ارائه الگوی پیش‌بینی حساسیت جبران خدمات مدیرعامل با استفاده الگوریتم‌های فراابتکاری (ژنتیک و ازدحام ذرات)

هدف: برای کاهش تضاد منافع بین مدیران و سهام‌داران، بر تسهیم منافع تمرکز می‌شود. پاداش به مدیران، یکی از راه‌های کاهش این تضاد است و به‌عنوان ابزاری برای هم‌سو کردن دیدگاه‌ها و عملکرد آنان در جهت افزایش ثروت سهام‌داران استفاده می‌شود. پاداش نقدی به مدیران باید بر عملکرد آنان مبتنی باشد تا هم‌سویی عملکرد مدیران با منافع سهام‌داران را تضمین کند. در طراحی بسته دستمزد مدیرعامل در شرکت‌ها، نقش سرمایه‌گذاران نهادی مطرح است. نظریۀ نمایندگی به مشکلاتی اشاره می‌کند که در زمان تفویض ادارۀ شرکت به مدیران توسط مالکان به وجود می‌آید. برای کاهش تضاد نمایندگی، پاداش به مدیران با ارزش ایجاد شده برای سهام‌داران باید مرتبط باشد. یکی از روش‌های اصلی اندازه‌گیری عملکرد مدیر، گزارش‌های حسابداری است که به‌عنوان ابزاری برای اندازه‌گیری و ارزیابی عملکرد و انگیزش مدیر نقش دارد. با توجه به نکات ذکر شده، هدف این پژوهش ارائه الگوی پیش‌بینی حساسیت جبران خدمات مدیرعامل با استفاده الگوریتم‌های فراابتکاری (ژنتیک و ازدحام ذرات) است.روش: جامعه آماری این پژوهش را کلیه شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، در دوره زمانی 1390 تا 1400 تشکیل می‌‏‌‏‌دهد. در این پژوهش به‌منظور انتخاب نمونه، از روش حذف سیستماتیک استفاده و 110 شرکت انتخاب شد. براساس دسته‌بندی پژوهش‌ها برحسب هدف، پژوهش حاضر از نوع کاربردی است. به‌علاوه، از نوع تحقیقات شبه‌تجربی است و در حوزه تحقیقات توصیفی (غیرآزمایشی پیمایشی) قرار می‌گیرد. روش‌های گردآوری داده‌های پژوهش مطالعۀ اسناد و مدارک، کاوش اینترنتی و مطالعۀ کتابخانه‌ای بسته به نیاز بوده است. در این پژوهش 12 پارامتر تاثیرگذار، بر حساسیت جبران خدمات مدیرعامل، به‌عنوان ورودی مدل داده‌کاوی انتخاب شده است که عبارت‌اند از: مالکیت نهادی، مالکیت خانوادگی، قابلیت مقایسه صورت‌های مالی، مدیریت سود، محافظه‌کاری 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 هزینه‌های عملیاتی). همچنین پارامتر حساسیت جبران خدمات مدیرعامل نیز به‌عنوان خروجی مدل داده‌کاوی انتخاب شد. بدین منظور، سه مدل داده‌کاوی به تفکیک پارامتر رفتار هزینه ایجاد شد. افزون بر این، به‌منظور مقایسه، از سه مدل رگرسیون خطی استفاده شد.یافته‌ها: نتایج از برتری مدل شبکۀ عصبی عمیق، از لحاظ میزان ضریب تعیین و شاخص mse حکایت می‌کند. این برتری برای هر سه مدل داده‌کاوی، نسبت به سه مدل رگرسیون خطی صادق است. در بین مدل‌های داده‌کاوی، مدل سوم با پارامتر رفتار هزینه: تغییرات هزینه‌های 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 داده‌کاوی اول با پارامتر رفتار هزینه: تغییرات بازده دارایی، ضعیف‌ترین نتایج را کسب کرده است.نتیجه‌گیری: استفاده از شبکه‌های عصبی عمیق با بهینه‌سازی الگوریتم‌های فراابتکاری، می‌تواند مدل‌های پیش‌بینی مبتنی بر داده‌های واقعی را ایجاد کند و از آن‌ها می‌توان برای تصمیم‌گیری‌های مدیریتی و بهبود فرایندهای جبران خدمات در سازمان‌ها استفاده کرد. این روش‌ها با بهره‌گیری از داده‌های موجود و الگوریتم‌های هوش مصنوعی، عملکرد مدیرعاملان را بهبود و کیفیت خدمات ارائه شده توسط سازمان‌ها را ارتقا می‌دهد. از طرف دیگر، این پژوهش می‌تواند به سرمایه‌گذاران و تصمیم‌گیران اقتصادی کمک کند تا با دقت بسیار زیاد، به تحلیل و پیش‌بینی حساسیت جبران خدمات مدیرعامل با استفاده شبکه‌های عصبی عمیق و الگوریتم‌های 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.methodsthe 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.resultsthe 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.conclusionthe 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.