| 研究課題/領域番号 |
20H01537
|
|---|
| 研究種目 |
基盤研究(B)
|
| 配分区分 | 補助金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分07080:経営学関連
|
|---|
| 研究機関 | 学習院大学 |
|---|
研究代表者 |
白田 由香利 学習院大学, 経済学部, 教授 (30337901)
|
|---|
| 研究分担者 |
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)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2024-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
11,700千円 (直接経費: 9,000千円、間接経費: 2,700千円)
2023年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2022年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2021年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2020年度: 7,800千円 (直接経費: 6,000千円、間接経費: 1,800千円)
|
|---|
| キーワード | 企業行動構造 / 機械学習 / SCM / Shapley値 / 可視化 / 回帰分析 / SHAPアプローチ / 特性関数 / 企業分析 / 回帰分析の可視化 / レジリエンス / 企業行動分析 / 企業行動特性抽出 / 回帰と分類 / 有意性と重要性 |
|---|
| 研究開始時の研究の概要 |
本研究は機械学習手法の経営における企業分析への適用を推進するために既存の分析手法、特に決定樹木系アルゴリズムの改良とその可視化を行い、伝統的回帰手法の限界の克服のための一助となることを目指す。 経営学では物理法則の様な再現可能な理論はまだ確立されていない。経営学では実地調査等の仮説形成のための帰納法的アプローチと仮説検証型統計手法が主流である。それが政策立案、事前的経営努力等の領域で曖昧さを残したままの状況での意思決定や実践を強いることになっている。本研究は、企業行動構造の分析における、データに裏付けられたより意味のある仮説の形成とその立証を支援する機械学習手法の援用を高めることを目的とする。
|
| 研究実績の概要 |
株価安定期の日本製造業3業種を分析し、株価上昇には売上成長率、在庫回転率及び有形固定資産回転率が重要であることを検証した。次に世界自動車製造業及び電気機器製造業で回帰分析を行い、株価上昇率のための重要要素を回帰により求めた。株価大暴落後の2018年3月1日から4月20日までの株価回復率をターゲット変数とし、生の説明変数値とターゲット値では相関関係が出ないが、各説明変数のSHAP値とターゲット値では高い相関性が得られた。さらに多重共線性の影響を排除するため、各説明変数SHAP値を主成分分析により次元圧縮を行った。この結果、自動車ケースでは、主成分1として収益及びROE等の利益性要素が得られ、主成分２として在庫及び固定資産回転率等のサプライチェーン（SC）的要素が得られた。電気機器のケースにおいては主成分１に利益性要素とSC的要素、さらに売上高成長率が現れ、主成分２はROAと売上高成長率であった。従来から株価回復率にROE等の収益性に関する変数が重要な影響を与えていることは知られていたが、今回SHAPアプローチにより初めて株価回復へのSC的説明変数の重要性が検証された。SHAPは、特性関数を用いることで各企業の特性に基づく説明変数貢献度の評価を可能とする。従来の絶対値による説明変数の評価法と異なり、その企業なりの特性を踏まえた上で、各説明変数のターゲット変数への影響を評価可能とした。SHAPアプローチは経営学だけではなく人文科学及び医学等、回帰を用いる全分野で活用可能である。白田は、SHAPアプローチ普及のため学会でチュートリアル「機械学習回帰における Shapley 値の理論説明と事例紹介」を行った。事例として企業行動特性分析及び、日本の県別出生率の回帰の事例を用いた。SHAPの理論の可視化による説明が好評で、3月1日の録画公開後5月3日現在動画再生回数は284回を記録した。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
本研究の第1の目的は、機械学習における説明変数の重要度の測度の改善を図ることである。データ工学の分野のサーベイからSHAPという測度を知り、企業分析に適応し、その有効性を検証することができた。成果論文も発表した。また、各種の製造業における企業分析を行うことで、我々自身もSHAPの理論を深く理解することができた。また、SHAPによる分析結果を多数可視化したことで、それを教材として回帰分析結果をさらに分かりやすく説明可能となった。2022年2月27日のDEIMチュートリアル「機械学習回帰における Shapley 値の理論説明と事例紹介」で多くの日本若手研究者にSHAPアプローチを広めることができたことで、第1の目的は達成できたと考える。
|
| 今後の研究の推進方策 |
2022年度の計画としては
（A）Amplitude-based 時系列データクラスタリング手法の開発：企業の株価上昇率及びパターンの比較を行ないたい。その株価変動のクラスタリングのためには株価を標準化しないままで扱う手法が必要であるが、その手法はまだ確立されていない。クラスタリングのアルゴリズム自体の改良を行う。
（B）Shapley値による樹形図描画：回帰では樹形図を説明変数の生のデータで描く。これをShapley値を使って描くことで説明変数の重要性を別の視点から解析する。
（C）Shapley値の時系列変化分析：説明変数の経営指標として過去10年平均値を用いることは昨年度と同じであるが、被説明変数が時系列する場合、各説明変数のShapley値がどのように時系列変化するかを分析する。
得られた結果を可視化表現して取りまとめ学会発表する。
|
