DOI: https://doi.org/10.5267/j.jpm.2025.12.006
تاريخ النشر: 2026-01-01
المؤلف: Gihan M. Ali
الموضوع الرئيسي: الاستثمار الرأسمالي وتحليل المخاطر
نظرة عامة
تدرس هذه الدراسة تأثير قابلية قراءة التقرير السنوي على تكلفة رأس المال (COE) في سوق مصر الناشئة. باستخدام نموذج تجميعي غير متجانس جديد يدمج الانحدار المعزز بالتدرج (GBR)، وغابة عشوائية (RF)، والانحدار المعزز المتطرف (XGBoost)، والشبكة المرنة من خلال استراتيجية التصويت المتوسط، تُظهر الأبحاث أداءً تنبؤيًا متفوقًا مقارنةً بالانحدار الخطي التقليدي وطرق التعلم الآلي الأخرى. حقق النموذج التجميعي قيمة R² تبلغ 0.2538، ومتوسط الخطأ التربيعي (MSE) يبلغ 0.0078، ومتوسط الخطأ المطلق (MAE) يبلغ 0.0656، وجذر متوسط الخطأ التربيعي (RMSE) يبلغ 0.0885، مما يدل على فعاليته في التقاط العلاقات غير الخطية المعقدة بين المحددات المالية والنصية.
تكشف النتائج أن المتغيرات المالية، ولا سيما نسبة السوق إلى الدفتر (MTB) والعائد على حقوق الملكية (ROE)، لها تأثير أكبر في التنبؤ بـ COE مقارنةً بمقاييس القابلية للقراءة، التي كان لها تأثير ضئيل. يتناقض هذا مع الدراسات السابقة التي تشير إلى وجود علاقة سلبية بين القابلية للقراءة وتكاليف رأس المال، ربما بسبب عدم الكفاءة في السوق المصري حيث يفضل المستثمرون المقاييس المالية على الإفصاحات النوعية. تساهم هذه الأبحاث في فهم محددات COE في الأسواق الناشئة وتؤكد على فائدة تقنيات التعلم الآلي المتقدمة في التنبؤ المالي. كما تسلط الضوء على الحاجة إلى تحسين الإفصاحات السردية لتعزيز ثقة أصحاب المصلحة وكفاءة السوق، مما يشير إلى أن الأبحاث المستقبلية يمكن أن تستكشف متغيرات سردية إضافية وتوسع حجم العينة لتطبيق أوسع.
مقدمة
تؤكد مقدمة ورقة البحث على أهمية تكلفة رأس المال (COE) كمقياس حيوي لاتخاذ القرارات المؤسسية، والتقييم، وتقييم الأداء. تسلط الضوء على الأهمية المتزايدة للإبلاغ السردي، ولا سيما قابلية قراءة التقارير السنوية، في التأثير على تصورات المستثمرين وتكاليف رأس المال. أنتجت الدراسات السابقة نتائج مختلطة بشأن العلاقة بين الإفصاحات السردية وCOE، حيث اقترح البعض أن التقارير الأقل قابلية للقراءة تؤدي إلى تكاليف اقتراض أعلى بسبب زيادة عدم تماثل المعلومات، بينما لم تجد دراسات أخرى علاقة ذات دلالة في سياقات مختلفة، مثل السوق الأمريكية. تهدف هذه الدراسة إلى سد الفجوة في الأدبيات من خلال فحص تأثير قابلية قراءة التقرير السنوي على COE في السوق المصري، باستخدام عينة من 75 شركة غير مالية من 2016 إلى 2019.
لزيادة دقة التنبؤ بتقدير COE، تقدم الأبحاث نموذج تجميعي غير متجانس قابل للتفسير يدمج تقنيات تعلم آلي متعددة، بما في ذلك الانحدار المعزز بالتدرج، والغابة العشوائية، والانحدار المعزز المتطرف، والشبكة المرنة. تعالج هذه المقاربة قيود النماذج الإحصائية التقليدية من خلال أخذ التفاعلات غير الخطية بين المتغيرات في الاعتبار. تكشف النتائج أن النموذج المقترح يتفوق بشكل كبير على الطرق التقليدية في التنبؤ بـ COE، محققًا أعلى قيمة R-squared (0.2538) وأدنى مقاييس خطأ. ومن الجدير بالذكر أن تضمين مقاييس القابلية للقراءة لا يحسن بشكل كبير من القوة التنبؤية، مما يدل على أن المتغيرات المالية مثل نسبة السوق إلى الدفتر والعائد على حقوق الملكية هي مؤشرات أكثر أهمية لـ COE في السياق المصري. يتم توضيح هيكل الدراسة، مع تخصيص الأقسام اللاحقة لنظريات الإفصاح المؤسسي، والمنهجية، والنتائج، والاستنتاجات.
الطرق
في قسم الطرق، يوضح المؤلفون نهجهم لتقييم النموذج المقترح لتوقع تكلفة رأس المال (COE). تبدأ التحليلات بفحص وصفي لمتغيرات الدراسة، تليها تقييم أداء النموذج المقترح مقارنةً بمختلف الخوارزميات. تُصنف النماذج إلى أربع مجموعات: (1) نماذج الانحدار الخطي، (2) نماذج التعلم الآلي (ML)، (3) المتعلمين الأساسيين للنموذج التجميعي المقترح، و(4) النموذج المقترح بدون مقاييس القابلية للقراءة.
يؤكد القسم على تحليل مقارن يبرز أداء النموذج المقترح مقابل كل من الانحدار الخطي ونماذج التعلم الآلي المتقدمة. بالإضافة إلى ذلك، يتم تقديم رؤى حول أهمية الميزات لدعم اتخاذ القرارات المستنيرة، بينما تُستخدم قيم SHAP (SHapley Additive exPlanations) لتعزيز قابلية تفسير النموذج، مما يضمن أن أصحاب المصلحة يمكنهم فهم مساهمات الميزات الفردية في تنبؤات النموذج.
النتائج
استخدمت نتائج الدراسة قيم شابلي لتفسير دقة التنبؤ لنموذجين لتقدير تكلفة رأس المال (COE) في السوق المصري. كشفت التحليلات أن الميزات الأكثر أهمية – العائد على حقوق الملكية (ROE)، والخسارة (LOSS)، ونسبة السوق إلى الدفتر (MTB)، والمساهمون الكبار، وحجم الشركة (SIZE) – كانت متسقة عبر كلا النموذجين، مما يدل على عدم أهمية مقاييس القابلية للقراءة في تقدير COE. يتناقض هذا الاكتشاف مع الأبحاث السابقة في أسواق أخرى، حيث وُجد أن الإفصاحات السردية تؤثر بشكل كبير على تصورات المستثمرين وتكاليف رأس المال. تسلط الدراسة الضوء على أنه في مصر، يبدو أن المستثمرين يفضلون المقاييس المالية الكمية على الإفصاحات النوعية عند تقييم مخاطر الشركات.
علاوة على ذلك، تؤكد الأبحاث على قيود النماذج الإحصائية التقليدية في التقاط العلاقات المعقدة وغير الخطية بين الإفصاحات المالية والسردية. أظهر النموذج التجميعي المستخدم في هذه الدراسة، الذي يدمج الغابة العشوائية، وXGBoost، والانحدار المعزز بالتدرج، والشبكة المرنة، أداءً متفوقًا مقارنةً بنماذج الانحدار الخطي التقليدية، محققًا مقاييس مثل $R^2 = 0.2538$ و$MSE = 0.0078$. تشير هذه النتائج إلى أن تقنيات التعلم الآلي المتقدمة قد توفر تقديرات أكثر موثوقية لـ COE، لا سيما في الأسواق الناشئة حيث قد تؤدي عدم الكفاءة المؤسسية إلى تشويه أهمية الإفصاحات النوعية. بشكل عام، تؤكد الدراسة على الحاجة إلى مقاربات محددة للسياق لفهم ديناميكيات تكاليف رأس المال وسلوك المستثمرين في بيئات السوق المختلفة.
المناقشة
تستكشف قسم المناقشة في ورقة البحث العلاقة المعقدة بين الإفصاحات السردية، ولا سيما قابلية قراءة التقارير السنوية، وتكلفة رأس المال. تؤكد على أهمية الإبلاغ السردي في تعزيز ثقة أصحاب المصلحة وزيادة الشفافية المؤسسية. تشير الأدبيات إلى أنه بينما يمكن أن توفر الإفصاحات السردية فهمًا أكثر دقة لأداء الشركة، فإن جودتها تختلف بشكل كبير عبر الشركات والمناطق. أظهرت الدراسات أن تحسين قابلية القراءة في التقارير السنوية يرتبط بزيادة ثقة أصحاب المصلحة، مما يمكن أن يؤدي إلى انخفاض تكاليف رأس المال. على سبيل المثال، تسلط الأبحاث التي أجراها لي وآخرون (2024) الضوء على أن ضعف قابلية القراءة يعيق الوصول إلى تمويل ائتمان التجارة، لا سيما في الثقافات ذات السياق العالي مثل الصين، بينما يجادل بيكر وكاري (1992) بأن التقارير القابلة للقراءة تقلل من عدم اليقين بالنسبة لأصحاب المصلحة.
يستعرض القسم أيضًا نظريات الإفصاح المؤسسي المختلفة، بما في ذلك نظرية الوكالة، ونظرية الإشارة، ونظرية الشرعية، وفرضية إرباك الإدارة، التي توضح مجتمعة كيف يمكن أن تؤثر الإفصاحات السردية على تكاليف رأس المال. تفترض نظرية الوكالة أن الإفصاحات السردية يمكن أن تخفف من عدم تماثل المعلومات بين الإدارة والمساهمين، مما قد يقلل من تكاليف الوكالة. في المقابل، تقترح نظرية الإشارة أن الشركات عالية الجودة يمكن أن تجذب تمويلًا أقل تكلفة من خلال تحسين إفصاحاتها. ومع ذلك، تحذر فرضية إرباك الإدارة من أن السرد المعقد للغاية قد يربك أصحاب المصلحة، مما يؤدي إلى زيادة التكاليف. تكشف مراجعة الأدبيات عن نتائج تجريبية مختلطة بشأن العلاقة بين الإفصاحات السردية وتكاليف رأس المال، حيث تشير بعض الدراسات إلى وجود علاقة سلبية بينما تقترح دراسات أخرى وجود علاقة غير خطية. تهدف هذه الورقة إلى البناء على هذه النتائج من خلال تطوير نماذج تنبؤية تدمج قابلية قراءة التقرير السنوي كمتغير غير مالي، مما يعزز الفهم لتأثيره على تقدير تكلفة رأس المال.
DOI: https://doi.org/10.5267/j.jpm.2025.12.006
Publication Date: 2026-01-01
Author(s): Gihan M. Ali
Primary Topic: Capital Investment and Risk Analysis
Overview
This study examines the impact of annual report readability on the cost of equity capital (COE) in Egypt’s emerging market. Utilizing a novel heterogeneous ensemble model that integrates Gradient Boosting Regression (GBR), Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Elastic Net through an average-voting strategy, the research demonstrates superior predictive performance compared to traditional linear regression and other machine learning approaches. The ensemble model achieved an R² of 0.2538, Mean Squared Error (MSE) of 0.0078, Mean Absolute Error (MAE) of 0.0656, and Root Mean Squared Error (RMSE) of 0.0885, indicating its effectiveness in capturing complex nonlinear relationships among financial and textual determinants.
The findings reveal that financial variables, particularly the market-to-book ratio (MTB) and return on equity (ROE), are more influential in predicting COE than readability measures, which had minimal impact. This contrasts with previous studies suggesting a negative correlation between readability and capital costs, potentially due to the inefficiencies in the Egyptian market where investors prioritize financial metrics over qualitative disclosures. The research contributes to the understanding of COE determinants in emerging markets and underscores the utility of advanced machine learning techniques in financial forecasting. It also highlights the need for improved narrative disclosures to enhance stakeholder trust and market efficiency, suggesting that future research could explore additional narrative variables and expand the sample size for broader applicability.
Introduction
The introduction of the research paper emphasizes the significance of the cost of equity capital (COE) as a vital metric for corporate decision-making, valuation, and performance assessment. It highlights the growing importance of narrative reporting, particularly the readability of annual reports, in influencing investor perceptions and capital costs. Previous studies have produced mixed results regarding the relationship between narrative disclosures and COE, with some suggesting that less readable reports lead to higher borrowing costs due to increased information asymmetry, while others found no significant relationship in different contexts, such as the U.S. market. This study aims to fill the gap in literature by examining the impact of annual report readability on COE in the Egyptian market, utilizing a sample of 75 non-financial firms from 2016 to 2019.
To enhance the predictive accuracy of COE estimation, the research introduces a novel Explainable Heterogeneous Ensemble Model that integrates multiple machine learning techniques, including Gradient Boosting Regression, Random Forest, Extreme Gradient Boosting, and Elastic Net. This approach addresses the limitations of traditional statistical models by accounting for nonlinear interactions among variables. The findings reveal that the proposed model significantly outperforms conventional methods in predicting COE, achieving the highest R-squared value (0.2538) and the lowest error metrics. Notably, the inclusion of readability measures does not substantially improve predictive power, indicating that financial variables like the market-to-book ratio and return on equity are more critical predictors of COE in the Egyptian context. The study’s structure is outlined, with subsequent sections dedicated to corporate disclosure theories, methodology, findings, and conclusions.
Methods
In the Methods section, the authors outline their approach to evaluating the proposed model for forecasting Cost of Equity (COE). The analysis begins with a descriptive examination of the study variables, followed by a performance assessment of the proposed model in comparison to various algorithms. The models are categorized into four groups: (1) Linear Regression Models, (2) Machine Learning (ML) Models, (3) base learners of the proposed ensemble model, and (4) the proposed model without readability measures.
The section emphasizes a comparative analysis that highlights the performance of the proposed model against both linear regression and advanced ML models. Additionally, insights into feature importance are provided to support informed decision-making, while SHAP (SHapley Additive exPlanations) values are utilized to enhance model interpretability, ensuring that stakeholders can understand the contributions of individual features to the model’s predictions.
Results
The results of the study utilized Shapley values to interpret the predictive accuracy of two models for estimating the cost of equity (COE) in the Egyptian market. The analysis revealed that the most significant features—Return on Equity (ROE), Loss (LOSS), Market-to-Book ratio (MTB), Blockholders, and Firm Size (SIZE)—were consistent across both models, indicating the insignificance of readability measures in COE estimation. This finding contrasts with previous research in other markets, where narrative disclosures were found to significantly influence investor perceptions and capital costs. The study highlights that, in Egypt, investors appear to prioritize quantitative financial metrics over qualitative disclosures when assessing firm risk.
Furthermore, the research underscores the limitations of traditional statistical models in capturing the complex, nonlinear relationships between financial and narrative disclosures. The ensemble model employed in this study, which integrates Random Forest, XGBoost, Gradient Boosting Regression, and ElasticNet, demonstrated superior performance compared to traditional linear regression models, achieving metrics such as $R^2 = 0.2538$ and $MSE = 0.0078$. These findings suggest that advanced machine learning techniques may provide more reliable estimations of COE, particularly in emerging markets where institutional inefficiencies may skew the relevance of qualitative disclosures. Overall, the study emphasizes the need for context-specific approaches in understanding the dynamics of capital costs and investor behavior in different market environments.
Discussion
The discussion section of the research paper explores the intricate relationship between narrative disclosures, particularly the readability of annual reports, and the cost of capital. It emphasizes the significance of narrative reporting in fostering stakeholder trust and enhancing corporate transparency. The literature indicates that while narrative disclosures can provide a more nuanced understanding of a company’s performance, their quality varies widely across firms and regions. Studies have shown that improved readability in annual reports correlates with increased stakeholder confidence, which can lead to lower costs of capital. For instance, research by Li et al. (2024) highlights that poor readability restricts access to trade credit financing, particularly in high-context cultures like China, while Baker & Kare (1992) argue that readable reports reduce uncertainty for stakeholders.
The section also reviews various corporate disclosure theories, including agency theory, signaling theory, legitimacy theory, and the management obfuscation hypothesis, which collectively elucidate how narrative disclosures can influence capital costs. Agency theory posits that narrative disclosures can mitigate information asymmetry between management and shareholders, potentially lowering agency costs. In contrast, signaling theory suggests that high-quality firms can attract lower-cost funding by enhancing their disclosures. However, the management obfuscation hypothesis warns that overly complex narratives may confuse stakeholders, leading to increased costs. The literature review reveals mixed empirical findings regarding the relationship between narrative disclosures and capital costs, with some studies indicating a negative correlation while others suggest a nonlinear relationship. This paper aims to build on these findings by developing predictive models that incorporate annual report readability as a non-financial variable, thereby enhancing the understanding of its impact on estimating the cost of equity capital.