Working Capital Financing and Firm Performance:A Machine Mislearning Approach - A comment on Mahmood, Ahmed, Hussain & Ben-Zaied (2025)
यह टिप्पणी महमूद एवं अन्य (2025) द्वारा कार्यशील पूंजी वित्तपोषण और फर्म प्रदर्शन के उनके तुलनात्मक अध्ययन में पद्धतिगत त्रुटियों की आलोचना करती है, विशेष रूप से प्रिंसिपल कंपोनेंट एनालिसिस के गलत वर्गीकरण, ट्री-आधारित मॉडलों के लिए लीनियर रिग्रेशन सांख्यिकी की गलत रिपोर्टिंग, और परस्पर असंगत अनुमानों की उपस्थिति को रेखांकित करती है जो इस अध्ययन के उस निष्कर्ष को कमजोर करते हैं जिसमें मशीन लर्निंग मॉडल को फिक्स्ड-इफेक्ट्स मॉडलों से बेहतर बताया गया है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
व्यापार की दुनिया में, कंपनियाँ लगातार दो प्रतिस्पर्धी जरूरतों के बीच तालमेल बिठाने का प्रयास करती हैं: अपने दैनिक बिलों का भुगतान करने के लिए पर्याप्त नकदी रखना, और लाभ कमाने और विकास करने के लिए उस पैसे का निवेश करना। इस संतुलन बनाने की प्रक्रिया को वर्किंग कैपिटल मैनेजमेंट (कार्यशील पूंजी प्रबंधन) कहा जाता है। दशकों से, अर्थशास्त्रियों ने इस संबंध के लिए एक आदर्श सूत्र खोजने की कोशिश की है, अक्सर यह मानकर कि जो कंपनी अपने अल्पकालिक वित्त का अधिक कुशलता से प्रबंधन करती है, वह अधिक लाभदायक होती है। हालाँकि, वास्तविक दुनिया शायद ही कभी एक सीधी रेखा होती है। कभी-कभी, बहुत अधिक नकदी होना उतना ही बुरा होता है जितना कि बहुत कम होना, जिससे एक वक्र (curve) बनता है जहाँ एक इष्टतम मध्य मार्ग मौजूद होता है। इन जटिल पैटर्न को समझने के लिए, शोधकर्ता तेजी से मशीन लर्निंग जैसे कंप्यूटर प्रोग्रामों की ओर मुड़े हैं। ये उपकरण बड़े डेटा सेट में छिपे हुए आकारों और संबंधों को खोजने के लिए डिज़ाइन किए गए हैं जिन्हें पारंपरिक सांख्यिकीय विधियाँ शायद मिस कर दें, जो यह देखने का एक नया तरीका प्रदान करते हैं कि एक कंपनी के वित्तीय निर्णय वास्तव में उसकी सफलता को कैसे प्रभावित करते हैं।
एक हालिया अध्ययन में, महमूद, अहमद, हुसैन और बेन-ज़ैद नामक शोधकर्ताओं ने चीनी विनिर्माण फर्मों पर इस आधुनिक दृष्टिकोण को लागू करने का प्रयास किया। उन्होंने लगभग दो दशकों तक फैले 15,000 से अधिक कंपनी-वर्ष अवलोकनों का डेटा एकत्र किया, इस उम्मीद में कि वे यह सिद्ध कर सकें कि उनके नए मशीन लर्निंग मॉडल पारंपरिक तरीकों की तुलना में वर्किंग कैपिटल और लाभ के बीच के संबंध को बेहतर ढंग से समझा सकते हैं। उन्होंने दावा किया कि उनके कंप्यूटर मॉडल इसलिए श्रेष्ठ थे क्योंकि वे डेटा के साथ अधिक सटीकता से फिट बैठते थे और उच्च सटीकता स्कोर उत्पन्न करते थे। हालाँकि, ग्वेनेल पियासर नामक एक शोधकर्ता द्वारा की गई एक तीखी आलोचना ने उनके काम की जांच की और पाया कि अध्ययन, हालांकि एक वैध प्रश्न पूछ रहा था, लेकिन एक मौलिक त्रुटियों की नींव पर बना हुआ है। आलोचना से पता चलता है कि अध्ययन ने वास्तव में उन मशीन लर्निंग उपकरणों का उपयोग नहीं किया जिनका उसने दावा किया था, और अंतिम रिपोर्ट में प्रस्तुत संख्याएँ आंतरिक रूप से विरोधाभासी हैं।
समस्या का मुख्य केंद्र यह है कि शोधकर्ताओं ने अपनी विधियों का वर्णन कैसे किया। उन्होंने कहा कि वे "रिग्रेशन ट्रीज़" (regression trees) और "रैंडम फॉरेस्ट्स" (random forests) का उपयोग कर रहे हैं, जो कंप्यूटर एल्गोरिदम के विशिष्ट प्रकार हैं जो भविष्यवाणियां करने के लिए डेटा को छोटे और छोटे समूहों में विभाजित करके काम करते हैं। ये उपकरण उस तरह के परिणाम उत्पन्न नहीं करते जैसा कि लेखक ने प्रकाशित किया है। एक वास्तविक ट्री-आधारित मॉडल साइन किए हुए नंबरों की ऐसी सूची उत्पन्न नहीं करता जिसमें मानक त्रुटियां और सांख्यिकीय महत्व दर्शाने वाले सितारे हों, और न ही यह एक F-सांख्यिकी (F-statistic) उत्पन्न करता है, जो केवल पारंपरिक रैखिक समीकरणों के लिए उपयोग किया जाने वाला माप है। इसके बजाय, ये कंप्यूटर मॉडल यह रैंकिंग प्रदान करते हैं कि कौन से चर सबसे महत्वपूर्ण हैं और यह अनुमान लगाते हैं कि मॉडल नए डेटा की कितनी अच्छी तरह भविष्यवाणी करता है। पियासर बताते हैं कि मूल अध्ययन की तालिकाएं बिल्कुल एक मानक, पुराने जमाने के लीनियर रिग्रेशन (रैखिक प्रतिगमन) के आउटपुट जैसी दिखती हैं, न कि एक मशीन लर्निंग एल्गोरिदम की। अध्ययन के समीकरणों में मैन्युअल रूप से जोड़े गए स्क्वेर्ड टर्म्स और इंटरेक्शन वेरिएबल्स की उपस्थिति इस बात की पुष्टि करती है कि शोधकर्ता वास्तव में एक पारंपरिक लीनियर मॉडल चला रहे थे, बावजूद इसके कि उन्होंने इसे "डिसीजन ट्री" के रूप में लेबल किया था।
भ्रम तब गहरा जाता है जब विशिष्ट संख्याओं को देखा जाता है। अध्ययन में "रैंडम फॉरेस्ट रिग्रेशन एल्गोरिदम रिजल्ट्स" शीर्षक वाली एक तालिका प्रस्तुत की गई है, फिर भी इसके भीतर की संख्याएं दो अलग-अलग मॉडलों का एक भ्रमित करने वाला मिश्रण हैं। अपने मुख्य चरों के लिए, तालिका में ऐसे मान सूचीबद्ध हैं जो पारंपरिक फिक्स्ड-इफेक्ट्स मॉडल से पूरी तरह मेल खाते हैं, जबकि कंट्रोल वेरिएबल्स और समग्र सटीकता स्कोर रैंडम फॉरेस्ट मॉडल से मेल खाते हैं। एक ही मॉडल के लिए एक तरफ एक पद्धति के गुणांक (coefficients) और दूसरी तरफ दूसरी पद्धति का सटीकता स्कोर होना गणितीय रूप से असंभव है। इसके अलावा, अध्ययन एक प्रमुख चर के लिए सटीक रूप से एक ही गुणांक को तीन बार सूचीबद्ध करता है, जबकि टेक्स्ट और तालिकाओं में तीन पूरी तरह से अलग मान दिखाई देते हैं। यह सुझाव देता है कि डेटा को सुसंगत रूप से संसाधित नहीं किया गया था, या अंतिम संख्याओं को उचित सत्यापन के बिना विभिन्न स्रोतों से एकत्रित किया गया था।
एक अन्य महत्वपूर्ण मुद्दा "प्रिंसिपल कंपोनेंट एनालिसिस" (principal component analysis) नामक तकनीक का उपयोग है। लेखक ने इसे अपने प्रतिस्पर्धी अनुमान विधियों में से एक के रूप में सूचीबद्ध किया, और इसे मशीन लर्निंग मॉडलों के समान स्तर पर रखा। हालाँकि, प्रिंसिपल कंपोनेंट एनालिसिस चरों के बीच संबंधों का अनुमान लगाने की विधि नहीं है; यह कई अलग-अलग मापों को एक एकल, स्वच्छ सारांश में संयोजित करके डेटा को सरल बनाने के लिए उपयोग किया जाने वाला एक उपकरण है। यह वास्तविक विश्लेषण शुरू होने से पहले लिया जाने वाला एक कदम है, न कि एक परिकल्पना का परीक्षण करने का तरीका। इसे अन्य मॉडलों के प्रतिद्वंद्वी के रूप में मानकर, अध्ययन ने एक श्रेणीगत त्रुटि (category error) की है, जहाँ एक डेटा-क्लीनिंग टूल की तुलना उत्तर खोजने वाली विधि से की गई है। इसके अतिरिक्त, अध्ययन ने "विंसराइज़िंग" (winsorizing) नामक एक डेटा-वॉशिंग प्रक्रिया को दो बार लागू किया, पहले कच्चे डेटा पर और फिर चरों को संयोजित करने के बाद। डेटा के इस दोहरे संपीड़न ने संभवतः चरम स्थितियों को कृत्रिम रूप से सुचारू बना दिया होगा, जिससे मॉडल वास्तविक तुलना में अधिक सटीक दिखाई देने लगे, क्योंकि इसने उन कठिन-से-अनुमानित मामलों को छिपा दिया जिन्हें एक मजबूत मॉडल को संभालने में सक्षम होना चाहिए।
अंततः, आलोचना निष्कर्ष निकालती है कि मूल अध्ययन का केंद्रीय दावा—कि मशीन लर्निंग मॉडल पारंपरिक तरीकों की तुलना में फर्म के प्रदर्शन की भिन्नता (variance) को बेहतर ढंग से समझाते हैं—अपुष्ट है। तुलना इस आधार पर की गई थी कि मॉडल उस डेटा में कितनी अच्छी तरह फिट होते हैं जिस पर उन्हें पहले से प्रशिक्षित किया गया था, जो एक ऐसी प्रथा है जो जटिल मॉडलों को केवल इसलिए पक्षपात देती है क्योंकि वे प्रशिक्षण डेटा को याद कर सकते हैं, न कि उससे सीख सकते हैं। नए, अनदेखे डेटा पर मॉडलों का परीक्षण किए बिना, रिपोर्ट किए गए उच्च सटीकता स्कोर अर्थहीन हैं। अध्ययन ने कच्चा डेटा या कंप्यूटर कोड भी प्रदान नहीं किया जिसकी अन्य वैज्ञानिकों द्वारा कार्य की जांच की जा सके, जिससे मूल लेखकों के अलावा किसी अन्य के लिए विसंगतियों को हल करना असंभव हो जाता है। हालांकि वर्किंग कैपिटल का लाभप्रदता को कैसे प्रभावित करता है, यह वैश्विक अर्थव्यवस्था के लिए एक महत्वपूर्ण प्रश्न बना हुआ है, मशीन लर्निंग का उपयोग करने वाला यह विशेष प्रयास अपने द्वारा नियोजित उपकरणों को ही गलत तरीके से सीखने वाला प्रतीत होता है। प्रस्तुत संख्याएं उन उन्नत एल्गोरिदम का प्रतिनिधित्व नहीं करती हैं जिनका वे दावा करते हैं, और उनके निष्कर्षों पर भरोसा नहीं किया जा सकता।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।