ОБОРОТНИЙ КАПІТАЛ І ПРОДУКТИВНІСТЬ ФІРМИ: НЕЛІНІЙНІ ДОКАЗИ З В'ЄТНАМУ
Article Sidebar
Надіслано: 10-04-2025
Опубліковано: 31-08-2025
©, Авторські права належать авторам.
Ця стаття опублікована відповідно до стандартів відкритого доступу та розповсюджується за ліцензією Creative Commons Attribution 4.0 International (CC BY 4.0), яка дозволяє необмежене використання, розповсюдження та відтворення змісту на будь-якому носії, за умови зазначення оригінального автора та джерела.
Main Article Content
Анотація
У цьому дослідженні автори вивчають нелінійну залежність між управлінням оборотним капіталом, що вимірюється циклом конвертації грошових коштів, і ефективністю фірми, яку оцінюють за допомогою рентабельності капіталу та рентабельності активів. Використано набір даних, що містить 8 343 спостереження в'єтнамських компаній, зареєстрованих на біржі, протягом 2008–2024 років. Поєднуючи традиційні регресійні моделі з методами машинного навчання, включаючи Random Forest і Support Vector Regression, аналіз спрямований на фіксацію складних фінансових моделей. Результати вказують на те, що вплив циклу конвертації готівки на продуктивність відбувається за нелінійною траєкторією, визначаючи оптимальну довжину циклу, яка максимізує прибутковість при забезпеченні ліквідності. Ця оптимальна довжина циклу значно варіюється в різних розмірах фірм і галузях. Цікаво, що малі фірми, як правило, виграють від коротших циклів, щоб мінімізувати витрати на фінансування, водночас більші фірми використовують довші цикли для отримання операційної гнучкості. Крім того, динаміка в конкретному секторі відіграє важливу роль у впливі на результати між обробною промисловістю та сферою послуг. Отримані результати виявляють значні нелінійні ефекти, коли відхилення від оптимального циклу негативно впливають на продуктивність. Це дає менеджерам стратегічний інструмент для налаштування політики оборотного капіталу на нестабільному ринку В'єтнаму. Це дослідження додає цінні емпіричні дані, підтверджуючи теорію компромісу в контексті ринків, що розвиваються, ставлячи під сумнів лінійні припущення, поширені в попередніх дослідженнях. Робота встановлює новаторську фінансову структуру, яка пропонує в'єтнамським компаніям специфічні стратегії для підвищення прибутковості та стійкості, ілюструючи, що оптимізоване управління оборотним капіталом може сприяти сталому зростанню в економіці, яка швидко змінюється. Великий набір даних дослідження та передові аналітичні методи підкреслюють його надійність, даючи уявлення про управління компромісами між ліквідністю та прибутковістю. Ці результати мають ширші наслідки для управління оборотним капіталом у країнах, що розвиваються, де економічна нестабільність вимагає розробки індивідуальних фінансових стратегій. Ця робота сприяє розвиткові науки з фінансового менеджменту та слугує ресурсом для політиків, які прагнуть сприяти економічній стабільності.
Article Details
Посилання
Afrifa, G. A. (2016). Net working capital, cash flow and performance of UK SMEs. Review of Accounting and Finance, 15(1), 21–44. https://doi.org/10.1108/RAF-02-2015-0031 DOI: https://doi.org/10.1108/RAF-02-2015-0031
Afrifa, G. A., & Padachi, K. (2016). Working capital level influence on SME profitability. Journal of Small Business and Enterprise Development, 23(1), 44–63. https://doi.org/10.1108/JSBED-01-2014-0014 DOI: https://doi.org/10.1108/JSBED-01-2014-0014
Aktas, N., Croci, E., & Petmezas, D. (2015). Is working capital management value-enhancing? Evidence from firm performance and investments. Journal of Corporate Finance, 30, 98–113. https://doi.org/10.1016/j.jcorpfin.2014.12.008 DOI: https://doi.org/10.1016/j.jcorpfin.2014.12.008
Appel, A. P., Malfatti, G. L., Cunha, R. L. D. F., Lima, B., & de Paula, R. (2020). Predicting account receivables with machine learning. arXiv preprint arXiv:2008.07363. https://doi.org/10.48550/arXiv.2008.07363
Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685–725. https://doi.org/10.1146/annurev-economics-080217-053433 DOI: https://doi.org/10.1146/annurev-economics-080217-053433
Baños-Caballero, S., García-Teruel, P. J., & Martínez-Solano, P. (2014). Working capital management, corporate performance, and financial constraints. Journal of Business Research, 67(3), 332–338. https://doi.org/10.1016/j.jbusres.2013.01.016 DOI: https://doi.org/10.1016/j.jbusres.2013.01.016
Basak, S., Kar, S., Saha, S., Khaidem, L., & Dey, S. R. (2019). Predicting the direction of stock market prices using tree-based classifiers. The North American Journal of Economics and Finance, 47, 552–567. https://doi.org/10.1016/j.najef.2018.06.013 DOI: https://doi.org/10.1016/j.najef.2018.06.013
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324 DOI: https://doi.org/10.1023/A:1010933404324
Brown, I., & Mues, C. (2012). An experimental comparison of classification algorithms for imbalanced credit scoring data sets. Expert Systems with Applications, 39(3), 3446–3453. https://doi.org/10.1016/j.eswa.2011.09.033 DOI: https://doi.org/10.1016/j.eswa.2011.09.033
Cao, L. J., & Tay, F. E. H. (2003). Support vector machine with adaptive parameters in financial time series forecasting. IEEE Transactions on Neural Networks, 14(6), 1506–1518. https://doi.org/10.1109/TNN.2003.820556 DOI: https://doi.org/10.1109/TNN.2003.820556
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). https://doi.org/10.1145/2939672.2939785 DOI: https://doi.org/10.1145/2939672.2939785
Deloof, M. (2003). Does working capital management affect profitability of Belgian firms? Journal of Business Finance & Accounting, 30(3–4), 573–588. https://doi.org/10.1111/1468-5957.00008 DOI: https://doi.org/10.1111/1468-5957.00008
Eljelly, A. M. (2004). Liquidity-profitability tradeoff: An empirical investigation in an emerging market. International Journal of Commerce and Management, 14(2), 48–61. https://doi.org/10.1108/10569210480000179 DOI: https://doi.org/10.1108/10569210480000179
Enqvist, J., Graham, M., & Nikkinen, J. (2014). The impact of working capital management on firm profitability in different business cycles: Evidence from Finland. Research in International Business and Finance, 32, 36–49. https://doi.org/10.1016/j.ribaf.2014.03.005 DOI: https://doi.org/10.1016/j.ribaf.2014.03.005
Filbeck, G., & Krueger, T. M. (2005). An analysis of working capital management results across industries. Mid-American Journal of Business, 20(2), 11–18. https://doi.org/10.1108/19355181200500007 DOI: https://doi.org/10.1108/19355181200500007
Gaur, V., Fisher, M. L., & Raman, A. (2005). An econometric analysis of inventory turnover performance in retail services. Management Science, 51(2), 181–194. https://doi.org/10.1287/mnsc.1040.0298 DOI: https://doi.org/10.1287/mnsc.1040.0298
Gitman, L. J. (1974). Estimating corporate liquidity requirements: A simplified approach. Financial Review, 9(1), 79–88. https://doi.org/10.1111/j.1540-6288.1974.tb01453.x DOI: https://doi.org/10.1111/j.1540-6288.1974.tb01453.x
Hill, M. D., Kelly, G. W., & Highfield, M. J. (2010). Net operating working capital behavior: A first look. Financial Management, 39(2), 783–805. https://doi.org/10.1111/j.1755-053X.2010.01092.x DOI: https://doi.org/10.1111/j.1755-053X.2010.01092.x
Huang, Z., Chen, H., Hsu, C. J., Chen, W. H., & Wu, S. (2004). Credit rating analysis with support vector machines and neural networks: A market comparative study. Decision Support Systems, 37(4), 543–558. https://doi.org/10.1016/S0167-9236(03)00086-1 DOI: https://doi.org/10.1016/S0167-9236(03)00086-1
Jensen, M. C. (1986). Agency costs of free cash flow, corporate finance, and takeovers. The American Economic Review, 76(2), 323–329. https://www.jstor.org/stable/1818789
Jensen, M. C., & Meckling, W. H. (1976). Theory of the firm: Managerial behavior, agency costs and ownership structure. Journal of Financial Economics, 3(4), 305–360. https://doi.org/10.1016/0304-405X(76)90026-X DOI: https://doi.org/10.1016/0304-405X(76)90026-X
Jose, M., Lancaster, C., & Stevens, J. (1996). Corporate returns and cash conversion cycles. Journal of Economics and Finance, 20(1), 33–46. https://doi.org/10.1007/BF02920497 DOI: https://doi.org/10.1007/BF02920497
Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T. Y. (2017). LightGBM: A highly efficient gradient boosting decision tree. In Advances in Neural Information Processing Systems, 30, 3146–3154. https://proceedings.neurips.cc/paper_files/paper/2017/file/6449f44a102fde848669bdd9eb6b76fa-Paper.pdf
Kieschnick, R., Laplante, M., & Moussawi, R. (2013). Working capital management and shareholders' wealth. Review of Finance, 17(5), 1827–1852. https://doi.org/10.1093/rof/rfs043 DOI: https://doi.org/10.1093/rof/rfs043
Mahmood, F., Shahzad, U., Nazakat, A. L. I., Ahmed, Z., Rjoub, H., & Wong, W. K. (2022). The nexus between cash conversion cycle, working capital finance, and firm performance: Evidence From Novel Machine Learning Approaches. Annals of Financial Economics, 17(02), 2250014. 10.1142/S2010495222500142 DOI: https://doi.org/10.1142/S2010495222500142
Mahmood, F., Ahmed, Z., Hussain, N., & Ben-Zaied, Y. (2023). Working capital financing and firm performance: A machine learning approach. Review of Quantitative Finance and Accounting, 1–36. https://doi.org/10.1007/s11156-023-01185-w DOI: https://doi.org/10.1007/s11156-023-01185-w
Mullainathan, S., & Spiess, J. (2017). Machine learning: An applied econometric approach. Journal of Economic Perspectives, 31(2), 87–106. Machine Learning: An Applied Econometric Approach DOI: https://doi.org/10.1257/jep.31.2.87
Mun, S. G., & Jang, S. S. (2015). Working capital, cash holding, and profitability of restaurant firms. International Journal of Hospitality Management, 48, 1–11. https://doi.org/10.1016/j.ijhm.2015.04.003 DOI: https://doi.org/10.1016/j.ijhm.2015.04.003
Myers, S. C., & Majluf, N. S. (1984). Corporate financing and investment decisions when firms have information that investors do not have. Journal of Financial Economics, 13(2), 187–221. https://doi.org/10.1016/0304-405X(84)90023-0 DOI: https://doi.org/10.1016/0304-405X(84)90023-0
Petersen, M. A., & Rajan, R. G. (1997). Trade credit: Theories and evidence. The Review of Financial Studies, 10(3), 661–691. https://doi.org/10.1093/rfs/10.3.661 DOI: https://doi.org/10.1093/rfs/10.3.661
Petropoulos, A., Siakoulis, V., Stavroulakis, E., & Vlachogiannakis, N. E. (2020). Predicting bank insolvencies using machine learning techniques. International Journal of Forecasting, 36(3), 1092–1113. https://doi.org/10.1016/j.ijforecast.2019.11.005 DOI: https://doi.org/10.1016/j.ijforecast.2019.11.005
Rappaport, A. (1986). Creating shareholder value: The new standard for business performance. Free Press.
Richards, V. D., & Laughlin, E. J. (1980). A cash conversion cycle approach to liquidity analysis. Financial Management, 9(1), 32–38. https://doi.org/10.2307/3665310 DOI: https://doi.org/10.2307/3665310
Saha, D., Young, T. M., & Thacker, J. (2023). Predicting firm performance and size using machine learning with a Bayesian perspective. Machine Learning with Applications, 11, 100453. https://doi.org/10.1016/j.mlwa.2023.100453 DOI: https://doi.org/10.1016/j.mlwa.2023.100453
Shin, H., & Soenen, L. (1998). Efficiency of Working Capital Management and Corporate Profitability. Financial Practice and Education, 8(2), 37-45.
Smith, J. K. (1987). Trade credit and informational asymmetry. The Journal of Finance, 42(4), 863–872. https://doi.org/10.1111/j.1540-6261.1987.tb03916.x DOI: https://doi.org/10.1111/j.1540-6261.1987.tb03916.x
Smith, K. (1980). Profitability versus liquidity tradeoffs in working capital management. In K. V. Smith (Ed.), Readings on the Management of Working Capital (pp. 549–562). West Publishing Company, New York, St. Paul.
Smith, M., & Alvarez, F. (2022). Predicting firm-level bankruptcy in the Spanish economy using extreme gradient boosting. Computational Economics, 59(1), 263–295. https://doi.org/10.1007/s10614-020-10078-2 DOI: https://doi.org/10.1007/s10614-020-10078-2
Soenen, L. A. (1993). Cash conversion cycle and corporate profitability. Journal of Cash Management, 13(4), 53–58.
Tanaka, K., Kinkyo, T., & Hamori, S. (2018). Financial hazard map: Financial vulnerability predicted by a random forests classification model. Sustainability, 10(5), 1530. https://doi.org/10.3390/su10051530 DOI: https://doi.org/10.3390/su10051530
Theodorou, E., Spiliotis, E., & Assimakopoulos, V. (2023). Optimizing inventory control through a data-driven and model-independent framework. EURO Journal on Transportation and Logistics, 12, 100103. https://doi.org/10.1016/j.ejtl.2022.100103 DOI: https://doi.org/10.1016/j.ejtl.2022.100103
Tsuruta, D. (2019). Working capital management during the global financial crisis: Evidence from Japan. Japan and the World Economy, 49(C), 206–219. https://doi.org/10.1016/j.japwor.2019.01.002 DOI: https://doi.org/10.1016/j.japwor.2019.01.002
Wang, Y. J. (2002). Liquidity management, operating performance, and corporate value: Evidence from Japan and Taiwan. Journal of Multinational Financial Management, 12(2), 159–169. https://doi.org/10.1016/S1042-444X(01)00047-0 DOI: https://doi.org/10.1016/S1042-444X(01)00047-0
Wang, D. N., Li, L., & Zhao, D. (2022). Corporate finance risk prediction based on LightGBM. Information Sciences, 602, 259–268. https://doi.org/10.1016/j.ins.2022.04.058 DOI: https://doi.org/10.1016/j.ins.2022.04.058