不確定性評估模型及其在IT行業(yè)的應(yīng)用

陶 原,徐 輝,秦 雯

(西南大學 經(jīng)濟管理學院,重慶 400715)

0 引 言

對事件、項目或工程進行評估、評判其不確定性或風險具有重大意義。這在自然科學中也是相關(guān)學者關(guān)注的熱點。在現(xiàn)實中常用評判方式分為定性和定量兩大類,分別涉及不同的模型。定量模型的研究相對而言難度大,但一個有效的不確定性定量評估模型對于事件、工程、項目的評價能夠發(fā)揮重大作用。本文以相對復(fù)雜的風險投資問題為背景,對不確定性定量模型進行分析研究,提出相應(yīng)評估模型之后再利用IT行業(yè)應(yīng)用的客觀數(shù)據(jù)對模型進行分析和驗證,并給出結(jié)論。

在經(jīng)濟發(fā)達國家,風險投資作為一種重要融資方式,被稱為企業(yè)發(fā)展的“推進器”[1-2],涉及眾多的不確定因素及集成效應(yīng)中獲取確定性這一學術(shù)問題。美國研究開發(fā)公司(ARD)是風險投資行業(yè)的鼻祖,ARD公司的創(chuàng)始人Doriot將軍被譽為“風險投資之父”[3]。Doriot將軍在1947年創(chuàng)立了第一家風險投資公司,并且為風險投資的運作制定了一系列的原則,也可以說是建立了風險投資的可投性模型,為后來的風險投資奠定了分線不確定性評判基礎(chǔ)。國際上,特別是以美國為代表的發(fā)達國家,風投理念和技術(shù)領(lǐng)先于全球,它們起步早,經(jīng)驗積累較為豐富,風險投資的有效率高。早在20世紀40年代,美國基于先進的風投技術(shù)和理念,將風險投資與高新技術(shù)產(chǎn)業(yè)有機結(jié)合創(chuàng)造了“硅谷神話”的佳績[4]。包括美國蘋果公司在內(nèi)的眾多高新技術(shù)企業(yè),在初創(chuàng)階段都得益于風險資本的支持[2]。因此,從風險投資具有的多參數(shù)不確定性特點出發(fā),對其不確定評估技術(shù)進行研究,這具有多個產(chǎn)業(yè)或行業(yè)的發(fā)展促進作用,對于技術(shù)決策有效性也有較大的現(xiàn)實價值。

對于投資項目或企業(yè)的不確定性評估而言,發(fā)達國家和地區(qū)采用的指標體系參數(shù)多而細化,并且其中量化參數(shù)占比較高,有完整分析計算模型[5]。由于國內(nèi)外企業(yè)文化的巨大差異,國內(nèi)不確定評估方式和模型乃至參數(shù)數(shù)量和取值方式都不能照搬國外。同時,國內(nèi)外考核指標參數(shù)具有相當大的差異性,如何針對國內(nèi)需求建立指標體系也是亟待解決的關(guān)鍵問題之一。

1 風險投資與評估方法分析

風險投資主要特點之一就是高風險,對投資對象的不確定判定或定量判定,在降低風險、提高投資有效性方面具有重大意義。盡管對于投資人來說,投資成功將獲得幾倍、幾十倍甚至上百倍的回報,然而,這必須建立在投資不確定可控的基礎(chǔ)上。對于不確定評估模型的需求是客觀存在的,模型的有效性更是備受關(guān)注。從涉及的不確定性因素上講,風險投資主體在投入資金之前,會非常關(guān)注技術(shù)、人力、資本等多個因素及其產(chǎn)生的集成效應(yīng),盡力控制和平衡風險與收益[5]。

面對的投資對象不同時,采用的評估方式也截然不同,傳統(tǒng)的評估方式[6]主要有以下4種。

1)比較法。尋找與待投資項目(公司)相似或者相近并且接受了風險投資的項目(公司),通過比較兩個項目(公司)進而對風險投資進行評估。

2)比率法[7]。通常針對創(chuàng)建期及成長期的企業(yè)。比率法先選擇一個公司(如競爭對手或者同一產(chǎn)業(yè)鏈的公司)作為比較的基準,根據(jù)公開獲得的財務(wù)數(shù)據(jù)作為基準公司的財務(wù)比率,然后根據(jù)這些比率評估風險投資的價值。

3)凈現(xiàn)值法。適合各個階段的企業(yè),最常用的是以凈現(xiàn)值(NPV)度量的折現(xiàn)現(xiàn)金流 (DCF)方法。

4)決策樹法。適合各個階段的企業(yè),當風險投資項目涉及到的不確定性可以用幾種情景代表的選擇時,決策樹(DAT)是一種非常有用的計算投資項目價值的方法。

比較法和比率法適用于種子期或者啟動期,是低成本、節(jié)約時間的方法,相對來說,也是效率比較低的方法。比較法的缺陷也是導(dǎo)致種子期風險投資失敗率最高的一個原因。比率法要求可獲得的信息更多,評估的困難在于必須要找到風險特性、收益增長前景等條件與被評估公司相同的基準公司。在現(xiàn)行的方法中,基于折現(xiàn)現(xiàn)金流(DCF)的凈現(xiàn)值(NPV)是最重要的方法之一。決策樹方法為不確定情況下的投資問題提供了一個簡單的解決方案。該方法適用性大大增強,但不能作為一個單獨的方法運用。

上述的各種方法,在降低投資不確定性方面具有一定的實用性和現(xiàn)實價值,但在評估參數(shù)的系統(tǒng)性方面存在一定的不足,更沒有系統(tǒng)建立相應(yīng)的參數(shù)分層線性體系,存在較大的評估偏差或全面性欠缺問題。

2 不確定性定量化模型建立及分析

在分析傳統(tǒng)的評估方式的基礎(chǔ)上,本文運用更為數(shù)據(jù)化的建模方法來消除人為判斷所造成的誤差,建立可投性定量分析法來解決風險投資評估問題。

2.1 不確定性定量評估參數(shù)分析及模型建立

對企業(yè)進行資本投入可能存在巨大風險,投前的不確定評估作用重大。企業(yè)發(fā)展所處的行業(yè)、地理位置、發(fā)展階段、核心實力、團隊結(jié)構(gòu)等風險因素的組成結(jié)構(gòu)不同,每一種因素對于風險的影響也不同。有時,一個不起眼因素[8],會放大為致命風險。比如,一個企業(yè)創(chuàng)始者的婚姻破裂,也會導(dǎo)致投資的失敗。影響不確定評估結(jié)果的參數(shù)眾多且難以全部量化,全面而無遺漏地給出不確定評估參數(shù)集是不可能的,但是可以獲取主流參數(shù)集,并進一步進行調(diào)整,比如深入調(diào)研、人工智能機器學習等。在這個過程中,建立參數(shù)集及模型至關(guān)重要。傳統(tǒng)的回歸方法將所有因素放在同一層級進行考慮,忽略了不同層級變量的不同影響效果。本文將研究中的諸多變量劃分成兩個層次,構(gòu)建一級參數(shù)和二級參數(shù)來刻畫各風險因素對企業(yè)投資評估值的影響。

企業(yè)發(fā)展風險大小是決定資本是否投入的關(guān)鍵核心。為了有效分析相應(yīng)的不確定性,并進一步得到可投性的依據(jù),定義如下。

定義1可投度是評價企業(yè)風險的量化值。它是多個風險參數(shù)及相應(yīng)影響因子的加權(quán)之和,表示為

(1)

(1)式中:βi為參與評估的參數(shù),可以通過主客觀結(jié)合方式獲取,取值范圍為[0,100];αi為參數(shù)的加權(quán)因子,取值范圍為[0,1];n為參與評估的參數(shù)個數(shù),n的取值因行業(yè)甚至企業(yè)的不同而不同;x是最終計算結(jié)果宏觀修正因子,取值為[0,1]。

x作為調(diào)節(jié)因子可以根據(jù)行業(yè)、企業(yè)的參照對象進行決定,可以是客觀確定,也可以根據(jù)已存的樣本,經(jīng)過前幾期計算而確定。

根據(jù)現(xiàn)有的數(shù)據(jù)計算及證明方式[9],(1)式的計算結(jié)果具有良好的收斂性,它收斂于[0,100]。

為了更準確地獲取可投度f(x)值,需要通過相應(yīng)流程匹配βi,為參與評估的參數(shù)進行對應(yīng)的第二級加權(quán)平均計算,計算式為

(2)

(2)式中,γi為二級參數(shù);δi為加權(quán)值,是f(x)的二級參數(shù)個數(shù);N為參與評估項的參數(shù)個數(shù)?？赏抖扔嬎闶窖芑癁?/p>

(3)

2.2 算法流程及參數(shù)結(jié)構(gòu)

可投性評估模型的具體實施流程如圖1所示。首先,確定企業(yè)所在行業(yè);其次,確定評估量化的一級參數(shù)和相應(yīng)權(quán)重,例如根據(jù)大量被投企業(yè)的分析調(diào)查報告及行業(yè)研究報告等公開數(shù)據(jù)統(tǒng)計得出行業(yè)投資的側(cè)重點,從而確定參數(shù)及權(quán)重;然后,確定二級參數(shù)和權(quán)重;最后,得到可投度f(x)值。在確定一級/二級參數(shù)權(quán)重時,若存在投資同類企業(yè)參數(shù)集,可參考優(yōu)化投資量化評估參數(shù)進行多次回溯優(yōu)化,直到相鄰兩次優(yōu)化結(jié)果差值足夠小,則參數(shù)權(quán)重優(yōu)化收斂。

圖1 評估算法流程Fig.1 Flow chart of evaluation algorithm

評估指標參數(shù)關(guān)系如圖2所示。圖2中,βi為一級指標;αi為一級指標加權(quán)因子;γi為二級指標;δi為二級指標加權(quán)因子;Nn表示第n次修正?？赏抖萬(x)是經(jīng)過宏觀調(diào)節(jié)因子x調(diào)節(jié)之后的結(jié)果,由所有指標與加權(quán)因子共同決定,前述模型只是一個理論模型,還需要結(jié)合具體行業(yè)甚至企業(yè)實際情況確定相關(guān)參數(shù),才能得出相關(guān)企業(yè)可投性指標計算值,并進行準確化修正。

圖2 評估指標參數(shù)關(guān)系Fig.2 Relationship of evaluation index parameters

3 IT行業(yè)應(yīng)用及分析

2021年,信息技術(shù)、媒體及電信業(yè)以募資總計位居榜首,以上市宗數(shù)計則排名第二。2020年及2021年最大的IPO均來自信息技術(shù)行業(yè)。IT行業(yè)是新興產(chǎn)業(yè)和高科技聚集的領(lǐng)域,對相關(guān)企業(yè)的投資評估一直是一項具有挑戰(zhàn)性的任務(wù)[10]?，F(xiàn)有文獻主要是主觀經(jīng)驗分析,很少進行定量分析[11-12]。本節(jié)將以IT行業(yè)應(yīng)用為例,利用所提出的模型進行可投性量化分析。

用數(shù)據(jù)分析的方法去把控投資的風險,可以得到發(fā)展?jié)摿Ζ?(60%)、發(fā)展水平α2(30%)和政府扶持力度α3(10%)等3個一級指標加權(quán)因子,如圖3所示。由一級加權(quán)因子αi,可對評估參數(shù)βi進行更為詳細的解讀。

3.1 IT行業(yè)分析

由數(shù)據(jù)分析以及行業(yè)側(cè)重度,可得到二級加權(quán)參數(shù)的權(quán)重比;對一級指標進一步細分,可得到更為精準的二級指標。以核心環(huán)節(jié)分類,IT產(chǎn)業(yè)鏈大致分為IT設(shè)備企業(yè)和IT 服務(wù)企業(yè),若面對的是IT設(shè)備企業(yè),可將發(fā)展能力細分為3個二級指標來進行判斷:①科研人員數(shù)量及占比γ1(二級權(quán)重比為30%);②R&D的投入γ2(二級權(quán)重比為40%);③與高校合作實驗室、科研所數(shù)量γ3(二級權(quán)重比為30%)。二級指標如表1所示。

圖3 IT企業(yè)評估指標案例Fig.3 Case of IT enterprise evaluation indicators

表1 發(fā)展?jié)摿υu估表

對于以上參數(shù)評估估值標準區(qū)間的確定,以科研人員數(shù)量及占比這一二級指標為例進行分析。以IT設(shè)備前50的企業(yè)為技術(shù)模板,結(jié)合google scholar的數(shù)據(jù),計算出發(fā)展快速的技術(shù)公司科研人員占公司總?cè)藛T的比重,同時剔除離散值。例如騰訊科研人員的占比在2019年已達到66%,而該行業(yè)的高位占比則在40%-45%之間。因此,將γ1的高區(qū)間定為[40,100]。

3.2 IT設(shè)備企業(yè)二級指標

1)企業(yè)所處地理位置(二級權(quán)重比為10%)。評估IT設(shè)備型企業(yè)所處區(qū)域運輸交通情況如表2所示。

表2 地理位置評估表Tab.2 Geographical location assessment

2)企業(yè)成立年限(二級權(quán)重比為10%)。據(jù)科技部數(shù)據(jù),截至2022年12月31日,全國的高新技術(shù)企業(yè)為25萬家;最近6年,被投融資市場關(guān)注但最后關(guān)門的科技型創(chuàng)業(yè)公司達到5 867家。企業(yè)成立年限評估結(jié)果如表3所示。企業(yè)成立后3年至7年為退出市場高發(fā)期,即企業(yè)生存的“瓶頸期”。2000年以來新設(shè)立企業(yè)退出市場的概率呈倒“U”型分布,即前后低、中間高的態(tài)勢。近5年退出市場的企業(yè)平均壽命為6.09年,壽命在5年以內(nèi)的接近6成。多數(shù)地區(qū)科技型企業(yè)生存危險期為第3年。

表3 成立年限評估表Tab.3 Assessment of establishment years

3)企業(yè)人員數(shù)量、組成結(jié)構(gòu)(二級權(quán)重比為30%)。投資面臨的基本都是初創(chuàng)型的IT企業(yè),需具體分析企業(yè)成員專業(yè)特長、團隊的組建是否合理、相關(guān)人員是否滿足相關(guān)的需求等要素。

4)知識產(chǎn)權(quán)類別、數(shù)量與時間分布(二級權(quán)重比為20%)。和傳統(tǒng)行業(yè)不同,IT領(lǐng)域的技術(shù)更新快,迭代周期短,因此,企業(yè)專利申請應(yīng)該盡早進行。需特別注意的是,軟件產(chǎn)品由于其產(chǎn)品無形化,不符合實用新型保護客體要求,因而只能申請發(fā)明專利保護,申請的時間最好在企業(yè)發(fā)展階段的初期,而不是等出現(xiàn)專利糾紛的時候再去彌補。

5)現(xiàn)金流情況(二級權(quán)重比為10%)。通常而言,公司有18個月的現(xiàn)金是安全的,僅有12個月的現(xiàn)金為相對安全,僅有6個月現(xiàn)金則達到危險邊緣,若僅有3個月現(xiàn)金,需要立即開展節(jié)流行動。

6)合同及行業(yè)或委托方分布(二級權(quán)重比為10%)。在IT設(shè)備行業(yè)中(除開IT軍工設(shè)備類企業(yè)),收入來源單一化會影響公司未來的發(fā)展,上游公司訂單出現(xiàn)問題,會嚴重影響公司持續(xù)發(fā)展。我國政府在IT行業(yè)的招投標的平均金額是大于其他行業(yè)的,并且后續(xù)往往伴隨著維護、升級等延續(xù)性業(yè)務(wù),因此,從政府訂單與私有訂單分布的合理性也可以看出公司的發(fā)展規(guī)劃。

7)創(chuàng)始人、企業(yè)股東自有資產(chǎn),法人背景(二級權(quán)重比為10%)。創(chuàng)始人的背景及標簽有助于增強客戶對企業(yè)的記憶,創(chuàng)始人就是最好的口碑營銷。對于企業(yè)而言,創(chuàng)始人正面的個人標簽,某種意義上代表了企業(yè)的價值觀、用戶觀,更是代表服務(wù)人群的切割。企業(yè)股東如果本身的資產(chǎn)情況較好,在很大程度上可以幫助公司維系現(xiàn)金流。

有數(shù)據(jù)作為支撐時,可以參照表1建表評估;需以主觀判斷作為依據(jù)時,則可以參照表2評估。

3.3 政府扶持力度

本文從以下3個方面去判斷扶持力度的強弱。

1)智能制造產(chǎn)業(yè)發(fā)展、技術(shù)創(chuàng)新、人才扶持政策(國家及當?shù)?γ1(二級權(quán)重比為30%);

2) 新興技術(shù)扶持政策(人工智能、5G等)γ2(二級權(quán)重比為30%);

3)政府相關(guān)協(xié)會/平臺/聯(lián)盟等數(shù)量及規(guī)模、相關(guān)政府引導(dǎo)基金、專項基金數(shù)量及規(guī)模(國家及當?shù)?γ3(二級權(quán)重比為40%)。

3.4 可投度計算

得到所有的加權(quán)因子后,需要用最終計算結(jié)果宏觀修正因子β來修正可投度,IT企業(yè)的宏觀修正對應(yīng)表如表4所示。

表4 宏觀修正對應(yīng)表Tab.4 Macro correction correspondence table

可投度有助于分析被投企業(yè)的情況,進而有效降低風險。根據(jù)(3)式得到可投度f(x),由此進行判斷。表5所示為IT行業(yè)可投度表。不同行業(yè)的可投度評估表會有所不同。

表5 IT行業(yè)可投度評估表Tab.5 IT industry investment evaluation table

4 實際案例分析

江蘇省某IT企業(yè)的工業(yè)互聯(lián)網(wǎng)平臺在2019年12月份獲A輪3億元融資,由G資本領(lǐng)投。本節(jié)以此為案例,針對企業(yè)實際面臨的投資風險,采用本文提出的可投性定量化模型和算法進行可投性分析。根據(jù)前文所述方法計算相關(guān)數(shù)據(jù),結(jié)果如表6所示。

由(1)式可得,項目的可投度為87.9。由于跟投機構(gòu)數(shù)量超過5家,故宏觀修正因子值取0.92,經(jīng)過修正以后的可投度值為80.09。由表5可知,評估結(jié)論為應(yīng)進行風控調(diào)查,根據(jù)實際情況考慮。

從權(quán)重排序來看,權(quán)值最大的一級指標參數(shù)值為89.5,對可投度的影響較大。且該項目政府扶持力度較大,也符合IT技術(shù)發(fā)展方向。利用本文所提模型量化計算得到的結(jié)果和實際過程基本相符,這表明該模型具有一定的實用價值。

表6 某IT企業(yè)項目指標與權(quán)重數(shù)據(jù)Tab.6 Project indicators and weight dataof an IT enterprise

5 結(jié)束語

量化評估對控制投資風險和保證投資有效性具有非常關(guān)鍵的作用。本文結(jié)合國內(nèi)企業(yè)化特色和企業(yè)運作管理方式,以IT行業(yè)作為背景,以相關(guān)的行業(yè)參數(shù)指標來量化投資風險,提出了一個指標體系及計算模型,同時提出了微觀修正和宏觀判定修正的方法,提升了可投度的符合性。本文涉及的參數(shù)和指標因行業(yè)、企業(yè)不同而不同,針對不同研究和分析需要建立更多的實用模型。對不同的模型和參數(shù)體系,也可以借助目前人工智能的深度學習算法來提高可投度的準確性,這需要更多的樣本數(shù)據(jù),也是本文未來將進一步研究的課題。