امروزه شرکت های کوچک و متوسط سهم زیادی در فعالیت های صنعتی کشورهای مختلف جهان دارند. بیشتر این شرکت ها در حال حاضر با مشکلات زیاد ساختاری، قانونی، فن آوری، مالی و ... مواجه بوده و قادر به تولید محصولات قابل رقابت در بازارهای جهانی نیستند. به نظر می رسد تجارت الکترونیکی می تواند یکی از راهکارهای ارتقاء موقعیت و جایگاه این شرکت ها برای رقابت در بازارهای جهانی باشد. هدف پژوهش تحلیل عوامل موثّر بر پذیرش تجارت الکترونیکی توسط شرکتهای کوچک و متوسط است. در این راستا عوامل «فواید درک شده»، «سهولت درک شده»، «اعتماد»، «هنجار ذهنی»، «کنترل رفتاری درک شده»، «نگرش»، «ریسک درک شده» و «قصد استفاده » مورد بررسی قرار گرفته است. این پژوهش از نوع توصیفی- پیمایشی است. جامعه آماری مدیران شرکت های کوچک و متوسط شهر اصفهان و تعداد نمونه آماری برابر 140 بوده است. روش گردآوری مباحث نظری آن کتابخانه ای بوده و داده های آن از پرسشنامه محقق ساخته به دست آمده است. در این پژوهش از معادلات ساختاری(تحلیل عاملی تأئیدی و تحلیل مسیر) برای تجزیه تحلیل داده ها و آزمون فرضیه ها استفاده شده است. نتایج حاصل از پژوهش صورت گرفته حاکی از آن است که اولاً مدل به کار گرفته شده مدل نظری قوی برای پیش بینی پذیرش تجارت الکترونیکی بوده است و ثانیاً همه روابط بین متغیرهای مدل تأئید شدند. نتایج حاصل از این پژوهش می تواند مورد استفاده دفتر توسعه تجارت الکترونیک و به ویژه مدیران شرکت های کوچک و متوسط واقع شود.

چکیده داده کاوی به فرایند استخراج الگوهای پنهان و یا ویژگی های جالب و مفید از مجموعه داده ها گفته می شود که با استفاده از آن می توان به تصمیم گیری و پیش بینی رفتار آینده پرداخت. خوشه بندی در داده کاوی یکی از عملیات مهم در نتیجه گیری داده-کاوی بر روی داده ها به حساب می آید. خوشه بندی افراز بندی یک گروه متنوع به تعدادی زیر گروه مشابه یا گروه بندی مجموعه-ای از اشیاء به کلاسی از اشیاء مشابه می باشد، در هر خوشه باید داده هایی شبیه به هم قرار گیرند و کمترین شباهت را با داده-های موجود در دیگر خوشه ها دارا باشند. الگوریتم k-means یکی از روش های خوشه بندی است. در این الگوریتم ابتدا باید یک نقطه ی مرکزی برای هر خوشه انتخاب شود. یعنی در مرحله نخست باید k داده انتخاب شود که هر کدام معرف مرکز ابتدایی یک خوشه می باشند. سپس هر کدام از داده های باقیمانده در خوشه ای قرار داده می شود که بیشترین شباهت را به اعضائ آن داشته باشد. در ادامه، برای هر خوشه ی ایجاد شده بوسیله میانگین گیری از داده های آن خوشه، مرکز جدیدی بدست آورده و موقعیت هر داده برای خوشه های جدید محاسبه می گردد. این مرحله تا رسیدن به خوشه های قابل قبول ادامه می یابد. با مشخص کردن داده های مناسب برای مرکزهای اولیه خوشه ها می توان سرعت رسیدن به جواب نهایی را افزایش داد. برای یافتن مرکزهای اولیه بهینه بهتر است داده هایی انتخاب شوند که دارای تعداد همسایگی زیادی باشند. در روش پیشنهادی این پژوهش، برای یافتن داده های مناسب برای مراکز از بخش بندی (تقسیم) مجموعه داده ها استفاده شده است. در این روش مجموعه داده ها به تعداد خوشه مورد نیاز بخش بندی می شود. سپس میانگین هر کدام از این بخش های جدید به عنوان مراکز اولیه خوشه ها استفاده می شود. روش پیشنهادی باعث افزایش سرعت و دقت الگوریتم k-means می گردد. کلیدواژه ها: داده کاوی - خوشه بندی - مرکز خوشه ها – الگوریتم k-means