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

技术摘要：结合线性回归与多准则决策法以评估制造业财务报表风险

问题陈述
制造业财务绩效的评估面临着方法论碎片化的问题。现有文献通常将两种关键方法分开讨论：

1. 理论时间贴现模型： 这些模型严格纳入了货币时间价值（TVM），但往往依赖于过于简化的假设，无法捕捉经济、运营和管理决策准则之间多维且相互依存的特性。
2. 基于专家的权重法（如 AHP）： 这些方法根据专家判断提供准则的描述性排名，但在关于其对贴现后绩效实际影响的经验验证方面存在不足。

文献中存在一个关键空白，即缺乏一个能够定量连接时间贴现经济理论与多准则数据驱动分析的集成框架。传统的线性模型和历史比率往往无法捕捉复杂的相互关系，而纯粹的 AI 方法则可能缺乏可解释性。本研究旨在应对开发一种既能结合理论贴现，又能通过经验回归来评估控制系统效率和财务风险的透明且具可解释性的方法的需求。

研究方法
拟议的框架采用了一种结合确定性贴现模型与线性回归分析的混合方法。

1. 理论贴现模型：
   研究首先开发了一个模型，利用复利函数将不同时间发生的成本和收益转换为现值。该模型考虑了三种类型的财务流：

   • 一次性支出： 使用收益函数 $\theta(t) = (1 + \alpha)^{-t}$ 进行贴现。
   • 时间比例成本（如运营节省）： 建模为随时间连续流动的积分，得出总贴现价值 $r' = I\tau(1 - e^{-t/\tau})$，其中 $\tau = 1/\ln(1+\alpha)$。
   • 复杂成本结构（如系统开发）： 成本被归属于项目持续时间的“重心”($t_y$)。启动时的贴现成本计算为 $C'_y = C_y(1 + \alpha)^{0.5t_y}$。

2. 线性回归集成：
   为了实证评估这些贴现后的经济绩效如何受多个准则的影响，本研究利用线性回归作为一种近似方法。

   • 变量： 因变量是贴现后的经济效应 ($\bar{R}_i$)。自变量是源自专家评估的平均权重得分 (AWS)。这些变量包括主要准则（如成本结构、投资风险、可靠性、现金流）及次要准则的权重。
   • 模型设定： 其关系建模为：
     $$\bar{R}_i = \beta_0 + \beta_1 CSR_i + \beta_2 LR_i + \beta_3 IR_i + \beta_4 CFR_i + \varepsilon_i$$
     其中 $\beta_j$ 代表量化各准则对整体贴现绩效边际贡献的回归系数。
   • 估计： 系数使用普通最小二乘法 (OLS) 进行估计。研究还提到了岭回归（Ridge regression）作为处理多重共线性的潜在扩展，尽管目前呈现的主要结果依赖于标准的 OLS 公式。

主要结果

• 准则影响的量化： 回归分析成功量化了特定准则（如成本结构和投资风险）对整体贴现经济绩效的贡献。这些系数为根据准则的实际经济影响而非仅仅是理论重要性进行排名提供了透明的基础。
• 模型拟合度与线性： 在对准则权重的初步分析中，研究观察到虽然排名与权重之间的关系在顶端位置并非完全线性（顶端排名的准则承载了不成比例的巨大权重），但从第 5 名开始，这种关系趋于线性。整体决定系数 ($R^2 \approx 0.55$) 表明具有中度的线性拟合度，这表明虽然线性回归是一个有用的基准，但它仅捕捉到了部分方差。
• 可解释性： 该模型成功地弥合了抽象贴现原则与经验数据之间的鸿沟。它证明了专家派生的权重可以作为预测贴现经济结果的有效解释变量。

意义与主张
本文声称，这一集成框架通过以下方式为制造业的财务绩效评估提供了实践性的进展：

• 桥接理论与数据： 它将理论性的时间贴现原则与经验数据联系起来，克服了纯理论模型（过度简化交互作用）和独立专家权重法（缺乏经验验证）的局限性。
• 增强决策能力： 通过提供基于边际经济贡献的透明、数据驱动的评价准则排名，该方法为有关控制系统效率和资源配置的更稳健、基于证据的决策提供了支持。
• 提高可解释性： 与“黑箱”机器学习模型不同，这种线性回归方法保持了高度的可解释性，使管理者能够准确理解诸如成本结构或现金流特征等因素如何影响财务绩效。

作者保持了审慎的态度，承认线性模型是一种近似。他们指出，该框架假设存在线性关系，未来的研究可以通过引入非线性关系、动态面板数据模型或行业特定校准来提高预测精度。该研究并不声称要取代先进的 AI，而是旨在提供一个能够有效地在严谨经济框架内利用专家数据的可解释性基准。