یک روش مفهومی برای غربالگری و اتخاذ مدل های کسب و کار دورانی در شرکت های کوچک و متوسط (SMEs): مطالعه موردی روی صندلی های ایمنی کودک به عنوان یک سیستم خدمات محصول

A conceptual methodology to screen and adopt circular business models in small and medium scale enterprises (SMEs): A case study on child safety seats as a product service system

چکیده

1- مقدمه

2- پیش زمینه ی نظری

3- متدولوژی

4- نتایج و گفتمان

5- نتیجه گیری

منابع

چکیده

     درحالیکه شرکت های کوچک و متوسط درحال حاضر از مزایای روزافزون راندمان و بهره وری منابع، کاهش پسماند و ضایعات، و بستن حلقه های مواد آگاه هستند، انتخاذ اصول اقتصاد دورانی یا دایره ای در شرکت های کوچک و متوسط کماکان درحال رشد و شکوفایی می باشد. علی رغم پیکره ی بزرگ ادبیات تحقیقی آکادمیک که تعاریف و مدل های کسب و کار متعددی برای روشن تر کردن اقتصاد دورانی یا دایره ای ارائه می کنند، این رویکردها فاقد تحقیقات سیستمی و نظام مند از نقطه نظر شرکت کوچک و متوسط هستند و اغلب مبهم و گیج کننده می باشند. علاوه براین، شرکت های کوچک و متوسط فاقد منابع مالی و سازمانی برای اجرای یک تغییر (نظام مند و یکپارچه) برای مدل های کسب و کار از قبل بهینه شده ی خود هستند. این مقاله با ارائه ی یک رویکرد مفهومی که نه تنها به عنوان یک ابزار تصمیم گیری و یک نقطه ی شروع احتمالی نسبت به ارزش زایی دایره ای (چرخشی) به کار می رود، بلکه برآورد اولیه ای را در مورد نحوه ی دست یابی به شکل های چرخه ای در مدل های کسب و کار اتخاذ شده نیز ارائه می کنند به این شکاف دانش می پردازد. متدولوژی ارائه شده برای یک محصول پیچیده در بخش پلاستیک اعمال شد. با شروع کار با کارگاه تفکیک و جداسازی محصول، یک تحلیل دقیق و کامل برای شناسایی مفاهیم چرخشی و دایره ای مختلف با استفاده از ابزارهای تفکر طراحی انجام شد. نتایج به شکل آنالیز درخت تصمیم ارائه و خلاصه شده اند. با استفاده از ماتریس تناقض و ابزار نگاشت محیط، تلاش شد تا طیف حل دایره ای به یک سطح قابل مدیریت محدود شود. برای نتیجه گیری، یک تحلیل اثر متقابل تعادل برای اعتبارسنجی سناریوهای مدل های کسب و کارهای شناسایی شده اعمال شد. هدف متدولوژی ارائه شده نشان دادن نحوه ی ایجاد نوآوری های مدل های کسب و کار به صورت سیستماتیک، محدود کردن فضای راه حل به شیوه ای ساختار یافته، و نحوه ی بررسی گزینه های راه حل حاصل در مقابل یکدیگر و سنجیدن مبادلات آن ها توسط شرکت های کوچک و متوسط است. ابزارها و تکنیک های استفاده شده به روشی انتخاب شدند که بتوان آن ها را با منابع و پیچیدگی هرچه کمتر اعمال کرد، و لذا بتوان به عنوان راهنمایی برای شرکت های کوچک و متوسط در گذارشان به سمت ارزش آفرینی چرخشی (دورانی) به کار گرفت.

2- پیش زمینه ی نظری

2-1 افزایش نیاز به پایداری و چرخه ای بودن در توسعه ی مدل کسب و کار

     مقابله با مشکل پسماند نیازمند یک رویکرد هدفمند برای ایجاد ابتکارات و نوآوری های فنی همراه با نوآوری های سازمانی یا ساختاری است (دایکسترا و همکاران، 2020). نوآوری های مدل کسب و کار (BMIs) می توانند به سازمان ها این اختیار را بدهند تا عملیات ها و شیوه های موجود خود برای خلق، جذب، و ارائه ی ارزش را منطبق و بازآرایی کنند (اشنایدر و اسپیت، 2013). همچنین این نوآوری های مدل های کسب و کار را می توان برای طراحی و توسعه ی یک مدل کسب وکار کاملا جدید که مجموعه ی گسترده تری از ارزش های زیست محیطی و اجتماعی را منعکس می کند استفاده کرد (پادیلا ریورا و همکاران، 2020). ثابت شده که بازآرایی وتعدیل مدل های کسب و کار اغلب ابزارهای مؤثر و کارآمدی در غلبه بر موانع دور از دسترس هستند.

     اصولا، مدل های کسب و کار مربوط به زنجیره ی ارزش خطی پلاستیک اغلب تأثیرات و پیامدهای عمیق محصولات خود را تفکیک می کنند، که به موجب آن محصولی که به پایان عمر مفید خود رسیده است به عنوان پسماند طبقه بندی شده و از این رو دور ریخته می شود. این مسئله چالش هایی را در تأمین مالی بازگرداندن و بازیافت محصولی ایجاد می کند که تصور می شود ارزش اقتصادی ناچیزی دارد. کشورهای توسعه یافته روشی را مقرر کرده اند تا هزینه های زیست محیطی را از طریق سیستم های مدیریت پسماند شهری برون سپاری کنند، جایی که پلاستیک هایی که به پایان عمر مفید خود رسیده اند تاحد زیادی سوزانده می شوند (اسکارلات و همکاران، 2019). کنش گرایی عمومی و دستورالعمل های سیاسی (EC، 2019) پیرامون موضوع پسماند پلاستیک نویدبخش اکوسیستم جدیدی هستند که هدف آن برگرداندن پیامدها و اثرات خارجی زیست محیطی به فرصت های مالی با بهره بردن از ارزش افزایی محصولات پلاستیکی با پایان عمر مفید است (پلاستیک های چرخشی، 2021). با این وجود، رویکردهای موجود برای ادغام مدل های کسب و کار دایره ای اغلب انحصارا به بازیافت محدود می شوند. در مقابل، این مسئله به دلیل کیفیت پایین تر ماده ی بازیافت شده عملا به بدیافت (downcycling) به جای حفظ ارزش منجر می شود (استاینمن و همکاران، 2019).

استفاده از تاثیر حرکت در تجارت ارزهای دیجیتال مبتنی بر یادگیری ماشین

Leveraging the momentum effect in machine learning-based cryptocurrency trading

چکیده

1- مقدمه

2- کارها و تحقیقات مرتبط

3- رویکرد ذهنی و اکتشافی

4- روش پیشنهادی

5- آزمایش ها

6- نتیجه گیری و کارهای آتی

منابع

چکیده

     تجارت ارز دیجیتال (رمزارز) در میان سرمایه گذاران بخش خصوصی بیش از پیش به محبوبیت رسیده است. مطابق با مطالعات اخیر، تأثیر مومنتوم بازار پایه را تحت تأثیر قرار می دهد. سیستم های معاملات کمی می توانند برای باز و بسته کردن موقعیت های معاملاتی شاخص های مومنتوم را اهرم قرار داده و نهایت استفاده را از آن ها ببرند. با این حال، رویکردهای موجود که تأثیر مومنتوم (تأثیر نیروی حرکت قیمت) در معاملات ارز دیجیتال (رمزارز) را بکار می گیرند به یادگیری ماشین اتکا نمی کنند. از آنجایی که این سیستم ها بر اساس قواعد و مقررات ایجاد شده توسط انسان ها می باشند متناسب با شرایط بسیار ناپایدار و شناور، که در بازارهای ارز دیجیتال کاملا معمول و رایج هستند، نمی باشند. این مقاله استفاده از رویکردهای یادگیری ماشین و اعمال نفوذ آن برای تشخیص اتوماتیک اثر مومنتوم در داده های بازار ارز دیجیتال را پیشنهاد می کند. برای هر ارز دیجیتال احتمال اینکه با اثر مومنتوم روی روز بعدی معامله گری و همچنین جهت مومنتوم تحت تأثیر قرار بگیرد را برآورد می کند. یک جلسه شبیه سازی و آزمون بازخورد، که روی سه ارز دیجیتال بسیار متداول و پرطرفدار انجام شده، نشان می دهد که مدل های یادگیری ماشین توانایی پیش بینی، تقریب خوب، نوسان کوتاه مدت قیمت و به موجب آن کاهش تعداد سیگنال های کاذب معامله و افزایش بازده سود سرمایه را در مقایسه با پیشرفته ترین رویکردها دارند.

کارها و تحقیقات مرتبط

رویکردهای مبتنی بر یادگیری ماشین برای معامله ی ارز دیجیتال

هرچند استفاده از یادگیری ماشین برای پیش بینی بازار سهام مقرر شده است (بوستوس و پومارس-کویمبایا، 2020؛ هوانگ و همکاران، 2019؛ اوبای اوغلو و همکاران، 2020؛ راندو و دی استالو، 2019)، برای تطبیق سیستم های معامله ی ارز با بازار ارز دیجیتال تلاش های کمی صورت گرفته است. به طور مشخص، آتاناسیو و همکاران (2019) کاربرد تکنیک های سنتی طبقه بندی مثل ماشین های بردار پشتیبان و درخت های تصمیم گیری را برای پیش بینی قیمت روز بعد ارز دیجیتال مورد ارزیابی قرار داده اند، درحالیکه در پژوهش های لاهمیری و بکیروس (2021)، لیویریس و همکاران (a2020) نویسندگان استفاده از تکنیک های یادگیری ژرف را مورد بررسی دقیق قرار داده اند. جنبه ی کلیدی کشف و بررسی انواع مختلف ورودی داده هایی مثل شاخص های مالی کلان و اطلاعات بلاک چین می باشد. علاوه براین، داده های شبکه های اجتماعی نیز برای پیش بینی قیمت های ارزهای دیجیتال مثل داده های توییتر (کرایجولد و دی اسمت، 2020) یا گیت هاب (GitHub) و داده های ردیت (گلنسکی و همکاران، 2019) بکار گرفته شده اند. حوزه ی فعالیت دیگری استفاده از روش های ترکیبی را بررسی می کند، ضمن اینکه به بررسی دقیق استفاده از رویکردهای سطحی استاندارد، مثل جنگل های تصادفی و ماشین افزایش گرادیان تصادفی (دربنتسف و همکاران، 2021)، و استفاده از مدل های یادگیری عمیق به عنوان یادگیران مؤلفه و اجزاء تشکیل دهنده (لیویریس و همکاران، b2020) می پردازند. سان و همکاران (2020) داده های روزانه ی قیمت مربوط به 42 ارز دیجیتال با شاخص های کلیدی اقتصادی بدست آمده از بازارهای سهام و بدون پشتوانه (Fiat market) را ترکیب می کنند تا الگوریتم درخت تصمیم گیری افزایش گرادیان را آموزش دهند. با این حال، تمامی ویژگی های فوق معمولا با درجه ی بالایی از اختلال و جنجال مشخص می شوند لذا فرآیند استنباط را پیچیده کرده و به راحتی قابل توضیح نیست. در راستای غلبه بر این مسئله، ژانگ و همکاران (2021) استفاده از یک واحد حافظه هوشیار و دقیق را پیشنهاد می کنند که واحد بازگشتی (تکرارشونده) درگاهی را با یک مؤلفه ی خودنگرش ترکیب می کند تا برای هر توالی ورودی حافظه ی هوشیار و دقیق ایجاد کند. نتایج تأیید می کنند که توالی خام و اولیه در حال حاضر اکثر اطلاعات مربوطه را ادغام می کند درحالیکه اطلاعات موقعیتی و زمینه ای به شدت برای ایجاد مدل های پیش بینی کننده ی دقیق قابل استفاده است. به جای پرداختن به پیش بینی کوتاه مدت قیمت مثل اثر لاهمیری و بکیروس (2021)، لیویریس و همکاران (a2020)، ژانگ و همکاران (2021)، این مقاله یک استراتژی جدید مبتنی بر یادگیری ماشین را با هدف پیش بینی اثر واکنش افراطی پیشنهاد می کند. از این رو، این استراتژی ویژگی های بازار پایه که با شواهد تجربی اخیر نمایان شده اند را دربر می گیرد (کاپورال و پلاستون، 2020) تا نهایت استفاده را از قدرت پیش بینی مدل های یادگیری ماشین برای قیمت های مبتنی بر تاریخ ببرد. ما معتقدیم که این اولین تلاش برای استفاده از یادگیری ماشین برای انجام معامله ی ارز دیجیتال براساس مومونتوم است.

کاربردهای اثر مومنتوم در حوزه ی مالی

     بازار ارز دیجیتال یک مورد به خصوص جدید و نسبتا ناشناخته از بازار به شدت آسیب پذیر نسبت به واکنش های افراطی با توجه به نوسان بالای آن در مقایسه با بازارهای سنتی مثل بازار ارز خارجی (فارکس)، بازارهای کالا و سهام و غیره می باشد. مطالعات اخیر (بارتوس، 2015؛ اورکوهارت، 2016) راندمان و کارایی آن، ویژگی های حافظه ی بلند و پایداری و دوام قیمت (باریویرا، 2017)، وجود حباب های قیمت (کوربت و همکاران، 2018)، رقابت پذیری (کاندال و هالابوردا، 2014)، مسئله ی پیش بینی پذیری قیمت (پلاستون و همکاران، 2021)، و وجود ناهنجاری های آن (کوریهارا و فوکوشیما، 2017) را تجزیه و تحلیل کرده اند

پیش بینی درماندگی مالی از طریق تلفیق کردن ویژگی های لحن عاطفی

Financial distress prediction by combining sentiment tone features

چکیده
1 مقدمه
2 مروی بر پیشینه
2-1 ویژگی ها در پیش بینی درماندگی مالی
2-2 مدل های پیش بینی درماندگی مالی
3 طرح پژوهشی
3-1 مبنای نظری
3-2 کسب داده
3-3 پردازش داده و استخراج ویژگی
3-3-1 ویژگی های مالی
3-3-2 ویژگی های متنی
3-3-3 انتخاب مقطع زمانی اظهارنظرها در تالار آنلاین بورس
3-4 ساخت مدل
3-4-1 CatBoost
3-4-2 دیگر مدل ها
4 ارزیابی تجربی
4-1 مجموعه داده ی آزمایشی
4-2 انتخاب ویژگی های مالی
4-3 مقیاس های ارزیابی
4-4 انتخاب مقطع زمانی اظهار نظرها در تالارهای آنلاین بورس
5 نتایج آزمایشی و بحث
5-1 نتایح آزمایشی و تحلیل
5-2 مزایای اقتصادی چهارچوب پیش بینی پیشنهادی
5-3 آزمون استواری
6 نتیجه گیری
منابع

چکیده

در این مقاله افزون بر ارائه ی ویژگی های مالی، یک چهارچوب نوین پیش می نهیم که با تلفیق کردن ویژگی های لحن عاطفیِ مستخرج از اظهار نظرها در تالارهای آنلاین بورس، بحث و تحلیل مدیریت، و نکات صورت های مالی، درماندگی مالی را پیش بینی می کند. ما چهارچوب پیشنهادی را با استفاده از داده های مربوط به بازار بورس چین در فواصل سال های 2016 تا 2020 ارزیابی می کنیم. ما درمی یابیم که شرکت های دچار درماندگی مالی با احتمال بیش-تری دارای لحن عاطفی ضعیفی هستند چون سرمایه گذاران نگرش منفی نسبت به وضعیت عملیاتی و مالی آن شرکت ها دارند، در حالی که شرکت های عادی وضعیت عکس دارند. افزون بر این، لحن عاطفی اظهار نظرها در طول یک ماه به طور کارامدی این همبستگی ها را منعکس می کند. ما گنجاندن ویژگی های لحن عاطفی را توصیه می کنیم چون آن ها به بهبودی عملکرد پیش بینی همه ی مدل هایی که صرفاً از ویژگی های مالی استفاده می کنند، می انجامند، و همچنین استفاده از مدل CatBoost را توصیه می کنیم چون نسبت به همه ی مدل های معیار عملکرد بهتری دارد و از این توانایی برخوردار است که روابط میان ویژگی های پیچیده را استخراج کند. تحلیل مزایای اقتصادی نشان می-دهد که چهارچوب پیشنهادی می تواند به درستی شرکت های از نظر مالی درمانده تر را شناسایی کند.

1 مقدمه

با گسترش مستمر حجم بازار اوراق بهادار و توسعه ی تدریجی بازار سرمایه، شرکت ها با محیط های اقتصادی بسیار پیچیده و متغیر و فشار رقابتی عظیمی رو به رو هستند (لیو و همکاران، 2020). بدون یک سازوکار مناسب برای تطبیق دادن با این محیط، شرکت ها با احتمال بیش تری به مسائل و مشکلاتی برمی خورند، مانند نقدینگی ناکافی و بدهی های فراوان، که در نهایت منجر به درماندگی مالی می شوند (وانگ و همکاران، 2018). درماندگی مالی به عنوان یکی از نگران کننده ترین مسائل در حوزه ی اقتصادی می تواند به طور نامطلوبی بر توسعه ی پایدار شرکت ها تأثیر بگذارد، بقای آن ها را تهدید کند، و منجر به زیان های هنگفت برای سرمایه گذاران، بستانکاران، مشتریان، و دیگر ذینفعان (بهره وران) شود (کیم و اوپنجا، 2014). هنگامی که شمار شرکت های در وضعیت درماندگی مالی به یک سطح مشخص می رسد، ممکن است درماندگی مالی اجتماعی رخ دهد و ثبات و پایداری توسعه ی اقتصاد کلان ممکن است به خطر بیفتد (مای و همکاران، 2019).

6 نتیجه گیری

توانایی پیش بینی کردن به هنگام و کارامد درماندگی مالی برای تصمیم گیری شرکت ها و ذینفعان مهم است. بنابراین، پژوهشگران مدت هاست که توجه ویژه ای به تدوین و طراحی مدل پیش بینی درماندگی مالی با عملکرد افتراقی بالاتر مبذول داشته اند. به دست آوردن ویژگی های معتبر و ساختن مدل هایی با عملکرد بالا، مولفه های ارزشمندی برای بهبود توانایی پیش بینی دقیق درماندگی مالی هستند. در این مقاله، ما استفاده از تلفیق اطلاعات مالی پایه ای و دیگر اطلاعات متنی و CatBoost برای بهبود عملکرد افتراقی پیش بینی درماندگی مالی شرکت های ثبت شده را مطالعه می کنیم. ما چهارچوبی را پیشنهاد می کنیم که ویژگی های لحن عاطفی مستخرج از تالارهای آنلاین بورس، بحث و تحلیل مدیریت، و نکات صورت های مالی را تلفیق می کند. به ویژه، ما ویژگی های مرتبط را از تالارهای آنلاین بورس استخراج می کنیم و اثبات می کنیم که این ویژگی ها می توانند به طور چشمگیری صحت پیش بینی درماندگی مالی را بهبود ببخشند. ما تأثیر تالارهای آنلاین بورس طی مقاطع زمانی گوناگون و ویژگی های لحن عاطفی گوناگون بر مدل پیش بینی درماندگی مالی را بررسی می کنیم. ما همچنین شش مدل با استفاده از LR، DT، SVM، XGBoost و ANN طراحی می کنیم و عملکرد CatBoost با پنج مدل معیار دیگر به ازای مجموعه ویژگی های گوناگون مقایسه می شود.

Abstract

In addition to financial features, we propose a novel framework that combines sentiment tone features extracted from comments on online stock forums, management discussion and analysis, and financial statement notes, to predict financial distress. We evaluate the proposed framework using data from the Chinese stock market between 2016 and 2020. We find that financially distressed companies are more likely to have weak sentiment tones as investors have a negative attitude toward the operation and financial status of the companies, while normal companies are to the contrary. Additionally, the sentiment tones of comments within one month most effectively reflect such correlations. We recommend incorporating sentiment tone features as they contribute to predictive performance improvements of all models using financial features only, and using the CatBoost model as it outperforms all benchmarked models with its ability to capture complex feature relationships. Economic benefits analysis shows that the proposed framework can correctly identify more financially distressed companies.

1 Introduction

With the continuous expansion of the scale of the securities market and the gradual development of the capital market, companies are facing highly complex and changeable economic environments and huge competitive pressure (Liu et al., 2020). Without a good mechanism to adapt to this environment, companies are more likely to encounter problems, such as insufficient liquidity and excessive liabilities, which eventually lead to financial distress (Wang et al., 2018). As one of the most concerning issues in the economic field, financial distress can adversely affect the sustainable development of companies, threaten their survival, and result in huge losses to investors, creditors, customers, and other stakeholders (Kim and Upneja, 2014). When the number of companies in financial distress accumulates to a certain level, social financial distress may occur and the stability and sustainability of macroeconomic development may be endangered (Mai et al., 2019).

6 Conclusion

The ability to predict financial distress timely and effectively is important for the decision-making of companies and stakeholders. Therefore, researchers have paid close attention toward developing a financial distress prediction model with higher discrimination performance for a long time. Obtaining valid features and building highperformance models have proven to be important directions for improving the ability to accurately predict financial distress. In this paper, we study the use of COSF to supplement basic financial information and other text information and CatBoost to improve the discrimination performance of predicting the financial distress of listed companies. We propose a framework that combines sentiment tone features extracted from COSF, MD&A, and FSN. Specifically, we extract relevant features from COSF and prove that these features can significantly improve the accuracy of predicting financial distress. We examine the impact of COSF during different periods and different sentiment tone features on the financial distress prediction model. We also build six models using CatBoost, LR, DT, SVM, XGBoost, and ANN, and the performance of CatBoost is compared with the other five benchmark models on different feature sets.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پیش بینی درماندگی مالی از طریق تلفیق کردن ویژگی های لحن عاطفی

Financial distress prediction by combining sentiment tone features

ریسک دم و ریسک سیستمی شرکت های مالی و فناوری (فین تک)

Tail risk and systemic risk of finance and technology (FinTech) firms

چکیده
1 مقدمه
2 مرور ادبیات
2-1 اثر شرکت های فناوری بر سیستم های مالی
2-2- اثر ریسک تعقیبی و ریسک سیستمی شرکت های مالی بر سیستم های مالی
3- داده و روش
3-1 اندازه گیری ریسک تعقیبی
3-2 اندازه گیری ریسک سیستمی
4 یافته های تجربی
4-1 برآوردهای ریسک نزولی شرکت های فناوری و مالی
4-2 ریسک سیستمی حدی
5 مقررات شرکت های مالی و فناوری
5-1 مقررات و نوآوری فین تک
5-2 اهمیت رگ تک در خدمات مالی
5-3 چالش های مقررات
6 نتیجه گیری و پیامدهای سیاسی
منابع

چکیده

شرکت های فناوری به طور فزاینده ای در حال حرکت به سوی زمینه های مالی هستند. آن ها می توانند از داده های کاربران خود استفاده کرده و خدماتی را پیشنهاد دهند که تا پیش از این ناممکن بود. این حرکت ممکن است منجر به ایجاد چالش های جدیدی برای پایداری مالی شود. این مقاله، به طور تجربی ریسک تعقیبی و ریسک سیستمی شرکت های فناوری را ارزیابی می کند. نمونه داده ما از شرکت های فناوری تشکیل شده است و همچنین ریسک تعقیبی و ریسک سیستمی شرکت های مالی را به منظور مقایسه، ارزیابی می کنیم. ما داده های بازگشتی روزانه سهام را از 2 آوریل 1992 تا 31 دسامبر 2019 مورد استفاده قرار می دهیم و نظریه مقدار حدی تک متغیره (EVT) را برای تعیین ریسک تعقیبی سهام، اتخاذ می کنیم. معیار انتخاب ما ارزش بازار است و بیست شرکت برتر فناوری و بیست شرکت برتر مالی را برای ارزیابی ریسک تعقیبی و ریسک سیستمی انتخاب می کنیم. ما نتیجه گرفتیم که ریسک تعقیبی شرکت های فناوری از ریسک تعقیبی شرکت های مالی بیشتر است، در حالی که احتمال کمی وجود دارد که این شرکت ها به واسطه شوک از سوی سیستم، در شرایط دشوار و مضیقه قرار گیرند. هرچند این یافته هنگامی که از داده های اخیر توسط تخمین های چرخشی شش ساله خود استفاده می کنیم، برای شرکت های فناوری برعکس می شود. ما نتیجه می گیریم که مشابه با شرکت های مالی، باید برای شرکت های فناوری نیز مقررات سختگیرانه تری وجود داشته باشد ؛ زیرا شرکت های فناوری نسبت به شرکت های مالی، مخاطره آمیزتر هستند. مقاله ما دارای پیامدهای مهمی برای مقررات مالی ملی و جهانی است.

1 مقدمه

فین تک یکی از زمینه های محرک و معاصر در تجارت جهانی امروز است. در یک زمان کوتاه، سیر تکاملی فین تک تأثیری قابل توجه بر چگونگی پیش برد فعالیت های مالی و تراکنش ها با مشتریان، دارد. سرمایه گذاری در این صنعت به طور مداوم در حال افزایش است و هیچ نشانی از توقف ندارد. گزارش KMPG (2017) نشان می دهد که بیش از 100 میلیارد دلار در شرکت های فین تک در طول پنج سال گذشته، از 2011 تا 2016، سرمایه گذاری شده است. به طور مشابه، از سال 2009، ارزش بازار (چگونه بازار سهام، شرکت ها را ارزش گذاری می کند) 10 شرکت برتر بیگ تک، پنج برابر بیشتر شده است (شکل 1 را ببینید). در سال 1999، تنها پنج شرکت فناوری در میان 10 شرکت بزرگ برتر از نظر ارزش بازار وجود داشت که در سال 2009 به یک شرکت کاهش یافت. هرچند، تعداد شرکت های بیگ تک در بین 10 شرکت برتر تا سال 2019 به هفت شرکت افزایش یافت (شکل 2 را ببینید). با ورود شرکت های بیگ تک به بازار خدمات مالی، فین تک به نمایندگی از شرکت های فناوری که خدمات مالی ارائه می دهند، تکامل یافته است. ورود شرکت های بیگ تک به بازار خدمات مالی براساس پیش فرض نوآوری، کارایی و گنجایش مالی است (FSB، 2019؛ گزارش اقتصادی سالانه BIS، 2019). اگرچه، ورود آن ها منجر به ایجاد ریسک در سیستم مالی شده و پیامدهایی برای پایداری مالی دارد (FBS، 2019). علیرغم رشد زیاد شرکت های بیگ تک و قطعیت ریسک آن ها برای سیستم مالی، هیچ مطالعه تجربی وجود ندارد که آستانه ریسکی که شرکت های بیگ تک متحمل می شوند، میزان ریسکی که آنها به سیستم مالی تحمیل می کنند و احتمال این را که آن ها تحت تأثیر رویدادهای پیش بینی نشده بازار مانند کووید 19، حباب دات کام یا بحران مالی جهانی (GFC) قرار گیرند، اندازه گیری کند. برای مقایسه، ما ریسک تعقیبی و رسیک سیستمی شرکت های مالی را نیز اندازه گیری می کنیم.

Abstract

Technology firms are increasingly moving to finance. They are able to make use of a large stock of user data and offer a range of services that otherwise were not possible. This move may pose fresh challenges to financial stability. This paper empirically evaluates the tail risk and systemic risk of technology firms. Our data sample consists of technology firms, and for comparison we also evaluate the tail risk and systemic risk of finance firms. We use daily equity returns data from 2 April 1992 to 31 December 2019 and we adopt the univariate extreme value theory (EVT) to determine equity tail risk. Our selection criteria is the market capitalisation and we choose the top twenty technology and the top twenty finance firms to evaluate tail risk and systemic risk. We found that the tail risk of technology firms is higher than the financial firms, whereas they are less likely to be in distress conditional upon a shock from the system. However, this finding for technology firms reverses when we use recent data via our six-year rolling estimates. We conclude that, similar to finance firms, there should be tighter regulations for technology firms since technology firms are riskier than the finance firms. Our paper has significant implications for both national and global financial regulators.

1 Introduction

Financial technology (Fintech) is one of the stimulating and contemporary areas in global business today. The evolution of financial technology has, in a very short time, had a noticeable impact on how to carry out financial activities and transactions with customers. The investment in this industry is continuously increasing with no indication of stopping. KPMG (2017) report shows that there has been over US$ 100 billion invested into financial technology (firms?) during the last five years from 2011-2016. Similarly, since 2009, the market capitalisation (how the stock markets value firms) of the top ten BigTech firms have multiplied five times. (See Fig. 1). In 1999, there were only five tech firms among the top ten big firms by market capitalisation, which reduced to one in 2009. However, the number of BigTech firms in the top ten overall firms increased to seven in 2019. (See Fig. 2). With the entry of BigTech firms into the financial services market, the term Fintech has evolved to represent technology firms providing financial services. The BigTech companies’ entry into the financial services market is based on the premise of innovation, efficiency and financial inclusion (FSB, 2019; BIS annual economic report, 2019). However, their entry poses risks to the financial system and has implications for financial stability (FSB, 2019). Despite the huge growth of BigTech and the certainty of their risk to the financial system, there is no empirical study measuring the extent of the risk that BigTech firms carry,= and how much risk they pose to the financial system, as well as how likely they are to be affected by unforeseen market events such as COVID-19, the dot com bubble or GFC. In this paper, we study the tail risk and systemic risk of BigTech firms. For the purpose of comparison, we also measure the tail risk and systemic risk of finance firms.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

ریسک دم و ریسک سیستمی شرکت های مالی و فناوری (فین تک)

Tail risk and systemic risk of finance and technology (FinTech) firms

اثرات احساسات سرمایه گذار بر بازده، جریان های نقدی، نرخ تنزیل و عملکرد

The impact of investor sentiment on returns, cash flows, discount rates, and performance

چکیده

1 مقدمه

2 بررسی پژوهش ها و فرضیات مرتبط

3 طرح پژوهشی

4 روش های اندازه گیری متغیرها

5 یافته های تجربی و بحث

6 نتیجه گیری

اعلامیه ی منافع رقابتی

منابع

چکیده

     اعتقاد بر این است که احساسات سرمایه گذار نقش معنادار و فزاینده ای در فعالیت های تجاری و اقتصادی ایفا می کند. ما از طریق تحلیل داده های جمع آوری شده از نمونه ی شرکت های غیر مالی پذیرفته شده در پاکستان بین 2009-2018، رفتار سرمایه گذار و چگونگی تاثیرشان بر بازده بازار، نقدینگی، نرخ تنزیل و کارائی سازمان را کمی سازی کردیم. ما دریافتیم که احساسات سرمایه گذار بر فعالیت های بازار، اثر معناداری دارد و یافته های ما با تئوری های مالی رفتاری موجود همخوانی دارد. پژوهش ما نه تنها تاییدیه ی نظری از اهمیت احساسات سرمایه گذار در شاخص های مجموع بازار و و سطح شرکتی پیشنهاد ، بلکه دیدگاه های جدیدی درباره ی احساسات بازار محور، خبر محور و شبکه های اجتماعی محور در بستر بازار پاکستان را نیز ارائه می دهد.

بررسی پژوهش ها و فرضیات مرتبط
کارهای پیشین بر روی پروکسی های ( نماینده های) احساسات
     پژوهش های قبلی ارزش اخبار و تاثیرشان بر روی خلق و خوی عموم، بازارها و فعالیت های تجاری را اثبات کرده اند (تتلاک، 2007؛ ژانگ و همکارانش، 2018) زیرا که اخبار، ابزار اولیه برای جذب سرمایه گذار است (گونتاس و همکارانش، 2019). سرمایه گذاران محتوای خبری را بر اساس خوب یا بد بودنشان تقسیم بندی می کنند (دپکن،2001). بین اخبار اقتصادی و بازار سهام، یک ارتباط قوی وجود دارد (بیرز و لوت، 2011). به همین ترتیب، رسانه ی اجتماعی هم به ابزاری قدرتمند برای بررسی خلق و خوی سرمایه گذاران که به طور خاصی بر روی بازار سهام اثر می گذارد، تبدیل شده است (نیسار و یئونگ، 2018) و در امور مالی پروکسی های مبتنی بر بازار، یکی از شناخته ترین نماینده ها هستند. هوانگ و همکارانش (2015) به منظور توضیح عملکرد سهام برای گرایشات احساسی بازار از شاخص ها استفاده کردند. برای مثال، نقدینگی بازار می تواند به عنوان شاخص خوبی برای احساسات بازار مطرح شود ( هسیه و نکوین، 2020). همانطور که هسیه و نگوین (2020) متوجه شدند، عدم قطعیت سیاست اقتصادی (EPU) در وسعت بازار، نقش مهمی در به حرکت درآوردن احساسات سرمایه گذار ایفا می کند.

     رخدادهای اقتصادی و غیر اقتصادی می تواند احساسات را تحت تاثیر قرار دهد. تلویزیون، رسانه ی اجتماعی و دیگر رسانه ها می توانند اثر قابل توجهی بر روی خلق و خوی مردم بگذارند (لپوری، 2015)، و شرایط جوی همچنین روانشناسی انسان را تحت تاثیر قرار می دهند ( باسسی و همکارانش، 2013). متقابلا، قادان و آهارون (2019)، بر اساس پرسش نامه ای مبنی بر نظرسنجی، این موضوع را که احساسات ممکن است توسط رخدادهای غیر اقتصادی هم برانگیخته شوند، را مطرح کردند.

احساسات سرمایه گذار و نتایج بازار سهام
     احساسات نقش به سزایی در تصمیم گیری ایفا می کند (کوهنن و ناتسون،2011) و تمایلات برای سرمایه گذاری در دارایی های پرخطر را افزایش می دهد (مایکلسون و لیستون، 1990). سرمایه گذاران بر اساس وضعیت اقتصادی، نسبت به بازار سهام خوشبین تر شده و نه تنها به عوامل منطقی، بلکه به عوامل غیر منطقی از جمله احساسات سرمایه گذار نیز باور پیدا می کنند (قادان و آهارون، 2019). مطالعات اخیر بیانگر این موضوع هستند که احساسات سرمایه گذار عملکرد امنیت مالی را توضیح می دهد. علاوه بر این، چپنی و همکارانش (2020) تاثیر احساسات سرمایه گذار بر اوراق قرضه ی دولتی را بررسی کرده اند. خان و همکارانش (2019) از داده های گوگل ترندز برای استخراج احساسات سرمایه گذار و پیش بینی بازده سهام ایالات متحده استفاده کرده اند. همچنین سیبلی و همکارانش (2016) این موضوع که احساسات سرمایه گذار مبتنی بر مبانی اقتصاد، عملکرد بازار سهام را به طور مقطعی تحت تاثیر قرار می دهد را تایید کرده اند.

سوبسیدهای دولتی تحقیق و توسعه و عملکرد نوآورانه شرکت: نقش تعدیل کننده کیفیت اطلاعات حسابداری

Government R&D subsidies and firm innovation performance: The moderating role of accounting information quality

چکیده

مقدمه

بازبینی مطالعات انجام شده

متدها

نتیجه گیری

مباحثه و نتیجه گیری

ضمیمه الف: نحوه انتخاب شرکت های نمونه و توزیع نمونه ها

منابع

چکیده

     تاثیر یارانه های دولتی تحقیق و توسعه در بین شرکت های دریافت کننده یارانه، وابسته به مشخصه های مختلف یک شرکت، که به طور بالقوه می تواند شامل کیفیت اطلاعات حسابداری (AIQ) نیز باشد، متفاوت است. به درستی مشخص شده است که کیفیت بالای اطلاعات حسابداری به کاهش عدم تقارن اطلاعاتی میان سرمایه‌گذاران و شرکت ها کمک می کند و در نتیجه موجب بهبود بازده سرمایه گذاری خواهد شد. با این حال، همواره فهم درستی از نقش واقعی اطلاعات حسابداری شرکتی در اثربخشی تحقق یافته یارانه های دولتی تحقیق و توسعه وجود ندارد. از این رو، این مقاله تاثیرات اصلی یارانه دولتی تحقیق و توسعه از حیث میزان درونداد تحقیق و توسعه و میزان برونداد نوآوری شرکت ها و همچنین نقش مثبت تعدیل کننده کیفیت اطلاعات حسابداری مشترک در این میان را مورد بررسی قرار داده است. داده ها از ۱۵۶۱ شرکت نمونه که نام آن ها در لیست بازارهای سهام چین ثبت شده و بررسی۱۱۸۵۳ از مشاهدات سال- شرکت بین سال های ۲۰۰۷ تا ۲۰۱۵ جمع آوری شده است. دریافتیم که اثر تعدیل کننده کیفیت اطلاعات حسابداری از نظر اقتصادی قابل توجه می باشد، بدین ترتیب که در هر شرکتی کیفیت اطلاعات حسابداری (اقلام تهعدی اختیاری) بهبود یافته باشد، با یک انحراف استاندارد، اثر افزونگی برای سرمایه گذاری در بخش تحقیق و توسعه شرکت ها ۱۶ درصد و برای درونداد تحقیق و توسعه مشارکتی ۴ درصد افزایش می یابد. علاوه بر این، دریافتیم برای شرکت هایی که کیفیت اطلاعات حسابداری بیشتری دارند، یارانه ها بر برونداد تحقیق و توسعه شرکت ها (تعداد حق اختراع) تاثیر مثبت قوی تری دارند.

بازبینی مطالعات انجام شده
تاثیرات رایانه های تحقیق و توسعه

     به طور عمومی این مسئله مورد پذیرش است که نوآوری یکی از نیروهای محرک در موفقیت و رشد اقتصادی بلند مدت شرکت ها می باشد. با این حال، به دلیل مشکلاتی نظیر عدم تقارن اطلاعاتی (هال، 2005) و دسترسی محدود به منابع مالی بیرونی (راجان و زینگالس، 2001) ممکن است سرمایه گذاری های کمتری در فعالیت های بخش تحقیق و توسعه صورت گیرد. بنابراین، برای ترغیب شرکت ها به انجام فعالیت های نوآورانه شرکتی، لازم است دولت ها از شرکت ها حمایت نماید تا خطر شکست بازار تقلیل گردد (هنگ و همکاران، 2016).

     منطق اصلی خط مشی مد نظر ما رسیدگی به ناکارآمدی های بازار، علی الخصوص ناکارآمدی های بخش سرمایه گذاری است برای مثال می توان به ناکافی بودن بودجه شخصی برای فعالیت های بخش تحقیق و توسعه اشاره کرد (آروو، 1972)، و این رسیدگی ها به دلیل ماهیت و ذات تحقیق و توسعه سه موضوع عمده و مهم را دربر دارد (لینک و اسکات، 2013). نخست، ضمن فعالیت های بخش تحقیق و توسعه اثرات خارجی مثبتی وجود دارد، منظور از اثرات خارجی این است که مزایای تحقیق و توسعه یک شرکت می توانند به راحتی به رقبای آن شرکت منتقل شوند؛ (هسکل و وستلیک، 2018) در نتیجه شرکت سرمایه گذار نمی تواند به طور کامل بازده بالقوه سرمایه گذاری خود در بخش تحقیق و توسعه را ارزیابی کند. به همین دلیل سرمایه گذاری بازارها در بخش تحقیق و توسعه عموما کمتر از حد مطلوب اجتماعی خواهد بود. دوم، معمولا میان شرکت و تامین کنندگان بودجه عدم تقارن اطلاعاتی وجود دارد که می تواند منجر به بروز مشکلات اخلاقی و انتخاب های نامطلوب شود (باکر، 2013)، که این امر موانعی در مسیر دسترسی شرکت به بودجه مالی ایجاد می کند. سوم، فعالیت های بخش تحقیق و توسعه از نظر جنبه های فنی، استراتژیک و بازار تا سود حاصل از این فعالیت ذاتا با عدم قطعیت و امکان ریسک همراه است، که دشواری ها و هزینه های تامین مالی بخش خصوصی را افزایش می دهد (باکر، 2013). برای رسیدگی به این مسائل و مرتفع نمودن آن ها لازم است دولت ها از سرمایه گذاران خصوصی بخش تحقیق و توسعه حمایت به عمل آورند.

آیا IFRS، قیمت کمتر از حد IPO را کاهش می دهد؟ شواهدی از چین

Does IFRS reduce IPO underpricing? Evidence from China

چکیده

1 مقدمه

2 توسعه فرضیه

3 آزمون های تجربی

4 نتایج

5 نتیجه گیری

منابع

چکیده

     ما در این تحقیق این موضوع را بررسی می کنیم که آیا پذیرش IFRS همگرا در چین قیمت کمتر از حد IPO را که مورد توجه سرمایه گذاران و قانونگذاران است، کاهش می دهد یا خیر. این تحقیق با استفاده از داده های پانل از 2666 IPO غیرمالی سهام A که در بورس های شانگهای و شنزن بین سالهای 1996 و 2019 فهرست شده اند، نشان می دهد که پذیرش IFRS همگرا پدیده قیمت کمتر از حد IPO را در چین کاهش می دهد و این مزیت انتقالی با نسبت SOE تعدیل نمی شود. ما شکاف موجود در ادبیات را با کمک شواهد جهانی در مورد اتخاذ استانداردهای IFRS پر می کنیم.

توسعه فرضیه
     پیش زمینه نهادی خاص چین نیز انگیزه این تحقیق است. شرکتهای چینی می توانند سهام A یا سهام B یا هر دو را منتشر کنند و در بورس اوراق بهادار شانگهای یا شنزن عرضه کنند. لیست های دوگانه مجاز نیستند. سهام این گونه شرکت ها به سهام مالکیت دولتی، سهام مالکیت اشخاص حقوقی و سهام قابل معامله دسته بندی می شوند. دو نوع اول سهام غیرقابل معامله هستند که به سیستم تقسیم سهام معروف هستند. سهام دولتی مستقیما در اختیار دولت های محلی یا مرکزی هستند و بعنوان محرک های موثر در قیمت گذاری کمتر از حد IPO مستند می شوند (چئونگ و همکاران، 2009؛ چویی و همکاران، 2010). سهام اشخاص حقوقی، سهامی هستند که در اختیار نهادها یا موسسات مالی داخلی هستند (بسیاری از آنها نیز دولتی هستند). سهام دولتی و سهام حقوقی قبل از آوریل 2005 زمانی که به اصطلاح اصلاحات سهام غیر قابل معامله یا اصلاحات سهام دولتی یا اصلاحات سهام تقسیم شده رخ دادند، کاملا قابل معامله نیستند.

     قیمت گذاری کمتر از حد IPO نشان می دهد که قیمت عرضه به اندازه کافی ارزش بازار شرکت را نشان نمی دهد. محققان عواملی را بررسی کرده اند که بازده های اولیه را در اولین روز ثبت ایجاد می کنند. بعنوان مثال، لبوتسون و همکاران (1994) نشان می دهند که عدم تقارن اطلاعات بر قیمت کمتر از حد IPO تاثیر می گذارد، در حالی که بولتون و همکاران (2011) دریافتند که اطلاعات مالی با کیفیت زیاد باعث کاهش قیمت کمتر از حد IPO می شود. از آنجایی که قیمت کمتر از حد IPO در بازار سرمایه ای چین قبل از اتخاذ IFRS همگرا ثبت شده است (چن و همکاران، 2004؛ بولتون و همکاران، 2011)، مهم است این مورد آزمایش شود که آیا پذیرش IFRS همگرا عدم تقارن را با موقعیت های IPO در چین کاهش می دهد یا خیر.

     تحقیقات قبلی نشان می دهند که قیمت کمتر از حد IPO پس از پذیرش IFRS برای یک نمونه جهانی کاهش می یابد (هونگ و همکاران، 2014) . علاوه بر این، اطلاعات مالی مطابق با IFRS همگرای چینی باید نسبت به اطلاعات مالی CAS قدیمی کیفیت بهتری داشته باشد، و بنابراین قیمت کمتر از حد IPO را کاهش دهد (بولتون و همکاران، 2011). چن و همکاران (20حالت، 9) دریافتند که بازار سرمایه ای چین به نفع همگرایی IFRS واکنش نشان می دهند، که این تاثیر در میان شرکت هایی که وابستگی بیشتری به سرمایه های خارجی دارند، بارزتر است. علاوه بر این، افشای اطلاعات باید به شرایط بازار نزدیکتر باشد. در این حالت، می توان پیش بینی کرد که پذیرش IFRS همگرای چینی قیمت کمتر از حد IPO را کاهش می دهد.

راه اندازی مجدد اقتصاد به روشی تاب آور: ارزش مسئولیت اجتماعی شرکت ها برای شرکت ها در COVID-19

Restart economy in a resilient way: The value of corporate social responsibility to firms in COVID-19

چکیده

1. مقدمه

2. روش شناسی و داده

3. تجزیه و تحلیل نتایج

4. نتیجه گیری ها

منابع

چکیده

     این مقاله، اهمیت مسئولیت اجتماعی شرکت (CSR) را برای شرکت ها در کووید-19 بررسی می کند. ما با استفاده از داده های شرکت های بورسی در چین در می یابیم که سطح بالای CSR برای بهبود بازده های سهام سودآور و نتیجه بخش است. از همه مهمتر اینکه تحلیل مکانیسم نشان می دهد که مسئولیت اجتماعی شرکت می تواند سرمایه اعتماد اجتماعی را برای شرکت ها به دنبال داشته باشد، و می توان عملکرد شرکتی را در طول همه گیری بهبود دهد. آزمون های بیشتر نشان می دهند که اثرات مسئولیت های حمایت از کارکنان و حفاظت زیست محیطی بر بازده های سهام حتی معنی دارتر هستند. یافته های ما اهمیت سرمایه گذاری مسئولیت اجتماعی را نشان می دهند و پیامدهای سیاست گذاری مهمی دارند.

روش شناسی و داده
روش شناسی

     در این مقاله، هفته پنجم از سال 2020 بعنوان هفته رویداد تلقی می شود، زیرا رئیس شهر ووهان اقدامات کنترل آمد و شد را در 23 ژانویه سال 2020 اعلام کرد، این روز قبل از جشنواره بهار بود و شوک هایی را به بازار مالی وارد کرد. روش مدل بازار برای اندازه گیری بازده غیر عادی استفاده می شود:

     که R_(i,t) بازده سهام شرکت i را در هفته معامله ای t نشان می دهد، و R_(M,t) بازده بازار را در زمان t نشان می دهد. سطح بازده بازار در دوره زمانی [-100,-10] قبل از هفته رویداد برآورد می شود. از آنجا که قیمت بازار سهام چین دو ماه پس از هفته رویداد در میانه همه گیری کووید-19 بازیابی شد، بازده های سهام یک ماه قبل و دو ماه بعد از هفته رویداد بعنوان داده نمونه برای این تحقیق انتخاب شدند. بازده غیر عادی با استفاده از مدل زیر محاسبه می شود (2):

     امتیاز بدست آمده توسط شرکت ها در مسئولیت اجتماعی بعنوان متغیر توصیفی در این مقاله انتخاب می شود. علاوه بر این، هر چه امتیاز بیشتر باشد، شرکت عملکرد بهتری در تحقق مسئولیت اجتماعی خود دارد. علاوه بر این، مجموعه داده دقیق از مخارج مسئولیت اجتماعی شرکت شامل دسته های زیر می شود: حمایت از سهامدار/بستانکار، حمایت از کارکنان، حمایت از تامین کننده/مشتری، حمایت محیطی، و حفظ روابط مردمی. تمرکز ما بر هزینه های مربوط به حمایت از کارکنان، حفاظت از محیط زیست، و حفظ روابط مردمی است که به این دلیل است که این طبقه بندی ها فراتر از الزامات حقوقی و نظارتی هستند. لازم به ذکر است که تغییر در مسئولیت اجتماعی شرکت یک روند کند است (گویسو و همکاران، 2004). گسترش سریع همه گیری کووید-19 نشان می دهد که قابلیت شرکت ها برای واکنش به موقع بسیار محدود است، و این واکنش بازار سهام عمدتا متکی بر سطح از قبل موجود مسئولیت اجتماعی شرکت است. با توجه به این نکته، میانگین امتیاز مسئولیت اجتماعی بدست آمده بین سال های 2016 و 2018 در این مقاله استفاده می شود، که از مسائل درونزای ناشی از علیت معکوس تا حدی جلوگیری می کند.

عوامل تعیین کننده کیفیت سود در پیش از بحران کرونا: بینش دیگری از دسته بندی سرمایه اصلی بانک

Earnings quality determinants in pre-corona crisis: another insight from bank core capital categories

چکیده

1 مقدمه

2 مروری بر ادبیات

3 توسعه فرضیه

4 روش

5 نتایج و بحث

6 نتیجه گیری و تحقیقات بیشتر

منابع

چکیده

هدف – اقلام تعهدی اختیاری، مقیاس هایی برای کیفیت سود می باشند که مشخص می کنند هرچه ارزش اقلام تعهدی اختیاری بیشتر باشد، عملکرد مدیریت سود بیشتر خواهد بود و برعکس. پیش بینی می شود گزارش های مالی که کیفیت بالایی دارند (‏به خصوص کیفیت سود)، در تصمیم گیری به سرمایه گذاران و سرمایه گذاران بالقوه کمک کنند. این مطالعه عواملی را تجزیه و تحلیل می کند که بر کیفیت سود تاثیر می گذارند، مانند سود از پیش مدیریت شده، نقدینگی و کارایی. در ضمن نویسندگان اثر تعدیل کننده مکانیزم های حاکمیتی را شناسایی می کنند که از طریق نسبت ماموران عالی رتبه مستقل در بانک های تجاری متعارف پذیرفته شده در بورس اوراق بهادار اندونزی نشان داده می شوند.
طرح/روش شناسی/رویکرد – در این مطالعه از ۲۲۶ داده بانکی در دوره بحران پیش از کرونا ۲۰۱۳ تا ۲۰۱۹ استفاده می کنیم. داده ها با استفاده از EViews 10 برای فرضیه و MS Excel برای یک آزمون افتراقی تجزیه و تحلیل شدند.
یافته ها – نتایج حاکی از آن است که سودهای از پیش مدیریت شده، نقدینگی و کارایی، کیفیت سود را تحت تاثیر قرار می دهند. مکانیزم های حاکمیتی می توانند نقدینگی و کارایی را بر کیفیت سود تعدیل کنند، در حالی که سودهای از پیش مدیریت شده را نمی توان تعدیل کرد. دسته های مختلف مکانیزم های مدیریت سود (BUKU)‏ برای هر BUKU نشان داده شده است (BUKU ۱، ۳ و ۴ مدیریت سود را با افزایش سود و BUKU 2 با کاهش سود انجام می دهند)‏. نکته دیگر، اطلاعات مربوط به کیفیت سود بین BuKU 3 با BuKU 3 و BuKU 4 به دلیل تفاوت در مقررات پوشش عملیاتی بانک و سرمایه است.
محدودیت‌ها/پیامدهای پژوهش- انتظار می رود پژوهش های بیشتر عوامل موثر بر کیفیت سود بانکی را با توجه به اعمال IFRS 9 (‏PSAK 71) ‏در اندونزی تجزیه و تحلیل کنند. انتظار می رود که پژوهشگران آینده از روش های ترکیبی برای بررسی داده های صورت های مالی و ارائه بحث جامع و بینش واقعی از مطالعه خود استفاده کنند. تحقیقات آینده نیازمند نمونه های بیشتری از شرکت ها یا یک مقیاس بین المللی (‏بین کشوری)‏ برای به دست آوردن حداکثر نتایج و به طور کلی پذیرفته شدن است.
مفاهیم کاربردی – این پژوهش نشان می دهد که مدیران باید کنترل بیشتری بر سود از پیش مدیریت‌شده و نقدینگی بانک به عنوان انگیزه مدیر برای انجام هموارسازی سود داشته باشند. مدیران نیز باید به بهره وری هزینه و اجرای موثر مکانیزم های حاکمیت برای به حداکثر رساندن کیفیت سود توجه کنند. این پژوهش نیز نشان می دهد که سیاست گذاران می توانند بانک های تجاری را تشویق کنند تا اصول احتیاطی بیشتری را از نظر ذخیره برای وام های شکست خورده به منظور به حداقل رساندن مدیریت سود در بانکداری به کار گیرند.
اصالت/ارزش – مقصود این پژوهش به صورت بحث درمورد آزمون تفاوت بین دسته های سرمایه اصلی بانک (BUKU) و ارتباط آن با کیفیت سود مشخص شد.

مروری بر ادبیات
نظریه نمایندگی
     نظریه نمایندگی رابطه عامل-نماینده را به صورت یک قرارداد تعریف می کند، به طوری که عامل به نماینده اجازه می دهد تصمیم بگیرد (جنسن و مکلینگ، 1976). نظریه نمایندگی، مشارکت مدیریت در مدیریت سود را با توجه به رابطه نظارتی و اصول نمایندگی توضیح می دهد. مدیریت شرکت با به خطر انداختن رابطه مدیریتی، از منافع خود در مقابل سرمایه گذاران محافظت خواهد کرد. اگر سهامداران، اعتباردهندگان، هیئت مدیره های مستقل مدیران و حسابرسان نتوانند به طور مناسب از مکانیزم های کنترل استفاده کنند، مدیریت از قدرت آن ها برای تحقق منافع خود استفاده خواهد کرد (کیروبل و اکمل، 2019).

     نظریه نمایندگی بر این فرض بنا نهاده شده است که هر کسی از منافع شخصی انگیزه می گیرد و منجر به تضاد منافع بین مدیر و نماینده می شود. مدیرانی که به عنوان عوامل بانکی عمل می کنند، تشویق می شوند تا تقاضاهای مالی و روانی خود را برای به دست آوردن سرمایه گذاری ها، اعتبارات و قراردادهای سود افزایش دهند. سهامداران به عنوان مدیران به قراردادها می پیوندند تا ثروت خود را با ایجاد درآمدهای همیشه در حال افزایش بیشتر کنند. مشکلات نمایندگی ناشی از اقدامات فرصت طلبانه عوامل، مانند رفتار مدیریت برای افزایش رونق آن ها، که متفاوت از منافع است، بروز می‌ کند (اسکات، 2012).

نظریه مدیریت سود
براساس نظریه مدیریت سود اطلاعاتی، مدیران از رای خود استفاده می کنند تا باورهای خود را براساس اطلاعاتی که به عنوان افراد خودی (‏اطلاعات شخصی) ‏در مورد چشم انداز سود شرکت در آینده دارند، انتقال دهند. دو نیت، مدیران را در موقعیت مدیریت سود قرار می دهند. اول، اگر گزارش های مدیریت سود انتظارات سرمایه گذاران را دنبال کنند، عملکرد شرکت کاهش خواهد یافت. دوم اینکه تنها شرکت هایی با چشم انداز خوب می توانند در سال جاری می توانند با پذیرش ریسک، برخی از سود در سال بعد را به حداکثر برسانند. از آنجا که اگر سال بعد سود کمتر شود، این اقدام به یک اشکال تبدیل خواهد شد (‏تاکر دان زاروین، ۲۰۰۶)‏.

تاثیر بحران مالی جهانی بر دارایی های نقد شرکت ها: شواهد از کشورهای اروپای شرقی

The impact of the global financial crisis on corporate cash holdings: Evidence from Eastern European countries

چکیده

1 مقدمه

2 جریان های نقد در کشورهای اروپای شرقی قبل و بعد از بحران مالی

3 داده ها و روش شناسی

4 نتایج رگرسیون اصلی

5 درون زایی و برآوردهای GMM

6 بحث و نتیجه گیری

منابع

چکیده
     این مطالعه با استفاده از نمونه‌ای از شرکت‌های اروپای شرقی، تأثیر بحران مالی جهانی بر عوامل تعیین‌کننده داراییهای نقد شرکت ها و تعدیل در جهت سطوح نقدی هدف را بررسی می‌کند. این نتایج با استفاده از اثرات ثابت پانل و برآورد های GMM، نشان می دهد که عوامل تعیین‌کننده داراییهای نقد در سطح شرکت در دوره‌های قبل و بعد از بحران تفاوت قابل توجهی دارد. علاوه بر این، سرعت تعدیل برای دستیابی به سطح نقدی مطلوب در دوره پس از بحران، به طور قابل توجهی پایین تر است. نتایج ما در برابر اصلاح برای درون زایی قوی هستند. این نتایج پیامدهای مهمی برای شرکت های اروپای شرقی دارد که از نظر کمبود نقدینگی و کاهش انعطاف پذیری مالی به طور قابل توجهی تحت تاثیر بحران مالی جهانی قرار گرفته اند.

جریان های نقد در کشورهای اروپای شرقی قبل و بعد از بحران مالی
     در اوایل دهه 2000، کشورهای اروپای شرقی که به آنها اقتصادهای گذار نیز می گویند، شروع به ادغام با اقتصاد اروپا کردند. در عرض چند سال، یازده مورد از آنها به اتحادیه اروپا پیوستند و پنج مورد از آنها – اسلوونی، اسلواکی، استونی، لتونی و لیتوانی- به منطقه یورو پیوستند. این ادغام، جابجایی آزاد سرمایه و کالا را میسر ساخته و با تسهیل جریان سرمایه ورودی، سطوح سرمایه آنها را افزایش داده است. از سوی دیگر، کشورهای بدون عضویت در اتحادیه اروپا مانند ترکیه به لحاظ اقتصادی اصلاحاتی داشته اند و ادغام تولید ناخالص داخلی (GDP) خود را در اقتصاد اروپا گسترش داده اند. سهم EU در تجارت خارجی ترکیه در دهه های اول 2000 بیش از 50 % افزایش یافته است. کشورهای در حال توسعه اروپا نسبت به کشورهای آمریکای لاتین و آسیا جریان نقدی بیشتری را دریافت کرده اند. جریان خالص سرمایه دست کم 5 % بالاتر از GDP منطقه است و در سال 2007 تا حدود 10 % از GDP آنها فراتر رفته است (Berglofو همکاران، 2009).

     با این حال، سقوط Lehman Brothers در سال 2008 سبب بروز بحران مالی جهانی شد و جریانهای نقدی به اروپای شرقی را ناگهان متوقف کرد. صرف ریسک بازارهای نوظهور به اوج خود رسید و تمامی شاخص های مربوط به صادرات و خالص سرمایه گذاری مستقیم خارجی (FDI) منفی شدند. کشورهایی که بیشترین آسیب را متحمل شدند، کشورهای کوچک خارج از منطقه یورو به ویژه کشورهای بالتیک بودند. خوشبختانه، سیاست تسهیل کمّی (QE) اقدامات فدرال و بانک مرکزی اروپا درست پس از بحران اجرا شد و تأثیر قابل توجهی بر اقتصاد بازارهای نوظهور از جمله بازارهای اروپای شرقی داشت. مقارن با بهبودی در بازارهای مالی بین المللی، شاخص های اقتصادی منطقه ای در مارس 2009 رو به افزایش گذاشتند. روند نزولی تولیدات صنعتی در اکثر این کشورها کند یا معکوس شد. با این حال، تاثیر شوکهای مالی و واقعی برای مدتی در بخشهای شرکتی، خانگی و بانکی احساس شد و موجب تشدید مشکلات بیکاری، اختلافات شرکتی و بدهیهای معوق شد. پس از آن، سیاست کاهشی فدرال در می 2013 به منظور کاهش نقدینگی در بازار آغاز شد و منجر به متعادل سازی مجدد پرتفولیو های جهانی به دور از دارایی های بازارهای نوظهور شده که با این حال، این سیاست بر اکثر کشورهای اروپای شرقی تأثیر شدیدی نداشت. تنها ترکیه به دلیل شاخصهای ضعیف اقتصاد کلان خود، خروج قابل توجه جریان نقد را تجربه کرد (Mishra و همکاران، 2014).