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

Résumé Technique : Intégration de la régression linéaire et de l'aide à la décision multicritère pour l'évaluation des risques liés aux états financiers dans les entreprises manufacturières

Énoncé du problème
L'évaluation de la performance financière dans les entreprises manufacturières est confrontée à une fragmentation méthodologique. La littérature existante sépare généralement deux approches critiques :

1. Modèles théoriques à actualisation temporelle : Ceux-ci intègrent rigoureusement la valeur temporelle de l'argent (VTA), mais reposent souvent sur des hypothèses simplistes qui ne parviennent pas à capturer la nature multidimensionnelle et interdépendante des critères de décision économiques, opérationnels et managériaux.
2. Méthodes de pondération basées sur l'expertise (ex. AHP) : Elles fournissent des classements descriptifs des critères basés sur le jugement d'experts, mais manquent de validation empirique concernant leur influence réelle sur les résultats actualisés.

Il existe un écart critique dans la littérature concernant un cadre intégré capable de relier quantitativement la théorie économique de l'actualisation avec une analyse de données basée sur de multiples critères d'évaluation. Les modèles linéaires traditionnels et les ratios historiques ne parviennent souvent pas à capturer les relations complexes, tandis que les approches d'IA pure peuvent manquer d'interprétabilité. Cette étude répond au besoin d'une méthode transparente et interprétable combinant l'actualisation théorique et la régression empirique pour évaluer l'efficacité des systèmes de contrôle et les risques financiers.

Méthodologie
Le cadre proposé emploie une approche hybride combinant des modèles d'actualisation déterministes et l'analyse de régression linéaire.

1. Modèle d'actualisation théorique :
   L'étude développe d'abord un modèle pour convertir les coûts et les bénéfices survenant à différents moments en termes de valeur présente en utilisant des fonctions d'intérêt composé. Le modèle prend en compte trois types de flux financiers :

• Dépenses ponctuelles : Actualisées à l'aide de la fonction de bénéfice $\theta(t) = (1 + \alpha)^{-t}$.
• Coûts proportionnels au temps (ex. économies opérationnelles) : Modélisés comme des flux continus intégrés dans le temps, produisant une valeur actualisée totale $r' = I\tau(1 - e^{-t/\tau})$, où $\tau = 1/\ln(1+\alpha)$.
• Structures de coûts complexes (ex. développement de système) : Les coûts sont attribués à un « centre de gravité » de la durée du projet ($t_y$). Le coût actualisé au démarrage est calculé comme $C'_y = C_y(1 + \alpha)^{0.5t_y}$.

2. Intégration de la régression linéaire :
   Pour évaluer empiriquement comment ces performances économiques actualisées sont influencées par de multiples critères, l'étude utilise la régression linéaire comme méthode d'approximation.

• Variables : La variable dépendante est l'effet économique actualisé ($\bar{R}_i$). Les variables indépendantes sont les Scores de Poids Moyens (SPM) dérivés des évaluations d'experts. Ceux-ci incluent des poids pour les critères primaires (ex. Structure des coûts, Risque d'investissement, Fiabilité, Flux de trésorerie) et les critères secondaires.
• Spécification du modèle : La relation est modélisée comme suit :
  $$\bar{R}_i = \beta_0 + \beta_1 CSR_i + \beta_2 LR_i + \beta_3 IR_i + \beta_4 CFR_i + \varepsilon_i$$
  Où les $\beta_j$ représentent les coefficients de régression quantifiant la contribution marginale de chaque critère à la performance actualisée globale.
• Estimation : Les coefficients sont estimés à l'aide des moindres carrés ordinaires (MCO). L'étude mentionne également la régression de Ridge comme une extension potentielle pour gérer la multicolinéarité, bien que les principaux résultats présentés reposent sur la formulation standard des MCO.

Résultats Clés

• Quantification de l'influence des critères : L'analyse de régression quantifie avec succès la contribution de critères spécifiques (tels que la structure des coûts et le risque d'investissement) à la performance économique actualisée globale. Les coefficients fournissent une base transparente pour classer les critères selon leur impact économique réel plutôt que selon leur simple importance théorique.
• Ajustement du modèle et linéarité : Dans une analyse préliminaire des poids des critères, l'étude a observé que, bien que la relation entre le rang et le poids ne soit pas parfaitement linéaire pour les premières positions (où les critères les mieux classés portent des poids disproportionnellement élevés), la relation devient plus proche de la linéarité à partir du rang 5. Le coefficient de détermination global ($R^2 \approx 0,55$) indique un ajustement linéaire modéré, suggérant que si la régression linéaire sert d'une base utile, elle ne capture qu'une partie de la variance.
• Interprétabilité : Le modèle comble avec succès le fossé entre les principes d'actualisation abstraits et les données empiriques. Il démontre que les poids dérivés des experts peuvent servir de variables explicatives efficaces pour prédire les résultats économiques actualisés.

Signification et Revendications
L'article affirme que ce cadre intégré offre une avancée pratique dans l'évaluation de la performance financière pour les entreprises manufacturières en :

• Réunissant Théorie et Données : Il relie les principes théoriques d'actualisation temporelle aux données empiriques, surmontant les limites des modèles purement théoriques (qui simplifient excessivement les interactions) et des méthodes de pondération par expertise autonomes (qui manquent de validation empirique).
• Améliorant la Prise de Décision : En fournissant un classement transparent et fondé sur les données des critères d'évaluation basés sur leurs contributions économiques marginales, l'approche soutient une prise de décision plus robuste et fondée sur des preuves concernant l'efficacité des systèmes de contrôle et l'allocation des ressources.
• Améliorant l'Interprétabilité : Contra matter aux modèles d'apprentissage automatique de type « boîte noire », cette approche de régression linéaire maintient une haute interprétabilité, permettant aux gestionnaires de comprendre exactement comment des facteurs tels que la structure des coûts ou les caractéristiques des flux de trésorerie influencent la performance financière.

Les auteurs maintiennent une position modeste, reconnaissant que le modèle linéaire est une approximation. Ils notent que le cadre suppose des relations linéaires et que les recherches futures pourraient améliorer la précision prédictive en incorporant des relations non linéaires, des modèles de données de panel dynamiques ou des calibrages spécifiques à l'industrie. L'étude ne prétend pas remplacer l'IA avancée, mais plutôt fournir une base interprétable qui utilise efficacement les données d'experts au sein d'un cadre économique rigoureux.