امروزه موفقیت شرکت ها بستگی به توانمندی آنها در واکنش انعطاف پذیر و سریع به تغییرات محیطی دارد، لذا نوآوری برای ایجاد مزیت رقابتی پایدار در آنها ضروری است. هدف از مقاله حاضر بررسی ماهیت رابطه بین ابعاد قابلیت نوآوری و ریسک فرآیند اتکایی صنعت بیمه درکشور می باشد. ابزار جمع آوری داده ها پرسشنامه های استاندارد و جامعه آماری تحقیق از بین کارکنان شرکت های بیمه در سطوح مختلف می باشد. ارزیابی مدل ساختاری با ۵۰۰ نمونه بوت استرپینگ و ۷۸ نمونه با استفاده از نرم افزار SMART PLS ۴ و با روش حداقل مربعات جزئی انجام شد. نتایج نشان می دهد که نوآوری فرآیند و تحلیل داده تاثیر قابل توجهی بر ریسک فرآیند اتکایی شرکت های بیمه دارد. رابطه نوآوری محصول با ریسک فرآیند اتکایی شرکت های بیمه ضعیف برآورد گردید. چالش نوآوری رابطه بین نوآوری فرآیند، محصول و تحلیل داده را با ریسک فرآیند اتکایی در شرکت های بیمه تعدیل می کند. این امر اهمیت بررسی چالش های نوآوری را در رابطه با اجزای نوآوری و ریسک فرآیند اتکایی شرکت های بیمه نشان می دهد. یافته ها حاکی از آن است که شرکت های بیمه برای کاهش ریسک فرآیند بیمه اتکایی، باید اقدام به کاهش چالش های نوآوری کنند. نتایج حاصله شامل پیامدهای نظری مهمی برای مدیران صنعت بیمه کشور که در تلاش برا ی شناسایی عوامل موثر بر ریسک فرآیند اتکایی در شرکت های بیمه در این صنعت اند، می باشد.حداقل مربعات جزئی (Partial Least Squares) یک روش ناپارامتریک است که برای اعتبارسنجی یک مدل با بررسی همزمان نقش متغیرهای پنهان و آشکار استفاده می‌شود. این روش جانشین مناسبی برای مدل معادلات ساختاری می‌باشد. روش حداقل مربعات جزئی به حجم نمونه حساسیت کمتری دارد و نیازی به نرمال بودن داده‌ها ندارد. بنابراین در موارد زیر جانشین مدلسازی معادلات ساختاری می‌شود:

• زمانیکه حجم نمونه کوچک باشد
• زمانیکه داده‌ها نرمال نباشد

دقت کنید اگر داده‌ها نرمال باشد یا نمونه بزرگ باشد هم می‌توان از حداقل مجذورات جزیی استفاده کرد.

نرم‌افزارهای متعددی برای حداقل مجذورات جزئی وجود دارد که مهمترین آنها عبارتند از:

• نرم‌افزار Visual PLS
• نرم‌افزار Smart PLS

یکی از عمده‌ترین دلایل گرایش دانشجویان به استفاده از تکنیک حداقل مربعات جزئی این است که این تکنیک به فرض نرمال بودن جامعه و همچنین حجم نمونه متکی نیست. این در حالی است که برای انجام تکنیک معادلات ساختاری و نرم‌افزار لیزرل به حجم انبوهی از داده‌ها نیاز است. برای حل مسائل حداقل مربعات جزئی یا PLS می‌توانید از نرم‌افزار SmartPLS استفاده کنید. نرم‌افزار smartpls یک نرم‌افزار رایگان است که دریافت آن کمی دردسر دارد ولی در وب سایت پارس‌ مدیر نحوه دانلود آن تشریح شده است.

طراحی مدل حداقل مربعات جزیی

مانند مدل معادلات ساختاری در اینجا نیز باید با دو مفهوم متغیر پنهان و متغیر مشاهده پذیر آشنا باشد. متغیرهای پنهان همان عامل‌های اصلی یا سازه‌ها هستند که در شکل زیر با دایره نمایش داده شده اند. این متغیرها می‌توانند مستقل یا وابسته باشند. متغیرهای مشاهده پذیر همان گویه‌ها یا سوالات پرسشنامه هستند که در شکل زیر با مستطیل نمایش داده شده اند.

مدل درونی و مدل بیرونی

مدل حداقل مجذورات جزئی به دو دو مدل بیرونی و مدل درونی قابل تفکیک است.

بخش بیرونی (اندازه‌گیری): مدل بیرونی یا Outer Model روابط گویه‌ها (سوالات پرسشنامه) با عامل‌ها (متغیرهای پنهان) را نشان می‌دهد و معادل تحلیل عاملی تاییدی یا مدل اندازه‌گیری در نرم‌افزار لیزرل و اموس می‌باشد.

بخش درونی (ساختاری): مدل درونی یا Inner Model مشابه تحلیل مسیر و بخش ساختاری یک مدل معادلات ساختاری است. پس از آزمون مدل بیرونی لازم است تا مدل درونی که نشانگر ارتباط بین متغیرهای پنهان است، ارایه شود. با استفاده از مدل درونی می‌توان به بررسی فرضیه‌های پژوهش مدل پرداخت.