Investigation of Micro and Macro of Economic Policies Factors Affecting Corporate Financial Performance

Subject Areas : Public Policy In Administration

Ebrahim Alizadeh ¹ ( Department of Accounting, Kish International Branch, Islamic Azad University, Kish Island, Iran )
HamidReza Vakilifard ² ( Associate Professor, Department of Accounting, Science and Research Branch, Islamic Azad University, Tehran, Iran. )
Mohsen Hamidian ³ ( Assistant Professor, Department of Accounting, South Tehran Branch, Islamic Azad University, Tehran, Iran )

Received: 2020-09-14 Accepted : 2020-12-09 Published : 2021-11-22

Keywords: microeconomic factors, corporate financial performance, macroeconomic factors,

Abstract :

Financial indicators are a good measure for policymakers who want to assess the current state of the economy and predict the future. The purpose of this study was to investigate the micro and macro factors of economic policies affecting the financial performance of companies. Fuzzy Delphi fan research method and in the second stage to prioritize the indicators and determine the internal relationships between the indicators, the fuzzy dimtel method was used to systematically and comprehensively study to identify all the measures that may affect the profitability stability and other basic indicators. Financial performance is effective and a complete database of these metrics is provided. The results showed that the four most effective factors on the performance of companies among micro-financial factors according to experts, respectively, were the value of the company to debt, asset growth, income size and liquidity of assets. Also, the four most effective factors on the performance of companies among microeconomic factors according to experts, respectively, were the total index, price index, cash return index and industry index. And the four most influential factors on the performance of companies among macroeconomic factors have been production growth, investment growth, exchange rate fluctuations and financial instability, respectively.

References:

آلتمن، ای. آی. (1968). نسبت های مالی، تحلیل تفکیک کننده و پیش بینی ورشکستگی شرکت ها. مجله مالی، 23 (4)، 589-609.
Altman, E. I., Zhang, L., & Yen, J. (2007). تشخیص پریشانی مالی شرکت در چین مرکز سالومون دانشگاه نیویورک، مقاله کار.
Angelopoulou, E., Balfoussia, H., Gibson, H., 2013. ایجاد یک شاخص شرایط مالی برای منطقه یورو و کشورهای منتخب منطقه یورو: در مورد بحران به ما چه می گوید؟ شماره WP ECB 1541.
چن، جی.، ام. فرث، دی.ان. گائو و او.ام. Rui (2006) "ساختار مالکیت، حاکمیت شرکتی و تقلب: شواهدی از چین"، مجله مالی شرکت، جلد. 12، ش 3، ص 424-448.
Chun, H., Keles, S., 2010. رگرسیون حداقل مربعات جزئی پراکنده برای کاهش ابعاد همزمان و انتخاب متغیر. J. R. Stat. Soc. ب 72، 3-25.
دیمیتراس، آ.، کیریاکو، ام و لاتریدیس جی، (2015)، "بحران مالی، تغییرات تولید ناخالص داخلی و مدیریت سود در اروپا"، پژوهش در تجارت و امور مالی بین المللی، جلد 34، 338-335.
دیوسالار، م.، جاوید، م.ر.، گندمی، ع. ح.، صوفی، ج.ب.، و محمود، م. و. (2011). الگوریتم های جستجوی مبتنی بر برنامه نویسی ژنتیک ترکیبی برای پیش بینی ورشکستگی شرکت هوش مصنوعی کاربردی، 25(8)، 669-692.
-کاپتانیوس، جی.، پرایس، اس.، و یانگ، جی. (2018). شاخص شرایط مالی انگلستان با استفاده از کاهش داده های هدفمند: پیش بینی و شناسایی ساختاری اقتصاد سنجی و آمار.
Lin, C. J. and W. W. Wu (2008). "یک روش تحلیلی علی برای تصمیم گیری گروهی تحت محیط فازی"، سیستم های خبره با کاربردها، جلد. 34، شماره 1، ص 205- 213.
Millard, S., Nicolae, A., 2014. تأثیر بحران مالی بر رشد TFP: یک رویکرد تعادل عمومی. مقاله کاری بانک انگلستان 502. مولر، پی.، 2009. انتشار اعتبار و فعالیت واقعی EFA 2008 مقاله جلسات آتن.
Pantea، M.، Gligor، D.، & Anis، C. (2014). عوامل اقتصادی تعیین کننده عملکرد مالی شرکت های رومانیایی رویه- علوم اجتماعی و رفتاری، 124، 272-281.
Paries, M. D., Maurin, L., Moccero, D., 2014. شاخص شرایط مالی و شوک عرضه اعتبار برای منطقه یورو. ECB Working Paper Series 1644. Pearson, K., 1901. در مورد خطوط و سطوحی که نزدیکترین تناسب را با سیستم نقاط در فضا دارند. فیلوس Mag. 2، 559-572.
راجان، جی.آر. و آر.
راجو، پی اس و لونیال، اس سی (2002). تأثیر کیفیت خدمات و بازاریابی بر عملکرد مالی در صنعت بیمارستان. مجله خرده فروشی و خدمات مصرف کننده، 9، 335-348.
Ramli، N. A.، Latan، H.، & Solovida، G. T. (2019). عوامل تعیین کننده ساختار سرمایه و عملکرد مالی شرکت - رویکرد PLS-SEM: شواهدی از مالزی و اندونزی. فصلنامه بررسی اقتصاد و امور مالی، 71، 148-160.
ریچاردسون، اف.ام. و دیویدسون، L. F. (2016) "کاوش در ورشکستگی، حساسیت مدل متمایز کننده"، مجله امور مالی و حسابداری کسب و کار، 10(2) (تابستان): 195-207
Rossi, B., 2013. پیشرفت در پیش بینی در شرایط بی ثباتی. در: Elliott, G., Timmermann, A. (Eds.), Handbook of Economic Forecasting. الزویر، ص 1203–1324.
سانتوس، جی بی، و بریتو، ال. ای.ال. (2012). به سمت یک مدل اندازه گیری ذهنی برای عملکرد شرکت. BAR-Brazilian Administration Review, 9 (SPE), 95-117.
شو، یان، برادستاک، دیوید سی و ژو، بینگ. (2013)، "تأثیر ناهمگون اطلاعات کلان اقتصادی بر پیش بینی های سود شرکت". بررسی حسابداری بریتانیا Vol.45, PP.311-325.

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, H. , 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, L., 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, T. , 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. , 1901. 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. , 2013. 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.