基于深度神經(jīng)網(wǎng)絡(luò)的上市公司價(jià)值評(píng)估應(yīng)用研究

馮雨萌

（山東農(nóng)業(yè)大學(xué)經(jīng)濟(jì)管理學(xué)院，山東泰安 271018）

為實(shí)現(xiàn)經(jīng)濟(jì)持續(xù)健康增長(zhǎng)，助力優(yōu)質(zhì)科創(chuàng)企業(yè)實(shí)現(xiàn)創(chuàng)新驅(qū)動(dòng)和高質(zhì)量發(fā)展，我國(guó)于2019 年6 月13 日正式開(kāi)設(shè)科創(chuàng)板。科創(chuàng)板上市公司主要為科技創(chuàng)新企業(yè)，具有商業(yè)模式差別大、經(jīng)營(yíng)風(fēng)險(xiǎn)大、業(yè)績(jī)不穩(wěn)定、退市可能性大的特點(diǎn)。公司價(jià)值是進(jìn)行詢價(jià)定價(jià)的基礎(chǔ)，也是企業(yè)并購(gòu)、重組、轉(zhuǎn)讓、商譽(yù)減值測(cè)試的重要依據(jù)。而我國(guó)科創(chuàng)板注冊(cè)制推行時(shí)間較短，對(duì)公司價(jià)值的評(píng)估數(shù)據(jù)主要來(lái)源于A 股市場(chǎng)和海外市場(chǎng)，此類(lèi)市場(chǎng)的評(píng)估又由評(píng)估機(jī)構(gòu)提供，主觀性較強(qiáng)，易使資本市場(chǎng)出現(xiàn)股價(jià)偏離公司實(shí)際價(jià)值的情況［1］。因此，需要找到專(zhuān)門(mén)適用于科創(chuàng)板上市公司企業(yè)價(jià)值評(píng)估的方法。目前，我國(guó)評(píng)估企業(yè)價(jià)值主要有兩個(gè)方向：一是采用傳統(tǒng)評(píng)估方法如資產(chǎn)基礎(chǔ)法、相對(duì)估值法、絕對(duì)估值法；二是通過(guò)建立模型來(lái)進(jìn)行企業(yè)價(jià)值評(píng)估，如經(jīng)濟(jì)增加值模型（EVA）、Schwartz-Moon 定價(jià)模型等。資產(chǎn)基礎(chǔ)法雖適用于新設(shè)立的企業(yè)，但科創(chuàng)板上市公司無(wú)形資產(chǎn)多為新型產(chǎn)品技術(shù)，可比案例極少，易出現(xiàn)較大誤差；此外，存在公司內(nèi)部人員惡意篡改公司資產(chǎn)折舊、攤銷(xiāo)額的情況，使估值結(jié)果不準(zhǔn)確。相對(duì)估值法存在難以找到具有相似經(jīng)營(yíng)特征的可比企業(yè)的問(wèn)題。高新技術(shù)企業(yè)在研發(fā)階段現(xiàn)金流極少［2］，采用絕對(duì)估值法會(huì)存在較大誤差問(wèn)題。對(duì)于通過(guò)建立模型進(jìn)行企業(yè)價(jià)值評(píng)估這一方向，由于模型方法限制性條件過(guò)多，在現(xiàn)實(shí)中難以完全滿足。

與上述方法相比，深度神經(jīng)網(wǎng)絡(luò)在進(jìn)行企業(yè)價(jià)值評(píng)估時(shí)無(wú)須做出任何假設(shè)條件，也無(wú)須可比案例。本文通過(guò)總結(jié)以往前人研究，建立科創(chuàng)板上市公司價(jià)值評(píng)估體系；選取國(guó)泰安197 家上市公司的數(shù)據(jù)，運(yùn)用Python建立深度神經(jīng)網(wǎng)絡(luò)模型，希望能夠?yàn)榭苿?chuàng)板上市公司價(jià)值評(píng)估提供估值結(jié)果更準(zhǔn)確的評(píng)估方法。

一、評(píng)估體系設(shè)計(jì)與神經(jīng)網(wǎng)絡(luò)構(gòu)建

（一）深度神經(jīng)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)能夠較好地反映變量間復(fù)雜的非線性關(guān)系，將訓(xùn)練樣本輸入模型，經(jīng)過(guò)輸入層、隱藏層、輸出層的運(yùn)算，若得到的輸出結(jié)果與期望值差距較大，程序會(huì)自動(dòng)原路返回調(diào)整各層節(jié)點(diǎn)間的權(quán)重、學(xué)習(xí)速率等參數(shù)，再進(jìn)行與先前相同的步驟，直至輸出結(jié)果能夠較好地逼近期望值。截至目前，深度神經(jīng)網(wǎng)絡(luò)已應(yīng)用于自動(dòng)化、生物、統(tǒng)計(jì)、經(jīng)濟(jì)學(xué)等多種領(lǐng)域，具有預(yù)測(cè)、評(píng)價(jià)、圖像處理和仿真功能。

（二）科創(chuàng)板上市公司價(jià)值評(píng)估體系的建立

本文通過(guò)總結(jié)前人的研究成果，從財(cái)務(wù)與非財(cái)務(wù)兩大方面，選取盈利能力、償債能力、營(yíng)運(yùn)能力、發(fā)展能力、公司規(guī)模、創(chuàng)新能力、治理能力、人力資本作為一級(jí)指標(biāo)，選取銷(xiāo)售凈利率（X1）、股東權(quán)益報(bào)酬率（X2）、速動(dòng)比率（X3）、資產(chǎn)負(fù)債率（X4）、應(yīng)收賬款周轉(zhuǎn)率（X5）、銷(xiāo)售收入增長(zhǎng)率（X6）、總資產(chǎn)賬面價(jià)值（X7）、研發(fā)投入占比（X8）、公司前五大股東持股比例之和（X9）、員工平均薪酬（X10）作為二級(jí)指標(biāo)，構(gòu)建科創(chuàng)板上市公司的價(jià)值評(píng)估體系。

1．財(cái)務(wù)指標(biāo)

第一，盈利能力。盈利能力作為反映企業(yè)價(jià)值的關(guān)鍵因素，用于衡量企業(yè)獲利能力的高低。銷(xiāo)售凈利率越高，說(shuō)明公司具有較好的盈利能力。而股東權(quán)益報(bào)酬率作為杜邦分析體系的核心指標(biāo)，能夠反映公司自有資本賺取回報(bào)的能力，因此采用銷(xiāo)售凈利率與股東權(quán)益報(bào)酬率作為衡量公司盈利能力的指標(biāo)。

第二，償債能力。償債能力包括短期償債能力和長(zhǎng)期償債能力，能夠反映企業(yè)承受風(fēng)險(xiǎn)的強(qiáng)弱。科創(chuàng)板上市公司多屬于高新技術(shù)行業(yè)，存貨少，專(zhuān)利等無(wú)形資產(chǎn)是總資產(chǎn)的重要組成部分。速動(dòng)比率在分子中扣除了存貨的影響，適合衡量科創(chuàng)板公司的短期償債能力。資產(chǎn)負(fù)債率可反映公司對(duì)負(fù)債經(jīng)營(yíng)規(guī)模的掌控程度，作為杜邦分析的組成因素之一，可較好地評(píng)價(jià)公司的長(zhǎng)期償債能力。

第三，營(yíng)運(yùn)能力。營(yíng)運(yùn)能力用于反映企業(yè)資產(chǎn)利用效率和資金使用周轉(zhuǎn)速度?？苿?chuàng)板上市公司多屬于輕資產(chǎn)模式，存貨等不易變現(xiàn)的資產(chǎn)少，因此采用應(yīng)收賬款周轉(zhuǎn)率作為公司營(yíng)運(yùn)能力的衡量指標(biāo)。

第四，發(fā)展能力。發(fā)展能力指企業(yè)未來(lái)擴(kuò)大經(jīng)營(yíng)規(guī)模、持續(xù)發(fā)展的潛力，銷(xiāo)售收入增長(zhǎng)率越高，說(shuō)明公司的市場(chǎng)競(jìng)爭(zhēng)力、未來(lái)市場(chǎng)發(fā)展前景以及主要業(yè)務(wù)的拓展能力越好。

2．非財(cái)務(wù)指標(biāo)

第一，公司規(guī)模。由于規(guī)模經(jīng)濟(jì)效應(yīng)，公司規(guī)模越大，企業(yè)價(jià)值往往會(huì)隨之增加；但隨著規(guī)模逐漸擴(kuò)大，公司也可能會(huì)出現(xiàn)管理和資金周轉(zhuǎn)不善等方面的問(wèn)題，造成企業(yè)價(jià)值減值。因此，公司規(guī)模是影響企業(yè)價(jià)值的重要因素之一。本文選用總資產(chǎn)賬面價(jià)值，能夠使投資者更直觀地了解公司的整體規(guī)模。

第二，創(chuàng)新能力。較強(qiáng)的創(chuàng)新能力能促進(jìn)產(chǎn)品技術(shù)升級(jí)，從而使公司在市場(chǎng)上保持較好的競(jìng)爭(zhēng)能力和發(fā)展勢(shì)頭，賺取更多利潤(rùn)。研發(fā)投入越多的企業(yè)，往往具有更好的創(chuàng)新能力。

第三，治理能力。雖然股權(quán)集中會(huì)發(fā)生大股東侵占小股東利益等問(wèn)題，但是在高度競(jìng)爭(zhēng)和不確定的環(huán)境下，股權(quán)集中有助于大股東管理層高效監(jiān)督，更能統(tǒng)一高管成員間的意見(jiàn)，從而對(duì)公司績(jī)效產(chǎn)生積極影響［3］。陶文麗以公司前五大股東持股比例之和（PFIVE）表示股權(quán)集中度［4］，并通過(guò)實(shí)證分析得出，PFIVE 與公司績(jī)效呈顯著正相關(guān)關(guān)系，即在一定范圍內(nèi)，PFIVE 越大，公司績(jī)效越好。而好的績(jī)效又能促進(jìn)公司整體價(jià)值的提升，因此選擇PFIVE 作為衡量公司治理能力的指標(biāo)。

第四，人力資本。全體員工的人力資本是企業(yè)價(jià)值提升的重要因素，企業(yè)對(duì)人力資本的大量投入，有利于吸引更優(yōu)質(zhì)的人才，激活員工的創(chuàng)造能力，從而推動(dòng)企業(yè)發(fā)展，提升企業(yè)價(jià)值。本文采用員工平均薪酬作為衡量公司人力資本投入的指標(biāo)。

3．深度神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

本文通過(guò)Python 軟件進(jìn)行科創(chuàng)板上市公司深度神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建。

第一，網(wǎng)絡(luò)層數(shù)。為增強(qiáng)模型擬合與處理數(shù)據(jù)的能力，防止欠擬合情況的發(fā)生，本文采用包含一個(gè)輸入層、四個(gè)隱藏層、一個(gè)輸出層的六層神經(jīng)網(wǎng)絡(luò)模型。

第二，輸入層神經(jīng)元。輸入神經(jīng)元包括銷(xiāo)售凈利率、股東權(quán)益報(bào)酬率、速動(dòng)比率、資產(chǎn)負(fù)債率、應(yīng)收賬款周轉(zhuǎn)率、銷(xiāo)售收入增長(zhǎng)率、總資產(chǎn)賬面價(jià)值、研發(fā)投入占比、公司前五大股東持股比例之和、員工平均薪酬共10 個(gè)神經(jīng)元。

第三，輸出層神經(jīng)元。本文神經(jīng)網(wǎng)絡(luò)模型只設(shè)置一個(gè)輸出層神經(jīng)元，即公司市值Y，市值=A 股*今收盤(pán)價(jià)A 股當(dāng)期值+境內(nèi)上市的外資股B 股*今收盤(pán)價(jià)B 股當(dāng)期值。

第四，隱藏層神經(jīng)元。過(guò)少的隱藏層神經(jīng)元可能會(huì)導(dǎo)致欠擬合，過(guò)多的神經(jīng)元又會(huì)導(dǎo)致過(guò)度擬合，神經(jīng)網(wǎng)絡(luò)收斂速度變慢。且目前，并沒(méi)有準(zhǔn)確的方法來(lái)求取隱藏層神經(jīng)元個(gè)數(shù)，因此本文通過(guò)試錯(cuò)法，將四個(gè)隱藏層的神經(jīng)元個(gè)數(shù)分別設(shè)置為30、60、60、30。

第五，分區(qū)。采用8:2 的比例，80%的公司數(shù)據(jù)用來(lái)進(jìn)行模型的訓(xùn)練；剩余20%則用來(lái)檢驗(yàn)神經(jīng)網(wǎng)絡(luò)模型的性能及預(yù)測(cè)精確度。

第六，激活函數(shù)。激活函數(shù)是神經(jīng)網(wǎng)絡(luò)模型的重要構(gòu)件，具有使神經(jīng)網(wǎng)絡(luò)映射輸入層與輸出層間復(fù)雜函數(shù)關(guān)系的作用。relu 函數(shù)作為當(dāng)前最常用的激活函數(shù)，解決了梯度消失的問(wèn)題且收斂速度極快，因此模型使用relu 函數(shù)。

第七，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練就是在模型正向與反向傳播的過(guò)程中不斷調(diào)整權(quán)重和功能閾值，以使輸出值更加接近期望值的過(guò)程。將整理的159家科創(chuàng)板上市公司指標(biāo)數(shù)據(jù)作為訓(xùn)練樣本輸入模型中，經(jīng)過(guò)各層網(wǎng)絡(luò)的運(yùn)算，獲得用來(lái)評(píng)估科創(chuàng)板上市公司價(jià)值的神經(jīng)網(wǎng)絡(luò)模型。為減少主觀因素的影響，加快梯度下降速度，本文在模型中加入Adam 優(yōu)化器，以自動(dòng)更新學(xué)習(xí)率等參數(shù)。

第八，模擬輸出。模型訓(xùn)練結(jié)束后，將驗(yàn)證組樣本數(shù)據(jù)輸入模型中，經(jīng)模型運(yùn)行后得到的運(yùn)算結(jié)果即為模擬輸出值——企業(yè)預(yù)測(cè)市值。

二、數(shù)據(jù)選取與處理

本文在去除數(shù)據(jù)缺失與數(shù)據(jù)異常的公司后，最終選取197 家科創(chuàng)板上市公司2020 年12 月31 日的指標(biāo)數(shù)據(jù)作為模型構(gòu)建的樣本。由于各類(lèi)指標(biāo)數(shù)據(jù)數(shù)量級(jí)差別過(guò)大，不利于神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和數(shù)據(jù)擬合，因此本文運(yùn)用SPSS 軟件將總資產(chǎn)賬面價(jià)值、員工平均薪酬取ln 值，以縮小數(shù)據(jù)間的數(shù)量級(jí)差異；將所有數(shù)據(jù)進(jìn)行歸一化處理，使其取值范圍處于［0，1］之間，以縮小數(shù)據(jù)的絕對(duì)數(shù)值、提升模型收斂速度。

三、結(jié)果分析與驗(yàn)證

（一）結(jié)果分析

損失函數(shù)（loss）表示預(yù)測(cè)值與實(shí)際值的差距程度，一般用來(lái)衡量模型擬合效果的好壞。據(jù)圖1 顯示，隨著迭代次數(shù)的增加，在第40 次訓(xùn)練時(shí)，預(yù)測(cè)值與實(shí)際值間的loss 值已收斂至0.025 以下，差距極小，說(shuō)明模型擬合效果極好。

圖 1 損失函數(shù)loss收斂過(guò)程

（二）驗(yàn)證

本文將剩余38 家上市公司的相關(guān)數(shù)據(jù)輸入訓(xùn)練好的模型中，得到各公司市值預(yù)測(cè)值，據(jù)計(jì)算得，作為驗(yàn)證樣本的38 家公司市值實(shí)際值與預(yù)測(cè)值的相對(duì)誤差均小于3.5%，平均相對(duì)誤差僅為1.67%，說(shuō)明本文構(gòu)建的企業(yè)價(jià)值評(píng)估體系合理，神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練良好且估值準(zhǔn)確度極高，適合對(duì)科創(chuàng)板上市公司進(jìn)行價(jià)值評(píng)估。

四、結(jié)論與展望

（一）結(jié)論

1．深度神經(jīng)網(wǎng)絡(luò)的適用性與準(zhǔn)確性

在上述模型構(gòu)建與驗(yàn)證過(guò)程中，可看出采用深度神經(jīng)網(wǎng)絡(luò)相較以往評(píng)估方法來(lái)說(shuō)限制條件更少，且得到的預(yù)測(cè)值與企業(yè)市值間差距極小，顯示出深度神經(jīng)網(wǎng)絡(luò)在企業(yè)價(jià)值評(píng)估方面的適用性與準(zhǔn)確性。此外，由于深度神經(jīng)網(wǎng)絡(luò)全部依靠計(jì)算機(jī)軟件完成，能夠大大提高評(píng)估人員的工作效率，降低工作量。

2．降低投資者風(fēng)險(xiǎn)，促進(jìn)優(yōu)質(zhì)企業(yè)發(fā)展

由于科創(chuàng)板公司多為科技創(chuàng)新企業(yè)，可比公司少，經(jīng)營(yíng)風(fēng)險(xiǎn)大，存在折現(xiàn)率、價(jià)格比率選擇不準(zhǔn)確等導(dǎo)致企業(yè)價(jià)值被高估或低估的情況，進(jìn)而使投資者的投資具有極大風(fēng)險(xiǎn)，優(yōu)質(zhì)企業(yè)得不到資金支持。而神經(jīng)網(wǎng)絡(luò)模型估值誤差小、準(zhǔn)確性高，有利于投資者降低投資風(fēng)險(xiǎn)；也使優(yōu)質(zhì)企業(yè)能夠獲得資金支持，進(jìn)行更好發(fā)展。

3．提高公司管理水平

神經(jīng)網(wǎng)絡(luò)模型的極高擬合度說(shuō)明了企業(yè)價(jià)值評(píng)估體系設(shè)置的合理性，也進(jìn)一步說(shuō)明盈利能力、償債能力、營(yíng)運(yùn)能力、發(fā)展能力、公司規(guī)模、創(chuàng)新能力、治理能力、人力資本均是影響科創(chuàng)板上市公司企業(yè)價(jià)值的重要因素。因此管理者可以從以上方面尋找公司問(wèn)題，從而提高公司管理水平，提升企業(yè)價(jià)值。

（二）展望

1．進(jìn)一步完善企業(yè)價(jià)值評(píng)估體系

目前企業(yè)價(jià)值評(píng)估體系缺少對(duì)科創(chuàng)公司經(jīng)營(yíng)模式、市場(chǎng)渠道、市場(chǎng)競(jìng)爭(zhēng)力、成長(zhǎng)階段等抽象價(jià)值影響因素的指標(biāo)選取。例如，科創(chuàng)板上市公司往往處于初創(chuàng)期、成長(zhǎng)期、成熟期等不同階段，每個(gè)階段企業(yè)具有不同特征，是否能將各階段數(shù)值化，以在模型中將企業(yè)進(jìn)一步分類(lèi)，提高估值的準(zhǔn)確性。

2．評(píng)估機(jī)構(gòu)、中評(píng)協(xié)、企業(yè)三方加強(qiáng)合作

企業(yè)具有大量歷史數(shù)據(jù)，可提供神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；中評(píng)協(xié)作為資產(chǎn)評(píng)估行業(yè)的管理者，具有權(quán)威性。因此，評(píng)估機(jī)構(gòu)應(yīng)與中國(guó)資產(chǎn)評(píng)估協(xié)會(huì)、企業(yè)合作，共同研究影響各類(lèi)企業(yè)價(jià)值的重要因素，確定與之對(duì)應(yīng)的衡量指標(biāo)，以使企業(yè)價(jià)值評(píng)估體系更加完善，模型使用范圍更加廣泛，估值結(jié)果更加可靠、準(zhǔn)確。

3．優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，擴(kuò)大使用范圍

目前，深度神經(jīng)網(wǎng)絡(luò)仍存在以下問(wèn)題：神經(jīng)網(wǎng)絡(luò)需要大量數(shù)據(jù)進(jìn)行模型訓(xùn)練，才能較好地保證預(yù)測(cè)值的準(zhǔn)確性；網(wǎng)絡(luò)層數(shù)與隱藏層神經(jīng)元個(gè)數(shù)的設(shè)置暫無(wú)一種嚴(yán)格而準(zhǔn)確的方法體系，需要經(jīng)驗(yàn)和多次試錯(cuò)才能確定，主觀性較強(qiáng)；神經(jīng)網(wǎng)絡(luò)存在陷入局部極小值的可能性［5］。因此，為提高神經(jīng)網(wǎng)絡(luò)在資產(chǎn)評(píng)估領(lǐng)域的應(yīng)用程度，需不斷學(xué)習(xí)新技術(shù)以優(yōu)化神經(jīng)網(wǎng)絡(luò)。