Integrating Linear Regression and Multi-Criteria Decision Making for Assessing Financial Statement Risks in Manufacturing Firms

Resumen Técnico: Integración de la Regresión Lineal y la Toma de Decisiones Multicriterio para la Evaluación de Riesgos en los Estados Financieros de Empresas Manufactureras

Planteamiento del Problema
La evaluación del desempeño financiero en las empresas manufactureras enfrenta una fragmentación metodológica. La literatura existente suele separar dos enfoques críticos:

1. Modelos Teóricos de Descuento Temporal: Estos incorporan rigurosamente el valor del dinero en el tiempo (TVM), pero a menudo dependen de supuestos simplificados que no logran capturar la naturaleza multidimensional e interdependiente de los criterios de decisión económicos, operativos y gerenciales.
2. Métodos de Ponderación Basados en Expertos (p. ej., AHP): Estos proporcionan clasificaciones descriptivas de los criterios basadas en el juicio de expertos, pero carecen de validación empírica respecto a su influencia real sobre los resultados del desempeño descontado.

Existe una brecha crítica en la literatura con respecto a un marco integrado que vincule cuantitativamente la teoría económica de descuento temporal con el análisis de datos de múltiples criterios de evaluación. Los modelos lineales tradicionales y los ratios históricos suelen fallar al capturar relaciones complejas, mientras que los enfoques de IA pura pueden carecer de interpretabilidad. Este estudio aborda la necesidad de un método transparente e interpretable que combine el descuento teórico con la regresión empírica para evaluar la eficiencia de los sistemas de control y los riesgos financieros.

Metodología
El marco propuesto emplea un enfoque híbrido que combina modelos de descuento deterministas con el análisis de regresión lineal.

1. Modelo de Descuento Teórico:
   El estudio desarrolla primero un modelo para convertir costos y beneficios que ocurren en diferentes momentos en términos de valor presente utilizando funciones de interés compuesto. El modelo contabiliza tres tipos de flujos financieros:

   • Gastos de una sola vez: Descontados mediante la función de beneficio $\theta(t) = (1 + \alpha)^{-t}$.
   • Costos proporcionales al tiempo (p. ej., ahorros operativos): Modelados como flujos continuos integrados en el tiempo, lo que genera un valor descontado total $r' = I\tau(1 - e^{-t/\tau})$, donde $\tau = 1/\ln(1+\alpha)$.
   • Estructuras de costos complejas (p. ej., desarrollo del sistema): Los costos se atribuyen a un "centro de gravedad" de la duración del proyecto ($t_y$). El costo descontado al inicio se calcula como $C'_y = C_y(1 + \alpha)^{0.5t_y}$.

2. Integración de la Regresión Lineal:
   Para evaluar empíricamente cómo estos desempeños económicos descontados son influenciados por múltiples criterios, el estudio utiliza la regresión lineal como un método de aproximación.

   • Variables: La variable dependiente es el efecto económico descontado ($\bar{R}_i$). Las variables independientes son las Puntuaciones de Peso Promedio (AWS) derivadas de las evaluaciones de expertos. Estas incluyen pesos para criterios primarios (p. ej., Estructura de Costos, Riesgo de Inversión, Fiabilidad, Flujo de Caja) y criterios secundarios.
   • Especificación del Modelo: La relación se modela como:
     $$\bar{R}_i = \beta_0 + \beta_1 CSR_i + \beta_2 LR_i + \beta_3 IR_i + \beta_4 CFR_i + \varepsilon_i$$
     Donde $\beta_j$ representan los coeficientes de regresión que cuantifican la contribución marginal de cada criterio al desempeño descontado general.
   • Estimación: Los coeficientes se estiman mediante Mínimos Cuadrados Ordinarios (OLS). El estudio también hace referencia a la regresión Ridge como una extensión potencial para manejar la multicolinealidad, aunque los resultados principales presentados se basan en la formulación estándar de OLS.

Resultados Clave

• Cuantificación de la Influencia de los Criterios: El análisis de regresión cuantifica con éxito la contribución de criterios específicos (como la estructura de costos y el riesgo de inversión) al desempeño económico descontado general. Los coeficientes proporcionan una base transparente para clasificar los criterios según su impacto económico real en lugar de solo su importancia teórica.
• Ajuste del Modelo y Linealidad: En un análisis preliminar de los pesos de los criterios, el estudio observó que, si bien la relación entre rango y peso no es perfectamente lineal para las posiciones superiores (donde los criterios mejor clasificados tienen pesos desproporcionadamente grandes), la relación se vuelve más cercana a la linealidad a partir del rango 5 en adelante. El coeficiente de determinación general ($R^2 \approx 0.55$) indica un ajuste lineal moderado, lo que sugiere que, si bien la regresión lineal sirve como una base útil, captura solo una parte de la varianza.
• Interpretabilidad: El modelo logra cerrar la brecha entre los principios de descuento abstractos y los datos empíricos. Demuestra que los pesos derivados de expertos pueden servir como variables explicativas efectivas para predecir los resultados económicos descontados.

Significancia y Reivindicaciones
El artículo sostiene que este marco integrado ofrece un avance práctico en la evaluación del desempeño financiero para empresas manufactureras al:

• Vincular la Teoría con los Datos: Conecta los principios teóricos de descuento temporal con datos empíricos, superando las limitaciones de los modelos puramente teóricos (que simplifican excesivamente las interacciones) y de los métodos de ponderación de expertos independientes (que carecen de validación empírica).
• Mejorar la Toma de Decisiones: Al proporcionar una clasificación transparente y basada en datos de los criterios de evaluación según sus contribuciones económicas marginales, el enfoque respalda una toma de decisiones más robusta y basada en evidencia con respecto a la eficiencia del sistema de control y la asignación de recursos.
• Mejorar la Interpretabilidad: A diferencia de los modelos de aprendizaje automático de "caja negra", este enfoque de regresión lineal mantiene una alta interpretabilidad, permitiendo a los gerentes comprender exactamente cómo factores como la estructura de costos o las características del flujo de caja influyen en el desempeño financiero.

Los autores mantienen una postura modesta, reconociendo que el modelo lineal es una aproximación. Señalan que el marco asume relaciones lineales y que investigaciones futuras podrían mejorar la precisión predictiva incorporando relaciones no lineales, modelos de datos de panel dinámicos o calibraciones específicas de la industria. El estudio no pretende reemplazar la IA avanzada, sino proporcionar una base interpretable que utilice eficazmente los datos de los expertos dentro de un marco económico riguroso.