**مدیریت بازاریابی** فرآیندی است که به وسیله آن، سازمان‌ها برای ایجاد، **ارتباط**، **ارائه** و **تبادل** پیشنهادات ارزشمند برای مشتریان، با هدف برآوردن نیازها و خواسته‌های آنها، برنامه‌ریزی، اجرا و کنترل می‌کنند.
این فرآیند شامل فعالیتهای مختلفی مانند **تحقیقات بازار**، **تعیین بازار هدف**، **توسعه محصول**، **قیمت‌گذاری**، **توزیع**، **ارتباطات بازاریابی** و **فروش** می‌شود.
3.2 روش ها
ما از مدل رگرسیون چندگانه مبنای ذیل برای ارزیابی اثر روابط بانکی بر عملکرد شرکت های جدید استفاده می نماییم:
در این رابطه، CAR(0, T)، بازگشت انباشته[1] غیرعادی از روز فهرست سازی تا T شرکت عرضه اولیه سهام i[2]ام است. بازده های سهام پس از عرضه سهام اولیه را نشان می دهد. برای نیرومندی، یک سال، دو سال و سه سال را به صورت T برای اکثریت تحلیلها و مکمل بعدی آنها را با 60-20 روز عملکرد پس از عرضه سهام اولیه بررسی می کنیم. به طور ویژه، بازده غیر عادی[3] (AR) در پس از عرضه سهام اولیه را حساب می کنیم، یعنی روز فهرست سازی عرضه سهام اولیه ، 0 است. پیرو فن و همکارانش (2007)، AR، به صورت باقیمانده از یک مدل بازار محاسبه می شود:
ب. مورد 2: زمان های طبیعی (مانند مثال 1)
ب.1. فرض و نتیجه تعادل
در بخش 3.الف، ما کسب و کار را پس از یک دوره رونق و از این رو پس از نقدینگی بالا مطالعه کردیم. در این زیر بخش، ما کسب و کار را در زمان های عادی تر مطالعه می کنیم. ما نشان می دهیم که تحت شرایط خاص، وام دهنده با محدود کردن پرداخت بدهی وعده داده شده، به بیشترین سطح مطابق با مشوق های افزایش تعهد بالا، بیشترین سود را افزایش می دهد. ما فرضیات پارامتری زیر را جایگزین فرضیات 1(الف) و 1(ب) می کنیم.
(4) حالت G، ادامه رونق: تعهد برای بازپرداخت مهم نیست (بدون احتساب قیمت بالقوه)
فرض 1(الف) تضمین می کند که BE,G1(y) = min{wE,G1 + yC2, C2} = C2. در این حالت، نقدینگی کسب و کار به اندازه کافی زیاد است که کارشناسان با توانایی بالا می توانند قیمت کامل دارایی را بپردازند، حتی اگر مدیر متعهد، تعهدپذیری کم را انتخاب کرده باشد. بنابراین، هیچ کم هزینه ای بالقوه وجود ندارد و بالا بردن تعهد باعث تغییر در پرداخت های قابل اجرا نمی شود، حتی اگر منجر به هزینه ε شود. پرداخت های خارجی از طریق قیمت بالای فروش مجدد دارایی انجام می شود و تعهدپذیری بالایی نیز مورد نیاز کسی نیست و نه مورد نظر است. هیچ انگیزه ای برای افزایش تعهد نمی تواند از این حالت ناشی شود - جمعیت نقدینگی از تعهدپذیری.
ما برای آزمایش فرضیه های خود از داده های سه موج نسخه پرتغالی بررسی نوآوری جامعه اروپا (CIS) استفاده می کنیم. CIS به طور گسترده ای در تحقیقات مدیریت نوآوری مورد استفاده قرار گرفته (به عنوان مثال ، لارسن وسالتر، ۲۰۰۶؛ دفریا د صفکا، ۲۰۱۰؛ گریمپه وکیصر، ۲۰۱۰؛ دفریا و همکاران.، ۲۰۱۰؛ کلینگبیل و رامر، ۲۰۱۳؛ صفکا و همکاران.، ۲۰۱۸) و تحت اصول کتابچه راهنمای Oslo تهیه شده است (OECD و یوروستات ، 2005). هر موج از داده ها شامل اطلاعات مربوط به فعالیت های نوآوری تحت چشم انداز 3 ساله است. بنابراین اطلاعات مربوط به فعالیت های نوآوری را برای سه دوره متوالی 2006-2008 ، 2008-2010 و 2010-2012 حفظ می کنیم. اگرچه CIS از آنچه مربوط به فعالیتهای نوآوری است بسیار غنی است ، اما فاقد اطلاعات لازم برای استفاده از رویکرد کار است. برای غلبه بر این چالش ، ما CIS را با اطلاعات مربوط به مجموعه داده های کارفرما و کارمند Quadros de Pessoa (QP) که توسط وزارت کار پرتغال در دهه 1980 ایجاد شد تکمیل می کنیم. استفاده از QP بسیار مهم است زیرا اطلاعاتی را در مورد مشاغل کارمندان همه شرکتها ارائه می دهد و ما برای انجام امور مربوط به کار از آن استفاده می کنیم. ما اطلاعات سالانه را برای کل دوره تحت پوشش سه موج (2006-2012) CIS در اختیار داریم. شماره شناسایی شرکت به ما امکان می دهد تا با دو نظرسنجی که اطلاعات مفصلی درباره فعالیت های نوآوری شرکت ها ، عملکرد نوآوری ، سازمان داخلی و پرسنل ارائه می دهند ، مطابقت داشته باشیم. همچنین ، این نظرسنجی امکان انجام اقدامات دقیق تر در خصوص دستیابی به امکانات آموزشی ، تعداد کارمندان شرکت ها ، سن شرکت ها و سهم سازمان ها از سرمایه خارجی را فراهم می کند. پس از تطبیق دو پایگاه داده و بدون از دست دادن هر گونه مشاهداتی از CIS ، ما یافته های گریمپل و کیسر (2010) را با محدود کردن جامعه آماری مورد نظر در شرکتهایی که نوآوری های محصول (و خدمات) را ارائه می دهند دنبال می کنیم.
ما بینش اولیه ای در مورد داده ها با استفاده از رویکرد جاگذاری مجاور تصادفی توزیع شده t (tSNE) (ماتن و هینتون، 2008) برای کاهش بعدیت و تجسم داده ها به دست آوردیم. این امر اجازه می دهد که داده ها در قالب یک نقشه دوبعدی، تجسم شوند. در این باره، مشخص شد که tSNE بهبود تجسم ها را نسبت به سایر روش ها در مورد نقشه های دوبعدی فراهم می کند (ماتن و هینتون، 2008) و به طور موفقیت آمیزی در قلمروهای مختلف مورد استفاده قرار گرفت (آکسای و همکاران، 2018؛ کیم و چو، 2018). tSNE، یک بسط جاگذاری مجاور تصادفی است (هینتون و رووایس، 2002) که اساساً مسافت های با بعد بالا را بین نقاط داده ها در فضای اقلیدسی برای احتمالات شرطی که نشان دهنده تشابهات هستند، تبدیل می کند. هدف tSNE، یافتن یک نمایندگی داده با بعد پایین است که عدم تطابق را بین احتمالات شرطی نقاط داده ها در فضای با بعد بالا و فضای داده با بعد پایین را به حداقل برساند. tSNE، این را از طریق کمینه کردن یک واگرایی کولبک-لایبلر مجزا بین توزیع احتمال پیوسته در فضای با بعد بالا و فضای با بعد پایین به دست می آورد. تابع هزینه tSNE با استفاده از بهبود فرآیند نزولی گرادیان، بهینه سازی می کند که در آن، پیشرفت در افزودن 12 جریمه اضافی و اصطلاحاً اغراق اولیه تداوم می یابد.
به موازات چهار بازار BRIC ، بازارهای در حال ظهور[1] کشورها یا بازارهایی هستند که از نظر اقتصادی و مالی به خوبی تثبیت نشده اند اما در این راستا پیشرفت می کنند. MNC های نوظهور از چنین بازارهای نوظهور سرچشمه می گیرند و با استفاده از خلاقیت برای مقابله با مشکلات سنتی موجود برای این اقتصادها توانسته اند که نتایج بسیار مؤثری را بدست آورند. حتی امروزه ، گرچه مفاهیم BRIC و بازارهای نوظهور به جریان اصلی[2] تبدیل شده اند اما بیشتر تحقیقات و بحث ها در مورد شرکت های موجود در بازارهای در حال ظهور مربوط به گسترش ورودی از طریق MNC های کشور پیشرفته به اقتصادهای نوظهور است. با این حال ، رتبه بندی Fortune 500 نشانگر ظهور MNC های در حال ظهور در بازار در حال ظهور است ، افزایشی که در واقع فراتر از نرخ رشد MNC های کشور توسعه یافته است.
عامل تعیین کننده مفهومی اصلی سنتی قیمت سهام یک شرکت، FV است (مثلاً فاما و فرنچ، 1988؛ لی، مایرز و اسوامیناتان، 1999؛ لی، 2001). بیشتر اقتصاددانان مالی با این موضوع موافقند که FV سهام، ارزش کنونی سود سهام آینده یا سود سهام نهایی برای سهامداران مشترک بر مبنای اطلاعات در دسترس است (لی و همکاران، 1999ص. 1693). در این راستا، بسیاری از مطالعات حسابداری و مالی فرض می کنند که قیمت، برابر با FV یا یکسان کننده FV است (مثلاً دچو، هاتن و اسلوان، 1999؛ فلتهام و اولسون، 1999؛ ژانگ، 2000)، که با کراندار کردن عقلانیت سرمایه داران و محدوده های داوری، کند می شود (فرانکل و لی، 1998؛ لی و همکاران، 1999؛ لی، 2001؛ کوثری، 2001). بنابراین، هرچند تخمین های سرمایه گذاران در مورد FV، احتمالاً بر مبنای توصیف آنها از اطلاعات در دسترس، با هم متفاوت هستند، ولی یک بیان ساده شده سنتی از سرمایه گذاران قیمت، به دنبال پرداخت سهام مشترک یک شرکت هستند که عبارت است از:
در اینجا ما این فاکتور عامل مشترک را برای تقسیم بندی بنگاه های نمونه خود به گروه بندی های قوی و ضعیف BLRC اعمال می کنیم. BLRC قوی اگر مقدار ضریب عاملی آن بالاتر از مقدار میانه باشد ، مقدار "1" را اختصاص می دهد. اگر نمره ضریب عامل کمتر از میانه باشد ، BLRC ضعیف در نظر گرفته می شود و به ارزش آن برابر صفر اختصاص می یابد. این فرایند گروه بندی مبتنی بر اسما و گیلامون-ساورین (2011) است و نمونه را براساس قدرت ویژگی های ساختاری BLRC موجودیت مشخص می کند. انتخاب خصوصیات BLRC مربوط به اثربخشی ERM موجود در نمره فاکتور PCA به شرح زیر است.
یک کسب و کار را با سه تاریخ (0، 1 و 2) و دو دوره زمانی بین این تاریخ ها در نظر بگیرید، به طوری که تاریخ t، نشان دهنده پایان دوره زمانی t است. یک دوره زمانی، فازی از چرخه مالی است (برای مثال، بوریو (2014) را نگاه کنید) که طی چند سال ادامه دارد. در آغاز هر دوره زمانی، حالت کسب و کار شناسایی می شود. کسب و کار می تواند در حالت مطلوب G با احتمال q، رونق یابد یا می تواند در حالت نامطلوب B با احتمال q – 1 دچار رکود شود. در دوره زمانی 2، فرض می کنیم که کسب و کار به حالت G برای اطمینان، باز می گردد، بدین معنا که نشان دهنده حالت جریان بلندمدت آن کسب و کار است (ما نوسانات اقتصادی و نه مکاشفه ای را مدلسازی می کنیم). شکل 1، حالات احتمالی ماهیت را نشان می دهد.
