2023 Fiscal Year Final Research Report

Research on analysis of corporate behavior structure by machine learning

Research Project

PDF

Project/Area Number	20H01537
Research Category	Grant-in-Aid for Scientific Research (B)
Allocation Type	Single-year Grants
Section	一般
Review Section	Basic Section 07080:Business administration-related
Research Institution	Gakushuin University
Principal Investigator	Shirota Yukari 学習院大学, 経済学部, 教授 (30337901)
Co-Investigator(Kenkyū-buntansha)	永島正康立命館大学, 経営学部, 教授 (20745202) 吉浦裕電気通信大学, その他部局等, 名誉教授 (40361828) 山口健二日本大学, 経済学部, 講師 (50582285) チャクラボルティバサビ岩手県立大学, その他部局等, 特命教授 (90305293) 澤口聡子福知山公立大学, 地域経営学部, 教授 (90235458)
Project Period (FY)	2020-04-01 – 2024-03-31
Keywords	企業行動特性 / 機械学習 / 回帰分析 / Shapley値 / 説明可能AI / 棚卸資産回転率 / 有形固定資産回転率 / 時価総額
Outline of Final Research Achievements	This research analyzed the structure of corporate behavior through machine learning, enabling the discovery of growth factors that were previously undetectable. We used Shapley's theory as an explainable AI technology to understand the complex results of machine learning regression. This theory considers the characteristics of each data point to determine the contribution of explanatory variables, making it possible to identify the characteristics of each company. While this was impossible with traditional linear and machine learning regression, it became possible for the first time with Shapley values. Previously, the relationship between market capitalization growth and inventory turnover rate could not be proven. However, a high correlation emerged between the SHAP values and the market capitalization growth rate. Using SHAP, it became possible to measure the contribution of explanatory variables that reflect the characteristics of each company.
Free Research Field	経営学
Academic Significance and Societal Importance of the Research Achievements	本研究の社会的意義は、機械学習アプローチにより潜在的な関係性を新たに発見および証明可能にした点にある。経営学では公開データの限界から企業行動の特性を探ることが困難であったが、SHAPアプローチを用いることで業界平均と比較し、各説明変数が被説明変数に与える貢献度の定量化が可能となった。これは従来の手法では達成不可能であり、企業分析の精度向上に寄与するものである。さらに、SHAPを説明可能AIとして視覚化する技法を開発し、理解しやすいグラフの作成を実現した。この手法は回帰分析を用いるすべての分野に適用可能であり、広範な学問分野における回帰分析および説明可能AI「SHAP」の活用に大きく貢献する。