3.3 Themen und Methoden

Die Artikel in der zusammengestellten Datenbank decken eine Vielzahl von Bereichen ab, die mit finanzieller Entscheidungsfindung zu tun haben, und verwenden unterschiedliche MCDA-Methodenansätze. Bei der Unterscheidung der verschiedenen Themen haben wir alle drei Hauptbereiche des Finanzwesens berücksichtigt, einschließlich Unternehmensfinanzierung, Investitionen sowie Finanzmärkte und -institutionen. Auf der Grundlage dieser Hauptbereiche wurden 12 Unterkategorien definiert, die den wichtigsten Forschungsgebieten in Bezug auf die Anwendungsbereiche von MCDA-Methoden in der finanziellen Entscheidungsfindung entsprechen (Artikel, die sich auf spezifische Themen des Finanzrisikomanagements außerhalb der 12 Hauptkategorien beziehen, wurden in einer separaten Gruppe klassifiziert). Zu den in dieser Umfrage ermittelten Hauptbereichen gehören:

–

Rechnungslegung und Wirtschaftsprüfung: Obwohl Rechnungslegung und Wirtschaftsprüfung von der Finanzwirtschaft getrennte Forschungsbereiche sind, stehen sie in engem Zusammenhang mit vielen finanziellen Entscheidungen, vor allem im Bereich der Unternehmensfinanzierung. MCDA-Methoden wurden zur Unterstützung von Rechnungslegungs-/Prüfungsentscheidungen und relevanten Praktiken in Bereichen wie Kostenrechnung (Cicone, Udaeta, Grimoni, & Galvão, 2008), Management Accounting (Frezatti, Agiar, Guerreiro, & Gouvea, 2011), Aufdeckung von Finanzbetrug (Gaganis, 2009; Pasiouras, Gaganis, & Zopounidis, 2007), und interne Auditkontrollen (Sueyoshi, Shang, & Chiang, 2009), unter anderem.

–

Vermögensbewertung: Die Vermögensbewertung bezieht sich auf das Screening, die Bewertung und den Handel von Finanzanlagen zu Investitionszwecken. Sie ist ein integraler Bestandteil von Investitionsentscheidungen und der Portfolioauswahl und -verwaltung, erfordert jedoch andere Techniken und Analysewerkzeuge auf der Grundlage diskreter MCDA-Methoden (im Gegensatz zu Optimierungsmodellen, die im Portfoliooptimierungsprozess verwendet werden; Xidonas, Mavrotas, Krintas, Psarras, & Zopounidis, 2012). Die Bewertung von Vermögenswerten erfolgt in der Regel anhand fundamentaler Faktoren (siehe z.B. Albadvi, Chaharsooghi, & Esfahanipour, 2007, Sevastjanov & Dymova, 2009, und Xidonas, Mavrotas, & Psarras, 2009b, u.a.) sowie im Rahmen aktiver Handelsstrategien auf Basis technischer Indikatoren (z.B., Huck, 2010; Ng, Liang, Li, Yeung, & Chan, 2014).

–

Banking: Anwendungen im Bankwesen decken ein breites Spektrum von Bereichen ab, die mit dem Bankmanagement zusammenhängen. Dazu gehören unter anderem die Leistungsfähigkeit und Stabilität von Banken (Doumpos & Zopounidis, 2010), das Kreditportfoliomanagement und die Kreditvergabe, das Asset-Liability-Management (Kosmidou & Zopounidis, 2004), die Organisation von Bankfilialnetzen (Bravo & Plà-Santamaria, 2012; Ferreira, Santos, & Rodrigues, 2010) und E-Banking-Dienstleistungen (Hu & Liao, 2011).

–

Energiefinanzierung: Die Energie- und Rohstoffmärkte haben sich in den letzten Jahrzehnten rasant entwickelt. Die einschlägigen Anwendungen von MCDA-Methoden beziehen sich auf das Portfoliomanagement und den Handel, die Preisbildung, die Marktoperationen usw. auf den Energie- und Rohstoffmärkten.

–

Kapitalbudgetierung und Finanzplanung: Kapitalbudgetierung und Finanzplanung sind wichtige Forschungsbereiche in der Finanzwissenschaft und in der Managementwissenschaft. MCDA-Methoden wurden zur Gestaltung von Budgetzuweisungen und Finanzplänen sowohl in der Privatwirtschaft (Frezatti et al, 2011) und im öffentlichen Sektor (Gómez, Ríos Insua, Lavín, & Alfaro, 2013) sowie für Privatpersonen (Cai & Ge, 2012) eingesetzt.

–

Analyse der finanziellen Leistung von Unternehmen: Die Bewertung der finanziellen Leistung von Unternehmen ist ein beliebtes Forschungsthema mit mehreren Anwendungen von MCDA, die die Aggregation mehrerer Leistungsattribute (finanziell und nicht-finanziell) unter Berücksichtigung der besonderen Merkmale verschiedener Geschäftsbereiche (Bau, Transport, Gesundheitswesen, Landwirtschaft usw.) ermöglichen.(Iazzolino, Laise, & Marraro, 2012).

–

Länderrisikoanalyse: Das Länderrisiko bezieht sich auf die Wahrscheinlichkeit, dass ein Land Schwierigkeiten haben wird, seinen Schuldenverpflichtungen gegenüber seinen Gläubigern nachzukommen. Die Bedeutung dieser Art von Analyse hat in den letzten Jahrzehnten zugenommen, da Finanzkrisen in verschiedenen Ländern große Unruhen verursacht haben, zuletzt die Staatsschuldenkrise in Europa. MCDA-Techniken wurden zur Unterstützung von Wirtschaftsprognosen (Blair, Mandelker, Saaty, & Whitaker, 2010), zur Erstellung zusammengesetzter Indikatoren für Länderrisiken (Kosmidou, Doumpos, & Zopounidis, 2008) und für das öffentliche Schuldenmanagement (Balibek & Köksalan, 2010) eingesetzt.

–

Kreditrisikobewertung und Konkursprognose: Ähnlich wie beim Länderrisiko beziehen sich Kreditrisikobewertung und Konkursprognose auf die Wahrscheinlichkeit, dass Unternehmen oder Einzelpersonen ihre Schulden nicht bedienen können. Die zunehmende Zahl von Zahlungsausfällen aufgrund der jüngsten Kreditkrise hat gezeigt, dass es in diesem Bereich noch viel zu tun gibt. MCDA-Methoden wurden als nichtparametrische Techniken zur Ableitung von Kreditrisiko- und Konkursprognosemodellen aus Daten eingesetzt, oft unterstützt durch Zielprogrammierung, Mehrzieltechniken und evolutionäre Algorithmen oder in Kombination mit Data-Mining-Algorithmen. Einige Beispiele finden sich u.a. in den Arbeiten von Doumpos (2012), He, Zhang, Shi und Huang (2010), Yu, Wang und Lai (2009) sowie Zhang, Gao und Shi (2014).

–

Investitionsbewertung: Investitionsentscheidungen sind ein wichtiger Bestandteil der Theorie und Praxis der Unternehmensfinanzierung. Die Finanztheorie stützt sich auf etablierte finanzielle Bewertungskriterien (z. B. Kapitalwert, interner Zinsfuß, Amortisationsdauer usw.). In einem multikriteriellen Umfeld wird die Finanzperspektive durch neue Faktoren in einem breiteren Stakeholder-Umfeld erweitert (De Brucker, Macharis, & Verbeke, 2013) sowie durch die Einführung formaler Modelle zur Präferenzmodellierung und Risikoanalyse (Vlaev, Chater, & Stewart, 2008).

–

Fusionen und Übernahmen: Fusionen und Übernahmen (M&As) sind strategische Investitionen, die das Unternehmenswachstum durch die Nutzung von Größenvorteilen und Synergieeffekten fördern können. In den 1980er und 1990er Jahren erlebten sie einen Boom, während in den 2000er Jahren einige Stabilisierungstendenzen zu beobachten waren. MCDA-Methoden wurden eingesetzt, um strategische Allianzen zu entwerfen, die Identifizierung von M&A-Geschäften und -Zielen zu unterstützen und die Ergebnisse von M&As zu bewerten (siehe u.a. Korhonen & Voutilainen, 2006, Lee, 2013 und Pasiouras, Gaganis, & Zopounidis, 2010).

–

Sozial verantwortliche Investitionen (SRI): Laut dem Global Sustainable Investment Review 2014 von Eurosif hat der Markt für nachhaltige Investitionen weltweit ein Volumen von 21 Billionen US-Dollar überschritten und macht mehr als 30 % des professionell verwalteten Vermögens aus. MCDA wurde eingesetzt, um traditionelle Risiko-Rendite-Investitionsmodelle durch die Einführung von nicht-finanziellen SRI-Kriterien zu erweitern (siehe u.a. Ballestero, Bravo, Pérez-Gladish, Arenas-Parra, & Plà-Santamaria, 2012 und Bilbao-Terol, Arenas-Parra, & Cañal Fernández, 2012) und als Instrument zur Analyse und Erklärung des SRI-Prozesses (Utz, Wimmer, Hirschberger, & Steuer, 2014).

–

Portfolio-Optimierung: Portfolio-Optimierung bezieht sich auf die Allokation von Mitteln auf eine Reihe ausgewählter Finanzanlagen (Aktien, Fonds, festverzinsliche Anlagen usw.). Im traditionellen Mean-Variance-Rahmen wird die Allokation als ein bi-objektives Risiko-Rendite-Optimierungsmodell formuliert. Wie in Abschnitt 2 erläutert, wurden in den letzten zwei Jahrzehnten mehrere Fortschritte bei der Einführung neuer kohärenter Risikomessgrößen erzielt. Die multidimensionale Natur des Risikos (Doumpos & Zopounidis, 2014) führte zu mehrdimensionalen und zielorientierten Programmierungsformulierungen, die die Aggregation mehrerer Portfolioselektionsmaße erlauben und darüber hinaus die Berücksichtigung zusätzlicher realer Merkmale ermöglichen (Diversifikation, Liquidität, Dividenden, etc.Steuer, Qi, & Hirschberger, 2007).

In Bezug auf die methodischen Ansätze betrachten wir die vier Hauptströmungen der MCDA-Forschung (Pardalos, Siskos, & Zopounidis, 1995), einschließlich der Mehrzieloptimierung (MO), der Multiattribut-Nutzentheorie (MAUT), der Outranking-Relationen (OR) und der Präferenz-Disaggregationsanalyse (PDA). Zusätzlich zu diesen Hauptbereichen der MCDA-Forschung werden auch weitere Kategorien berücksichtigt, die bestimmte Arten von Entscheidungsmodellen und Analysetechniken darstellen, nämlich Zielprogrammierung (GP), evolutionäre Algorithmen/Metaheuristiken (EA/MH), Fuzzy-Modelle, regelbasierte Modelle (RBM) sowie beliebte Methoden wie AHP (einschließlich ANP) und TOPSIS. Darüber hinaus berücksichtigen wir weitere Methoden und Ansätze (z. B. fallspezifische Modelle und andere Techniken wie DEMATEL, VIKOR, Graue-Relationen-Analyse usw.; diese werden alle einer Hauptkategorie mit der Bezeichnung „Sonstige“ zugeordnet) sowie Kombinationen mit Data Envelopment Analysis (DEA) und Data Mining (DM)-Techniken (ausgenommen reine DEA/DM-Arbeiten).

Tabelle 5. Veröffentlichungen nach Themenbereichen und methodischen Ansätzen.

MO AHP GP EA/MH Fuzzy PDA OR DM MAUT TOPSIS DEA RBM Sonstiges Gesamt
Portfoliooptimierung 188 11 48 64 30 1 6 2 5 2 2 1 11 262
Kredit Risiko/Konkurs 25 18 25 5 8 27 13 21 10 10 3 5 8 108
Vermögensbewertung 31 17 7 20 10 8 10 5 4 4 2 0 10 78
Banking 9 27 9 2 16 11 8 2 5 8 5 4 8 73
Unternehmensleistung 3 16 4 1 17 5 9 1 1 11 1 3 9 51
Budg. & fin. Planung 13 12 15 2 2 0 2 1 4 0 1 0 3 42
Investitionsbewertung 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
Buchhaltung/Rechnungsprüfung 2 6 0 1 2 8 0 2 0 0 1 1 0 17
Länderrisiko 4 4 0 1 0 4 2 0 2 1 0 1 1 17
Energiefinanzierung 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
Sonstiges Risikomanagement 6 8 3 1 2 1 1 1 1 2 1 0 0 1 22
Gesamt 273 124 103 92 89 57 45 36 36 33 15 13 54

Tabelle 6. Artikel, die Kombinationen (Paare) von Methoden verwenden.

DEA DM EA/MH Fuzzy GP MAUT MO OR PDA RBM TOPSIS Andere
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
ODER 8 1 2 3
PDA 2 0 2
RBM 1 1
TOPSIS 4

Tabelle 5 listet alle betrachteten Anwendungsbereiche und methodischen Ansätze auf, zusammen mit der Anzahl der Arbeiten in allen Kombinationen dieser beiden Dimensionen. Die letzte Spalte der Tabelle gibt die Anzahl der Arbeiten in jedem Anwendungsbereich an, während die letzte Zeile die Anzahl der Arbeiten in jedem MCDA-Methodenansatz zeigt. Es ist zu beachten, dass die Gesamtzahlen nicht den Zeilen-/Spalten-Summen entsprechen, da ein Artikel mehrere Anwendungsbereiche der Finanzwirtschaft betreffen und eine Kombination von MCDA-Methoden und -Ansätzen verwenden kann. Tabelle 6 enthält weitere Einzelheiten zu den verwendeten Methodenkombinationen. Die Tabelle gibt die Anzahl der Artikel an, die verschiedene Paare von Ansätzen verwenden (wir konzentrieren uns auf Paare, da die überwiegende Mehrheit der Artikel – etwa 90 % – höchstens zwei Methoden verwendet hat).

Die zusammenfassenden Ergebnisse zeigen deutlich, dass die Portfolio-Optimierung (PO) der Bereich ist, der am häufigsten mit MCDA-Techniken untersucht wurde, nämlich MO und GP. Auch Steuer und Na (2003) fanden heraus, dass die Portfolioanalyse das aktivste MCDA-Finanzforschungsgebiet im Zeitraum vor 2002 war (obwohl sie nicht zwischen PO und Vermögensbewertung unterschieden). Die Popularität der PO kann auf eine Reihe von Gründen zurückgeführt werden. Es handelt sich um ein vielschichtiges Problem, das eine Reihe von algorithmischen und modelltechnischen Herausforderungen mit sich bringt (z. B. Risikomodellierung, Daten verschiedener Art, dynamischer Charakter usw.), und es ist in verschiedenen Kontexten relevant, einschließlich Aktienportfolios und Fondsportfolios sowie im Zusammenhang mit Vermögenswerten aus Nicht-Finanzmärkten (z. B. Energiemärkte und Rohstoffe). Die meisten MO/GP-Modelle, die für PO vorgeschlagen wurden, stützen sich auf die Kombination mehrerer Risikomaße (z. B. Schiefe/Kurtose, Value-at-Risk-Maße, Omega-Ratio, systemisches Risiko usw.), wobei häufig zusätzliche Ziele und Zielsetzungen (Liquidität, Dividenden, Diversifizierung usw.) berücksichtigt werden. EA/MH sind auch in der PO sehr beliebt, insbesondere wenn es um nicht-konvexe Kriterien und Modelle für die Portfolioauswahl geht (z. B. Skewness/Kurtosis, Value-at-Risk) sowie in Fällen, in denen zusätzliche reale Merkmale wie Kardinalitätsbeschränkungen in die Analyse einbezogen werden (Mansini, Ogryczak, & Speranza, 2014). Steuer (2013) unterscheidet zwischen drei Arten von MCDA-Ansätzen in der PO. A-priori-Ansätze verwenden vorab spezifizierte Informationen über die Präferenzen des Entscheidungsträgers (Investor, Portfoliomanager), um das am besten geeignete effiziente Portfolio zu finden. GP-Modelle verwenden häufig einen solchen Ansatz. A-posteriori-Ansätze hingegen konzentrieren sich darauf, in einem einzigen Durchlauf die vollständige Menge effizienter Portfolios zu finden, ohne dass die Angabe von Präferenzdaten erforderlich ist. EA/MH werden typischerweise in diesem Rahmen eingesetzt, insbesondere in komplexeren Fällen wie oben erwähnt (für einen Überblick über EA/MH in PO siehe Metaxiotis & Liagkouras, 2012). Eine letzte Klasse von Verfahren basiert auf interaktiven Techniken, die die schrittweise Artikulation von Präferenzinformationen über die Investitionspolitik des Entscheidungsträgers ermöglichen (siehe z. B. Xidonas, Mavrotas, & Psarras, 2010a).

PO steht in engem Zusammenhang mit anderen in dieser Umfrage betrachteten Themenbereichen, nämlich Vermögensbewertung, SRI und Energiefinanzierung. Überraschenderweise befassten sich nur 12 Publikationen mit dem Portfoliomanagement in einem integrierten Rahmen, der PO und Vermögensbewertung kombiniert (siehe u.a. Kiris & Ustun, 2012, Pendaraki, Zopounidis, & Doumpos, 2005, Pérez-Gladish, Jones, Tamiz, & Bilbao Terol, 2007, und Xidonas, Askounis, & Psarras, 2009a). In all diesen Arbeiten wurde der Prozess der Bewertung von Vermögenswerten anhand grundlegender Faktoren betrachtet, die häufig im Kontext des Fondsmanagements realisiert wurden, wobei Methoden verwendet wurden, die hauptsächlich auf AHP/ANP, OR und PDA basieren. MO- und EA/MH-Techniken sind dagegen auch für die Bewertung von Vermögenswerten beliebt, vor allem im Zusammenhang mit algorithmischem Handel und technischer Analyse (siehe u. a. Bodas-Sagi, Fernández-Blanco, Hidalgo, & Soltero-Domingo, 2013, Chiam, Tan, & Al Mamun, 2009, und Ng et al., 2014). Interessant ist auch, dass die Hälfte der SRI-Papiere (9 von 18 Papieren) auch PO-Aspekte einbeziehen und sechs der 18 SRI-Papiere soziale Aspekte als Teil des Vermögensbewertungsprozesses berücksichtigen. Interessanterweise wurden bis auf eine Ausnahme alle SRI-Papiere im Zeitraum von 2009 bis 2014 veröffentlicht, was darauf hindeutet, dass es sich hierbei um einen aufkommenden Trend im Bereich der Finanzanlagen und des Portfoliomanagements handelt.

Abgesehen von den oben genannten anlagebezogenen Themen waren Kreditrisikobewertung und Konkursvorhersage mit 108 einschlägigen Papieren ebenfalls sehr beliebte Themen, während dieser Bereich in der früheren Erhebung von Steuer und Na (2003) nicht als eigenständiges Forschungsthema ausgewiesen war. In diesem Bereich wurde eine Vielzahl unterschiedlicher Methoden verwendet, wobei MO, PDA, GP und OR die beliebtesten sind. Modelle zur Vorhersage von Kreditrisiken und Insolvenzen werden in der Regel auf der Grundlage bestehender Datenbanken über Zahlungsausfälle und Insolvenzen (Unternehmens- oder Verbraucherdaten) erstellt. PDA-Techniken verwenden üblicherweise MO- und GP-Formulierungen, um Entscheidungsmodelle aus vorhandenen Dateninstanzen abzuleiten. Einige Beispiele finden sich unter anderem in den Arbeiten von Doumpos und Zopounidis (2011), Peng, Kou, Shi und Chen (2008) und Zhang et al. (2014). Ähnliche Techniken wurden auch für die Analyse und Vorhersage von Kreditratings verwendet, die von großen Ratingagenturen herausgegeben werden und von Finanzentscheidern, Anlegern und Regulierungsbehörden in großem Umfang genutzt werden (Doumpos, Niklis, Zopounidis, & Andriosopoulos, 2015; Doumpos, Niklis, Zopounidis, & Pasiouras, 2005), während sich andere Studien auf spezialisierte Modelle für Bereiche wie Hypothekarkredite und Schifffahrt konzentriert haben (siehe u.a. Ferreira, Santos, Marques, & Ferreira, 2014, und Gavalas & Syriopoulos, 2014). Es ist auch erwähnenswert, dass mehrere Studien in diesem Bereich Kombinationen von MCDA-Methoden mit Data-Mining-Modellen wie neuronalen Netzen, Kernel-Methoden, fallbasiertem Schließen und Clustering-Algorithmen untersucht haben. Solche Kombinationen wurden in drei Hauptformen betrachtet: (a) Verwendung von MO/GP-Modellen (oft unterstützt durch EA/MH) für das Training von Data-Mining-Modellen (z. B. Pendharkar & Nanda, 2006; Zhang et al., 2014), (b) Nutzung der komplexen Struktur und Darstellungsleistung von Data-Mining-Modellen für die Konstruktion genauer multikriterieller Risikobewertungs- und Vorhersagesysteme (z. B., Chen & Hu, 2011; Hu, 2009) und (c) die Verwendung von MCDA-Techniken zur Bewertung der Leistung von Vorhersagemodellen (z. B. Wu & Hsu, 2012).

Auch Anwendungen im Bankwesen sind auf großes Interesse gestoßen, insbesondere nach der weltweiten Kreditkrise 2007/2008. Dies wird durch die Tatsache unterstrichen, dass 54 der 73 Arbeiten über Bankanwendungen zwischen 2010 und 2014 veröffentlicht wurden. Ähnlich wie die Kreditrisikobewertung und die Konkursvorhersage wurde auch das Bankwesen in der Umfrage von Steuer und Na (2003) nicht als eigenständiger Forschungsbereich betrachtet. Daher hat sich das Bankwesen in den letzten zehn Jahren als ein Bereich von besonderem Interesse für die Anwendung von MCDA-Methoden erwiesen. Zu den im Bankensektor angewandten Methoden gehören AHP/ANP (oft in Kombination mit Fuzzy-Modellen) sowie PDA-, OR- und GP-Techniken. Die Anwendungsthemen umfassen die Bewertung der Bankleistung (z.B., Doumpos & Zopounidis, 2010; Grigoroudis, Tsitsiridi, & Zopounidis, 2013; Ioannidis, Pasiouras, & Zopounidis, 2010; Shen & Tzeng, 2014a), Asset-Liability-Management (z. B. Kosmidou & Zopounidis, 2007), Bankfilialmanagement (z. B., Ferreira et al., 2010) und E-Banking-Dienstleistungen (z. B. Hu & Liao, 2011; Kaya & Kahraman, 2011).

Ähnliche Fragen wurden auch außerhalb des Bankensektors in anderen Studien untersucht, die sich auf die Unternehmensleistung in Sektoren wie Transport, Landwirtschaft, Versicherung, Bauwesen usw. konzentrierten. Wie aus Tabelle 5 ersichtlich ist, sind die Methoden zur Bewertung der Unternehmensleistung denen im Bankensektor recht ähnlich.

Was die anderen Anwendungsbereiche betrifft, so ist es bemerkenswert, dass im Bereich der Investitionsrechnung und Finanzplanung nur 41 Arbeiten seit 2002 veröffentlicht wurden. Dies ist ein deutlicher Rückgang im Vergleich zu der Untersuchung von Steuer und Na (2003), die feststellten, dass diese Bereiche in der Zeit vor 2002 stark erforscht waren (als sie zusammengenommen sogar populärer waren als die Portfolioanalyse).

Aus methodischer Sicht ist MO mit 273 Arbeiten eindeutig der dominierende Ansatz. Die meisten Arbeiten, die MO verwenden, beziehen sich auf PO (188 Studien), gefolgt von Vermögensbewertung (31 Studien) und Kreditrisikobewertung/Konkursvorhersage (25 Arbeiten). Wie aus Tabelle 6 hervorgeht, kombiniert ein erheblicher Teil der Studien, die MO verwenden, diese mit EA/MH-Techniken (82 Studien), Fuzzy-Modellen (35 Studien) und Data-Mining-Algorithmen (18 Studien).

AHP/ANP war der zweithäufigste Ansatz. Dies ist ein deutlicher Anstieg im Vergleich zu der früheren Erhebung von Steuer und Na (2003), die feststellten, dass sich vor 2002 nur eine geringe Anzahl von Studien auf AHP stützte. Interessanterweise decken AHP/ANP-bezogene Arbeiten das gesamte Spektrum der Finanzanwendungen ab, oft in Kombination mit Fuzzy-Modellen und anderen MCDA-Techniken, insbesondere TOPSIS.

Wie MO ist auch GP ein beliebter Modellierungs- und Lösungsansatz für Finanzentscheidungen im Bereich PO und Kreditrisiko/Konkursvorhersage. Kapitalbudgetierung und Finanzplanung sind ebenfalls beliebte Themen für Anwendungen von GP-Modellen. Im Gegensatz zu MO-Modellen wurde GP jedoch weniger häufig mit anderen Ansätzen kombiniert. Unter ihnen sind Fuzzy-Modelle, DM und PDA am beliebtesten.

PDA ist der beliebteste Ansatz für Kreditrisiko-/Konkursvorhersagemodelle. Dies erklärt sich durch die Art des PDA-Rahmens, der sich auf die Ableitung von Entscheidungsmodellen aus Daten konzentriert. Diese Eigenschaft passt gut zum Kontext der Kreditrisikomodellierung und der Vorhersage finanzieller Notlagen. Zu diesem Zweck wird der PDA-Rahmen üblicherweise mit verschiedenen OR- und MAUT-Modellen (z. B. Bugera, Konno, & Uryasev, 2002; Doumpos, 2012; Doumpos & Zopounidis, 2011) oder in Kombination mit DM-Techniken (Peng et al., 2008).

Unter den anderen wichtigen MCDA-Modellierungsansätzen wurde MAUT in 36 Studien verwendet, während regelbasierte Techniken (z. B. dominanzbasierte Rough Sets; Greco, Matarazzo, & Slowinski, 2013; Shen & Tzeng, 2014b) in 13 Veröffentlichungen verwendet wurden. Die geringe Anzahl von MAUT-Anwendungen in der finanziellen Entscheidungsfindung im Vergleich zu anderen Ansätzen wurde auch von Steuer und Na (2003) berichtet, die nur acht relevante Veröffentlichungen im Zeitraum vor 2002 fanden. Schließlich ist es erwähnenswert, dass einige Studien (insgesamt 15) DEA als datenbasierte multikriterielle Bewertungstechnik in Kombination mit traditionellen MCDA-Ansätzen wie MO, GP, AHP/ANP und TOPSIS verwendet haben (Amiri, Zandieh, Vahdani, Soltani, & Roshanaei, 2010; Che, Wang, & Chuang, 2010; Yang, Wong, Xu, Liu, & Steuer, 2010). DEA bietet einen bequemen Ansatz für multikriterielle Bewertungen mit minimalen Informationen, da die Bewertungen durch die Daten gesteuert werden. Bei der Verwendung in einem MCDA-Kontext sind DEA-basierte Bewertungsmodelle jedoch mit methodischen Problemen behaftet (für eine umfassende Diskussion siehe Bouyssou, 1999; Tofallis, 2010).