文摘

为了分析创新与企业家精神的驱动因素,基于时间序列分析的算法,本文结合了创新与企业家精神驱动因素的分析需求,提高时间序列,采用分解方法将复杂的原始数据分解为相对简单的组件和重构,并预测重建组件集成最终预测值。此外,本文介绍了创业态度作为一个中介变量通过数据收集和统计分析和验证,所以创业特征通过创业态度影响创业倾向。试验结果表明,企业家的态度可以更好地解释创业特征对创业倾向的影响。此外,本文构造一个分析模型的创新和创业的驱动因素,通过问卷调查的方法获得实验数据,进行实验研究与数理统计相结合。从统计结果,可以看出,创新和创业驱动因素分析模型本文提出的基于时间序列分析是有效的。

1。介绍

从古代到现在,创业的现象一直存在,但它没有得到每个人的注意。特别是,它从未进入主流经济学家的研究视野和研究框架。直到新奥地利学派经济学的出现在1980年代和1970年代,创业成为主流经济学家的热门话题1]。此外,由于全球经济的加速增长,国内外研究人员已经开始增加他们的努力来研究创业的问题。在过去的二十年里,创业管理研究已经成为增长最快的领域的研究。创业研究为何如此受欢迎?第一点是,创业提供了一个处女的研究领域,需要丰富的学者。第二,创业可以削弱经济的低效率的机制,提高效率。最后,创业是一个重要的社会变革和创新的来源。

创业活动是经济和社会中发挥着越来越重要的作用,引起了学术界的广泛的关注。同时,创业涉及管理、认知理论、社会学、心理学等理论和方法。因此,它不是作为一个独立的学科研究创业活动。目前,创业精神和相关领域的研究结果显示多样化和多元化的趋势。特别是,研究创业认知、创业能力、创业意识,企业家特征,创业机会识别、创业倾向、创业决策,企业绩效是不断变化的。其中,研究相关的概念和问题,企业家特征和创业倾向(引起了人们广泛的关注2]。

不管创业和相关领域的内容,研究创业活动具有重要的现实意义。创业活动在促进经济发展发挥积极作用,整合资源配置,促进社会进步,也带来了各种各样的元素活跃市场。目前,创业理论仍然缺乏本土化的研究,大部分的研究方法和模型是借用或基于西方的研究结果。在一个小数量的实证研究在中国,这个话题是一群大学生。因为大学生缺乏实际工作经验和创业活动的认知主要是理论层面的研究,研究的结果的成功率很低。的现象,课题的选择可能导致偏差的研究结果,研究对象中选择本研究与高等教育学科,知识,文化,丰富的工作和实践经验,创业能力,和成熟的思想,尤其是MBA。这不仅拓宽了研究对象的范围,提高数据的准确性,并使实证研究更有说服力,但同时丰富创业理论的内容,扩大了创业理论研究的范围。创新是一个国家的发展和进步的关键。其中,企业家是创新的典型表现3]。

分析创新的驱动力和创业基于时间序列算法,并在此基础上,研究创新的问题,提出了相关策略。

2。相关工作

文献[4)认为,对于创业公司来说,团队成员必须具有很强的学习能力和知识吸收能力。只有这样,在面对动态的市场环境不断变化的竞争环境,企业能平静的面对它,灵活。

对企业家来说,三个驱动力的重要性和获得他们的困难不是常数。随着时间的变化,环境的影响和时间也会改变,和三个元素的重要性也将出现在一种不平衡的状态。这时,成功的企业家需要灵活和动态平衡安排三个元素按照外部竞争者和动态环境的变化。虽然三个主要驱动力的重要性是动态变化的,对于企业,三个主要驱动力是不可或缺的在任何发展阶段。因此,创业的过程不会停止;将继续在这个过程中不断的适应和平衡三个驱动力(5]。

文献[6)表明,创业与创新有相同的根和相同的关系,和两个是相互关联和相互补充。企业家是创新的源泉,和创新可以在创业活动的发展和繁荣。此外,创业最终将创新转化为商品的社会价值和实现创新的价值。从变换的角度来看企业的科技成果,文献[7]分析了创新与企业家精神的驱动因素的中国企业通过案例,总结4模式。文献[8)认为创新与企业家精神的驱动力是相同的。文献[9]试图引入Timmons的创业模式的创新。文献[10)建造了一个科技企业技术创新培养模式基于Timmons创业管理模型。

文献[11)认为,创新机会的识别是至关重要的持续创新的企业,和企业决策者的决策行为偏好发挥调节作用的主要企业机会的识别。这个文学正式强调的两个驱动因素和团队的机会。文献[12]研究企业吸收能力和知识集成能力的影响,对企业创新绩效,发现团队的吸收能力和知识集成资源获取能力在一定程度上提高企业的创新绩效。文献[13]进一步指出,创业机会可以新产品/服务,新材料,甚至是一种新的组织方法,但必须最后进入批量生产阶段,通过市场销售获取收益。文献[14)采用了熊彼特的经典定义,相信机会是可能的创造性整合资源来满足市场需求,实现价值。因此,机会识别是指企业的行为识别新的想法并将想法转换成业务概念,可以通过资源整合创造价值。机会识别的概念起源于领域的创业精神。现有研究还特别强调机会识别的概念领域的创新。文献[15]研究文化差异的影响在寻找创新机会的能力。机会识别的定义个人助理的能力变化,事件和趋势来生产新产品或服务。它可以发现机会识别的定义已从创业领域的创新领域。文献[16]机会识别定义为个人或组织链接的行为变化,事件和趋势来确定新想法和产生新的产品或服务通过资源整合来创造价值。

关于研究机会识别和创新之间的关系,大部分学者认为,机会识别是前端的创新过程。一些学者发现,机会识别公司绩效有积极影响,全面创新、商业模式创新、开放创新。此外,还有研究特别强调机会识别和探索性/突破创新之间的关系(17]。文献[18)在案例分析中发现,只有颠覆性创新可以建立一个公司的竞争优势,和机会识别的一个重要组成部分。突破创新通常是各种新技术的集成的结果后,识别企业的机会。然而,很少有研究探讨了机会识别和增量创新/利用创新之间的关系。结论之间的关系的机会识别和剥削的创新还不清楚,需要进一步的探索。在文献[19)明确提出资源拼凑的概念、资源拼凑往往是与即兴创作混淆。这表明资源拼凑和即兴创作有相似之处,他们大多是临时的解决方案。文献[20.]认为拼凑是“意图间的松散耦合、计划、行为和性能,”也就是说,拼凑可以有一定程度的计划,但这个计划不强。文献[21]认为资源拼凑的属性快速响应,低规划、和行为偏好,公司经常使用这个方法,应对机遇和问题,需要快速反应。

文献[22]把拼凑分为“创造性的勘探层”拼凑,拼凑“资源层的利用”。一方面,资源拼凑致力于创意资源的重组,这是探索性的。另一方面,它也遵循“满意度模型,强调临时快速反应,进而使资源更少的创新和容易利用创新形式。

3所示。时间序列分析

MFCM的第一步是分解复杂的原始FTS,可有效减少原始数据的复杂性和预测建模的困难。因此,分解的效果将大大影响罚球的分析和预测。目前,广泛使用的分解方法具有良好的效果是经验模态分解级数模型。早在30多年前,文献[23)提出了一个划时代的信号分析方法简要地变换(HHT)。算法的核心部分是经验模态分解(EMD)。从本质上讲,EMD方法是光滑的原始数据和获取time-frequency-energy特征信号。这个信号分析方法得到了广泛的应用,包括各领域在许多行业,如以下:在医学领域,它可以用来检测心律失常,登革热的传播,和血压变化;在交通运输领域,它可以用来检测高速公路和桥梁的安全;在安全领域,它可以用来识别说话者的身份;在地理领域,它可用于地震工程;在航空航天领域,它可用于卫星数据分析,等。该方法对这些领域的发展做出了很大贡献。后来,这种分析方法也应用到金融领域。

EMD算法的基本目标是自适应组件将原始信号分解成不同的频率和残余项(组件)的趋势。这些不同的频率成分被称为固有模式函数(货币)。国际货币基金组织(IMF)被定义为一个函数,它满足下列条件:(一)在整个时间序列,当地极端点的数据的数量和数据的数量的零交点点不应完全不同,不应超过1的区别;(b)在整个数据有一段时间,当地的上下对称的信封,在信封上(低)指的是当地的最大(小)值的包络线,也就是说,两个信封的平均值等于零。在两种情况中,前者要求类似于窄带高斯信号的要求。项目(b)是一个新的需求,减少了先前的全球需求到本地需求,这样的波动不对称波形不影响瞬时频率。对于非平稳的FTS,计算当地意味着包括当地时间范围内,很难确定。因此,在条件(b),当地的平均值的两个信封必须是零,所以信号波形局部对称的。在正常情况下,使用这种方法,瞬时频率仍符合物理意义的研究体系。国际货币基金组织代表序列的固有振型。 Since most of the FTS studied are not IMF, in any time dimension, FTS often contains many fluctuation patterns. Because of such a simple Hilbert transform cannot fully characterize the frequency characteristics of FTS, further EMD decomposition of FTS is a better choice.

EMD分解方法有三个假设,解释如下。(a)至少有两个极端值,也就是说,至少一个最大值和一个最小值。(b)极端点之间的时间尺度唯一地决定了当地时间域数据的特征。(c)如果没有极端点的序列,但有一个拐点,极端值可以通过区分数据n次,然后整合获得分解的结果。这个过程可以生动地称为“筛选。”“筛选”过程中,首先用不同的频率和单调残余项可以不再被分解了,这也被称为趋势项 。国际货币基金组织(IMF)选择从高频到低频,以及它们之间没有直接联系。分解结果可以表示为下面的公式:

接下来,我们将介绍EMD方法的具体分解步骤。(1)该算法发现当地所有的极端点的数据(2)使用三次样条插值算法以适应最大和最小点,分别构造上信封和较低的信封(3)在获得 ,该算法计算其平均值,获得均值曲线,并记录 。表达式如下: (4)算法初步整理出从原始数据并表示剩余的部分 : (5)该算法法官是否是国际货币基金组织(IMF),是否符合国际货币基金组织的两个基本条件。在理想的情况下,应该是国际货币基金组织,因为通过上述过程似乎符合所有国际货币基金组织的要求。然而,在现实中,新的极端值通常是生成的,和现有的极端值转移或夸大了。因此,在正常情况下,筛选过程需要重复多次来实现一个真正的固有模式函数。如果不是国际货币基金组织(IMF),该算法继续取代吗与重复以上步骤,直到剩下的部分满足国际货币基金组织的两个条件。具体地说,从1到5的算法重复过程次,直到国际货币基金组织(IMF)。到目前为止,第一个固有模式组件获得,

特别是,停止的标准筛选过程可以被限制在一定范围内基于标准差的值(SD)的两个相邻的结果为了留住足够的国际货币基金组织(IMF)的物理信息。必须满足下列条件:

其中,代表了筛选阈值,和一个值在0.2和0.3之间通常用于操作。(6)该算法代替与并重复上述步骤1到5在接下来的筛选过程继续寻找下一个国际货币基金组织(IMF),直到所有的货币都筛选出来。在这个时候,只有一个单调剩余序列,这是表示 ,组件的趋势。总结了EMD算法的流程图如图1

EMD算法有一些好的特点,如分解适应性、完整性和subsignal正交。适应性体现在三个方面,即自适应基函数,频率,和过滤过程中,可自动分解组件与减少频率根据FTS本身的特点;完整性指的是原始数据通过EMD分解算法。每个国际货币基金组织(IMF)和趋势项可以添加在一起形成了原始数据,和原书顺序数据可以完全从分解组件与小错误中恢复过来。因此,EMD算法具有较高的完整性;subsignals的正交性是显而易见的。这意味着相互正交分解组件。

同时,EMD算法也有一些不可避免的缺点,包括分解结果的误差积累和子模型的混叠。针对上述问题,相关学者继续研究提出一些改进方法。

添加高斯白噪声与原始数据统一的频谱分布。在随后的平均过程中,添加了白噪声通过多个集成可以相互抵消,同时解决了EMD分解的模态混叠问题。有效的实现数据的EMD分解是一个重要的改进。

下面描述了具体的基础上EEMD EMD分解步骤:(1)该算法添加高斯白噪声序列的原始数据获得混合时间序列数据,表示 ,和表达式如下:

其中,代表的是混合的次数, ,和代表的总数乘以混合白噪声的原始数据。(2)该算法实现了EMD方法混合数据获得国际货币基金组织(IMF)组件和1剩余组件 。表达式如下: (3)该算法重复上述过程,直到 ,也就是说,EMD分解执行(4)该算法分别平均获得的国际货币基金组织(IMF)组件和余数EMD分解的时候,结果被用作EEMD的输出。表达式如下:

其中,表明共有首先被分解和显示的分解结果的平均值噪声数据。EEMD方法的流程图如图2。

EEMD方法提高了EMD固有的缺陷模态混叠通过添加高斯白噪声与原始数据一致的光谱分布。的前提下保证原始数据的特点,能改善的准确性EMD-like的分解,进而使得应用更广泛和更有价值的方法。然而,引入了高斯白噪声将导致一些污染原始数据,和增加集成时间也会导致严重的计算时间。

FTS的复杂性,分解效果将大大影响罚球的分析和预测,所以分解的改进方法对模型的优化具有重要意义。

重建组件MFCM模型的预测是最关键的一步,和组件的结果将直接影响最终的模型预测效果。目前,预测的一部分MFCM通常采用支持向量回归(SVR)模型具有良好的效果。这个方法的应用领域的FTS已经被完全研究学者,它已经成功地应用于预测重建组件分解后,并取得了一定的结果。

在现有的MFCM模型中,支持向量回归(SVR)模型已成功应用于重建组件和具有良好的预测性能由于其相对简单的结构,学习速率快,和较强的泛化能力。支持向量机(SVM)从一定数量的样本数据,基于VC维理论,遵循结构风险最小化的原则。同时,它考虑的两个方面保证模型的准确性和减少复杂性解决全局最优的解决方案,从而构建最优的学习者。支持向量机通常是适用于分类问题。后最初的SVM模型是研究和开发的相关学者,一个支持向量回归(SVR)模型,并推导了适用于回归问题。在本文中,我们主要专注于最小二乘支持向量回归(LS-SVR),这是广泛使用在MFCM和更快的解决。

我们设置一组训练数据 ,在哪里是一个输入和是目标输出, 。SVR的核心思想是确定功能 ,和其预测价值可以准确地接近实际价值在未来,可以表示如下:

其中,和分别代表了权向量和偏差 和输入向量将映射到高维特征空间通过某种非线性函数 。

LS-SVR解决回归问题通过最小化以下约束目标函数来解决和 。

其中, ,和 包含松弛变量, 是一个积极的真正的正则化参数, 。上面的拉格朗日函数公式如下:

其中, 拉格朗日乘数法组成的是一个矢量。的马条件优化问题如下:

通过抵消和 ,以下线性系统可以获得:

其中, 是一个正定矩阵,在哪里 ,和元素

是内核函数。为 ,如果公式的解决方案(13)是 和 ,那么相应的决策函数如下:

4所示。模型建立

成功的创业活动需要不断匹配和适应的资源,商业机会,和团队,所以这三个可以维持一个动态平衡。其中,商业机会是整个创业活动的核心和起源。因此,在创业的初期,发现和选择的机会是至关重要的,公司应该识别尽可能多的商业机会,以帮助改善创业活动的性能。同时,资源是创业过程的支持元素,它们是重要的识别和发展的机会。因此,企业家需要努力开发和建立多种渠道获得丰富的资源。图3显示了Timmons创业模型。

理论模型是通过探索性因素分析方法,进行了验证性因素分析,最后,一个双因素模型。模型如图4。

的基础上,国内外学者的研究结果,本文结合创业环境与创业动机的影响机制,以创业环境作为自变量,将创业环境划分为四个维度。同时,本文以创业动机作为因变量,其中包括三个维度:life-type动机,influence-type动力,spiritual-type动机。为了探索创业环境对激励机制,本文构建了理论模型,本文通过阅读大量的文档,如图5。

本文的目的是探讨创业特征之间的关系,创业态度和创业倾向。通过相关文献的分析和梳理,不难发现,创业者对创业倾向产生影响的特点。然而,很少有实证研究表明,企业家的特征直接关系到创业倾向,当企业家或潜在企业家的个人特质视为创业倾向的唯一原因,研究结果将是片面的。本文介绍创业态度作为一个中介变量通过数据收集和统计分析和验证,所以创业特征通过创业态度影响创业倾向。测试结果发现,创业态度可以更好地解释创业特征对创业倾向的影响。总之,本文构造了一个概念模型的研究,如图6。

5。驱动因素的分析基于时间序列分析的创新和创业精神

为了测试本文提出的模型的影响,本文将通过发放调查问卷和收集问卷获得的数据在一个特定的时间限制。问卷调查主要是通过二维代码共享和分布式web链接,覆盖率是扩大通过微信等沟通平台,微博,qq空间。

在获得数据,本文探讨了数据挖掘的影响创新和创业驱动因素分析模型提出了基于时间序列分析。结果如表所示1和图7。

从上面的研究成果、创新和创业驱动因素分析模型基于时间序列分析提出了有一定的效果。在此基础上,评估制度创新和创业决策的影响,如表所示2和图8在下面。

通过实验研究,我们可以看到,创新和创业驱动因素分析模型基于时间序列分析提出了有一定的效果。

6。结论

中国的经济已经进入了一个新常态,中国企业正逐渐从过去的模仿创新到自主创新。在这种背景下,商界的声音提高创新绩效更高,和企业家希望开发更多的探索性创新同时保持利用创新。基于时间序列分析的算法,介绍了资源拼凑的概念的基础上Timmons创业模型及其三个主要元素(机会、资源和团队)。此外,本文认为资源拼凑,非正式创新隐藏在一个企业的日常工作中,能快速响应识别机会通过手头的资源的合理开发和重组。此外,本文构造一个创新与企业家精神驱动因素的分析模型,基于时间序列分析和验证模型在本文中通过案例分析。研究结果表明,本文模型构建有一定的效果。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由河南财经大学。