A CRITIC-Weighted Fuzzy-TOPSIS and Machine Learning Framework for Evaluating Corporate Governance Efficiency: Evidence from Construction Materials Manufacturing in Uzbekistan
本研究引入了一种结合 CRITIC-Fuzzy-TOPSIS 与机器学习的混合框架，用于评估乌兹别克斯坦建筑材料行业的公司治理情况，揭示了一个悖论，即专家感知的治理优先级与财务驱动因素存在差异，其中关系型因素（如利益相关者关系）对盈利能力的贡献比结构性维度更为关键。
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，长期以来一直存在一种观点，即公司的经营方式决定了其表现优劣。这种被称为“公司治理”的概念认为，清晰的规则、诚实的报告和独立的监督能创造一个稳定的环境，使公司得以成长并创造财富。在法律健全、市场开放的发达国家，这种联系通常被视为理所当然。然而，在规则仍在成型且信息获取较为困难的新兴经济体中，良好的管理与财务成功之间的关系则要模糊得多。研究人员长期以来一直在思考，用于衡量公司健康状况的标准清单究竟是真的能预测利润，还是仅仅在衡量错误的对象。这个问题在乌兹别克斯坦等国家显得尤为紧迫，因为那里快速的工业增长已经超越了正式管理体系的发展，导致许多公司仍以旧有的习惯和有限的透明度进行运作。
来自乌兹别克斯坦大学的一个研究小组决定在特定的关键领域测试这种关系：建筑材料（如水泥、砖块和玻璃）的制造业。他们想看看专家对公司治理的感知是否与其实际的财务表现相匹配。为此，他们构建了一种结合了人类判断与先进计算机学习的新型评估系统。他们收集了二十位熟悉该行业的专家，并请他们根据十个不同的管理维度（从董事会的运作能力到公司对待员工的方式以及与政府的互动情况）对八家主要工厂进行评分。专家们使用了一个从“非常差”到“非常好”的简单七级量表来描述每家公司。
在专家提供评分后，研究人员使用了一种数学方法来确定这十个方面中哪些因素对于区分不同公司最为重要。他们发现，专家最能通过公司对未来的规划能力和风险管理能力来区分不同的公司。这两个因素在最初的分析中获得了最高的权重得分。随后，研究团队利用这些得分创建了一个八家公司的排名，将感知治理水平最好的公司排在首位，将最差的排在末尾。
故事在这里发生了一个令人惊讶的转折。研究人员随后将这一专家排名与这八家公司的实际财务记录进行了对比。他们观察了一项名为“资产回报率”（ROA）的特定盈利指标，该指标计算的是公司相对于其固定设备和建筑价值所创造的利润。结果显示，专家排名与实际赚取的利润之间几乎没有任何联系。事实上，这种关系甚至略呈负相关。专家评价治理水平最差的公司实际上拥有最高的利润，而治理水平被评为最好的公司却拥有最低的利润率之一。基于专家评分训练出的旨在预测利润的计算机模型未能实现预测，这证实了专家所看待的公司管理风格并不能告诉你这家公司能赚多少钱。
为了理解这种脱节的原因，研究人员使用了一种允许计算机解释自身推理的技术。他们要求计算机模型识别出在专家评分的十个因素中，究竟哪些因素才是驱动利润差异的关键。答案与最初的专家排名完全不同。虽然专家关注的是战略规划和风险管理等正式结构，但计算机分析揭示，与实际利润联系最紧密的因素是公司与人之间的关系。具体而言，与员工的关系质量以及公司与政府监管机构往来的性质，是预测财务成功的最强因素。
这一发现表明，在乌兹别克斯坦建筑业的特定背景下，专家所寻找的正式规则和文件并不是日常成功的核心驱动力。相反，保持员工积极性以及应对复杂政府监管环境的实际能力，似乎对底线利润更为关键。这项研究并非声称良好的治理并不重要，但它表明，衡量治理的标准方式——即侧重于董事会独立性和书面计划——在这一环境下可能遗漏了最关键的要素。研究人员得出结论，对于该领域的公司而言，若要提高财务表现，应当优先建立与劳动力及国家之间强大且建设性的关系，而非仅仅是润色其正式的管理结构。这一洞察为那些试图理解在发展中经济体中什么才是企业繁荣真谛的商业领袖和政策制定者提供了一条新的路径。
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。