Application of Artificial Neural Network to Estimate the Strategic Value Creation Via Relative Efficiency in the Automotive Industry
Subject Areas : Strategic Management Researches
Akbar Valizadeh Oghani
1
,
Nasser Fegh-hi Farahmand
2
,
Farzin Modarres Khiabani
3
,
Majid Bagherzadeh
4
1 - Department of Management, Sarab Branch, Islamic Azad University, Sarab, Iran
2 - Department of Management, Tabriz Branch, Islamic Azad University, Tabriz, Iran
3 - ...
4 - ...
Keywords: Data envelopment analysis, Artificial Neural Networks, Relative Efficiency, Strategic Value Creation, Automotive Industries,
Abstract :
The purpose of this study is to investigate the effect of relative efficiency of companies on value creation in the automotive industry accepted in Tehran Stock Exchange. The data were extracted from the financial statements of selected companies during in the 2013-2017. Initially, with the implementation of the DEA model with a native model, the relative efficiency is determined for each company. Then the strategic 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. The results show that the implementation of the artificial neural network model in the automotive industry explains the strategic value of the companies to a satisfactory level through the relative efficiency index and other input variables. Although some of the companies are efficient, such as Rana Investments Co., Khawar Spring Co., Saipa Diesel, Bahman Group and Charkheshgar Co., But in recent years, the automotive industry has been inefficient. At the same time, companies in this industry have somehow been able to strategically create value for their shareholders and their owners.
احمدپور، احمد، میرزایی اسرمی، حبیبه (1392). مقایسه مدل تحلیل تمایز چندگانه با مدل شبکههای عصبی در پیشبینی ورشکستگی شرکتهای عضو بازار بورس تهران، مجله تحقیقات حسابداری و حسابرسی، 4(19)، 4-41.
افشارکاظمی، محمدعلی، ستایش، محمدرضا، محرابیان، سعید، انوری، کرمعلی (1385). ارزیابی کارایی نسبی شعب بانک توسعه صادرات ایران با استفاده از تحلیل پوششی دادهها، مجله بانک و اقتصاد، (75)، 42-48.
بخشایی، صفیه، سپاهی، عبدالله (1394). ارزیابی کارایی شرکتهای تولیدی صنعت ماشین‌آلات و تجهیزات با استفاده از روش DEA، کنفرانس بین‌المللی مدیریت، اقتصاد و مهندسی صنایع، تهران، موسسه مدیران ایده پرداز پایتخت ویرا.
حاتمی، نیما، میرزازاده، حجت، و ابراهیمپور، رضا (1389). ترکیب شبکههای عصبی برای پیشبینی قیمت سهام، پژوهشنامه علوم اقتصادی، 10(2)، 62-80.
حاجیها، زهره و چناری، حسن (1392). مطالعه تاثیرانگیزه مدیران ارشد بر (خلق ثروت) ارزشآفرینی برای سهامداران، فصلنامه دانش علمی پژوهشی سرمایهگذاری، 2(5)، 80-98.
خالوزاده، حمید، خاکی صدیق، علی (1382). ارزیابی روشهای پیشبینی قیمت سهام و ارائه مدل غیرخطی بر اساس شبکههای عصبی، تحقیقات اقتصاد، (63)، 43-83.
راعی، رضا (1385). انتخاب سبد سرمایه ریسکی با استفاده از شبکههای عصبی، بررسیهای حسابداری و حسابرسی، 13(46)، 71-83.
رحمانسرشت، حسین، خاشعی، وحید، ابراهیمی، مهدی، رحیمیان، مهرنوش (1397). مدل هم آفرینی ارزش راهبردی در صنعت بانکداری ایران خلق ارزش در پارادایمی نوین، مجله پژوهشهای مدیریت عمومی، 11(2)، 30-52.
رحمانی، علی، غلامی گاکیه، فردین، پاکیزه، کامران (1391). تاثیر انعطافپذیری مالی بر میزان سرمایهگذاری و ارزشآفرینی، مجله پیشرفتهای حسابداری دانشگاه شیراز، 4(2)، 76-53.
فاضلی، نقی، رویایی، رمضانعلی، پورزمانی، زهرا، رهنمای رودپشتی، فریدون (1393). آزمون رویکرد کارایی مدیریت سود و نقش آن در ارزش آفرینی، پژوهشهای تجربی حسابداری، 3(11)، 159-177.
رهنمای رودپشتی، فریدون، افتخاری، اکبر (1389). تدوین استراتژی با رویکرد ارزشآفرینی در موسسات مالی، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 1(4)، 129-148.
عزیزی، شهریار، درویشی، زهرا، نمایان، فرشید (1390). بررسی عوامل تعیین‌کننده ارزش برند با رویکرد مالی در شرکتهای پذیرفته‌شده در بورس اوراق بهادار تهران، چشم‌انداز مدیریت بازرگانی، 10(2)، 9-32.
فاست، لوران (1388). مبانی شبکههای عصبی، ترجمه هادی ویسی، کبری مفاخری و سعید باقری شورکی، انتشارات نص، چاپ اول.
کوشافر، مصطفی، نوروش، ایرج، مشایخی، بیتا (1396). سنجش کارایی و توانایی مدیریت بر اساس معیارهای مالی، فصلنامه دانش حسابداری و حسابرسی مدیریت، 6(23)، 187-202.
محمودی، محمد (1390). سنجش متغیرهای مالی ارزیابی عملکرد شرکتهای بورس اوراق بهادار تهران با استفاده از الگوریتم TOPSIS و تکنیک DEA، مجله مهندسی مالی و مدیریت اوراق بهادار، (7)، 121-144.
مشایخی، بیتا، بیرامی، هانیه، بیرامی، هانی، اخلاقی، ساراسادات. (1391). کشف مدیریت سود با استفاده از شبکههای عصبی، مجله مهندسی مالی و مدیریت اوراق بهادار، 3(11)،63-77.
معظمی گودرزی، محمدرضا، جابرانصاری، محمدرضا، معلم، آذر، شکیبا، محبوبه (1393). کاربرد تحلیل پوششی دادهها (DEA) در ارزیابی کارآیی نسبی و رتبه بندی شعب بانک رفاه استان لرستان و مقایسه نتایج آن با روش TOPSIS، مجله پژوهش های اقتصادی، 14(1)، 115-126.
منهاج، محمدباقر (1389). مبانی شبکههای عصبی، انتشارات دانشگاه امیرکبیر، چاپ هفتم.
مومنی، منصور (1393). مباحث نوین تحقیق در عملیات، نشر مولف، ویرایش سوم، چاپ ششم.
ولیزاده اوغانی، اکبر، فقهی فرهمند، ناصر، مدرس خیابانی، فرزین (1396). ارزیابی کارایی مدیریت در صنعت سیمان ایران با استفاده از تکنیک تحلیل پوششی دادهها، مجله مدیریت صنعتی، 12(42)، 119-131.
Brockman, P. X. Martin, & Unlu. E (2010). Executive compensation and the maturity structure of corporate debt. Journal of Finance 65 (3): 1123–1161.
Brookman, J & Thistle P. D (2009). CEO tenure, the risk of termination and firm value. Journal of Corporate Finance 15 (3), 315–330.
Charnes, A, Cooper, W. W, Rhodes, E (1978). Measuring the efficiency of decision making units, European Journal of Operational Research, 2, 429– 444.
Chen, A. S, Leung, M. T & Daouk, H (2003). Application of neural networks to an emerging financial market: forecasting and trading the Taiwan Stock Index, Journal of Computers & Operations Research, 30(6), 901-923.
Chemmanur, T. J & Paeglis, I (2005). Management quality, certification, and initial public offerings, Journal of Financial Economics, 76(2), 331-368.
Demerjian, P, Lev, B, Lewis, M. F & McVay, S (2013). Managerial Ability and Earnings Quality, The Accounting Review, 88(2), 463-498.
Demerjian, P, Lev, B & McVay, S (2012). Quantifying Managerial Ability: A New Measure and Validity Tests, Management Science, Vol. 58 (7), 1229-1248.
Feroz, E. H, Kim, S & Raab, R. L (2003). Financial Statement analysis: A Data envelopment analysis Approach, Journal of the Operational Research Society, 54(1), 48-58.
Fee, C & Hadlock, C (2003). Raids, rewards, and reputations in the market for managerial talent, Review of Financial Studies 16 (4): 1315–1357.
Gong, J. (2011). Examining Shareholder Value Creation over CEO Tenure: A New Approach to Testing Effectiveness of Executive Compensation, Journal of Management Accounting Research 23(1): 1–28.
Ghasemieh, R, Moghdani, R & Sana, S. S (2017). A Hybrid Artificial Neural Network with Metaheuristic Algorithms for Predicting Stock Price, Cybernetics and Systems, Cybernetics and Systems, 48(4), 365-392.
Matemilola, B. T, Bany-Ariffin, A. N & Azman-Saini, W. N. W (2013). Impact of Leverage and Managerial Skills on Shareholders’ Return, Journal of Procedia Economics and Finance (Elsevier Publisher), 7, 103-115.
Shank, J. K & Govindarajan, V (1992). Strategic Cost Management: The Value Chain Perspective, Journal of Management Accounting Research, 4, 179-197.
Normah, O. Z, Amirah, J & Malcolm, S (2017). Predicting fraudulent financial reporting using artificial neural network, Journal of Financial Crime, 24 (2), 362-387.
Haritha, S & Phani, B. V (2004). The Indian Pharmaceutical Industry-An Overview of Internal Efficiencies using Data envelopment analysis, Indian Institute of Management Calcutta and Indian Institute of Technology Kanpur.
Han, Li. (2015). Managerial Ability and Internal Control Quality: Evidence from China, International Journal of Financial Research, 6(2), 54-66.
Witzel, M (2002). A Short History of Efficiency, London Business School Review, 13 (2), 38-47.
Wong, B, Lai, V & Lam, J (2000). A bibliography of neural network business applications research: 1994-1998. Computer & Operational Research, 27 (11-12), 1045-1076.