📊 Statistik

Working Capital Financing and Firm Performance:A Machine Mislearning Approach - A comment on Mahmood, Ahmed, Hussain &amp; Ben-Zaied (2025)

Dieser Kommentar kritisiert Mahmood et al. (2025) für methodische Fehler in ihrem Vergleich von Working-Capital-Finanzierung und Unternehmensleistung, wobei er insbesondere die Fehlklassifizierung der Hauptkomponentenanalyse, die fehlerhafte Berichterstattung von linearen Regressionsstatistiken für baumbasierte Modelle und das Vorhandensein sich gegenseitig widersprechender Schätzungen hervorhebt, welche die Schlussfolgerung der Studie untergraben, dass Machine-Learning-Modelle Fixed-Effects-Modelle übertreffen.

Ursprüngliche Autoren: Gwenael Piaser

Veröffentlicht 2026-10-19

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Gwenael Piaser

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

In der Welt der Wirtschaft müssen Unternehmen ständig zwei konkurrierende Bedürfnisse ausbalancieren: genug Bargeld vorrätig zu halten, um ihre täglichen Rechnungen zu bezahlen, und dieses Geld zu investieren, um zu wachsen und Gewinne zu erwirtschaften. Dieser Balanceakt wird als Working-Capital-Management bezeichnet. Jahrzehntelang haben Ökonomen versucht, die perfekte Formel für diese Beziehung zu finden, wobei sie oft davon ausgingen, dass ein Unternehmen umso profitabler wird, je effizienter es sein kurzfristiges Finanzwesen verwaltet. Die reale Welt verläuft jedoch selten geradlinig. Manchmal ist zu viel Bargeld genauso schlecht wie zu wenig, was eine Kurve erzeugt, in der ein optimaler Mittelweg existiert. Um diese komplexen Muster zu verstehen, haben sich Forscher zunehmend Computerprogrammen wie dem maschinellen Lernen zugewandt. Diese Werkzeuge sind darauf ausgelegt, verborgene Formen und Verbindungen in riesigen Datenmengen zu finden, die traditionelle statistische Methoden vielleicht übersehen würden, und bieten so eine neue Möglichkeit zu sehen, wie die Finanzentscheidungen eines Unternehmens tatsächlich dessen Erfolg beeinflussen.

Eine aktuelle Studie des Forschers Mahmood, Ahmed, Hussain und Ben-Zaied versuchte, diesen modernen Ansatz auf chinesische Fertigungsunternehmen anzuwenden. Sie sammelten Daten von über 15.000 Unternehmens-Jahres-Beobachtungen aus fast zwei Jahrzehnten in der Hoffnung zu beweisen, dass ihre neuen Modellen des maschinellen Lernens den Zusammenhang zwischen Working Capital und Gewinn besser erklären können als die seit Jahren verwendeten Standardmethoden. Sie behaupteten, ihre Computermodelle seien überlegen, weil sie die Daten enger beschreiben und höhere Genauigkeitswerte liefern. Eine scharfsinnige Kritik durch den Forscher Gwenael Piaser hat ihre Arbeit jedoch inzwischen untersucht und festgestellt, dass die Studie, obwohl sie eine valide Frage stellt, auf einem Fundament grundlegender Fehler aufgebaut ist. Die Kritik zeigt auf, dass die Studie gar nicht die Werkzeuge des maschinellen Lernens verwendet hat, die sie zu verwenden vorgab, und dass die im Abschlussbericht präsentierten Zahlen intern widersprüchlich sind.

Das Kernproblem liegt in der Art und Weise, wie die Forscher ihre Methoden beschrieben haben. Sie gaben an, „Regressionsbäume“ (Regression Trees) und „Random Forests“ zu verwenden, was spezifische Arten von Computer-Algorithmen sind, die dadurch arbeiten, Daten in immer kleinere Gruppen aufzuspalten, um Vorhersagen zu treffen. Diese Werkzeuge erzeugen nicht die Art von Ergebnissen, die der Autor veröffentlicht hat. Ein echter baumbasierter Modelltyp generiert keine Liste von Vorzeichen mit Standardfehlern und Sternchen zur Kennzeichnung der statistischen Signifikanz und erzeugt auch keine F-Statistik, ein Maß, das nur für traditionelle lineare Gleichungen verwendet wird. Stattdessen produzieren diese Computermodelle Rankings darüber, welche Variablen am wichtigsten sind, sowie Schätzungen darüber, wie gut das Modell neue Daten vorhersagt. Piaser weist darauf hin, dass die Tabellen der ursprünglichen Studie exakt wie das Ergebnis einer standardmäßigen, altmodischen linearen Regression aussehen und nicht wie ein Algorithmus des maschinellen Lernens. Das Vorhandensein manuell hinzugefügter quadratischer Terme und Interaktionsvariablen in den Gleichungen der Studie bestätigt zusätzlich, dass die Forscher tatsächlich ein traditionelles lineares Modell gerechnet haben, obwohl sie es als „Entscheidungsbaum“ bezeichneten.

Die Verwirrung vertieft sich beim Blick auf die spezifischen Zahlen. Die Studie präsentiert eine Tabelle mit dem Titel „Random forest regression algorithm results“, doch die Zahlen darin sind eine verwirrende Mischung aus zwei verschiedenen Modellen. Für die Hauptvariablen der Untersuchung listet die Tabelle Werte auf, die exakt mit dem traditionellen Fixed-Effects-Modell übereinstimmen, während die Kontrollvariablen und die allgemeinen Genauigkeitswerte zum Random-Forest-Modell passen. Es ist mathematisch unmöglich, dass ein einziges Modell einen Satz von Koeffizienten liefert, der zu einer Methode gehört, und gleichzeitig einen Genauigkeitswert, der zu einer anderen gehört. Darüber hinaus berichtet die Studie dreimal exakt denselben Koeffizienten für eine Schlüsselvariable, wobei drei völlig unterschiedliche Werte in den Texten und Tabellen erscheinen. Dies deutet darauf hin, dass die Daten nicht konsistent verarbeitet wurden oder dass die endgültigen Zahlen aus verschiedenen Quellen zusammengestellt wurden, ohne eine ordnungsgemäße Verifizierung durchzuführen.

Ein weiteres erhebliches Problem betrifft die Verwendung einer Technik namens Hauptkomponentenanalyse (Principal Component Analysis). Der Autor führte diese als eine ihrer konkurrierenden Schätzmethoden auf und stellte sie auf dieselbe Stufe wie die Modelle des maschinellen Lernens. Die Hauptkomponentenanalyse ist jedoch keine Methode zur Schätzung von Beziehungen zwischen Variablen, sondern ein Werkzeug zur Vereinfachung von Daten, indem viele verschiedene Messungen zu einer einzigen, saubereren Zusammenfassung kombiniert werden. Es ist ein Schritt, der vor der eigentlichen Analyse erfolgt, und kein Weg, um eine Hypothese zu testen. Indem die Studie sie als Rivalen zu den anderen Modellen behandelte, beging sie einen Kategorienfehler, indem sie ein Datenbereinigungswerkzeug mit einer Methode zur Gewinnung von Antworten verglich. Zudem wandte die Studie einen Prozess der Datenbereinigung namens „Winsorisierung“ zweimal an – zuerst auf die Rohdaten und erneut nach der Kombination der Variablen. Diese doppelte Komprimierung der Daten hat die Extremwerte wahrscheinlich künstlich geglättet, wodurch die Modelle aussagekräftiger erscheinen, als sie tatsächlich sind, indem sie genau jene schwer vorhersehbaren Fälle verborgen wurden, die ein robustes Modell bewältigen sollte.

Letztlich kommt die Kritik zu dem Schluss, dass die zentrale Behauptung der ursprünglichen Studie – nämlich, dass Modelle des maschinellen Lernens die Varianz der Unternehmensleistung besser erklären als traditionelle Methoden – unbegründet ist. Der Vergleich beruhte darauf, wie gut die Modelle die Daten anpassten, mit denen sie bereits trainiert worden waren, eine Praxis, die komplexe Modelle allein deshalb bevorzugt, weil sie in der Lage sind, die Trainingsdaten auswendig zu lernen, anstatt daraus zu lernen. Ohne die Modelle an neuen, ungesehenen Daten zu testen, sind die berichteten höheren Genauigkeitswerte bedeutungslos. Die Studie versäumte es zudem, die Rohdaten oder den Computercode bereitzustellen, die anderen Wissenschaftlern zur Überprüfung der Arbeit nötig wären, was die Inkonsistenzen für außer die ursprünglichen Autoren für unlösbar macht. Während die Frage, wie das Working Capital die Rentabilität beeinflusst, für die Weltwirtschaft von zentraler Bedeutung bleibt, scheint dieser spezielle Versuch, sie mithilfe des maschinellen Lernens zu beantworten, die sehr Werkzeuge falsch erlernt zu haben, die er eigentlich anwenden wollte. Die präsentierten Zahlen spiegeln nicht die Ergebnisse der fortgeschrittenen Algorithmen wider, die sie zu repräsentieren vorgeben, und die daraus gezogenen Schlussfolgerungen können nicht als vertrauenswürdig gelten.

Technisches Resümee: Ein Kommentar zu Mahmood et al. (2025)

Problemstellung
Mahmood et al. (2025) untersuchen den Zusammenhang zwischen kurzfristiger Working-Capital-Finanzierung (WCF) und der Rentabilität von Unternehmen unter Verwendung eines ausgewogenen Paneldatensatzes chinesischer Fertigungsunternehmen (2000–2018). Die ursprüngliche Studie hypothetisiert eine nichtlineare, konkave (umgekehrte U-förmige) Beziehung, die durch Eigentumsverhältnisse, Unternehmensgröße und Verschuldung moderiert wird. Methodisch behauptet der Autor, ein Standard-Fixed-Effects-Panelmodell (FE) mit zwei „Machine-Learning“-Schätzern – einem Regressionsbaum und einem Random Forest – verglichen zu haben. Er kommt zu dem Schluss, dass die baumbasierten Modelle die Varianz „besser erklären“, basierend auf höheren berichteten $R^2$ -Werten und $F$ -Statistiken.

Dieser Kommentar, verfasst von G. Piaser, identifiziert grundlegende methodische Mängel, interne Inkonsistenzen und Fehlinterpretationen statistischer Outputs der Originalarbeit. Das Kernproblem ist nicht die ökonomische Frage von WCF und Rentabilität, sondern die Validität der verwendeten ökonometrischen und maschinellen Lernimplementierung zur Beantwortung dieser Frage.

Methodik und Kritik
Der Kommentar verwendet einen Verifizierungsansatz, bei dem die interne Konsistenz von Text, Gleichungen und Tabellen der Originalstudie ohne die Notwendigkeit einer externen Neuschätzung der Daten geprüft wird. Die Kritik konzentriert sich auf drei primäre methodische Fehler:

Fehlklassifizierung der Hauptkomponentenanalyse (PCA):
Die Originalstudie führt die PCA als konkurrierenden Schätzer neben Regressionsbäumen und Random Forests auf. Piaser argumentiert, dass dies ein Kategorienfehler ist. Die PCA ist eine unüberwachte Dimensionsreduktionstechnik zur Merkmalskonstruktion (Erstellung von „Master-Proxys“ aus multiplen Literatur-Proxys) und kein überwachter Schätzer, der Beziehungen zwischen abhängigen und unabhängigen Variablen modelliert. Sie liefert keine Koeffizienten, Signifikanzniveaus oder $R^2$ -Werte in Bezug auf eine Zielvariable. In der Originalstudie dient die PCA lediglich als Vorverarbeitungsschritt, was ihre Aufnahme in eine Modellvergleichstabelle logisch ungültig macht.
Fehlinterpretation von Machine-Learning-Outputs:
Der Kommentar zeigt auf, dass die als „Decision Tree“ und „Random Forest“ bezeichneten Tabellen in der Originalstudie Größen angeben, die baumbasierte Methoden nicht produzieren. Insbesondere listen die Tabellen vorzeichenbehaftete Koeffizienten, parametrische Standardfehler, $t$ -Statistiken, Signifikanzsterne und $F$ -Statistiken auf.

Natur baumbasierter Methoden: Regressionsbäume und Random Forests partitionieren den Prädiktorraum in Regionen und sagen innerhalb dieser Regionen konstante Werte voraus. Sie liefern keinen globalen Parametervektor ( $\beta$ ) und generieren keine parametrischen Standardfehler oder $F$ -Statistiken (welche über die ANOVA-Zerlegung für lineare Modelle definiert sind).
Evidenz für lineare Regression: Das Vorhandensein manuell konstruierter quadratischer Terme ( $WCF^2$ ) und Interaktionsterme ( $WCF \times \text{Dummy}$ ) bestätigt eine parametrische lineare Spezifikation. Baumbasierte Methoden approximieren Nichtlinearität und Interaktionen durch rekursive Teilung, was die manuelle Konstruktion solcher Terme redundant macht. Die berichteten Tabellen werden als Standard-OLS- oder Fixed-Effects-Outputs identifiziert, die fälschlicherweise als Machine-Learning-Ergebnisse deklariert wurden.

Interne numerische Inkonsistenzen:
Der Kommentar dokumentiert schwerwiegende numerische Diskrepanzen, die die berichteten Ergebnisse nicht reproduzierbar machen:

Hybride Spalten: Tabelle 13, betitelt „Random forest regression algorithm results“, erweist sich als ein Komposit aus zwei verschiedenen Modellen. Die Koeffizienten für die Schlüsselvariablen ( $WCF$ und $WCF^2$ ) stimmen mit den Fixed-Effects-Schätzungen überein, während die Kontrollvariablen, das $R^2$ und die $F$ -Statistik den Random-Forest-Schätzungen entsprechen. Diese Kombination ist für ein einzelnes gefittetes Modell mathematisch unmöglich, da das $R^2$ mechanisch durch den spezifischen Koeffizientenvektor und die Daten bestimmt wird.
Konfliktierende Koeffizienten: Der Koeffizient für $WCF$ in der Gesamtstichprobe wird im Random-Forest-Modell dreimal mit drei inkompatiblen Werten angegeben: 0,598 (Text), 0,403 (Tabelle 13) und 0,323 (Tabelle 7).
Dateninkonsistenzen: Es bestehen Diskrepanzen in den Stichprobengrößen (15.238 vs. 15.239 Beobachtungen) sowie in den Sub-Sample-Anzahlen (z. B. variieren die Beobachtungen der Textilindustrie zwischen 167 und 679 über verschiedene Tabellen hinweg).

Wichtigste Erkenntnisse und Ergebnisse
Der Kommentar liefert keine neuen empirischen Ergebnisse bezüglich WCF und Rentabilität. Stattdessen sind seine „Ergebnisse“ die Aufdeckung der methodischen Inkohärenz der Originalstudie:

Ungültiger Modellvergleich: Die zentrale Behauptung, dass Machine-Learning-Modelle Fixed-Effects-Modelle übertreffen, basiert auf einem Vergleich von In-Sample- $R^2$ -Werten. Der Kommentar argumentiert, dass dies nicht aussagekräftig ist, da flexible baumbasierte Modelle (falls sie korrekt implementiert worden wären) mechanisch gesehen ein höheres In-Sample-Fit als sparsame lineare Modelle erzielen würden. Ein valider Vergleich erfordert Out-of-Sample- oder Kreuzvalidierungs-Fehlermetriken, die nicht berichtet werden.
Fehler in der Datenverarbeitung: Die Originalstudie wendet eine doppelte Winsorisierung an (zuerst bei 5 % auf die Roh-Proxys, dann bei 10 % auf die resultierenden Hauptkomponenten). Dieses Verfahren komprimiert die Datenstreuung zweifach, was das $R^2$ künstlich aufbläht und die Steigungsschätzungen abschwächt, wobei jedoch keine Sensitivitätsanalyse durchgeführt wurde.
Reproduzierbarkeitsversagen: Aufgrund der Verwendung proprietärer CSMAR-Daten ohne Bereitstellung von Replikationsdatensätzen, Code oder Firmen-Identifikatoren sowie angesichts der dokumentierten internen Widersprüche können die Ergebnisse nicht verifiziert oder rekonstruiert werden.

Bedeutung und Ansprüche
Der Artikel beansprucht bescheiden, die „interne Konsistenz“ der Methoden, der berichteten Statistiken und der numerischen Werte der Originalarbeit zu bewerten. Seine Bedeutung liegt in:

Methodischer Korrektur: Klärung, dass die PCA ein Werkzeug zur Merkmalskonstruktion und kein Schätzer ist und dass baumbasierte Methoden keine linearen Regressions-ähnlichen Koeffizienten und $F$ -Statistiken produzieren.
Replikationswarnung: Hervorhebung, dass die Schlussfolgerungen der Originalstudie aufgrund der Fehlbezeichnung von linearen Regressionsoutputs als Machine-Learning-Ergebnisse und der Anwesenheit widersprüchlicher numerischer Werte nicht durch die berichteten Evidenzen gestützt werden.
Forschungsintegrität: Betonung, dass angesichts der dokumentierten Inkonsistenzen und des Fehlens eines Replikationsdatensatzes sowie Codes die Ergebnisse der Originalstudie bezüglich der Überlegenheit von Machine-Learning-Ansätzen in diesem Kontext nicht akzeptiert werden können.

Der Kommentar kommt zu dem Schluss, dass die zentrale Behauptung der Originalarbeit – dass Machine-Learning-Modelle die Daten genauer erklären – aufgrund des Missbrauchs statistischer Objekte und des Fehlens einer validen Generalisierungsmessgröße in Eigen selbst ungültig ist.

Mehr davon