بکارگیری شبکه های عصبی مصنوعی جهت برآورد ارزش آفرینی راهبردی شرکت ها از طریق کارایی نسبی در صنعت خودرو

محورهای موضوعی : پژوهش های مدیریت راهبردی

اکبر ولیزاده اوغانی ¹ , ناصر فقهی فرهمند ² , فرزین مدرس خیابانی ³ , مجید باقرزاده ⁴

1 - استادیار مدیریت، دانشگاه آزاد اسلامی، واحد سراب،
2 - دانشیار مدیریت، دانشگاه آزاد اسلامی، واحد تبریز
3 - استادیار ریاضی کاربردی، دانشگاه آزاد اسلامی، واحد تبریز
4 - دانشیار مدیریت، دانشگاه آزاد اسلامی، واحد تبریز

تاریخ دریافت : 1397/02/24 تاریخ پذیرش : 1397/07/28 تاریخ انتشار : 1397/12/01

کلید واژه: کارایی نسبی, تحلیل پوششی داده‌ها, شبکه‌های عصبی مصنوعی, صنعت خودرو, ارزش‌آفرینی راهبردی,

چکیده مقاله :

این تحقیق با هدف بررسی تاثیر کارایی نسبی شرکت ها بر ارزش آفرینی راهبردی در صنعت خودروی پذیرفته‌شده در بورس اوراق بهادار تهران انجام شده است. داده ها از صورت های مالی شرکت های انتخابی در دوره زمانی 1391-1395 استخراج شده است. ابتدا با اجرای مدل تحلیل پوششی داده ها با یک الگوی بومی شده، کارایی نسبی برای هر شرکت مشخص شد. سپس ارزش آفرینی راهبردی شرکت ها از متوسط حاصل عواملی مانند بازده حقوق صاحبان سهام، نسبت Q توبین، بازده سرمایه گذاری ها و خلق ثروت برای سهامداران اندازه گیری شد. مدل شبکه عصبی به‌کار گرفته شده در این تحقیق، پرسپترون چندلایه‌ای با الگوی آموزش پس انتشار خطا بوده است. نتایج نشان می دهد که اجرای مدل شبکه عصبی مصنوعی در صنعت خودرو، ارزش آفرینی راهبردی شرکت ها را از روی شاخص کارایی نسبی و دیگر متغیرهای ورودی تا حد مناسبی تبیین می کند. با وجود اینکه برخی از شرکت ها مثل سرمایه گذاری رنا، فنرسازی خاور، سایپا دیزل، گروه بهمن و چرخشگر کارا هستند، اما در سال های اخیر به‌طور متوسط صنعت خودرو از کارایی مناسبی برخوردار نبوده است. در عین‌ حال شرکت ها در این صنعت تا حدودی توانسته‌اند برای سهامداران و مالکان خود به‌صورت راهبردی ایجاد ارزش نمایند

چکیده انگلیسی:

  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.  

منابع و مأخذ:

 
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.