تاثیر کارآفرینی الگوریتمی و توسعه پایدار چندجانبه: بررسی نقش میانجی قابلیت‌های داده‌محور

نوع مقاله : مقاله پژوهشی - کمی

نویسندگان

گروه کارآفرینی فناورانه، دانشکده کارآفرینی، دانشگاه تهران، تهران، ایران

10.22059/jed.2025.402395.654581

چکیده

هدف: همگرایی دیجیتالی‌سازی و پایداری در حال تغییر شکل کسب‌وکارهای مدرن است و اشکال جدیدی از کارآفرینی مانند کارآفرینی الگوریتمی (AE) را برجسته می‌سازد—یعنی خودکارسازی یا تقویت کارکردهای اصلی کارآفرینانه توسط سیستم‌های هوشمند. در حالی که پتانسیل AE و فناوری‌های دیجیتال مرتبط با آن برای پیشبرد توسعه پایدار به طور گسترده‌ای پذیرفته شده است، سازوکارهای دقیقی که از طریق آن‌ها این فناوری‌ها به نتایج پایدار منجر می‌شوند، از نظر تجربی بررسی‌نشده و از نظر نظری کمتر توسعه‌یافته باقی مانده‌اند. این مطالعه با بررسی رابطه بین AE و توسعه پایدار چندجانبه (MLSD) این شکاف تحقیقاتی مهم را برطرف می‌کند. MLSD به عنوان دستیابی شرکت به ارزش متوازن اقتصادی، اجتماعی و زیست‌محیطی برای ذی‌نفعان متعدد (مانند سهامداران، جامعه، کارکنان) تعریف می‌شود. این پژوهش مدلی را ارائه و آزمون می‌کند که در آن، این رابطه به طور حیاتی توسط کارآفرینی داده‌محور (DDE) میانجی‌گری می‌شود—یعنی عمل استفاده از تحلیل داده به عنوان یک منبع بنیادی برای ایجاد و مدیریت کسب‌وکار. پرسش اصلی تحقیق، این مسیر میانجی را بررسی کرده و فرض می‌کند که AE بر DDE و DDE نیز به نوبه خود بر MLSD تأثیر مثبت دارد.

روش: این مطالعه از یک رویکرد تحقیق کمی و استنتاجی با طرح پیمایش مقطعی برای آزمون مدل مفهومی استفاده کرده است. داده‌ها از ۵۰۰ بنیان‌گذار و مدیر ارشد شرکت‌های کوچک و متوسط مبتنی بر فناوری و استارتاپ‌های فعال در تهران، ایران، که یک قطب کارآفرینی کلیدی در منطقه است، گردآوری شد. شرکت‌کنندگان با استفاده از روش نمونه‌گیری تصادفی طبقه‌بندی‌شده انتخاب شدند تا نمایندگی متناسب در بخش‌های مختلف صنعت و اندازه‌های شرکت تضمین شود. ابزار اندازه‌گیری یک پرسشنامه ساختاریافته با گویه‌هایی بر اساس مقیاس هفت‌درجه‌ای لیکرت بود. سازه‌های کلیدی با استفاده از مقیاس‌های معتبر اقتباس‌شده از ادبیات پیشین اندازه‌گیری شدند: یک مقیاس ۵ گویه‌ای برای AE یک مقیاس ۵ گویه‌ای برای DDE و یک مقیاس ۹ گویه‌ای برای MLSD که به عنوان عملکرد سه‌گانه (TBL) عملیاتی شد یک پروتکل اعتبارسنجی دقیق سه‌مرحله‌ای—شامل پنل متخصصان برای روایی محتوا، فرآیند دقیق ترجمه و ترجمه معکوس، و ارزیابی کامل روان‌سنجی—اعتبار ابزار را تضمین کرد. مدل فرضی با استفاده از مدل‌سازی معادلات ساختاری به روش حداقل مربعات جزئی (PLS-SEM) آزمون شد.

یافته‌ها: مدل اندازه‌گیری پایایی و روایی بسیار خوبی را نشان داد و تمام معیارهای استاندارد تحقیقات کمی را برآورده کرد. سازگاری درونی با مقادیر آلفای کرونباخ و پایایی ترکیبی بالاتر از آستانه ۰.۷۰ برای همه سازه‌ها تأیید شد. روایی همگرا با مقادیر میانگین واریانس استخراج‌شده (AVE) بسیار بالاتر از ۰.۵۰ برقرار بود و روایی واگرا از طریق معیار فورنل-لارکر و نسبت‌های هتروتریت-مونوتریت (HTMT) که همگی زیر آستانه ۰.۸۵ بودند، تأیید شد.تحلیل مدل ساختاری نتایج معناداری را آشکار ساخت و هر چهار فرضیه تأیید شدند. تأثیر مثبت و قوی AE بر DDE مشاهده شد (p<0.001,β=0.600) که H2 را تأیید کرد. DDE نیز به نوبه خود تأثیر مثبت و قوی بر MLSD داشت (p<0.001,β=0.501) که مؤید H3 بود. نکته بسیار مهم، تأیید اثر غیرمستقیم، مثبت و معنادار AE بر MLSD از طریق DDE بود (p<0.001,β=0.301) که فرضیه میانجی‌گری (H4) را تأیید کرد. اثر مستقیم AE بر MLSD نیز معنادار باقی ماند (p<0.001,β=0.199)، که نقش DDE را به عنوان یک میانجی جزئی تثبیت کرد. این مدل توانست ۵۴.۸ درصد از واریانس MLSD را تبیین کند.

نتیجه: این پژوهش نتیجه می‌گیرد که کارآفرینی داده‌محور (DDE) یک میانجی جزئی و حیاتی در رابطه مثبت بین کارآفرینی الگوریتمی (AE) و توسعه پایدار چندجانبه (MLSD) است. یافته اصلی این است که اگرچه AE مزایای پایداری مستقیمی را به همراه دارد، اما پتانسیل کامل آن از طریق تقویت قابلیت‌های داده‌محور که بینش‌های الگوریتمی را به نتایج قابل‌سنجش در سه حوزه اصلی تبدیل می‌کنند، محقق می‌شود. الگوریتم‌ها به عنوان موتورهای تحلیلی عمل می‌کنند، اما DDE چارچوب استراتژیک لازم برای خلق ارزش را فراهم می‌آورد.این تحقیق با معرفی AE و DDE به عنوان قابلیت‌های سازمانی حیاتی و دشوار برای تقلید جهت دستیابی به مزیت رقابتی پایدار در دنیای دیجیتال، به دیدگاه مبتنی بر منابع (RBV) و نظریه قابلیت‌های پویا (DCT) کمک می‌کند. از نظر کاربردی، این یافته‌ها به کارآفرینان توصیه می‌کند که ابزارهای الگوریتمی را با یک فرهنگ داده‌محور قوی به صورت استراتژیک ترکیب کنند تا نوآوری پایدار را هدایت نمایند. برای سیاست‌گذاران، این مطالعه بر لزوم حمایت از اکوسیستم‌های دیجیتال از طریق تأمین مالی و زیرساخت و همچنین تدوین دستورالعمل‌های اخلاقی شفاف برای تضمین پیشرفت فناورانه مسئولانه تأکید می‌کند. محدودیت‌های اصلی شامل نمونه محدود به یک منطقه و طرح مقطعی است که نیاز به تحقیقات آتی در زمینه‌های متنوع و با داده‌های طولی برای اثبات علیت را نشان می‌دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

The Impact of Algorithmic Entrepreneurship and Multilateral Sustainable Development: Examining the Mediating Role of Data-Driven Capabilities

نویسندگان [English]

  • Abolghasem Arabiun
  • Taha Moeini Jazani
Technological Entrepreneurship, Faculty of Entrepreneurship, University of Tehran, Tehran, Iran
چکیده [English]

Objective: The convergence of digitalization and sustainability is reshaping modern business, highlighting new entrepreneurial forms like Algorithmic Entrepreneurship (AE) the automation or augmentation of core entrepreneurial functions by intelligent systems. While the potential of AE and related digital technologies to advance sustainable development is widely acknowledged, the precise mechanisms through which they foster sustainable outcomes remain empirically unexamined and theoretically underexplored. This study addresses this critical gap by investigating the relationship between AE and Multilateral Sustainable Development (MLSD), defined as the firm-level achievement of balanced economic, social, and environmental value for multiple stakeholders (e.g., shareholders, society, employees). It proposes and tests a model where this relationship is critically mediated by Data-Driven Entrepreneurship (DDE) the practice of using data analytics as a foundational resource for creating and managing ventures. The central research question examines this mediating pathway, hypothesizing that AE positively influences DDE, which in turn positively influences MLSD.

Method: This study employed a quantitative, deductive research approach with a cross-sectional survey design to test the hypothesized model. Data was collected from 500 founders and senior managers of technology-based SMEs and startups operating in Tehran, Iran, a key regional entrepreneurial hub. Participants were selected using a stratified random sampling approach to ensure proportional representation across industry sectors and firm sizes. The measurement instrument was a structured questionnaire with all items rated on a seven-point Likert scale. Key constructs were measured using validated scales adapted from prior literature: a 5-item scale for AE, a 5-item scale for DDE, and a 9-item scale for MLSD, which was operationalized as Triple-Bottom-Line (TBL) performance. A rigorous three-stage validation protocol—including an expert content validity panel, a meticulous translation/back-translation procedure, and a full psychometric assessment—ensured the instrument's robustness. The model was tested using Partial Least Squares Structural Equation Modeling (PLS-SEM).

Results: The measurement model demonstrated excellent reliability and validity, meeting all standard criteria for quantitative research. Internal consistency was confirmed with Cronbach’s Alpha and Composite Reliability values exceeding the 0.70 threshold for all constructs. Convergent validity was established with Average Variance Extracted (AVE) values well above 0.50 , and discriminant validity was confirmed via the Fornell-Larcker criterion and Heterotrait-Monotrait (HTMT) ratios, which were all below the 0.85 threshold. The structural model analysis revealed significant findings, and all four hypotheses were supported. A strong positive effect of AE on DDE was found (β=0.600,p<0.001), supporting H2. DDE, in turn, had a strong positive effect on MLSD (β=0.501,p<0.001), supporting H3. Crucially, a significant and positive indirect effect of AE on MLSD through DDE was confirmed (β=0.301,p<0.001), supporting the mediation hypothesis (H4). The direct effect of AE on MLSD also remained significant (β=0.199,p<0.001), establishing DDE's role as a partial mediator. The model successfully explained a substantial 54.8% of the variance in MLSD.

Conclusion: This study concludes that Data-Driven Entrepreneurship (DDE) is a crucial, partial mediator in the positive relationship between Algorithmic Entrepreneurship (AE) and Multilateral Sustainable Development (MLSD). The primary finding is that while AE offers direct sustainability benefits, its full potential is realized by fostering the data capabilities that translate algorithmic insights into measurable triple-bottom-line outcomes. Algorithms act as analytical engines, but DDE provides the strategic framework necessary for value creation. This research contributes to the Resource-Based View (RBV) and Dynamic Capabilities Theory (DCT) by framing AE and DDE as critical, hard-to-imitate organizational capabilities for achieving a sustainable competitive advantage in a digital world. Practically, the findings advise entrepreneurs to strategically pair algorithmic tools with a robust data-centric culture to drive sustainable innovation. For policymakers, it highlights the need to support digital ecosystems through funding and infrastructure while establishing clear ethical guidelines to ensure responsible technological progress. Key limitations include the context-specific sample and cross-sectional design, pointing to future research needs in diverse settings and with longitudinal data to establish causality.

کلیدواژه‌ها [English]

  • Algorithmic Entrepreneurship
  • Data-Driven Entrepreneurship
  • Multilateral Sustainable Development (MLSD)
  • Triple Bottom Line (TBL)
  • PLS-SEM

مراجع

Alvarez, S. A., & Busenitz, L. W. (2001). The entrepreneurship of resource-based theory. Journal of Management, 27(6), 755–775. https://doi.org/10.1177/014920630102700609
Anser, M. K., Shahzad, M. F., & Xu, S. (2024). Exploring the nexuses between international entrepreneurship and sustainable development of organizational goals: mediating role of artificial intelligence technologies. Environment, Development and Sustainability. https://doi.org/10.1007/s10668-024-05580-8
Assembly, G. (2015). Resolution adopted by the General Assembly on 11 September 2015. New York: United Nations, 14.
Avelar, S., Borges-Tiago, T., Almeida, A., & Tiago, F. (2024). Confluence of sustainable entrepreneurship, innovation, and digitalization in SMEs. Journal of Business Research, 170. https://doi.org/10.1016/j.jbusres.2023.114346
Bickley, S. J., Macintyre, A., & Torgler, B. (2025). Artificial Intelligence and Big Data in Sustainable Entrepreneurship. Journal of Economic Surveys, 39(1), 103–145. https://doi.org/10.1111/joes.12611
Bouncken, R. B., & Kraus, S. (2022). Entrepreneurial ecosystems in an interconnected world: emergence, governance and digitalization. Review of Managerial Science, 16(1). https://doi.org/10.1007/s11846-021-00444-1
Chalmers, D., MacKenzie, N. G., & Carter, S. (2021). Artificial Intelligence and Entrepreneurship: Implications for Venture Creation in the Fourth Industrial Revolution. Entrepreneurship Theory and Practice, 45(5), 1028–1053. https://doi.org/10.1177/1042258720934581
Cohen, B., & Winn, M. I. (2007). Market imperfections, opportunity and sustainable entrepreneurship. Journal of Business Venturing, 22(1), 29–49. https://doi.org/10.1016/j.jbusvent.2004.12.001
Commission on Environment, W. (1987). Report of the World Commission on Environment and Development: Our Common Future Towards Sustainable Development 2. Part II. Common Challenges Population and Human Resources 4.
Dahlsrud, A. (2008). How corporate social responsibility is defined: An analysis of 37 definitions. Corporate Social Responsibility and Environmental Management, 15(1), 1–13. https://doi.org/10.1002/csr.132
Dana, L. P., Salamzadeh, A., Hadizadeh, M., Heydari, G., & Shamsoddin, S. (2022). Urban entrepreneurship and sustainable businesses in smart cities: Exploring the role of digital technologies. Sustainable Technology and Entrepreneurship, 1(2). https://doi.org/10.1016/j.stae.2022.100016
Dean, T. J., & McMullen, J. S. (2007). Toward a theory of sustainable entrepreneurship: Reducing environmental degradation through entrepreneurial action. Journal of Business Venturing, 22(1), 50–76. https://doi.org/10.1016/j.jbusvent.2005.09.003
Dubey, R., Gunasekaran, A., Childe, S. J., Bryde, D. J., Giannakis, M., Foropon, C., Roubaud, D., & Hazen, B. T. (2020). Big data analytics and artificial intelligence pathway to operational performance under the effects of entrepreneurial orientation and environmental dynamism: A study of manufacturing organisations. International Journal of Production Economics, 226. https://doi.org/10.1016/j.ijpe.2019.107599
Elkington, John. (1999). Cannibals with forks : the triple bottom line of 21st century business. Capstone.
Filser, M., Kraus, S., Roig-Tierno, N., Kailer, N., & Fischer, U. (2019). Entrepreneurship as catalyst for sustainable development: Opening the black box. Sustainability (Switzerland), 11(16). https://doi.org/10.3390/su11164503
Fornell, C., & Larcker, D. F. (1981). Evaluating Structural Equation Models with Unobservable Variables and Measurement Error. Journal of Marketing Research, 18(1), 39. https://doi.org/10.2307/3151312
Freeman, R. E. E., & McVea, J. (2005). A Stakeholder Approach to Strategic Management. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.263511
George, G., Merrill, R. K., & Schillebeeckx, S. J. D. (2021). Digital Sustainability and Entrepreneurship: How Digital Innovations Are Helping Tackle Climate Change and Sustainable Development. Entrepreneurship Theory and Practice, 45(5), 999–1027. https://doi.org/10.1177/1042258719899425
Gregori, P., & Holzmann, P. (2020). Digital sustainable entrepreneurship: A business model perspective on embedding digital technologies for social and environmental value creation. Journal of Cleaner Production, 272. https://doi.org/10.1016/j.jclepro.2020.122817
Gregori, P., Wdowiak, M. A., Schwarz, E. J., & Holzmann, P. (2019). Exploring value creation in sustainable entrepreneurship: Insights from the institutional logics perspective and the business model lens. Sustainability (Switzerland), 11(9). https://doi.org/10.3390/su11092505
Grimaldi, M., Troisi, O., Papa, A., & de Nuccio, E. (2025). Conceptualizing data-driven entrepreneurship: from knowledge creation to entrepreneurial opportunities and innovation. Journal of Technology Transfer. https://doi.org/10.1007/s10961-024-10176-5
Gu, W., Wang, J., Hua, X., & Liu, Z. (2021). Entrepreneurship and high-quality economic development: based on the triple bottom line of sustainable development. International Entrepreneurship and Management Journal, 17(1). https://doi.org/10.1007/s11365-020-00684-9
Hamaker, E. L., Kuiper, R. M., & Grasman, R. P. P. P. (2015). A critique of the cross-lagged panel model. Psychological Methods, 20(1), 102–116. https://doi.org/10.1037/a0038889
Hamdam, A., Jusoh, R., Yahya, Y., Abdul Jalil, A., & Zainal Abidin, N. H. (2022). Auditor judgment and decision-making in big data environment: a proposed research framework. Accounting Research Journal, 35(1), 55–70. https://doi.org/10.1108/ARJ-04-2020-0078
He, J., Nazari, M., Zhang, Y., & Cai, N. (2020). Opportunity-based entrepreneurship and environmental quality of sustainable development: A resource and institutional perspective. Journal of Cleaner Production, 256. https://doi.org/10.1016/j.jclepro.2020.120390
Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
Holzmann, P., & Gregori, P. (2023). The promise of digital technologies for sustainable entrepreneurship: A systematic literature review and research agenda. In International Journal of Information Management (Vol. 68). Elsevier Ltd. https://doi.org/10.1016/j.ijinfomgt.2022.102593
Huang, Y., Li, P., Bu, Y., & Zhao, G. (2023). What entrepreneurial ecosystem elements promote sustainable entrepreneurship? Journal of Cleaner Production, 422. https://doi.org/10.1016/j.jclepro.2023.138459
Huđek, I., & Hojnik, B. B. (2020). Impact of entrepreneurship activity sustainable development. Problemy Ekorozwoju, 15(2), 175–183. https://doi.org/10.35784/pe.2020.2.17
Hulland, J. (1999). Use of partial least squares (PLS) in strategic management research: A review of four recent studies. Strategic Management Journal, 20(2), 195–204. https://doi.org/10.1002/(sici)1097-0266(199902)20:2<195::aid-smj13>3.0.co;2-7
Jeurissen, R. (2000). John Elkington, Cannibals With Forks: The Triple Bottom Line of 21st Century Business. Journal of Business Ethics, 23(2), 229–231. https://doi.org/10.1023/A:1006129603978
Johnson, M. P., & Schaltegger, S. (2020). Entrepreneurship for Sustainable Development: A Review and Multilevel Causal Mechanism Framework. Entrepreneurship: Theory and Practice, 44(6), 1141–1173. https://doi.org/10.1177/1042258719885368
Khan, S. A. R., Zia-ul-haq, H. M., Umar, M., & Yu, Z. (2021). Digital technology and circular economy practices: An strategy to improve organizational performance. Business Strategy and Development, 4(4), 482–490. https://doi.org/10.1002/bsd2.176
Mumi, A., Ngammoh, N., & Suwanpakdee, A. (2025). The nexus of artificial intelligence and entrepreneurship research: Bibliometric analysis. In Sustainable Futures (Vol. 9). Elsevier Ltd. https://doi.org/10.1016/j.sftr.2025.100688
Nambisan, S. (2017). Digital Entrepreneurship: Toward a Digital Technology Perspective of Entrepreneurship. Entrepreneurship: Theory and Practice, 41(6), 1029–1055. https://doi.org/10.1111/etap.12254
Nambisan, S., Wright, M., & Feldman, M. (2019). The digital transformation of innovation and entrepreneurship: Progress, challenges and key themes. Research Policy, 48(8). https://doi.org/10.1016/j.respol.2019.03.018
Neumann, T. (2022). Impact of green entrepreneurship on sustainable development: An ex-post empirical analysis. Journal of Cleaner Production, 377. https://doi.org/10.1016/j.jclepro.2022.134317
Obschonka, M., & Audretsch, D. B. (2020). Artificial intelligence and big data in entrepreneurship: a new era has begun. Small Business Economics, 55(3), 529–539. https://doi.org/10.1007/s11187-019-00202-4
Rastogi, S., & Pandita, D. (2025). Driving entrepreneurial success: navigating AI-driven transformation through workforce agility and sustainability. Journal of Innovation and Entrepreneurship, 14(1). https://doi.org/10.1186/s13731-025-00554-0
Roundy, P. T. (2022). Artificial intelligence and entrepreneurial ecosystems: understanding the implications of algorithmic decision-making for startup communities. Journal of Ethics in Entrepreneurship and Technology, 2(1), 23–38. https://doi.org/10.1108/jeet-07-2022-0011
Roy, A. (2022). Identifying beneficiaries for sustainable development in low- and middle-income countries. In PLOS Sustainability and Transformation (Vol. 1, Issue 3). Public Library of Science. https://doi.org/10.1371/journal.pstr.0000003
Saura, J. R., Ribeiro-Soriano, D., & Palacios-Marqués, D. (2021). From user-generated data to data-driven innovation: A research agenda to understand user privacy in digital markets. In International Journal of Information Management (Vol. 60). Elsevier Ltd. https://doi.org/10.1016/j.ijinfomgt.2021.102331
Shahid, M. S., Hossain, M., Shahid, S., & Anwar, T. (2023). Frugal innovation as a source of sustainable entrepreneurship to tackle social and environmental challenges. Journal of Cleaner Production, 406. https://doi.org/10.1016/j.jclepro.2023.137050
Shepherd, D. A., & Majchrzak, A. (2022). Machines augmenting entrepreneurs: Opportunities (and threats) at the Nexus of artificial intelligence and entrepreneurship. Journal of Business Venturing, 37(4). https://doi.org/10.1016/j.jbusvent.2022.106227
Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350. https://doi.org/10.1002/smj.640
Visser, W., & Brundtland, G. H. (n.d.). Our Common Future (‘The Brundtland Report’): World Commission on Environment and Development. In The Top 50 Sustainability Books (pp. 52–55). Greenleaf Publishing Limited. https://doi.org/10.9774/GLEAF.978-1-907643-44-6_12
Xianghan, Z., & Zhengwei, L. (2025). Research on the Impact of Algorithmic Management on Employee Work Behavior in Platform Enterprises. Journal of Economics and Management Sciences, 8(2), p99. https://doi.org/10.30560/jems.v8n2p99
Zheng, T., Chai, Z., Zuo, P., & Wang, X. (2024). The Effect of Multilateral Economic Cooperation on Sustainable Natural Resource Development. Sustainability (Switzerland), 16(17). https://doi.org/10.3390/su16177267
فصلنامه علمی پژوهشی توسعه کارآفرینی
دوره 18، شماره 5
بهمن 1404
صفحه 243-266

فایل ها

هم رسانی

ارجاع به این مقاله

آمار