فریده جعفری - کارشناسی ارشد مهندسی صنایع، گرایش سیستم های مالی
کامران پاکیزه - استادیار گروه آموزشی مهندسی مالی دانشگاه خوارزمی، ایران

با گسترش روز افزون کسب وکارهای کوچک در اقتصادهای پیشرفته و درحال توسعه، رویکردهای نوینی جهت تامین مالی این کسب وکارها ظهور نموده است که به روش های تامین مالی جایگزین شهرت یافته اند. رویکردهای تامین مالی جایگزین نیاز به تعهدات و ضمانت های سنگین و متعدد برای سرمایه پذیر را که معمولا در رویکردهای تامین مالی سنتی منجر به ایجاد موانعی جهت جذب سرمایه می گردد حذف نموده و تامین مالی را تسهیل نموده است. یکی از این روش های تامین مالی، روش جمع سپاری مالی است. در این روش در یک بستر مبتنی بر اینترنت و با بهره گیری از پلتفرم های مختص این روش، سرمایه های افراد جهت مقاصد مختلف تجاری و یا غیرتجاری جذب می گردد. در فرآیند جمع سپاری، به طور یقین، سرمایه گذاران تمایل دارند تا در پروژه های جمع سپاری ای مشارکت نمایند که با موفقیت سپری می شود (سرمایه ی موردنیاز تامین می گردد) و همچنین سرمایه پذیران به دنبال ارائه ی پروژه ی جمع سپاری خود به نحوی می باشند که احتمال موفقیت پروژه را حداکثر نمایند. در این پژوهش تمرکز بر ارائه ی مدلی مبتنی بر روش های داده کاوی جهت پیش بینی موفقیت پروژه های جمع سپاری مالی است. بدین منظور پس از استخراج ویژگی های موثر بر موفقیت پروژه های جمع سپاری مالی (۱۲ ویژگی) با استفاده از مرور ادبیات، از دو گام اساسی انتخاب ویژگی و طبقه بندی جهت مدل سازی استفاده شده است. در گام انتخاب ویژگی دو روش فیشر و ECFS مورد مقایسه قرارگرفته اند و در گام طبقه بندی سه روش جمعی آدابوست. ام۱، جنگل تصادفی و لاجیت بوست مورد مقایسه قرارگرفته اند. داده های تحقیق جهت بررسی مدل های تحقیق شامل ویژگی های استخراجی از ۷۴۷ پروژه ی جمع سپاری مالی اخذ شده از پلتفرم های جمع سپاری ایرانی است. با اجرای مدل تحقیق، روش انتخاب ویژگی ECFS دقت بالاتری را نسبت به روش فیشر کسب کرده است. همچنین با انجام آزمون های آماری اعتبارسنجی متقابل و با در نظر گرفتن آزمون t تکرارشونده اعتبارسنجی متقابل، الگوریتم آدابوست. ام۱ بالاترین دقت را میان دو الگوریتم دیگر جهت مدل سازی داده های این تحقیق داراست. همچنین الگوریتم لاجیت بوست عملکرد بهتری را نسبت به جنگل تصادفی داشته است. نتایج این تحقیق می تواند به سرمایه گذاران و سرمایه پذیران جمع سپاری مالی جهت تصمیم گیری پیرامون انتخاب پروژه هایی با احتمال موفقیت بالاتر و همچنین ارائه ی بهتر پروژه ها جهت موفقیت در جذب سرمایه کمک نماید.

جمع سپاری مالی، داده کاوی، انتخاب ویژگی، طبقه بندی