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

Technische Samenvatting: Integratie van Lineaire Regressie en Multi-Criteria Besluitvorming voor de Beoordeling van Financiële Statementrisico's in Productiebedrijven

Probleemstelling
De evaluatie van financiële prestaties in productiebedrijven kampt met een methodologische fragmentatie. De bestaande literatuur scheidt doorgaans twee cruciale benaderingen:

1. Theoretische Tijd-geëvalueerde Modellen: Deze integreren rigoureus de tijdswaarde van geld (TVM), maar vertrouwen vaak op overgesimplificeerde aannames die er niet in slagen de multidimensionale en onderling afhankelijke aard van economische, operationele en manageriale besluitvormingscriteria te vatten.
2. Expert-gebaseerde Wegingsmethoden (bijv. AHP): Deze bieden beschrijvende rangschikkingen van criteria op basis van deskundige oordelen, maar missen empirische validatie met betrekking tot hun werkelijke invloed op gedisconteerde prestatieresultaten.

Er bestaat een kritische kloof in de literatuur betreffende een geïntegreerd kader dat tijd-geëvalueerde economische theorie kwantitatief overbrugt met data-gedreven analyse van meerdere evaluatiecriteria. Traditionele lineaire modellen en historische ratio's slagen er vaak niet in om complexe relaties te vatten, terwijl pure AI-benaderingen mogelijk een gebrek aan interpreteerbaarheid vertonen. Deze studie adresseert de behoefte aan een transparante, interpreteerbare methode die theoretische discontering combineert met empirische regressie om de efficiëntie van controlesystemen en financiële risico's te beoordelen.

Methodologie
Het voorgestelde kader hanteert een hybride benadering die deterministische disconteringsmodellen combineert met lineaire regressieanalyse.

1. Theoretisch Disconteringsmodel:
   De studie ontwikkelt eerst een model om kosten en baten die op verschillende tijdstippen plaatsvinden om te zetten naar termen van de huidige waarde met behulp van samengestelde rentefuncties. Het model houdt rekening met drie soorten financiële stromen:

   • Eenmalige uitgaven: Gedisconteerd met de batenfunctie $\theta(t) = (1 + \alpha)^{-t}$.
   • Tijds evenredige kosten (bijv. operationele besparingen): Gemodelleerd als continue stromen geïntegreerd over de tijd, wat een totale gedisconteerde waarde oplevert van $r' = I\tau(1 - e^{-t/\tau})$, waarbij $\tau = 1/\ln(1+\alpha)$.
   • Complexe kostenstructuren (bijv. systeemontwikkeling): Kosten worden toegerekend aan een "zwaartepunt" van de projectduur ($t_y$). De gedisconteerde kosten bij de start worden berekend als $C'_y = C_y(1 + \alpha)^{0.5t_y}$.

2. Integratie van Lineaire Regressie:
   Om empirisch te beoordelen hoe deze gedisconteerde economische prestaties worden beïnvloed door meerdere criteria, maakt de studie gebruik van lineaire regressie als een benaderingsmethode.

   • Variabelen: De afhankelijke variabele is het gedisconteerde economische effect ($\bar{R}_i$). De onafhankelijke variabelen zijn de Gemiddelde Wegingsscores (AWS) afgeleid van expertbeoordelingen. Deze bevatten gewichten voor primaire criteria (bijv. Kostenstructuur, Investeringsrisico, Betrouwbaarheid, Cashflow) en secundaire criteria.
   • Modelspecificatie: De relatie wordt gemodelleerd als:
     $$\bar{R}_i = \beta_0 + \beta_1 CSR_i + \beta_2 LR_i + \beta_3 IR_i + \beta_4 CFR_i + \varepsilon_i$$
     Waarbij $\beta_j$ de regressiecoëfficiënten vertegenwoordigen die de marginale bijdrage van elk criterium aan de totale gedisconteerde prestatie kwantificeren.
   • Schatting: De coëfficiënten worden geschat met behulp van de Ordinary Least Squares (OLS)-methode. De studie verwijst ook naar Ridge-regressie als een potentiële uitbreiding om multicollineariteit te behandelen, hoewel de gepresenteerde primaire resultaten steunen op de standaard OLS-formulering.

Belangrijkste Resultaten

• Kwantificering van de Invloed van Criteria: De regressieanalyse slaagt erin de bijdrage van specifieke criteria (zoals kostenstructuur en investeringsrisico) aan de totale gedisconteerde economische prestatie te kwantificeren. De coëfficiënten bieden een transparante basis voor het rangschikken van criteria volgens hun werkelijke economische impact in plaats van alleen hun theoretische belang.
• Modelpassing en Lineariteit: In een voorlopige analyse van criteriumgewichten observeerde de studie dat hoewel de relatie tussen rang en gewicht niet perfect lineair is voor de topposities (waar topgerangschikte criteria onevenredig grote gewichten dragen), de relatie vanaf rang 5 dichter bij lineair wordt. De algehele determinatiecoëfficiënt ($R^2 \approx 0,55$) duidt op een matige lineaire passing, wat suggereert dat hoewel lineaire regressie als een nuttige baseline dient, het slechts een deel van de variantie verklaart.
• Interpreteerbaarheid: Het model slaagt erin de kloof te overbruggen tussen abstracte disconteringsprincipes en empirische data. Het toont aan dat door experts afgeleide gewichten effectieve verklarende variabelen kunnen dienen voor het voorspellen van gedisconteerde economische uitkomsten.

Betekenis en Claims
Het artikel beweert dat dit geïntegreerde kader een praktische vooruitgang biedt in de evaluatie van financiële prestaties voor productiebedrijven door:

• Theorie en Data te Verbinden: Het verbindt theoretische tijd-disconteringsprincipes met empirische data, waardoor de beperkingen van louter theoretische modellen (die interacties oversimplificeren) en zelfstandige expert-wegingsmethoden (die een gebrek aan empirische validatie hebben) worden overwonnen.
• Besluitvorming te Verbeteren: Door een transparante, data-gedreven rangschikking van evaluatiecriteria te bieden op basis van hun marginale economische bijdragen, ondersteunt de aanpak robuustere, op bewijs gebaseerde besluitvorming met betrekking tot de efficiëntie van controlesystemen en de toewijzing van middelen.
• Interpreteerbaarheid te Vergroten: In tegen tegenstelling tot "black box" machine learning-modellen, behoudt deze lineaire regressie-aanpak een hoge interpreteerbaarheid, waardoor managers precies kunnen begrijpen hoe factoren zoals kostenstructuur of cashflow-kenmerken de financiële prestaties beïnvloeden.

De auteurs nemen een bescheiden standpunt in en erkennen dat het lineaire model een benadering is. Zij merken op dat de studie ervan uitgaat dat er lineaire relaties bestaan en dat toekomstig onderzoek de voorspellende nauwkeurigheid kan verbeteren door niet-lineaire relaties, dynamische paneeldatamodellen of industrie-specifieke kalibraties op te nemen. De studie claimt niet om geavanceerde AI te vervangen, maar streeft ernaar een interpreteerbare baseline te bieden die expertdata effectief gebruikt binnen een rigoureus economisch kader.