بررسی عملکرد پیش‌‌بینی‌‌های مبتنی بر چرخه عمر و تعیین مولفه‌‌های موثر بر آن

هدف: پیش‌بینی‌های رشد و سودآوری شرکت نهاده‌هایی مهم در فرآیند ارزش‌گذاری هستند. علاوه بر این، برآوردهای بازگشت به میانگین اثرات مهمی در تعیین افق‌های پیش‌بینی بهینه الگو‌های ارزش‌گذاری مبتنی بر حسابداری به همراه داشته و می‌توانند به‌عنوان نهاده در برآورد پارامترهای ارزش نهایی وضعیت پایدار انجام وظیفه کنند. هدف اصلی این پژوهش آزمون این فرضیه است که آیا الگو‌های بازگشت به میانگین مبتنی بر چرخه عمر در مقایسه با ا‌لگوهای مختص صنعت و اقتصاد کل، دارای نتایج بهتر در پیش‌بینی‌های سودآوری و رشد هستند یا خیر؟  روش: جهت بررسی موضوع، بر اساس رگرسیون چندجمله‌ای، داده‌های 161 شرکت پذیرفته‌شده در بورس اوراق بهادار تهران طی بازه زمانی 10 ساله 1396-1387 از نرم‌افزار رهاورد نوین، صورت‌های مالی و سایت رسمی بورس اوراق بهادار تهران جمع‌آوری و برای آزمون فرضیه‌های پژوهش استفاده شد.  یافته‌ها: نتایج شواهدی را ارائه دادند که در اغلب موارد پیش‌بینی‌های رشد و سودآوری به‌دست‌آمده از الگو‌‌های بازگشت به میانگین صنعت، بر پیش‌بینی‌های به‌دست‌آمده از الگو‌‌های چرخه عمر و کل اقتصاد برتری داشته است. نتایج بررسی فرضیه دوم پژوهش هرچند دقت بیشتر پیش‌بینی مدیریت نسبت به سایر الگو‌‌ها را نشان می‌دهد، اما حاکی از این است که مدیران به هنگام انجام پیش‌بینی‌های سود اهمیت چرخه عمر شرکت را درک نموده‌اند. علاوه بر این، رویکرد مبتنی بر چرخه عمر در شرایطی به بهترین نحو عمل می‌کند که درصد مالکیت سهامداران نهادی در سطح بالا و عدم قطعیت، سودآوری و دارایی‌های شرکت در سطح پایینی قرار داشته باشد.  نتیجه‌گیری: به‌طورکلی، نتایج حاکی از برتری نسبی پیش‌بینی‌های الگو‌‌های بازگشت به میانگین صنعت، بر پیش‌بینی‌های به‌دست‌آمده از الگو‌‌های چرخه عمر و کل اقتصاد است. هرچند یافته‌های پژوهش شواهدی از قدرت توضیح دهندگی بیشتر الگو‌ی چرخه عمر در مقایسه با سایر الگو‌‌ها به دست نمی‌دهد، اما نشان می‌دهد مدیران به هنگام انجام پیش‌بینی‌های سود اهمیت چرخه عمر شرکت را درک نموده‌اند.

Investigating the Performance of Life Cycle Based Forecasts and Determining the Components Affecting it

Objective: Company growth and profitability forecasts are important inputs in the valuation process. Also, mean reversion estimates can serve as inputs in estimating steadystate final value parameters. The main purpose of this study is to test the hypothesis that life cyclebased mean reversion models provide better results for forecasting profitability and growth compared to the industrylevel and economywide models. This study also tests the hypothesis that managers realize the benefits of industry and life cycle analysis when making their predictions. Totally, this study compares the variables and factors affecting the accuracy of predictions from mean reversion life cyclebased models with industrylevel and economywide models.  Methods: The data of 161 companies listed in the Tehran Stock Exchange, TSE, in a 10year period of 20082018 were collected from the software, financial statements, and the TSE official website. To test the research hypotheses, we used statistical tests such as t student, multivariate regression using SPSS software, econometrics estimation using Eviews. The Dickinson (2011) model was used to determine the different stages of the companies’ life cycle, which is consistent with the pattern of cash flows (operating activities, investment, and financing).  Results: Test results of the first hypothesis, in most cases, provided evidence that growth and profitability forecasts derived from industrylevel mean reversion models outperform the forecasts of the life cycle and the economywide models. By comparing the mean errors in the second hypothesis, the findings of the model are more accurate than other models, indicating that managers realize the importance of the firm’s life cycle when predicting profits. The results of the study of factors affecting the accuracy of the life cycle model of prediction compared to other models indicated that the improvement of life cycle growth forecasts lacks significant relationships with systematic and nonsystematic risk, beta coefficient, trading volume, the ratio of institutional owners, the markettobook ratio, and the amount and intensity of the R &D, the volume of intangible assets, and financial leverage. However, for higher profitability scales, improved life cycle forecasts correlate with firm size, assets and equipment, and abnormal (poor) corporate returns. Also, the life cycle approach works best when the percentage of institutional shareholder ownership is high and the company’s uncertainty, profitability, and assets are low.  Conclusion: In this study, we investigated the accuracy of a forecast model based on a firm life cycle for predicting future profitability and growth relative to economywide and industryspecific forecast models. In general, the results of the research indicate the relative superiority of the predictions of industrylevel models over the predictions obtained from the life cycle and the economywide models. Although the research findings do not provide evidence of more explanatory power of the life cycle model compared to other models, they suggest that managers have realized the importance of the life cycle of the company when making profit forecasts. This research has important implications that help investors, analysts, managers, and others make better predictions when making financial decisions. Also, this study identifies the drivers of growth and profitability for companies through a lowcost and high employment strategy to achieve the most accurate forecasts.