بررسی عوامل خرد و کلان اقتصادی موثر بر عملکرد مالی شرکت ها: رهیافت دیمتل فازی

الموضوعات : دانش سرمایه‌گذاری

ابراهیم علی زاده ¹ (گروه حسابداری، واحد بین المللی کیش، دانشگاه آزاد اسلامی، جزیره کیش، ایران)
حمیدرضا وکیلی فرد ² (دانشیار دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، دانشکده مدیریت و اقتصاد، تهران، ایران(نویسنده مسئول))
محسن حمیدیان ³ (استادیار، حسابداری، دانشکده اقتصاد و حسابداری دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران)

تاريخ الإرسال : 24 الثلاثاء , ربيع الأول, 1442 تاريخ التأكيد : 20 الإثنين , جمادى الأولى, 1442 تاريخ الإصدار : 18 الإثنين , شعبان, 1443

الکلمات المفتاحية: عوامل کلان اقتصادی, عوامل خرد اقتصادی, عملکرد مالی شرکت,

ملخص المقالة :

شاخص های مالی سنجه های مطلوبی برای سیاست گذارانی است که مایل به ارزیابی وضعیت فعلی اقتصاد در حال حاضر و پیش بینی آینده هستند و به خصوص برای اعتبار دهندگان و بانک مرکزی از اهمیت ویژه ای برخوردار بوده و دلایل متعددی برای توجیه این اهمیت وجود دارد. داده هایی که بر پایه آن ها شاخص های مالی محاسبه می گردد ماهیتا با نگاه به آینده تعریف شده و احتمالا انتظارات بازار را در مورد داده های کلان مدنظر قرار می دهند. شاخص های مالی ممکن است خود نیز به طور مستقیم بر وضعیت آینده اقتصاد تاثیر گذاشته یا از شاخص های خرد و کلان اقتصادی تاثیر پذیرند. در تحقیق حاضر تلاش شده تا مطالعه سیستماتیک و جامعی جهت شناسایی همه سنجه هایی که احتمالا ممکن است بر ثبات سود آوری و دیگر شاخص های اساسی علمکرد مالی موثر باشد انجام و بانک اطلاعاتی کاملی از این سنجه ها فراهم گردد. بدین منظور، ترکیبی از روش های حوزه دانش و تحلیل محتوی در انتخاب سنجه های موثر مورد استفاده قرار گرفته است. در نهایت عوامل موثرتر از طریق نظرسنجی از خبرگان و روش دیمتل فازی تعیین شده اند

المصادر:

• Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The journal of finance, 23(4), 589-609.


• Altman, E. I., Zhang, L., & Yen, J. (2007). Corporate financial distress diagnosis in China. New York University Salomon Center, Working Paper.


• Angelopoulou, E., Balfoussia, H., Gibson, H., 2013. Building a Financial Conditions Index for the Euro Area and Selected Euro Area Countries: What Does it Tell us About the Crisis? ECB WP no. 1541.


• Chen, G., M. Firth, D.N. Gao and O.M. Rui (2006) "Ownership structure, corporate governance, and fraud: Evidence from China", Journal of Corporate Finance , vol. 12, Issue 3, pp. 424-448.


• Chun, , Keles, S. , 2010. Sparse partial least squares regression for simultaneous dimension reduction and variable selection. J. R. Stat. Soc. B 72, 3–25.


• Dimitras, A., Kyriakou, M. & Latridis G., (2015), “Financial crisis, GDP variation and earning managment in Europe”, Research in International Business and Finance, Vol 34, 338-335.


• Divsalar, M., Javid, M. R., Gandomi, A. H., Soofi, J. B., & Mahmood, M. V. (2011). Hybrid genetic programming-based search algorithms for enterprise bankruptcy prediction. Applied Artificial Intelligence, 25(8), 669-692.


• Du Jardin, P. (2010). Predicting bankruptcy using neural networks and other classification methods: The influence of variable selection techniques on model accuracy. Neurocomputing, 73(10-12), 2047-2060.


• Drezner, Z., Marcoulides, G. A., & Hoven Stohs, M. (2018). Financial applications of a tabu search variable selection model. Journal of Applied Mathematics and Decision Sciences, 5(4), 215-234.


• Frank, M. Z., & Goyal, V. K. (2009). Capital structure decisions: which factors are reliably important?. Financial management, 38(1), 1-37.


• Giraitis, , Kapetanios, G., Price, S., 2013. Adaptive forecasting in the presence of recent and ongoing structural change. J. Econom. 177, 153–170.


• Gepp, A., Kumar, K., & Bhattacharya, S. (2010). Business failure prediction using decision trees. Journal of forecasting, 29(6), 536-555.


• Guichard, S., Haugh, D., Turner, D., 2009. Quantifying the Effect of Financial Conditions in the Euro Area, Japan, United Kingdom and the United States. OECD Economics Working Papers No. 677.


• Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2009). The WEKA data mining software: an update. ACM SIGKDD explorations newsletter, 11(1), 10-18.


• Hatzius, J., Hooper, P., Mishkin, F., Schoenholtz, K., Watson, M., 2010. Financial Conditions Indexes: A Fresh Look After the Financial Crisis. Working Paper.


• Helbling, , Huidron, R. , Kose, M.A. , Otrok, C. , 2011. Do credit shocks matter? A global perspecive. Eur. Econ. Rev. 55, 340–353.


• Kapetanios, G., Price, S., & Young, G. (2018). A UK financial conditions index using targeted data reduction: forecasting and structural identification. Econometrics and Statistics.


• Lin, C. J. and W. W. Wu (2008). “A Causal Analytical Method for Group Decision-Making under Fuzzy Environment”, Expert Systems with Applications, Vol. 34, No. 1, pp. 205- 213.


• Millard, S., Nicolae, A., 2014. The Effect of the Financial Crisis on TFP Growth: A General Equilibrium Approach. Bank of England Working Paper 502. Mueller, P., 2009. Credit Spreads and Real Activity EFA 2008 Athens Meetings Paper.


• Pantea, M., Gligor, D., & Anis, C. (2014). Economic determinants of Romanian firms’ financial performance. Procedia-Social and Behavioral Sciences, 124, 272-281.


• Paries, M. D., Maurin, L., Moccero, D., 2014. Financial Conditions Index and Credit Supply Shocks for the Euro Area. ECB Working Paper Series 1644. Pearson, K. , On lines and planes of closest fit to systems of points in space. Philos. Mag. 2, 559–572.


• Rajan, G.R. and R. Zingales (1995) "What do we know about capital structure? Some evidence from international data", Journal of Finance , pp. 1421-1460.


• Raju, P. S. & Lonial, S. C. (2002). The Impact of Service Quality and Marketing on Financial Performance in the Hospital Industry. Journal of Retailing and Consumer Services, 9, 335-348.


• Ramli, N. A., Latan, H., & Solovida, G. T. (2019). Determinants of capital structure and firm financial performance—A PLS-SEM approach: Evidence from Malaysia and Indonesia. The Quarterly Review of Economics and Finance, 71, 148-160.


• Richardson, F. m. and Davidson, L. F. (2016) ‘An exploration into bankruptcy Discriminant model sensitivity’ , Journal of Business Finance & Accounting, 10(2) (Summer): 195-207


• Rossi, B. , Advances in forecasting under instability. In: Elliott, G., Timmermann, A. (Eds.), Handbook of Economic Forecasting. Elsevier, pp. 1203–1324.


• Santos, J. B., & Brito, L. A. L. (2012). Toward a subjective measurement model for firm performance. BAR-Brazilian Administration Review, 9(SPE), 95-117.


• Shu, Yan, Broadstock, David C. and Xu, Bing. (2013), “The Heterogeneous Impact of Macroeconomic Information on Firms’ Earnings Forecasts”. The British Accounting Review. Vol.45, PP.311–325.


• Stock, J. H., and Watson, M. W. (2002),”Forecasting Using Principal Components From a Large Number of Predictors”, Journal of the American Statistical Association, 97, PP.1167–1179.


• Tsai, C. F. (2009). Feature selection in bankruptcy prediction. Knowledge-Based Systems, 22(2), 120-127.


• Zhu, J. (2000). Multi-factor performance measure model with an application to Fortune 500 companies, European Journal of Operational Research, 123 (1), 105–124.


• Zhou, L., Lu, D., & Fujita, H. (2017). The performance of corporate financial distress prediction models with features selection guided by domain knowledge and data mining approaches. Knowledge-Based Systems, 85, 52-61.