3.3 Tematy i metody
Artykuły w skompilowanej bazie danych obejmują różnorodne obszary związane z podejmowaniem decyzji finansowych i wykorzystują różne podejścia metodologiczne MCDA. Rozróżniając poszczególne tematy, wzięliśmy pod uwagę wszystkie trzy główne obszary finansów, w tym finanse przedsiębiorstw, inwestycje oraz rynki i instytucje finansowe. Na podstawie tych głównych obszarów zdefiniowano 12 podkategorii odpowiadających głównym obszarom badawczym pod względem obszarów zastosowania metodologii MCDA w podejmowaniu decyzji finansowych (artykuły związane z konkretnymi tematami zarządzania ryzykiem finansowym spoza 12 głównych kategorii zostały zaklasyfikowane do osobnej grupy). Główne obszary zidentyfikowane w tym badaniu obejmują:
–
Księgowość i audyt: chociaż księgowość i audyt są odrębnymi obszarami badawczymi od finansów, są one ściśle związane z wieloma decyzjami finansowymi, głównie w zakresie finansów przedsiębiorstw. Metody MCDA zostały wykorzystane do wspierania decyzji księgowych/audytowych i odpowiednich praktyk w obszarach takich jak rachunkowość kosztów (Cicone, Udaeta, Grimoni, & Galvão, 2008), rachunkowość zarządcza (Frezatti, Agiar, Guerreiro, & Gouvea, 2011), wykrywanie oszustw finansowych (Gaganis, 2009; Pasiouras, Gaganis, & Zopounidis, 2007), i kontroli audytu wewnętrznego (Sueyoshi, Shang, & Chiang, 2009), między innymi.
–
Ocena aktywów: ocena aktywów odnosi się do przesiewania, oceny i obrotu aktywów finansowych dla celów inwestycyjnych. Jest ona integralną częścią decyzji inwestycyjnych oraz wyboru i zarządzania portfelem, ale wymaga innych technik i narzędzi analitycznych opartych na dyskretnych metodach MCDA (w przeciwieństwie do modeli optymalizacyjnych stosowanych w procesie optymalizacji portfela; Xidonas, Mavrotas, Krintas, Psarras, & Zopounidis, 2012). Ocena aktywów jest zazwyczaj realizowana w kategoriach czynników fundamentalnych (zob. m.in. Albadvi, Chaharsooghi, & Esfahanipour, 2007, Sevastjanov & Dymova, 2009 oraz Xidonas, Mavrotas, & Psarras, 2009b), jak również w kontekście aktywnych strategii transakcyjnych opartych na wskaźnikach technicznych (np.., Huck, 2010; Ng, Liang, Li, Yeung, & Chan, 2014).
–
Bankowość: aplikacje bankowe obejmują szerokie spektrum obszarów związanych z zarządzaniem bankiem. Między innymi obejmują one wydajność i stabilność banków (Doumpos & Zopounidis, 2010), zarządzanie portfelem kredytowym i udzielanie kredytów, zarządzanie aktywami-pasywami (Kosmidou & Zopounidis, 2004), organizację sieci oddziałów bankowych (Bravo & Plà-Santamaria, 2012; Ferreira, Santos, & Rodrigues, 2010) oraz usługi bankowości elektronicznej (Hu & Liao, 2011).
–
Finanse energetyczne: w ciągu ostatnich kilku dekad nastąpił gwałtowny rozwój rynków energetycznych i towarowych. Odpowiednie zastosowania metod MCDA odnoszą się do zarządzania portfelem i handlu, ustalania cen, kwestii związanych z funkcjonowaniem rynku i tak dalej na rynkach energii i towarów.
–
Budżetowanie kapitałowe i planowanie finansowe: budżetowanie kapitałowe i planowanie finansowe stanowią główne obszary badań w finansach, jak również w naukach o zarządzaniu. Metody MCDA zostały wykorzystane do projektowania alokacji budżetowych i planów finansowych zarówno w sektorze prywatnym (Frezatti i in., 2011), jak i w sektorze publicznym (Gómez, Ríos Insua, Lavín, & Alfaro, 2013), a także dla osób fizycznych (Cai & Ge, 2012).
–
Analiza wyników finansowych przedsiębiorstw: ocena wyników finansowych przedsiębiorstw była popularnym tematem badań z kilkoma zastosowaniami MCDA, które pozwalają na agregację wielu atrybutów wyników (finansowych i niefinansowych) przy jednoczesnym uwzględnieniu szczególnych cech różnych sektorów biznesowych (budownictwo, transport, opieka zdrowotna, rolnictwo itp.; Iazzolino, Laise, & Marraro, 2012).
–
Analiza ryzyka kraju: ryzyko kraju odnosi się do prawdopodobieństwa, że dany kraj napotka trudności w wypełnianiu swoich zobowiązań dłużnych wobec wierzycieli. Znaczenie tego typu analizy wzrosło w ciągu ostatnich dziesięcioleci, ponieważ kryzysy finansowe spowodowały poważne zawirowania w różnych krajach, z najnowszym kryzysem zadłużeniowym w Europie. Techniki MCDA zostały wykorzystane do wspierania prognozowania gospodarczego (Blair, Mandelker, Saaty, & Whitaker, 2010), do konstruowania złożonych wskaźników ryzyka kraju (Kosmidou, Doumpos, & Zopounidis, 2008) oraz do zarządzania długiem publicznym (Balibek & Köksalan, 2010).
–
Ocena ryzyka kredytowego i przewidywanie upadłości: podobnie jak w przypadku ryzyka kraju, ocena ryzyka kredytowego i przewidywanie upadłości odnoszą się do prawdopodobieństwa, że firmy lub osoby fizyczne nie wywiążą się ze swoich długów. Rosnąca liczba przypadków niewywiązania się ze zobowiązań spowodowana niedawnym kryzysem kredytowym pokazała, że w tej dziedzinie jest jeszcze wiele do zrobienia. Metody MCDA są wykorzystywane jako nieparametryczne techniki wnioskowania o ryzyku kredytowym i modelach predykcji bankructwa na podstawie danych, często wspomagane programowaniem celów, technikami wieloprzedmiotowymi i algorytmami ewolucyjnymi lub w połączeniu z algorytmami eksploracji danych. Niektóre przykłady można znaleźć między innymi w pracach Doumposa (2012), He, Zhang, Shi, i Huang (2010), Yu, Wang, i Lai (2009), oraz Zhang, Gao, i Shi (2014).
–
Ocena inwestycji: decyzje inwestycyjne stanowią główną część teorii i praktyki finansów przedsiębiorstw. Teoria finansowa opiera się na ustalonych kryteriach oceny finansowej (np. wartość bieżąca netto, wewnętrzna stopa zwrotu, okres zwrotu itp.) W otoczeniu wielokryterialnym perspektywa finansowa zostaje wzbogacona o nowe czynniki w szerszym otoczeniu interesariuszy (De Brucker, Macharis, & Verbeke, 2013), jak również poprzez wprowadzenie formalnych modeli do modelowania preferencji i analizy ryzyka (Vlaev, Chater, & Stewart, 2008).
–
Fuzje i przejęcia: fuzje i przejęcia (M&As) są inwestycjami strategicznymi, które mogą ułatwić wzrost korporacji poprzez wykorzystanie korzyści skali i efektów synergii. Ich boom przypadał na lata 80. i 90. ubiegłego wieku, natomiast w latach 2000 obserwuje się pewne tendencje stabilizacyjne. Metody MCDA zostały wykorzystane do projektowania aliansów strategicznych, wspierania identyfikacji transakcji i celów M&A oraz do oceny wyników M&As (patrz, Korhonen & Voutilainen, 2006, Lee, 2013, oraz Pasiouras, Gaganis, & Zopounidis, 2010, między innymi).
–
Inwestycje społecznie odpowiedzialne (SRI): według Eurosif’s Global Sustainable Investment Review 2014, rynek inwestycji zrównoważonych przekroczył 21 bilionów dolarów w skali globalnej, stanowiąc ponad 30% profesjonalnie zarządzanych aktywów. MCDA została zastosowana do rozszerzenia tradycyjnych modeli inwestycyjnych ryzyko-zwrot poprzez wprowadzenie niefinansowych kryteriów SRI (zob. m.in. Ballestero, Bravo, Pérez-Gladish, Arenas-Parra, & Plà-Santamaria, 2012 oraz Bilbao-Terol, Arenas-Parra, & Cañal Fernández, 2012) oraz jako narzędzie do analizy i wyjaśnienia procesu SRI (Utz, Wimmer, Hirschberger, & Steuer, 2014).
–
Optymalizacja portfela: optymalizacja portfela odnosi się do alokacji środków do zestawu wybranych aktywów finansowych (akcje, fundusze, aktywa o stałym dochodzie itp.). W tradycyjnym ujęciu średniowariancyjnym, alokacja jest sformułowana jako model optymalizacji dwuprzedmiotowej ryzyko-zwrot. Jak wyjaśniono w sekcji 2, w ciągu ostatnich dwóch dekad dokonano kilku postępów w zakresie wprowadzenia nowych spójnych miar ryzyka. Wielowymiarowa natura ryzyka (Doumpos & Zopounidis, 2014) dała początek sformułowaniom programowania wieloprzedmiotowego i programowania celów, które pozwalają na agregację wielu miar wyboru portfela, a dalej umożliwiają uwzględnienie dodatkowych cech rzeczywistych (dywersyfikacja, płynność, dywidendy itp.; Steuer, Qi, & Hirschberger, 2007).
W zakresie podejść metodologicznych rozważamy cztery główne nurty badań nad MCDA (Pardalos, Siskos, & Zopounidis, 1995), w tym optymalizację wielopodmiotową (MO), teorię użyteczności wielu atrybutów (MAUT), relacje outrankingowe (OR) oraz analizę dezagregacji preferencji (PDA). Poza tymi głównymi obszarami badań MCDA rozważane są również dalsze kategorie reprezentujące poszczególne rodzaje modeli decyzyjnych i technik analizy, a mianowicie programowanie celów (GP), algorytmy ewolucyjne/metaheurystyki (EA/MH), modele rozmyte, modele oparte na regułach (RBM), a także popularne metody, takie jak AHP (w tym ANP) i TOPSIS. Ponadto, bierzemy pod uwagę inne metody i podejścia (np. modele specyficzne dla danego przypadku i inne techniki, takie jak DEMATEL, VIKOR, analiza szarych relacji itp.; wszystkie one są przypisane do jednej głównej kategorii oznaczonej jako „inne”), jak również kombinacje z analizą obwiedni danych (DEA) i technikami eksploracji danych (DM) (wyłączając prace czysto DEA/DM).
Tabela 5. Publikacje według obszaru tematycznego i podejścia metodologicznego.
| MO | AHP | GP | EA/MH | Fuzzy | PDA | OR | DM | MAUT | TOPSIS | DEA | RBM | Inne | Ogółem | |||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Optymalizacja portfela | 188 | 11 | 48 | 64 | 30 | 1 | 6 | 2 | 5 | 2 | 2 | 1 | 11 | 262 | ||
| Ryzyko kredytowe/bankructwo | Kredyt ryzyko/bankructwo | 25 | 18 | 25 | 5 | 8 | 27 | 13 | 21 | 10 | 10 | 3 | 5 | 8 | 108 | |
| Ocena aktywów | 31 | 17 | 7 | 20 | 10 | 8 | 10 | 5 | 4 | 4 | 2 | 0 | 10 | 78 | ||
| Bankowość | 9 | 27 | 9 | 2 | 16 | 11 | 8 | 2 | 5 | 8 | 5 | 4 | 8 | 73 | ||
| Wydajność przedsiębiorstwa | 3 | 16 | 4 | 1 | 17 | 5 | 9 | 1 | 1 | 11 | 1 | 3 | 9 | 51 | ||
| Budg. & fin. planowanie | 13 | 12 | 15 | 2 | 2 | 0 | 2 | 1 | 4 | 0 | 1 | 1 | 0 | 3 | 42 | |
| Wycena inwestycyjna | 7 | 22 | 3 | 0 | 9 | 0 | 0 | 1 | 2 | 7 | 1 | 0 | 7 | 41 | ||
| SRI | 5 | 3 | 8 | 1 | 1 | 0 | 0 | 0 | 2 | 0 | 1 | 0 | 1 | 18 | ||
| Księgowość/audyt | 2 | 6 | 0 | 1 | 2 | 8 | 0 | 2 | 0 | 0 | 1 | 1 | 1 | 1 | 0 | 17 |
| Ryzyko kraju | 4 | 4 | 0 | 1 | 0 | 4 | 2 | 2 | 0 | 2 | 1 | 0 | 1 | 1 | 17 | |
| Finanse energetyczne | 7 | 2 | 0 | 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 | ||
| Other risk mgmt | 6 | 8 | 3 | 1 | 2 | 1 | 1 | 1 | 2 | 2 | 1 | 0 | 0 | 1 | 22 | |
| Ogółem | 273 | 124 | 103 | 92 | 89 | 57 | 45 | 36 | 33 | 15 | 13 | 54 |
Tabela 6. Artykuły wykorzystujące kombinacje (pary) metod.
| DEA | DM | EA/MH | Fuzzy | GP | MAUT | MO | OR | PDA | RBM | TOPSIS | Other | ||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| AHP | 5 | 6 | 1 | 32 | 6 | 3 | 2 | 2 | 1 | 2 | 15 | 14 | |||
| DEA | 1 | 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 | 3 | 3 | 8 | 0 | 7 | 1 | 2 | 1 | ||||||
| MAUT | 4 | 2 | 8 | 1 | 0 | 2 | |||||||||
| MOP | 0 | 5 | 2 | 1 | 3 | ||||||||||
| OR | 8 | 1 | 2 | 3 | |||||||||||
| PDA | 2 | 0 | 0 | 2 | |||||||||||
| RBM | 1 | 1 | |||||||||||||
| TOPSIS | 4 |
Tabela 5 zawiera listę wszystkich rozważanych obszarów zastosowań i podejść metodologicznych, wraz z liczbą prac we wszystkich kombinacjach tych dwóch wymiarów. Ostatnia kolumna tabeli przedstawia liczbę prac w każdym obszarze zastosowań, podczas gdy ostatni wiersz pokazuje liczbę prac w każdym podejściu metodologicznym MCDA. Należy zauważyć, że sumy te nie są równe sumom wierszy i kolumn, ponieważ artykuł może odnosić się do wielu obszarów zastosowań finansowych i wykorzystywać kombinację metod i podejść MCDA. Tabela 6 zawiera dalsze szczegóły dotyczące kombinacji metod, które zostały wykorzystane. Tabela przedstawia liczbę artykułów wykorzystujących różne pary podejść (koncentrujemy się na parach, ponieważ zdecydowana większość artykułów – około 90% – wykorzystywała co najwyżej dwie metody).
Podsumowanie wyników wyraźnie wskazuje, że optymalizacja portfela (PO) jest obszarem, który był najszerzej badany przy użyciu technik MCDA, a mianowicie MO i GP. Steuer i Na (2003) również uznali analizę portfelową za najbardziej aktywny obszar badań MCDA-finanse w okresie przed 2002 rokiem (choć nie rozróżniali PO i wyceny aktywów). Popularność PO może wynikać z kilku powodów. Jest to wieloaspektowy problem, który stawia szereg wyzwań algorytmicznych i modelowych (np. modelowanie ryzyka, dane różnego typu, dynamiczny charakter, itp.), i jest istotny w różnych kontekstach, w tym w kontekście portfeli akcji i portfeli funduszy, jak również w kontekście aktywów z rynków niefinansowych (np. rynków energii i towarów). Większość modeli MO/GP zaproponowanych dla PO opiera się na kombinacji wielu miar ryzyka (np. skośność/kurtoza, miary wartości zagrożonej, współczynnik omega, ryzyko systemowe itp.), często uwzględniając dodatkowe cele i zadania (płynność, dywidendy, dywersyfikacja itp.). EA/MH cieszą się również dużą popularnością w PO, szczególnie gdy mamy do czynienia z niewypukłymi kryteriami i modelami wyboru portfela (np. skewness/kurtosis, value at risk), jak również w przypadkach, gdy w analizie dodawane są dodatkowe cechy rzeczywiste, takie jak ograniczenia kardynalności (Mansini, Ogryczak, & Speranza, 2014). Steuer (2013) rozróżnia trzy rodzaje podejść MCDA w PO. Podejścia a priori wykorzystują z góry określone informacje o preferencjach decydenta (inwestora, zarządzającego portfelem) w celu znalezienia najbardziej odpowiedniego efektywnego portfela. Modele GP często stosują takie podejście. Podejścia a posteriori, z drugiej strony, koncentrują się na znalezieniu pełnego zestawu efektywnych portfeli w pojedynczym przebiegu, nie wymagając specyfikacji danych preferencyjnych. EA/MH są zwykle stosowane w tych ramach, szczególnie w bardziej złożonych przypadkach, jak zauważono powyżej (przegląd EA/MH w PO, patrz Metaxiotis & Liagkouras, 2012). Ostatnia klasa procedur oparta jest na technikach interaktywnych, które pozwalają na stopniową artykulację preferencyjnych informacji o polityce inwestycyjnej decydenta (patrz, na przykład, Xidonas, Mavrotas, & Psarras, 2010a).
PO jest ściśle związana z innymi obszarami tematycznymi rozważanymi w tym badaniu, a mianowicie z oceną aktywów, SRI i finansami energetycznymi. Zaskakująco, tylko 12 publikacji dotyczyło zarządzania portfelem w zintegrowanych ramach, które łączą PO i ocenę aktywów (patrz, Kiris & Ustun, 2012, Pendaraki, Zopounidis, & Doumpos, 2005, Pérez-Gladish, Jones, Tamiz, & Bilbao Terol, 2007, i Xidonas, Askounis, & Psarras, 2009a, między innymi). Wszystkie te prace rozważały proces oceny aktywów pod kątem czynników fundamentalnych, często realizowanych w kontekście zarządzania funduszami, z wykorzystaniem metodologii opartych głównie na AHP/ANP, OR i PDA. Z kolei techniki MO i EA/MH również zyskały popularność w zakresie oceny aktywów, głównie w kontekście handlu algorytmicznego i analizy technicznej (patrz, m.in. Bodas-Sagi, Fernández-Blanco, Hidalgo, & Soltero-Domingo, 2013, Chiam, Tan, & Al Mamun, 2009 oraz Ng et al., 2014). Interesujące jest również to, że połowa opracowań dotyczących SRI (9 z 18 opracowań) uwzględnia również aspekty PO, a sześć z 18 opracowań dotyczących SRI bierze pod uwagę aspekty społeczne jako część procesu oceny aktywów. Co ciekawe, wszystkie z wyjątkiem jednej pracy na temat SRI zostały opublikowane w okresie od 2009 do 2014 roku, co wskazuje, że jest to wschodzący trend w inwestycjach finansowych i zarządzaniu portfelem.
Poza powyższymi tematami związanymi z inwestycjami, ocena ryzyka kredytowego i przewidywanie bankructwa również były bardzo popularnymi tematami, z 108 odpowiednimi pracami, podczas gdy w poprzednim badaniu Steuer i Na (2003) obszar ten nie został zidentyfikowany jako odrębny przedmiot badań. W tym obszarze zastosowano wiele różnych metodologii, z których najpopularniejsze to MO, PDA, GP i OR. Modele predykcji ryzyka kredytowego i bankructwa są zazwyczaj konstruowane na podstawie istniejących baz danych o niewypłacalności i bankructwach (dane korporacyjne lub konsumenckie). Techniki PDA powszechnie wykorzystują formuły MO i GP do wnioskowania o modelach decyzyjnych z istniejących instancji danych. Przykłady można znaleźć m.in. w pracach Doumpos i Zopounidis (2011), Peng, Kou, Shi i Chen (2008) oraz Zhang et al. (2014). Podobne techniki zostały również wykorzystane do analizy i przewidywania ratingów kredytowych wystawianych przez główne agencje ratingowe, które są szeroko wykorzystywane przez decydentów finansowych, inwestorów i regulatorów (Doumpos, Niklis, Zopounidis, & Andriosopoulos, 2015; Doumpos & Pasiouras, 2005), podczas gdy inne badania skupiły się na specjalistycznych modelach dla takich obszarów, jak kredyty hipoteczne i żegluga (zob. m.in. Ferreira, Santos, Marques, & Ferreira, 2014 oraz Gavalas & Syriopoulos, 2014). Warto również zauważyć, że w kilku badaniach w tym obszarze eksplorowano kombinacje metod MCDA z modelami eksploracji danych, takimi jak sieci neuronowe, metody jądrowe, rozumowanie oparte na przypadkach oraz algorytmy klasteryzacji. Takie kombinacje były rozważane w trzech głównych formach: (a) wykorzystanie modeli MO/GP (często ułatwionych przez EA/MH) do szkolenia modeli eksploracji danych (np. Pendharkar & Nanda, 2006; Zhang et al., 2014), (b) wykorzystanie złożonej struktury i mocy reprezentacji modeli eksploracji danych do konstruowania dokładnych wielokryterialnych systemów oceny i predykcji ryzyka (np., Chen & Hu, 2011; Hu, 2009), oraz (c) wykorzystanie technik MCDA do oceny wydajności modeli predykcyjnych (np., Wu & Hsu, 2012).
Zastosowania w bankowości również wzbudziły duże zainteresowanie, szczególnie po globalnym kryzysie kredytowym z lat 2007/2008. Podkreśla to fakt, że 54 z 73 prac dotyczących aplikacji bankowych zostało opublikowanych od 2010 do 2014 roku. Podobnie jak w przypadku oceny ryzyka kredytowego i predykcji bankructwa, również w badaniu Steuera i Na (2003) bankowość nie była traktowana jako odrębny obszar badawczy. Dlatego też w ostatniej dekadzie bankowość pojawiła się jako obszar szczególnego zainteresowania zastosowaniem metod MCDA. Do takich metod stosowanych w sektorze bankowym należą AHP/ANP (często w połączeniu z modelami rozmytymi), a także techniki PDA, OR i GP. Tematyka zastosowań obejmuje ocenę wyników działalności banków (np, Doumpos & Zopounidis, 2010; Grigoroudis, Tsitsiridi, & Zopounidis, 2013; Ioannidis, Pasiouras, & Zopounidis, 2010; Shen & Tzeng, 2014a), zarządzanie aktywami i pasywami (np. Kosmidou & Zopounidis, 2007), zarządzanie oddziałami bankowymi (np.., Ferreira et al., 2010), oraz usług bankowości elektronicznej (np. Hu & Liao, 2011; Kaya & Kahraman, 2011), między innymi.
Podobne zagadnienia były również rozpatrywane poza sektorem bankowym w innych badaniach, które koncentrowały się na wynikach przedsiębiorstw w takich sektorach, jak transport, rolnictwo, ubezpieczenia, budownictwo itp. Jak wynika z tabeli 5, metody wykorzystywane do oceny wyników przedsiębiorstw są dość podobne do tych stosowanych w sektorze bankowym.
Jeśli chodzi o inne obszary zastosowań, warto zauważyć, że w przypadku budżetowania kapitałowego i planowania finansowego zidentyfikowaliśmy tylko 41 prac opublikowanych od 2002 roku. Jest to zauważalny spadek w porównaniu z badaniem Steuer i Na (2003), którzy stwierdzili, że obszary te były szeroko badane w okresie przed 2002 r. (kiedy łącznie były one faktycznie bardziej popularne niż analiza portfelowa).
Z metodologicznego punktu widzenia, MO jest wyraźnie dominującym podejściem z 273 pracami. Najwięcej prac wykorzystujących MO dotyczy PO (188 prac), następnie wyceny aktywów (31 prac) oraz oceny ryzyka kredytowego/prognozowania bankructwa (25 prac). Jak wynika z tabeli 6, znaczna część prac wykorzystujących MO łączy ją z technikami EA/MH (82 prace), modelami rozmytymi (35 prac) oraz algorytmami eksploracji danych (18 prac).
AHP/ANP jest drugim pod względem popularności podejściem. Jest to znaczący wzrost w porównaniu z poprzednim badaniem przeprowadzonym przez Steuer i Na (2003), którzy stwierdzili, że tylko niewielka liczba badań opierała się na AHP przed 2002 rokiem. Co ciekawe, prace związane z AHP/ANP obejmują całe spektrum zastosowań finansowych, często w połączeniu z modelami rozmytymi i innymi technikami MCDA, zwłaszcza TOPSIS.
Podobnie jak MO, GP jest również popularnym podejściem do modelowania i rozwiązywania decyzji finansowych w PO i przewidywaniu ryzyka kredytowego/upadłości. Budżetowanie kapitałowe i planowanie finansowe są również popularnymi tematami zastosowań modeli GP. Jednakże, w przeciwieństwie do modeli MO, GP rzadziej łączono z innymi podejściami. Wśród nich najpopularniejsze są modele rozmyte, DM i PDA.
PDA jest najbardziej popularnym podejściem dla modeli predykcji ryzyka kredytowego/upadłości. Wynika to z charakteru struktury PDA, która koncentruje się na wnioskowaniu o modelach decyzyjnych na podstawie danych. Ta cecha dobrze pasuje do kontekstu modelowania ryzyka kredytowego i przewidywania trudności finansowych. W tym celu, ramy PDA są zwykle implementowane z różnymi modelami OR i MAUT (np. Bugera, Konno, & Uryasev, 2002; Doumpos, 2012; Doumpos & Zopounidis, 2011) lub w połączeniu z technikami DM (Peng i in., 2008).
Pośród innych głównych podejść do modelowania MCDA, MAUT wykorzystano w 36 badaniach, natomiast techniki oparte na regułach (np. dominance-based rough sets; Greco, Matarazzo, & Słowiński, 2013; Shen & Tzeng, 2014b) wykorzystano w 13 publikacjach. Niewielką liczbę zastosowań MAUT w podejmowaniu decyzji finansowych w porównaniu z innymi podejściami odnotowali również Steuer i Na (2003), którzy w okresie przed 2002 rokiem znaleźli tylko osiem istotnych publikacji. Wreszcie, warto zauważyć, że niektóre badania (15 ogółem) wykorzystały DEA jako opartą na danych technikę oceny wielokryterialnej w połączeniu z tradycyjnymi podejściami MCDA, takimi jak MO, GP, AHP/ANP i TOPSIS (Amiri, Zandieh, Vahdani, Soltani, & Roshanaei, 2010; Che, Wang, & Chuang, 2010; Yang, Wong, Xu, Liu, & Steuer, 2010). DEA zapewnia wygodne podejście do wielokryterialnych ocen z wykorzystaniem minimalnej ilości informacji, ponieważ oceny są dokonywane na podstawie danych. Jednakże, w przypadku zastosowania w kontekście MCDA, modele oceny oparte na DEA podlegają problemom metodologicznym (obszerna dyskusja: Bouyssou, 1999; Tofallis, 2010).
Dodaj komentarz