طراحی مدل نقشه شناختی فازی عوامل مؤثر بر عملکرد طرح‌های‌ توسعۀ خوشه کسب‌ و کار ایران

الموضوعات :

محمد دهقان بنادکی ¹ (دانشجوی دکتری گروه مدیریت صنعتی، دانشکده اقتصاد، مدیریت و حسابداری ،دانشگاه یزد، ایران)
سید حیدر میرفخرالدینی ² (استاد گروه مدیریت صنعتی،دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، ایران)
سید حبیب الله میرغفوری ³ (دانشیار گروه مدیریت صنعتی،دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، ایران)
سید محمود زنجیرچی ⁴ (دانشیار گروه مدیریت صنعتی،دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، ایران)

تاريخ الإرسال : 29 السبت , محرم, 1444 تاريخ التأكيد : 16 السبت , جمادى الأولى, 1444 تاريخ الإصدار : 09 الجمعة , جمادى الثانية, 1445

الکلمات المفتاحية: تأمین مالی, نقشه شناختی فازی, تحلیل تم, خوشه کسب‌وکار, افزایش اقدامات مشترک,

ملخص المقالة :

مدل توسعۀ خوشه‌های کسب‌و‌کار، شیوه نوینی است که در دو دهه اخیر به منظور توسعه و توانمندسازی بنگاه‌های کوچک و متوسط به‌کار گرفته شده است. بسیاری از کشورها اعم از توسعه ‌یافته و در حال توسعه از این مدل توسعه‌ای برای دستیابی به اهداف توسعۀ منطقه‌ای و ارتقای سطح کیفی و کمی کسب ‌و‌ کارهای مزیت‌دار خود که در یک منطقه جغرافیایی مستقر می‌باشند بهره گرفته‌اند. در این پژوهش به بررسی عوامل مؤثر بر عملکرد طرح‌های‌ توسعۀ خوشه کسب‌ و کار در ایران با استفاده از تکنیک تحلیل تم و تکنیک نقشۀ شناختی فازی پرداخته شده است. روش گردآوری اطلاعات به صورت مصاحبه و پرسشنامه و دورۀ زمانی پژوهش از سال ۱۳۹۷ تا سال ۱۴۰۰ و در گسترۀ کشور ایران تمامی استان‌هایی که طرح‌های توسعۀ خوشه کسب‌ و کار در آنها اجرا گردیده می باشد. بر اساس مدل نقشه شناختی فازی به‌دست آمده، مهمترین عامل اثرگذار بر عملکرد طرح‌های توسعۀ خوشه کسب‌ و‌ کار، تأمین مالی طرح‌ها و مهمترین عامل اثرپذیر، افزایش اقدامات مشترک می‌باشد. در انتها نیز، بر اساس شناسایی مهمترین عوامل اثرگذار و اثرپذیر، سناریو‌های رو به عقب و رو به جلوی مرتبط با عملکرد طرح‌های‌ توسعۀ خوشه کسب‌ و کار مورد بررسی قرار گرفت.

المصادر:

Broersma, L. (2001). The role of services in innovative clusters. Paper within the framework of the Research Programme Structural Information; Provision on Innovation in Services (SIID) for the Ministry of Economic Affairs, Directorate for General Technology Policy.

Chen, M.K., Wu, S.W., Huang, Y.P., Chang, F.J. (2022). The Key Success Factors for the Operation of SME Cluster Business Ecosystem. Sustainability, 14, 1-14.doi:10.3390/su14148236.

Ceglie, G., Dini, M. (1999). Sme Cluster and Network Development in Developing Countries: The Experience of UNIDO. Vienna: (IPC/PSD) of UNIDO, 1-28.

Ghalayini, A. M., & Noble, J. S. (1996). The changing basis of performance measurement. International Journal of Operations & Production Management, 16(8), 63-80. doi:10.1108/01443579610125787.

Jetter, A., Zhang, P. (2018). A Framework for Building Integrative Scenarios of Autonomous Vehicle Technology Application and Impacts, using Fuzzy Cognitive Maps (FCM) Portland International Conference on Management of Engineering and Technology (PICMET), 2018, pp. 1-14. doi:10.23919/ PICMET.2018.8481747.

Kosko, B. (1986). Fuzzy cognitive maps. International journal of man-machine studies, 24(1), 65-75. doi:10.1016/S0020-7373(86)80040-2.

Lindqvist, G., Ketels, C., & Sölvell, Ö. (2013). The Cluster Initiative Greenbook 2.0: Ivory Tower Publishers, 1-89.

Maffioli A., Pietrobelli C., & Stucchi R., (2016). The Impact Evaluation of Cluster Development Programs: Methods and Practices, Washington, D.C.: Inter-American Development Bank, 1-203.

Marešová, P., Jašíková, V., & Trousil, M. (2011). Method for evaluating the performance of clusters in the Czech Republic. In Proceedings of the International Conference on Urban Sustainability, Cultural Sustainability, Green Development, Green Structures and Clean Cars, USCUDAR, Prague, Czech Republic, pp. 30-35.  

Markusen, A. (1996). Sticky Places in Slippery Space: A Typology of Industrial Districts. Economic Geography, 72(3), 293-313. doi:10.2307/144402.

Murali, B., & Banerjee, S. (2011). Fostering Responsible Behaviour in MSMEs Clusters. https://fmc.org.in/wp-content.

Skokan, K., & Zotyková, L. (2015). Evaluation of Business Cluster Performance During its Lifecycle. Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis, 62(6), 1395-1405. doi:10.11118/ actaun201462061395.

Soleymani, G., Azizmohammadlou, H., & Vahdat, S. (2015). Identified Business Clusters in Iran. Tehran. Aein-e-Mahmoud Publication, 1-316.  (In Persian).

Sölvell, Ö. (2003). Clusters: Balancing Evolutionary and Constructive Forces: Ivory Tower, 1-137.

Sölvell, Ö., Lindquist, G., & Ketels, C. (2008). The Cluster Initiative Greenbook. Ivory Tower AB: Stockholm, 1-89.

Talebpoor, A.R., Ahmadi. S. (2009). Intelligent evaluation of fuzzy recognition map. Journal of Business Management, 8(30), 9-28.

Yoon, S., Nadvi, K. (2018). Industrial clusters and industrial ecology: Building “eco- collective efficiency in a South Korean cluster. Geoforum, No. 90, pp. 159-173. doi:10.1016/j.geoforum.2018.01.013.

Braun, V., Clarke, V. & Weate, P. (2016). Using thematic analysis in sport and exercise research. In B. Smith & A. C. Sparkes (Eds.), Routledge handbook of qualitative research in sport and exercise (pp. 191-205).

Arthurs, D., Cassidy, E., Davis, C., & Wolfe, D. (2009). Indicators to support innovation cluster policy. Int. J. Technology Management Int. J. Technology Management, 464, 263-279. doi:10.1504/IJTM.2009.023376.

Cesar Ribeiro Carpinetti, L., Cardoza Galdámez, E. and Cecilio Gerolamo, M. (2008), "A measurement system for managing performance of industrial clusters: A conceptual model and research cases", International Journal of Productivity and Performance Management, Vol.57 No.5, pp.405-419. doi:10.1108/17410400810881854.

Glullani. A., & Pletrobelli, C. (2016). Social Network Analysis Methodologies for the Evaluation of Cluster Development Programs. Inter-American Development Bank, 1-43.

Klofsten, M., Bienkowska, D., Laur, I., & Sölvell, I. (2015). Success factors in cluster initiative management: Mapping out the ‘big five’. Industry and Higher Education, 29(1), 65-77. doi:10.5367/ihe.2015.0237.