ترجمه فارسی مقاله کشف پیش‌بینی‌کننده‌های کلیدی شرکت‌های با رشد بالا از طریق یادگیری ماشینی قابل توضیح

چکیده

Predicting high-growth firms has attracted increasing interest from the technological forecasting and machine learning communities. Most existing studies primarily utilize financial data for these predictions. However, research suggests that a firm’s research and development activities and its network position within technological ecosystems may also serve as valuable predictors. To unpack the relative importance of diverse features, this paper analyzes financial and patent data from 5,071 firms, extracting three categories of features: financial features, technological features of granted patents, and network-based features derived from firms’ connections to their primary technologies. By utilizing ensemble learning algorithms, we demonstrate that incorporating financial features with either technological, network-based features, or both, leads to more accurate high-growth firm predictions compared to using financial features alone. To delve deeper into the matter, we evaluate the predictive power of each individual feature within their respective categories using explainable artificial intelligence methods. Among non-financial features, the maximum economic value of a firm’s granted patents and the number of patents related to a firms’ primary technologies stand out for their importance. Furthermore, firm size is positively associated with high-growth probability up to a certain threshold size, after which the association plateaus. Conversely, the maximum economic value of a firm’s granted patents is positively linked to high-growth probability only after a threshold value is exceeded. These findings elucidate the complex predictive role of various features in forecasting high-growth firms and could inform technological resource allocation as well as investment decisions.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی بنگاههای با رشد بالا ، علاقه فزاینده ای از پیش بینی فن آوری و جوامع یادگیری ماشین را به خود جلب کرده است.بیشتر مطالعات موجود در درجه اول از داده های مالی برای این پیش بینی ها استفاده می کنند.با این حال ، تحقیقات نشان می دهد که فعالیت های تحقیق و توسعه یک شرکت و موقعیت شبکه آن در اکوسیستم های فناوری نیز ممکن است به عنوان پیش بینی کننده ارزشمند باشد.برای باز کردن اهمیت نسبی ویژگی های متنوع ، این مقاله داده های مالی و ثبت اختراع را از 5،071 شرکت ، استخراج سه دسته از ویژگی ها: ویژگی های مالی ، ویژگی های فن آوری ثبت اختراعات اعطا شده و ویژگی های مبتنی بر شبکه حاصل از اتصالات بنگاه ها به فن آوری های اصلی آنها تجزیه و تحلیل می کند.با استفاده از الگوریتم های یادگیری گروه ، ما نشان می دهیم که ترکیب ویژگی های مالی با ویژگی های تکنولوژیکی ، مبتنی بر شبکه یا هر دو ، منجر به پیش بینی های دقیق تر شرکت در مقایسه با استفاده از ویژگی های مالی به تنهایی می شود.برای بررسی عمیق تر موضوع ، ما با استفاده از روشهای هوش مصنوعی قابل توضیح ، قدرت پیش بینی کننده هر یک از ویژگی های فردی را در دسته های مربوطه ارزیابی می کنیم.در میان ویژگی های غیر مالی ، حداکثر ارزش اقتصادی ثبت اختراعات اعطا شده یک شرکت و تعداد ثبت اختراعات مربوط به فن آوری های اصلی بنگاه ها از اهمیت آنها برخوردار است.علاوه بر این ، اندازه شرکت با احتمال رشد بالا تا اندازه آستانه خاصی همراه است ، پس از آن فلات انجمن.برعکس ، حداکثر ارزش اقتصادی ثبت اختراعات اعطا شده یک شرکت با احتمال رشد بالا تنها پس از فراتر رفتن از یک آستانه ، با احتمال رشد بالا مرتبط است.این یافته ها نقش پیش بینی پیچیده ویژگی های مختلف را در پیش بینی بنگاه های با رشد بالا روشن می کند و می تواند تخصیص منابع فناوری و همچنین تصمیمات سرمایه گذاری را آگاه کند.