Working Capital Financing and Firm Performance:A Machine Mislearning Approach - A comment on Mahmood, Ahmed, Hussain & Ben-Zaied (2025)
该评论批评了 Mahmood 等人 (2025) 在比较营运资本融资与企业绩效方面的研究方法错误，特别强调了其对主成分分析的误分类、对基于树的模型错误报告线性回归统计量，以及存在削弱其“机器学习模型优于固定效应模型”这一结论的相互矛盾的估计值。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在商业世界中，公司不断在两种相互竞争的需求之间进行权衡：既要保留足够的现金来支付日常账单，又要投资于这些资金以实现增长并获取利润。这种平衡行为被称为营运资本管理。几十年来，经济学家一直试图为这种关系找到完美的公式，通常假设公司对短期财务管理的效率越高，其盈利能力就越强。然而，现实世界很少是一条直线。有时，拥有过多的现金与资金不足一样糟糕，这形成了一条存在最优中间点的曲线。为了理解这些复杂的模式，研究人员越来越多地转向一种名为机器学习的计算机程序。这些工具旨在发现海量数据中隐藏的形状和联系，而传统的统计方法可能会忽略这些内容，从而为观察公司的财务决策如何实际影响其成功提供一种新途径。
一项由研究人员 Mahmood、Ahmed、Hussain 和 Ben-Zaied 进行的近期研究，试图将这种现代方法应用于中国制造企业。他们收集了超过 15,000 个公司年度观测值，跨度近二十年，希望证明他们的新机器学习模型能够比多年来使用的标准方法更好地解释营运资本与利润之间的关系。他们声称，由于他们的计算机模型拟合数据更紧密且产生了更高的准确性得分，因此其模型更为优越。然而，研究员 Gwenael Piaser 对其工作进行的尖锐批评指出，该研究虽然提出了一个有效的问题，但其基础建立在根本性的错误之上。批评揭示了该研究实际上并未真正使用其声称使用的机器学习工具，且最终报告中呈现的数字在内部是相互矛盾的。
问题的核心在于研究人员描述其方法的方式。他们声称使用的是“回归树”和“随机森林”，这是特定类型的计算机算法，通过将数据拆分为越来越小的组来进行预测。这些工具不会产生作者所发表的那种结果。真正的树型模型不会生成带有标准误和表示统计显著性的星号的有符号数字列表，也不会产生 F 统计量（这是一种仅用于传统线性方程的度量标准）。相反，这些计算机模型会产生关于哪些变量最重要的排名，以及模型对新数据的预测能力估计。Piaser 指出，该研究中的表格看起来完全像是标准、老式的线性回归输出，而不是机器学习算法。研究方程中手动添加的平方项和交互项进一步证实，尽管研究人员将其标记为“决策树”，但他们实际运行的是传统的线性模型。
当观察具体的数字时，混乱进一步加深。研究呈现了一个标题为“随机森林回归算法结果”的表格，但其中的数字却是两种不同模型的混乱混合。对于其主要关注的变量，表格列出的数值与传统的固定效应模型完美匹配，而控制变量和整体准确性得分则与随机森林模型相符。对于单一模型而言，在数学上是不可能产生既属于一种方法的一组系数，又属于另一种方法的准确性得分的。此外，研究在三个不同的地方报告了同一个关键变量的完全相同的系数，但在文本和表格中却出现了三个完全不同的数值。这表明数据处理过程不一致，或者最终的数字是在没有经过妥善验证的情况下从不同来源汇编而成的。
另一个显著问题涉及一种被称为主成分分析的技术。作者将其列为竞争性的估计方法之一，并将其与机器学习模型置于同等地位。然而，主成分分析并不是一种用于估计变量间关系的统计方法；它是一种通过将许多不同的测量值组合成一个更简洁的摘要来简化数据的工具。它是实际分析开始前的一个步骤，而不是一种测试假设的方法。通过将其视为其他模型的对手，该研究制造了一个范畴错误，即将一个数据清洗工具与一种寻找答案的方法进行比较。此外，研究对数据进行了两次“缩尾处理”（winsorizing），首先是对原始数据，其次是在合并变量之后。这种双重数据压缩可能人为地平滑了极端值，使得模型看起来比实际更准确，因为它隐藏了那些稳健模型应当能够处理的难以预测的情况。
最终，批评结论认为，原研究的核心主张——即机器学习模型比传统方法能更好地解释企业绩效的方差——是缺乏支撑的。这种比较依赖于衡量模型对已训练数据的拟合程度，这种做法倾向于复杂的模型，仅仅因为它们可以“记住”训练数据而非“学习”数据。由于没有在新的、未见过的测试数据上进行测试，所报告的较高准确性得分是毫无意义的。研究还未能提供用于其他科学家核查工作的原始数据或计算机代码，导致这些不一致之处无法被除了原作者以外的任何人解决。虽然营运资本如何影响盈利能力仍然是全球经济中一个至关重要的问题，但这次利用机器学习来回答该问题的尝试，似乎在应用其试图掌握的工具方面出现了偏差。所呈现的数字并不反映其声称代表的高级算法的输出，其得出的结论也无法被信任。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。