DOI: https://doi.org/10.3934/dsfe.2025001
تاريخ النشر: 2025-01-01
المؤلف: Ji Young Choi وآخرون
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها
نظرة عامة
تستخدم هذه الدراسة شبكة بايزي ديناميكية سببية (CDBN) لاستكشاف العلاقات السببية بين المتغيرات المالية المتعلقة بقيمة الشركة، باستخدام مجموعة بيانات شاملة من الشركات المصنعة المدرجة في كوريا على مدى 14 عامًا (2009-2022). إطار عمل CDBN يوضح بشكل فعال التفاعلات الزمنية والمعاصرة بين العوامل المالية، كاشفًا عن رؤى هامة في ديناميات المالية الشركات. تشمل النتائج الرئيسية أدلة على الارتباط الذاتي عبر جميع المتغيرات الديناميكية، ودورة تغذية راجعة متأخرة بين نسبة الأصول غير الملموسة (ITA) وQ توبين (TobinsQ)، والأثر الكبير لجائحة COVID-19 على المقاييس المالية مثل نسبة الأصول الثابتة (FA)، وTobinsQ، ونسبة العائد على الأصول (ROA).
تسلط نموذج CDBN الضوء على العلاقات المعقدة بين المتغيرات المالية دون تمييز بين المتغيرات التابعة والمستقلة، مما يسمح بتحليل مرن بناءً على السياق. على سبيل المثال، عندما يتم اعتبار TobinsQ كمتغير مستهدف، يمكن للنموذج استنتاج تأثيرات العقدة السابقة له، بما في ذلك آثار COVID-19 والمقاييس المالية السابقة. تمتد هذه القابلية للتكيف إلى أي متغير من الاهتمام، مما يسهل مهام الاستدلال المخصصة من خلال تعديل هيكل الشبكة بشكل انتقائي. بشكل عام، توفر الدراسة فهمًا دقيقًا للديناميات السببية بين المتغيرات المالية، مع التأكيد على ترابطها وآثار الصدمات الخارجية مثل جائحة COVID-19.
مقدمة
تناقش مقدمة هذه الورقة البحثية مفهوم قيمة الشركة، والذي يشمل القيمة الاقتصادية الإجمالية للأعمال، بما في ذلك كل من الأسهم والديون. تعتبر قيمة الشركة مقياسًا حاسمًا لتقييم الصحة المالية للشركة وتتأثر بعوامل مختلفة مثل التدفقات النقدية المستقبلية وآفاق النمو وظروف السوق. تم استخدام نماذج الانحدار التقليدية بشكل شائع لتحليل قيمة الشركة؛ ومع ذلك، تواجه هذه النماذج قيودًا في التعامل مع التبعيات المعقدة وإقامة العلاقات السببية دون افتراضات قوية.
بالمقابل، توفر الشبكات البايزية (BNs) بديلاً قويًا من خلال السماح باستكشاف التبعيات بين المتغيرات دون أشكال وظيفية محددة مسبقًا. تسهل BNs التفكير السببي ويمكن أن تتضمن المعرفة الخبراء، مما يجعلها مفيدة بشكل خاص في السيناريوهات التي تحتوي على بيانات تاريخية محدودة. تؤكد الورقة على أهمية النظر في التبعيات الزمنية في تحليل قيمة الشركة، حيث تؤثر القيم السابقة غالبًا على النتائج الحالية. لمعالجة ذلك، يقترح المؤلفون نموذج شبكة بايزية ديناميكية سببية (CDBN)، والذي يدمج العلاقات الزمنية والهياكل السببية باستخدام بيانات لوحة من الشركات المصنعة المدرجة في كوريا من 2009 إلى 2022. ستفصل الأقسام التالية من الورقة البيانات، والإطار النظري، والمنهجية، والنتائج، وآثار نموذج CDBN.
النتائج
تقدم نتائج الدراسة نموذج شبكة بايزية ديناميكية سببية (CDBN) تم بناؤه يوضح كل من العلاقات السببية بين السنوات (الزمنية) وداخل السنة (المعاصرة) بين المتغيرات المالية. يكشف النموذج عن آثار ارتباط ذاتي كبيرة عبر جميع المتغيرات الديناميكية، مما يشير إلى أن القيم السابقة تؤثر على النتائج المستقبلية. من الجدير بالذكر أن هناك دورة تغذية راجعة متأخرة بين الأصول غير الملموسة (ITA) وQ توبين، حيث تؤثر ITA بشكل إيجابي على Tobin’s Q في السنوات اللاحقة، مما يخلق دورة فضيلة. تسلط هذه العلاقة الضوء على الاعتراف المتأخر بقيمة الأصول غير الملموسة في التقييمات السوقية، مما يشير إلى أن الشركات التي تستثمر في الأصول غير الملموسة قد تشهد زيادة تدريجية في القيمة السوقية مع تحقيق هذه الاستثمارات لعوائد قابلة للقياس.
تدرس التحليل أيضًا تأثير COVID-19 على العلاقات المالية من خلال مقارنة نماذج CDBN قبل وبعد COVID. تشير النتائج إلى أن العديد من العلاقات التي تم تأسيسها سابقًا، بما في ذلك دورة التغذية الراجعة المتأخرة بين ITA وTobinsQ، قد تضاءلت أو اختفت خلال الجائحة. ظهرت علاقات جديدة، مثل تأثير العائد على الأصول (ROA) على تكاليف الاستهلاك (DC)، مما يعكس التعديلات الاستراتيجية للشركات استجابةً لانخفاض الربحية. تحدد الدراسة مجموعتين متميزتين من المتغيرات المتأثرة بـ COVID-19، مما يبرز الاضطراب الكبير الذي أحدثته الجائحة في الهياكل المالية القائمة والحاجة إلى أن يتكيف أصحاب المصلحة مع استراتيجياتهم وفقًا لذلك. بشكل عام، تؤكد النتائج على أهمية فهم الديناميات الزمنية للأصول غير الملموسة وطبيعة العلاقات المالية المتطورة في سياق الصدمات الخارجية مثل COVID-19.
المناقشة
في هذه الدراسة، تم تطوير نموذج شبكة بايزية ديناميكية سببية (CDBN) لتحليل العلاقات السببية الزمنية والمعاصرة بين المتغيرات المالية التي تؤثر على قيمة الشركة، باستخدام مجموعة بيانات شاملة من 227 شركة مصنعة مدرجة في كوريا على مدى 14 عامًا (2009-2022). تضمنت مجموعة البيانات 11 متغيرًا، حيث تم تقييم قيمة الشركة من خلال Tobin’s Q، الذي تم حسابه كنسبة مجموع القيمة السوقية والديون الإجمالية إلى إجمالي الأصول. تضمن التحليل متغيرًا وهميًا لـ COVID-19 لتمييز بين الفترات قبل وبعد الجائحة، مما يعكس التأثير الكبير للجائحة على المقاييس المالية.
تضمن بناء CDBN تطبيق خوارزمية PC لاستنتاج الهياكل السببية من البيانات، مع ضمان الالتزام بالافتراضات الرئيسية مثل الكفاية السببية وشرط ماركوف السببي. كشف النموذج عن ارتباط ذاتي قوي بين المتغيرات الديناميكية وحدد علاقات متأخرة كبيرة، خاصة بين الأصول غير الملموسة وTobinsQ، بالإضافة إلى تأثير العائد على الأصول على الأصول غير الملموسة. سلطت النتائج الضوء على مجموعتين متميزتين من المتغيرات المترابطة من خلال COVID-19 والعائد على الأصول للعام السابق، مما يوفر رؤى حول التفاعلات المعقدة بين المقاييس المالية. يسمح هذا النهج المرن في النمذجة بإجراء استدلال مستهدف على متغيرات محددة، مما يعزز فهم الديناميات السببية داخل المشهد المالي.
القيود
تُعترف قيود نموذج الشبكة البايزية الديناميكية السببية (CDBN)، الذي يقيم كل من العلاقات السببية الزمنية والمعاصرة بين المتغيرات المالية المتعلقة بقيمة الشركة، في هذا القسم. من الجدير بالذكر أن النتائج مستمدة من مجموعة بيانات محددة لقطاع التصنيع في كوريا، مما يحذر من التعميم المفرط على سياقات أو قطاعات أخرى حيث قد تختلف العلاقات السببية بسبب اختلاف البيئات المالية. بالإضافة إلى ذلك، تعتمد صحة العلاقات السببية المستنتجة على الافتراض بأن جميع الأسباب ذات الصلة مدرجة في النموذج، دون وجود عوامل مشوشة غير مقاسة تؤثر على المتغيرات الملاحظة.
تشمل اتجاهات البحث المستقبلية توسيع مجموعة البيانات لتشمل دولًا وقطاعات متعددة، مما يعزز تحليل هياكل الشبكة السببية المتعلقة بقيمة الشركة. يمكن أن يؤدي دمج مجموعة أوسع من خصائص الشركات والمتغيرات الاقتصادية الكلية الرئيسية – مثل أسعار الفائدة، وأسعار الصرف، ومعدلات البطالة – إلى إثراء النموذج بشكل أكبر. أظهر نموذج CDBN دقة تنبؤية متفوقة، مع متوسط خطأ تنبؤ تربيعي قدره 0.184 مقارنة بـ 0.379 لنموذج الانحدار القياسي عند التنبؤ بـ Tobin’s Q لعام 2022. وهذا يشير إلى فعالية النموذج في التقاط التفاعلات البيانية الأساسية، مما يستدعي مزيدًا من التقييمات المقارنة ضد نماذج المعادلات الهيكلية وغيرها من أساليب التعلم الآلي.
DOI: https://doi.org/10.3934/dsfe.2025001
Publication Date: 2025-01-01
Author(s): Ji Young Choi et al.
Primary Topic: Forecasting Techniques and Applications
Overview
This study employs a Causal Dynamic Bayesian Network (CDBN) to explore the causal relationships among financial variables related to firm value, utilizing a comprehensive panel dataset from listed manufacturing companies in Korea over a 14-year period (2009-2022). The CDBN framework effectively visualizes both temporal and contemporaneous interactions among financial factors, revealing significant insights into corporate finance dynamics. Key findings include evidence of autocorrelation across all dynamic variables, a lagged feedback loop between the intangible assets ratio (ITA) and Tobin’s Q (TobinsQ), and the substantial impact of the COVID-19 pandemic on financial metrics such as the fixed assets ratio (FA), TobinsQ, and return on assets ratio (ROA).
The CDBN model highlights the intricate relationships among financial variables without distinguishing between dependent and independent variables, allowing for flexible analysis based on the context. For instance, when TobinsQ is treated as the target variable, the model can infer the influences of its ancestor nodes, including the effects of COVID-19 and previous financial metrics. This adaptability extends to any variable of interest, facilitating tailored inference tasks by selectively modifying the network’s structure. Overall, the study provides a nuanced understanding of the causal dynamics among financial variables, emphasizing their interconnectedness and the implications of external shocks such as the COVID-19 pandemic.
Introduction
The introduction of this research paper discusses the concept of firm value, which encompasses the total economic worth of a business, including both equity and debt. Firm value is a crucial metric for assessing a company’s financial health and is influenced by various factors such as future cash flows, growth prospects, and market conditions. Traditional regression models have been commonly used to analyze firm value; however, they face limitations in handling complex interdependencies and establishing causal relationships without strong assumptions.
In contrast, Bayesian Networks (BNs) offer a robust alternative by allowing for the exploration of variable interdependencies without predefined functional forms. BNs facilitate causal reasoning and can incorporate expert knowledge, making them particularly advantageous in scenarios with limited historical data. The paper emphasizes the importance of considering temporal dependencies in firm value analysis, as past values often influence current outcomes. To address this, the authors propose a Causal Dynamic Bayesian Network (CDBN) model, which integrates temporal relationships and causal structures using panel data from listed manufacturing companies in Korea from 2009 to 2022. The subsequent sections of the paper will detail the data, theoretical framework, methodology, results, and implications of the CDBN model.
Results
The results of the study present a constructed Causal Dynamic Bayesian Network (CDBN) model that illustrates both inter-year (temporal) and intra-year (contemporaneous) causal relationships among financial variables. The model reveals significant autocorrelation effects across all dynamic variables, indicating that past values influence future outcomes. Notably, a lagged feedback loop exists between intangible assets (ITA) and Tobin’s Q, where ITA positively affects Tobin’s Q in subsequent years, creating a virtuous cycle. This relationship highlights the delayed recognition of intangible asset value in market evaluations, suggesting that firms investing in intangibles may experience a gradual increase in market value as these investments yield measurable returns.
The analysis also examines the impact of COVID-19 on financial relationships by comparing pre-COVID and post-COVID CDBN models. The findings indicate that many previously established relationships, including the lagged feedback loop between ITA and Tobin’s Q, have diminished or disappeared during the pandemic. New relationships emerged, such as the influence of Return on Assets (ROA) on depreciation costs (DC), reflecting firms’ strategic adjustments in response to declining profitability. The study identifies two distinct groups of variables influenced by COVID-19, emphasizing the pandemic’s significant disruption to existing financial structures and the need for stakeholders to adapt their strategies accordingly. Overall, the results underscore the importance of understanding the temporal dynamics of intangible assets and the evolving nature of financial relationships in the context of external shocks like COVID-19.
Discussion
In this study, a Causal Dynamic Bayesian Network (CDBN) model was developed to analyze the temporal and contemporaneous causal relationships among financial variables influencing firm value, utilizing a comprehensive panel dataset from 227 listed manufacturing companies in Korea over a 14-year period (2009-2022). The dataset included 11 variables, with firm value assessed through Tobin’s Q, which was calculated as the ratio of the sum of market capitalization and total debt to total assets. The analysis incorporated a dummy variable for COVID-19 to distinguish between pre- and post-pandemic periods, reflecting the significant impact of the pandemic on financial metrics.
The construction of the CDBN involved applying the PC algorithm to infer causal structures from the data, ensuring adherence to key assumptions such as causal sufficiency and the causal Markov condition. The model revealed strong autocorrelation among dynamic variables and identified significant lagged relationships, particularly between intangible assets and Tobin’s Q, as well as the influence of return on assets on intangible assets. The findings highlighted two distinct groups of variables interconnected through COVID-19 and previous year’s return on assets, providing insights into the complex interactions among financial metrics. This flexible modeling approach allows for targeted inference on specific variables, enhancing the understanding of causal dynamics within the financial landscape.
Limitations
The limitations of the Causal Dynamic Bayesian Network (CDBN) model, which assesses both temporal and contemporaneous causal relationships among financial variables related to firm value, are acknowledged in this section. Notably, the findings are derived from a dataset specific to the manufacturing sector in Korea, cautioning against over-generalization to other contexts or sectors where causal relationships may differ due to varying financial environments. Additionally, the validity of the inferred causal relationships hinges on the assumption that all relevant causes are included in the model, with no unmeasured confounders affecting the observed variables.
Future research directions include expanding the dataset to encompass multiple countries and sectors, thereby enhancing the analysis of causal network structures related to firm value. Incorporating a wider array of firm characteristics and key macroeconomic variables—such as interest rates, exchange rates, and unemployment rates—could further enrich the model. The CDBN model demonstrated superior predictive accuracy, with a mean squared prediction error of 0.184 compared to 0.379 for a standard regression model when predicting Tobin’s Q for 2022. This suggests the model’s effectiveness in capturing essential data interactions, warranting further comparative evaluations against Structural Equation Models and other machine learning approaches.