A CRITIC-Weighted Fuzzy-TOPSIS and Machine Learning Framework for Evaluating Corporate Governance Efficiency: Evidence from Construction Materials Manufacturing in Uzbekistan
تقدم هذه الدراسة إطار عمل هجين يجمع بين (CRITIC-Fuzzy-TOPSIS) والتعلم الآلي لتقييم حوكمة الشركات في قطاع مواد البناء في أوزبكستان، كاشفةً عن مفارقة حيث تختلف أولويات الحوكمة كما يراها الخبراء عن الدوافع المالية، مع ثبوت أن العوامل العلاقاتية، مثل علاقات أصحاب المصلحة، تعد أكثر أهمية للربحية من الأبعاد الهيكلية.
المؤلفون الأصليون:Sherzod A. Dexkanov, Elnorakhon A. Muminova, Abdumalik M. Kadirov, Dilnoza A. Khudoyberganova, Sardorbek I. Kodirov, Ilmidin T. Yormatov, Bekhzod A. Olimov
المؤلفون الأصليون: Sherzod A. Dexkanov, Elnorakhon A. Muminova, Abdumalik M. Kadirov, Dilnoza A. Khudoyberganova, Sardorbek I. Kodirov, Ilmidin T. Yormatov, Bekhzod A. Olimov
في عالم الأعمال، هناك اعتقاد راسخ بأن طريقة إدارة الشركة هي التي تحدد مدى جودة أدائها. هذه الفكرة، المعروفة باسم حوكمة الشركات، تشير إلى أن القواعد الواضحة، والتقارير الصادقة، والإشراف المستقل تخلق بيئة مستقرة حيث يمكن للشركة أن تنمو وتحقق الأرباح. وفي الدول الغنية ذات القوانين القوية والأسواق المفتوحة، غالبًا ما يُنظر إلى هذا الارتباط كأمر مسلّم به. ومع ذلك، في الاقتصادات الناشئة حيث لا تزال القواعد قيد التشكّل والمعلومات يصعب العثور عليها، تكون العلاقة بين الإدارة الجيدة والنجاح المالي أكثر غموضًا. وقد تساءل الباحثون منذ فترة طويلة عما إذا كانت قوائم التحقق المعيارية المستخدمة لتقييم صحة الشركة تتنبأ بالفعل بأرباحها، أم أنها مجرد مقاييس لأشياء خاطئة. ويصبح هذا السؤال ملحًا بشكل خاص في أماكن مثل أوزبكستان، حيث تجاوز النمو الصناعي السريع وتيرة تطور نظم الإدارة الرسمية، مما ترك العديد من الشركات تعمل بعادات قديمة وشفافية محدودة.
قرر فريق من الباحثين من جامعات في أوزبكستان اختبار هذه العلاقة في قطاع حيوي ومحدد: تصنيع مواد البناء مثل الإسمنت والطوب والزجاج. أرادوا معرفة ما إذا كان تصور الخبراء لحوكمة الشركة يتطابق مع الواقع المالي لأدائها. ولتحقيق ذلك، قاموا ببناء نوع جديد من أنظمة التقييم الذي يجمع بين التقدير البشري والتعلم الحاسوبي المتقدم. فقد جمعوا عشرين خبيرًا ممن يعرفون الصناعة جيدًا وطلبوا منهم تقييم ثمانية مصانع كبرى بناءً على عشرة جوانب مختلفة من الإدارة، بدءًا من مدى كفاءة عمل مجلس الإدارة وصولًا إلى كيفية تعامل الشركة مع عمالها وتفاعلها مع الحكومة. واستخدم الخبراء مقياسًا سباعي النقاط بسيطًا، من "سيئ جدًا" إلى "جيد جدًا"، لوصف كل شركة.
بمجرد تقديم الخبراء لتقييماتهم، استخدم الباحثون طريقة رياضية لتحديد أي من تلك الجوانب العشرة كان في الواقع الأكثر أهمية لتمييز شركة عن أخرى. ووجدوا أن الخبراء كانوا أكثر قدرة على التمييز بين الشركات بناءً على مدى جودة تخطيطها للمستقبل وإدارتها للمخاطر؛ حيث حصل هذان العاملان على أعلى درجات الأهمية في التحليل الأولي. ثم استخدم الفريق هذه الدرجات لإنشاء تصنيف للشركات الثماني، واضعين الشركة ذات الحوكمة المتصورة الأفضل في المقدمة والشركة الأسوأ في ذيل القائمة.
وهنا تأخذ القصة منعطفًا مفاجئًا. فقد قارن الباحثون هذا التصنيف الذي وضعه الخبراء بالسجلات المالية الفعلية للشركات الثماني. ونظروا في مقياس محدد للربحية وهو "العائد على الأصول"، والذي يحسب مقدار الربح الذي تحققه الشركة بالنسبة لقيمة معداتها ومبانيها الثابتة. وأظهرت النتائج عدم وجود أي اتصال تقريبًا بين تصنيفات الخبراء والمال الحقيقي المحقق. وفي الواقع، كانت العلاقة سلبية نوعًا ما؛ إذ كانت الشركة التي قيمها الخبراء بأنها تمتلك أسوأ حوكمة هي في الواقع صاحبة أعلى الأرباح، بينما كانت الشركة التي صُنفت بأنها تمتلك أفضل حوكمة تمتلك أحد أدنى معدلات الربح. وفشلت النماذج الحاسوبية التي تم تدريبها للتنبؤ بالأرباح بناءً على تقييمات الخبراء في القيام بذلك، مما أكد أن الطريقة التي يرى بها الخبراء أسلوب إدارة الشركة لا تخبرك بمقدار المال الذي تجنيه تلك الشركة.
ولفهم سبب وجود هذا الانفصال، استخدم الباحثون تقنية تسمح للحواسيب بشرح منطقها الخاص. فقد طلبوا من النماذج الحاسوبية تحديد أي عوامل محددة، من بين العشرة التي قيمها الخبراء، كانت في الواقع هي المحركة للاختلاف في الأرباح. وكانت الإجابة مختلفة تمامًا عما اقترحه التصنيف الأولي للخبراء. فبينما ركز الخبراء على الهياكل الرسمية مثل التخطيط الاستراتيجي وإدارة المخاطر، كشف التحليل الحاسوبي أن العوامل الأكثر ارتباطًا بالأرباح الفعلية كانت العلاقات التي تربط الشركة بالبشر. وتحديدًا، تبين أن جودة العلاقات مع الموظفين وطبيعة تعاملات الشركة مع الجهات التنظيمية الحكومية كانت أقوى المتنبئات بالنجاح المالي.
تشير هذه النتيجة إلى أنه في السياق المحدد لصناعة البناء في أوزبكستان، فإن القواعد الرسمية والوثائق التي يبحث عنها الخبراء ليست هي المحركات الأساسية للنجاح اليومي. بدلاً من ذلك، يبدو أن القدرة العملية على إبقاء العمال متحفزين والتنقل في المشهد المعقد لللوائح الحكومية هي الأكثر أهمية للنتائج النهائية. ولا تدعي الدراسة أن الحوكمة الجيدة غير مهمة، لكنها توضح أن الطريقة القياسية لقياسها — من خلال التركيز على استقلالية مجلس الإدارة والخطط المكتوبة — قد تغفل العناصر الأكثر حيوية في هذه البيئة. ويخلص الباحثون إلى أنه لكي تحسن الشركات في هذا القطاع أداءها المالي، ينبغي عليها إعطاء الأولوية لبناء علاقات قوية وبناءة مع قوتها العاملة والدولة، بدلًا من مجرد تلميع هياكلها الإدارية الرسمية. وتقدم هذه الرؤية مسارًا جديدًا لكل من قادة الأعمال وصناع السياسات الذين يحاولون فهم ما يجعل الشركة تزدهر حقًا في اقتصاد نامٍ.
ملخص تقني: إطار عمل يعتمد على أوزان CRITIC وFuzzy-TOPSIS وتعلم الآلة لتقييم كفاءة حوكمة الشركات
بيان المشكلة تتناول الورقة البحثية غياب منهجية نظامية لتقييم كفاءة حوكمة الشركات في قطاع تصنيع مواد البناء في أوزبكستان، وهو قطاع حيوي في اقتصاد ناشئ يتميز بتركيز الملكية، وضعف الضوابك الداخلية، ومحدودية الإفصاح المالي. تعاني أدوات التقييم الحالية من قيود محددة: فمؤشرات بطاقات الأداء (مثل مؤشر G-Index) تعتمد على مؤشرات ثنائية تؤدي إلى تسطيح جودة الحوكمة متعددة الأبعاد؛ والأساليب القياسية الاقتصادية تتطلب مجموعات بيانات بانل (Panel Data) ضخمة غير متوفرة في السياقات التي تعاني من ندرة البيانات؛ كما أن تقنيات اتخاذ القرار متعدد المعايير (MCDM) التقليدية (مثل AHP وTOPSIS القياسي) تنتج تصنيفات ثابتة لا يمكنها استيعاب العلاقات غير الخطية أو الغموض المتأصل في أحكام الخبراء. علاوة على ذلك، غالباً ما تفشل الأبحاث السابقة في ربط جودة الحوكمة المقدرة من قبل الخبراء بالنتائج المالية الفعلية، حيث تستخدم بشكل متكرر درجات مستمدة من MCDM كأهداف لتعلم الآلة، مما يخلق مشكلة تحقق دائرية.
المنهجية يقترح المؤلفون إطار عمل هجين يدمج الأوزان الموضوعية، والمنطق الضبابي (Fuzziness)، وتعلم الآلة (ML) لتقييم كفاءة الحوكمة وعلاقتها بالربحية. يعمل الإطار عبر أربع مراحل متميزة:
جمع البيانات ونظام المعايير: تم جمع بيانات أولية من 20 خبيراً متخصصاً قاموا بتقييم ثماني شركات كبرى لمواد البناء بناءً على عشرة مؤشرات للحوكمة موزعة على خمسة أبعاد (هيكل مجلس الإدارة، الشفافية المالية، الإدارة الاستراتيجية، الرقابة الداخلية/المخاطر، وعلاقات أصحاب المصلحة) باستخدام مقياس ليكرت السباعي. كما تم استخراج بيانات الأداء المالي (العائد على الأصول، ROA) من السجلات الرسمية للفترة 2019-2021.
تم تطبيق طريقة CRITIC (أهمية المعايير من خلال الارتباط بين المعايير) على تقييمات الخبراء المجمعة لاستخ derivation الأوزان الموضوعية بناءً على شدة التباين والنزاع بين المعايير، لتجنب المقارنات الزوجية الذاتية.
استخدمت طريقة Fuzzy-TOPSIS (التقنية لترتيب التفضيل بالتشابه مع الحل المثالي) هذه الأوزان وحولت تقييمات ليكرت إلى أرقام ضبابية مثلثية للتعامل مع عدم الدقة اللغوية. وقد ولّد هذا عملية تصنيف أساسية للحوكمة بناءً على معامل القرب (CCi) لكل مؤسسة من الملف التعريفي المثالي للحوكمة.
التنبؤ بتعلم الآلة: تم تدريب أربعة نماذج لتعلم الآلة — الغابة العشوائية (RF)، وXGBoost، وانحدار متجه الدعم (SVR)، والشبكات العصبية الاصطناعية (ANN) — للتنبؤ بالعائد الفعلي على الأصول (ROA) باستخدام عشرة مؤشرات للحوكمة كسمات مدخلة. ومن الأهمية بمكان أن المتغير المستهدف كان الـ ROA الفعلي، وليس درجة حوكمة مشتقة. وتم تقييم النماذج باستخدام التحقق المتقاطع "ترك مؤسسة واحدة خارج المجموعة" (LOEO) لمنع تسرب البيانات وضمان تقديرات أداء غير منحازة.
القابلية للتفسير (SHAP): تم استخدام تحليل SHAP (تفسيرات شابلِي المضافة) لتحديد أهمية السمات، وتحديد أبعاد الحوكمة التي أثرت بقوة على الأداء المالي المتوقع.
النتائج الرئيسية
الأوزان الموضوعية: خصصت طريقة CRITIC أعلى الأوزان لـ التخطيط الاستراتيجي (0.130) وإدارة المخاطر (0.115)، مما يشير إلى أن هذه الأبعاد أظهرت أكبر قدر من التباين وأقل قدر من التكرار عبر تقييمات الخبراء.
الانفصال بين الحوكمة والأداء: أظهر تصنيف الحوكمة باستخدام Fuzzy-TOPSIS ارتباطاً ضعيفاً وسلبياً وغير معنوي مع تصنيفات الـ ROA الفعلية (ρ=−0.238,p=0.570). ومن الملاحظ أن المؤسسة التي اعتُبرت الأسوأ من حيث الحوكمة (E2) حققت أعلى عائد على الأصول (37.1%)، بينما حققت المؤسسة المصنفة الأولى (E1) عائداً أقل من المتوسط (17.4%).
الأداء التنبئي لتعلم الآلة: حققت جميع نماذج تعلم الآلة الأربعة قيم R2 سالبة (تتراوح بين -0.181 و -0.317)، مما يشير إلى أن مؤشرات الحوكمة المدركة من قبل الخبراء وحدها لم تستطع التنبؤ بالربحية بشكل أفضل من متوسط العينة. وهذا يؤكد الانفصال التجريبي بين الإدراك والنتيجة المالية في هذا القطاع.
أهمية سمات SHAP: على الرغم من ضعف دقة التنبؤ، كشف تحليل SHAP عن نمط متميز: كانت علاقات أصحاب المصلحة (تحديداً علاقات الموظفين والعلاقات الحكومية) هي العوامل المهيمنة المرتبطة بالعائد على الأصول (ROA). وفي المقابل، أظهرت الأبعاد الهيكلية مثل التخطيط الاستراتيكي وتكوين مجلس الإدارة، والتي حازت على أوزان CRITIC عالية، أهمية منخفضة في تحليل SHAP.
المساهمات الرئيسية تقدم الورقة ثلاث مساهمات رئيسية للأدبيات:
إطار عمل خاص بالقطاع: توفر أول إطار عمل مخصص لتقييم الحوكمة تمت معايرته خصيصاً لقطاع مواد البناء في أوزبكستان، وهو قطاع كان غائباً سابقاً عن أبحاث الحوكمة التجريبية.
التكامل المنهجي: تبرهن على نهج هجين مبتكر يجمع بين CRITIC-weighted Fuzzy-TOPSIS للتصنيف الأساسي مع نماذج تعلم الآلة المدربة على النتائج المالية الفعلية، مما يتجنب دورانية التنبؤ بالدرجات المشتقة من الصيغ الرياضية.
الرؤية التجريبية لـ "مفارقة الحوكمة": توثق الدراسة انفصالاً نظامياً في الاقتصادات الانتقالية حيث لا ترتبط جودة الحوكمة المدركة من قبل الخبراء بالربحية. كما تحدد أن الحوكمة العلاقاتية (علاقات أصحاب المصلحة) تفوق الحوكمة الهيكلية (تكوين مجلس الإدارة، التخطيط الاستراتيجي) في ارتباطها بالأداء المالي، مما يتحدى أولويات الإصلاح التقليدية التي تركز على التفويضات الهيكلية.
الأهمية والادعاءات يزعم المؤلفون أن نتائجهم تعيد ترتيب أولويات الإصلاح في الاقتصادات الناشئة. ويجادلون بأنه في السياقات التي تعاني من فجوات مؤسسية، غالباً ما تعمل الآليات العلاقاتية (مثل تحفيز الموظفين، والعلاقات الحكومية) كبديل للحوكمة الهيكلية الرسمية وتتفوق عليها في دفع العوائد المالية قصيرة الأجل. وبناءً على ذلك، تقترح الورقة أنه بينما تعد الإصلاحات الهيكلية (استقلالية مجلس الإدارة، جودة التدقيق) ضرورية، إلا أنها غير كافية لتحسين الأداء المالي في هذا السياق المحدد. وتدعو الدراسة إلى استكمال التقييمات الخبيرة ببيانات تشغيلية ومالية بدلاً من الاعتماد فقط على بطاقات أداء الحوكمة كأدوات لتشخيص الأداء. ويظل المؤلفون متواضعين فيما يتعلق بإمكانية تعميم نتائجهم نظراً لصغر حجم العينة (ثماني شركات) والطبيعة المقطعية للبيانات، حيث صاغوا النتائج كدراسة استكشافية تسلط الضوء على الحاجة إلى بيانات طولية وتحليل قطاعي أوسع في الأبحاث المستقبلية.