3.3 Emner og metoder

Artiklerne i den samlede database dækker en række forskellige områder i forbindelse med finansiel beslutningstagning og anvender forskellige MCDA-metodologiske tilgange. Ved sondringen mellem de forskellige emner har vi taget hensyn til alle tre hovedområder inden for finansiering, herunder virksomhedsfinansiering, investeringer samt finansielle markeder og institutioner. På grundlag af disse hovedområder blev der defineret 12 underkategorier svarende til de vigtigste forskningsområder med hensyn til anvendelsesområder for MCDA-metodologier i forbindelse med finansiel beslutningstagning (artikler vedrørende specifikke emner inden for finansiel risikostyring uden for de 12 hovedkategorier blev klassificeret i en separat gruppe). De vigtigste områder, der blev identificeret i denne undersøgelse, omfatter:

–

Regnskab og revision: Selv om regnskab og revision er særskilte forskningsområder i forhold til finansiering, er de tæt forbundet med mange finansielle beslutninger, hovedsagelig vedrørende virksomhedsfinansiering. MCDA-metoder er blevet anvendt til at støtte regnskabs-/revisionsbeslutninger og relevant praksis på områder som omkostningsregnskab (Cicone, Udaeta, Grimoni, & Galvão, 2008), managementregnskab (Frezatti, Agiar, Guerreiro, & Gouvea, 2011), afsløring af finansiel svindel (Gaganis, 2009; Pasiouras, Gaganis, & Zopounidis, 2007) og interne revisionskontroller (Sueyoshi, Shang, & Chiang, 2009), blandt andre.

–

Aktivvurdering: Ved aktivvurdering forstås screening, vurdering og handel med finansielle aktiver med henblik på investering. Det er en integreret del af investeringsbeslutninger og porteføljevalg og -forvaltning, men det kræver forskellige teknikker og analytiske værktøjer baseret på diskrete MCDA-metoder (i modsætning til de optimeringsmodeller, der anvendes i porteføljeoptimeringsprocessen; Xidonas, Mavrotas, Krintas, Psarras, & Zopounidis, 2012). Vurdering af aktiver gennemføres normalt i form af fundamentale faktorer (se f.eks. Albadvi, Chaharsooghi, & Esfahanipour, 2007, Sevastjanov & Dymova, 2009, og Xidonas, Mavrotas, & Psarras, 2009b, bl.a.) samt i forbindelse med aktive handelsstrategier baseret på tekniske indikatorer (f.eks, Huck, 2010; Ng, Liang, Li, Li, Yeung, & Chan, 2014).

–

Bankvæsen: Bankapplikationer dækker et bredt spektrum af områder, der er relateret til bankforvaltning. Disse omfatter bl.a. bankernes præstationer og stabilitet (Doumpos & Zopounidis, 2010), forvaltning af låneportefølje og kreditgivning, forvaltning af aktiver og passiver (Kosmidou & Zopounidis, 2004), tilrettelæggelse af bankfilialnetværk (Bravo & Plà-Santamaria, 2012; Ferreira, Santos, & Rodrigues, 2010) og e-banking-tjenester (Hu & Liao, 2011).

–

Energifinansiering: Energi- og råvaremarkederne har udviklet sig hurtigt i løbet af de sidste par årtier. De relevante anvendelser af MCDA-metoder vedrører porteføljeforvaltning og -handel, prisfastsættelse, markedsoperationer osv. på energi- og råvaremarkederne.

–

Kapitalbudgettering og finansiel planlægning: Kapitalbudgettering og finansiel planlægning er vigtige forskningsområder inden for både finans og ledelsesvidenskab. MCDA-metoder er blevet anvendt til at udforme budgettildelinger og finansielle planer i både den private sektor (Frezatti et al., 2011) og den offentlige sektor (Gómez, Ríos Insua, Lavín, & Alfaro, 2013) samt for enkeltpersoner (Cai & Ge, 2012).

–

Analyse af virksomheders finansielle resultater: Vurdering af virksomheders finansielle resultater har været et populært forskningsemne med flere anvendelser af MCDA, som gør det muligt at aggregere flere præstationsattributter (finansielle og ikke-finansielle) under hensyntagen til de særlige karakteristika for forskellige erhvervssektorer (byggeri, transport, sundhedsvæsen, landbrug osv.; Iazzolino, Laise, & Marraro, 2012).

–

Analyse af landerisiko: Landerisiko henviser til sandsynligheden for, at et land vil få problemer med at opfylde sine gældsforpligtelser over for sine kreditorer. Betydningen af denne type analyse er steget i løbet af de seneste årtier, da finanskriser har forårsaget stor uro i forskellige lande, senest med statsgældskrisen i Europa som den seneste. MCDA-teknikker er blevet anvendt til at støtte økonomiske prognoser (Blair, Mandelker, Saaty, & Whitaker, 2010), til at konstruere sammensatte indikatorer for landerisiko (Kosmidou, Doumpos, & Zopounidis, 2008) og til forvaltning af den offentlige gæld (Balibek & Köksalan, 2010).

–

Kreditrisikovurdering og konkursforudsigelse: I lighed med landerisiko henviser kreditrisikovurdering og konkursforudsigelse til sandsynligheden for, at virksomheder eller enkeltpersoner ikke vil indfri deres gæld. Det stigende antal misligholdelser som følge af den seneste kreditklemme har vist, at der stadig er meget at gøre på dette område. MCDA-metoder er blevet anvendt som ikke-parametriske teknikker til at udlede kreditrisiko- og konkursforudsigelsesmodeller fra data, ofte med hjælp af målprogrammering, multiobjektive teknikker og evolutionære algoritmer eller i kombination med data mining-algoritmer. Nogle eksempler kan bl.a. findes i værker af Doumpos (2012), He, Zhang, Shi og Huang (2010), Yu, Wang og Lai (2009) og Zhang, Gao og Shi (2014).

–

Investeringsvurdering: Investeringsbeslutninger er en stor del af teorien og praksis inden for virksomhedsfinansiering. Finansiel teori baserer sig på etablerede finansielle vurderingskriterier (f.eks. nettonutidsværdi, intern rente, tilbagebetalingstid osv.) I en multikriterieindstilling udvides det finansielle perspektiv med nye faktorer i en bredere interessentindstilling (De Brucker, Macharis, & Verbeke, 2013) samt gennem indførelsen af formelle modeller til præferencemodellering og risikoanalyse (Vlaev, Chater, & Stewart, 2008).

–

Fusioner og virksomhedsovertagelser: Fusioner og virksomhedsovertagelser (M&As) er strategiske investeringer, der kan fremme virksomheders vækst ved at udnytte stordriftsfordele og synergieffekter. De boomede i 1980’erne og 1990’erne, mens der i løbet af 2000’erne er observeret en vis stabiliseringstendens i 2000’erne. MCDA-metoder er blevet anvendt til at udforme strategiske alliancer, til at støtte identifikationen af M&A-aftaler og -mål og til at vurdere resultaterne af M&A’er (se bl.a. Korhonen & Voutilainen, 2006, Lee, 2013, og Pasiouras, Gaganis, & Zopounidis, 2010).

–

Socialt ansvarlige investeringer (SRI): Ifølge Eurosif’s Global Sustainable Investment Review 2014 har markedet for bæredygtige investeringer oversteget 21 billioner dollar globalt set og tegner sig for mere end 30 % af de professionelt forvaltede aktiver. MCDA er blevet anvendt til at udvide traditionelle risiko-afkastinvesteringsmodeller ved at indføre ikke-finansielle SRI-kriterier (se bl.a. Ballestero, Bravo, Pérez-Gladish, Arenas-Parra, & Plà-Santamaria, 2012 og Bilbao-Terol, Arenas-Parra, & Cañal Fernández, 2012) og som et værktøj til at analysere og forklare SRI-processen (Utz, Wimmer, Hirschberger, & Steuer, 2014).

–

Porteføljeoptimering: Porteføljeoptimering henviser til allokering af midler til et sæt udvalgte finansielle aktiver (aktier, fonde, fastforrentede aktiver osv.). I den traditionelle middel-varians-ramme er allokeringen formuleret som en bi-målsat risiko-afkast-optimeringsmodel. Som forklaret i afsnit 2 er der i løbet af de sidste to årtier gjort adskillige fremskridt med hensyn til indførelsen af nye sammenhængende risikomål. Den flerdimensionelle karakter af risiko (Doumpos & Zopounidis, 2014) gav anledning til multiobjektive og målprogrammeringsformuleringer, som gør det muligt at aggregere flere porteføljevalgsforanstaltninger og yderligere gør det muligt at tage yderligere reelle egenskaber i betragtning (diversificering, likviditet, udbytte osv.; Steuer, Qi, & Hirschberger, 2007).

Med hensyn til metodologiske tilgange overvejer vi de fire hovedstrømme inden for MCDA-forskning (Pardalos, Siskos, & Zopounidis, 1995), herunder multiobjektiv optimering (MO), multiattribute utility theory (MAUT), outranking relations (OR) og preference disaggregation analysis (PDA). Ud over disse hovedområder inden for MCDA-forskningen tages der også hensyn til yderligere kategorier, som repræsenterer særlige typer beslutningsmodeller og analyseteknikker, nemlig målprogrammering (GP), evolutionære algoritmer/metaheuristik (EA/MH), fuzzy-modeller, regelbaserede modeller (RBM) samt populære metoder som AHP (herunder ANP) og TOPSIS. Desuden overvejer vi andre metoder og tilgange (f.eks. sagsspecifikke modeller og andre teknikker som DEMATEL, VIKOR, grå relationel analyse osv.; disse er alle henført til en hovedkategori med betegnelsen “andet”) samt kombinationer med data envelopment analysis (DEA) og data mining (DM) teknikker (eksklusive rent DEA/DM artikler).

Tabel 5. Publikationer efter emneområde og metodologisk tilgang.

>

>

>

>

MO AHP GP EA/MH Fuzzy PDA OR DM MAUT TOPSIS DEA RBM Andre Total
Portfoliooptimering 188 11 48 64 30 1 6 2 5 2 2 2 1 11 262
Kredit risiko/konkurs 25 18 25 5 8 27 13 21 10 10 10 3 5 5 8 108
Vurdering af aktiver 31 17 17 7 20 10 8 10 5 4 4 4 2 0 10 78
Banking 9 27 9 2 16 11 11 8 2 5 8 5 4 8 73
Selskabets resultater 3 16 4 1 17 5 9 1 1 1 11 1 3 9 51
Budg. & fin. planlægning 13 12 12 15 2 2 2 0 2 1 4 0 1 0 3 42
Vurdering af investeringer 7 22 3 0 9 0 0 1 2 7 1 1 1 0 7 41
SRI 5 3 8 1 1 0 0 0 2 0 1 0 1 18
Regnskab/revision 2 6 0 1 2 8 0 2 0 0 0 0 1 1 0 17
Landsrisiko 4 4 4 0 1 0 4 2 0 2 1 0 1 1 1 17
Energifinansiering 7 2 0 0 1 0 0 0 0 1 0 0 0 0 0 10
M&A 0 5 0 0 1 2 0 0 0 1 0 0 1 8
Andre risikostyring 6 8 3 1 2 1 1 1 1 1 2 1 0 0 1 22
Total 273 124 103 92 89 89 57 45 36 36 36 33 15 13 54

Tabel 6. Artikler, der anvender kombinationer (par) af metoder.

DEA DM EA/MH Fuzzy GP MAUT MO OR PDA RBM TOPSIS Other
AHP 5 6 1 32 32 6 3 2 2 1 2 15 14
DEA 1 1 0 1 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 1 0 2
MOP 0 5 2 1 3
OR 8 1 2 3
PDA 2 0 2
RBM 1 1
TOPSIS 4

Tabel 5 indeholder en liste over alle de anvendelsesområder og metodologiske tilgange, der er taget i betragtning, sammen med antallet af artikler i alle kombinationer af disse to dimensioner. Den sidste kolonne i tabellen viser antallet af artikler inden for hvert anvendelsesområde, mens den sidste række viser antallet af artikler inden for hver metodologisk MCDA-tilgang. Det skal bemærkes, at disse totaler ikke er lig med summen af rækker og kolonner, da en artikel kan vedrøre flere finansielle anvendelsesområder og anvende en kombination af MCDA-metoder og -tilgange. Tabel 6 indeholder yderligere oplysninger om de kombinationer af metoder, der er blevet anvendt. Tabellen angiver antallet af artikler, der anvender forskellige par af metoder (vi fokuserer på par, da langt de fleste artikler – ca. 90 % – har anvendt højst to metoder).

De sammenfattende resultater viser klart, at porteføljeoptimering (PO) er det område, der er blevet undersøgt mest omfattende med MCDA-teknikker, nemlig MO og GP. Steuer og Na (2003) fandt også, at porteføljeanalyse var det mest aktive MCDA-finansforskningsområde i perioden før 2002 (selv om de ikke skelnede mellem PO og vurdering af aktiver). PO’s popularitet kan tilskrives en række årsager. Det er et problem med mange facetter, som giver en række algoritmiske og modelleringsmæssige udfordringer (f.eks. risikomodellering, data af forskellig art, dynamisk karakter osv.), og det er relevant i forskellige sammenhænge, herunder aktieporteføljer og fondsporteføljer samt i forbindelse med aktiver fra ikkefinansielle markeder (f.eks. energimarkeder og råvarer). De fleste MO/GP-modeller, der er foreslået for PO, har været baseret på en kombination af flere risikomål (f.eks. skævhed/kurtose, value-at-risk-mål, omega-ratio, systemisk risiko osv.), ofte under yderligere hensyntagen til yderligere mål og målsætninger (likviditet, udbytte, diversificering osv.). EA/MH har også været meget populære i PO, især når der er tale om ikke-konvekse porteføljevalgskriterier og -modeller (f.eks. skewness/kurtosis, value at risk) samt i tilfælde, hvor der tilføjes yderligere reelle egenskaber, f.eks. kardinalitetsbegrænsninger, i analysen (Mansini, Ogryczak, & Speranza, 2014). Steuer (2013) skelner mellem tre typer MCDA-tilgange i PO. A priori-tilgange anvender på forhånd specificerede oplysninger om beslutningstagerens (investor, porteføljeforvalter) præferencer for at finde den mest hensigtsmæssige effektive portefølje. GP-modeller anvender ofte en sådan tilgang. A posteriori-tilgange fokuserer på den anden side på at finde det komplette sæt af effektive porteføljer i en enkelt kørsel uden at kræve specifikation af præferenceoplysninger. EA/MH anvendes typisk i denne ramme, især i mere komplekse tilfælde som nævnt ovenfor (for en oversigt over EA/MH i PO, se Metaxiotis & Liagkouras, 2012). En sidste klasse af procedurer er baseret på interaktive teknikker, der giver mulighed for gradvis at artikulere præferenceinformation om beslutningstagerens investeringspolitik (se f.eks. Xidonas, Mavrotas, & Psarras, 2010a).

PO er nært beslægtet med andre emneområder, der behandles i denne undersøgelse, nemlig vurdering af aktiver, SRI og energifinansiering. Overraskende nok behandlede kun 12 publikationer porteføljeforvaltning i en integreret ramme, der kombinerer PO og aktivvurdering (se bl.a. Kiris & Ustun, 2012, Pendaraki, Zopounidis, & Doumpos, 2005, Pérez-Gladish, Jones, Tamiz, & Bilbao Terol, 2007, og Xidonas, Askounis, & Psarras, 2009a). Disse værker har alle betragtet processen for vurdering af aktiver i form af fundamentale faktorer, ofte realiseret i forbindelse med fondsforvaltning, ved hjælp af metoder, der hovedsagelig er baseret på AHP/ANP, OR og PDA. MO- og EA/MH-teknikker har på den anden side også været populære til vurdering af aktiver, hovedsagelig i forbindelse med algoritmisk handel og teknisk analyse (se bl.a. Bodas-Sagi, Fernández-Blanco, Hidalgo, & Soltero-Domingo, 2013, Chiam, Tan, & Al Mamun, 2009, og Ng et al., 2014). Det er også interessant at bemærke, at halvdelen af artiklerne om SRI (9 ud af 18 artikler) også inddrager PO-aspekter, og at seks af de 18 SRI-artikler overvejer sociale aspekter som en del af aktivvurderingsprocessen. Det er interessant, at alle undtagen én af SRI-papirerne blev offentliggjort i perioden fra 2009 til 2014, hvilket tyder på, at dette er en ny tendens inden for finansielle investeringer og porteføljeforvaltning.

Selv bortset fra de ovennævnte investeringsrelaterede emner har kreditrisikovurdering og konkursforudsigelse også været meget populære emner med 108 relevante artikler, hvorimod dette område i den tidligere undersøgelse af Steuer og Na (2003) ikke blev identificeret som et særskilt forskningsemne. På dette område er der blevet anvendt en række forskellige metodologier, hvoraf de mest populære er MO, PDA, GP og OR. Kreditrisiko- og konkursforudsigelsesmodeller konstrueres normalt på grundlag af eksisterende databaser over misligholdelser og konkurser (virksomheds- eller forbrugerdata). PDA-teknikker anvender almindeligvis MO- og GP-formuleringer til at udlede beslutningsmodeller fra eksisterende datainstanser Nogle eksempler kan bl.a. findes i Doumpos og Zopounidis’ (2011), Peng, Kou, Shi og Chen (2008) og Zhang et al. (2014). Lignende teknikker er også blevet anvendt til analyse og forudsigelse af kreditvurderinger udstedt af store kreditvurderingsbureauer, som i vid udstrækning anvendes af finansielle beslutningstagere, investorer og tilsynsmyndigheder (Doumpos, Niklis, Zopounidis, & Andriosopoulos, 2015; Doumpos & Pasiouras, 2005), mens andre undersøgelser har fokuseret på specialiserede modeller for områder som realkreditudlån og skibsfart (se bl.a. Ferreira, Santos, Marques, & Ferreira, 2014, og Gavalas & Syriopoulos, 2014). Det er også værd at bemærke, at flere undersøgelser på dette område har undersøgt kombinationer af MCDA-metoder med data mining-modeller, såsom neurale netværk, kernemetoder, case-based reasoning og clustering-algoritmer. Sådanne kombinationer er blevet overvejet i tre hovedformer: (a) anvendelse af MO/GP-modeller (ofte lettet af EA/MH) til træning af data mining-modeller (f.eks. Pendharkar & Nanda, 2006; Zhang et al., 2014), (b) anvendelse af data mining-modellernes komplekse struktur og repræsentationskraft til at konstruere præcise multikriterielle risikovurderings- og forudsigelsessystemer (f.eks, Chen & Hu, 2011; Hu, 2009) og (c) anvendelse af MCDA-teknikker til at vurdere præstationen af forudsigelsesmodeller (f.eks. Wu & Hsu, 2012).

Anvendelser i banksektoren har også tiltrukket sig betydelig interesse, især efter den globale kreditklemme i 2007/2008. Dette understreges af, at 54 ud af de 73 artikler om bankapplikationer blev offentliggjort fra 2010 og frem til 2014. I lighed med kreditrisikovurdering og konkursforudsigelse blev bankvirksomhed heller ikke betragtet som et særskilt forskningsområde i Steuer og Na (2003)’s undersøgelse. I løbet af det seneste årti har banksektoren således vist sig at være et område af særlig interesse for anvendelsen af MCDA-metoder. Sådanne metoder, der anvendes i banksektoren, omfatter AHP/ANP (ofte kombineret med fuzzy-modeller) samt PDA-, OR- og GP-teknikker. Anvendelsesemnerne omfatter vurdering af bankers præstationer (f.eks, Doumpos & Zopounidis, 2010; Grigoroudis, Tsitsiridi, & Zopounidis, 2013; Ioannidis, Pasiouras, & Zopounidis, 2010; Shen & Tzeng, 2014a), forvaltning af aktiver og passiver (f.eks. Kosmidou & Zopounidis, 2007), forvaltning af bankfilialer (f.eks, Ferreira et al., 2010) og e-banktjenester (f.eks. Hu & Liao, 2011; Kaya & Kahraman, 2011), blandt andre.

Sammenlignende spørgsmål er også blevet overvejet uden for banksektoren i andre undersøgelser, der fokuserede på virksomheders resultater i sektorer som transport, landbrug, forsikring, byggeri osv. Som det fremgår af tabel 5, er de metoder, der anvendes til vurdering af virksomheders resultater, ret ens med dem, der anvendes i banksektoren.

For så vidt angår de andre anvendelsesområder er det værd at bemærke, at vi inden for kapitalbudgettering og finansiel planlægning kun identificerede 41 artikler, der er offentliggjort siden 2002. Dette er et mærkbart fald i forhold til undersøgelsen af Steuer og Na (2003), som fandt, at der blev forsket meget i disse områder i perioden før 2002 (da de tilsammen faktisk var mere populære end porteføljeanalyse).

Fra det metodologiske synspunkt er MO klart den dominerende tilgang med 273 artikler. Størstedelen af de arbejder, der anvender MO, er relateret til PO (188 undersøgelser), efterfulgt af vurdering af aktiver (31 undersøgelser) og vurdering af kreditrisiko/konkursforudsigelse (25 artikler). Som det fremgår af tabel 6, kombinerer en betydelig del af de undersøgelser, der anvender MO, den med EA/MH-teknikker (82 artikler), fuzzy-modeller (35 undersøgelser) og data mining-algoritmer (18 artikler).

AHP/ANP har været den næstmest populære tilgang. Dette er en stor stigning i forhold til den tidligere undersøgelse af Steuer og Na (2003), som fandt, at kun et lille antal undersøgelser var baseret på AHP før 2002. Interessant nok spænder AHP/ANP-relaterede artikler over hele spektret af finansielle anvendelser, ofte kombineret med fuzzy-modeller og andre MCDA-teknikker, især TOPSIS.

Lige MO har GP også været en populær model- og løsningsmetode til finansielle beslutninger inden for PO og forudsigelse af kreditrisiko/konkurs. Kapitalbudgettering og finansiel planlægning har også været populære emner for anvendelse af GP-modeller. I modsætning til MO-modeller er GP imidlertid sjældnere blevet kombineret med andre metoder. Blandt dem har fuzzy-modeller, DM og PDA været de mest populære.

PDA har været den mest populære tilgang til kreditrisiko-/konkursforudsigelsesmodeller. Dette kan forklares med PDA-rammens karakter, som fokuserer på at udlede beslutningsmodeller fra data. Denne egenskab passer godt til konteksten for kreditrisikomodellering og forudsigelse af finansiel nødlidelse. Til dette formål gennemføres PDA-rammen normalt med forskellige OR- og MAUT-modeller (f.eks. Bugera, Konno, & Uryasev, 2002; Doumpos, 2012; Doumpos & Zopounidis, 2011) eller i kombination med DM-teknikker (Peng et al, 2008).

Men blandt de andre vigtigste MCDA-modelleringsmetoder er MAUT blevet anvendt i 36 undersøgelser, mens regelbaserede teknikker (f.eks. dominansbaserede grove sæt; Greco, Matarazzo, & Slowinski, 2013; Shen & Tzeng, 2014b) er blevet anvendt i 13 publikationer. Det lille antal MAUT-applikationer inden for finansiel beslutningstagning sammenlignet med andre tilgange blev også rapporteret af Steuer og Na (2003), som kun fandt otte relevante publikationer i perioden før 2002. Endelig er det værd at bemærke, at nogle undersøgelser (15 i alt) har anvendt DEA som en databaseret multikriterieevalueringsteknik kombineret med traditionelle MCDA-tilgange såsom MO, GP, AHP/ANP og TOPSIS (Amiri, Zandieh, Vahdani, Soltani, & Roshanaei, 2010; Che, Wang, & Chuang, 2010; Yang, Wong, Xu, Liu, & Steuer, 2010). DEA er en praktisk metode til multikriterievurderinger ved hjælp af et minimum af oplysninger, da vurderingerne er styret af dataene. Når DEA-baserede evalueringsmodeller anvendes i en MCDA-sammenhæng, er de imidlertid genstand for metodologiske problemer (for en omfattende diskussion, se Bouyssou, 1999; Tofallis, 2010).