Detecting and ranking cash flow risk factors via artificial neural networks technique ☆
Mohammad Namazi, ,
Ahmad Shokrolahi ,
Mohammad Sadeghzadeh Maharluie
Shiraz University, Iran
Received 1 February 2015, Revised 1 July 2015, Accepted 1 September 2015, Available online 23 October 2015
Show more Show less
doi:10.1016/j.jbusres.2015.10.059Get rights and content
prs.rt('abs_1st_beg');
Abstract
Jensen (1986) predicts that managers with more free cash flows (FCF) available show an opportunistic behavior, which leads to the emergence of the FCF risk. Consequently, determining the relative importance of factors affecting the FCF risks is vital. The major purpose of this article is testing Jensens assertion by identifying relative significance of the factors influencing FCF risks via artificial neural network (ANN). In effect, seven independent variables relating to FCF risks including debt policy, ownership concentration, ownership level, managerial ownership, state ownership, size of the firm, and profitability draw on the literature. The study collects 1224 company-year data from Tehran Stock Exchange (TSE) for the period 2001–2010. The study applies the Pearsons correlation and a three layer ANN. The results of testing the hypotheses show that, among the preceding 7 factors, profitability is the most important factor in determining FCF risks. Following profitability, the second and third most important factors are the debt policy and size of the company. Consequently, this finding posits a great implication for the stock markets and contradicts Jensens (1986) study.
Keywords
Free cash flow risks;
Artificial neural networks;
Agency theory;
Investment decisions;
Tehran Stock Exchange (TSE)
1. Introduction
Jensen (1986, p. 3) defines the free cash flow (FCF) as the “cash flow in excess of that required to fund all projects that have positive NPV”. By applying the “asymmetric information theory” and “agency theory” (Fatma and Chichti, 2011, Namazi, 1985 and Namazi, 2013) Jensen predicts that when managers maintain more FCF in their hand, those managers present opportunistic behaviors such as investing in projects with fewer net present value, trying less for earning revenues, and committing extra expense. Jensen also predicts that an increase in the financial leverage, disciplines managements and lessens their opportunistic behaviors.
Since then, different studies examine firms FCF risks and their effects on capital costs, values, and appropriate levels of the debt financing (Ceacute;spedes et al., 2010, Chu, 2011, DMello and Miranda, 2010 and Lang et al., 1996). These studies, however, take place under the linearity assumption of the relationship between FCF risks and its influential factors. Nonlinear models are more powerful than linear models and have more conformity with real world problems (Houml;glund, 2012 and Namazi and Sadeghzadeh Maharluie, 2015). However, few studies analyze FCF risks effects with nonlinear approaches. In addition, studies just attempt to determine the positive or negative effect of various determinants of the FCF risks, and do no attempt to rank significant FCF risk factors.
The major aim of this study is to investigate the role of significant FCF risk factors, including debt policy, ownership concentration, ownership level, managerial ownership, state ownership, size, and profitability, ranking them via artificial neural networks (ANN). This study attempts to respond to this question: Among various factors, what is the relative importance of the determinants of the FCF risks? Consequently, the study identifies and ranks FCF risks factors by applying ANN in Tehran Stock Exchange (TSE). This study applies, for the first time, ANN for ranking FCF risks, and provides a more suitable FCF risks analysis. ANN is more appropriate than linear regression models because ANN captures decision-making complexities more clearly, predicts more accurately, is robust to missing data, and multicollinearity does not affect its performance (Bejou et al., 1996 and Wong et al., 2011). This study also provides unique empirical evidence relating to FCF risks in a growing stock market-TSE, which is useful for management and other stakeholders.
The organization of this research is as follows: Section 2 provides theory, literature review, and hypotheses. Section 3 explains the research method, data sample, research design, and research variables respectively. Section 4 describes the research model accordingly. Section 5 presents the results. Section 6 renders conclusion, discussion, limitations, and suggestions.
2. Theoretical background, literature review, and hypotheses
The examination of FCF risks is theoretically possible through the agency theory paradigm (Chen et al., 2011, Jensen and Meckling, 1976 and Jurkus et al., 2011) because in these situations the interest of the shareholders and managers are incompatible, the separation of the ownership and management exists, and informational asymmetry between them are prevalent (Dey, 2008). Generally, agency relation exists when a person (the principal) employs another person (the agent) for performing some production of goods or services on his/her behalf and delegates the power of the decision-making to him/her (Namazi, 1985 and Namazi, 2013). Agency theory also ascertains that an optimal ownership and capital structure can minimize the agency costs and risks (Jensen amp; Meckling, 1976). The costs relate to divergent objectives between agents and owners; managers inherently generate costs when attempting to expend organizational resources for their own benefits rather than for maximizing shareholder wealth (Opler amp; Titman, 1993).
Jensen (1986), building on the agency theory, hypothesizes with FCF risk factors and argues that paying debts interests, dividends, and in
剩余内容已隐藏，支付完成后下载完整资料
基于人工神经网络技术检测并分层现金流的风险因素
Mohammad Namazi, ,
Ahmad Shokrolahi ,
Mohammad Sadeghzadeh Maharluie
Shiraz University, Iran
摘要
詹森（1986）预测，与更多的自由现金流（FCF）可显示的机会主义行为，从而导致了FCF风险的出现管理者。因此，在确定的影响FCF风险因素的相对重要性是至关重要的。这篇文章的主要目的是通过确定的影响通过人工神经网络（ANN）FCF风险因素的相对重要性测试Jensen的说法。实际上，有关FCF七个独立的变量风险，包括债务政策，股权集中度，股权层面，管理层持股，国家所有制，企业规模，并在文学的盈利能力平局。该研究收集公司1224年从德黑兰证券交易所（TSE）的数据为2001 - 2010年。该研究采用Pearson相关和三层神经网络。测试假设的结果表明，在前面7因素中，盈利是最重要的因素在确定的FCF风险。盈利能力之后，第二个和第三个最重要的因素是该公司的债务政策和大小。因此，这一发现假定一个伟大的寓意为股市和矛盾詹森（1986）的研究。
关键词：自由现金流的风险;人工神经网络;委托代理理论;投资决策;德黑兰证券交易所（TSE）
1.简介
詹森（1986，第3页）定义了自由现金流（FCF）为“超过所需必要支出后有净现值为正的所有项目所需的现金流。”通过应用“信息不对称理论”和“代理理论”（法蒂玛和Chichti，2011年，纳马齐，1985年和纳马齐，2013年）詹森预计，当管理者在他们手中保持较多的自由现金流时，这些高级管理人员就会表现出机会主义行为。如在项目进行投资时通过削减收入和增加支出来达到净现值较低水平。詹森还预测，通过加大财务杠杆来规范管理层行为，能有效避免机会主义行为。
此后，不同的学者开始对企业的FCF风险及其对资本成本，价值和债务融资的适当水平之间的联系进行研究（塞斯佩德斯，· 冈萨雷斯和莫利纳，2010 年;楚，2011年; D梅洛 amp; 麦兰德，2010 年;郎，欧菲克amp; 斯，1996年）。在这项研究中，FCF风险及其影响因素之间的关系在线性假设下进行。非线性模型比线性模型更加强大，并与现实世界的问题更一致（豪格伦德，2012年和纳马齐和Sadeghzadeh Maharluie，2015年）。然而，很少有研究分析FCF风险“非线性方法的效果。此外，研究只是试图确定影响FCF风险的各种正面或负面影响因素，并没有对FCF的风险因素进行显著性排名。
这项研究的主要目的是探讨FCF的风险因素的显著性，包括债务政策，股权集中度，股权层面，管理层持股，国家持股，规模和盈利能力，通过人工神经网络（ANN）来对他们的影响程度进行排名。本研究试图解答这个问题：在各种因素中，FCF风险因素的相对重要性如何排序？因此，通过人工神经网络来研究确定并为FCF在德黑兰证券交易所（TSE）的风险因素进行排序。本研究应用是研究史上首次通过人工神经网络对FCF的风险因素进行排名并提供一个更合适的FCF风险分析。 人工神经网络ANN比线性回归模型更合适，因为人工神经网络ANN在把握决策的复杂性上更清晰、预测更准确，数据缺失和多重性不影响其性能（贝切尔等人，1996年和黄等，2011） 。这项研究还为管理层和其他利益相关者提供德黑兰证券交易所FCF风险因素相关实证。
这项研究的组织如下：第2节提供了理论，文献综述，以及假设。第3节分别介绍了研究方法，数据样本，研究设计和研究的变量。第4节介绍了相应研究模型。第5节呈现结果。第6节呈现结论，讨论，限制和建议。
2.理论背景，文献综述，以及假设
FCF的风险检验在理论上可能是通过代理理论范式（陈等，2011年，詹森和麦克林，1976年和朱尔库等，2011），因为在这些情况下，股东和管理者的利益不兼容、所有权和管理权相互分离以及它们之间的信息不对称普遍存在（戴伊，2008年）。一般来说，当一个人（委托人）雇用另一人（代理人）对他/她的代表和代表进行部分生产商品或服务的决策的权力，他/她（纳马齐，1985年和代理关系的存在纳马齐，2013年）。委托代理理论还确定进行最佳的所有权和资本结构可以最大限度地降低代理成本和风险（詹森和麦克林，1976）。这些费用涉及到代理和业主之间的分歧目标; 当管理者试图为自己的利益而不是为股东财富最大化而消耗的组织资源（奥普勒＆蒂特曼，1993年）时会产生固有费用。
詹森（1986年），基于委托代理理论，在FCF风险因素的假设中，自由现金流可用于支付债务利息、投资净现值为正的项目、分配红利。此后，研究人员尝试提取影响FCF风险显著的因素。
显著的FCF风险的因素涉及到债务融资（Hejazi＆Saadati Moshtaghin，2014年）。格罗斯曼和哈特（1982）声称，加大财务杠杆将会降低代理成本。詹森（1986）表明，拥有FCF成长期企业必须承担更多的监控成本。Jaggi和居尔（1999）和斯图尔兹（1990）报道杠杆和FCF之间的正相关关系。弗莱明，希尼和McCoske（2005）在控制和降低代理成本的债务融资方面存在优势。楚（2011年），但是，显示了FCF与负债比率有一个共同的负面影响。法特玛和Chichti的（2011）结果表明，债务政策可以减少自由现金流的风险。汗，Kaleem和Sajid纳齐尔（2012）显示，企业的杠杆率在FCF假定的的代理成本上有显著性。
H1：债务政策和FCF风险之间存在显著关系。
公司治理文献表明，股权结构也将影响管理者的行为和FCF风险（Velury和詹金斯，2006年）。詹森和麦克林（1976）认为，增加管理的股票所有权将增加公司价值并降低代理成本。涌，弗斯和贞邦（2005）声称，如果机构持有公司股票的很大比例，那么这些机构有动力监督管理层的行动和决定。当机构投资者具有相当的股权，这些投资者很难以现行价格立即出售股份。这种缺乏流动性激励他们密切留意公司的自由现金流。亨利（2010）结果显示，机构投资者持股对代理成本有负面影响，显示出管理层持股和代理成本之间的非线性关系产生负面影响。法特玛和Chichti（2011）也表明，管理层持股导致FCF风险的代理成本降低，但机构持股集中度会增加FCF风险。居尔，Sajid，拉扎克和阿夫扎尔（2012年），报告说，管理层持股和机构持股将减少代理问题。
据代理理论，因为缺乏资本市场监管国家所有权效率低下。在大多数情况下，国家所有权具有排他性，并不看重效益。此外，在国家所有制下，重点是政治问题。因为竞争和股东监督（法特玛＆Chichti，2011年）之前的问题。因此，私人所有权会降低。
H2：股权集中度和FCF风险之间存在显著关系。
H3：所有权水平和FCF风险之间存在显著关系。
H4：管理层持股和FCF风险之间存在显著关系。
H5：国家所有权和FCF风险之间存在显著关系。
影响FCF风险第三混杂因素涉及公司的规模。詹森（1986）认为，大公司宁愿债务融资，降低FCF风险;笔者认为，FCF对较大的公司的影响超过小公司。 DOUKAS，麦克奈特和Pantzalis（2005）认为，大企业有可能在由于操作的复杂性，需要承担更多的代理问题。 Ogundipe，Ogundipe和Ajao的（2012）的研究结果显示，持有现金和公司规模之间存在负相关关系。
H6：企业规模和FCF风险之间存在显著关系。
以前的研究（艾哈迈德，2009年和尤塔米Inanga，2011）认为，该公司盈利能力与FCF代理成本正相关，因为企业持有更多的现金便于管理层去实现特定的目的。
H7：盈利能力和风险FCF之间存在显著关系。
3.方法和研究设计
3.1研究设计和数据收集
这项研究是建立在历史数据上的研究。这些数据主要来自于经审计的财务报表和TSE董事会的报告和SAHRA和Tadbir Pardaz软件生成。这项研究的人群包括2001 至2010年所有的TSE公司。然而，研究编制了一个立意抽样，样品不包括金融机构如银行，保险公司，因为他们有关于杠杆和现金流的条件不同。上市公司还必须在研究期间持续经营且信息可获得。按照这些标准，研究包括134家（1224家公司年度数据）。
3.2研究变量
3.2.1自由现金流风险
霍夫曼（1990）认为，计算自由现金流，现金流量表的信息更适合。因此，继元江（2008年），研究使用下列公式：
FCFi;t frac14; CFOi;tminus;INTi;tminus;DIVi;t
其中，FCF是该公司的自由现金流，CFO经营活动的净现金流，INT对债务利息的，DIV对应现金股利。
继Pindado和Torre（2005），和法特玛和Chichti（2011），本研究采用FCF由托宾的Q的反向乘以托宾Q比（公式（2））是用于测量生长机会的工具（Lang等，1996;奥普勒＆蒂特曼，1993）。
MVOCE = 所有普通股票的市场价值
PSLV = 现金价值的一种优先股，
BVOLTD = 帐面价值的长期债务，
BVOSHTA = 当前资产的帐面价值
BVOSHTL = 帐面价值的当前的债务，
BVOTA = 帐面价值的总资产，在本年年末。在这项研究的风险变量如下自由现金流
在自由现金流frac14;风险：eth;3THORN;
Tobin0s Q
3.2.2.债务政策
法特玛和 Chichti （2011 年）确定债务政策，这项研究使用长期债务，如下所示，因为长期债务有更有效的作用于长期投资和盈利能力
长期负债
债务政策frac14; 总资产 ︰ eth;4⑥
下列和米兰达 (2010)，和Pouml;yry 和莫里 （2010 年）除其他外使用这项措施
3.2.3.持股
在此研究中，继科内特，马库斯、 桑德斯和安 (2007)，和哈桑和对接 （2009 年），管理层持股作为属于经理的普通股的百分比显示。机构持股分为 浓度 和 级别的机构 所有权。作为在 Cueto （2009 年） 和鲁宾 （2007 年）、 机构所有制的水平是指属于银行、 保险公司、 控股企业、 投资公司的股票、 退休基金、 投资基金、 政府的公司和组织除以所有已发行股份。库马尔 （2004 年）; ;恩哈和利扎尔 （2006 年），和Namazi 和克 （2013 年）也使用此变量。体制的所有权集中构成的总和除以所有已发行股份的最大机构股东手上的股票。鲁宾 (2007) 也使用此变量。因此，研究产生以下比例 ︰
机构持股水平
frac14; 的股票在手的机构拥有发行的股份的总和eth;5⑥
机构的股票在手中最大的机构持股的股权集中度总和
frac14; 所有已发行股份eth; 6 ⑥
政府的佛罗里达州持有制药公司股份，因为政客或国家所有制地位可以选择经理 (纱丽和安格拉，2011年).
国家所有权
由国家直接或间接拥有的股份数额
frac14; 总的股份eth; 7 ⑥
3.2.4.公司规模
利用所有的资产和销售变量的和的对数测量公司规模大小。在自然数的情况下，这些因素不相关 (Namazi amp; 克，2013年)。因此，本研究采用基年自然对数的公司市场大小。
相关性是显著性不能 t 0.05 水平 （2 尾）。
相关性是显著性不能在 0.01 水平 （2 尾）。
布恩、 卡萨雷斯字段、 卡尔波夫和 Raheja （2007 年）和客人 （2008 年）也使用此变量分析基年数据。因此，
大小frac14; 该公司的市场价值的自然对数eth; ⑥8
3.2.5.盈利性
企业的绩效明显与代理成本显著关联(布鲁顿等人，2002 年;龚帕斯 et al.，2003 年)。在此研究中，收入之前的税收和利益除以总资产的比率是指数为盈利率。本研究选取这一比率，因为这一比率表明公司操作的结果毫不含糊地，和其他研究人员如 · 塞斯佩德斯等人 （2010 年），和 Margaritis 和 Psillaki （2010 年） 采用此比例在他们的研究。
4 研究模型
由于变量的非线性关系和人工神经网络存在强大优势，研究实现了多层感知器 (MLP) 模型，其中假定三层— —输入层、 隐的层和输出层 (Houml;glund，2012年)。在隐层神经元的传递函数设置为切线乙状结肠和输出神经元将设置为 purelin。图 1显示了模型的结构。为了设计这一模型，本研究采用 2011 年版的 MATLAB 软件。
5 调查结果
描述性统计数字显示，自由现金流风险的平均值是 9667.283。现有的自由现金流风险的最小值是 minus;495,250 和最大值是 497,391.6 103,414.7 的标准偏差。债务率 （债务政策） 的平均值是 0.07。使用债务的最小值为 0，最大值是 0.93，标准偏差为 0.08。机构持股水平 （54%) 和机构股权集中度 （46%) 的手段表明，约有一半的样本中的所有权属于机构所有者。国家所有制是 38.2%。
|
示例 |
在隐层神经元数目 |
实验表现 |
验证性能 |
性能测试 |
性能 |
|
1 |
2 |
0.0381 |
剩余内容已隐藏，支付完成后下载完整资料 资料编号：[153209]，资料为PDF文档或Word文档，PDF文档可免费转换为Word |
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
