ارائه الگوی پیش بینی حساسیت جبران خدمات مدیرعامل با استفاده الگوریتم های فراابتکاری (ژنتیک و ازدحام ذرات) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: برای کاهش تضاد منافع بین مدیران و سهام داران، بر تسهیم منافع تمرکز می شود. پاداش به مدیران، یکی از راه های کاهش این تضاد است و به عنوان ابزاری برای هم سو کردن دیدگاه ها و عملکرد آنان در جهت افزایش ثروت سهام داران استفاده می شود. پاداش نقدی به مدیران باید بر عملکرد آنان مبتنی باشد تا هم سویی عملکرد مدیران با منافع سهام داران را تضمین کند. در طراحی بسته دستمزد مدیرعامل در شرکت ها، نقش سرمایه گذاران نهادی مطرح است. نظریه نمایندگی به مشکلاتی اشاره می کند که در زمان تفویض اداره شرکت به مدیران توسط مالکان به وجود می آید. برای کاهش تضاد نمایندگی، پاداش به مدیران با ارزش ایجاد شده برای سهام داران باید مرتبط باشد. یکی از روش های اصلی اندازه گیری عملکرد مدیر، گزارش های حسابداری است که به عنوان ابزاری برای اندازه گیری و ارزیابی عملکرد و انگیزش مدیر نقش دارد. با توجه به نکات ذکر شده، هدف این پژوهش ارائه الگوی پیش بینی حساسیت جبران خدمات مدیرعامل با استفاده الگوریتم های فراابتکاری (ژنتیک و ازدحام ذرات) است. روش: جامعه آماری این پژوهش را کلیه شرکت های پذیرفته شده در بورس اوراق بهادار تهران، در دوره زمانی ۱۳۹۰ تا ۱۴۰۰ تشکیل می دهد. در این پژوهش به منظور انتخاب نمونه، از روش حذف سیستماتیک استفاده و ۱۱۰ شرکت انتخاب شد. براساس دسته بندی پژوهش ها برحسب هدف، پژوهش حاضر از نوع کاربردی است. به علاوه، از نوع تحقیقات شبه تجربی است و در حوزه تحقیقات توصیفی (غیرآزمایشی پیمایشی) قرار می گیرد. روش های گردآوری داده های پژوهش مطالعه اسناد و مدارک، کاوش اینترنتی و مطالعه کتابخانه ای بسته به نیاز بوده است. در این پژوهش ۱۲ پارامتر تأثیرگذار، بر حساسیت جبران خدمات مدیرعامل، به عنوان ورودی مدل داده کاوی انتخاب شده است که عبارت اند از: مالکیت نهادی، مالکیت خانوادگی، قابلیت مقایسه صورت های مالی، مدیریت سود، محافظه کاری شرطی، تطابق درآمد و هزینه، ارزش افزوده بازار، اکتساب شرکتی، قراردادهای بدهی و رفتار هزینه با سه نوع (تغییرات بازده دارایی، تغییرات درآمد فروش و تغییرات هزینه های عملیاتی). همچنین پارامتر حساسیت جبران خدمات مدیرعامل نیز به عنوان خروجی مدل داده کاوی انتخاب شد. بدین منظور، سه مدل داده کاوی به تفکیک پارامتر رفتار هزینه ایجاد شد. افزون بر این، به منظور مقایسه، از سه مدل رگرسیون خطی استفاده شد. یافته ها: نتایج از برتری مدل شبکه عصبی عمیق، از لحاظ میزان ضریب تعیین و شاخص MSE حکایت می کند. این برتری برای هر سه مدل داده کاوی، نسبت به سه مدل رگرسیون خطی صادق است. در بین مدل های داده کاوی، مدل سوم با پارامتر رفتار هزینه: تغییرات هزینه های عملیاتی، بهترین نتایج را کسب کرده است. در سطح بعدی، مدل دوم با پارامتر رفتار هزینه: تغییرات درآمد فروش، بهترین نتایج را کسب کرده است. در نهایت مدل داده کاوی اول با پارامتر رفتار هزینه: تغییرات بازده دارایی، ضعیف ترین نتایج را کسب کرده است. نتیجه گیری: استفاده از شبکه های عصبی عمیق با بهینه سازی الگوریتم های فراابتکاری، می تواند مدل های پیش بینی مبتنی بر داده های واقعی را ایجاد کند و از آن ها می توان برای تصمیم گیری های مدیریتی و بهبود فرایندهای جبران خدمات در سازمان ها استفاده کرد. این روش ها با بهره گیری از داده های موجود و الگوریتم های هوش مصنوعی، عملکرد مدیرعاملان را بهبود و کیفیت خدمات ارائه شده توسط سازمان ها را ارتقا می دهد. از طرف دیگر، این پژوهش می تواند به سرمایه گذاران و تصمیم گیران اقتصادی کمک کند تا با دقت بسیار زیاد، به تحلیل و پیش بینی حساسیت جبران خدمات مدیرعامل با استفاده شبکه های عصبی عمیق و الگوریتم های فراابتکاری بپردازند.Presenting a Prediction Model for CEO Compensation Sensitivity using Meta-heuristic Algorithms (Genetics and Particle Swarm)
Objective
To reduce the conflict of interests between managers and shareholders, it is crucial to focus on the sharing of benefits. Managerial remuneration is one way to address this conflict and serves as a tool to align managers' perspectives and performance with the goal of increasing shareholder wealth. Cash rewards for managers should be performance-based to ensure their alignment with shareholder interests. When designing the CEO's salary package in companies, the role of institutional investors is significant. Agency theory highlights the problems that arise when owners delegate the management of the company to managers. To mitigate agency conflicts, managerial rewards should be tied to the value created for shareholders. One of the primary methods for measuring managerial performance is through accounting reports, which act as tools for assessing and motivating managerial performance. Given these points, the aim of this research is to provide a model for predicting the sensitivity of CEO compensation using meta-heuristic algorithms, specifically genetic algorithms and particle swarm optimization.
Methods
The statistical population of this research comprises all companies listed on the Tehran Stock Exchange from 1390 to 1400. To select the sample, a systematic elimination method was employed, resulting in a sample of 110 companies. Based on the classification of research according to its purpose, the current study is applied in nature. Additionally, it is a quasi-experimental study within the domain of descriptive research (non-experimental survey). Data collection methods for this research include document analysis, internet research, and library study, depending on the specific requirements. In this research, 12 parameters influencing the sensitivity of CEO compensation were selected: institutional ownership, family ownership, comparability of financial statements, profit management, conditional conservatism, income and cost matching, market added value, corporate acquisition, debt contracts, and cost behavior (categorized into three types: changes in asset returns, changes in sales revenue, and changes in operating costs). These parameters were used as inputs for the data mining model. The sensitivity of CEO service compensation was chosen as the output parameter. Three data mining models were created by separating the cost behavior parameter, and for comparison, three linear regression models were also employed.
Results
The results demonstrate the superiority of the deep neural network model in terms of the coefficient of determination and MSE index. This superiority holds true for all three data mining models compared to the three linear regression models. Among the data mining models, the third model, which incorporates the cost behavior parameter of changes in operational costs, produced the best results. The second model, which includes the cost behavior parameter of changes in sales revenue, achieved the next best results. Finally, the first data mining model, which uses the cost behavior parameter of asset return changes, delivered the weakest results.
Conclusion
The application of deep neural networks, optimized by meta-heuristic algorithms, can create predictive models based on real data, which can be used for management decisions and enhancing service compensation processes in organizations. These methods offer the potential to improve CEO performance and the quality of services provided by organizations by leveraging existing data and artificial intelligence algorithms. Furthermore, this research can assist investors and economic decision-makers in more accurately analyzing and predicting the sensitivity of CEO compensation using deep neural networks and meta-heuristic algorithms.
تبلیغات
