3.3 Témata a metody

Články v sestavené databázi pokrývají různé oblasti související s finančním rozhodováním a používají různé metodologické přístupy MCDA. Při rozlišování jednotlivých témat jsme brali v úvahu všechny tři hlavní oblasti financí, včetně podnikových financí, investic a finančních trhů a institucí. Na základě těchto hlavních oblastí bylo vymezeno 12 podkategorií odpovídajících hlavním oblastem výzkumu z hlediska oblastí použití metodik MCDA ve finančním rozhodování (články týkající se specifických témat řízení finančních rizik mimo 12 hlavních kategorií byly zařazeny do samostatné skupiny). Mezi hlavní oblasti identifikované v tomto průzkumu patří:

–

Účetnictví a audit: ačkoli účetnictví a audit jsou odlišné oblasti výzkumu od financí, úzce souvisejí s mnoha finančními rozhodnutími, zejména pokud jde o podnikové finance. Metody MCDA byly použity na podporu účetních/auditorských rozhodnutí a příslušných postupů v oblastech, jako je nákladové účetnictví (Cicone, Udaeta, Grimoni, & Galvão, 2008), manažerské účetnictví (Frezatti, Agiar, Guerreiro, & Gouvea, 2011), odhalování finančních podvodů (Gaganis, 2009; Pasiouras, Gaganis, & Zopounidis, 2007), a mimo jiné kontroly interního auditu (Sueyoshi, Shang, & Chiang, 2009).

–

Zhodnocení aktiv: Zhodnocení aktiv se týká prověřování, posuzování a obchodování s finančními aktivy pro investiční účely. Je nedílnou součástí investičních rozhodnutí a výběru a řízení portfolia, vyžaduje však různé techniky a analytické nástroje založené na diskrétních metodách MCDA (na rozdíl od optimalizačních modelů používaných v procesu optimalizace portfolia; Xidonas, Mavrotas, Krintas, Psarras, & Zopounidis, 2012). Hodnocení aktiv se obvykle realizuje z hlediska fundamentálních faktorů (viz například Albadvi, Chaharsooghi, & Esfahanipour, 2007, Sevastjanov & Dymova, 2009 a Xidonas, Mavrotas, & Psarras, 2009b, mimo jiné) i v rámci aktivních obchodních strategií založených na technických ukazatelích (např, Huck, 2010; Ng, Liang, Li, Yeung, & Chan, 2014).

–

Bankovnictví: Bankovní aplikace pokrývají široké spektrum oblastí souvisejících s řízením bankovnictví. Mezi ně patří mimo jiné výkonnost a stabilita bank (Doumpos & Zopounidis, 2010), řízení úvěrového portfolia a poskytování úvěrů, řízení aktiv a pasiv (Kosmidou & Zopounidis, 2004), organizace pobočkových sítí bank (Bravo & Plà-Santamaria, 2012; Ferreira, Santos, & Rodrigues, 2010) a služby elektronického bankovnictví (Hu & Liao, 2011).

–

Financování energií: trhy s energiemi a komoditami se v posledních několika desetiletích rychle rozvíjely. Příslušné aplikace metod MCDA se týkají řízení portfolia a obchodování, tvorby cen, otázek fungování trhu atd. na energetických a komoditních trzích.

–

Kapitálové rozpočtování a finanční plánování: Kapitálové rozpočtování a finanční plánování představují hlavní oblasti výzkumu v oblasti financí i manažerských věd. Metody MCDA se používají k navrhování rozpočtových alokací a finančních plánů jak v soukromém sektoru (Frezatti a kol, 2011) i ve veřejném sektoru (Gómez, Ríos Insua, Lavín, & Alfaro, 2013), tak i u jednotlivců (Cai & Ge, 2012).

–

Analýza finanční výkonnosti podniků: hodnocení finanční výkonnosti podniků je oblíbeným tématem výzkumu s několika aplikacemi MCDA, které umožňují agregaci více atributů výkonnosti (finančních i nefinančních) a zároveň zohledňují specifika různých odvětví podnikání (stavebnictví, doprava, zdravotnictví, zemědělství atd.; Iazzolino, Laise, & Marraro, 2012).

–

Analýza rizika země: Riziko země se týká pravděpodobnosti, že země bude mít potíže s plněním svých dluhových závazků vůči věřitelům. Význam tohoto typu analýzy v posledních desetiletích vzrostl, protože finanční krize způsobily v různých zemích velké otřesy, z nichž poslední byla krize státního dluhu v Evropě. Techniky MCDA byly použity k podpoře ekonomických prognóz (Blair, Mandelker, Saaty, & Whitaker, 2010), ke konstrukci kompozitních ukazatelů rizika země (Kosmidou, Doumpos, & Zopounidis, 2008) a k řízení veřejného dluhu (Balibek & Köksalan, 2010).

–

Ocenění úvěrového rizika a predikce bankrotu: podobně jako u rizika země se hodnocení úvěrového rizika a predikce bankrotu týkají pravděpodobnosti, že firmy nebo jednotlivci nesplatí svůj dluh. Rostoucí počet případů selhání v důsledku nedávné úvěrové krize ukázal, že v této oblasti je stále co zlepšovat. Metody MCDA byly použity jako neparametrické techniky k odvození modelů úvěrového rizika a predikce úpadku z dat, často usnadněné programováním cílů, víceúčelovými technikami a evolučními algoritmy nebo v kombinaci s algoritmy dolování dat. Některé příklady lze nalézt mimo jiné v pracích Doumpos (2012), He, Zhang, Shi a Huang (2010), Yu, Wang a Lai (2009) a Zhang, Gao a Shi (2014).

–

Zhodnocení investic: Investiční rozhodnutí jsou významnou součástí teorie a praxe podnikových financí. Finanční teorie se opírá o zavedená kritéria finančního hodnocení (např. čistá současná hodnota, vnitřní výnosové procento, doba návratnosti atd.) V multikriteriálním prostředí je finanční hledisko rozšířeno o nové faktory v širším prostředí zainteresovaných stran (De Brucker, Macharis, & Verbeke, 2013) a také zavedením formálních modelů pro modelování preferencí a analýzu rizik (Vlaev, Chater, & Stewart, 2008).

–

Fúze a akvizice: Fúze a akvizice (M&A) jsou strategické investice, které mohou usnadnit růst podniku využitím úspor z rozsahu a synergických efektů. Jejich rozmach nastal v 80. a 90. letech 20. století, zatímco v průběhu roku 2000 byly pozorovány určité stabilizační tendence. Metody MCDA se používají k navrhování strategických aliancí, k podpoře identifikace transakcí a cílů M&A a k hodnocení výsledků M&A (viz mimo jiné Korhonen & Voutilainen, 2006, Lee, 2013, a Pasiouras, Gaganis, & Zopounidis, 2010).

–

Společensky odpovědné investice (SRI): podle zprávy Eurosif Global Sustainable Investment Review 2014 přesáhl trh udržitelných investic celosvětově 21 bilionů dolarů, což představuje více než 30 % profesionálně spravovaných aktiv. MCDA byla použita k rozšíření tradičních investičních modelů rizika a výnosu zavedením nefinančních kritérií SRI (viz mimo jiné Ballestero, Bravo, Pérez-Gladish, Arenas-Parra, & Plà-Santamaria, 2012 a Bilbao-Terol, Arenas-Parra, & Cañal Fernández, 2012) a jako nástroj k analýze a vysvětlení procesu SRI (Utz, Wimmer, Hirschberger, & Steuer, 2014).

–

Optimalizace portfolia: optimalizace portfolia se týká alokace finančních prostředků do souboru vybraných finančních aktiv (akcie, fondy, aktiva s pevným výnosem atd.). V tradičním rámci střední hodnoty a rozptylu je alokace formulována jako dvouobjektivní model optimalizace rizika a výnosu. Jak bylo vysvětleno v oddíle 2, během posledních dvou desetiletí došlo k několika pokrokům při zavádění nových koherentních měr rizika. Vícerozměrná povaha rizika (Doumpos & Zopounidis, 2014) dala vzniknout multiobjektivním a cílovým programovým formulacím, které umožňují agregovat více měr výběru portfolia a dále umožňují zohlednit další reálné vlastnosti (diverzifikace, likvidita, dividendy atd.; Steuer, Qi, & Hirschberger, 2007).

Z hlediska metodologických přístupů uvažujeme čtyři hlavní proudy výzkumu MCDA (Pardalos, Siskos, & Zopounidis, 1995), včetně multiobjektivní optimalizace (MO), teorie užitku více atributů (MAUT), vztahů převahy (OR) a analýzy rozdělení preferencí (PDA). Kromě těchto hlavních oblastí výzkumu MCDA se uvažují i další kategorie, které představují konkrétní typy rozhodovacích modelů a analytických technik, a to programování cílů (GP), evoluční algoritmy/metaheuristiky (EA/MH), fuzzy modely, modely založené na pravidlech (RBM) a také populární metody, jako je AHP (včetně ANP) a TOPSIS. Kromě toho bereme v úvahu další metody a přístupy (např. modely pro konkrétní případy a další techniky, jako jsou DEMATEL, VIKOR, šedá relační analýza atd.; všechny jsou zařazeny do jedné hlavní kategorie označené jako „ostatní“), jakož i kombinace s technikami analýzy obalu dat (DEA) a dolování dat (DM) (s výjimkou čistě DEA/DM prací).

Tabulka 5. Výsledky analýzy obalu dat (DEA). Publikace podle tematické oblasti a metodického přístupu.

.

.

.

.

.

.

.

.

.

.

MO AHP GP EA/MH Fuzzy PDA OR DM MAUT TOPSIS DEA RBM Ostatní Celkem
Optimalizace portfolia 188 11 48 64 30 1 6 2 5 2 2 1 11 262
Úvěry riziko/úpadek 25 18 25 5 8 27 13 21 10 10 3 5 8 108
Ocenění majetku 31 17 7 20 10 8 10 5 4 4 2 0 10 78
Bankovnictví 9 27 9 2 16 11 8 2 5 8 5 4 8 73
Výkonnost společnosti 3 16 4 1 17 5 9 1 1 11 1 3 9 51
Budg. & fin. plánování 13 12 15 2 2 0 2 1 4 0 1 0 3 42
Zhodnocení investic 7 22 3 0 9 0 1 2 7 1 1 0 7 41
SRI 5 3 8 1 1 0 0 0 2 0 1 0 1 18
Účetnictví/audit 2 6 0 1 2 8 0 2 0 0 0 1 1 0 17
Riziko země 4 4 0 1 0 4 2 0 2 1 0 1 1 17
Energetické finance 7 2 0 1 0 0 0 0 1 0 0 0 0 10
M&A 0 5 0 0 1 2 0 0 0 1 0 0 1 8
Ostatní risk mgmt 6 8 3 1 2 1 1 1 2 1 0 0 1 22
Celkem 273 124 103 92 89 57 45 36 36 33 15 13 54

Tabulka 6. Články využívající kombinace (dvojice) metod.

.

.

DEA DM EA/MH Fuzzy GP MAUT MO OR PDA RBM TOPSIS Ostatní
AHP 5 6 1 32 6 3 2 2 1 2 15 14
DEA 1 0 1 2 0 3 0 1 0 2 1
DM 5 2 6 0 18 4 10 1 4 2
EA/MH 7 1 3 82 3 5 0 0 1
Fuzzy 7 0 35 4 1 3 19 11
GP 3 8 0 7 1 2 1
MAUT 4 2 8 1 0 2
MOP 0 5 2 1 3
NEBO 8 1 2 3
PDA 2 0 2
RBM 1 1
TOPSIS 4

Tabulka 5 uvádí všechny uvažované oblasti použití a metodické přístupy, spolu s počtem prací ve všech kombinacích těchto dvou dimenzí. Poslední sloupec tabulky představuje počet prací v jednotlivých aplikačních oblastech, zatímco poslední řádek ukazuje počet prací v jednotlivých metodických přístupech MCDA. Je třeba poznamenat, že tyto součty se nerovnají součtům řádků a sloupců, protože jeden článek se může týkat více oblastí finančních aplikací a využívat kombinaci metod a přístupů MCDA. Tabulka 6 uvádí další podrobnosti o použitých kombinacích metod. Tabulka uvádí počet článků využívajících různé dvojice přístupů (zaměřujeme se na dvojice, protože naprostá většina článků – přibližně 90 % – použila maximálně dvě metody).

Souhrnné výsledky jasně ukazují, že optimalizace portfolia (PO) je oblast, která byla nejčastěji studována pomocí technik MCDA, konkrétně MO a GP. Steuer a Na (2003) rovněž zjistili, že analýza portfolia byla nejaktivnější zkoumanou oblastí MCDA-finance v období před rokem 2002 (i když nerozlišovali mezi PO a hodnocením aktiv). Oblibu PO lze přičíst několika důvodům. Jedná se o mnohostranný problém, který představuje řadu algoritmických a modelovacích výzev (např. modelování rizik, data různých typů, dynamická povaha atd.), a je relevantní v různých kontextech včetně akciových portfolií a portfolií fondů, jakož i v kontextu aktiv z nefinančních trhů (např. energetické trhy a komodity). Většina modelů MO/GP navržených pro PO se opírá o kombinaci více měr rizika (např. skewness/kurtosis, měr hodnoty v riziku, poměru omega, systémového rizika atd.) a často dále zohledňuje další cíle a úkoly (likvidita, dividendy, diverzifikace atd.). EA/MH se také těší velké oblibě v PO, zejména při řešení nekonvexních kritérií a modelů výběru portfolia (např. skewness/kurtosis, value at risk), jakož i v případech, kdy jsou v analýze přidány další reálné prvky, např. omezení kardinality (Mansini, Ogryczak, & Speranza, 2014). Steuer (2013) rozlišuje tři typy přístupů MCDA v PO. Apriorní přístupy využívají předem specifikované informace o preferencích rozhodovatele (investora, portfolio manažera) k nalezení nejvhodnějšího efektivního portfolia. Takový přístup často využívají modely GP. A posteriori přístupy se naopak zaměřují na nalezení kompletní množiny efektivních portfolií v jednom běhu, aniž by vyžadovaly specifikaci preferenčních údajů. V tomto rámci se obvykle používají EA/MH, zejména ve složitějších případech, jak bylo uvedeno výše (přehled EA/MH v PO viz Metaxiotis & Liagkouras, 2012). Poslední třída postupů je založena na interaktivních technikách, které umožňují postupnou artikulaci preferenčních informací o investiční politice rozhodovatele (viz například Xidonas, Mavrotas, & Psarras, 2010a).

PO úzce souvisí s dalšími tematickými oblastmi uvažovanými v tomto přehledu, a to s hodnocením aktiv, SRI a financováním energie. Překvapivě pouze 12 publikací se zabývalo řízením portfolia v integrovaném rámci, který kombinuje PO a hodnocení aktiv (viz mimo jiné Kiris & Ustun, 2012, Pendaraki, Zopounidis, & Doumpos, 2005, Pérez-Gladish, Jones, Tamiz, & Bilbao Terol, 2007 a Xidonas, Askounis, & Psarras, 2009a). Všechny tyto práce se zabývaly procesem hodnocení aktiv z hlediska základních faktorů, často realizovaných v kontextu řízení fondů, s využitím metodik založených zejména na AHP/ANP, OR a PDA. Na druhou stranu techniky MO a EA/MH byly také populární pro hodnocení aktiv, především v kontextu algoritmického obchodování a technické analýzy (viz mimo jiné Bodas-Sagi, Fernández-Blanco, Hidalgo, & Soltero-Domingo, 2013, Chiam, Tan, & Al Mamun, 2009 a Ng et al., 2014). Je také zajímavé, že polovina prací o SRI (9 z 18 prací) zahrnuje také aspekty PO a šest z 18 prací o SRI zohledňuje sociální aspekty jako součást procesu hodnocení aktiv. Zajímavé je, že všechny práce o SRI kromě jedné byly publikovány v období od roku 2009 do roku 2014, což naznačuje, že se jedná o nastupující trend v oblasti finančních investic a řízení portfolia.

Kromě výše uvedených témat souvisejících s investicemi bylo velmi populárním tématem také hodnocení úvěrového rizika a predikce úpadku, na které bylo publikováno 108 relevantních prací, zatímco v předchozím průzkumu Steuera a Na (2003) nebyla tato oblast identifikována jako samostatné téma výzkumu. V této oblasti byla použita celá řada různých metodik, z nichž nejoblíbenější jsou MO, PDA, GP a OR. Modely predikce úvěrového rizika a bankrotu jsou obvykle konstruovány z existujících databází o selháních a bankrotech (firemních nebo spotřebitelských dat). Techniky PDA běžně využívají formulace MO a GP k odvození rozhodovacích modelů z existujících datových instancí Některé příklady lze nalézt mimo jiné v pracích Doumpos a Zopounidis (2011), Peng, Kou, Shi a Chen (2008) a Zhang et al. (2014). Podobné techniky byly použity také pro analýzu a předpovídání úvěrových ratingů vydávaných hlavními ratingovými agenturami, které jsou široce využívány finančními rozhodovacími orgány, investory a regulátory (Doumpos, Niklis, Zopounidis, & Andriosopoulos, 2015; Doumpos & Pasiouras, 2005), zatímco jiné studie se zaměřily na specializované modely pro oblasti, jako jsou hypoteční úvěry a lodní doprava (viz mimo jiné Ferreira, Santos, Marques, & Ferreira, 2014 a Gavalas & Syriopoulos, 2014). Stojí také za zmínku, že několik studií v této oblasti zkoumalo kombinace metod MCDA s modely dolování dat, jako jsou neuronové sítě, jaderné metody, argumentace na základě případů a shlukovací algoritmy. Tyto kombinace byly zvažovány ve třech hlavních podobách: (a) využití modelů MO/GP (často usnadněných EA/MH) pro trénování modelů dolování dat (např. Pendharkar & Nanda, 2006; Zhang et al., 2014), (b) využití komplexní struktury a reprezentační síly modelů dolování dat pro konstrukci přesných multikriteriálních systémů hodnocení a predikce rizik (např, Chen & Hu, 2011; Hu, 2009) a (c) využití technik MCDA k hodnocení výkonnosti predikčních modelů (např. Wu & Hsu, 2012).

Zvláště po globální úvěrové krizi v letech 2007/2008 se značnému zájmu těší také aplikace v bankovnictví. To podtrhuje skutečnost, že 54 ze 73 prací o aplikacích v bankovnictví bylo publikováno od roku 2010 do roku 2014. Podobně jako hodnocení úvěrového rizika a predikce úpadku nebylo ani bankovnictví v průzkumu Steuera a Na (2003) považováno za samostatnou oblast výzkumu. V posledním desetiletí se tak bankovnictví stalo oblastí zvláštního zájmu pro aplikaci metod MCDA. Mezi takové metody aplikované v bankovním sektoru patří AHP/ANP (často v kombinaci s fuzzy modely) a dále techniky PDA, OR a GP. Témata aplikací zahrnují hodnocení výkonnosti bank (např, Doumpos & Zopounidis, 2010; Grigoroudis, Tsitsiridi, & Zopounidis, 2013; Ioannidis, Pasiouras, & Zopounidis, 2010; Shen & Tzeng, 2014a), řízení aktiv a pasiv (např. Kosmidou & Zopounidis, 2007), řízení poboček bank (např, Ferreira et al., 2010) a služby elektronického bankovnictví (např. Hu & Liao, 2011; Kaya & Kahraman, 2011) a další.

Podobnými otázkami se mimo bankovní sektor zabývaly i další studie, které se zaměřovaly na výkonnost podniků v odvětvích, jako je doprava, zemědělství, pojišťovnictví, stavebnictví atd. Jak je patrné z tabulky 5, metody používané pro hodnocení výkonnosti podniků jsou dosti podobné těm, které se používají v bankovním sektoru.

Co se týče ostatních aplikačních oblastí, stojí za zmínku, že v oblasti kapitálového rozpočtování a finančního plánování jsme identifikovali pouze 41 prací publikovaných od roku 2002. To je znatelný pokles ve srovnání s průzkumem Steuera a Na (2003), kteří zjistili, že tyto oblasti byly hojně zkoumány v období před rokem 2002 (kdy byly dohromady skutečně populárnější než analýza portfolia).

Z metodologického hlediska je MO jednoznačně dominantním přístupem s 273 pracemi. Většina prací využívajících MO se týká PO (188 studií), následuje hodnocení aktiv (31 studií) a hodnocení úvěrového rizika/předpověď bankrotu (25 prací). Jak ukazuje tabulka 6, značná část studií využívajících MO jej kombinuje s technikami EA/MH (82 prací), fuzzy modely (35 studií) a algoritmy dolování dat (18 prací).

AHP/ANP byl druhým nejoblíbenějším přístupem. To je výrazný nárůst ve srovnání s předchozím průzkumem Steuera a Na (2003), kteří zjistili, že před rokem 2002 se na AHP spoléhal pouze malý počet studií. Zajímavé je, že práce související s AHP/ANP pokrývají celé spektrum finančních aplikací, často v kombinaci s fuzzy modely a dalšími technikami MCDA, zejména TOPSIS.

Stejně jako MO je i GP oblíbeným přístupem k modelování a řešení finančních rozhodnutí v oblasti PO a predikce úvěrového rizika/bankrotu. Kapitálové rozpočtování a finanční plánování jsou rovněž oblíbenými tématy pro aplikace modelů GP. Na rozdíl od modelů MO však byl GP méně často kombinován s jinými přístupy. Mezi nimi byly nejoblíbenější fuzzy modely, DM a PDA.

PDA byl nejoblíbenějším přístupem pro modely predikce úvěrového rizika/bankrotu. Vysvětluje se to povahou rámce PDA, který se zaměřuje na odvozování rozhodovacích modelů z dat. Tato vlastnost dobře vyhovuje kontextu modelování úvěrového rizika a predikce finančních potíží. Za tímto účelem se rámec PDA obvykle implementuje s různými modely OR a MAUT (např. Bugera, Konno, & Uryasev, 2002; Doumpos, 2012; Doumpos & Zopounidis, 2011) nebo v kombinaci s technikami DM (Peng et al.,

Mezi dalšími hlavními přístupy modelování MCDA byl MAUT použit v 36 studiích, zatímco techniky založené na pravidlech (např. hrubé množiny založené na dominanci; Greco, Matarazzo, & Slowinski, 2013; Shen & Tzeng, 2014b) byly použity ve 13 publikacích. Malý počet aplikací MAUT ve finančním rozhodování ve srovnání s jinými přístupy zaznamenali také Steuer a Na (2003), kteří našli pouze osm relevantních publikací v období před rokem 2002. Nakonec stojí za zmínku, že některé studie (celkem 15) použily DEA jako techniku vícekriteriálního hodnocení založenou na datech v kombinaci s tradičními přístupy MCDA, jako jsou MO, GP, AHP/ANP a TOPSIS (Amiri, Zandieh, Vahdani, Soltani, & Roshanaei, 2010; Che, Wang, & Chuang, 2010; Yang, Wong, Xu, Liu, & Steuer, 2010). DEA poskytuje vhodný přístup pro vícekriteriální hodnocení s využitím minima informací, protože hodnocení se řídí daty. Při použití v kontextu MCDA však modely hodnocení založené na DEA podléhají metodologickým problémům (komplexní diskuse viz Bouyssou, 1999; Tofallis, 2010).

.