سیاست‌گذاری مشارکتی در گذار به مدیریت داده‌محور با تحلیل نظرات ذی‌نفعان پارک علم و فناوری کرمانشاه

گذار به مدیریت داده‌محور در پارک‌های علم و فناوری زمانی موفق است که با پذیرش نهادی و مشارکت ذی‌نفعان همراه باشد. این پژوهش با روش پیمایشی توصیفی، دیدگاه‌های مدیران، شرکت‌های فناور، سرمایه‌گذاران، شتاب‌دهنده‌ها و پژوهشگران پارک علم و فناوری کرمانشاه را درباره اولویت پنج راهبرد کلیدی (زیرساخت داده‌ای، ارتقای سواد داده‌ای، الگوریتم‌های بومی و توضیح‌پذیر، پایلوت‌ها، و چارچوب حقوقی،اخلاقی) سنجیده است. ابزار گردآوری داده پرسشنامه‌ای با 21 پرسش (لیکرت 5 درجه) بود. پایایی درونی با آلفای کرونباخ (α=0.74–0.92) و روایی سازه با (cfa/pls‑sem ave≥0.60، cr≥0.86، htmt<0.85) تایید شد. نتایج (n=123) نشان داد بالاترین اولویت، زیرساخت داده‌ای (میانگین 4.41) و پس از آن سواد داده‌ای (4.13) است؛ کمترین اولویت فعلاً الگوریتم‌های بومی توضیح‌پذیر (3.54) است، هرچند آشنایی بیشتر با هوش مصنوعی، تمایل به این راهبرد را افزایش می‌دهد. در مدل ساختاری، زیرساخت داده‌ای (β=0.29، p=0.002)، سواد داده‌ای (β=0.21، p=0.018) و پایلوت‌ها (β=0.17، p=0.041) اثر مثبت و معناداری بر نیت حمایت از گذار داشتند (r²=0.58). که نشان می دهد مسیر گذار باید مرحله‌ای و به ترتیب ابتدا زیرساخت و آموزش، سپس پایلوت‌ها و تنظیم‌گری و در نهایت الگوریتم‌های بومی توضیح‌پذیر باشد.

participatory policymaking in the transition to data-driven management: an analysis of stakeholders’ perspectives in the kermanshah science and technology

the transition toward data-driven management in science and technology parks can only be successful if it is accompanied by institutional adoption and stakeholder engagement. this study, conducted using a descriptive survey method, examined the perspectives of managers, technology-based firms, investors, accelerators, and researchers in the kermanshah science and technology park regarding the prioritization of five key strategies: data infrastructure, data literacy enhancement, locally explainable algorithms, pilot projects, and legal/ethical framework . data were collected using a 21-item questionnaire on a five-point likert scale. internal consistency was confirmed through cronbach’s alpha (α = 0.74–0.92), and construct validity was established via cfa/pls-sem with ave ≥ 0.60, cr ≥ 0.86, and htmt < 0.85. findings based on n = 123 respondents indicated that the highest priority was assigned to data infrastructure (m = 4.41), followed by data literacy (m = 4.13). the lowest priority was currently assigned to locally explainable algorithms (m = 3.54); however, greater familiarity with artificial intelligence was associated with increased interest in this strategy. in the structural model, data infrastructure (β = 0.29, p = 0.002), data literacy (β = 0.21, p = 0.018), and pilot projects (β = 0.17, p = 0.041) exerted significant positive effects on the intention to support the transition (r² = 0.58). these results suggest that the transition path should be phased, beginning with infrastructure and training, followed by pilot implementation and regulatory frameworks, and ultimately advancing toward locally explainable algorithms.