基于人工神經(jīng)網(wǎng)絡的互聯(lián)網(wǎng)公司估值方法研究

周彥朋

摘 要： 資本市場認為互聯(lián)網(wǎng)公司市值的驅動因素應包括盈利因子、運營因子、流量因子和協(xié)同因子。將協(xié)同效應指標考慮到公司估值體系中，意圖構造互聯(lián)網(wǎng)公司優(yōu)化估值模型。使用美股上市的互聯(lián)網(wǎng)企業(yè)數(shù)據(jù)建立了評價指標體系，通過因子分析實現(xiàn)了二級指標降維，通過實證分析確認了四個因子與公司市值的相關關系，最后構建了基于人工神經(jīng)網(wǎng)絡BP算法的互聯(lián)網(wǎng)公司估值模型，通過預測數(shù)據(jù)的檢驗發(fā)現(xiàn)模型的準確度較高。隨著2018年互聯(lián)網(wǎng)公司美股上市潮的持續(xù)，該模型能有效為資本市場估值提供參考。

關鍵詞： 互聯(lián)網(wǎng)行業(yè);公司估值;業(yè)務協(xié)同;人工神經(jīng)網(wǎng)絡BP模型

中圖分類號： F 830.91

文獻標志碼： A

Abstract： The capital market believes that the value drivers of Internet company includes profit， operation， flow and synergy. In this paper， taking the synergy into corporation valuation system，we intends to construct an ptimized Internet company valuation model. The evaluation system was established by using the Internet stock data listed on the US stock market. The factor analysis was used to achieve the dimension reduction of the second-level index. Empirical analysis was used to confirm the correlation between the four factors and the company's value. Finally， the artificial neural network BP model was constructed to predict the market value. Through the test of the forecast data， we found that the model has higher accuracy. With the continuation of the IPO of Internet companies in 2018， the model effectively provides a reference for capital market valuation.

Key words： Internet industry; coperate valuation; business synergy; artificial neural network BP model

1 理論模型的構建

1.1 業(yè)務協(xié)同理論

雖然學術界已經(jīng)對非財務因素對估值的影響有很深入的研究，但最終都沒有涉及業(yè)務協(xié)同這一因素。資本市場給出了網(wǎng)絡價值的估值框架：

V=K×P×N2R2

其中：K為變現(xiàn)率因子;P為溢價能力;N為網(wǎng)絡節(jié)點數(shù)目;R為網(wǎng)絡節(jié)點距離。網(wǎng)絡中信息質量越高、數(shù)量越多、高連通度節(jié)點越多，則網(wǎng)絡節(jié)點距離就越低、網(wǎng)絡的價值就越大。

協(xié)同指協(xié)調兩個或者兩個以上的不同資源或者個體，協(xié)同一致地完成某一目標的過程或能力。早期的戰(zhàn)略研究文獻對協(xié)同進行定義時涉及價值增加和成本減少兩個方面：如果兩個業(yè)務的聯(lián)合價值大于它們單個價值的總和，即V（a，b）>V（a）+V（b），則它們屬于價值協(xié)同。如果公共生產(chǎn)要素的使用減少了產(chǎn)品聯(lián)合生產(chǎn)的成本，公司內部良好的協(xié)同效應能增加企業(yè)價值。

Robert Buzzell和Bradley Gale認為，獲得協(xié)同效應的程度取決于價值鏈中哪些環(huán)節(jié)最有可能在企業(yè)間形成規(guī)模效益。Dess 和 Lumpkin認為協(xié)同效應的來源主要是無形資源和有形資源的共享。公司協(xié)同是各業(yè)務擁有共同目標、共享戰(zhàn)略愿景、擔承相同使命、保持戰(zhàn)略發(fā)展的一致性。陳志軍、劉曉認為業(yè)務合同包含戰(zhàn)略協(xié)同、供應鏈協(xié)同、財務協(xié)同等五大維度。

1.2 研究模型及方法

本文認為互聯(lián)網(wǎng)公司市值的驅動因素應該包括4個因素，4個因素分別可以用13個二級指標進行描述。構建公司市值與13個二級指標的模型網(wǎng)絡，能夠有效對美股上市的互聯(lián)網(wǎng)公司進行估值。

文章將協(xié)同效應指標考慮到公司估值體系中，采用因子分析法、實證分析法、人工神經(jīng)網(wǎng)絡BP模型構建基于人工神經(jīng)網(wǎng)絡的互聯(lián)網(wǎng)公司估值模型，可有效提高已有模型的準確性，為資本市場公司估值提供參考。

2 研究對象與數(shù)據(jù)采集

2.1 樣本選取

本研究使用美股上市的互聯(lián)網(wǎng)企業(yè)數(shù)據(jù)來建立互聯(lián)網(wǎng)平臺企業(yè)價值評估的指標體系，一共選擇了21家符合條件的互聯(lián)網(wǎng)平臺企業(yè)作為樣本數(shù)據(jù)，時間跨度為2013—2017年，6家近兩年上市的公司作為預測數(shù)據(jù)，時間跨度為1年。

互聯(lián)網(wǎng)平臺企業(yè)主要財務與管理層披露信息來源于Wind公開數(shù)據(jù)。用戶量指標方面，本研究選取百度SEO（search engine optimization）工具，愛站網(wǎng)（aizhan.com）提供百度SEO的歷史，并統(tǒng)計出搜索網(wǎng)站的PC詞量、APP詞量、最低來路、最高來路4項以反映公司的流量指標。

2.2 業(yè)務協(xié)同量表的開發(fā)及驗證

本文量表開發(fā)所采用的方法是Churchill的量表開發(fā)程序。具體步驟如下：

步驟1 進行文獻研讀確定業(yè)務協(xié)同的定義，通過專家訪談與開放式問卷，去掉不合格問句，提煉篩選出最能反映業(yè)務協(xié)同的測題?；趯W術界對于業(yè)務協(xié)同內涵的定義與描述，結合本文的研究背景，參考陳志軍、劉曉、賈軍、張卓等人開發(fā)的相似量表，形成初始問卷。要求13位高校研究工作者針對題項的精確性、可讀性提出修改意見，最后通過本領域教授和博士的鑒定后形成正式的開放性問卷，篩選出最符合本文“業(yè)務協(xié)同”的3個測題：D1、D2、D3， 將其簡單命名為財務協(xié)同、戰(zhàn)略協(xié)同和供應鏈協(xié)同。

步驟2 確定并制作關于橫截面數(shù)據(jù)的正式問卷1。

針對所研究的30家互聯(lián)網(wǎng)集團發(fā)放問卷，各企業(yè)集團根據(jù)實際情況對所列舉指標的有效程度打分，采用 Likert 7點量表尺度，從低到高分別給予1～7分。由于問題數(shù)目較少，實驗共發(fā)放124份問卷，回收有效問卷107份，有效回收率為86.3%。樣本涵蓋所有30家公司，每家公司至少發(fā)放了3份問卷，最后對每題選項得分取平均值。

步驟3 確定并制作關于面板數(shù)據(jù)的正式問卷2。由于本文研究的業(yè)務協(xié)同效應的前提條件是新業(yè)務的產(chǎn)生（包括企業(yè)的自建和收購），因此本文提前分析了這22家公司在過去5年內的業(yè)務運營情況，研究資料來自Wind資本市場公司調研深度報告，發(fā)現(xiàn)其中4家企業(yè)（金融界、一嗨租車、搜房網(wǎng)、人人網(wǎng)）在過去5年內專注主營業(yè)務，沒有任何新業(yè)務產(chǎn)生，因此判定這4家企業(yè)5年內的業(yè)務協(xié)同因素不變。

步驟4 問卷2的發(fā)放與回收。將18家公司任意分為3組，每組6家公司。采用專家評分法，將2017年定為滿分7分后，對上述公司的前四年（2013—2016年）進行有效程度打分，每位專家完成一組共6家公司的評價。受訪者包括互聯(lián)網(wǎng)研究專家、互聯(lián)網(wǎng)公司高管、資本市場行業(yè)研究專家等，共完成了21名專家的問卷收集。對每題的測量得分取平均值后除以假定2017年的滿分7再乘以第一次實驗所測得的2017年的實際得分。

步驟5 效度與信度檢驗。

在信度方面，本研究協(xié)同因子的Cronbach′s α值為0.769，表明對于業(yè)務協(xié)同這一概念的構建具有較好的內部一致性。效度方面，使用因子分析KMO檢驗，得到KMO值為0.640，大于0.6，說明此次構建結構效度良好。

2.3 描述性統(tǒng)計分析

3 基于人工神經(jīng)網(wǎng)絡的估值模型建立及模擬訓練

3.1 BP人工神經(jīng)網(wǎng)絡理論

人工神經(jīng)網(wǎng)絡（artificial neural network， 簡稱ANN）是一種由大量處理單元互聯(lián)組成的非線性、自適應信息處理系統(tǒng)。它試圖通過模擬大腦神經(jīng)網(wǎng)絡處理、記憶信息的方式進行信息處理，按不同的連接方式組成不同的網(wǎng)絡從而構建模型。

人工神經(jīng)網(wǎng)絡BP模型是基于人工神經(jīng)網(wǎng)絡（ANN）的一種算法，它是由Rumelhart 和 McCelland及其研究小組在1986年研究并設計出來的，已經(jīng)成為目前應用最為廣泛的神經(jīng)網(wǎng)絡學習算法。從結構上講 ， BP 神經(jīng)網(wǎng)絡是典型的多層網(wǎng)絡， 分為輸入層、隱含層、輸出層，其特點為層與層多采用全互連方式，同一層的單元之間不存在相互連接，各層神經(jīng)元無反饋連接。單元間的聯(lián)系由特定的激勵函數(shù)實現(xiàn)，它具有非線性、非局限性、非常定性、非凸性的特點，具有廣泛的適應性。

3.2 因子分析確定ANN隱含層節(jié)點數(shù)

為了驗證對于一級指標的假設，同時確定人工神經(jīng)網(wǎng)絡隱含層的數(shù)目，采用SPSS 19.0為工具進行因子分析，經(jīng)Max-Min標準化、KMO檢驗和因子旋轉后得到最終結果。其中，KMO檢驗值為0.719，表示適宜進行因子分析。

因子分析的結果較好地支持了本文的假設。13個二級指標按降維到流量因子、盈利因子、協(xié)同因子和運營因子共4個公因子，累計貢獻率為79.2%。

3.3 構建多元線性回歸模型確定相關關系

為了確認因子分析降維而得到的四個因子與公司市值的相關關系，構造以下模型：

其中：α為非觀測變量，下標i和t分別表示公司與時間;ε為隨即擾動項，服從獨立同分布。

采用STATA 13進行面板數(shù)據(jù)的多元線性模型回歸。模型整體的F值為161.86，達到顯著水平。四個解釋變量的系數(shù)均顯著且大于零，符合理論模型假設與實際經(jīng)驗。R2為0.8161，意味著在公司的價值中，能被四個一級因子（流量因子、盈利因子、協(xié)同因子與運營因子）所構成的多元回歸方程解釋的比例為81.6%。

多元線性回歸分析證明了公司市值的驅動因素包括流量因子、盈利因子、協(xié)同因子和管理因子，但多元回歸方程的解釋程度不夠高，還有接近20%的誤差，所以無法使用該模型對預測樣本進行預測。

3.4 BP神經(jīng)網(wǎng)絡的建立及模擬訓練

本文使用MATLAB R2016a建立BP模型的人工神經(jīng)網(wǎng)絡構造了互聯(lián)網(wǎng)公司的估值模型。具體構建步驟如下：

步驟1 在MATLAB命令框輸入nntool調出神經(jīng)網(wǎng)絡工具箱，將已標準化的13個二級指標作為神經(jīng)網(wǎng)絡的輸入向量，將公司市值作為網(wǎng)絡的輸出Y，用樣本數(shù)據(jù)訓練網(wǎng)絡。

步驟2 確定隱含層層數(shù)為1，對于閉區(qū)間的任意函數(shù)都可以用BP網(wǎng)絡來逼近;根據(jù)前文因子分析，確定隱含層單元數(shù)目為4。

步驟3 確定訓練函數(shù)為帶有動量的梯度下降法（TRANGDM），其余選項為默認值，基于BP算法13×4×1的網(wǎng)絡結構，程序在訓練106次時達到確定的權值與閾值要求。

3.5 結果及檢驗

完成網(wǎng)絡構建后，導入驗證數(shù)據(jù)得到模型輸出結果，將結果反標準化得到網(wǎng)絡預測值。由于本文研究的是公司估值，股市的短期波動不是研究的目標。若考慮美股市場是有效的，那股價的波動范圍就以公司的實際價值為基準。換言之，股價短期內的波動范圍乘以股本即可認作公司市值的置信區(qū)間。

本文將6家公司IPO上市發(fā)行后1個月內的市值波動區(qū)間作為置信區(qū)間，數(shù)據(jù)均來自Wind數(shù)據(jù)庫，可以看到預測的6家公司中嗶哩嗶哩、虎牙、優(yōu)信、搜狗、拍拍貸的預測程度很好，而愛奇藝出現(xiàn)了偏差，虎牙（HUYA.N）市值的置信區(qū)間較大。這主要是因為兩家公司均在2018年5月左右上市，美股市場受宏觀環(huán)境影響在5月后開始出現(xiàn)大幅上漲?？梢钥吹絻杉夜镜木W(wǎng)絡預測市值均偏低，事實上消除宏觀因素的影響后，兩家公司的預測值應當仍處在合理水平。

4 結論和討論

本文從互聯(lián)網(wǎng)公司市值的驅動因素出發(fā)，利用公司財務和非財務的指標來預測股價，加入?yún)f(xié)同性影響因素，實現(xiàn)了對目前估值方法的優(yōu)化。因子分析的結果印證了研究假設，將13個二級指標降維成4個一級指標，同時為后續(xù)ANN（BP）模型確定了隱含層的神經(jīng)元個數(shù)。利用多元線性回歸模型，確定了公司市值與4個一級指標的相關關系，為ANN（BP）模型提供了理論支持。然后，輸入樣本數(shù)據(jù)進行學習，設置合理參數(shù)，建立ANN（BP）模型。最后，通過驗證數(shù)據(jù)進行模型檢驗，發(fā)現(xiàn)模型具有較高的準確性。隨著2018年互聯(lián)網(wǎng)公司美股上市潮的持續(xù)，該模型能有效地為資本市場估值提拱一定程度的參考。

本文以美股上市的互聯(lián)網(wǎng)行業(yè)作為研究對象，未考慮美股大市對于估值的影響，尤其在宏觀環(huán)境有重大轉變的節(jié)點，模型的準確性可能會受到較大影響。在以后的研究中，將嘗試在數(shù)據(jù)標準化過程中去除市場的宏觀影響，同時考慮引入更多有顯著影響作用的指標，構建更為全面的被擇變量組，提高模型整體的適用性。

參考文獻：

[1] BERGER P G. Discussion of valuation of internet stocks： an IPO perspective[J]. Journal of Accounting Research， 2010， 40（2）：347-358， 359-377.

[2] SOUSA M， PINHO M. Is internet industry facing an IPO Bubble 2.0[J]. Social Science Electronic Publishing， 2014.

[3] BLODGE H， STEVEN A E. Amazon can raising price target[R]. York Equity Research Report， 1998.

[4] GOOLD M， CAMPBELL A. Desperately seeking synergy[J]. Harvard Business Review， 1998， 76（5）：130.

[5] RODRIGO M F， ATO M. The PIMS principles： linking strategy to performance[J]. European Journal of Social Psychology， 2002， 32（32）：27-34.

[6] LUMPKIN G T， DESS G. Strategic management： creating competitive advantage[J]. National association of purchasing management Inc， 2003， 39（1）：125-126.

[7] HANSEN M T， NOHRIA N， TIERNEY T. What's your strategy for managing knowledge [J]. Harvard Business Review， 1999， 77（2）：106.

[8] 陳志軍， 劉曉.母子公司協(xié)同效應評價的一種模型[J]. 經(jīng)濟管理， 2010（10）：51.

[9] CHURCHILL G A. A paradigm for developing better measures of marketing constructs[J]. Journal of Marketing Research， 1979， 16（1）：64-73.

[10] 賈軍， 張卓. 中國高技術企業(yè)業(yè)務協(xié)同發(fā)展實證分析[J]. 中國科技論壇， 2013， 1（1）：71-77.

[11] KARYANTAM， MELODYKIANG. Predicting bank failures： a neural network approach[J]. Applied Artificial Intelligence， 1990， 4（4）：265-282.

[12] WOOLDRIDGE J M. Introductory economitrics： a modern approach[M]. Beijing：China Renmin University Press， 2003：10-12.

[13] HECHT-NIELSEN R. Theory of the backpropagation neural network [M]//Neural networks for perception （Vol.2）. Harcourt Brace & Co.， 1989：593-605.