Het gebruik van tekstuele analyse om de materialiteit van risico factoren in bedrijfsrapporten te beoordelen

Het toenemende aantal faillissementen van bedrijven in de afgelopen jaren heeft organisaties ertoe aangezet hun risico's beter te beheersen. Een aanpak die in deze periode meer bekendheid heeft gekregen, is Enterprise Risk Management (ERM), een proces dat is ontworpen om bedrijfsrisico's te identificeren en te beheersen en ervoor te zorgen dat ze consistent zijn met bedrijfsstrategieën en risicobereidheid. Verschillende onderzoeken naar ERM-praktijken benadrukken de primaire rol en verantwoordelijkheid van de CFO bij de bedrijfsbrede implementatie van ERM, aangezien dit de operationele en strategische besluitvorming vergemakkelijkt. Verder heeft recent onderzoek van Cohen et al. (2017) een nieuw licht geworpen op het verband tussen ERM en de kwaliteit van het proces van financiële verslaggeving, wat suggereert dat dit laatste de financiële status van de onderneming (bijv. waarderingen, schattingen) en haar risicobeoordelingsactiviteiten moet weerspiegelen.

Dit doctoraat heeft tot doel te onderzoeken hoe de mate waarin bedrijven hun ERM-activiteiten weergeven in hun financiële verslaggevingsproces hun latere bedrijfsprestaties en -waarde beïnvloedt door een reeks verfijndere NLP-analysetechnieken toe te passen. Meer specifiek probeert dit doctoraat, door talloze financiële rapporten van bedrijven met een tekstalgoritme / regressiemodel te analyseren, de impact van de investering van de CFO in ERM op de bedrijfsresultaten van de onderneming (uit financieel, markt en aandeelhoudersstandpunt) te meten.

Hoewel in de informatica en corpuslinguïstiek ontwikkelde methoden voor natuurlijke taalverwerking (NLP) op grote schaal worden toegepast op gebieden als geneeskunde en onderwijs, is de opname in het domein van de financiële verslaggeving verrassend traag verlopen. Literatuur in accounting and finance heeft alleen het oppervlak van tekstuele analysecapaciteiten overschaduwd, vertrouwend op basale NLP-technieken zoals analyse op woordniveau door middel van bag-of-words benaderingen (bijv. woordenboekmethoden, leesbaarheid en complexiteitsmethoden, tekstovereenkomst). Zoals eerder vermeld, om corpora te analyseren en inhoud te categoriseren die de materialiteit van ERM in financiële rapporten en de daaropvolgende impact op de gezondheid van bedrijven zou kunnen aangeven, is deze studie vastberaden om geavanceerdere NLP-methoden te implementeren zoals Topic Identification via Latent Dirichlet Allocation (LDA) en Latent Semantic Analysis (LSA) en op basis van gegevensgestuurde en statistische tekstclassificatie door middel van neurale netwerken en machine learning. Bovendien zouden alternatieve classificatiemethoden, variërend van Random Forest en Fisher's Linear Discriminant tot vectormachines (SVM), kunnen gebruikt worden in plaats van uitsluitend te focussen op supervised generatieve classificatie via naïve Bayes.