Management Ability and its Consequences on Firms Value Creation by Employing Neural Networks (A Comparative Approach to Chemical & Food Industries)

Subject Areas : Futurology

Akbar Valizadeh Oghani ¹ , Nasser Fegh-hi Farahmand ² , Farzin Modarres Khiabani ³

1 - Department of Industrial Management, Tabriz Branch, Islamic Azad University, Tabriz, Irann
2 - Department of Management, Tabriz Branch, Islamic Azad University, Tabriz, Iran (Corresponding Author) [e-mail]
3 - Department of Mathematical, Tabriz Branch, Islamic Azad University, Tabriz, Iran

Received: 2017-09-07 Accepted : 2017-12-19 Published : 2018-01-21

Keywords: value creation, Neural Networks, Management Ability, DEA,

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.

Full-Text:



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  

---