3.3 Aiheet ja menetelmät

Kootussa tietokannassa olevat artikkelit kattavat erilaisia rahoituspäätöksentekoon liittyviä aloja, ja niissä hyödynnetään erilaisia MCDA-menetelmiä. Eri aiheita erotellessamme otimme huomioon kaikki kolme rahoituksen pääaluetta, mukaan lukien yritysrahoitus, sijoitukset sekä rahoitusmarkkinat ja rahoituslaitokset. Näiden pääalueiden perusteella määriteltiin 12 alaluokkaa, jotka vastaavat tärkeimpiä tutkimusaloja MCDA-menetelmien soveltamisalojen osalta rahoituspäätöksenteossa (12 pääluokan ulkopuolisiin rahoitusriskien hallinnan erityisaiheisiin liittyvät artikkelit luokiteltiin erilliseen ryhmään). Tässä tutkimuksessa yksilöidyt pääalueet ovat:

–

Laskenta ja tilintarkastus: vaikka laskentatoimi ja tilintarkastus ovat rahoituksesta erillisiä tutkimusalueita, ne liittyvät läheisesti moniin rahoituspäätöksiin, lähinnä yritysrahoitukseen. MCDA-menetelmiä on käytetty tukemaan kirjanpito-/tilintarkastuspäätöksiä ja asiaankuuluvia käytäntöjä esimerkiksi kustannuslaskennan (Cicone, Udaeta, Grimoni, & Galvão, 2008), johdon laskentatoimen (Frezatti, Agiar, Guerreiro, & Gouvea, 2011), talouspetosten havaitsemisen (Gaganis, 2009; Pasiouras, Gaganis, & Zopounidis, 2007) ja muun muassa sisäisen tarkastuksen valvonta (Sueyoshi, Shang, & Chiang, 2009).

–

Omaisuuserien arviointi: Omaisuuserien arvioinnilla tarkoitetaan rahoitusvarojen seulontaa, arviointia ja kaupankäyntiä sijoitustarkoituksessa. Se on olennainen osa sijoituspäätöksiä sekä salkun valintaa ja hallintaa, mutta se edellyttää erilaisia tekniikoita ja analyysityökaluja, jotka perustuvat diskreetteihin MCDA-menetelmiin (toisin kuin salkun optimointiprosessissa käytettävät optimointimallit; Xidonas, Mavrotas, Krintas, Psarras, & Zopounidis, 2012). Omaisuuserien arviointi toteutetaan yleensä perustekijöiden perusteella (ks. esim. Albadvi, Chaharsooghi, & Esfahanipour, 2007, Sevastjanov & Dymova, 2009 ja Xidonas, Mavrotas, & Psarras, & 2009b) sekä teknisiin indikaattoreihin perustuvien aktiivisten kaupankäyntistrategioiden yhteydessä (esim, Huck, 2010; Ng, Liang, Li, Yeung, & Chan, 2014).

–

Pankkitoiminta: Pankkisovellukset kattavat laajan kirjon pankkihallintoon liittyviä aloja. Näitä ovat muun muassa pankkien suorituskyky ja vakaus (Doumpos & Zopounidis, 2010), lainasalkun hallinta ja luottojen myöntäminen, varojen ja vastuiden hallinta (Kosmidou & Zopounidis, 2004), pankkien konttoriverkostojen organisointi (Bravo & Plà-Santamaria, 2012; Ferreira, Santos, & Rodrigues, 2010) ja verkkopankkipalvelut (Hu & Liao, 2011).

–

Energiarahoitus: Energia- ja hyödykemarkkinat ovat kehittyneet nopeasti parin viime vuosikymmenen aikana. MCDA-menetelmien asiaankuuluvat sovellukset liittyvät salkunhallintaan ja kaupankäyntiin, hinnoitteluun, markkinoiden toimintaan liittyviin kysymyksiin ja niin edelleen energia- ja hyödykemarkkinoilla.

–

Pääomabudjetointi ja rahoitussuunnittelu: Pääomabudjetointi ja rahoitussuunnittelu ovat merkittäviä tutkimusalueita sekä rahoitus- että liikkeenjohtotieteissä. MCDA-menetelmiä on käytetty budjettimäärärahojen ja rahoitussuunnitelmien suunnitteluun sekä yksityisellä sektorilla (Frezatti et al., 2011) ja julkisella sektorilla (Gómez, Ríos Insua, Lavín, & Alfaro, 2013) sekä yksityishenkilöille (Cai & Ge, 2012).

–

Yritysten taloudellisen suorituskyvyn analyysi: Yritysten taloudellisen suorituskyvyn arviointi on ollut suosittu tutkimuskohde, ja siihen on sovellettu useaan otteeseen MCDA-menetelmiä, jotka mahdollistavat useiden suorituskykyattribuuttien (rahoituksellisten ja muiden kuin rahoituksellisten ominaisuuksien) yhdistämisen ja samalla eri liiketoiminta-alojen erityispiirteet (rakentaminen, kuljetusala, terveydenhuoltoala, maatalousala jne.) huomioon ottaen.; Iazzolino, Laise, & Marraro, 2012).

–

Maariskianalyysi: Maariskillä tarkoitetaan todennäköisyyttä, että maalla on vaikeuksia täyttää velkavelvoitteensa velkojilleen. Tämäntyyppisen analyysin merkitys on kasvanut viime vuosikymmeninä, kun finanssikriisit ovat aiheuttaneet suuria levottomuuksia eri maissa, joista viimeisin on ollut Euroopan valtionvelkakriisi. MCDA-tekniikoita on käytetty tukemaan talouden ennustamista (Blair, Mandelker, Saaty, & Whitaker, 2010), rakentamaan maakohtaisia riskejä kuvaavia yhdistelmäindikaattoreita (Kosmidou, Doumpos, & Zopounidis, 2008) ja julkisen velan hallintaan (Balibek & Köksalan, 2010).

–

Luottoriskin arviointi ja konkurssin ennustaminen: Maariskin tapaan luottoriskin arvioinnilla ja konkurssin ennustamisella viitataan todennäköisyyteen, että yritykset tai yksityishenkilöt laiminlyövät velkansa. Viimeaikaisesta luottokriisistä johtuvien maksuhäiriöiden lisääntyminen on osoittanut, että tällä alalla on vielä paljon tehtävää. MCDA-menetelmiä on käytetty ei-parametrisina tekniikoina luottoriskin ja konkurssin ennustusmallien päättelemiseksi tiedoista, usein tavoiteohjelmoinnin, monitavoitteisten tekniikoiden ja evoluutioalgoritmien avulla tai yhdessä tiedonlouhinta-algoritmien kanssa. Esimerkkejä löytyy muun muassa Doumposin (2012), He:n, Zhangin, Shin ja Huangin (2010), Yu:n, Wangin ja Lain (2009) sekä Zhangin, Gaon ja Shin (2014) teoksista.

–

Sijoitusten arviointi: Sijoituspäätökset ovat merkittävä osa yritysrahoituksen teoriaa ja käytäntöä. Rahoitusteoria nojaa vakiintuneisiin taloudellisiin arviointikriteereihin (esim. nettonykyarvo, sisäinen korkokanta, takaisinmaksuaika jne.). Monikriteeriympäristössä rahoitusnäkökulmaa täydennetään uusilla tekijöillä laajemmassa sidosryhmäympäristössä (De Brucker, Macharis, & Verbeke, 2013) sekä ottamalla käyttöön muodollisia malleja preferenssien mallintamiseen ja riskianalyysiin (Vlaev, Chater, & Stewart, 2008).

–

Sulautumat ja yritysostot: Sulautumat ja yritysostot (M&As) ovat strategisia investointeja, jotka voivat helpottaa yritysten kasvua hyödyntämällä mittakaavaetuja ja synergiavaikutuksia. Ne kukoistivat 1980- ja 1990-luvuilla, mutta 2000-luvulla on havaittu jonkin verran vakiintuneita suuntauksia. MCDA-menetelmiä on käytetty strategisten liittoutumien suunnitteluun, M&A-sopimusten ja -kohteiden tunnistamisen tukemiseen sekä M&A:iden tulosten arviointiin (ks. mm. Korhonen & Voutilainen, 2006, Lee, 2013 ja Pasiouras, Gaganis, & Zopounidis, 2010).

–

Sosiaalisesti vastuulliset sijoitukset (SRI): Eurosif’s Global Sustainable Investment Review 2014 -julkaisun mukaan kestävien sijoitusten markkinat ovat maailmanlaajuisesti ylittäneet 21 biljoonaa dollaria, ja niiden osuus ammattimaisesti hoidetuista varoista on yli 30 prosenttia. MCDA:ta on käytetty laajentamaan perinteisiä riski-tuotto-sijoitusmalleja ottamalla käyttöön muita kuin taloudellisia SRI-kriteerejä (ks. mm. Ballestero, Bravo, Pérez-Gladish, Arenas-Parra, & Plà-Santamaria, 2012 ja Bilbao-Terol, Arenas-Parra, & Cañal Fernández, 2012) sekä välineenä SRI-prosessin analysointiin ja selittämiseen (Utz, Wimmer, Hirschberger, & Steuer, 2014).

–

Salkun optimointi: Salkun optimoinnilla tarkoitetaan varojen kohdentamista valittujen rahoitusvarojen joukkoon (osakkeet, rahastot, korkosijoitukset jne.). Perinteisessä keskiarvovarianssikehikossa allokaatio muotoillaan kaksitavoitteisena riskin ja tuoton optimointimallina. Kuten 2 jaksossa selitetään, kahden viime vuosikymmenen aikana on otettu käyttöön useita uusia johdonmukaisia riskimittareita. Riskin moniulotteinen luonne (Doumpos & Zopounidis, 2014) synnytti monitavoite- ja tavoiteohjelmointimuodostelmia, jotka mahdollistavat useiden salkunvalintamittojen aggregoinnin ja lisäksi mahdollistavat reaalisten lisäominaisuuksien huomioon ottamisen (hajautus, likviditeetti, osingot jne.; Steuer, Qi, & Hirschberger, 2007).

Metodologisten lähestymistapojen osalta tarkastelemme MCDA-tutkimuksen neljää päävirtaa (Pardalos, Siskos, & Zopounidis, 1995), mukaan lukien monitavoitteinen optimointi (MO), moniattribuuttihyötyanalyysi (MAUT), paremmuusjärjestyssuhdeanalyysi (OR) ja preferenssien erittelyanalyysi (PDA). Näiden MCDA-tutkimuksen pääalueiden lisäksi tarkastellaan myös muita luokkia, jotka edustavat tietyntyyppisiä päätöksentekomalleja ja analyysitekniikoita, nimittäin tavoiteohjelmointia (GP), evoluutioalgoritmeja/metaheuristiikkaa (EA/MH), sumeampia malleja, sääntöpohjaisia malleja (RBM) sekä suosittuja menetelmiä, kuten AHP:tä (mukaan luettuna ANP) ja TOPSIS:ää. Lisäksi tarkastelemme muita menetelmiä ja lähestymistapoja (esim. tapauskohtaisia malleja ja muita tekniikoita, kuten DEMATEL, VIKOR, harmaa relaatioanalyysi jne.; nämä kaikki on luokiteltu yhteen pääluokkaan, joka on merkitty nimellä ”muut”), sekä yhdistelmiä tietopäällystysanalyysin (DEA) ja tiedonlouhintatekniikoiden (DM) tekniikoiden kanssa (lukuun ottamatta puhtaasti DEA/DM-julkaisuja).

TAULUKKO 5. Julkaisut aihealueen ja metodologisen lähestymistavan mukaan.

.

riski/konkurssi

& fin. suunnittelu

17

MO AHP GP EA/MH Sumea PDA PDA OR DM MAUT TOPSIS DEA RBM Muut Total
Portfolio-optimointi 188 11 48 25 18 25 5 8 27 13 21 10 10 3 5 8 108
Varallisuuden arviointi 31 17 17 7 20 10 10 3 4 4 2 0 10 78
Pankkitoiminta 9 27 9 2 16 11 8 2 2 2 2 5 8 5 4 8 73
Yritystoiminnan tuloksentekokyky 3 16 13 12 15 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 42
Sijoitusarviointi 7 22 3 0 9 0 0 8 1 1 0 0 0 2 0 1 0 1 18
Kirjanpito/tilintarkastus 2 6 0 1 2 8 0 2 0 0 0 1 1 0 1 0 1 0 1 1 1 2 0 2 1 0 1 1 17
Energiarahoitus 7 2 0 1 0 0 0 0 1 0 0 0 0 0 0 10
M&A 0 5 0 0 1 2 0 0 0 1 0 0 1 8
Muu riskienhallinta 6 8 3 1 2 2 2 2 2 1 0 0 1 22
Total 273 124 103 92 89 57 45 36 36 36 33 15 13 54

Taulukkoa 6. Artikkelit, joissa on käytetty menetelmien yhdistelmiä (pareja).

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

Taulukossa 5 on lueteltu kaikki tarkastellut sovellusalueet ja menetelmälliset lähestymistavat, sekä näiden kahden ulottuvuuden kaikissa yhdistelmissä julkaistujen artikkelien lukumäärä. Taulukon viimeisessä sarakkeessa esitetään paperien lukumäärä kullakin sovellusalueella, kun taas viimeisellä rivillä esitetään paperien lukumäärä kussakin MCDA:n metodologisessa lähestymistavassa. On huomattava, että nämä summat eivät ole yhtä suuria kuin rivien ja sarakkeiden summat, koska artikkeli voi liittyä useisiin taloudellisiin sovellusalueisiin ja käyttää MCDA-menetelmien ja -lähestymistapojen yhdistelmiä. Taulukossa 6 on lisätietoja käytetyistä menetelmäyhdistelmistä. Taulukossa ilmoitetaan niiden artikkeleiden lukumäärä, joissa on käytetty eri lähestymistapapareja (keskitymme pareihin, koska valtaosassa artikkeleista – noin 90 prosentissa – on käytetty korkeintaan kahta menetelmää).

Yhteenvetotuloksista käy selvästi ilmi, että salkun optimointi (portfolio optimization, PO) on alue, jota on tutkittu laajimmin MCDA:n tekniikoilla, nimittäin MO:lla ja GP:llä. Myös Steuer ja Na (2003) havaitsivat salkkuanalyysin olevan aktiivisin MCDA-rahoituksen tutkimusalue ennen vuotta 2002 (tosin he eivät erottaneet PO:ta ja varojen arviointia toisistaan). PO:n suosio voi johtua useista syistä. Se on monitahoinen ongelma, johon liittyy useita algoritmiikkaan ja mallintamiseen liittyviä haasteita (esim. riskien mallintaminen, erityyppiset tiedot, dynaaminen luonne jne.), ja se on merkityksellinen erilaisissa yhteyksissä, kuten osakesalkuissa ja rahastosalkuissa sekä muiden kuin rahoitusmarkkinoiden omaisuuserien (esim. energiamarkkinoiden ja hyödykkeiden) yhteydessä. Useimmat PO:lle ehdotetut MO/GP-mallit ovat perustuneet useiden riskimittareiden yhdistelmään (esim. vinous/kurtoosi, value at risk -mittarit, omega-suhde, systeemiriski jne.), ja niissä on usein otettu huomioon myös muita päämääriä ja tavoitteita (likviditeetti, osingot, hajautus jne.). EA/MH ovat olleet hyvin suosittuja myös PO:ssa, erityisesti käsiteltäessä ei-konveksaalisia salkunvalintaperusteita ja -malleja (esim. skewness/kurtoosi, value at risk) sekä tapauksissa, joissa analyysiin on lisätty reaalisia lisäominaisuuksia, kuten kardinaalisuusrajoituksia (Mansini, Ogryczak, & Speranza, 2014). Steuer (2013) erottaa PO:ssa kolmenlaisia MCDA-lähestymistapoja. A priori -lähestymistavat käyttävät ennalta määriteltyä tietoa päätöksentekijän (sijoittaja, salkunhoitaja) preferensseistä löytääkseen sopivimman tehokkaan salkun. GP-mallit käyttävät usein tällaista lähestymistapaa. A posteriori -lähestymistavat puolestaan keskittyvät tehokkaiden salkkujen koko joukon löytämiseen yhdellä ajokerralla ilman preferenssitietojen määrittelyä. EA/MH:ta käytetään tyypillisesti tässä kehyksessä, erityisesti monimutkaisemmissa tapauksissa, kuten edellä todettiin (yleiskatsaus EA/MH:sta PO:ssa, ks. Metaxiotis & Liagkouras, 2012). Viimeinen menettelyjen luokka perustuu vuorovaikutteisiin tekniikoihin, jotka mahdollistavat päätöksentekijän sijoituspolitiikkaa koskevan preferenssi-informaation asteittaisen artikuloinnin (ks. esimerkiksi Xidonas, Mavrotas, & Psarras, 2010a).

PO liittyy läheisesti muihin tässä tutkimuksessa tarkasteltuihin aihealueisiin, nimittäin omaisuuserien arviointiin, SRI-periaatteisiin (SRI = SRI = SRI = SRI = SRI = SRI = SRI = SRI = SRI = SRI = SRI = SRI = SRI = SRI = SRI = SRI = SRI = SRI = SRI & Psarras, 2010a. Yllättäen vain 12 julkaisua käsitteli salkunhoitoa integroidussa kehyksessä, jossa yhdistetään PO ja omaisuuserien arviointi (ks. muun muassa Kiris & Ustun, 2012, Pendaraki, Zopounidis, & Doumpos, 2005, Pérez-Gladish, Jones, Tamiz, & Bilbao Terol, 2007 ja Xidonas, Askounis, & Psarras, 2009a). Kaikissa näissä teoksissa tarkasteltiin omaisuuserien arviointiprosessia perustekijöiden kannalta, jotka usein toteutettiin rahastojen hallinnoinnin yhteydessä, käyttäen pääasiassa AHP/ANP:hen, OR:ään ja PDA:han perustuvia menetelmiä. MO- ja EA/MH-tekniikat ovat toisaalta olleet suosittuja myös omaisuuserien arvioinnissa, lähinnä algoritmisen kaupankäynnin ja teknisen analyysin yhteydessä (ks. muun muassa Bodas-Sagi, Fernández-Blanco, Hidalgo, & Soltero-Domingo, 2013, Chiam, Tan, & Al Mamun, 2009 ja Ng et al., 2014). On myös mielenkiintoista huomata, että puolet SRI:tä käsittelevistä julkaisuista (9 julkaisua 18:sta) sisältää myös PO-näkökohtia, ja kuudessa 18:sta SRI:tä käsittelevästä julkaisusta sosiaaliset näkökohdat otetaan huomioon osana omaisuuserien arviointiprosessia. Mielenkiintoista on, että yhtä lukuun ottamatta kaikki SRI-paperit on julkaistu vuosina 2009-2014, mikä osoittaa, että kyseessä on nouseva suuntaus finanssisijoituksissa ja salkunhoidossa.

Yllä mainittuja sijoituksiin liittyviä aiheita lukuun ottamatta myös luottoriskin arviointi ja konkurssin ennustaminen ovat olleet erittäin suosittuja aiheita, joita on käsitelty 108:ssa asiaan liittyvässä paperissa, kun taas Steuerin ja Na:n (2003) aiemmassa selvityksessä tätä alaa ei tunnistettu erilliseksi tutkimusaiheeksi. Tällä alalla on käytetty erilaisia menetelmiä, joista suosituimpia ovat MO, PDA, GP ja OR. Luottoriskin ja konkurssin ennustemallit rakennetaan yleensä olemassa olevista maksuhäiriöitä ja konkursseja koskevista tietokannoista (yritys- tai kuluttajatiedot). PDA-tekniikoissa käytetään yleisesti MO- ja GP-formulointeja päätöksentekomallien päättelemiseksi olemassa olevista tietoinstansseista Esimerkkejä löytyy muun muassa Doumposin ja Zopounidisin (2011), Pengin, Koun, Shin ja Chenin (2008) sekä Zhangin ja muiden (2014) töistä. Samankaltaisia tekniikoita on käytetty myös suurten luottoluokituslaitosten antamien luottoluokitusten analysointiin ja ennustamiseen, joita rahoituspäättäjät, sijoittajat ja sääntelyviranomaiset käyttävät laajasti (Doumpos, Niklis, Zopounidis, & Andriosopoulos, 2015; Doumpos & Pasiouras, 2005), kun taas muissa tutkimuksissa on keskitytty erikoistuneisiin malleihin esimerkiksi asuntolainojen ja merenkulun kaltaisille aloille (ks. muun muassa Ferreira, Santos, Marques, & Ferreira, 2014 ja Gavalas & Syriopoulos, 2014). On myös syytä huomata, että useissa tämän alan tutkimuksissa on tutkittu MCDA-menetelmien yhdistämistä tiedonlouhintamalleihin, kuten neuroverkkoihin, kernel-menetelmiin, tapauskohtaiseen päättelyyn ja klusterointialgoritmeihin. Tällaisia yhdistelmiä on tarkasteltu kolmessa päämuodossa: (a) MO/GP-mallien käyttäminen (usein EA/MH:n helpottamana) tiedonlouhintamallien kouluttamiseen (esim. Pendharkar & Nanda, 2006; Zhang et al., 2014), (b) tiedonlouhintamallien monimutkaisen rakenteen ja esityskyvyn käyttäminen tarkkojen monikriteeristen riskinarviointi- ja ennustejärjestelmien rakentamiseen (esim, Chen & Hu, 2011; Hu, 2009) ja (c) MCDA-tekniikoiden käyttäminen ennustemallien suorituskyvyn arviointiin (esim. Wu & Hsu, 2012).

Sovellukset pankkialalla ovat myös herättäneet huomattavaa kiinnostusta erityisesti vuosien 2007/2008 maailmanlaajuisen luottokriisin jälkeen. Tätä korostaa se, että pankkisovelluksia käsittelevistä 73 artikkelista 54 julkaistiin vuosina 2010-2014. Luottoriskin arvioinnin ja konkurssin ennustamisen tavoin pankkitoimintaa ei myöskään pidetty erillisenä tutkimusalueena Steuerin ja Na:n (2003) tutkimuksessa. Näin ollen pankkitoiminta on viime vuosikymmenen aikana noussut erityisen kiinnostavaksi alaksi MCDA-menetelmien soveltamisessa. Tällaisia pankkialalla sovellettavia menetelmiä ovat AHP/ANP (usein yhdistettynä sumeisiin malleihin) sekä PDA-, OR- ja GP-tekniikat. Sovellusaiheita ovat pankkien suorituskyvyn arviointi (esim, Doumpos & Zopounidis, 2010; Grigoroudis, Tsitsiridi, & Zopounidis, 2013; Ioannidis, Pasiouras, & Zopounidis, 2010; Shen & Tzeng, 2014a), omaisuuserien ja vastuiden hallinta (esim. Kosmidou & Zopounidis, 2007), pankkikonttoreiden hallinta (esim, Ferreira et al., 2010) ja sähköiset pankkipalvelut (esim. Hu & Liao, 2011; Kaya & Kahraman, 2011).

Samankaltaisia kysymyksiä on tarkasteltu myös pankkisektorin ulkopuolella muissa tutkimuksissa, joissa on keskitytty yritysten tuloksellisuuteen sellaisilla sektoreilla kuin kuljetus, maatalous, vakuutus, rakentaminen jne. Kuten taulukosta 5 käy ilmi, yritysten tuloksellisuuden arvioinnissa käytetyt menetelmät ovat varsin samankaltaisia kuin pankkisektorilla käytetyt menetelmät.

Muiden sovellusalueiden osalta on syytä huomata, että pääomabudjetoinnin ja rahoitussuunnittelun osalta tunnistimme vain 41 julkaisua, jotka on julkaistu vuodesta 2002 lähtien. Tämä on huomattava lasku verrattuna Steuerin ja Na:n (2003) tutkimukseen, jonka mukaan näitä alueita tutkittiin laajalti ennen vuotta 2002 (jolloin ne yhdessä olivat itse asiassa suositumpia kuin portfolioanalyysi).

Metodologisesta näkökulmasta MO on selvästi hallitseva lähestymistapa 273 julkaisullaan. Suurin osa MO:ta käyttävistä töistä liittyy PO:hon (188 tutkimusta), seuraavina tulevat omaisuuserien arviointi (31 tutkimusta) ja luottoriskin arviointi/ konkurssin ennustaminen (25 tutkimusta). Kuten taulukosta 6 käy ilmi, merkittävä osa MO:ta käyttävistä tutkimuksista yhdistää sen EA/MH-tekniikoihin (82 artikkelia), sumeisiin malleihin (35 tutkimusta) ja tiedonlouhinta-algoritmeihin (18 artikkelia).

AHP/ANP on ollut toiseksi suosituin lähestymistapa. Tämä on merkittävä lisäys verrattuna Steuerin ja Na:n (2003) aiempaan tutkimukseen, jossa todettiin, että vain pieni osa tutkimuksista perustui AHP:hen ennen vuotta 2002. Mielenkiintoista on, että AHP:hen/ANP:hen liittyvät artikkelit kattavat koko rahoitussovellusten kirjon, ja ne on usein yhdistetty sumeisiin malleihin ja muihin MCDA-tekniikoihin, erityisesti TOPSIS:iin.

Kuten MO, myös GP on ollut suosittu mallinnus- ja ratkaisukeino rahoituspäätösten tekemisessä PO:n ja luottoriskin/ konkurssin ennustamisen alalla. Pääomabudjetointi ja rahoitussuunnittelu ovat myös olleet suosittuja aiheita GP-mallien sovelluksille. Toisin kuin MO-malleja, GP:tä on kuitenkin harvemmin yhdistetty muihin lähestymistapoihin. Niistä sumeat mallit, DM ja PDA ovat olleet suosituimpia.

PDA on ollut suosituin lähestymistapa luottoriskin/konkurssiennustemalleissa. Tämä selittyy PDA-kehyksen luonteella, joka keskittyy päätöksentekomallien päättelyyn datasta. Tämä ominaisuus sopii hyvin luottoriskin mallintamisen ja rahoitusvaikeuksien ennustamisen kontekstiin. Tätä tarkoitusta varten PDA-kehys toteutetaan yleensä erilaisilla OR- ja MAUT-malleilla (esim. Bugera, Konno, & Uryasev, 2002; Doumpos, 2012; Doumpos & Zopounidis, 2011) tai yhdistettynä DM-tekniikoihin (Peng ym, 2008).

Muista tärkeimmistä MCDA-mallinnusmenetelmistä MAUT:ia on käytetty 36 tutkimuksessa, kun taas sääntöpohjaisia tekniikoita (esim. dominanssipohjaiset karkeat joukot; Greco, Matarazzo, & Slowinski, 2013; Shen & Tzeng, 2014b) on käytetty 13 julkaisussa. MAUT-sovellusten vähäisestä määrästä taloudelliseen päätöksentekoon verrattuna muihin lähestymistapoihin raportoivat myös Steuer ja Na (2003), jotka löysivät vain kahdeksan relevanttia julkaisua vuotta 2002 edeltävältä ajalta. Lopuksi on syytä huomata, että joissakin tutkimuksissa (yhteensä 15) on käytetty DEA:ta tietoon perustuvana monikriteerisenä arviointitekniikkana yhdistettynä perinteisiin MCDA-lähestymistapoihin, kuten MO:hon, GP:hen, AHP/ANP:hen ja TOPSIS:iin (Amiri, Zandieh, Vahdani, Soltani, & Roshanaei, 2010; Che, Wang, & Chuang, 2010; Yang, Wong, Xu, Liu, & Steuer, 2010). DEA tarjoaa kätevän lähestymistavan monikriteerisiin arviointeihin, joissa käytetään minimaalista informaatiota, koska arvioinnit perustuvat tietoihin. Kun DEA-pohjaisia arviointimalleja käytetään MCDA-kontekstissa, niihin liittyy kuitenkin metodologisia ongelmia (kattava keskustelu, ks. Bouyssou, 1999; Tofallis, 2010).