当人工智能遇见美国公司金融

《Finance Research Letters》：When Artificial Intelligence meets corporate finance in the USA

　　

研究人员提出一种人工智能（AI）模型，该模型为监控公司金融中的非线性生产关系提供了透明且可扩展的工具。当生产技术为非线性的情况下，线性模型可能会扭曲关于规模、生产率和效率的推断。研究人员通过开发一个精简的神经生产模型来解决这一问题，该模型使用单隐藏层前馈神经网络（single-hidden-layer feedforward neural network）并包含一个隐藏神经元，通过闭式导数（closed-form derivatives）提供观测特定的弹性（elasticities）、规模报酬（returns to scale, RTS）、技术效率（technical efficiency, TE）和全要素生产率（total factor productivity, TFP）。该模型基于174,190个Compustat北美公司年度观测值（2000–2025年），通过使用年内去均值后的劳动、资本和研发（R&D）的对数来解释销售额，结果揭示了递增的规模报酬、采用者中较高的技术效率以及显著的正向全要素生产率变动。采用两个隐藏神经元的规格仅在拟合优度上带来边际改进，并保留了这些经济模式。该架构保持参数数量较低，产生可解释的单位级诊断结果，并且完全可复现，适用于应用研究和金融决策。此外，该模型系统地优于流行的柯布-道格拉斯生产函数（Cobb–Douglas production function）。在操作层面，该框架可扩展至监管和投资用途，例如跟踪非线性生产、比较不同单位以及优先安排干预措施。

**论文解读：基于神经生产函数的非线性公司金融分析框架**

**研究背景与问题**
在实证生产与生产率分析中，线性生产函数模型（如柯布-道格拉斯生产函数）被广泛使用，然而当生产技术呈现非线性特征时，线性模型会扭曲对规模、生产率和效率的推断。这种扭曲对于测量、基准比较和政策制定具有重要影响，因为规模报酬、生产率与效率常被解释为企业本身的特征，而非函数形式的人为产物。为此，研究人员提出一种紧凑的神经生产函数，在保持可解释性的同时引入有限且透明的非线性关系。该研究旨在建模和测量非线性生产关系，而非预测产出，从而为金融监管、公司治理和投资分析提供可靠工具。

**研究内容与结论**
研究人员基于Compustat北美数据库，构建了涵盖2000至2025年间174,190个美国公司-年度观测值的面板数据，采用年内去均值后的劳动（employment, EMP）、资本（total assets, AT）和研发支出（R&D expenditure, XRD）的对数来解释销售额（net sales, SALE）。通过开发一个单隐藏层前馈神经网络，其中仅包含一个隐藏神经元，利用逻辑激活函数（logistic activation）和最小二乘损失函数进行训练，得到观测特定的弹性、规模报酬、技术效率和全要素生产率。研究表明，该模型在样本内解释了约76%的年内对数销售额变异，并揭示出美国上市公司在运营区域内呈现递增的规模报酬（中位数RTS≈1.162），其中劳动弹性最大，资本次之，研发弹性为正但较低。全要素生产率中位数为1.296，意味着企业产出比投入预测值高出约29.6%，这反映了未观测因素（如无形资本、组织资产或规模优势）的贡献。技术效率指标中位数为1，表明至少一半的企业被评估为处于生产前沿面上。两个隐藏神经元的规格仅带来边际拟合改进，且经济模式保持一致，确认了单隐藏神经元模型在保持简洁性和可解释性的同时并未牺牲预测性能。此外，模型在滚动窗口外样本验证中始终优于柯布-道格拉斯基准模型，表明非线性规格捕捉了稳定的生产关系而非过拟合噪声。

**主要关键技术方法**
研究人员采用单隐藏层前馈神经网络（multilayer perceptron, MLP）架构，仅包含一个隐藏神经元，以逻辑函数为激活函数，利用闭式导数推导观测特定的弹性、规模报酬、技术效率和全要素生产率。输入变量（劳动、资本、研发）经过年内去均值化和标准化处理，参数通过一阶优化方法（Adam）最小化平方损失进行估计。样本来源为Compustat北美数据库，涵盖174,190个公司-年度观测值（2000–2025年）。

**研究结果**
1. **模型拟合诊断**：基线模型（单隐藏神经元）获得了0.764的年内R²，均方根误差（RMSE）为1.344，平均绝对误差（MAE）为0.950。实际与预测对数产出的散点图沿45°线紧密聚集，表明模型具有良好解释力。残差密度接近零，呈重尾分布，符合大型异质面板特征。年度R²保持稳定。
2. **弹性与规模报酬分布**：劳动弹性中位数最大，资本略小，研发弹性为正且离散度有限。规模报酬中位数约为1.162，显示递增规模报酬，且在中型企业中更为显著。误差（MAE）按规模十分位分布平稳。
3. **全要素生产率与技术效率**：TFP残差中位数（指数化后）为1.296，技术效率中位数为1，表明大量企业位于生产前沿。TFP离散度从2000年代初至2014年呈上升趋势，2015–2024年稳定，2025年急剧下降。
4. **截面异质性与稳健性检验**：规模报酬和投入弹性在行业、企业年龄、创新强度以及宏观经济事件（全球金融危机、COVID-19）间存在有意义差异，年轻和创新密集型企业表现出更强的递增规模报酬。两隐藏神经元规格仅带来微小拟合改进，经济模式不变。外样本滚动窗口验证显示，神经生产函数始终优于柯布-道格拉斯模型，且性能随隐藏神经元增加而提升，但超过三个神经元后趋于稳定。

**讨论与结论**
讨论部分指出，该紧凑的神经生产函数在方法论和操作层面均具有贡献。方法论上，其架构简洁，从参数到弹性的映射透明，输出与生产理论一致。操作上，该模型可作为监管者、董事会和投资者的工具，用于实时跟踪非线性生产关系、比较不同单位并优先安排干预措施。研究结论强调，非线性诊断应常规应用于监管、治理和投资分析中。监管者可要求在企业线性报告之外补充非线性报告，包括观测特定弹性、规模报酬分布、校准图、残差图、年度R²以及按规模排序的误差。模型卡片应记录完整流程（标准化、架构、初始化、调参、宽度稳健性），符合透明度与模型风险指引。董事会和投资者可利用规模报酬分布进行单位基准比较和预算分配，弹性剖面指示劳动、资本或研发作为边际杠杆。非线性诊断可补充早期预警工具包，用于压力事件和泡沫检测。对于审慎用途，相同的神经组件可嵌入满足经济规律的前沿和成本函数设计中，保留全局逼近能力的同时进行效率分析。由于劳动和研发弹性至关重要，协调化报告EMP和XRD将改善测量。最后，研究人员指出，所有基于人工神经网络的方法都存在过拟合风险和对训练参数选择的敏感性，尽管紧凑架构和稳健性分析可缓解这些问题，但未来工作可探索额外验证方法。

**研究结论翻译**：
研究人员采用了一种紧凑的神经生产函数，将标准企业投入转化为感兴趣的度量指标。基于实证结果，研究人员发现了递增的规模报酬、采用者中较高的技术效率以及显著的正向全要素生产率变动。这项贡献在方法论和操作层面均有体现。方法论上，该架构简洁，从参数到弹性的映射透明，其输出与生产理论一致。操作上，该模型可作为监管者、董事会和投资者的工具，用于实时跟踪非线性生产关系、比较不同单位并优先安排干预措施。