Working Capital Financing and Firm Performance:A Machine Mislearning Approach - A comment on Mahmood, Ahmed, Hussain & Ben-Zaied (2025)
ينتقد هذا التعليق دراسة محمود وآخرون (2025) بسبب أخطاء منهجية في مقارنتهم بين تمويل رأس المال العامل وأداء الشركات، مسلطاً الضوء تحديداً على التصنيف الخاطئ لتحليل المكونات الرئيسية، والإبلاغ غير الصحيح عن إحصائيات الانحدار الخطي للنماذج القائمة على الأشجار، ووجود تقديرات متضاربة فيما بينها تقوض استنتاج الدراسة بأن نماذج تعلم الآلة تتفوق على نماذج التأثيرات الثابتة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم الأعمال، تسعى الشركات باستمرار للموازنة بين احتياجات متنافسة: الاحتفاظ بما يكفي من السيولة النقدية لسداد فواتيرها اليومية، واستثمار تلك الأموال للنمو وتحقيق الأرباح. تُعرف عملية التوازن هذه بإدارة رأس المال العامل. لعقود من الزمن، حاول الاقتصاديون إيجاد الصيغة المثالية لهذه العلاقة، مفترضين في كثير من الأحيان أن الشركة التي تدير تمويلاتها قصيرة الأجل بكفاءة أكبر تصبح أكثر ربحية. ومع ذلك، فإن الواقع نادراً ما يسير في خط مستقيم؛ فأحياناً يكون امتلاك الكثير من السيولة سيئاً تماماً مثل امتلاك القليل منها، مما يخلق منحنى يوجد فيه حل وسط مثالي. لفهم هذه الأنماط المعقدة، لجأ الباحثون بشكل متزايد إلى برامج حاسوبية تُسمى "تعلم الآلة". صُممت هذه الأدوات لإيجاد أشكال وروابط خفية في كميات هائلة من البيانات قد تغفل عنها الأساليب الإحصائية التقليدية، مما يقدم طريقة جديدة لرؤية كيف تؤثر القرارات المالية للشركة فعلياً على نجاحها.
حاولت دراسة حديثة أجراها باحثون هم محمود، وأحمد، وحسين، وبن زايد تطبيق هذا النهج الحديث على شركات التصنيع الصينية. لقد جمعوا بيانات عن أكثر من 15,000 ملاحظة (شركة-سنة) تمتد لقرابة عقدين من الزمن، آملين في إثبات أن نماذج تعلم الآلة الجديدة الخاصة بهم يمكنها تفسير العلاقة بين رأس المال العامل والربح بشكل أفضل من الأساليب القياسية المستخدمة لسنوات. وزعموا أن نماذجهم الحاسوبية كانت متفوقة لأنها تتناسب مع البيانات بشكل أوثق وتنتج درجات دقة أعلى. ومع ذلك، فإن نقداً حاد النظر من قبل الباحث "غوينيل بياسر" قد فحص عملهم لاحقاً ووجد أن الدراسة، رغم طرحها لسؤال مشروع، مبنية على أساس من الأخطاء الجوهرية. ويكشف النقد أن الدراسة لم تستخدم في الواقع أدوات تعلم الآلة التي ادعت استخدامها، وأن الأرقام المعروضة في التقردي النهائي متناقضة داخلياً.
تكمن جوهر المشكلة في كيفية وصف الباحثين لمنهجيتهم. فقد ذكروا أنهم يستخدمون "أشجار الانحدار" (regression trees) و"الغابات العشوائية" (random forests)، وهي أنواع محددة من الخوارمازميات الحاسوبية التي تعمل من خلال تقسيم البيانات إلى مجموعات أصغر فأصغر لإجراء التنبؤات. هذه الأدوات لا تنتج نوع النتائج التي نشرها المؤلف؛ إذ لا تولد النماذج الشجرية الحقيقية قائمة من الأرقام الموقعة مع أخطاء معيارية ونجوم تشير إلى الدلالة الإحصائية، كما لا تنتج إحصائية (F) التي تُستخدم فقط للمعادلات الخطية التقليدية. بدلاً من ذلك، تنتج هذه النماذج الحاسوبية ترتيبات توضح أي المتغيرات هي الأكثر أهمية وتقديرات لمدى قدرة النموذج على التنبؤ ببيانات جديدة. ويشير بياسر إلى أن الجداول في الدراسة الأصلية تبدو تماماً مثل مخرجات انحدار خطي تقليدي قديم، وليس خوارزمية تعلم آلة. كما أن وجود حدود مربعة ومتغيرات تفاعلية مضافة يدوياً في معادلات الدراسة يؤكد أن الباحثين كانوا في الواقع يشغلون نموذجاً خطياً تقليدياً، رغم تسميته بـ "شجرة القرار".
يزداد الارتباك عند النظر في الأرقام المذكورة. تعرض الدراسة جدولاً بعنوان "نتائج خوارزمية انحدار الغابة العشوائية"، ومع ذلك فإن الأرقام بداخله هي مزيج مربك من نموذجين مختلفين. فبالنسبة للمتغيرات الرئيسية محل الاهتمام، تسرد الجداول قيماً تطابق تماماً نموذج التأثيرات الثابتة التقليدي، بينما تتطابق المتغيرات الضابطة ودرجات الدقة الإجمالية مع نموذج الغابة العشوائية. ومن المستحيل رياضياً لنموذج واحد أن ينتج مجموعة من المعاملات تنتمي لطريقة واحدة ودرجة دقة تنتمي لطريقة أخرى. علاوة على ذلك، تعرض الدراسة نفس المعامل لمتغير رئيسي ثلاث مرات، مع ظهور ثلاث قيم مختلفة تماماً في النص والجداول. وهذا يشير إلى أن البيانات لم تُعالج باتساق، أو أن الأرقام النهائية جُمعت من مصادر مختلفة دون التحقق من صحتها.
تتعلق مشكلة كبيرة أخرى باستخدام تقنية تسمى "تحليل المكونات الرئيسية" (principal component analysis). أدرج المؤلف هذه التقنية كواحدة من طرق التقدير المنافسة لديهم، واضعاً إياها في نفس مستوى نماذج تعلم الآلة. ومع ذلك، فإن تحليل المكونات الرئيسية ليس طريقة لتقدير العلاقات بين المتغيرات؛ بل هو أداة تُستخدم لتبسيط البيانات عبر دمج قياسات مختلفة في ملخص واحد أكثر نظافة. إنه خطوة تُتخذ قبل بدء التحليل الفعلي، وليس وسيلة لاختبار الفرضيات. ومن خلال معاملته كنموذج منافس للنماذج الأخرى، وقعت الدراسة في خطأ فئوي، حيث قارنت أداة لتنظيف البيانات بطريقة لإيجاد الإجابات. بالإضافة إلى ذلك، طبقت الدراسة عملية "غسل بيانات" تُسمى "وينسوريزينج" (winsorizing) مرتين، الأولى على البيانات الخام والثانية بعد دمج المتغيرات. هذا الضغط المزدوج للبيانات من المحتمل أن يكون قد أدى إلى تنعيم القيم المتطرفة بشكل اصطناعي، مما جعل النماذج تبدو أكثر دقة مما هي عليه في الواقع عبر إخفاء الحالات الصعبة التي يصعب التنبؤ بها والتي ينبغي للنموذج القوي أن يتعامل معها.
في الختបញ្ចប់، خلص النقد إلى أن الادعاء المركزي للدراسة الأصلية —بأن نماذج تعلم الآلة تفسر التباين في أداء الشركات بشكل أفضل من الطرق التقليدية— هو ادعاء غير مدعوم. فقد اعتمدت المقارنة على قياس مدى ملاءمة النماذج للبيانات التي تدربت عليها بالفعل، وهي ممارسة تحابي النماذج المعقدة لمجرد قدرتها على حفظ بيانات التدريب بدلاً من التعلم منها. وبدون اختبار النماذج على بيانات جديدة وغير مرئية، تظل درجات الدقة العالية المبلغ عنها بلا معنى. كما فشلت الدراسة في توفير البيانات الخام أو الكود البرمحي اللازم لتمكين علماء آخرين من مراجعة العمل، مما يجعل التناقضات غير قابلة للحل من قبل أي شخص آخر غير المؤلفين الأصليين. وبينما يظل السؤال حول كيفية تأثير رأس المال العامل على الربحية مسألة حيوية للاقتصاد العالمي، فإن هذه المحاولة المحددة للإجابة عليه باستخدام تعلم الآلة تبدو وكأنها أخطأت في تعلم الأدوات ذاتها التي سعت لاستخدامها. إن الأرقام المعروضة لا تعكس مخرجات الخوارزميات المتقدمة التي تدعي تمثيلها، ولا يمكن الوثوق بالاستنتاجات المستخلصة منها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.