基于BP神經(jīng)網(wǎng)絡法的科創(chuàng)板企業(yè)價值評估

駱正清 李夢可

【摘 要】 科創(chuàng)板上市企業(yè)具有高投入、緩收益、信息披露不完善等特點，運用現(xiàn)有價值評估方法對其進行評估存在數(shù)據(jù)缺乏和評估準確性不高的缺點，并且難以衡量科創(chuàng)板企業(yè)的成長能力。為了更加科學準確地評估科創(chuàng)板企業(yè)價值，通過分析影響其價值的因素，構建包含市場占有度、治理能力、資產(chǎn)結構、創(chuàng)新投入和EVA的價值評估指標體系，之后利用Spearman相關性分析和MIV值分析對指標體系進行約簡，最后使用BP神經(jīng)網(wǎng)絡構建價值評估模型。結果表明：通過191條數(shù)據(jù)的訓練仿真，基于BP神經(jīng)網(wǎng)絡的科創(chuàng)板企業(yè)價值評估模型預測準確度為82.93%，模型具有較好的適用性和可靠性。其中，EVA的相對影響度為23.69%，能有效反映科創(chuàng)板企業(yè)真實的價值創(chuàng)造能力。

【關鍵詞】 科創(chuàng)板企業(yè)； 價值評估； EVA； BP神經(jīng)網(wǎng)絡

【中圖分類號】 F234.3；F270? 【文獻標識碼】 A? 【文章編號】 1004-5937（2023）13-0019-08

一、引言

自2019年7月首批25家科創(chuàng)板公司掛牌交易以來，我國資本市場迎來了改革的新浪潮。目前，科創(chuàng)板上市公司數(shù)量已超500家，總市值超5萬億元?？苿?chuàng)板主要服務于科技創(chuàng)新企業(yè)，向高精尖產(chǎn)業(yè)提供融資新渠道、注入發(fā)展新動能，這是我國不斷探索實現(xiàn)科創(chuàng)企業(yè)快速發(fā)展和科技產(chǎn)出資本化的成果。相比于已有板塊，科創(chuàng)板實行注冊制，上市條件增加了對市值的要求，定價方法采用市場化詢價的IPO定價法，但是多數(shù)上市企業(yè)對市值的估算方法披露不完善，定價的主觀性也較強。因此，科創(chuàng)板上市企業(yè)的價值評估成為經(jīng)營者和投資者等利益相關方關注的焦點，科學合理地評估科創(chuàng)板企業(yè)價值對促進我國高科技產(chǎn)業(yè)持續(xù)發(fā)展和證券市場有序運行具有重要作用。

然而，科創(chuàng)板企業(yè)高研發(fā)、緩收益和深潛力的特點使得傳統(tǒng)估值方法難以準確衡量其未來盈利能力；信息披露不完善和價值評估適用的操作指引不明確，增加了新估值方法評估的主觀性；市場數(shù)據(jù)缺乏和公司價值波動幅度大，價值評估結果的準確性難以提高[1]。目前，人工智能技術應用越來越廣泛，不斷有機器學習的方法應用到企業(yè)價值評估中[2]，價值評估結果的準確性得以提高，其中BP神經(jīng)網(wǎng)絡法具有三類優(yōu)點：對數(shù)據(jù)要求不高，即分析的樣本數(shù)據(jù)都是企業(yè)已披露并可獲取的數(shù)據(jù)；自學習，即通過信息正傳播和逆反饋不斷調整參數(shù)，降低模型輸出值和真實值的誤差；擬合效果好，即輸出誤差達到目標范圍，模型才會迭代終止，其應用較為廣泛[3]。因此，BP神經(jīng)網(wǎng)絡法可以解決現(xiàn)有方法面臨的評估數(shù)據(jù)不足和評估結果準確性不高的問題，結合對初選指標的約簡分析，該方法在精簡指標體系的同時又能夠提高價值評估的準確度。

二、文獻回顧

（一）科創(chuàng)板企業(yè)價值評估指標

準確評估科創(chuàng)板企業(yè)價值，需要選擇科學適用的評估指標，選取指標的結果要避免兩種極端：一是使用傳統(tǒng)方法重視財務指標作為一切的基礎，二是無端夸大企業(yè)未來發(fā)展空間，價值評估要能準確體現(xiàn)其科技創(chuàng)新形成的經(jīng)濟成果[4]。國內(nèi)已有對科創(chuàng)板企業(yè)價值評估的研究多是分析企業(yè)的特點和價值影響因素，進而建議針對性地增加新指標。在行業(yè)市場方面，科創(chuàng)板上市的判斷條件之一就是企業(yè)對所處行業(yè)的影響度，所以估值方法中要加入行業(yè)市場因素[1]；在資產(chǎn)結構方面，相比于傳統(tǒng)企業(yè)，科創(chuàng)板企業(yè)的流動資產(chǎn)占比大、固定資產(chǎn)占比小[5]；在企業(yè)治理方面，科創(chuàng)板企業(yè)普遍“小而精”的特點要求其具有更高的治理能力，治理結構要能避免可能出現(xiàn)的投資者控制權弱的問題[6]；在科創(chuàng)屬性方面，研發(fā)創(chuàng)新是科創(chuàng)板企業(yè)創(chuàng)造價值的源動力，關于對其科創(chuàng)屬性的評價指標，由原來的“3+5”變成現(xiàn)在的“4+5”，即在研發(fā)投入、發(fā)明專利和收入增長的基礎上新增了研發(fā)人員比例指標，學者們也一致認為研發(fā)投入強度和研發(fā)團隊規(guī)?？梢暂^好地解釋科創(chuàng)板企業(yè)的創(chuàng)新發(fā)展能力[7]。

關于科創(chuàng)板企業(yè)價值評估指標的已有文獻表明，相關學者從行業(yè)市場、企業(yè)資產(chǎn)結構、治理能力和科創(chuàng)屬性角度提出了不同的建議，以實現(xiàn)更科學全面地衡量科創(chuàng)板企業(yè)價值。但也存在有待研究之處：一是現(xiàn)有文獻大多從理論角度提出建議，指標是否切實可行還沒有得到實踐檢驗；二是現(xiàn)有研究多是對科創(chuàng)板某一具體公司的價值評估，評估指標有較強的針對性；三是對于反映科創(chuàng)板企業(yè)真實價值和未來盈利能力的指標還不夠準確全面。

（二）科創(chuàng)板企業(yè)價值評估方法

為了探索適用于科創(chuàng)板企業(yè)的價值評估方法，本文總結了國內(nèi)外選擇和應用評估高新技術企業(yè)價值方法的研究。左慶樂等[8]提出高新技術企業(yè)價值評估的真正對象是未來獲利能力，是企業(yè)可持續(xù)發(fā)展的能力。成本法注重企業(yè)中各單項資產(chǎn)的價值加總，市場法依據(jù)可比公司的數(shù)據(jù)，收益法取決于未來每期現(xiàn)金流和合理的折現(xiàn)率，這三種傳統(tǒng)價值評估方法難以準確衡量高新技術企業(yè)的潛在收益能力，不適用于評估科創(chuàng)板企業(yè)價值。

期權定價模型解釋了高新技術企業(yè)前期微利但高股價的狀態(tài)，期權能體現(xiàn)企業(yè)未來的發(fā)展機遇、測度企業(yè)的機會價值[9]，所以期權定價法成為高新技術企業(yè)價值評估的全新技術。依賴于期權的假設，期權定價法更強調未來價值的折現(xiàn)，加上參數(shù)的選擇具有主觀性，所以其對企業(yè)現(xiàn)有基礎上的獲利能力評估不足。湯姆等[10]提出，高新技術企業(yè)價值評估最好的方法是折現(xiàn)現(xiàn)金流量法。與期權定價法相比，該方法是在企業(yè)現(xiàn)有價值的基礎上評估未來現(xiàn)金流并折現(xiàn)，所以其評估企業(yè)現(xiàn)有經(jīng)營業(yè)務價值的結果更準確。期權定價法強調企業(yè)未來的價值，折現(xiàn)現(xiàn)金流量法可以準確評估企業(yè)現(xiàn)有基礎上的獲利能力，而且后者所需參數(shù)適用于前者，所以早期的高新技術企業(yè)價值評估多是采用了兩者結合的方法，評估結果的準確性也更高[11]。隨著期權定價法應用增多，有學者為了提高其適用性和準確性，提出了改進評估指標或改善模型的方法[9]，還有學者提出EVA估值法[12]、級數(shù)突變法[13]等用于評估高新技術企業(yè)價值的新方法。

但是，現(xiàn)有企業(yè)價值評估方法應用于科創(chuàng)板企業(yè)存在一定的局限性，一是科創(chuàng)板企業(yè)歷史數(shù)據(jù)少，用于價值評估的參考數(shù)據(jù)不完善，使得已有方法在計算中存在評估參數(shù)選擇不準確或者獲取困難的問題；二是影響科創(chuàng)板企業(yè)潛在盈利能力的因素較多，但是考慮過多因素會增加計算復雜度，從而降低評估準確度。

隨著信息技術的發(fā)展應用，部分學者開始運用深度學習算法中的神經(jīng)網(wǎng)絡法評估高新技術企業(yè)價值，該方法可以減少評估數(shù)據(jù)的處理時間，提高評估結果的精確度[14]。神經(jīng)網(wǎng)絡方法評估企業(yè)價值的基本思路是：首先分析影響企業(yè)價值的因素，構建評估指標體系；然后獲取樣本數(shù)據(jù)，確定網(wǎng)絡的輸入層和輸出層；最后通過神經(jīng)網(wǎng)絡對樣本數(shù)據(jù)訓練仿真，構建價值評估的神經(jīng)網(wǎng)絡模型。在實際應用中，合理完善的指標體系對構建準確可靠的神經(jīng)網(wǎng)絡模型具有重要影響，模型訓練過程還需要不斷調整參數(shù)以提升學習速度、降低輸出誤差值、提高模型擬合度。其中，BP神經(jīng)網(wǎng)絡是應用最多和最成功的神經(jīng)網(wǎng)絡[15]，它模擬人工神經(jīng)系統(tǒng)，利用自學習過程來擬合變量間的非線性關系，理論上適用于評估高新技術企業(yè)的價值。

綜上所述，本文認為能夠科學有效地衡量科創(chuàng)板企業(yè)的成長性、不依賴歷史數(shù)據(jù)且適用于科創(chuàng)板整體企業(yè)的價值評估方法是：以企業(yè)現(xiàn)有披露指標為基礎，構建價值評估指標體系，之后約簡指標以消除信息冗余，最后利用BP神經(jīng)網(wǎng)絡法構建價值評估模型。

三、科創(chuàng)板企業(yè)價值評估指標體系構建

（一）評估指標初選

科創(chuàng)板企業(yè)的科創(chuàng)屬性凸出，對其價值評估要能準確體現(xiàn)其科技創(chuàng)新形成的經(jīng)濟成果[4]。參考科創(chuàng)板上市標準并結合已有文獻，盡可能做到選取全面且精簡的指標，最終本文在選擇償債能力、經(jīng)營能力、盈利能力、發(fā)展能力4個基本指標和企業(yè)規(guī)模的基礎上，增加了市場占有度、治理能力、資產(chǎn)結構、創(chuàng)新投入和經(jīng)濟增加值5個指標，構建了包含10個基本指標，25個具體指標的初選指標體系，如表1。

其中，市場占有度用市場占有率來衡量，主要因為市場占有率會影響企業(yè)的競爭性，而競爭優(yōu)勢有助于提升技術密集型上市公司的盈利能力，進而影響企業(yè)價值[16]。治理能力選擇企業(yè)的獨立董事比例，因為合適的獨立董事比例有利于公司績效的提高[17]。資產(chǎn)結構選擇固定資產(chǎn)比例和無形資產(chǎn)比例，主要因為固定資產(chǎn)是企業(yè)用于生產(chǎn)材料的重要體現(xiàn)，無形資產(chǎn)是科技創(chuàng)新發(fā)展的內(nèi)在驅動力，兩種資產(chǎn)通過影響企業(yè)的資金流、資源占用和生產(chǎn)銷售等影響企業(yè)的整體發(fā)展情況[5]。創(chuàng)新投入選擇研發(fā)投入強度和研發(fā)人員比重，因為高研發(fā)企業(yè)通常能通過吸引投資者關注和改善企業(yè)經(jīng)營業(yè)績來提升企業(yè)的資本市場表現(xiàn)[18]。

本文創(chuàng)新性地增加了EVA指標以更準確地反映科創(chuàng)板企業(yè)的潛在盈利能力。首先，科創(chuàng)板允許未盈利或微利狀態(tài)企業(yè)上市，EVA指標通過會計項目調整能反映真實經(jīng)營業(yè)績[19]，可以警惕企業(yè)出現(xiàn)資產(chǎn)泡沫和“脫實向虛”的風險；其次，EVA是企業(yè)的經(jīng)濟增加值，可以衡量企業(yè)的成長性，彌補傳統(tǒng)財務指標體系的不足[20]；最后，EVA指標在一定程度上激勵管理者關注長期價值創(chuàng)造，提升企業(yè)核心競爭力，衡量企業(yè)可持續(xù)發(fā)展?jié)摿21]。所以，引入EVA對于評估科創(chuàng)板企業(yè)的真實業(yè)績和發(fā)展能力具有關鍵作用。

（二）初選指標數(shù)據(jù)計算

本文研究的樣本數(shù)據(jù)來自于國泰安數(shù)據(jù)庫和上市公司年報，樣本企業(yè)是截至2020年底科創(chuàng)板的232家上市公司，指標數(shù)據(jù)是232家公司的年度數(shù)據(jù)，在具體計算中有部分調整。輸入指標是表1中的25個具體指標，輸出指標是樣本企業(yè)在2020年12月31日公布的市值。其中，市場占有率是該企業(yè)與科創(chuàng)板232家上市企業(yè)的營業(yè)收入比，獨立董事比例是企業(yè)獨立董事人數(shù)和股東總比值，EVA指標的計算公式如下：

EVA=稅后營業(yè)凈利潤-本期資本占用額×加權平均資本成本

其中，

稅后營業(yè)凈利潤=營業(yè)利潤-所得稅費用+（1-所得稅稅率）×（財務費用-營業(yè)外收入+營業(yè)外支出+研發(fā)費用-非經(jīng)常性損益）+遞延所得稅負債增加-遞延所得稅資產(chǎn)增加+各項準備金本期資本占用額=平均{短期借款+交易性金融負債+一年內(nèi)到期的非流動負債+長期借款+應付債券+長期應付款-無息流動負債-視同無息流動負債-在建工程+遞延所得稅負債-遞延所得稅資產(chǎn)+所有者權益+各項準備金+（營業(yè)外收入-營業(yè)外支出）}×（1-所得稅稅率）

加權平均資本成本選用資本資產(chǎn)定價模型：

WACC=KSS/（S+D）+KDD/（S+D）（1-T）

其中，KS=Rf+β（Rm-Rf）

計算EVA的上述公式中有調整的數(shù)據(jù)包括：部分企業(yè)期初資本占用額是其上市后首次披露的數(shù)據(jù)，這是因為這些企業(yè)對2020年的期初數(shù)據(jù)披露不完善；加權平均資本成本中的無風險利率Rf采用人民銀行一年期定期存款利率1.50%；β是232家企業(yè)中67家已公布β數(shù)據(jù)剔除最大和最小值后的平均值1.55；市場風險溢價（Rm-Rf）是2020年我國GDP增長率2.30%；債務資本成本KD是一年期短期貸款利率4.35%。剔除數(shù)據(jù)缺失值，最終得到191家樣本企業(yè)和191條樣本企業(yè)的數(shù)據(jù)。

（三）指標約簡

考慮到科創(chuàng)板企業(yè)價值評估的初選指標存在一定的信息冗余，這里運用Matlab軟件通過Spearman相關性分析和MIV值分析對構建的初選指標體系進行約簡處理，約簡依據(jù)是輸入指標對輸出指標相關度和影響度的大小。Spearman相關性分析得到輸入指標和輸出指標間的相關系數(shù)，根據(jù)系數(shù)值范圍剔除弱相關因素，對輸入指標做出初步篩選[22]，在此基礎上，MIV值法分析初步篩選指標對輸出指標的平均影響值，然后根據(jù)相對貢獻率選取影響度高的指標[23]，構建最終指標體系。相關性分析和MIV值分析結合使用，提高了指標的精簡性，保證了輸入層指標的可靠性。為了消除數(shù)據(jù)大小和單位對篩選過程的影響，本文運用Matlab軟件中的mapmaxmin函數(shù)先將191條數(shù)據(jù)歸一化到[-1，1]，然后對歸一化后的數(shù)據(jù)進行分析，歸一化的公式如下。

1.Spearman相關性分析

Spearman相關系數(shù)是一種根據(jù)數(shù)據(jù)間相關系數(shù)大小測度相關度的統(tǒng)計量，在經(jīng)濟數(shù)據(jù)分析中的應用越來越廣泛。該方法對數(shù)據(jù)要求不高，只要兩個變量是成對的或者是連續(xù)觀察得到的即可，而且相較于Pearson相關性和Kendall相關性，Spearman相關性更適用于分析具有非線性關系的數(shù)據(jù)。Spearman的運算思想是：把數(shù)列x={x1，x2，…，xn}按升序或降序排列得到順序數(shù)列a={a1，a2，…，an}，x內(nèi)每個元素在a中的位置為xi的秩次為Ri，得到x對應的秩次數(shù)列R，同樣數(shù)列y={y1，y2，…，yn}得到對應的秩次數(shù)列S。將其代入Spearman等級相關系數(shù)公式：

兩列數(shù)據(jù)呈正相關時θ是正數(shù)，呈負相關時θ是負數(shù)，θ的絕對值越大，變量的相關性越強。

借鑒文獻應用Spearman相關性分析結果來評價和篩選財務指標的做法[22]，本文運用Matlab軟件計算歸一化后的各輸入指標和輸出指標間的相關系數(shù)，之后根據(jù)相關系數(shù)值剔除小于20%的弱相關指標，初步得到如表2中的13個指標。這13個指標和科創(chuàng)板企業(yè)價值均呈正相關關系，相關系數(shù)在40%以上即緊密相關的指標有6個。其中，資產(chǎn)規(guī)模的相關系數(shù)為74.86%，營運資金為66.82%，歸屬于上市公司股東的扣除非經(jīng)常性損益的凈利潤為57.48%，營業(yè)收入為55.85%，市場占有率為55.85%，EVA為55.62%。

科創(chuàng)板開板時間短，多數(shù)企業(yè)處于初創(chuàng)期或者成長期，擁有一定規(guī)模的資產(chǎn)才能保證其日常運營，而且從技術研發(fā)到成果應用，每個階段都需要大量資金支持，所以資產(chǎn)規(guī)模和營運資金為企業(yè)實現(xiàn)盈利提供支撐；歸屬于上市公司股東的扣除非經(jīng)常性損益的凈利潤是控股股東的收益，反映了投資科創(chuàng)板企業(yè)的業(yè)績，營業(yè)收入直觀反映了企業(yè)的經(jīng)營業(yè)績，這兩個指標評估了企業(yè)的盈利成果；市場占有率是企業(yè)的市場份額，市場份額越大，競爭性越強，發(fā)展前景越廣闊，而EVA是企業(yè)價值創(chuàng)造值，這兩個指標均解釋了企業(yè)的潛在盈利能力。相關性分析的結果體現(xiàn)了盈利實力、經(jīng)營業(yè)績和潛在盈利能力對科創(chuàng)板企業(yè)價值評估的影響，其中EVA的相關系數(shù)為55.62%，初步驗證了EVA對評估科創(chuàng)板企業(yè)價值的可行性。

2.MIV值分析

MIV值是平均影響度，具體運算過程是：首先，神經(jīng)網(wǎng)絡利用訓練集構建模型；其次，將訓練集每個指標數(shù)據(jù)增加10%和減少10%作為新的樣本數(shù)據(jù)；再次，運用構建的模型預測新樣本得到預測值；最后，對預測結果的差值按樣本數(shù)量計算平均值，得出每個指標的平均影響值。

本文的分析過程是：（1）將191條歸一化后的數(shù)據(jù)隨機打亂順序，運用BP神經(jīng)網(wǎng)絡對前8/10共150條數(shù)據(jù)構建模型；（2）利用構建的模型對表2中的13個指標進行MIV值分析，得到指標的平均影響度；（3）計算指標的相對貢獻率，結果如表3。

相比于Spearman相關性分析，MIV值分析更深入，因為將樣本數(shù)據(jù)增加10%和減少10%相當于擴大了樣本規(guī)模，而且分析的依據(jù)是輸入數(shù)據(jù)本身的變化對輸出數(shù)據(jù)的影響。由表3可知，MIV值分析的最終結果是：13個指標中，凈利潤增長率、營業(yè)收入增長率和可持續(xù)增長率3個指標被剔除，排序最前的三個指標其相對貢獻率均超過了10%。相對貢獻率的具體結果是：EVA為23.69%、營業(yè)收入為19.42%、營運資金為17.88%。MIV值分析的結果也體現(xiàn)了盈利實力、盈利表現(xiàn)和潛在盈利能力對科創(chuàng)板企業(yè)價值評估的意義。其中，EVA的相對貢獻率最大，進一步驗證了EVA評估科創(chuàng)板企業(yè)價值的適用性。

從表3中選取相對貢獻率大于2%即影響度較高的指標，最終構建包含10個輸入指標的科創(chuàng)板企業(yè)價值評估指標體系如表4?？傮w上，科創(chuàng)板企業(yè)價值評估的指標包括了企業(yè)規(guī)模、償債能力、經(jīng)營能力、盈利能力、發(fā)展能力、市場占有度、創(chuàng)新投入和經(jīng)濟增加值8個基本指標；具體來看，8個基本指標又分別從企業(yè)自身經(jīng)營、市場定位和未來發(fā)展能力反映企業(yè)價值；細分的10個具體指標既包含了一般企業(yè)價值評估的要素，又有反映科創(chuàng)板企業(yè)特點的要素如市場占有率、研發(fā)人員比重和EVA。最終表明，本文構建的指標體系對評估科創(chuàng)板企業(yè)價值具有可靠性。

四、科創(chuàng)板企業(yè)價值評估模型構建

（一）BP神經(jīng)網(wǎng)絡的基本原理

BP神經(jīng)網(wǎng)絡是一種通過反向傳播進行深度學習的網(wǎng)絡算法，模擬人腦神經(jīng)系統(tǒng)，具有自學習的特點，模型的結構包含輸入層、中間層和輸出層，每一層有若干個神經(jīng)元，其中中間層神經(jīng)元的個數(shù)需要在模型訓練中確定。自學習過程就是正傳播和逆反饋的過程。正傳播是上層神經(jīng)網(wǎng)絡的信息傳播到下一層，直至最終輸出層；逆反饋是輸出層將誤差結果反饋到第一層。自學習的目標是不斷降低模型輸出值和真實輸出值之間的誤差，BP神經(jīng)網(wǎng)絡會對輸入指標隨機設定初始權重，每一層之間會有激活函數(shù)通過不斷調整擬合指標的非線性關系來局部調整誤差。

（二）BP神經(jīng)網(wǎng)絡模型構建

1.數(shù)據(jù)歸一化

本文最終的樣本數(shù)據(jù)規(guī)模是191個企業(yè)、每個企業(yè)10個輸入指標的191×10的矩陣。數(shù)據(jù)的大小和單位一定程度上會影響神經(jīng)網(wǎng)絡的學習效率，歸一化后的數(shù)據(jù)可以提升學習速度和學習準確度，同時考慮到本文輸入指標有負值，所以利用mapmaxmin函數(shù)將數(shù)據(jù)歸一化到[-1，1]。

2.BP神經(jīng)網(wǎng)絡結構確定

三層結構的BP神經(jīng)網(wǎng)絡就可以擬合變量間的任何關系，且操作簡便，所以本文的BP神經(jīng)網(wǎng)絡是三層拓撲結構。各層神經(jīng)元個數(shù)是：輸入層神經(jīng)元10個，輸出層神經(jīng)元1個，隱含層神經(jīng)元個數(shù)運用公式（ +a）（m是輸入層神經(jīng)元個數(shù)，n是輸出層神經(jīng)元個數(shù)，a是[1，10]的整數(shù)）確定范圍在[5，14]，通過試錯法得到隱含層神經(jīng)元為12個時，模型的誤差值最小、回歸系數(shù)最高。所以，本文的神經(jīng)網(wǎng)絡是圖1所示的10-12-1的拓撲結構，其中10個輸入層指標對輸出層神經(jīng)元的相對貢獻度如圖2所示。

3.激活函數(shù)和訓練函數(shù)確定

較常用的BP神經(jīng)網(wǎng)絡激活函數(shù)是Sigmoid函數(shù)，該函數(shù)又具體分為Log-Sigmoid函數(shù)和Tan-Sigmoid函數(shù)，其中Tansig函數(shù)能將數(shù)據(jù)映射到[-1，1]范圍，所以本文選用此函數(shù)作為輸入層到中間層、中間層到輸出層的激活函數(shù)。BP神經(jīng)網(wǎng)絡的訓練函數(shù)主要包括traingd、traingda、traingdx和trainlm函數(shù)，trainlm函數(shù)對于中等規(guī)模的BP神經(jīng)網(wǎng)絡有較快的收斂速度，是系統(tǒng)默認算法，所以本文選用此函數(shù)作為訓練函數(shù)。

4.目標誤差確定

設定不同的誤差目標值，神經(jīng)網(wǎng)絡模型的擬合效果不同。對于相關度較高的指標，誤差目標值會定義得較小，通常是10-6～10-4，相關度較低的指標，誤差目標值一般是10-2。上述已對指標進行了Spearman相關性分析和MIV值分析的約簡處理，所以本文設定的誤差目標值是10-4。

5.迭代次數(shù)和學習率確定

本文樣本數(shù)據(jù)規(guī)模小，迭代次數(shù)設置為1 000次。神經(jīng)網(wǎng)絡學習率的范圍一般是0.0～0.9，較大或較小可能造成模型擬合不足或過擬合，所以本文通過試錯法選取輸出誤差最小、學習時間最短和回歸系數(shù)最高的學習率0.01。

（三）BP神經(jīng)網(wǎng)絡模型訓練和仿真

本文運用Matlab軟件對191×10的樣本數(shù)據(jù)訓練仿真。首先，運用randperm函數(shù)將191條數(shù)據(jù)隨機打亂順序，按照約8■2的比例選取前150條數(shù)據(jù)作為訓練集，余下41條數(shù)據(jù)作為測試集。其次，運用BP神經(jīng)網(wǎng)絡對訓練集訓練，以構建模型。最后，利用構建的模型對測試集仿真預測，導出預測結果并和真實結果比對，計算相對誤差。

訓練的結果是，模型迭代終止時，誤差值為0.0005，即構建的模型對測試集再預測的值和真實值之間的誤差值為0.0005，并且在設定誤差10-4范圍內(nèi)。模型的回歸系數(shù)為0.8969，即10個輸入指標對輸出指標的相關度為0.8969，表明模型解釋度較好。仿真結果如圖3，本文計算的誤差結果是，41條仿真數(shù)據(jù)中，相對誤差值在15%（神經(jīng)網(wǎng)絡模型預測結果公認可以接受的誤差范圍是15%）以下的有34條數(shù)據(jù)，占比82.93%，所以模型預測結果的準確率為82.93%。有2條數(shù)據(jù)（第10、19條）預測結果偏差較大，和訓練數(shù)據(jù)對比后歸結為指標異常數(shù)據(jù)，余下39條數(shù)據(jù)（數(shù)據(jù)是歸一化后的結果）的相對誤差值如表5，其中，相對誤差小于10%的數(shù)據(jù)有32條，占比82.05%，相對誤差小于5%的數(shù)據(jù)有26條，占比66.67%。

五、研究結論與展望

本文在綜合分析科創(chuàng)板企業(yè)價值影響因素的基礎上，確定價值評估初選指標體系，對191家企業(yè)數(shù)據(jù)采用Spearman相關性分析和MIV值法進行指標約簡，進而構建最終的輸入層指標體系，最后運用三層BP神經(jīng)網(wǎng)絡對樣本數(shù)據(jù)訓練仿真構建模型，得出如下結論：

盈利實力、經(jīng)營業(yè)績和潛在盈利能力是影響科創(chuàng)板企業(yè)價值的三個關鍵要素。這三個要素均通過Spearman相關性和MIV值分析的指標約簡結果以及構建的BP神經(jīng)網(wǎng)絡價值評估模型得到驗證。

BP神經(jīng)網(wǎng)絡法適合科創(chuàng)板企業(yè)價值評估。本文樣本數(shù)據(jù)是191×10，用于BP神經(jīng)網(wǎng)絡的學習建模屬于小規(guī)模數(shù)據(jù)，最終，模型的回歸系數(shù)是0.897、仿真準確度達到了82.93%，說明BP神經(jīng)網(wǎng)絡適用于科創(chuàng)板企業(yè)價值評估，不僅操作簡便，評估結果也較為可靠。

EVA指標體現(xiàn)了科創(chuàng)板企業(yè)的價值創(chuàng)造能力。以往EVA多作為衡量企業(yè)績效的因變量，本文將其用作輸入指標是為了體現(xiàn)科創(chuàng)板企業(yè)的真實價值和價值創(chuàng)造能力在其價值評估中的重要性。指標約簡過程中EVA的Spearman相關系數(shù)是55.62%、相對貢獻率是23.69%，這說明EVA可以作為科創(chuàng)板企業(yè)價值評估的指標。

本文探索性地應用BP神經(jīng)網(wǎng)絡評估科創(chuàng)板企業(yè)價值，但是該模型也存在以下不足：一是指標問題：由于科創(chuàng)板企業(yè)信息披露不完善，所以很多因素沒有考慮，如風險因素等。二是樣本問題：本文樣本數(shù)據(jù)有191條，數(shù)據(jù)規(guī)模較小，且這191家公司經(jīng)營范圍不同，這都會影響模型學習的效果。

【參考文獻】

［1］ 林妍.我國科創(chuàng)板上市公司市場價值評估分析［J］.會計之友，2020（23）：140-143.

［2］ 宋麗平，李萌，于書洋.基于GRNN神經(jīng)網(wǎng)絡的科技型企業(yè)價值評估方法研究［J］.科技與管理，2020，22（2）：91-97.

［3］ LI XIMEI.Research on value assessment of scientific and technological enterprises based on BP neural network［J］.IOP Conference Series：Materials Science and Engine-ering，2020，750.

［4］ 張陸洋，錢瑞梅.關于科創(chuàng)企業(yè)估值難點的思考［J］.安徽師范大學學報（人文社會科學版），2019，47（4）：104-110.

［5］ 胡沛.企業(yè)財務指標對科創(chuàng)板上市公司成長性影響的實證分析［D］.哈爾濱：哈爾濱工業(yè)大學碩士學位論文，2020.

［6］ 賈玉輝，寧金輝.IPO熱潮下科創(chuàng)板擬上市企業(yè)績效評價研究［J］.經(jīng)濟體制改革，2021（2）：102-108.

［7］ 林新奇，趙國龍.基于DEA方法的我國科創(chuàng)板企業(yè)創(chuàng)新績效研究［J］.科技管理研究，2021，41（1）：54-61.

［8］ 左慶樂，劉杰.高新技術企業(yè)價值評估的基本問題探析［J］.中國資產(chǎn)評估，2001（6）：20-23，4-5.

［9］ 郭建峰，王丹，樊云，等.互聯(lián)網(wǎng)企業(yè)價值評估體系研究——基于實物期權模型的分析［J］.價格理論與實踐，2017（7）：153-156.

［10］ 湯姆·科普蘭，蒂姆·科勒，杰克·默林.價值評估：公司價值的衡量與管理［M］.3版，北京：電子工業(yè)出版社，2002.

［11］ 郭蓬元，韓秀艷.基于實物期權的高科技創(chuàng)業(yè)公司價值測度研究［J］.科學管理研究，2021，39（1）：116-122.

［12］ 謝喻江.基于EVA的成長期高新技術企業(yè)價值評估［J］.財會通訊，2017（5）：7-11.

［13］ 李素英，王貝貝.基于級數(shù)突變法的科技型中小企業(yè)價值評估研究［J］.經(jīng)濟研究參考，2017（34）：101-108.

［14］ 付揚揚，仇曉潔.基于BP神經(jīng)網(wǎng)絡的創(chuàng)業(yè)板上市公司價值評估［J］.中國資產(chǎn)評估，2019（2）：35-40.

［15］ 朱敏.基于BP神經(jīng)網(wǎng)絡技術的智能財務研究［J］.會計之友，2021（18）：38-42.

［16］ 宮興國，沈思彤.三維智力資本對盈利能力的影響研究——基于市場競爭的考量［J］.會計之友，2022（5）：84-90.

［17］ 唐華，王龍梅，程慧玲.內(nèi)部控制有效性、研發(fā)支出與企業(yè)創(chuàng)新績效——基于高新技術企業(yè)的經(jīng)驗數(shù)據(jù)［J］.會計之友，2021（8）：136-141.

［18］ 張宗新，孔讓峰.科創(chuàng)屬性向市場傳遞了科技型公司的價值嗎？——基于科創(chuàng)板的經(jīng)驗研究［J］.證券市場導報，2022（6）：2-13.

［19］ 溫素彬，蔣天使，劉義鵑.企業(yè)EVA價值評估模型及應用［J］.會計之友，2018（2）：147-151.

［20］ 唐恒書，李茜.EVA、傳統(tǒng)會計指標與上市公司股價表現(xiàn)——基于貴州茅臺公司的典型案例研究［J］.金融發(fā)展研究，2017（3）：38-43.

［21］ 方心童，楊世忠.基于EVA的中央企業(yè)業(yè)績考核對非效率投資的影響效應研究［J］.大連理工大學學報（社會科學版），2021，42（5）：64-72.

［22］ 張發(fā)明，華文舉，李玉茹.幾種綜合評價方法的穩(wěn)定性分析［J］.系統(tǒng)科學與數(shù)學，2019，39（4）：595-610.

［23］ 卓鳴，汪鵬，望開奎.基于MIV-BP神經(jīng)網(wǎng)絡的成品煙絲質量預測模型構建［J］.食品與機械，2021，37（12）：161-166，214.