経営学総論 ガイダンス - SAINS停止のお知らせ

経営統計
<経営学総論:June 16 – July 7, 2005>
小島 平夫
経営統計学担当
経済学博士 (九州大学),
M. B. A. (米国カーネギーメロン大学)
http://www.seinan-gu.ac.jp/~kojima/
1
以下の順で,テキストに
沿って,話を進めます
(クリックして,各スライドへ飛ぶことができます)






企業経営とビジネス予測の関わり合い
統計学エッセンス
ビジネス時系列予測システム
製造業企業収益力予測への応用
予測システムの拡張
おわりに
2
企業経営とビジネス予測の
関わり合い

ビジネス予測が組み込まれた,経営の流れ
– テキスト第8章 p.108 の図1:
• http://www.seinan-gu.ac.jp/~kojima/intro_business/figs.html#A1
• 上図では,経営を,以下の四つから成るシステム,とし
て捉える:
– インプット(投入)
» 経営資源
– 経営プロセス(経営資源を処理する過程)
» 詳細は,テキスト第2章以降で概説
– アウトプット(産出/成果)
– フィードバック(修正のための経営コントロール)
– 経営を,Plan えると:
Do - See - Feedback として捉
• http://www.seinan-gu.ac.jp/~kojima/intro_business/figs.html#A2 3
統計学エッセンス (1)

経営データとは(テキスト pp.110-111)
– 表1 海外進出日本企業の売上高データ:横断面
データ(2000年度実績)

データを整理する<1>:データの中心を調べ
る(テキスト pp.111-112)
– 平均値(=算術平均),中央値,最頻値

データを整理する<2>:データのばらつきを
調べる(テキスト p.112)
– 分散,標準偏差,範囲
4
統計学エッセンス (2)

データを整理する<3>:データの度数
分布表,ヒストグラムを作り描く(テキ
スト p.112)
– データの分布の様子:
• 左右対称?
• 尖(とが)っている?
• 歪(ゆが)んでいる?
• 理想:Yes, No, No:正規(せいき)分布
– 分布の様子を目視観察する
5
統計学エッセンス (3)

時系列データを整理する<4>:中心を調べ
る(テキスト pp.112-113)
– 表2 日本企業(電気機械)のアジア現地法人
経常利益データ:時系列データ
• Excelでグラフを描いてみよう:
(百万円)
年度
1997
1998
1999
144,239
136,163
265,020
2000
310,661
– 幾何平均(前掲の算術平均とは違う!)
• 年平均増加率,年平均成長率を求めるときに必要
• 算術平均では,正しい平均増加率は計算できない
– 表2について,経常利益の年平均増加率を計算
6
統計学エッセンス (4)

データを整理する<5>:二つのデータ間の
関係を,相関係数で調べる[=関係分析]
(テキスト p.113)
– 表1 海外進出日本企業の売上高データ:横断
面データ(2000年度実績)
• 表1の(A)北米現地法人売上高 と (B)アジア現地法人売
上高を二つの異なるデータについて,それらの関係
を調べる
– 相関係数は,直線関係の度合いを示す:
• 曲線関係の度合いを調べることはできない!!
• 表1(A)と(B)の関係が直線的なのか,曲線的なのか,
を調べるには, (A)と(B)を縦軸,横軸に置いた相関
図(散布図)を描くことが肝要!
7
統計学エッセンス (5)

確率,確率変数,確率分布(テキスト pp.113-115)
– ビジネス予測は , 結果が不確定な将来(=次期 ) を予測
する作業
– 一般に,結果が不確実な事象(例えば,次期売上高が上
昇する,という事象)は,確率を使ってその起こりやす
さ,起こりにくさを考えることができる
• 理論的には,いくつかの条件を満たす実数であれば , そ れ
は確率と呼ぶことができる
– 私たちが主観的に想定する数字でも,それらの条件さえ満た
せば確率となる
– 確率変数:将来の結果が不確定な変数
– 確率分布は,結果がどういう値で起こりやすい,起こり
にくいのか,を目に見える形で示してくれる
• 「確率変数の確率分布」
• 既述の正規分布は,確率分布のひとつ
– 理論と実際の両面で,重要!
• 注:データのヒストグラムは,既に生起したデータの起こ
りやすさ,起こりにくさを示している
8
統計学エッセンス (6)

統計的推測(テキスト p.115)
– 母集団
• 日本企業の海外現地法人すべて(世界各地域を網羅
)の売上高
• この売上高の平均=母平均:これは,未知
– この母集団の一部=標本
• 未知の母平均を推測,推定するために,母集団から
標本抽出(標本の無作為抽出)
• この標本について計算される平均=標本平均
– 標本平均そのもの=母平均の点推定
– 標本平均を使って幅のある推定=母平均の区間推定
– 母平均について仮説検定
• 帰無仮説:母平均=2,000,000(百万円)
• 対立仮説:母平均<2,000,000(百万円)
• 仮説検定:標本平均を使って,帰無仮説を検定す
る;帰無仮説は否定されるのか?否定されれば,対
立仮説が受け入れられる.
9
統計学エッセンス (7=最後)

回帰分析(テキスト pp.115-116)
– 関係分析:日本企業北米子会社の売上高(表1の
(A)欄)は,日本国内の本社売上(例えば表1の
(C)欄)が増えるとき,どんな動きを見せている
か?
– 単回帰分析
•
•
•
•
単回帰式:Yi = α + βXi + ai
Yi:北米子会社の売上高
Xi :本社売上高
β:本社売上高Xiが1単位(表1では1単位=百万円)増
加した場合,北米子会社の売上高Yiがどのように変化
するのか,を表す
– 重回帰分析
• Xiに加えて,Wi ,Zi(例えば「北米での広告宣伝費」
など)も考慮に入れる
10
• 重回帰式: Yi = α + βXi + γWi + δZi + ai
ビジネス時系列予測システム


ビジネス時系列:時間的に変化していく経
営データ(既出の表2のようなデータ)
予測システムの構成要素(テキスト pp.116-117)
– 時系列モデルを予測モデルとして応用
• 時系列モデル=回帰式(前スライド)をベースにした
モデル
– 過去から現時点までの情報分析
• 予測モデルの識別
• 予測モデルの推定とより良いモデルを目指して診断
– 情報分析を踏まえた将来予測
• 予測モデルによる予測
• 予測精度の測定とモデル間比較
11
過去から現時点までの情報分析(1)

予測モデル:ありま(ARIMA)モデル(テキスト p.117)
– Xt:ビジネス時系列(原系列):既出の表2のようなデータ
– wt = (1-B)d Xt:原系列の d 次階差系列
• ここで BdXt = Xtーd
– トレンドがなくなるように,通常 d=1
– 原系列 Xt の ARIMA モデル
• Ap×[Xt の d 次階差] = Mq×at
• ARIMA(p, d, q)
• Ap に,AR (えいあーる:自己回帰)パラメータが p 個含
まれる;Mq に,MA (えむえい:移動平均)パラメータが
q 個含まれる
• at:「トレンドがみられない」「分散は時間を通じて一
定」「純粋にランダムな動きをする」などのいくつかの
特異な性質を持つ誤差項
– ホワイトノイズ(白色雑音)とも呼ばれる
12
過去から現時点までの情報分析(2)

予測モデル:あーま(ARMA)モデル(テキス
ト p.118)
– Xt:ビジネス時系列(原系列)
– wt = (1-B)d Xt:原系列の d 次階差系列
• ここで BdXt = Xtーd
– トレンドがなくなるように,通常 d=1
– 階差系列 wt の ARMA モデル
• Ap×wt = Mq×at
• ARMA(p,q)
• 原系列の ARIMA モデル(前スライド)との違い
に注意
13
過去から現時点までの情報分析(3)

予測モデル ARMA の識別(テキスト p.118)
– トレンドがなくなるように,階差次数 d を決め
る:wt = (1-B)d Xt
– AR (えいあーる:自己回帰)パラメータ数 p と
MA (えむえい:移動平均)パラメータ数 q,を決
める
• 表3 次数p, qの決定:ACF(自己相関関数), PACF(偏
自己相関関数)と関連づけて
• 図2 予測モデルのACFとPACFの特徴
– http://www.seinangu.ac.jp/~kojima/intro_business/figs.html#A3
– 倹約の原理:次数 p, q は小さめに

予測モデルの推定(テキスト p.118)
– p個のARパラメータとq個のMAパラメータを推定
• その手続は複雑,難解;詳細は小島(1994)を参照
14
過去から現時点までの情報分析(4=最後)

推定された予測モデルの診断によるモデル
改良(テキスト pp.118-120)
– 推定されたパラメータは予測に有用か
• 帰無仮説「パラメータ = 0(パラメータが予測に有用ではな
い)」を検定する
• 帰無仮説の真実度が高いようなパラメータは削除
– 残差のチェック:残差分析
• 特に,残差は正規分布に従っていて欲しい
– SCCFチェック
• SCCF = wtとatーlagsとの標本相互相関関数
• ラグ < 0 で突出:その突出を削除するために,そのラグに
等しい次数でARパラメータを追加
– 残差SACFチェック
• 残差SACF = 残差の標本自己相関関数
• 特定のラグでSACFが突出:それを突出しないようにするため
に,そのラグに等しい次数でMAパラメータを新たに導入
15
情報分析を踏まえた将来予測 (1)

将来予測(テキスト p.120)
– 現時点までの(=標本期間内)データを
用いて推定された(おそらく複数の)予
測モデルを使って,ビジネス時系列の将
来(=標本期間外)予測をする
16
情報分析を踏まえた将来予測(2=最後)

現時点で(将来データの入手前に),予測
精度を測る(テキスト pp.120-121)
– 予測値:「点」予測としての平均
– (将来の)現実値はおそらくこの点予測値の周
辺に落ち着く
• この周辺の広さを示す指標は「予測誤差の標準誤差」
と呼ばれる
• この標準誤差を使うと,広さ(幅)を持った「区間」
予測が可能となる:
– 点予測値 ± 1.96×予測誤差の標準誤差
– ここで,1.96は,(将来の)現実の値がこの区間に入る
確率が95%であると想定
– つまり,この予測誤差の標準誤差が小さいほど
区間幅が狭くなり,したがって区間予測の精度
が良くなる
• そのような予測モデルが特定できるよう,作業を進め 17
る
製造業企業収益力予測への応用(1)

ビジネス時系列(原系列)= 企業収
益力
– 製造業企業の総合的収益力の指標=経常
利益
• 総合的=本業(ものつくり)+本業外(金融業など)
– 表4
損益計算書(テキスト p.121)
• http://www.seinangu.ac.jp/~kojima/hirao/course_busstats.html#A1
– ビジネス時系列 = 売上高経常利益率
• =経常利益÷売上高
18
製造業企業収益力予測への応用(2)

ビジネス時系列(原系列)=四半期毎売上
高経常利益率
– 四半期=1月—3月(第1四半期),…,10月—12月(第4四半期)
– 1977年から現時点(=1997年第4四半期 , と 想
定)までの21年間
• 表5 石油危機とその後の不況期(テキスト p.122)
– 次スライドで図3をみよ
– 時系列データ出所:財務省ウェブサイト
• http://www.mof.go.jp/ssc/kihou.htm
• 日本製造業全体の集計されたデータ(個別の企業デー
タではなく)を用いる

まず,1977 - 1997年期間の情報分析を企業
は行い,次に,収益力の将来(=1998年か
ら1999年第3四半期までの)予測を行う
19
製造業企業収益力予測への応用(3)

現時点までの情報分析:予測モデルを識別,
続けて,推定と診断でモデルを改良
– 1977年から現時点(=1997年第4四半期)までの21年間
– テキストp.122で, <問: …>に答えながら,順に下の図
を詳しく観察しなさい
• 図3 予測モデル識別:原系列(売上高経常利益率)そしてそ
のSACFとSPACF
– http://www.seinan-gu.ac.jp/~kojima/intro_business/figs.html#A4
• 図4
予測モデル識別:1次階差系列そしてそのSACFとSPACF
– http://www.seinan-gu.ac.jp/~kojima/intro_business/figs.html#A5
• 図5
ARI[16;1;0]モデルの推定結果
– http://www.seinan-gu.ac.jp/~kojima/intro_business/figs.html#A6
• 図6
ARI[3,16;1;0]モデルの推定結果
– http://www.seinan-gu.ac.jp/~kojima/intro_business/figs.html#A7
• ARIMA[3,16;1;1] (図は掲載せず)は,図6のARIより良い
モデルと判断される(あくまでもこの情報分析の段階では)
– そこで次に,ありARI[3,16;1;0]とありまARIMA[3,16;1;1] の二
つを予測モデルとして将来分析に適用し,予測精度を比較する
20
製造業企業収益力予測への応用(4)

将来分析:予測の特徴と精度を調べ,経営
意思決定にもつ意味を考察する <1>
– 以 上 の情報分析を基に,企業は,収益力の将来
(1998年から1999年第3四半期までの)予測を行
う:
• 図7
ARI[16;1;0]モデル vs ARIMA[3,16;1;1]モデル:売
上高経常利益率の現実値MGと予測値MGFRCST,そして区間予
測の95%信頼限界UPPER, LOWER (テキスト p.127)
– http://www.seinangu.ac.jp/~kojima/intro_business/figs.html#A8
– この図7で,売上高経常利益率(企業収益力)の
将来予測値二つ,ARI[16;1;0]予測と
ARIMA[3,16;1;1]予測,について吟味する -> 次
のスライド(予測精度は次の次のスライドで)
– 更に,それらの予測が経営意思決定について何
を含意するか,考える -> 次のスライド
21
製造業企業収益力予測への応用(5)

将来分析:予測の特徴と精度を調べ,経営
意思決定にもつ意味を考察する <2>
– 現時点でみた予測の特徴点(テキスト
pp.122-123)
• テキストp.123で,図7関する<問:…>に答え,予測の特徴
を調べなさい
• 図7
– http://www.seinangu.ac.jp/~kojima/intro_business/figs.html#A8
– 経営意思決定にもつ意味(テキスト
pp.123-124)
• この収益力予測を基に,企業は現時点で,将来の製品
生産計画(生産管理),製品の価格・マーケティング
政策(販売管理),賃金・配置転換政策(人的資源管
理)といった経営管理に関する重要な意思決定を下す
• Plan - Do - See - Feedback で,経営計画,経営コ
ントロールにも留意:
– http://www.seinan-gu.ac.jp/~kojima/intro_business/figs.html - A2
22
製造業企業収益力予測への応用(6)

将来分析:予測の特徴と精度を調べ,経営
意思決定にもつ意味を考察する <3>
– 現時点でみた予測精度(テキスト pp.124-125)
• 推定の段階:ARIMA[3,16;1;1]が,ARI[16;1;0]と比べ
て , SCCFと残差SACFが改善されていた。果たして,こ
の改善はARIMAの予測精度を向上させたのか
• 図7: ARI[16;1;0]の方が,区間予測の幅(一点鎖線
UPPER, LOWERの幅)が狭い(正確には,1四半期先と
いう極短期予測にはARIMAが狭いが,それを越える予
測にはARIの方が狭い)
– この意味でARIの方が総じて予測精度が高く,結局企業
は(将来収益力の落ち込み程度がかなり楽観的な)ARI
予測を採用した経営意思決定をすべきだろう
• 加えて,倹約の原理に従ったARI[16;1;0]の方が予測
精度がより高いというのは,望ましいこと
23
製造業企業収益力予測への応用(7=最後)

将来分析:予測の特徴と精度を調べ,経営
意思決定にもつ意味を考察する <4>
– 図7の補足:1999年第3四半期時点で(つまり事後
的に)現実との比較でみた予測の特徴点 ( テ キ ス ト
pp.125-126)
• テキストp.126<問:図7で,… > に答え,以下のこと
を確かめなさい:
– ARI予測とARIMA予測ともに,製造業企業の売上高経常利
益率は1998年第4四半期を底に増加に転じるだろうとし
ているが,現実はまさにこの予測に合致した動きをして
いる
• しかし,最終時点を除いて予測は終始過大予測:
– 即ち,平成2次不況期にあって現実の売上高経常利益率
は,1997年第4四半期時点での予測以上に落ち込んでい
る
• また,点予測としてはARIMA予測の方が現実値により
近い動きをしているように見える
24
予測システムの拡張:
多変量へ,そして異なる予測の結合へ

予測精度を改善し,より適切な経営意志決
定を行うために:
– これまでの一つのデータのみに絞った「一変量
」時系列予測システムを拡張して,複数のデー
タを用いて,異なるデータが互いに及ぼし合う
影響などを取り込んだ「多変量」予測システム
を作ることができる
– 更に,複数の異なるモデル(例えば時系列モデ
ルに加えて,第2.4節の回帰モデル)による予
測を,適切な形で結合するシステムを構築する
– これらの拡張により:
• 因果関係といった定性的な要因も加味した分析を可
能とする,精度のより高いビジネス予測システムが
構築でき,より望ましい経営意志決定が行われよう
25
おわりに

この「経営統計」スライドは,以下で閲覧
できます:
– http://www.seinan-gu.ac.jp/~kojima/intro_business/
• こ の URL で ア ン ダ ー バ ー ( _ ) に 注 意 :
/intro_business/
• このウェブページで,intro_b_stats.ppt をクリッ
クして閲覧


閲覧できない,などの問い合わせは,小島
宛てにどうぞ:[email protected]
ビジネス予測については,私の公開講座ス
ライド(Friday,May 7,2004) も参考になり
ます:
– http://www.seinan-gu.ac.jp/~kojima/Ext/
26