ارائه الگوی پیش بینی حساسیت جبران خدمات مدیرعامل با استفاده الگوریتم های فراابتکاری (ژنتیک و ازدحام ذرات)

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 تاثیرگذار، 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.

کلیدواژه ها:

حساسیت جبران خدمات مدیرعامل ، یادگیری عمیق ، الگوریتم ژنتیک ، بهینه سازی ازدحام ذرات