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

तकनीकी सारांश: विनिर्माण फर्मों में वित्तीय विवरण जोखिमों के आकलन के लिए रैखिक प्रतिगमन (Linear Regression) और बहु-मानदंड निर्णय लेने (Multi-Criteria Decision Making) का एकीकरण

समस्या का विवरण
विनिनिर्माण फर्मों में वित्तीय प्रदर्शन के मूल्यांकन को एक पद्धतिगत विखंडन का सामना करना पड़ रहा है। मौजूदा साहित्य आमतौर पर दो महत्वपूर्ण दृष्टिकोणों को अलग करता है:

1. सैद्धांतिक समय-छूट मॉडल (Theoretical Time-Discounted Models): ये धन के समय मूल्य (TVM) को कड़ाई से शामिल करते हैं, लेकिन अक्सर अत्यधिक सरलीकृत धारणाओं पर निर्भर होते हैं जो आर्थिक, परिचालन और प्रबंधकीय निर्णय मानदंडों की बहुआयामी और परस्पर निर्भर प्रकृति को पकड़ने में विफल रहते हैं।
2. विशेषज्ञ-आधारित वेटिंग विधियाँ (जैसे AHP): ये विशेषज्ञ निर्णय के आधार पर मानदंडों की वर्णनात्मक रैंकिंग प्रदान करती हैं, लेकिन वास्तविक छूट प्राप्त प्रदर्शन परिणामों पर उनके वास्तविक प्रभाव के संबंध में अनुभवजन्य सत्यापन (empirical validation) का अभाव होता है।

साहित्य में एक एकीकृत ढांचे के संबंध में एक महत्वपूर्ण अंतराल है जो डेटा-संचालित विश्लेषण के माध्यम से समय-छूट वाले आर्थिक सिद्धांत को मात्रात्मक रूप से जोड़ता है। पारंपरिक रैखिक मॉडल और ऐतिहासिक अनुपात जटिल संबंधों को पकड़ने में विफल रहते हैं, जबकि शुद्ध AI दृष्टिकोणों में व्याख्यात्मकता (interpretability) की कमी हो सकती है। यह अध्ययन नियंत्रण प्रणाली दक्षता और वित्तीय जोखिमों का आकलन करने के लिए सैद्धांतिक छूट (theoretical discounting) और अनुभवजन्य प्रतिगमन (empirical regression) को संयोजित करने वाले एक पारदर्शी, व्याख्यात्मक तरीके की आवश्यकता को संबोधित करता है।

कार्यप्रणाली
प्रस्तावित ढांचा नियतात्मक छूट मॉडल (deterministic discounting models) को रैखिक प्रतिगमन विश्लेषण के साथ संयोजित करने वाले एक हाइब्रिड दृष्टिकोण का उपयोग करता है।

1. सैद्धांतिक छूट मॉडल (Theoretical Discounting Model):
   अध्ययन पहले एक मॉडल विकसित करता है जो चक्रवृद्धि ब्याज कार्यों का उपयोग करके विभिन्न समयों पर होने वाली लागतों और लाभों को वर्तमान-मूल्य (present-value) शब्दों में परिवर्तित करता है। मॉडल तीन प्रकार के वित्तीय प्रवाहों को ध्यान में रखता है:

• एकमुश्त व्यय: इन्हें लाभ फलन $\theta(t) = (1 + \alpha)^{-t}$ का उपयोग करके डिस्काउंट किया जाता है।
• समय-अनुपातिक लागत (जैसे परिचालन बचत): इन्हें समय के साथ एकीकृत निरंतर प्रवाह के रूप में मॉडल किया गया है, जिससे कुल डिस्काउंटेड मूल्य $r' = I\tau(1 - e^{-t/\tau})$ प्राप्त होता है, जहाँ $\tau = 1/\ln(1+\alpha)$ है।
• जटिल लागत संरचनाएं (जैसे सिस्टम विकास): लागतों को परियोजना अवधि के "गुरुत्वाकर्षण केंद्र" ($t_y$) को सौंपा जाता है। स्टार्टअप पर डिस्काउंटेड लागत की गणना $C'_y = C_y(1 + \alpha)^{0.5t_y}$ के रूप में की जाती है।

2. रैखिक प्रतिगमन एकीकरण (Linear Regression Integration):
   इन डिस्काउंटेड आर्थिक प्रदर्शनों को कई मानदंडों द्वारा कैसे प्रभावित किया जाता है, इसका अनुभवजन्य रूप से आकलन करने के लिए, अध्ययन एक अनुमान विधि के रूप में रैखिक प्रतिगमन का उपयोग करता है।

• चर (Variables): आश्रित चर (dependent variable) डिस्काउंटेड आर्थिक प्रभाव ($\bar{R}_i$) है। स्वतंत्र चर (independent variables) औसत वेट स्कोर (AWS) हैं जो विशेषज्ञ मूल्यांकन से प्राप्त होते हैं। इनमें प्राथमिक मानदंडों (जैसे लागत संरचना, निवेश जोखिम, विश्वसनीयता, कैश फ्लो) और माध्यमिक मानदंडों के भार शामिल हैं।
• मॉडल विशिष्टता: संबंध को इस प्रकार मॉडल किया गया है:
  $$\bar{R}_i = \beta_0 + \beta_1 CSR_i + \beta_2 LR_i + \beta_3 IR_i + \beta_4 CFR_i + \varepsilon_i$$
  जहाँ $\beta_j$ प्रत्येक मानदंड के समग्र डिस्काउंटेड प्रदर्शन में सीमांत योगदान (marginal contribution) को मापने वाले प्रतिगमन गुणांक (regression coefficients) हैं।
• अनुमान (Estimation): गुणांकों का अनुमान साधारण न्यूनतम वर्ग (Ordinary Least Squares - OLS) का उपयोग करके किया जाता है। अध्ययन मल्टीकोलिनैरिटी (multicollinearity) को संभालने के लिए एक संभावित विस्तार के रूप में रिज रिग्रेशन (Ridge regression) का भी संदर्भ देता है, हालांकि प्रस्तुत मुख्य परिणाम मानक OLS फॉर्मूलेशन पर आधारित हैं।

प्रमुख परिणाम

• मानदंडों के प्रभाव का परिमाणीकरण: प्रतिगमन विश्लेषण सफलतापूर्वक विशिष्ट मानदंडों (जैसे लागत संरचना और निवेश जोखिम) के योगदान को समग्र डिस्काउंटेड आर्थिक प्रदर्शन में मात्रात्मक रूप से दर्शाता है। गुणांक मानदंडों को उनके वास्तविक आर्थिक प्रभाव के अनुसार रैंक करने के लिए एक पारदर्शी आधार प्रदान करते हैं, न कि केवल सैद्धांतिक महत्व के आधार पर।
• मॉडल फिट और रैखिकता: मानदंडों के भार के प्रारंभिक विश्लेषण में, अध्ययन ने देखा कि जबकि रैंक और भार के बीच संबंध शीर्ष स्थानों के लिए पूरी तरह से रैखिक नहीं है (जहाँ शीर्ष-रैंक वाले मानदंड अत्यधिक बड़े भार वहन करते हैं), रैंक 5 के बाद संबंध रैखिक के करीब हो जाता है। समग्र निर्धारण गुणांक ($R^2 \approx 0.55$) एक मध्यम रैखिक फिट को दर्शाता है, जो यह सुझाव देता है कि हालांकि रैखिक प्रतिगमन एक उपयोगी आधार के रूप में कार्य करता है, यह भिन्नता (variance) के केवल एक हिस्से को ही पकड़ पाता है।
• व्याख्यात्मकता: मॉडल सैद्धांतिक छूट सिद्धांतों और अनुभवजन्य डेटा के बीच के अंतर को सफलतापूर्वक पाटता है। यह प्रदर्शित करता है कि विशेषज्ञ-व्युत्पन्न भार, डिस्काउंटेड आर्थिक परिणामों की भविष्यवाणी करने के लिए प्रभावी व्याख्यात्मक चर के रूप में कार्य कर सकते हैं।

महत्व और दावे
यह शोध दावा करता है कि यह एकीकृत ढांचा निम्नलिखित तरीकों से विनिर्माण फर्मों के लिए वित्तीय प्रदर्शन मूल्यांकन में एक व्यावहारिक प्रगति प्रदान करता है:

• सिद्धांत और डेटा को जोड़ना: यह सैद्धांतिक समय-छूट सिद्धांतों को अनुभवजन्य डेटा के साथ जोड़ता है, जो विशुद्ध रूप से सैद्धांतिक मॉडलों (जो अंतःक्रियाओं को सरल बनाते हैं) और स्टैंडअलोन विशेषज्ञ-वेटिंग विधियों (जिनमें अनुभवजन्य सत्यापन का अभाव है) की सीमाओं को दूर करता है।
• निर्णय लेने में सुधार: उनके वास्तविक आर्थिक योगदान के आधार पर मूल्यांकन मानदंडों की एक पारदर्शी, डेटा-संचालित रैंकिंग प्रदान करके, यह दृष्टिकोण नियंत्रण प्रणाली दक्षता और संसाधन आवंटन के संबंध में अधिक मजबूत, साक्ष्य-आधारित निर्णय लेने में सहायता करता है।
• व्याख्यात्मकता में सुधार: "ब्लैक बॉक्स" मशीन लर्निंग मॉडल के विपरीत, यह रैखिक प्रतिगमन दृष्टिकोण उच्च व्याख्यात्मकता बनाए रखता है, जिससे प्रबंधक यह समझ सकते हैं कि लागत संरचना या कैश फ्लो जैसे कारक वास्तव में वित्तीय प्रदर्शन को कैसे प्रभावित करते हैं।

लेखक एक विनम्र रुख बनाए रखते हुए स्वीकार करते हैं कि रैखिक मॉडल एक सन्निकटन (approximation) है। वे नोट करते हैं कि यह ढांचा रैखिक संबंधों को मानता है और भविष्य के शोध गैर-रैखिक संबंधों, गतिशील पैनल डेटा मॉडल या उद्योग-विशिष्ट अंशांकन को शामिल करके भविष्य कहनेवाला सटीकता में सुधार कर सकते हैं। यह अध्ययन उन्नत AI को बदलने का दावा नहीं करता है बल्कि एक व्याख्यात्मक आधार प्रदान करने का प्रयास करता है जो एक कठोर आर्थिक ढांचे के भीतर विशेषज्ञ डेटा का प्रभावी ढंग से उपयोग करता है।