توانایی مدیریت و پیامدهای آن بر ارزش آفرینی شرکت ها با به کارگیری شبکه های عصبی (رویکرد مقایسه ای در صنایع شیمیایی و مواد غذایی)
الموضوعات :
اکبر ولیزاده اوغانی
1
(دانشجوی دکتری، گروه مدیریت صنعتی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایرانن)
ناصر فقهی فرهمند
2
(دانشیار گروه مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران (نویسنده مسئول)
farahmand@iaut.ac.ir)
فرزین مدرس خیابانی
3
(استادیار گروه ریاضی کاربردی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران)
الکلمات المفتاحية: تحلیل پوششی داده ها, ارزش آفرینی, توانایی مدیریت, شبکه های عصبی,
ملخص المقالة :
هدف این تحقیق بررسی پیامدهای توانایی مدیریت شرکت ها بر ارزش آفرینی در صنایع شیمیایی و مواد غذایی در دوره زمانی 1390-1394 با بکارگیری شبکه های عصبی مصنوعی است. ابتدا با اجرای مدل DEA با یک الگوی بومی شده، کارایی نسبی برای هر شرکت مشخص شده و با برآورد یک مدل رگرسیونی، شاخص توانایی مدیریت هر شرکت نیز تعیین شده است. سپس ارزش آفرینی شرکت ها از متوسط حاصل عواملی مانند بازده صاحبان سهام، نسبت Q توبین، بازده سرمایه گذاری ها و خلق ثروت برای سهامداران اندازه گیری شد. مدل شبکه عصبی بکار گرفته شده در این تحقیق، پرسپترون چندلایه ای با الگوی آموزش پس انتشار خطا بوده است. برای ارزیابی کارایی نسبی از نرم افزار بهینه سازی GAMS، جهت سنجش شاخص توانایی مدیریت از E-Views و برای آموزش و ارزیابی مدل شبکه عصبی از نرم افزار MATLAB بهره گرفته شده است. نتایج نشان می دهد که مدل شبکه عصبی مصنوعی در صنعت مواد غذایی بهتر از صنعت شیمیایی، ارزش آفرینی شرکت ها را از روی شاخص توانایی مدیریت و دیگر متغیرهای ورودی برآورد می کند. از دیگر نتایج تحقیق اینکه، امتیاز توانایی مدیریت در هر دو صنعت برابر بوده اما متوسط امتیاز ارزش آفرینی شرکت ها در صنعت مواد غذایی بیشتر از صنعت شیمیایی بوده است.
_||_
توانایی مدیریت و پیامدهای آن بر ارزشآفرینی شرکتها با بهکارگیری شبکههای عصبی
(رویکرد مقایسهای در صنایع شیمیایی و مواد غذایی)
چکیده
هدف این تحقیق بررسی پیامدهای توانایی مدیریت شرکتها بر ارزشآفرینی در صنایع شیمیایی و مواد غذایی در دوره زمانی 1390-1394 با بکارگیری شبکههای عصبی مصنوعی است. ابتدا با اجرای مدل DEA با یک الگوی بومی شده، کارایی نسبی برای هر شرکت مشخص شده و با برآورد یک مدل رگرسیونی، شاخص توانایی مدیریت هر شرکت نیز تعیین شده است. سپس ارزشآفرینی شرکتها از متوسط حاصل عواملی مانند بازده صاحبان سهام، نسبت Q توبین، بازده سرمایهگذاریها و خلق ثروت برای سهامداران اندازهگیری شد. مدل شبکه عصبی بکار گرفته شده در این تحقیق، پرسپترون چندلایهای با الگوی آموزش پس انتشار خطا بوده است. برای ارزیابی کارایی نسبی از نرم افزار بهینهسازی GAMS، جهت سنجش شاخص توانایی مدیریت از E-Views و برای آموزش و ارزیابی مدل شبکه عصبی از نرمافزار MATLAB بهره گرفته شده است. نتایج نشان میدهد که مدل شبکه عصبی مصنوعی در صنعت مواد غذایی بهتر از صنعت شیمیایی، ارزشآفرینی شرکتها را از روی شاخص توانایی مدیریت و دیگر متغیرهای ورودی برآورد میکند. از دیگر نتایج تحقیق اینکه، امتیاز توانایی مدیریت در هر دو صنعت برابر بوده اما متوسط امتیاز ارزشآفرینی شرکتها در صنعت مواد غذایی بیشتر از صنعت شیمیایی بوده است.
کلمات کلیدی: شبکههای عصبی، تحلیل پوششی دادهها، توانایی مدیریت، ارزشآفرینی
1. مقدمه
ارزشآفرینی شرکتها و عوامل موثر بر آن، از مباحث مهم و با اهمیتی است كه امروزه در ادبیات مالی مورد توجه تحلیلگران و فعالان بازار سرمایه قرار گرفته است. به نظر میرسد که توانایی مدیریت و شاخصهای تشکیل دهنده آن از مهمترین عوامل تعیین کننده ارزشآفرینی شرکتها باشند. یکی از راههای توسعه اقتصادی جوامع، افزایش بهرهوری در نهادهای اقتصادی و تولیدی است که موجب ارتقای سطح رفاه زندگی یک ملت میشود (افشارکاظمی و همکاران، 1385). از این نگاه که توجه به شاخص توانایی مدیریت تا حدودی مرتبط با ویژگیهای مدیریتی بخصوص در سطح کلان و هرم بالایی مدیریت بوده و جزء مهارتهای مفهومی آنها است. توانایی مدیریت به کیفیت کنترلهای داخلی مرتبط میشود و یکی از مهمترین دستاوردهای آن نیز کمک به افزایش سود سهامداران میباشد. از طرف دیگر حاكميت شركتي شامل فرآيندهايي براي هدايت فعالیتهاي شركت به منظور ارزشآفريني براي سهامداران است و به عنوان فلسفه ساز و كاري در راستاي پشتيباني از ذي نفعان درون و برون سازماني محسوب میشود (بروکمن و تیسل، 2009). به عقیده جنسن و مورفي اغلب متخصصين مالي و اقتصادي بر اين باورند كه طرحهاي پاداش و سهيم كردن مديران در مالكيت شركت داراي منافع اقتصادي است و باعث افزايش ثروت و ارزش سهامداران ميشود ولي نظريههاي متناقضي هم توسط پژوهشگران ارايه شده و باورشان بر اين است كه چنين طرحهايي باعث منتفع شدن مديران با هزينه كرد سهامداران ميشود (بروکمن1 و همکاران، 2010). محققان در طول سالها ابعاد مختلف خلق ارزش را در شرکتها از طرق مختلف ارزیابی و عوامل تاثیرگذار بر آنرا نیز شناسایی کردهاند با این وجود به نظر میرسد که فاکتور مهارت و توانایی مدیریت در این خصوص یا حذف شده و یا کمتر به آن پرداخته شده است که دلیل آن نامشهود بودن و مشکل بودن نحوه اندازهگیری آن است (ماتمیلولا2 و همکاران، 2013). در سالهای اخیر، تمرین مدیریت ریسک مالی که از توان مدیریتی سازمانها نشات میگیرد جهت ایجاد ارزش در شرکتها، توجه دانشگاهها و بازار سرمایه را به خود جلب کرده است و امروزه استفاده از این ابزارها در بازار و اقتصاد جهانی رو به رشد است (دوس سانتوس3 و همکاران، 2017).
در این تحقیق به دنبال آن هستیم تا ابتدا، شاخص توانایی مدیریت را با بسط و بومیسازی مدل دمرجیان و همکارانش (2012) در صنعت مواد غذایی و صنعت شیمیایی اندازهگیری نماییم. برای این منظور از تکنیک 4DEA مبتنی بر برنامهریزی خطی (مومنی، 1393) بهره بردهایم. در ادامه، شاخصهای خلق ارزش شرکتها با استفاده از معیارهای داخلی و بازار مورد سنجش قرار گرفت. سپس شاخص ارزشآفرینی شرکتها توسط ترکیبی از متغیر توانایی مدیریت و متغیرهای کنترلی مثل اندازه شرکت، سهم بازار، عمر پذیرش و بازده داراییها برآورد شده است. برای این کار از مدلهای سنتی رگرسیون خطی و همچنین از شبکههای عصبی پرسپترون چندلایهای استفاده کرده و میان این دو روش مقایسه تطبیقی انجام دادهایم. بنابراين مهمترین مسالهای که در اين مطالعه مطرح شده، اینست که؛ چگونه میتوان با بکارگیری مدلهای شبکه عصبی مصنوعی، اقدام به برآورد و تبیین ارزش آفرینی شرکتها با استفاده از شاخص توانایی مدیریت نمود؟
2- مروری بر مبانی نظری و پیشینه تحقیق
2-1) شبکههای عصبی5 (NN) و کاربردهای آن: شبکه عصبی یک تکنیک پردازش اطلاعات براساس مدلهای ریاضی و مبتنی بر سیستمهای عصبی بیولوژیکی مانند مغز انسان و پردازش اطلاعات است. نخستین کاربرد شبکههای عصبی توسط روزنبلات6 در سال 1958 با معرفی شبکه پرسپترون مطرح شد. شبکه عصبی مصنوعی جزء سیستمهای دینامیکی هوشمند مدل-آزاد7 قلمداد میشوند که با پردازش روی دادههای تجربی قانون نهفته در ورای دادهها را به ساختار شبکه منتقل میکند (احمدپور و میزائی، 1392).
مفهوم بنیادی شبکههای عصبی، ساختار سیستم پردازش اطلاعات است که از تعداد زیادی واحد پردازشی به نام نرون (Neuron)، واحد، سلول و یا گره (Node) مرتبط با شبکه تشکیل شدهاند. سلول عصبی بیولوژیکی یا نرون، واحد سازنده سیستم عصبی در انسان است. شبکههای عصبی مصنوعی تعمیمیافته مدلهای ریاضی تشخیص انسان بر اساس زیستشناسی عصبی هستند (فاست، 1388).
شکل 1. ساختار یک سلول عصبی را نشان میدهد که در آن بخشهای اصلی یک نرون به وضوح نمایان است. بدنه سلول8 انرژی لازم را برای فعالیت نرون فراهم میکند که با یک عمل ساده جمع و مقایسه با یک سطح آستانه مدل میگردد. هسته9، هر سلول عصبی دارای یک هسته است که در جسم سلولی قرار دارد. دندریت10، وظیفه انتقال اطلاعات از سلولهای دیگر به سلول عصبی را به عهده دارد. وظیفه آکسون11، انتقال سیگنالهای الکتروشیمیایی از هسته سلول به نرونهای عصبی دیگر است. محل تلاقی یک اکسون از یک سلول به دندیریتهای سلول دیگر را سیناپس12 گویند.
بر اساس مطالعات محققین، شبکههای عصبی کاربردهای زیادی در مباحثی همچون؛ مدلسازی غیرخطی در صنایع شیمیایی و مسائل کنترل پروازی، مواد پلیمری، سیکل‌های ترمودینامیکی، مجراهای عبور سیال دارد. کاربرد شبکههای عصبی در بازار بورس، پیشبینی نرخ ارز، برآورد قیمت کالاهای مختلف از جمله نفت خام و طلا (وونگ و همکاران، 2000)، حجم معاملات آتیها، نوسانات بازارهای سهام، ریسک سیستماتیک سهام، میزان سفارش قطعات، مصرف بنزین، میزان مسافران هوایی، سهم بازار شرکتها، صنعت بانکداری، ارزیابی سیستمهای امور بیمهای، سیستمهای انبارداری و امور حمل و نقل (منهاج، 1389) و انتخاب سبد سرمايه ريسكي (راعی، 1385) میباشد. همچنین از دیگر کاربردهای شبکه عصبی میتوان به صنایع هتلداری (لاو، 1998)، ارزیابی داراییها (لنک و همکاران، 1997) و پیشبینی تورم (آیکن، 1999) اشاره کرد.
2-2) توانایی مدیریت: به عنوان قدرت مدیران بالای سازمان تلقی میشود. توانایی مدیریت دارای دو بخش میباشد، یکی نمره یا امتیاز مدیریتی13 که از محاسبه میزان کارایی شرکت بدست میآید و دیگری جبران خسارت14 (اقدامات اصلاحی) مدیریتی که شامل سطوح سهگانه مدیریت در سازمانها است (هان لی، 2015). توانایی مدیریت به معنی قدرت تغییر، افزایش کارایی و اثربخشی، در نهایت بهرهوری و سودآوری سازمانهاست. دمرجيان و همكاران (2013) توانايي مديريت را به عنوان كارايي مديران نسبت به رقبا در تبديل منابع شركت به درآمد تعريف ميكنند (حاجب و همکاران، 1394). توانایی مدیریت به کیفیت کنترل داخلی مرتبط میشود و یکی از مهمترین دستاوردهای آن نیز کمک به افزایش سود سهامداران میباشد (هان لی، 2015). هزینههای سرمایهای یکی دیگر از شاخصهایی است که بر توانایی مدیریت شرکتها تاثیر میگذارد که ما در این تحقیق از آن به عنوان یکی از شاخصهای سنجش کارایی شرکتها استفاده کردهایم. مدیریت سود واقعی به عنوان عملکرد ویژگیهای خاص شرکت بشمار میرود. نتیجه تحقیقات نشان میدهد که مدیران با توانایی بالا در مدیریت سود، کمتر شرکت میکنند (هانگ و سان، 2017). فی و هادولک (2003) بازده سهام در دورههای گذشته را مورد توجه قرار دادند تا از این طریق توانایی مدیریت را مطرح نمایند. راج گوپال و همکاران (2006) نیز توانایی مدیریت را از منظر مستندات مالی درباره بازده تعدیل شده دارائیهای شرکت اندازهگیری کردند. کوشافر و همکاران (1396) برای سنجش توانایی مدیریت از روش ضریب ارزش افزوده فکری تیم مدیریتی استفاده کردند که مدیریت با منابع در اختیار خود سعی در ایجاد ارزش افزوده میکند. این محققان کارایی مدیریت را با استفاده از DEA محاسبه کرده و با نتایج مدل دمرجیان و همکاران مقایسه کردند که علاوه بر خروجی درآمد، از خروجی سرمایه فکری نیز در مدل توانایی مدیریت استفاده کردند. از این رو به کارگیری تکنیک DEA در محاسبات امتیاز توانایی مدیریت در مقایسه با متغیرهایی مانند بازده سهام و اندازه شرکت کارآمد و مناسبتر است.
2- 3) ارزشآفرینی15 شرکتها: خلق ارزش شركت، فرايند استفاده از منابع داخلي و خارجي در جهت افزايش ارزش شركت و ثروت سرمايهگذاران است. ارزش شركتها، تحت تاثير اندازه آنها قرار دارد، بدين معني كه شركتهاي بزرگتر به واسطه داشتن سرمايه و منابع بيشتر، داراي ارزش بازار بيشتري هستند (رحمانی و همکاران، 1391). بنابراين، براي اندازهگيري ارزش آفريني شركتها كه داراي ارزشهاي بازار متفاوتي نسبت به يکديگر هستند بايد از روشي استفاده كرد كه تحت تاثير اندازه شركت قرار نگيرد (عزیزی و همکاران، 1390). در این تحقیق شاخصهایی همچون؛ بازده حقوق صاحبان سهام، نسبت Q توبین16، بازده وجوه سرمایهگذاری شده و ارزش افزوده سهامداران به منظور تعیین ارزش آفرینی شرکتها در نظر گرفته شده است (رهنمای رودپشتی و همکاران، 1393).
2- 4) صنایع شیمیایی و مواد غذایی: در مطالعه حاضر منظور از صنایع مواد غذایی و صنایع مواد شیمیایی، شرکتهایی از این زیرمجموعه را شامل میشود که قبل از سال 1390 در سازمان بورس و اوراق بهادار تهران پذیرفته شده و سهام آنها بطور مرتب مورد معامله قرار گرفتهاند و طبق مقررات سازمان بورس، بطور مداوم گزارشات و صورتهای مالی خود را منتشر کردهاند.
2- 5) تحلیل پوششی دادهها: از نظر چارنز و همکاران (1978)، DEA یک روش برنامهریزي ریاضی براي ارزیابی واحدهاي تصمیم گیرنده (DMU) است. به عبارتی، تحلیل پوششی دادهها رویکردي براي ارزیابی کارایی واحدهاي تصمیمگیري است که مقدار ورودیهای مصرفی و خروجیهای تولیدی متفاوتی دارند (افشارکاظمی و همکاران، 1385). در این تحقیق واحدها همان شرکتهای انتخابی در دو گروه صنایع مواد غذایی و شیمیایی هستند. از مدلهای ورودی محور (دادهگرا17) استفاده میشود. در این مدل دادهها را تا رسیدن بر روی مرز کارایی کاهش داده بدون اینکه در ستادهها تغییراتی ایجاد شود. این روش که به مدل CCR18 معروف است، مخرج را برابر «یک عدد ثابت (بهطور معمول برابر 1)» در نظر گرفته، سپس صورت کسر حداکثر میشود (مومنی، 1393) تا نسبت کارایی فنی دست پیدا گردد. به عبارت دیگر در مدلهای ورودی محور، با ثابت نگه داشتن خروجیها، ورودیها کاهش مییابند (محمودی، 1390). با توجه به ماهیت مساله در این تحقیق، مدیریت بر روی خروجیها (فروش، ارزش افزوده اقتصادی و ارزش افزوده بازار) کنترل زیادی ندارد، اما میتواند بر روی ورودیها (هزینهها و داراییها) تا حدودی کنترل داشته باشد بنابراین دلیل انتخاب مدل دادهگرا هم در این مطالعه میتواند این موضوع باشد.
2- 6) پیشینه تحقیقات: تا به حال مطالعات متعددی در زمینه موضوع توانایی مدیریت و بصورت جداگانه در حوزه ارزشآفرینی شرکتها انجام شده است. اما بنظر میآید که تحقیقی مبنی بر بکارگیری شبکههای عصبی به منظور بررسی تاثیر توانایی مدیریت بر ثروت آفرینی شرکتها و حتی برعکس آن انجام نشده است. جدول 1 برخی از تحقیقات مرتبط با موضوع را در داخل و خارج کشور نشان میدهد.
جدول 1. خلاصه پیشینه تحقیقات مرتبط | |||
|---|---|---|---|
سال | نویسنده | موضوع | یافتهها و نتایج |
2017 | دوس سانتوس و همکاران | مدیریت ریسک و ایجاد ارزش در شرکتهای غیر مالی برزیل در دوره 2006- 2014 | نتایج نشان داده، شرکتهایی که از تمرین مدیریت ریسک استفاده میکردند، ارزش آفرینی را در طول دوره افزایش ندادند. در واقع بیشتر شرکتها از تمرین مدیریت ریسک استفاده میکنند تا جریان نقدی را مدیریت کنند، نه برای اضافه کردن ارزش شرکت. |
2017 | هانگ و سان19 | توانایی مدیریتی و مدیریت سود واقعی | نتایج نشان میدهد که مدیران با توانایی بالا در مدیریت واقعی سود کمتر شرکت میکنند. علاوه بر این، مدیران با توانایی برتر، تاثیر منفی مدیریت درآمد واقعی را بر عملکرد آتی شرکت کاهش میدهند. |
2016 | رحمان و لامبکین و حسین | ایجاد ارزش و تخصیص آن با پیروی از مالکیت و ادغام شرکتها، با رویکرد تحلیل پوششی دادهها در صنعت بانکداری ایالت متحده | ادغام و مالکیت در شرکت ها به طور معمول تمایل به رشد درآمد و یا بهره وری هزینهها منجر به بهبود عملکرد مالی و ارزش آفرینی می شود. تکنیک DEA برای اندازه گیری بازده، با استفاده از دو متغیر ورودی و دو متغیر خروجی مورد استفاده قرار گرفت. نتایج نشان می دهد که تعاملات ادغام و مالکیت تاثیر مثبتی بر بازده بازاریابی شرکتها دارند. |
2015 | مووک، چان و کرشاو20 | اندازه گیری ارزشآفرینی اجتماعی شرکت در صنعت مبلمان کانادا | این مطالعه به بررسی ارزش آفرینی اجتماعی یک شرکت با استفاده از بازده اجتماعی در چارچوب سرمایه گذاری در صنعت مبلمان برای سهامدارانش می پردازد. برای محاسبه ارزش آفرینی، از یک رویکرد یکپارچه بازده اجتماعی و از طریق شاخصهای حسابداری معمولی و حسابداری اجتماعی استفاده شده است. |
2013 | آندرئو و همکاران | رابطه بین توانایی های مدیریتی و عملکرد شرکتها در طول دوره بحران جهانی در سال 2008 | توانایی مدیریتی، عملکرد شرکت را تقویت کرده، عدم سرمایه گذاری را کاهش می دهد. در زمانی که توانایی مدیریتی برتر، بیشترین سرمایه گذاری در طول دوره بحران را انجام دادند که نتیجه آن خلق سود دهی بالا و عرضه اوراق بهادار بیشتر بوده است. |
2009 | لورتی و گریس | سنجش شاخص توانایی مدیریت با استفاده از تحلیل پوششی دادهها | از عوامل نیروی انسانی به عنوان ورودی و از میزان خسارت های واقعی به عنوان خروجی در این تکنیک استفاده نمودند. به این نتیجه رسیدند که هر چقدر شرکتها مدیران توانمندتری داشته باشند، احتمال ورشکستگی آنها کمتر است. |
2003 | فی و هادولک | سنجش توانایی مدیریت، با استفاده از بازده سهام شرکتها | شرکتهایی با بازده سهام بالا از مدیران توانمندی برخوردار هستند و مدیران توانمند ممکن است به سازمانهای دیگری بروند و از شرکت جدید حقوق و مزایای بیشتری دریافت نمایند. |
2003 | احسان، اچ و همکاران | تجزیه و تحلیل صورتهای مالی با استفاده از رویکرد DEA (1982-1992) در شرکتهای بورس نفت و گاز | نتایج نشان دهنده مبنایی قابل اعتماد و قابل اتکایی از کارایی عملی و مدیریتی بنگاههای اقتصادی بوده است. یعنی DEA با نسبتهای مالی رابطه دارد و اطلاعاتی را برای تصمیمگیری نشان میدهد. |
1396 | شیما کمالی منفرد و سعید علیاحمدی | تاثير توانايي مديريت بر اجتناب مالياتي و ارزش شركت با استفاده از تحليل پوششي دادهها | توانايي مديريت تاثير منفي بر اجتناب مالياتي دارد و اين نتيجه مويد ديدگاه مبتني بر تئوري نمايندگي است. همچنين، اجتناب مالياتي و تعامل آن با توانايي مديريت بر ارزش بازار شركت تاثير معناداري ندارد و نمي تواند بر واكنش سرمايه گذاران در بازار سرمايه موثر واقع شود. |
1396 | مسعود حسینی القار و محمد مرفوع | بررسي تاثير توانايي مديريت بر سياست تقسيم سود | برای محاسبه و تحليل اطلاعات توانايي مديران از مدل ارائه شده توسط دمرجیان و همكاران و الگوي تحليل پوششي داده ها استفاده کردند. نتايج نشان ميدهد توانايي مديريت تاثير مثبت معناداري بر تقسيم سود شركت دارد. به عبارت ديگر، مديران تواناتر سود تقسيمي بيشتري را پرداخت مي كنند. |
1396 | مصطفی کوشافر، ایرج نوروش و بیتا مشایخی | سنجش كارايي و توانايي مديريت بر اساس معيارهاي مالي | این محقان براي سنجش كارايي مديران از روش ضريب ارزش افزوده فكري تيم مديريتي استفاده کردند. مدل خود را با مدل دمرجيان و همكاران مقايسه کردند. نتايج نشان داد که مدل حاضر با توجه به آزمون وونگ، قدرت توضيح دهندگي بيشتري نسبت به مدل دمرجيان دارد. در مدل ارائه شده علاوه بر منابع فيزيكي مثل درآمد بر عوامل فكري نیز تاكيد شده است. |
1394 | غلامرضا منصورفر و همکاران | سنجش توانایی مدیریت با متد DEA و تاثیر آن بر کیفیت سود در شرکتهای عضو بورس تهران | نتایج تحقیق آنها نشان داده که توانایی مدیریت تاثیر مثبت و معناداری بر کیفیت سود گذاشته و باعث پایداری سود و کیفیت بهتر اقلام تعهدی شده است. |
1393 | فریدون رهنمای رودپشتی و همکاران | رویکرد کارایی مدیریت سود و نقش آن در ارزش آفرینی شرکتهای عضو بورس و اوراق بهادار | مديريت سود باعث ارزشآفرينی میگردد. بین مديريت سود با Q توبین و بازده وجوه سرمایهگذاری(ROIC) رابطه وجود ندارد ولی مدیریت سود با بازده حقوق صاحبان سهام(ROE) رابطه مثبت و معناداری دارد. |
1393 | موسی بزرگ اصل و بیستون صالحزاده | سنجش توانایی مدیریت با بخشی از کارایی شرکت با الگوی DEA و رابطه آن با کیفیت اقلام تعهدی | یافتهها حاکی از عدم وجود رابطه معنادار بین توانایی مدیریت و کیفیت اقلام تعهدی در طول دوره 4 ساله (84-87) شرکتهای عضو بورس تهران بوده است. |
1392 | زهره حاجیها و حسن چناری | تاثير انگيزه مديران ارشد بر ارزش آفريني براي سهامداران | نتيجه كلي اينکه، گرچه پرداخت پاداش مديران شركت هاي ايراني منجر به خلق ارزش افزوده براي سهامداران شده است اما پرداختها از كارايي لازم برخوردار نبوده است. |
1392 | احمد احمدپور و حبیبه میرزایی اسرمی | مقایسه مدل تحلیل تمایز چندگانه با مدل شبکه های عصبی با پرسپترون چندلایه جهت پیشبینی ورشکستگی | شرکتهای ورشکسته، فروش، سود ویژه و داراییهای کمتری نسبت به گروه دوم دارند. دقت مدل شبکه عصبی با نمودار ROC در تفکیک شرکتهای ورشکسته بالاتر از شرکتهای غیرورشکسته میباشد. |
1389 | نیما حاتمی، میرزازاده و ابراهیمپور | پیشنهاد مدل ابتکاری با ترکیب شبکه عصبی برای پیشبینی رفتار قیمت سهام | مدل شبکههای عصبی پیشنهادی در مقایسه با مدل رایج و سنتی پیش بینی از برتری و کارایی بیشتری برخوردار بوده است. |
1385 | رضا راعی | مدل ماركوتيز و سبد سرمايه ريسكي با استفاده از الگوي يادگيري پس انتشار شبكه هاي عصبي | سبد سرمايه مدل شبكه عصبي پس از دوره آزمون هم بازده بيشتري داشته است و هم ريسك آن از مدل ماركوتيز پايينتر بوده است. |
1382 | حمید خالوزاده و علی خاکی صدیق | ارزيابي روشهاي پيش بيني قيمت سهام با یک مدلي غير خطي بر اساس شبكه هاي عصبي | برآورد قيمت و بازده سهام از مدلهای پيچيده غيرخطي و آشوبگرانه به وجود آمدهاند و استفاده از روشهاي خطي صحيح نميباشد. همچنين استفاده از روشهاي غيرخطي شبكههاي عصبي و با پيشنهاد ساختار جديد، ميتوان قيمت و بازده را به خوبي تخمين زد. |
3- اندازه گیری متغیرهای تحقیق
متغیرهای ورودی
3-1) شاخص توانایی مدیریت (Manage)؛ برای اندازهگیری این شاخص از بسط الگوی ارائه شده توسط دمرجیان و همکاران (2012)، استفاده شده است.
اولا، کارایی شرکت با استفاده از تکنیک DEA و با مدل ورودی محور از رابطه زیر اندازهگیری شده است:
که در آن؛ Sales مجموع فروش، EVA ارزش افزوده اقتصادی و MVA ارزش افزوده بازار، CGS بهای تمام شده کالای فروشرفته، SG&A خالص هزینههای فروش، اداری و عمومی، FC هزینههای تامین مالی21، NOC خالص سایر هزینهها22، ACC میانگین هزینه سرمایه23، PPE داراییهای ثابت مشهود (اموال، ماشین آلات و تجهیزات)24 و Intan ارزش داراییهای ثابت نامشهود.
ثانیا، طبق عقیده دمرجیان و همکاران، ویژگیهای ذاتی با استفاده از 5 ویژگی خاص شرکت (یعنی اندازه شرکت (Size)، سهم بازار (MSH)، جریانهای نقدی شرکت (FCF)، عمر پذیرش شرکت در بورس (Age) و فروش خارجی صادرات (FCI) و با اجرای مدل رگرسیون زیر کنترل شده است.
Firm Efficiency = β0 + β1Sizei + β2MShi + β3FCFi + β4Ln(Age)i + β5BSCi + β6FCIi + ɛi
به اعتقاد دمرجيان مقدار باقيمانده (ɛi) اين رگرسيون نشاندهنده توانايي مديريت شركت در كارايي است.
3-2) اندازه سازمان (SIZE): لگاریتم مجموع داراییها در پایان سال مالی شرکتها
Size = LN (Total Asset)
3-3) بازده داراییها (ROA): رابطه زیر یک مدل ساده‌اي از اهرم تصميم‌گيري است که مديريت مي‌تواند براي بهبود بازده دارايي‌ها بکار گيرد. ROA بصورت فرمول زیر محاسبه میگردد:
3 -4) سهم بازار شرکت (MSH): سهم بازار شرکت برابر است با نسبت فروش شرکت به کل صنعت
3 -5) عمر پذیرش شرکت (LNA(Age)): برابر است با لگاریتم طبیعی تعداد سالهایی که شرکت در سازمان بورس اوراق بهادار پذیرفته شده است.
متغیرهای خروجی
3- 6) ارزشآفرینی (VC)25: ارزش آفرینی (خلق ارزش) شرکت به عنوان نرون لایه خروجی، از شاخصهایی مانند: «بازده حقوق صاحبان سهام به عنوان شاخصی از ارزش متعارف بازار شرکت، نسبت تقریبی Q توبین به عنوان شاخصی از ارزش ذاتی شرکت، بازده وجوه سرمایهگذاری شده و ارزش افزوده سهامداران» تبیین میگردد (جاویز، 2004) و از میانگین حسابی ابعاد آن به صورت زیر محاسبه شده است:
3- 7) بازده حقوق صاحبان سهام (ROE)26: بازده حقوق صاحبان سهام یا نرخ بازده سرمایهگذاری سهام عبارتست از نسبت سود خالص به حقوق صاحبان سهام عادی. ROE معمولا برای تعیین ترکیب بازدههای شرکت بکار میرود و بیانگر شاخصی از ارزش شرکت است:
3- 8) نسبت تقریبی Q توبین (ATQ)27:برای محاسبه کیو توبین از رابطه زیر استفاده میشود:
که در آن: MVE: ارزش بازار سهام عادی = قیمت بازار سهام شرکت* تعداد سهام عادی، PS: ارزش دفتری سهام ممتاز، DEBT: ارزش دفتری بدهیهای بلند مدت و TA: ارزش دفتری کل داراییها
3- 9) بازده وجوه سرمایهگذاری شده (ROIC)28: هر اقدامی که جريان نقدی را افزایش ندهد، ارزش نمیآفریند. وظیفه اولیه هر شرکت ایجاد جریانات نقدی است که نرخ بازده وجوه سرمایهگذاری شده آن بیشتر از هزینه سرمایه باشد. ROIC در این تحقیق بصورت زیر محاسبه میشود (وجوه سرمایهگذاری شده شامل؛ اموال، ماشین آلات، تجهیزات و سرمایه در گردش است):
3- 10) ارزش افزوده سهامداران (SVA)29: ارزش افزوده سهامدار مجموع تغييرات ارزش بازار سرمايه شركت و سود نقدي پرداخت شده در طي دوره تصدي مدير به سهامداران است. براي اينكه ارقام براي مديران با دورههاي متفاوت تصدي قابل مقايسه گردد از رابطه زير محاسبه ميشود (جونگ، 2011):
4- متدولوژی تحقیق
این پژوهش از نظر هدف یک نوع مطالعه کاربردی است و هدف آن، بررسی تاثیر توانایی مدیریت بر ابعاد ارزشآفرینی شرکتها در صنایع مواد غذایی و شیمیایی عضو بازار بورس ایران با کمک مدلهای شبکه عصبی ميباشد. دادههای مربوط به متغیرهای بکارگرفته شده، از اطلاعات و صورتهای مالی شرکتها در طی سالهای 90 الی 94 اخذ شده است. بنابراین به جهت استفاده از دادههای تاریخی، نوع این تحقیق به لحاظ ماهیت، علی- پس رویدادی میباشد. محقق برای ارائه یافتهها، ابتدا به جمع آوری اطلاعات عددی مرتبط با متغیرها پرداخته، سپس برای تجزیه و تحلیل این اطلاعات از ابزارها و مدلهای ریاضی بر پایه مفاهیم شبکههای عصبی بهره میگیرد. دادههای مرتبط با مباني نظری پژوهش با مطالعه کتابها، مقاله‌ها و سایر کارهای تحقیقاتی، از طريق مطالعه کتابخانه‌ای فراهم میشود. جمعآوری اطلاعات کمی نیز به صورت اسنادی و میدانی میباشد. جهت ارزیابی و سنجش کارایی نسبی از نرم افزار بهینهسازی GAMS و برای سنجش شاخص توانایی مدیریت از نرم افزار E-Views و همچنین جهت آموزش، ارزیابی و تست مدلهای شبکه عصبی از نرم افزار MATLAB بهره گرفته شده است.
5- مدل تحقیق
ابتدا مدل اولیهای بر اساس پیشفرض ذهنی محقق بصورت مدل خطی رگرسیون جهت برآورد ارزشآفرینی شرکتها بصورت زیر تبیین شده است:
VCit = β0 + β1Manageit + β2SIZEit + β3ROAit + β4MSHit + β5Ageit + εit
سپس، مدل مبتنی بر شبکههای عصبی جهت ارزیابی آن به صورت مراحل زیر اجرا شده است.
از مدل شبکه چند لایه «پرسپترون پیشرو» با الگوریتم آموزش «پس انتشار خطا»30 استفاده شده است. در مدل اولیه بدلیل اینکه ورودیها و خروجی مطلوب را میدانیم، بنابراین نوع یادگیری را از آموزش باسرپرست استفاده کردهایم. این مدل با روش آموزش باناظر، پارامترهای شبکه مانند مقادیر وزنها و تورشها را بهنگام میکند و برای مسائل رگرسیونی مناسبتر است (مشایخی و همکاران، 1391). در این شیوه آموزش ورودیها و خروجیهای شبکه از پیش مشخص هستند و اختلاف ورودی و خروجی موجب تولید سیگنال خطا میشود. از این مقدار خطا برای تعدیل وزنهای سیناپسی، جهت کاهش خطا استفاده میشود. ساختار شبکه بدین صورت است که، لایه اول شبکه به تعداد متغیرهای مستقل(xi)، ورودی خواهد داشت.
در مدل رگرسیونی تحقیق به تعداد یک متغیر مستقل (Manage) و چهار متغیر کنترلی (Size, ROA, MSH, Age) وجود دارد که در لایه اول شبکه این متغیرها به عنوان ورودی در نظر گرفته شدند. شاخص ارزشآفرینی (VC) متغیر وابسته (yi) است که این متغیر نیز به عنوان نرون در لایه خروجی در نظر گرفته شده است. همواره تعیین تعداد نرون لایه میانی (پنهان) چالش برانگیز است و هیچ فرمول کلی برای تعیین تعداد لایه پنهان وجود ندارد. در این تحقیق برای هر مدل با آزمون و خطا از تعداد 5 الی 20 لایه پنهان در نظر گرفته شده است.
از تابع انتقال سیگمویدی (بدلیل سادگی مشتقپذیری آن) برای لایه میانی و لایه خروجی و تابع عملکرد شبکه نیز متوسط مربعات خطا (MSE) در نظر گرفته شده است. پروسه آموزش طوری تنظیم شده که با اندازهگیری MSE همگرایی شبکه کنترل میشود. در این تحقیق بطور معمول 50% دادهها برای Training، 25% دادهها نیز به هر یک از مجموعه Validation و Testing اختصاص داده شدهاند. مدل شبکه بصورت شکل 2 با پنج ورودی و یک خروجی برای صنایع شیمیایی و مواد غذایی طراحی شده است.
شرطهای توقف شبکه: 1) جهت کنترل همگرایی شبکه، برای مقدار MSE بطور پیش فرض 0.01 در نظر گرفته شد. تجربه نشان داده که پس از این نقطه در پیشرفت عملکرد کلی شبکه بهبودی حاصل نمیشود. توقف شبکه زمانی بطور کلی پایان مییابد که شاخص MSE در مجموعه نمونههای اعتبارسنجی (Validation) بهبود یافته و همگرا شود. همچنین نرخ یادگیری در چندین بار آزمایش 0.1 انتخاب شده است. 2) تعدا تکرار (Epoch)، پس از 100 بار تکرار شبکه متوقف شود. 3) عدم بهبود (Validation Checks)، اگر شبکه در 6 تکرار متوالی خروجی را بهبود ندهد، متوقف شود.
6- یافتههای تحقیق
در طراحی شبکۀ عصبی مصنوعی، ابتدا تمامی دادهها به منظور افزایش دقت و سرعت در آموزش شبکه، با استفاده از رابطۀ زیر استاندارد شدهاند. به طوری که تمامی دادهها بین 0 و 1 قرار گرفتند. این رابطه به بیمقیاسسازی فازی معروف است (مومنی، 1393). در این رابطه؛ nij داده استاندارد شده، aij داده مورد استفاده و ajmin و ajmax هم به ترتیب کمترین و بیشترین داده در هر کدام از متغیرها است.
6- 1) اجرای مدل شبکه عصبی در صنعت شیمیایی و مواد غذایی
در مدل شبکه عصبی بصورت تجربی، دادهها به سه قسمت مجموعه آموزش، مجموعه اعتبارسنجی و مجموعه تست تقسیمبندی شدند. همچنین تعداد نرونهای لایه پنهان در مدل مربوط به صنعت شیمیایی و مواد غذایی نیز با بررسی 5 الی 20 نرون با آزمون و خطا و بر اساس MSE کوچکتر، در نهایت بر طبق جدول زیر انتخاب گردید.
جدول 2. تقسیم بندی دادهها و تعداد لایه پنهان مدلهای شبکه | |||||
مجموعه دادهها | تعداد کل داده | Training | Validation | Testing | تعداد لایههای پنهان |
درصد | 100% | 50% | 25% | 25% | آزمون و خطا |
صنعت شیمیایی | 300 | 150 | 75 | 75 | 8 لایه |
صنعت مواد غذایی | 270 | 134 | 68 | 68 | 10 لایه |
شکل 3. شماتیک کلی این شبکه را با 8 نرون برای صنعت شیمیایی (الف) و 10 نرون برای صنعت مواد غذایی (ب) در لایه میانی نشان میدهد.
نمودار 1. تکمیل پروسه یادگیری شبکه عصبی پرسپترون چندلایه پیشرو را در صنعت شیمیایی (الف) و صنعت مواد غذایی (ب) به تفکیک نشان میدهد.
نمودار 1. در واقع عملکرد31 شبکه را نشان میدهد. محور افقی نمودار تعداد تکرارها و محور عمودی آن میانگین مربعات خطاست. در قسمت مشخص شده با دایره سبز رنگ (روی نمودار Validation)، نشان میدهد که در۶ تکرار متوالی (در صنعت شیمیایی از تکرار 9 الی 15 و در صنعت مواد غذایی از تکرار 13 الی 19) بهبودی در دو شبکه را شاهد نیستیم و باعث توقف فرایند آموزش شده است. همچنین، بهترین عملکرد اعتبارسنجی مدل شبکه صنعت شیمیایی در سیکل 9 و مقدار خطای MSE برابر با 0.0013 بوده و در صنعت مواد غذایی در سیکل 13 و مقدار MSE برابر با 0.0064 بوده است.
نمودار 2. رگرسیون مربوط به شبکه در دو صنعت میباشد. این نمودار مقایسه بین خروجی پیشبینی شده (Output) در مقابل دادههای واقعی (Target) را نشان میدهد. ضریب همبستگی به عنوان یک معیار، هر موقع دادههای پیشبینی شده با دادههای حاصل از روشهای دقیق مطابقت داشته باشه به 1 نزدیک میشود، هر چه اختلاف بیشتر باشد به صفر نزدیکتر میشود.
6- 2) مقایسه نتایج مدلهای شبکه عصبی در صنایع شیمیایی و مواد غذایی
جدول 3. نتایج حاصل از پیادهسازی مدلهای شبکه عصبی را در صنایع شیمیایی و مواد غذایی نشان میدهد.
جدول 3. مقایسه مدلهای شبکه پرسپترون چندلایه پیشرو در صنایع- متغیر خروجی: VC | ||||||||
متغیرهای ورودی | تابع انتقال | صنایع | ترکیب شبکه | MSE | R | امتیاز توانایی مدیریت | امتیاز ارزشآفرینی | |
Manage, Size, ROA, MSH, Age | Sigmoid | صنعت شیمیایی | 5-8-1-1 | 0.0062 | 0.38 | 0.00016- | 0.590 | |
Sigmoid | صنعت مواد غذایی | 5-10-1-1 | 0.0039 | 0.64 | 0.00026- | 0.753 | ||
همانطور که در جدول 3 مشخص شده، برای مدل شبکه عصبی شبیهسازی شده در هر دو صنعت، تابع انتقال سیگموید انتخاب شده است. نتایج اجرای مدل شبکه عصبی نشان میدهد که مقدار MSE در صنعت شیمیایی برابر 0.006 و در صنعت مواد غذایی برابر 0.003 بوده و کوچکتر از حداقل مقدار انتخابی شبکه (یعنی 0.01) است، بنابراین هر دو شبکه همگرا شدهاند.
مقدار ضریب R قدرت توضیح دهندگی مدل و همبستگی بین خروجیها و اهداف را اندازهگیری میکند. این شاخص در جدول 3 بیان میکند که؛ ترکیب متغیرهای ورودی (توانایی مدیریت، اندازه شرکت، بازده داراییها، سهم بازار شرکت و عمر پذیرش شرکت) در صنعت شیمیایی 38% و در صنعت مواد غذایی 64% از ارزشآفرینی شرکتها را به درستی پیشبینی میکنند.
مدل شبکه پرسپترون در صنعت مواد غذایی پاسخ مطلوبی داده است چون هم میزان پارامتر مربعات خطا در آن کمتر بوده (0.0039= MSE) و هم ضریب تعیین (0.64 =R) آن بالاتر بوده است. بنابراین مدل شبکه عصبی مصنوعی در صنعت مواد غذایی بهتر از صنعت شیمیایی، ارزشآفرینی شرکتها را از روی شاخص توانایی مدیریت و دیگر متغیرهای ورودی برآورد میکند. متوسط امتیاز توانایی مدیریت در هر دو صنعت تقریبا برابر صفر بوده اما متوسط امتیاز ارزشآفرینی شرکتها در صنعت مواد غذایی (0.75) بالاتر از صنعت شیمیایی (0.59) بوده است.
7- نتیجهگیری
هدف این مقاله برآورد ارزشآفرینی شرکتها بر اساس شاخصهای توانایی مدیریت، اندازه شرکت، بازده داراییها، سهم بازار و عمر پذیرش شرکتها در صنایع شیمیایی و مواد غذایی در دوره 1390-1394 با بکارگیری شبکه عصبی مصنوعی میباشد. سنجش شاخص توانایی مدیریت از لحاظ کمی به معیارهایی مانند میزان فروش، ارزش افزوده، مدیریت هزینههای تولید، هزینههای مالی، عمومی و سرمایهای، بهبود ارزش دفتری داراییهای مشهود و نامشهود بستگی دارد. اندازهگیری ارزشآفرینی شرکتها نیز به عواملی مثل بازده صاحبان سهام، نسبت Q توبین، بازده سرمایهگذاریها و خلق ثروت برای سهامداران بستگی دارد. نتایج حاصله پس از تکمیل پروسه یادگیری و تست شبکه عصبی پرسپترون نشان میدهد که مدل شبکه عصبی مصنوعی در صنعت مواد غذایی بهتر از صنعت شیمیایی، ارزشآفرینی شرکتها را از روی شاخص توانایی مدیریت و دیگر متغیرهای ورودی برآورد میکند، زیرا پارامتر میانگین مربعات خطا در آن کمتر بوده و ضریب تعیین آن نیز بیشتر بوده است. از دیگر نتایج تحقیق اینکه، متوسط امتیاز توانایی مدیریت در هر دو صنعت تقریبا برابر بوده اما متوسط امتیاز ارزشآفرینی شرکتها در صنعت مواد غذایی بالاتر از صنعت شیمیایی بوده است.
نتایج مطالعات پژوهشگران دیگر حاکی از آنستکه؛ مدیران هر چه توانایی بالاتری داشته باشند، سرمایهگذاری را با ریسک بیشتری انجام میدهند، موجب تقویت سوددهی شده و باعث تقسیم سود بیشتر و افزایش بازده سهامداران (حسینی و مرفوع، 1396) میشوند. مووک و همکاران (2015) بر این باورند که بازده اجتماعی در چارچوب سرمایهگذاری منجر به ارزش آفرینی برای شرکتها میشود. رحمان و همکاران (2016)، ادغام و تقویت مالکیت را از عوامل ایجاد ارزش و ارتقاء عملکرد شرکتها میدانند. توانایی مدیریتی موجب تقویت عملکرد (آندرئو و همکارانش، 2013) و بازده سهام (فی هادولک، 2003) شرکتها میگردد. لورتی و گریس (2009) معتقدند که نیروی انسانی توانمند از شاخصهای مهم در ارتقاء توانایی مدیریت بوده و احتمال ورشکستگی شرکتها را کاهش میدهد.
محدودیتها و پیشنهادات: این تحقیق در محدوده زمانی 1390 الی 1394 انجام شده و از دادههای مالی صنایع شیمیایی و مواد غذایی استفاده کرده است. اغلب این شرکتها با ساختار سهامی عام و برخی نیز دولتی و یا نیمه دولتی هستند، لذا تعمیم یافتهها به سایر صنایع و شرکتهای سهامی خاص ممکن است منطقی نباشد. متغیرهای مداخلهگر و مزاحم مانند نرخ تورم، نرخ بهره، تحریمهای اقتصادی و دیگر متغیرهای غیرقابل کنترل محیطی ممکن است بر رابطه میان متغیرهای پژوهش اثرگذار باشند که در تحقیق حاضر به آنها پرداخته نشده است. در نتایج تحقیق، امتیاز توانایی مدیریت در هر دو صنعت مواد غذایی و شیمیایی وخیمتر گزارش شده، لذا به مدیران پیشنهاد میگردد که نسبت به بهینهسازی شاخصهایی مثل؛ بهای تمام شده کالا، هزینههای تامین مالی و هزینههای سرمایهای اقدامات اساسی انجام دهند. ضمنا با توجه به نتایج امتیاز ارزش آفرینی، به شرکتهای صنایع شیمیایی پیشنهاد میشود که در تقویت شاخصهایی مثل؛ بازده سهام و ارزش افزوده سهامداران، ارزش سهام عادی و ممتاز تلاش نمایند. ضمنا شرکتهای مواد غذایی نیز نسبت به تقویت بازده وجوه سرمایهگذاری و بهینهسازی پارامترهای سود خالص اقدام نمایند.
پاورقیها
22. Value creation (VC) 23. Return On Equity (ROE) 24. Approximate Tobin's Q (ATQ) 25. Return On Investment Costs (ROIC) 26. Shareholders Value Added (SVA) 27. Back propagation Error 28. Performance 29. Mook, Chan & Kershaw 30. Huang & Sun 31. Dos Santos, Lima & Almeida | 12. Management Score 13. Managerial Compensation 14. Value Creation 15. Q Tobin ratio 16. Input-Oriented 17. Charns, Cooper & Rhodes (CCR) 18. Financial Costs 19. Net Other Costs 20. The Weighted Average Cost of Capital (ACC= WACC*( بدهی جاری- داراییها)) 21. Property, Plant & Equipment
| 1. Brockman & et al. 2. Matemilola 3. Data Envelopment Analysis 4. Neural Networks 5. Frank Rosenblalt 6. Model-Free 7. Cell Body 8. Core 9. Dendrite 10. Axon 11. Synapse
|
8. References
1) Andreou, P., Daphna, E., and C. Louca (2013). Managerial ability and firm performance: Evidence from the global financial crisis, Available at: http://www.efmaefm.org.
2) Brockman, P., X. Martin, & E. Unlu. (2010). Executive compensation and the maturity structure of corporate debt. Journal of Finance, Vol. 65 (3): 1123–1161.
3) Brookman, J., and P. D. Thistle. (2009). CEO tenure, the risk of termination and firm value. Journal of Corporate Finance, Vol. 15 (3): 315–330.
4) Charnes A., Cooper W. W., Rhodes E. (1978) Measuring the efficiency of decision making units, European Journal of Operational Research, Vol. 2: 429– 444.
5) Demerjian, P., B. Lev, M. F. Lewis, & S. McVay. (2013). Managerial ability and earnings quality. The Accounting Review, Vol. 88(2): 463-498.
6) Demerjian, P., B. Lev, & S. McVay. (2012). Quantifying managerial ability: A new measure and validity tests, Management Science, Vol. 58 (7): 1229-1248.
7) Dos Santos, R.B., Lima, R.C., Almeida, R.B. (2017). Risk management and value creation: New evidence for Brazilian non-financial companies, Applied Economics, Vol. 49, Issue 58: 5815-5827.
8) Ehsan H., Feroz, Sungsoo Kim, Raymond L. Raab. (2003). Financial statement analysis: A data envelopment analysis approach, Journal of the Operational Research Society, Vol. 54: 48-58.
9) Fee, C., Hadlock, C. (2003). Raids, rewards, and reputations in the market for managerial talent. Review of Financial Studies, Vol. 16 (4): 1315–1357.
10) Gong, J. (2011). Examining shareholder value creation over CEO tenure: A new approach to testing effectiveness of executive compensation. Journal of Management Accounting Research, Vol. 23 (1): 1–28.
11) Leverty, J., Grace. M. (2009). Dupes or incompetents? an examination of management’s impact on property-liability insurer distress. Working Paper, Georgia State University.
12) Matemilola, BT., AN Bany-Ariffin, WNW Azman-Saini (2013). Impact of leverage and managerial skills on shareholders’ return, Journal of Procedia Economics and Finance (Elsevier Publisher), Vol. 7: 103-115.
13) Russell, Ingrid. (2016). The delta rule, University of Hartford, Microcomputer Journal (From Wikipedia).
14) Panayiotis C. Andreou, D. Ehrlich & C. Louca. (2013). Managerial ability and firm performance: Evidence from the global financial crisis, Preliminary and incomplete. Pp. 148-188. Available in: www.efmaefm.org.
15) Han, Li. (2015). Managerial ability and internal control quality: Evidence from China. International Journal of Financial Research; Vol. 6 (2): 54-66.
16) Ahmadpour, A., Mirzaie Asromi, H. (2014). Compared with multiple discriminate analysis model and neural network models in predicting bankruptcy of the listed companies in Tehran stock exchange, Accounting Research, No. 19 (4): 4-41, (In Persian).
17) Afsharkazemi, M, Setayesh, M., Mehrabian, S. And Anvari, K. (2007). Relative performance evaluation in branches of export development bank of Iran by using data envelopment analysis, Journal of Banking and Economics, No. 75: 42-48, (In Persian).
18) Bozorg Asl, M, and Salehzadeh, B. (2015). Relationship management ability and stable profits with an emphasis on accrual components and cash flows in companies, Journal of Knowledge Accounting, No. 58: 153-170, (In Persian).
19) Hatami, N., Mirzazadeh, H. and Ebrahimpour, R. (2011). Combining neural networks to estimate stock prices, Journal of Economics Sciences, No. 2(4): 62-80, (In Persian).
20) Hajeb, H, Ghayuri M, A., And Ghaffari, M. (2016). The effect of managerial ability the capital structure in the pharma industry, Accounting Health Journal, Issue title 9: 1-17, (In Persian).
21) Hajiha, Z. and Chenari, H. (2014). Study the effect of incentives for senior managers on the (Wealth Creation) value creation for shareholders, Journal of Investment, Issue 5: 80-95, (In Persian).
22) Huang, X.S. & Sun, L. (2017). Managerial ability and real earnings management, Advances in Accounting, Vol. 39: 91-104.
23) Khalizadeh, H., and Khaki Sedigh, A. (2004). Estimation of stock price forecasting methods and nonlinear modeling based on neural networks, Economic Research, No. 63: 43-83, (In Persian).
24) Koshafar, M., Noravesh, A. & Mashayekhi, B. (2017). Measurement of the efficiency and management ability based for financial index, Journal of Accounting & Auditing Knowledge, No. 23: 187-202, (In Persian).
25) Raei, Reza (2015). Risk capital basis using neural networks, Journal of Accounting and Auditing, Vol. 13, No. 46: 71-83, (In Persian).
26) Rahmani, A., Gholami, F., Pakizeh, K. (2013). Effect of financial flexibility on investment and value creation, Journal of Accounting Progress, Shiraz University, Vol. 4, No. 2: 53-76, (In Persian).
27) Rahman, M., Lambkin, M., & Hussain, D. (2016). Value creation and appropriation following M & A: A data envelopment analysis, Journal of Business Research, Vo. 69, Issue 12: 5628-5635.
28) Rahnama Roodposhti, F., Pourzamani, Z., Royaie, R., and Fazeli N. (2014). The efficiency of earnings management and its role in value creation, The Experimental Accounting Research, Third Year, No. 11: 159-177, (In Persian).
29) Rahnama Roodposhti, F., Hemmati, H. (2009). Measurement of the relationship between intellectual capital and modern variables based on value creation, Journal of Financial Studies, No. 2: 111-134, (In Persian).
30) Azizi, Sh., Darvishi, Z. And Nomayan, f. (2012). Investigation of the factors determining the brand value with the financial approach in the companies accepted in Tehran stock exchange, Journal of Business Management Perspective, No. 30: 9-32, (In Persian).
31) Kamali Monfared, Sh., Ali-Ahmadi, S. (2017). The effect of management ability on tax avoidance and company value by data envelopment analysis, Journal of Accounting Knowledge, No. 28: 135-154, (In Persian).
32) Laurene V. Fausett (2010). Fundamentals of neural networks, Translated by Hadi Wiszi et al., Nas publisher, First edition: 9-110, (In Persian).
33) Mahmoudi, M. (2012). Measurement of financial variables evaluate the performance of companies in the Tehran stock exchange by using TOPSIS algorithms and techniques DEA, Journal of Financial Engineering and Management of Securities, No. 7: 121-144, (In Persian).
34) Mashayekhi, B., Beyrami, H, and Akhlaghi, S. (2013). Discovering profit management using neural networks, Journal of Financial Engineering & Management of Securities, No. 11: 63-77, (In Persian).
35) Mansourfar, Gh, Didar, H., Hasanpour, V. (2015). The effect of management capability the quality of firms listed in the Tehran stock exchange, Journal Financial Accounting Preceding Studies, No. 23: 37-54, (In Persian).
36) Menhaj, Mohamadbagher. (2011). Fundamental of neural networks, (7nd ed.): 20-25.
37) Momeni, Mansour. (2015). New topics in operations research, Published author, Third edition: 135-204, (In Persian).
38) Mook, L., Chan, A. & Kershaw, D. (2015). Measuring social enterprise Value creation: The case of furniture bank, Nonprofit Management and Leadership, Vol. 26, Issue 2: 189-207.
Management Ability and its Consequences on Firms Value Creation by Employing Neural Networks
(A Comparative Approach to Chemical & Food Industries)
Abstract
The purpose of this study is to investigate the effect of management ability on the value creation in the chemical and food industry in 2012-2016 by using artificial neural network. Initially, with the implementation of the DEA model with a native model, the relative efficiency is determined for each company and by estimating a regression model, the management ability to each company is also determined. Then the value creation of the companies is measured by the average of the factors such as return on equity, Q Tobin ratio, return on investment, and wealth creation for shareholders. The neural network model used in this study is a multilayer perceptron with back propagation error training pattern. To evaluate the relative efficiency is used the GAMS optimization software and to measure the management ability used the E-Views and MATLAB software is used to train and test the neural networks model.
The results show that the artificial neural network model in the food industry is better than the chemical industry. This model estimates the companies' value creation through the management ability and other input variables. Other research results, the management ability score in both industries is equal, but the average value creation of the companies in the food industry is higher than the chemical industry.
Keywords: Neural Networks, DEA, Management Ability, Value Creation
[1] . Brockman & et al.
[2] . Matemilola
[3] . dos Santos R.B.
[4] . Data Envelopment Analysis
[5] . Neural Networks
[6] . Frank Rosenblalt
[7] . Model-Free
[8] . Cell Body
[9] . Core
[10] . Dendrite
[11] . Axon
[12] . Synapse
[13] . Management Score
[14] . Managerial Compensation
[15] . Value Creation
[16] . Q Tobin ratio
[17] . Input-Oriented
[18] . Charns, Cooper & Rhodes (CCR)
[19] . Huang & Sun
[20] .Mook, Chan & Kershaw
[21] . Financial Costs
[22] . Net Other Costs (شامل خالص سایر هزینههای عملیاتی و غیرعملیاتی)
[23] . The Weighted Average Cost of Capital (ACC= WACC*(کل بدهی جاری- کل داراییها))
[24] . Property, Plant & Equipment (شامل ارزش دفتری اموال، ماشین آلات و تجهیزات)
[25] . Value creation (VC)
[26] . Return On Equity (ROE)
[27] . Approximate Tobin's Q (ATQ)
[28] . Return On Investment Costs (ROIC)
[29] . Shareholders Value Added (SVA)
[30] . Back propagation Error
[31] . Performance
