پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,147 |
| تعداد مقالات | 76,903 |
| تعداد مشاهده مقاله | 154,914,817 |
| تعداد دریافت فایل اصل مقاله | 116,891,260 |
مدل کارکردی اکوسیستم کارآفرینی مبتنی بر پذیرش هوش مصنوعی: از زیرساخت فناورانه تا شبکهسازی و حمایت نهادی | ||
| فصلنامه علمی پژوهشی توسعه کارآفرینی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 15 اردیبهشت 1405 | ||
| نوع مقاله: مقالات پژوهشی آمیخته | ||
| شناسه دیجیتال (DOI): 10.22059/jed.2026.405119.654600 | ||
| نویسندگان | ||
| ولی اله علی محمدی1؛ صادق عابدی* 2؛ محمدرضا ثنایی3 | ||
| 1دانشجوی دکتری، گروه کارآفرینی، واحد قزوین،دانشگاه آزاد اسلامی ، قزوین ، ایران | ||
| 2گروه مدیریت صنعتی، واحد قزوین،دانشگاه آزاد اسلامی ، قزوین ، ایران | ||
| 3گروه مدیریت فناوری اطلاعات، واحد قزوین،دانشگاه آزاد اسلامی ، قزوین ، ایران | ||
| چکیده | ||
| هدف: تحولات پرشتاب فناوری در دهههای اخیر، بهویژه در حوزه هوش مصنوعی (AI)، موجب تغییرات بنیادین در ساختار، کارکرد و پویایی اکوسیستمهای کارآفرینی شده است. فناوریهای هوشمند نهتنها مدلهای تصمیمگیری، فرایندهای خلق ارزش و الگوهای نوآوری را متحول کردهاند، بلکه تعاملات میان بازیگران اصلی اکوسیستم—از جمله دولت، دانشگاه، صنعت، استارتاپها، نهادهای سیاستگذار و مراکز توانمندسازی—را نیز بازتعریف نمودهاند. با وجود گسترش کاربردهای AI در صنایع مختلف، همچنان درک جامعی از نحوه اثرگذاری این فناوری بر کارکردهای اکوسیستم کارآفرینی و نیز سازوکارهای چندوجهی مؤثر بر پذیرش آن وجود ندارد. بسیاری از پژوهشهای پیشین تنها بر جنبههای فناورانه یا سازمانی تمرکز داشتهاند و ابعاد کلیدی همچون زیرساختهای دیجیتال، سازوکارهای فرهنگی و اجتماعی، سیاستگذاری نهادی، تعاملات بینسطوحی و شبکههای حمایتی را نادیده گرفتهاند. از اینرو، پژوهش حاضر با هدف طراحی یک مدل کارکردی جامع از اکوسیستم کارآفرینی مبتنی بر پذیرش هوش مصنوعی انجام شده است؛ مدلی که بتواند از طریق شناسایی، تبیین و سطحبندی مؤلفههای کلیدی، تصویری یکپارچه و چندبعدی از فرآیند پذیرش AI در بسترهای کارآفرینی دیجیتال ارائه دهد. این پژوهش در پی آن است که شکاف موجود در ادبیات را که ناشی از فقدان یک رویکرد سیستمی و کارکردی نسبت به ابعاد زیرساختی، فرهنگی، سیاستی، نهادی و شبکهای پذیرش AI است، برطرف سازد و راهنمایی علمی و عملی برای مدیران، سیاستگذاران و کارآفرینان فراهم آورد. روش: این پژوهش از نظر هدف، کاربردی و از نظر ماهیت، توصیفی–تحلیلی با رویکرد کیفی است. به منظور شناسایی دقیق ابعاد کارکردی اکوسیستم کارآفرینی مبتنی بر پذیرش AI، دادهها از طریق مصاحبههای نیمهساختاریافته با ۱۵ نفر از خبرگان حوزههای مدیریت، نوآوری، فناوریهای دیجیتال، کارآفرینی، سیاستگذاری و توسعه فناوری در ایران گردآوری شد. نمونهگیری به روش هدفمند و گلولهبرفی انجام گرفت تا افرادی انتخاب شوند که تجربه عملی و شناخت عمیقی نسبت به اکوسیستمهای فناورانه و کارآفرینی داشته باشند. مصاحبهها پس از ضبط، با دقت بالا پیادهسازی شده و با بهرهگیری از نرمافزار MAXQDA کدگذاری شدند. تحلیل دادهها بر اساس روش تحلیل مضمون در سه مرحلهی کدگذاری باز، محوری و انتخابی صورت گرفت. به منظور افزایش دقت و اعتبار نتایج، مجموعهای از آزمونهای روایی و پایایی مورد استفاده قرار گرفت؛ از جمله ضریب کاپای کوهن (0.78) برای سنجش توافق بینکدگذاران، آلفای کرپندورف (0.74) که برازش مناسب ساختار مضامین را تأیید میکنند. برای تقویت غنای مفهومی تحلیل، بیش از ۵۰ مقاله داخلی و خارجی نیز مرور و در فرایند مقایسه نظری در نظر گرفته شد. تمامی مراحل گردآوری دادهها با رعایت اصول اخلاق پژوهش انجام شد و مشارکتکنندگان رضایت آگاهانه ارائه دادند. یافتهها: تحلیل دادههای کیفی منجر به استخراج ۲۷۰ کد اولیه گردید که پس از پالایش و ادغام، به ۴۱ شاخص مفهومی، ۱۴ مضمون فرعی و در نهایت ۵ مقوله محوری تقلیل یافت. این مقولههای محوری شامل: - زیرساخت فناورانه (ظرفیت زیرساختی دیجیتال، زیرساخت داده، پردازش ابری، دسترسی به پلتفرمهای دیجیتال)، -پذیرش فناورانه (آمادگی فرهنگی برای AI، مدیریت دانش فناورانه، یادگیری فناورانه و تحلیل شکست)، - نوآوری فناورانه (رهبری فناورانه، ارزشآفرینی دادهمحور، مقیاسپذیری مدل کسبوکار، شخصیسازی و توسعه بازار دیجیتال)، - سیاستگذاری و حمایت نهادی (سیاستهای تسهیلگر، استانداردهای اخلاقی، مقررات، تعامل دانشگاه–صنعت–دولت)، -شبکهسازی و حمایت اکوسیستم (شبکههای حمایتی، شتابدهندهها، سرمایهگذاران فرشته، نهادهای تسهیلگر و دسترسی به منابع مالی). یافتهها نشان دادند که پذیرش موفق هوش مصنوعی یک پدیده چندبعدی و سیستمی است که در آن، زیرساختهای دیجیتال و دادهمحور نقش زیربنایی دارند. عواملی همچون آمادگی فرهنگی، نگرش مثبت به AI، توانمندی نیروی انسانی، یادگیری فناورانه، تحلیل شکست، و توسعه مهارتهای دیجیتال برای پذیرش پایدار فناوری ضروریاند. در سطح نهادی، سیاستهای تسهیلگر، استانداردهای اخلاقی شفاف، حکمرانی داده و سازوکارهای نظارتی نقش کلیدی در تسهیل پذیرش و کاهش ریسکها دارند. همچنین مشخص شد که تعاملات چندسطحی و شبکهای میان دولت، دانشگاه، صنعت، استارتاپها و نهادهای نوآور، یکی از مهمترین محرکهای پذیرش و نهادینهسازی AI است. شاخصهایی مانند همکاری بیناکوسیستمی، سرمایهگذاری جسورانه، توسعه بازارهای دیجیتال بینالمللی و حضور فعال شبکههای حمایتی، نقشی اساسی در تابآوری و پایداری اکوسیستمهای کارآفرینی هوشمحور ایفا میکنند. نتیجه: مدل نهایی پژوهش نشان میدهد که پذیرش هوش مصنوعی در اکوسیستمهای کارآفرینی تنها یک اقدام فناورانه یا سازمانی نیست، بلکه پدیدهای یکپارچه است که نیازمند همافزایی میان زیرساختهای دیجیتال، ظرفیتهای انسانی، فرهنگسازی فناورانه، سیاستگذاری اثرگذار و شبکههای حمایتی قدرتمند میباشد. این مدل چارچوبی جامع برای تحلیل و تقویت اکوسیستمهای کارآفرینی هوشمحور ارائه میدهد و میتواند مبنایی برای طراحی راهبردهای توسعه فناوری، برنامههای حمایتی، سیاستهای کلان و اقدامات اجرایی در کشور باشد. علاوه بر آن، یافتهها با غنیسازی مبانی نظری در حوزه مدیریت فناوری و اکوسیستمهای نوآوری، مسیر تحقیقات آینده را برای بررسی دقیقتر تعاملات سیستمی، نقش حکمرانی داده، و مدلسازی پویا در اکوسیستمهای مبتنی بر AI هموار میسازد. | ||
| کلیدواژهها | ||
| اکوسیستم کارآفرینی؛ پذیرش فناوری؛ هوش مصنوعی؛ نوآوری فناورانه؛ سیاستگذاری | ||
| عنوان مقاله [English] | ||
| In recent years, the adoption of artificial intelligence (AI) technologies has emerged as one of the key drivers of transformation within digital entrepreneurial ecosystems. However, existing research has primarily focused on technological or organiz | ||
| نویسندگان [English] | ||
| Valiolah Alimohammadi1؛ Sadegh Abedi2؛ Mohammad Reza Sanaei3 | ||
| 1PhD Student, Entrepreneurship Department, Qazvin Branch, Islamic Azad University, Qazvin | ||
| 2Industrial Management Department, Qazvin Branch, Islamic Azad University, Qazvin | ||
| 3Information Management Department, Qazvin Branch, Islamic Azad University, Qazvin | ||
| چکیده [English] | ||
| Objective: The rapid acceleration of technological advancements in recent decades—particularly in the field of artificial intelligence (AI)—has fundamentally transformed the structure, functioning, and dynamics of entrepreneurial ecosystems. Intelligent technologies have not only reshaped decision-making models, value-creation processes, and innovation patterns, but have also redefined the interactions among key ecosystem actors, including government, universities, industry, startups, policy-making institutions, and support organizations. Despite the widespread integration of AI in various industries, a comprehensive understanding of how this technology influences the functional components of entrepreneurial ecosystems—and the multi-dimensional mechanisms that shape its adoption—remains limited. Previous studies have predominantly focused on technological or organizational dimensions while overlooking critical aspects such as digital infrastructure, cultural and social mechanisms, institutional policy-making, multi-level interactions, and ecosystem support networks. Accordingly, the present study aims to develop a comprehensive functional model of the entrepreneurial ecosystem based on AI adoption, one that identifies, explains, and structures the key components to provide an integrated and multi-layered perspective on the process of AI adoption in digital entrepreneurship contexts. This research seeks to address the existing gap in the literature, which largely stems from the absence of a systemic and functional approach to the infrastructural, cultural, policy, institutional, and network dimensions of AI adoption, and offers a scientific and practical guideline for managers, policymakers, and entrepreneurs. Method: This study is applied in purpose and descriptive–analytical in nature, employing a qualitative research approach. To accurately identify the functional dimensions of an entrepreneurial ecosystem based on AI adoption, data were collected through semi-structured interviews with 15 experts in the fields of management, innovation, digital technologies, entrepreneurship, policy-making, and technology development in Iran. Purposive and snowball sampling methods were used to select participants with substantial practical experience and deep familiarity with technology-driven entrepreneurial ecosystems. All interviews were recorded, transcribed verbatim, and coded using MAXQDA software. Data analysis followed the thematic analysis method in three stages: open coding, axial coding, and selective coding. To enhance the accuracy and validity of the findings, several reliability and validity assessments were conducted, including Cohen’s Kappa (0.78) to evaluate inter-coder agreement, Krippendorff’s Alpha (0.74) to assess coding reliability, all of which confirmed the appropriate fit of the thematic structure. To enrich the conceptual analysis, more than 50 domestic and international academic articles were reviewed and incorporated into the theoretical comparison process. All stages of data collection followed research ethics principles, and informed consent was obtained from all participants. Results: The qualitative analysis led to the extraction of 270 initial codes, which were refined and integrated into 41 conceptual indicators, 14 sub-themes, and ultimately 5 core categories. These main categories include: Technological Infrastructure (digital infrastructure capacity, data infrastructure, cloud computing, access to digital platforms), Technological Adoption (cultural readiness for AI, technological knowledge management, technological learning, and analysis of failure), Technological Innovation (technological leadership, data-driven value creation, business model scalability, personalization, and digital market development), Policy-Making and Institutional Support (facilitating policies, ethical standards, regulatory frameworks, and university–industry–government interactions), Ecosystem Networking and Support (support networks, accelerators, angel investors, enabling institutions, and access to financial resources). The findings show that successful AI adoption is a multi-dimensional and systemic phenomenon, in which digital and data infrastructures form the foundational layer. Factors such as cultural readiness, societal attitudes toward AI, human capability, technological learning, analysis of failure, and digital skill development are essential for sustainable adoption. At the institutional level, facilitating policies, transparent ethical standards, data governance mechanisms, and regulatory structures play a vital role in reducing risks and enabling adoption. The results further reveal that multi-level interactions and network-based collaborations among government, universities, industry, startups, and innovation institutions constitute one of the most influential drivers of AI adoption and institutionalization. Indicators such as inter-ecosystem collaboration, venture capital investment, development of international digital markets, and active support networks contribute significantly to the resilience and sustainability of AI-driven entrepreneurial ecosystems. Conclusion: The final model demonstrates that AI adoption within entrepreneurial ecosystems is not merely a technological or organizational decision but rather an integrated phenomenon requiring synergy among digital infrastructures, human capacities, cultural readiness, effective policy-making, and strong ecosystem support networks. The model provides a comprehensive framework for analyzing and strengthening AI-driven entrepreneurial ecosystems and can serve as a foundation for designing technology development strategies, support programs, national policies, and practical action plans. Furthermore, the findings enrich the theoretical foundations of technology management and entrepreneurial ecosystems and pave the way for future research on systemic interactions, data governance, and dynamic modeling within AI-based entrepreneurial systems. | ||
| کلیدواژهها [English] | ||
| Entrepreneurial Ecosystem, Technology Adoption, Artificial Intelligence, Technological Innovation, Policy-Making | ||
|
آمار تعداد مشاهده مقاله: 86 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب