مشخصات مقاله:
عنوان فارسی مقاله:
عنوان انگلیسی مقاله:
کلمات کلیدی مقاله:
مناسب برای رشته های دانشگاهی زیر:
مدیریت
مناسب برای گرایش های دانشگاهی زیر:
مدیریت کسب و کار، سیستم اطلاعاتی پیشرفت
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. روش شناسی
2.1 طراحی سیستم شاخص ارزیابی
2.2 پیش پردازش داده ها
2.3 طبقه بندی RF
3. نتیجه گیری
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
Currently, there is not yet a mature evaluation index system of intellectual capital among enterprises. The lack of such a system hinders the smooth transform of capital to enterprise value. Therefore, this paper attempts to set up an effective and objective evaluation index system for intellectual capital. First, the data on intellectual capital were collected from some enterprises from the Growth Enterprise Market (GEM). Next, the original data were preprocessed into 1770 effective pieces of data. On this basis, 13 indices were selected from three dimensions (e.g. human capital, structural capital, and relationship capital) of intellectual capital, forming an evaluation index system. After that, the evaluation index system was verified with two machine learning (ML) algorithms, namely, random forest (RF), and support vector machine (SVM). The results show that our evaluation index system can optimize the intellectual capital classification of enterprises, avoiding the subjective defects in qualitative evaluation. The research results shed important new light on the decision-making and scientific management of enterprises.
چکیده
در حال حاضر هنوز یک سیستم شاخص ارزیابی کامل سرمایه فکری در میان شرکت ها وجود ندارد. فقدان چنین سیستمی مانع از تبدیل ملایم سرمایه به ارزش شرکت می شود. بنابراین، این مقاله تلاش می کند تا یک سیستم شاخص ارزیابی موثر و عینی برای سرمایه فکری ایجاد کند. اولا داده های مربوط به سرمایه فکری برخی شرکت ها، از بازار سرمایه گذاری رشد (GEM) جمع آوری شد. سپس داده های اصلی در ۱۷۷۰ بخش موثر داده پیش پردازش شدند. بر این اساس، ۱۳ شاخص از سه بعد سرمایه فکری (به عنوان مثال سرمایه انسانی، سرمایه ساختاری و سرمایه ارتباطی) انتخاب شدند و یک سیستم شاخص ارزیابی را تشکیل دادند. پس از آن، سیستم شاخص ارزیابی با دو الگوریتم یادگیری ماشینی (ML)، یعنی روش جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) تایید شد. نتایج نشان می دهد که سیستم شاخص ارزیابی ما می تواند طبقه بندی سرمایه فکری شرکت ها را بهینه کند و از نقص های ذهنی در ارزیابی کیفی جلوگیری نماید. نتایج این تحقیق شفافیت جدیدی را در تصمیم گیری و مدیریت علمی شرکت ها ایجاد می کند.