Προβλέποντας ελληνικές επιχειρήσεις υψηλής μεγέθυνσης με τη χρήση του αλγόριθμου τυχαίων δασών
Δεδομένης της σημασίας των Επιχειρήσεων Υψηλής Μεγέθυνσης (EYM), ή high growth firms (HGFs) στην αγγλόφωνη βιβλιογραφία, για την αύξηση της απασχόλησης και των πωλήσεων στις ανεπτυγμένες και αναπτυσσόμενες οικονομίες, η παρούσα μελέτη προσπαθεί να προσδιορίσει τα χαρακτηριστικά που διακρίνουν τις ΕΥ...
| Κύριοι συγγραφείς: | , |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Technical Report |
| Γλώσσα: | Greek |
| Έκδοση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/25309 |
| id |
nemertes-10889-25309 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-253092023-07-04T03:55:22Z Προβλέποντας ελληνικές επιχειρήσεις υψηλής μεγέθυνσης με τη χρήση του αλγόριθμου τυχαίων δασών Predicting greek high growth firms with random forest algorithm Κωστοπούλου, Αλεξάνδρα Δασκάλου, Βικτωρία Kostopoulou, Alexandra Daskalou, Victoria Επιχειρήσεις υψηλής μεγέθυνσης Αλγόριθμος τυχαίων δασών Μεγέθυνση επιχειρήσεων SPILEF High growth firms Random forest algorithm Firm growth Δεδομένης της σημασίας των Επιχειρήσεων Υψηλής Μεγέθυνσης (EYM), ή high growth firms (HGFs) στην αγγλόφωνη βιβλιογραφία, για την αύξηση της απασχόλησης και των πωλήσεων στις ανεπτυγμένες και αναπτυσσόμενες οικονομίες, η παρούσα μελέτη προσπαθεί να προσδιορίσει τα χαρακτηριστικά που διακρίνουν τις ΕΥΜ, ώστε να είναι δυνατή η εκ των προτέρων αναγνώριση και στήριξή τους από τις σχετικές πολιτικές ενίσχυσης των επιχειρήσεων. Η μελέτη αυτή αξιοποιεί ένα μεγάλο σύνολο δεδομένων Ελληνικών επιχειρήσεων με εκτεταμένο αριθμό προγνωστικών μεταβλητών, και, με χρήση της μεθόδου μηχανικής μάθησης των τυχαίων δασών (random forest), προτείνει ένα σύνολο χαρακτηριστικών των επιχειρήσεων και οικονομικών δεικτών τους που μας επιτρέπουν να διακρίνουμε εκ των προτέρων τις ΕΥΜ. Ελληνικό Ίδρυμα Έρευνας & Καινοτομίας (ΕΛ.ΙΔ.Ε.Κ.) - Hellenic Foundation for Research and Innovation (H.F.R.I.) Given the importance of high growth firms for the employment and sales growth in developed and developing economies, this study attempts to identify the characteristics that distinguish HGFs, so that to be able to recognize and support them in advance by the relevant business support policies. This study utilizes a large dataset of Greek firms with an extensive number of explanatory variables, and, by using the random forest machine learning method, proposes a set of firm characteristics and financial indicators that allow us to distinguish a priori HGFs. 2023-07-03T11:33:51Z 2023-07-03T11:33:51Z 2023-06-30 Technical Report https://hdl.handle.net/10889/25309 el Attribution-NonCommercial-NoDerivs 3.0 United States http://creativecommons.org/licenses/by-nc-nd/3.0/us/ application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Επιχειρήσεις υψηλής μεγέθυνσης Αλγόριθμος τυχαίων δασών Μεγέθυνση επιχειρήσεων SPILEF High growth firms Random forest algorithm Firm growth |
| spellingShingle |
Επιχειρήσεις υψηλής μεγέθυνσης Αλγόριθμος τυχαίων δασών Μεγέθυνση επιχειρήσεων SPILEF High growth firms Random forest algorithm Firm growth Κωστοπούλου, Αλεξάνδρα Δασκάλου, Βικτωρία Προβλέποντας ελληνικές επιχειρήσεις υψηλής μεγέθυνσης με τη χρήση του αλγόριθμου τυχαίων δασών |
| description |
Δεδομένης της σημασίας των Επιχειρήσεων Υψηλής Μεγέθυνσης (EYM), ή high growth firms (HGFs) στην αγγλόφωνη βιβλιογραφία, για την αύξηση της απασχόλησης και των πωλήσεων στις ανεπτυγμένες και αναπτυσσόμενες οικονομίες, η παρούσα μελέτη προσπαθεί να προσδιορίσει τα χαρακτηριστικά που διακρίνουν τις ΕΥΜ, ώστε να είναι δυνατή η εκ των προτέρων αναγνώριση και στήριξή τους από τις σχετικές πολιτικές ενίσχυσης των επιχειρήσεων. Η μελέτη αυτή αξιοποιεί ένα μεγάλο σύνολο δεδομένων Ελληνικών επιχειρήσεων με εκτεταμένο αριθμό προγνωστικών μεταβλητών, και, με χρήση της μεθόδου μηχανικής μάθησης των τυχαίων δασών (random forest), προτείνει ένα σύνολο χαρακτηριστικών των επιχειρήσεων και οικονομικών δεικτών τους που μας επιτρέπουν να διακρίνουμε εκ των προτέρων τις ΕΥΜ. |
| author2 |
Kostopoulou, Alexandra |
| author_facet |
Kostopoulou, Alexandra Κωστοπούλου, Αλεξάνδρα Δασκάλου, Βικτωρία |
| format |
Technical Report |
| author |
Κωστοπούλου, Αλεξάνδρα Δασκάλου, Βικτωρία |
| author_sort |
Κωστοπούλου, Αλεξάνδρα |
| title |
Προβλέποντας ελληνικές επιχειρήσεις υψηλής μεγέθυνσης με τη χρήση του αλγόριθμου τυχαίων δασών |
| title_short |
Προβλέποντας ελληνικές επιχειρήσεις υψηλής μεγέθυνσης με τη χρήση του αλγόριθμου τυχαίων δασών |
| title_full |
Προβλέποντας ελληνικές επιχειρήσεις υψηλής μεγέθυνσης με τη χρήση του αλγόριθμου τυχαίων δασών |
| title_fullStr |
Προβλέποντας ελληνικές επιχειρήσεις υψηλής μεγέθυνσης με τη χρήση του αλγόριθμου τυχαίων δασών |
| title_full_unstemmed |
Προβλέποντας ελληνικές επιχειρήσεις υψηλής μεγέθυνσης με τη χρήση του αλγόριθμου τυχαίων δασών |
| title_sort |
προβλέποντας ελληνικές επιχειρήσεις υψηλής μεγέθυνσης με τη χρήση του αλγόριθμου τυχαίων δασών |
| publishDate |
2023 |
| url |
https://hdl.handle.net/10889/25309 |
| work_keys_str_mv |
AT kōstopouloualexandra problepontasellēnikesepicheirēseisypsēlēsmegethynsēsmetēchrēsētoualgorithmoutychaiōndasōn AT daskaloubiktōria problepontasellēnikesepicheirēseisypsēlēsmegethynsēsmetēchrēsētoualgorithmoutychaiōndasōn AT kōstopouloualexandra predictinggreekhighgrowthfirmswithrandomforestalgorithm AT daskaloubiktōria predictinggreekhighgrowthfirmswithrandomforestalgorithm |
| _version_ |
1771297205002436608 |
