2017年-世界发展银行全球_Man_vs_Machine_in_Predicting_Successful_Entrepreneurs___Evidence_from_a_Business_Plan_Competition_in_Nigeria_66页_1mb

总结：Man vs. Machine in Predicting Successful Entrepreneurs

核心内容

本文探讨了在尼日利亚一项创业计划竞赛（YouWiN!）中，人类判断和机器学习方法在预测成功创业企业方面的表现。研究使用了超过2500家企业的数据，包括1200家获奖企业、1103家半决赛选手、475家非实验性获奖企业和199家未进入半决赛的企业。研究重点在于评估创业计划评分、简单的人工预测模型以及现代机器学习方法在预测企业生存、就业、销售额和利润方面的有效性。

主要观点

• 人类评分的局限性：创业计划评分（由评委给出）与企业三年后的生存、就业、销售额和利润无显著相关性。尽管评委认为企业之间存在差异，但这些评分未能有效预测企业的实际表现。
• 简单人工模型的预测能力：基于理论和研究者经验的简单预测模型（如性别、年龄、教育、能力等）在预测企业表现方面有一定效果，尤其是对就业有弱相关性，但总体预测准确率仍然较低。
• 机器学习方法的性能：使用393个预测变量和非线性函数的现代机器学习方法（如PostLASSO、支持向量机和增强回归）在预测企业表现方面与简单模型表现相当，未能显著提升预测准确率。
• 识别高表现企业的潜力：尽管所有方法的预测准确率较低，但它们在识别表现最好的企业（即“尾部”企业）方面表现优于随机选择，可以达到22%的识别率。
• 创业的不确定性：研究指出，创业本质上具有高度不确定性，因此提前识别成功企业非常困难，这与专业投资者在评估创业项目时的挑战相一致。

关键信息

1. 数据与方法

• 数据来源：YouWiN! 竞赛的申请者数据，包括初始在线申请、业务计划提交、评委评分、短期随访调查和三年随访调查。
• 样本构成：
  • 475家非实验性获奖企业
  • 729家实验性获奖企业
  • 1103家半决赛选手（控制组）
  • 199家未进入半决赛的企业
• 变量：包括个人背景（性别、年龄、教育）、能力测试（数字记忆、抽象推理测试）、毅力（grit）等，以及业务计划的详细内容（如业务类型、融资情况、挑战等）。
• 方法：比较三种方法的预测效果：评委评分、简单人工模型、现代机器学习模型。

2. 评分与企业表现

• 评委评分与生存：评委评分与企业生存无显著相关性。
• 评委评分与就业：对非获奖企业，评委评分与就业无显著相关性；对获奖企业，评分与就业有弱相关性。
• 评委评分与利润/销售额：评分与利润和销售额无显著相关性。
• “能力管理”评分：在非获奖企业中，该评分与就业显著相关（p=0.002），但对获奖企业不显著。

3. 简单人工模型

• 变量选择：基于理论和研究者经验，选择了性别、年龄、教育、风险偏好、是否留学、地区和行业等变量。
• 模型效果：这些模型在预测企业表现方面有一定效果，但总体预测准确率仍然较低，尤其是对销售额和利润的预测。

4. 机器学习方法

• 模型类型：PostLASSO、支持向量机、增强回归。
• 结果：这些方法在预测准确率上与简单模型相当，未显著提升预测能力。
• 识别高表现企业：尽管整体预测能力有限，但这些模型在识别表现最好的企业方面表现优于随机选择，识别率为22%。

5. 结论与政策意义

• 创业预测的困难：所有方法在预测企业成功方面表现有限，突显了创业预测的基本难度。
• 机器学习的潜力：尽管机器学习方法在预测平均表现上未优于简单模型，但它们在识别高表现企业方面具有一定潜力。
• 政策建议：研究结果对投资者和政府在支持高增长企业方面具有指导意义，也提示需要更多关注企业本身的特征和行为，而非仅依赖评分或简单模型。

总体评价

本文通过实证分析揭示了在创业计划竞赛中，无论是人类评委还是机器学习方法，都无法有效预测企业的长期成功。然而，这些方法在识别表现优异的少数企业方面有一定作用，表明在资源有限的情况下，可以利用这些方法辅助筛选高潜力项目。研究强调了创业的不确定性，以及在缺乏明确预测指标的情况下，识别成功企业是一项极具挑战性的任务。