研究課題/領域番号 |
23K22140
|
補助金の研究課題番号 |
22H00869 (2022-2023)
|
研究種目 |
基盤研究(B)
|
配分区分 | 基金 (2024) 補助金 (2022-2023) |
応募区分 | 一般 |
審査区分 |
小区分07080:経営学関連
|
研究機関 | 筑波大学 |
研究代表者 |
立本 博文 筑波大学, ビジネスサイエンス系, 教授 (80361674)
|
研究期間 (年度) |
2022-04-01 – 2026-03-31
|
研究課題ステータス |
交付 (2024年度)
|
配分額 *注記 |
13,650千円 (直接経費: 10,500千円、間接経費: 3,150千円)
2025年度: 2,340千円 (直接経費: 1,800千円、間接経費: 540千円)
2024年度: 2,990千円 (直接経費: 2,300千円、間接経費: 690千円)
2023年度: 2,990千円 (直接経費: 2,300千円、間接経費: 690千円)
2022年度: 4,030千円 (直接経費: 3,100千円、間接経費: 930千円)
|
キーワード | 経営戦略論 / 事業ポートフォリオ再編 / 機械学習 / ポジショニング / 多角化戦略 / ビジネスポートフォリオ再編 / 多角化経営 / 業界地図 / データサイエンス |
研究開始時の研究の概要 |
製造業のエコシステムは、AI/DXやCASE技術の影響を受け、企業の戦略軌跡とパフォーマンスの変化が注目されている。本研究では、日本の製造業企業の戦略軌跡を財務データを基に作成した業界地図を用いて分析し、事業ポートフォリオの再編が企業パフォーマンスに与える影響を明らかにする。また、データサイエンスの手法による新しい業界地図によって、経営戦略論に新たな分析ツールを提供する可能性を探求する。
|
研究実績の概要 |
本研究では、企業の事業ポートフォリオ再編に関して地図を作成し、さまざまな指標を合わせて、企業の戦略軌跡の変更を理解することを目的としている。そのため財務指標による事業重心の算出だけでなく、特許データや企業効率性データを算出して、それらとの統合を試みようとした。特許データ(引用数・被引用数)や企業効率性をつかって企業パフォーマンスを説明する試みを行った。 昨年度はchatGPTなどの発表に代表されるようにAI技術に大きな進展があった。大規模言語モデル(LLM)・生成AIを利用してテキストデータを数量化して、これらの企業の戦略軌跡変更の解釈に用いることができる可能性がでてきた。LLMをつかったプログラミングの技法向上を行い、企業のアニュアルレポート(有価証券報告書や統合報告書など)からコンセプト抽出やコンセプトの採点やコンセプト間の関連性の数量化の試みや既存研究(開発実績の報告を含む)の探索を行った。その結果、LLMをつかったテキスト情報の数量化は非常に有望であり、従来の伝統的なTF-IDF法(単語の頻度を用いた方法)や、トピックモデリングなどの数量化の方法に比べて、より柔軟な数量化を行えることがわかった。こういったAI技術を社会科学の実証分析に導入する有効性を示しており、よりこの分野の技法の習得と現実問題への応用・修練の必要性が明らかになった。 また、機械学習手法においてもcausal forestなど従来アルゴリズムに対する改良・進展的な技法を用いることで、統計的因果推論に機械学習を用いることが可能となった。このことは現実の経営事象にたいして柔軟な推定(たとえば非線形な効果の推定や、対象を選択した上での効果の推定など)ができることを意味し、現実の経営課題に対して実証的研究を適用する有効性が高まったといえる。この分野についてもより調査を進める必要性が明らかになった。
|
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
データの入手などに困難があると予想していたが、財務データなどはデータセットとして入手し、ある程度の修練の後に、研究に使える形に整形できることがわかった。統計プログラム言語RやPythonを利用することでデータセットが大規模になることに対応している。ただしこのような統計プログラム言語を利用すると、そのようなスキルでデータ整理を行うことができる補助員が極端に限定されてしまうため、研究グループとしての底上げを行いながら分析を行う、というスタイルを強いられている。特許データなどもこういった10万レコードから100万レコードほどの大規模データになりやすいため、こういった大規模データセットへの対応スキルを向上させることが必要となっている。 より大きな変化として、昨年度はchatGPTなどに代表される大規模言語モデル(LLM)の登場があった。テキストデータを数量化する手法として画期的であり、今後の社会科学のデータ分析には欠かせないテクニックになると考え、この技術の取得を行った。LLMを使ったテキストデータの数量化を用いた実証研究は開始したばかりであるが、おそらく成果がえられるのではないか、との感触を持った。 機械学習を導入した統計的因果推論の手法の取得には時間がかかった。近年、統計的因果推論の分野では社会科学における実証分析では欠かすことのできない手法が開発されており、たとえばcausal forestやDML(double/debiased machine learning)などが代表的である。ただし、従来、経営学研究でも用いてきた統計的手法とは大きな乖離がある。そのためその取得には理論的な把握をふくめて時間がかかった。おおくの良質な技術記事や先端的な統計パッケージに頼ることで技法取得を進んでいる。
|
今後の研究の推進方策 |
昨年度に続いて、データセットの整備と計算環境の向上を継続して行う。昨年度のUMAPアルゴリズムの導入により推定が可能となったが、手軽に利用できる段階には至っていないため、これを改良する。さらに、近年の機械学習手法の進展に対応し、生成AIや大規模言語モデル(LLM)の技術を取り入れる。これにより、定性情報(非数値情報、テキストや画像)を含む地図情報の作成を試みる。また、機械学習を因果推論に適用する研究も進めていく。例えば、causal forestやDML(Double Machine Learning)を用いた因果効果の推定手法を取り入れることで、効果修飾子による施策ターゲティングが可能となる。 事業ポートフォリオの再編によって企業の戦略がどのように変化し、それが後続年の企業パフォーマンス(ROIC:投下資本利益率)に与える影響を回帰分析で推定します。この研究を理論的に位置づけるため、既存研究との関連性を探り、理論フレームワークの開発も行う。また、企業の効率性、技術資源(特許等)、ガバナンス能力(トップマネジメントチームの属性など)との関連性も考察する。この間に文献調査や中間的な成果発表のために国際学会や国内学会での発表を目指す。
|