Working Capital Financing and Firm Performance:A Machine Mislearning Approach - A comment on Mahmood, Ahmed, Hussain & Ben-Zaied (2025)
このコメントは、Mahmoodら（2025）による運転資本ファイナンスと企業パフォーマンスの比較における手法上の誤りを批判しており、具体的には、主成分分析の誤った分類、決定木モデルに対する線形回帰統計の不適切な報告、および機械学習モデルが固定効果モデルを凌駕するという研究の結論を損なう相互に矛盾した推定値の存在を指摘している。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
ビジネスの世界において、企業は常に2つの相反するニーズの間で板挟みになっています。それは、日々の支払いに充てるための十分な現金を手元に残しておくことと、成長と利益のためにその資金を投資することです。このバランス調整は、ワーキングキャピタル（運転資本）管理として知られています。何十年もの間、経済学者たちはこの関係における完璧な公式を見つけ出そうとしてきました。多くの場合、企業が短期的な財務をより効率的に管理すればするほど、より高い収益性が得られるという仮定に基づいています。しかし、現実の世界は決して直線的ではありません。時には、現金を持ちすぎることが少なすぎることと同様に悪影響を及ぼすこともあり、最適な中間地点が存在する曲線を描きます。これらの複雑なパターンを理解するために、研究者たちはますます「機械学習」と呼ばれるコンピュータプログラムに頼るようになっています。これらのツールは、従来の統計手法では見逃してしまうような、膨大なデータの中に隠された形状や繋がりを見つけ出すように設計されており、企業の財務上の決定が実際にどのように成功に影響を与えるのかを知るための新しい方法を提供しています。
マームード、アメド、フセイン、およびベン＝ザイエッドという研究者による最近の研究は、この現代的なアプローチを中国の製造業に適用しようと試みました。彼らは、20年近くにわたる15,0多くの企業年次観測データを収集し、彼らの新しい機械学習モデルが、長年使われてきた標準的な手法よりも、ワーキングキャピタルと利益の関係をより良く説明できることを証明しようとしました。彼らは、自分たちのコンピュータモデルが、データをより密接に適合させ、より高い精度スコアを生み出したため、より優れていると主張しました。しかし、グウェナエル・ピアセルという研究者による鋭い批判は、その後の調査において、彼らの研究は妥当な問いを立てているものの、根本的な誤りに基づいて構築されていることを明らかにしました。この批判は、研究が主張していた機械学習ツールを実際には使用していなかったこと、そして最終報告書に提示された数値が内部的に矛盾していることを明らかにしています。
問題の核心は、研究者たちが自分たちの手法をどのように説明したかにあります。彼らは、「回帰ツリー」や「ランダムフォレスト」を使用していると述べています。これらは、予測を行うためにデータをより小さなグループへと細分化していく特定の種類のコンピュータアルゴリズムです。これらのツールは、著者が発表したような結果を生み出しません。真のツリー型モデルは、統計的有意性を示す星印や標準誤差を伴う符号付き数値のリストを生成しませんし、伝統的な線形方程式にのみ用いられる指標であるF統計量も生成しません。代わりに、これらのコンピュータモデルは、どの変数が最も重要であるかのランキングや、モデルが新しいデータをどの程度予測できるかの推定値を出力します。ピアセルは、元の研究の表が、機械学習アルゴリズムではなく、標準的な旧式の線形回帰の出力と全く同じであることを指摘しています。研究の数式に手動で追加された二乗項や交互作用変数の存在は、研究者が「決定木」とラベル付けしながらも、実際には伝統的な線形モデルを実行していたことを裏付けています。
混乱は、報告された具体的な数値を見るとさらに深まります。研究には「ランダムフォレスト回帰アルゴリズムの結果」というタイトルの表がありますが、その中の数値は2つの異なるモデルの混在した混乱したものです。主要な関心変数については、伝統的な固定効果モデルと完全に一致する値が記載されていますが、コントロール変数と全体的な精度スコアはランダムフォレストモデルのものです。単一のモデルが、一方の手法の係数と、他方の手法の精度スコアを同時に算出することは数学的に不可能です。さらに、研究ではある重要な変数に対して、全く異なる3つの値がテキストと表の中でそれぞれ異なる形で示されており、同じ係数が3回繰り返されています。これは、データが一貫して処理されていないか、あるいは適切な検証なしに異なるソースから数字が集められたことを示唆しています。
もう一つの重大な問題は、「主成分分析」と呼ばれる手法の使用です。著者はこれを、機械学習モデルと同等の競合する推定手法の一つとして挙げていました。しかし、主成分分析は変数間の関係を推定するための手法ではなく、多くの異なる測定値を単一のクリーンな要約へと結合することでデータを簡素化するためのツールです。これは実際の分析を開始する前に行われるステップであり、仮説を検証するための方法ではありません。これを他のモデルのライバルとして扱うことで、研究はカテゴリーエラーを引き起こしました。つまり、データのクリーニングツールを、答えを見つけるための手法と比較してしまったのです。加えて、研究では「ウィンゾライジング（外れ値の処理）」というデータ洗浄プロセスが、生データに対して最初に行われ、さらに変数を結合した後にもう一度行われました。この二重のデータ圧縮は、おそらく極端な値を人工的に滑らかにし、堅牢なモデルが対処すべきであるはずの「予測困難なケース」を隠すことで、モデルが実際よりも正確であるかのように見せてしまった可能性があります。
最終的に、批判は、機械学習モデルが伝統的な手法よりも企業のパフォーマンスの分散をより良く説明するという元の研究の中心的な主張は、支持されないと結論付けています。比較は、モデルがすでに学習済みのデータに対してどれだけよく適合するかを測定することに基づいており、これは、モデルがデータを「学習」するのではなく、単に「暗記」することを可能にするため、複雑なモデルに有利に働きます。未知の新しいデータを用いてモデルをテストしなかったため、報告された高い精度スコアは無意味なものです。また、研究は他の科学者が作業を検証するために必要な生データやコンピュータコードも提供しておらず、元の著者以外には解決不可能な矛盾を残しています。ワーキングキャピタルがどのように収益性に影響を与えるかという問いは、世界経済にとって極めて重要なものですが、機械学習を用いてそれに答えようとした今回の試みは、自らが用いようとしたツールそのものを誤って学習してしまったようです。提示された数値は、彼らが主張する高度なアルゴリズムの出力とは一致しておらず、そこから導き出された結論を信頼することはできません。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。