2021 рік

Permanent URI for this community

https://ir.kneu.edu.ua/handle/2010/37241

Browse

Browsing 2021 рік by Author "Lihonenko, Larysa"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Лог-лінійний аналіз предикторів інвестиційного успіху стартапів в Україні
    (ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2021) Піскунова, Олена Валеріївна; Piskunova, Olena; Пискунова, Елена Валерьевна; Лігоненко, Лариса Олександрівна; Lihonenko, Larysa; Лигоненко, Лариса Александровна; Клочко, Р. С.; Klochko, R.; Білик, Тетяна Олександрівна; Bilyk, Tetiana; Билык, Татьяна Александровна
    Прогнозування успіху стартапів завжди було проблемою як для практиків, так і для дослідників. За останні роки зроблено багато спроб спрогнозувати інвестиційний успіх стартапів, тобто успіх в отриманні венчурного фінансування чи залученні інвесторів, а також визначити ключові фактори його досягнення. Переважна більшість досліджень заснована на методах машинного навчання. Проблема більшості цих методів полягає в тому, що вони сильно залежать від кількості спостережень. Чим більше їх, тим краще алгоритми здатні передбачити успіх. Інша складність полягає в тому, що під час реалізації алгоритмів машинного навчання часто неможливо чітко зрозуміти внесок кожного з факторів моделі в кінцевий результат. Завдяки компаніям, які збирають дані про інші фірми, стало можливим створювати та тестувати моделі прогнозування на реальних прикладах. Лог-лінійний аналіз дозволяє стиснути інформацію, що міститься в таблиці сполучень, у стислому вигляді з відносно невеликою кількістю параметрів. Крім того, лог-лінійна модель піддається змістовній інтерпретації результатів. У дослідженні використано двовимірні та тривимірні таблиці сполучень для моделювання успіху стартапу. Аналізуючи результати впровадження методу з двовимірними таблицями сполучень, ми дійшли висновку, що тенденція до швидшого отримання фінансування існує для стартапів, які мають деякі особливості: досвід фінансування; бізнес-орієнтація стартапу; доступність сайту та присутність у соціальних мережах. Найважливішим провісником успіху є попередній досвід отримання інвестицій. У цьому випадку шанс отримати фінансування відноситься до шансу не отримати фінансування, наприклад 4,45 до 1. Найкращий вплив на успіх стартап-проекту, під час реалізації тривимірних таблиць спряження, показали бізнес-орієнтація стартапу, наявність сайту, а також соціальні мережі, реклама, маркетинг або роздрібна торгівля як сфери їх діяльності, за умови, що всі мають досвід фінансування. Слід зазначити, що ефекти взаємодії факторів, виявлених на основі двовимірних таблиць спряження, дещо відрізняються від ефектів, виявлених на основі тривимірних таблиць. Це стосується фактора «доступності патенту», ефект взаємодії якого зі швидкістю фінансування був значним у двовимірному випадку, але в тривимірному вже не був істотним. Це стосується також взаємодії факторів «сфера діяльності — ІТ та телекомунікації» та «отримання фінансування», дія яких у тривимірному випадку на відміну від двовимірного є суттєвим. Причина відмінностей полягає в тому, що двовимірні таблиці частот не дозволяють врахувати вплив інших факторів. On average, according to global statistics, 9 out of 10 startups fail. The failure of a startup can be caused by several reasons, including poor management, imperfect business model, etc. But one of the main ones is the lack of funds for development due to the inability to obtain the necessary funding to attract a venture investor. Accordingly, one of the possible manifestations of the startup’s success is investment success, by which we mean the fact of receiving funding from investors. Predicting the success of startups has always been a challenge for both practitioners and researchers. In recent years, many attempts have been made to predict the investment success of startups, ie success in obtaining venture financing or attracting investors, as well as to identify key factors in its achievement. The vast majority of research is based on machine learning methods. The problem with most of these methods is that they are highly dependent on the number of observations. The more of them, the better the algorithms are able to predict success. Another difficulty is that during the implementation of machine learning algorithms, it is often impossible to clearly understand the contribution of each of the model factors to the end result. Thanks to companies that collect data on other firms, it has become possible to create and test forecasting models based on real examples. This work is aimed at creating mathematical models that allow us to understand what factors influence the success and failure of the Ukrainian startup. The study used log-linear analysis, ie statistical analysis of conjugation tables using loglinear models. Log-linear analysis allows you to compress the information contained in the conjugation table in a concise form with a relatively small number of parameters. In addition, the log-linear model is subjected to a meaningful interpretation of the results. The study used two-dimensional and three-dimensional conjugation tables to model the success of a startup. Analyzing the results of the implementation of the method with two-dimensional conjugation tables, we came to the conclusion that the tendency to get funding sooner exists for startups, which have some of the features: experience of financing; business orientation of the startup; availability of the site and presence in social networks. The most important predictor of success is previous experience in obtaining investments. In this case, the chance of getting funding refers to the chance of not getting funding like 4.45 to 1. The best influence on the success of a startup project, during the implementation of three-dimensional conjugation tables, showed the business orientation of the startup, the presence of a site, and social networks, advertising, marketing, or retail as their areas of activities, provided that all have experience in financing. It should be noted that the effects of the interaction of factors detected on the basis of two-dimensional conjugation tables are somewhat different from the effects detected on the basis of three-dimensional tables. This applies to the factor of “patent availability”, the effect of the interaction of which with the rate of funding was significant in the two-dimensional case, but in the three-dimensional was no longer significant. This also applies to the interaction of factors “sphere of activity — IT and telecommunications” and “obtaining funding”, the effect of which in the threedimensional case in contrast to the two-dimensional is significant. The reason for the differences is that two-dimensional frequency tables do not allow to take into account the effects of other factors.