人工智能上市公司資本結(jié)構(gòu)分析

摘? 要：基于人工智能板塊上市公司2017年年報數(shù)據(jù)，為探究人工智能板塊上市公司的資本結(jié)構(gòu)，選擇12個具有代表性的財務(wù)指標(biāo)，運用因子分析法對所選取的指標(biāo)進(jìn)行分析。研究結(jié)論表明，企業(yè)資本結(jié)構(gòu)的合理與否關(guān)系到其盈利能力、成長能力是否穩(wěn)健。一般來說，資本結(jié)構(gòu)越合理，其成長能力就越強勁，盈利能力也會顯著高于同行業(yè)其他公司。

關(guān)鍵詞：人工智能;資本結(jié)構(gòu);因子分析法;盈利能力

一、引言

自2017年以來，“人工智能”連續(xù)兩年被寫入全國政府工作報告，這意味著人工智能已上升為國家戰(zhàn)略層面。國務(wù)院及各部委相繼出臺一系列發(fā)展規(guī)劃，為我國人工智能的蓬勃發(fā)展鋪路搭橋。在其發(fā)展得如火如荼之際，研究人工智能上市公司的發(fā)展情況就顯得尤為重要。一方面，眾多專家學(xué)者從國際、國內(nèi)兩個維度分析我國人工智能行業(yè)的整體發(fā)展，認(rèn)為我國人工智能尚處于早期發(fā)展階段，上升前景可觀（德勤中國等，2019）。同時，對我國AI行業(yè)的未來進(jìn)行展望，并給出相應(yīng)的發(fā)展策略及投資建議（賴承勇等，2018）。另一方面，從微觀層面具體分析我國人工智能上市公司，基于相對估值對AI上市公司進(jìn)行企業(yè)價值評估（宋華和袁棟緒，2018）。然而，目前關(guān)于人工智能上市公司資本結(jié)構(gòu)的研究較少，因此本文擬采用因子分析法，研究AI上市公司的資本結(jié)構(gòu)，對比分析各公司的資本結(jié)構(gòu)及其在行業(yè)中所處地位，以期為投資者提供指導(dǎo)。

二、研究的提出及思路

（1）因子分析法

1.定義及優(yōu)點

因子分析法能從眾多可觀測的變量中，綜合和抽取少數(shù)幾個潛在的公共因子，并使這些因子能夠最大程度地概括和解釋原有的觀測變量的方法。使用因子分析法能有效地實現(xiàn)降維，達(dá)到簡化數(shù)據(jù)的目的。

2.因子分析法的步驟

一是對原始財務(wù)指標(biāo)進(jìn)行無量綱化處理;二是對因子分析法的適用性進(jìn)行判斷，常用的檢驗標(biāo)準(zhǔn)有巴特利特球體檢驗以及KMO檢驗。KMO統(tǒng)計量取值在0到1之間，并且越接近1越好;三是確定主因子的個數(shù)及其系數(shù);四是計算樣本公司不同期間的綜合績效得分;五是結(jié)果分析。

三、實證研究設(shè)計

（1）樣本選擇與數(shù)據(jù)來源

本文選取了滬深A(yù)股人工智能概念板塊上市公司2017年的年度觀察數(shù)據(jù)作為研究樣本。人工智能板塊的上市公司共計34家。本文的原始數(shù)據(jù)來源于Wind資訊金融終端中各上市公司的財務(wù)報表數(shù)據(jù)，并采用SPSS 18.0和EXCEL進(jìn)行處理和分析。

（2）評估指標(biāo)選擇

截至2017年，中國人工智能市場規(guī)模已達(dá)到了216.9億元人民幣，同比增長52.8%。隨著我國人工智能行業(yè)市場規(guī)模的不斷攀升，探究該行業(yè)中公司的發(fā)展模式就顯得尤為重要，而合理的資本結(jié)構(gòu)是公司實現(xiàn)長遠(yuǎn)發(fā)展的前提和基礎(chǔ)。據(jù)此，本文選取的12個財務(wù)指標(biāo)如下：資產(chǎn)負(fù)債率X1、剔除預(yù)收賬款后的資產(chǎn)負(fù)債率X2、長期資本負(fù)債率X3、權(quán)益乘數(shù)X4、流動資產(chǎn)占總資產(chǎn)比X5、有形資產(chǎn)占總資產(chǎn)比X6、非流動負(fù)債權(quán)益比率X7、流動負(fù)債權(quán)益比率X8、歸屬母公司股東的權(quán)益占全部投入資本X9、帶息債務(wù)占全部投入資本比率X10、流動負(fù)債占總負(fù)債比X11、資本固定化比率X12。

1.樣本的KMO與 Bartlett檢驗

本文利用SPSS18.0得到的KMO值為0.686 >0.5，表明所選取樣本數(shù)據(jù)間具有較高的共性。Bartlett的球形度檢驗值為842.096，數(shù)值較大，顯著性為0.000<0.001，這就表示所選的樣本數(shù)據(jù)適用于因子分析。

2.確定主因子個數(shù)

從解釋的總方差來看，提取的第一、二、三個主因子的方差貢獻(xiàn)率依次是52.282%、20.496%和17.859%。提取的第一個因子解釋能力最強。提取的三個主因子累積的方差貢獻(xiàn)率達(dá)到90.636%，說明這三個因子能夠反映原有變量的大部分信息，結(jié)果較為理想。

3.公共因子的命名及其解釋

經(jīng)過第二步提取出合適的公因子后，需要使用最大方差法將因子進(jìn)行旋轉(zhuǎn)。運用最大方差法的目的是使不同因子之間的區(qū)別度更大。于是得到表1旋轉(zhuǎn)后的因子載荷矩陣表：

從上表顯示的數(shù)據(jù)可以看出：一是流動負(fù)債權(quán)益比率、權(quán)益乘數(shù)、資產(chǎn)負(fù)債率、剔除預(yù)收賬款后的資產(chǎn)負(fù)債率、帶息債務(wù)占全部投入資本比率、歸屬于母公司股東的權(quán)益占全部投入資本比率以及有形資產(chǎn)占總資產(chǎn)比率在第一個因子上具有較高的載荷，并且它們從整體上反映企業(yè)總的資本構(gòu)成，故把第一個主因子命名為總資本結(jié)構(gòu)因子。二是流動負(fù)債總負(fù)債比率、長期資本負(fù)債率和非流動負(fù)債權(quán)益比率在第二個主因子上載荷較高。這三個指標(biāo)是對企業(yè)負(fù)債水平的細(xì)化，故將負(fù)債因子作為第二個因子。三是流動資產(chǎn)占總資產(chǎn)比率、資本固定化比率都是分析企業(yè)的資產(chǎn)結(jié)構(gòu)，因此，將第三個因子命名為資產(chǎn)因子。

4.確定主因子系數(shù)和表達(dá)式

結(jié)合以上三個因子得分公式，以公共因子的方差貢獻(xiàn)率加權(quán)平均，得出資本結(jié)構(gòu)的綜合得分公式，計算公式如下：

F= （52.282%*F1+20.496%*F2+17.859*F3）/90.636%

=0.5768*F1+0.22251*F2+0.1970*F3

5.結(jié)果分析

綜合得分排名前五的公司依次是中科曙光、浪潮信息、長高集團(tuán)、華勝天成和東方網(wǎng)力。這五家公司的共性都是財務(wù)杠桿較高。資產(chǎn)負(fù)債率都在40%以上，權(quán)益乘數(shù)高于行業(yè)平均水平，流動負(fù)債權(quán)益比率顯著高于同行業(yè)其他公司——排在第一的中科曙光是排在最后的川大智勝的20多倍。從帶息債務(wù)占全部資本比率這一指標(biāo)上看，排名前五的公司十幾倍地高于排在后面的公司，第一名更是最后一名的47倍。另外，排名領(lǐng)先的公司相較于排名最后的公司，其投入資本更少依賴于母公司股東權(quán)益，而后者投入資本中超過95%的比例來自于母公司股東權(quán)益。

進(jìn)一步分析發(fā)現(xiàn)，中科曙光的第一大股東為北京中科源算資產(chǎn)管理有限公司，其實際控制人為中國科學(xué)院。浪潮信息的實際控制人為山東省人民政府國有資產(chǎn)監(jiān)督管理委員會。即排名前兩位的公司，國有企業(yè)是其主要的控股股東。由于有國有企業(yè)的資金支持，這兩家公司能在資產(chǎn)負(fù)債率畸高的情況下，保持良好的盈利能力和增長能力。

同時發(fā)現(xiàn)，AI板塊上市公司普遍流動負(fù)債占比較高，流動負(fù)債占總負(fù)債比率平均高于60%，這意味著公司面臨償債壓力大。與之相對應(yīng)的是，除了排在最后三位的川大智勝、拓爾思和北京君正的流動資產(chǎn)占總資產(chǎn)比率低于50%外，其他公司總資產(chǎn)中流動資產(chǎn)占比都很高，這也符合人工智能行業(yè)的特性。

四、分析總結(jié)

本文采用因子分析法，對人工智能板塊上市公司2017年年報數(shù)據(jù)進(jìn)行研究，結(jié)論表明：1、運用因子分析法可以很好的篩選出行業(yè)中資本結(jié)構(gòu)合理的公司;2、所提取命名的總資本結(jié)構(gòu)因子、負(fù)債因子以及資產(chǎn)因子這三個公共因子，能夠?qū)⒐镜馁Y本結(jié)構(gòu)細(xì)化，幫助投資者分析判斷公司，同時也能讓企業(yè)的管理者更好地了解本公司在全行業(yè)的地位。

值得注意的是，因子分析法本身只是一種探索性的研究方法，可能并不是絕對契合投資者分析。另外，對主因子的命名具有相當(dāng)大的主觀性，容易受到人為因素的干擾。

參考文獻(xiàn)

[1]賴承勇，孫俊，趙銘.我國人工智能行業(yè)的發(fā)展現(xiàn)狀與展望[J].產(chǎn)業(yè)與科技論壇，2018（17）：23.12-14

[2]宋華，袁棟緒.基于因子分析的公司價值評估方法研究——以人工智能板塊上市公司為例[J].銅陵學(xué)院報，2018（02）：63-67

[3]苑澤明，張美琪.人工智能上市公司無形資產(chǎn)發(fā)展現(xiàn)狀、問題及對策[J].Commercial Accounting：1-9

[4]張潤君，薛晗慶.基于因子分析法對上市公司財務(wù)風(fēng)險模型的實證分析[J].智能計算機(jī)與應(yīng)用，2018（12）：64-68.

作者簡介：程潔（1995-），女，漢族，湖北麻城，碩士，湖北經(jīng)濟(jì)學(xué)院，金融會計。