New firm gestation: an empirical analysis of entrepreneurial behavior, start-up activities and the use of machine learning methods to predict the gestation outcome

Scholars agree on the central roles that start-up activities and cognition play with regard to the successful launch of a business. Despite their importance, key questions about how behavioral differences between nascent entrepreneurs impact the outcomes of their ventures remain unanswered. This dissertation attempts to answer some of these fundamental questions by providing empirical evidence of the role that cognition plays in the gestation process and by evaluating machine learning algorithms to predict a venture’s outcome at an early stage.
While cognitive and motivational aspects driving start-up activities remain relatively underdeveloped in the current literature, the first paper addresses part of this shortcoming by showing how self-regulation influences the relationship between nascent entrepreneurial exploitation activities, firm birth and firm abandonment. This paper provides evidence of an increase in persistence as well as an increase in the likelihood of achieving firm birth due to a regulatory fit between exploitation activities and a promotion orientation.
Next to the conducted start-up activities, the impact of innovation and imitation on a firm’s emergence and survival remains theoretically and empirically inconclusive. The second paper seeks to shed some light on the impact of the rather under-researched imitative business ideas on the likelihood of a firm’s emergence. By drawing on social identity theory, this paper further delineates how founder identity types impact the likelihood of imitating and innovating. The investigations conducted confirm that imitation can be beneficial in an early stage and that certain identity types (i.e., Missionaries) are rather prone to innovate.
Finally, this research seeks to predict the likelihood of entrepreneurial success. While few attempts have been made to provide an early stage venture outcome prediction model, the third paper set forth to apply and evaluate a diverse set of machine learning algorithms as well as artificial neural networks to predict the likelihood of firm birth and firm abandonment. The analyses reveal that neural networks can provide a comparable performance in predicting the venture outcome, while especially the XGBoost algorithm provides good performance metrics in predicting the likelihood of a firms’ birth.
In sum, the three papers offer valuable contributions to the extant entrepreneurship literature with respect to the impact of cognition on different venture outcomes. By using different machine learning techniques in predicting the venture outcome, this dissertation provides practitioners with a decision support system to optimize corresponding resource allocation.

Obwohl in der Forschung Einigkeit über die Wesentlichkeit von Gründungsaktivitäten herrscht, bleiben zentrale Fragen bezüglich des Einflusses unterschiedlicher Verhaltenskognitionen und dem erfolgreichen Gründungsvorhaben ungelöst. Diese Dissertation untersucht den Einfluss einiger solcher Verhaltenskognitionen innerhalb des Gründungsprozesses und versucht mittels Methoden maschinellen Lernens den Ausgang von Gründungsvorhaben vorherzusagen.
In der aktuellen Literatur finden sich noch eine Vielzahl an Unzulänglichkeiten, was den Einfluss kognitiver sowie motivationaler Aspekte auf Gründeraktivitäten betrifft. Der erste Beitrag betrachtet, wie anhand der Regulationsfokustheorie die Beziehung zwischen Aktivitäten der Implementierungsphase und dem erfolgreichen sowie erfolgslosen Gründungsvorhaben beeinflusst wird. Der Beitrag legt nahe, dass der Promotionsfokus die Persistenz sowie den Prozess erfolgreicher Unternehmensgründungen positiv beeinflusst.
Der Einfluss von Innovation und Imitation auf die erfolgreiche Entstehung eines Unternehmens ist sowohl theoretisch als auch empirisch unschlüssig. Der zweite Beitrag beleuchtet die Auswirkungen der weniger erforschten imitativen Unternehmenstypen auf erfolgreiche Gründungsvorhaben. Anhand der Theorie der sozialen Identität wird ausserdem der Einfluss verschiedener Gründeridentitäten auf ein nachahmendes und innovatives Verhalten untersucht. Die Untersuchungen zeigen, dass Imitation in einem frühen Stadium von Vorteil sein kann und dass bestimmte Identitätstypen eher zu Innovationen als zu Imitation neigen.
Schließlich ist die Forschung daran interessiert, erfolgreiche Gründungsvorhaben vorherzusagen. Während nur wenige Versuche unternommen wurden, um in einem frühen Stadium der Unternehmungsgründung Vorhersagemodelle bereitzustellen, wurden im dritten Artikel unterschiedliche Methoden des maschinellen Lernens sowie künstliche neuronale Netze angewandt, um die Wahrscheinlichkeit erfolgreicher sowie erfolgloser Gründungsvorhaben vorherzusagen. Die Resultate zeigen, dass nebst künstlicher neuronaler Netze insbesondere der XGBoost Algorithmus zur Vorhersage erfolgreicher Gründungsvorhaben geeignet erscheint.
Insgesamt leistet diese Dissertation einen wesentlichen theoretischen Beitrag zum Verständnis des Einflusses kognitiver Verhaltensmuster innerhalb des Gründungsvorhabens. Durch die Verwendung verschiedener Techniken des maschinellen Lernens bei der Vorhersage des Gründungsvorhabens bietet diese Dissertation Praktikern ein Entscheidungshilfesystem zur Optimierung der entsprechenden Ressourcenallokation.