event-History) را نام برد. از آنجا که در این تحقیق از داده های تاریخچه ای- رخدادی استفاده شده است، بعد از توضیح مختصری در مورد داده های مقطعی و داده های ترکیبی درباره ی داده های تاریخچه ای- رخدادی توضیحاتی ارائه می شود.
3-2-1- داده های مقطعی74
در علوم اجتماعی این نوع داده ها رایج ترین نوع داده ها برای ارزیابی علل رفتار هستند. یک نمونه مقطعی تنها یک تصویر لحظه ای از فرآیند مورد مطالعه است. لحظه ای در زمان که محقق برای ثبت این تصویر انتخاب می کند معمولاً نه فقط به خود فرایند بستگی دارد بلکه تحت تأثیر عوامل خارجی مانند تأمین منابع مالی، یافتن یک مؤسسه برای هدایت و پشتیبانی از تحقیق و….. است. در نمودار 3-1- a وضعیت خانوادگی فرد در لحظه مصاحبه بصورت یک نقطه در زمان نشان داده شده است (بلاسفید و راور، 2002: 5).
3-2-2- داده های ترکیبی75
در این نوع تحقیقات اشخاص یا واحدهای یکسانی در چند مرحله مجدداً مصاحبه شده یا مورد بررسی قرار می گیرند. نمودار 3-1- b یک Panel چهار مرحله ای را نشان می دهد که در آن سیر وضعیت خانوادگی پاسخگو در چند نقطه مورد سؤال قرار گرفته است. یعنی تنها اطلاعاتی در مورد وضعیت های هر واحد مورد بررسی در نقاط از پیش تعیین شده ای از زمان وجود دارد اما اتفاقات بین این نقاط کماکان ناشناخته باقی می ماند. داده های Panel نسبت به داده های مقطعی عموماً شامل اطلاعات بیشتری است ولی در عین حال دارای اشکالاتی است که از خود روش ناشی می شوند (بلاسفید و راور، 2002: 13).
نمودار 3-1 مقایسه بین داده های مقطعی، تر
کیبی و تاریخچه ای- رخدادی را نشان می دهد.

نمودار 3-1- مشاهده مسیر زندگی یک فرد بر اساس مطالعه مقطعی، ترکیبی و طرح مبتنی بر تاریخچه ای- رخدادی
مأخذ: (بلاسفید و راور، 2002: 5).

3-2-3- داده های تاریخچه ای- رخدادی76
برای فرآیندهای زیادی در علوم اجتماعی به نظر می رسد اندازه گیری مداوم متغیرهای کیفی تنها روش مناسب ارزیابی تغییرات تجربی باشد. همانطور که در نمودار 3-1 نشان داده شده است، مزیت عمده این روش آن است که کاملترین داده های ممکن راجع به تغییرات در متغیرهای کیفی را فراهم می کند. داده های تاریخچه ای- رخدادی اغلب از طریق مطالعات زندگینامه ای گذشته جمع آوری شده اند. مطالعات مبتنی بر سوابق این مزیت عمده را نسبت به سایرین دارند که ارزانتر هستند اما در عین حال در مقایسه با اطلاعات مبتنی بر اطلاعات آینده محدودیت های زیادی دارند.

3-3- معرفی نرم افزار TDA
TDA یا Transition Data Analysis یک برنامه آماری است که توسط گوتز و اولریش توسعه داده شد و برنامه قدرتمندی است که دسترسی به برخی از پیشرفت ها در تجزیه و تحلیل داده

دسته‌ها: پایان نامه ها

دیدگاهتان را بنویسید