企业建模与发展预测读书会启动招募，探索复杂系统自动建模技术前沿

导语

技术进步推动复杂系统研究。随着机器学习、深度学习、图网络、因果科学等领域的发展，针对复杂系统建模的研究也愈发深入，其中针对企业和微观经济系统的建模研究已经成为热点。集智俱乐部以「企业建模与发展预测」为主题，组织为期2-3个月的读书会，研读经典和前沿文献，交流激发科研灵感。

同时，集智学园年费VIP计划已经启动，VIP计划面向有长期学习和科研需求的朋友，VIP会员在权益期间免费参与各类读书会与课程。详情见文末。

1. 背景

复杂系统自动建模是通过数据驱动，使用机器学习或其他算法，去找到复杂系统的相互作用的关系以及动力学法则，从而对整个系统进行建模的技术。

此前，我们已经展开了两季复杂系统自动建模主题的读书会。

在第一季读书会中，我们以“助力科研”为核心目的，汇集了一批对复杂系统自动建模感兴趣，以及正在进行相关研究的朋友，通过阅读和讨论一系列前沿和经典文献，对复杂系统进行结构和动力学重构领域进行了深度的讨论和交流。

而在第二季“面向复杂系统人工智能研究”的读书会中，我们着重关注用复杂系统的理论和方法更好地理解人工智能，探讨了基于深度学习的复杂系统自动建模技术，以及基于可解释性的因果推断方法论。并且在此基础上，集智俱乐部涌现出了“因果科学社区”，“因果读书会”第二季也正如火如荼地进行中。

读书会介绍

本次读书会是复杂系统自动建模系列读书会第三季。

实证数据表明，一些大企业创造的财富总量往往比一些国家还要多。例如，2019年，苹果公司的总资产为3385亿美元，超过了全球第38大经济体新加坡的国内生产总值(GDP) ；中国最大的互联网企业之一阿里集团的总资产为1438亿美元，几乎和乌克兰的 GDP相等。另一方面，企业是当代经济的基本单位，也是人类与经济环境互动的主要载体。因此，理解企业的演化规律，与理解经济、国家、城市的演化一样，都是我们认识社会系统的重要手段。

而企业是一个典型的复杂系统。企业内部，企业与企业之间都存在着相互作用关系，并且这种相互作用又会推动企业系统的演化。《规模》这本书介绍了企业和生命体一样，存在生长、新陈代谢，以及死亡的机制，探索了不同类型的系统背后存在的统一规律，将网络和规模缩放范式应用于公司的动力学、生长和结构上来，推动了用复杂科学的视角对企业系统的进一步讨论。

我们这次主要内容聚焦于复杂系统自动建模技术在企业研究领域的应用，包括企业破产预测，企业财务属性预测，企业网络研究，企业建模等等。目的在于进一步深入探索复杂科学理论和方法在实证研究中的应用，进一步揭示真实世界的运作模式。

我们也邀请了来自管理科学的老师和同学，对企业研究领域当前关注的问题和方法进行分享，以期实现机器学习、管理科学、网络科学等多学科的碰撞。

读书会内容框架如下：

1. 企业研究与复杂系统建模关系综述

综述企业研究与复杂系统自动建模的关系，以及复杂科学视角下，企业的生长与死亡机制

2. 企业破产预测专题

企业破产预测综述，介绍该领域的经典方法、发展脉络以及最新的进展综述
非机器学习方法解决企业破产预测最新进展
机器学习方法解决企业破产预测最新进展

3. 企业财务预测专题

企业财务预测综述，介绍该领域的经典方法、发展脉络以及最新的进展综述
非机器学习方法解决企业财务预测最新进展
机器学习方法解决企业财务预测最新进展

4. 企业网络专题

介绍一系列引入实证网络数据研究企业的工作，包括研究网络拓扑结构，适应性，自组织性，以及研究网络结构对于经济体的影响等等。

核心发起人

张江：北京师范大学系统科学学院教授、集智俱乐部创始人、集智学园创始人。主要研究领域包括复杂网络与机器学习、复杂系统分析与建模、计算社会科学等。其开创的集智俱乐部是国内外知名的学术社区，致力于复杂系统、人工智能等多领域的跨学科交流与合作。

参与方式及时间

本次读书会适合的参与对象：

管理科学领域进行企业相关研究的学者
实证数据的复杂网络研究学者
对复杂系统自动建模应用感兴趣的学者或工程师
企业管理者

运行模式：

从4月19日开始，每 1 周由 2-3 名读书会成员领读相关论文，进行线上会议，与会者可以广泛参与讨论。

时间：

每周一晚上 20:00-21:30（暂定）持续时间预计 2-3 个月。

方式：

此次读书会为线上读书会，采用的会议软件是腾讯会议（请提前下载安装）。

费用：

为了过滤一些非专业人士，甄选出真正对企业研究感兴趣、有相关研究经验的专业人士，也为激励小伙伴们坚持学习，本期读书会将采取收费 – 退款的保证金模式。

具体规则：

1. 读书会（10-12期）保证金共计 399 元/人。

2. 满足如下条件者全额退款：

贡献了一次讲座（半小时以上）内容的（需要提前向主持人申请并通过试讲）；
完成了一篇以上读书笔记写作的（读书笔记标准：字数3千以上，图文并茂，具体请参照此文：因果观念新革命？万字长文，解读复杂系统背后的暗因果）；
复现读书会中某篇讲读论文的结果并提交代码；

3. 满足以下条件之一的不仅可以全额退款，还有额外奖励：

由读书会内容启发，产生了靠谱的新产品创意，并在读书会结束 2 个月内提交了详细的产品策划方案，并通过了集智俱乐部组织的相应考核答辩的；
由读书会内容启发，萌发了科研论文创意，并在读书会结束 2 个月内完成初稿，并通过了集智俱乐部组织的相应考核答辩的；

报名方式（长期有效）

第一步：扫码填写报名信息

第二步：填写信息后，进入付款流程，提交保证金399元。（符合退费条件后可退费）

第三步：添加负责人微信，拉入对应的读书会讨论群

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园官网上，供读书会成员回看

读书会安排

【综述】

企业研究与复杂系统自动建模综述，企业的生长与死亡
管理科学角度研究企业问题

【企业破产预测专题】

综述

Alaka Hafiz. Systematic review of bankruptcy prediction models: Towards a framework for tool selection. Expert Syst. Appl, 2018, 94: 164–184

深度学习方法

Mai Feng. Deep learning models for bankruptcy prediction using textual disclosures. Eur. J. Oper. Res, 2019, 274: 743–758
Cialone G.. Bankruptcy Prediction by Deep Learning, 2020
Moscatelli M.. Corporate default forecasting with machine learning. Expert Syst. Appl, 2020, 161: 113567

非深度学习方法

Valencia, C.F., Cabrales, S., García, L.A., Ramírez, J.C., & Calderona, D. (2019). Generalized additive model with embedded variable selection for bankruptcy prediction: Prediction versus interpretation. Cogent Economics & Finance, 7.
Hsu, Ming-Fu. “A Fusion Mechanism for Management Decision and Risk Analysis.” Cybernetics and Systems 50 (2019): 497 – 515.
Altman, E., Małgorzata Iwanicz-Drozdowska, E. Laitinen and Arto Suvas. “Financial Distress Prediction in an International Context: A Review and Empirical Analysis of Altman’s Z‐Score Model.” Microeconomics: Production (2017): n. pag.
Jones, S., D. Johnstone and R. Wilson. “Predicting Corporate Bankruptcy: An Evaluation of Alternative Statistical Frameworks.” Journal of Business Finance & Accounting 44 (2017): 3-34.

【企业财务预测专题】

综述

Ozbayoglu, A., M. U. Gudelek and Omer Berat Sezer. “Deep Learning for Financial Applications : A Survey.” Appl. Soft Comput. 93 (2020): 106384.
Sezer, Omer Berat, M. U. Gudelek and A. Ozbayoglu. “Financial Time Series Forecasting with Deep Learning : A Systematic Literature Review: 2005-2019.” ArXiv abs/1911.13288 (2020): n. pag.

机器学习方法

Biwei Huang,Kun Zhang,Mingming Gong.et al.. Causal Discovery and Forecasting in Nonstationary Environments with State-Space Models. arXiv:1905.10857, 2019
Biwei Huang,Kun Zhang,Jiji Zhang.et al.. Causal Discovery from Heterogeneous/Nonstationary Data with Independent Changes. arXiv:1903.01672, 2020

非机器学习方法

Jardin, P.. “Dynamics of firm financial evolution and bankruptcy prediction.” Expert Syst. Appl. 75 (2017): 25-43.
Bao, Wei, J. Yue and Yulei Rao. “A deep learning framework for financial time series using stacked autoencoders and long-short term memory.” PLoS ONE 12 (2017): n. pag.

【企业网络实证数据专题】

探索供应链网络性质（爱荷华大学赵慷系列论文）

Zhao, Kang, A. Kumar and J. Yen. “Achieving High Robustness in Supply Distribution Networks by Rewiring.” IEEE Transactions on Engineering Management 58 (2011): 347-362.
Zhao, Kang, Kevin P. Scheibe, J. Blackhurst and A. Kumar. “Supply Chain Network Robustness Against Disruptions: Topological Analysis, Measurement, and Optimization.” IEEE Transactions on Engineering Management 66 (2019): 127-139.
Zhao, Kang, Zhiya Zuo and J. Blackhurst. “Modelling Supply Chain Adaptation for Disruptions: An Empirically Grounded Complex Adaptive Systems Approach.” Econometrics: Econometric & Statistical Methods – Special Topics eJournal (2018): n. pag.

企业网络的生长与演化

Hite, Julie M. and W. S. Hesterly. “The evolution of firm networks: from emergence to early growth of the firm.” Southern Medical Journal 22 (2001): 275-286.
Lechner, C., M. Dowling and I. Welpe. “Firm networks and firm development: The role of the relational mix ☆.” Journal of Business Venturing 21 (2006): 514-540.

初创企业成功预测

Bonaventura, M., Valerio Ciotti, P. Panzarasa, S. Liverani, L. Lacasa and V. Latora. “Predicting success in the worldwide start-up network.” Scientific Reports 10 (2020): n. pag.

商业模式与企业网络的相互影响

Oskam, I., Bart Bossink and A. D. Man. “The Interaction between network ties and business modeling : case studies of sustainability-oriented innovations.” Journal of Cleaner Production 177 (2018): 555-566.

（论文列表将持续更新和增补）

关于集智俱乐部读书会

集智俱乐部是复杂科学与人工智能领域的科学社区，集智俱乐部读书会是面向广大科研工作者的系列论文研读活动，其目的是共同深入学习探讨某个科学议题，了解前沿进展，激发科研灵感，促进科研合作，降低科研门槛。

读书会活动始于 2008 年，至今已经有 40 余个主题，内容涵盖复杂系统、人工智能、脑与意识、生命科学、因果科学、计算社会科学等。凝聚了众多优秀科研工作者，促进了科研合作发表论文，孵化了许多科研产品。如 2013 年的“深度学习”读书会孕育了彩云天气 APP，2015 年的“集体注意力流”读书会产生了众包书籍《走近2050》等。