葛國慶+徐琛+高登
摘 要:近年來,在大眾創(chuàng)業(yè)的熱潮下,一大批初創(chuàng)企業(yè)紛紛成立起來,其中大部分都是創(chuàng)新型小微企業(yè)。在這些創(chuàng)新型小微企業(yè)的運營過程中,企業(yè)的管理、融資以及并購事項都與企業(yè)的估值密切相關。但遺憾的是,目前創(chuàng)新型小微企業(yè)的估值在實務中仍然缺乏準確性與客觀性,有許多亟待提升與改進的地方。本文在結合經典文獻與實務調查的基礎上,選取了12個指標作為小微企業(yè)估值的影響因素,并提出了以德爾菲法和RBF神經網絡相結合的小微企業(yè)估值方法,結合新三板數據進行實證分析,驗證了模型的有效性與可行性,為小微企業(yè)估值提供了一種新思路。
關鍵詞:小微企業(yè)估值;德爾菲法;RBF神經網絡
一、研究背景
隨著我國小微企業(yè)的產生與發(fā)展,一系列問題隨之出現,其中較為突出的問題就是初創(chuàng)期創(chuàng)新型小微企業(yè)的估值問題。經典的企業(yè)估值方法有歷史成本法、市場法等,但鑒于初創(chuàng)期創(chuàng)新型小微企業(yè)盈利不穩(wěn)定、規(guī)模小、財務數據不完整等特點,將這些方法用于初創(chuàng)期小微企業(yè)的價值評估均有較大局限性。因此,探究一種既能結合實際情況又能減少實務中價值評估主觀性的估值方法是極有價值的。
二、基本方法介紹
本文采用德爾菲法與RBF神經網絡模型相結合的方法來構建小微企業(yè)估值模型。德爾菲法,就是把需要破解的難題發(fā)送給不同專家以尋求意見,之后再對眾多專家提出的意見與建議見進行整合,進而得出初步綜合性意見。在此基礎上,再將所得綜合意見與待解決問題再次轉給專家。接到反饋信息后,專家應當基于綜合意見,對自身的初步意見進行修改,之后再對經過修改之后的意見進行匯總加成。
人工神經網絡,是研究者模仿生物神經網絡的結構與功能,構建出來的一種模型,其核心功能是研究輸入向量和輸出向量隱含關系。一般會按照輸入向量要求構建輸入層神經元,然后利用一系列模型內含復雜運算來建立相應的非線性模型,通過對隱含關系的不斷修正,減少輸出向量與實際向量之間的誤差,進而尋求合理的期望向量。
RBF神經網絡是一種方法先進、運作高效的前饋式神經網絡,它用徑向基函數作為網絡隱含層單元的“基”構成隱含層空間結構,對輸入矢量(低維的模式輸入數據)進行函數變換,轉換至高維空間內,通過對隱單元輸出值的處理得到輸出層的輸出值,具有最佳逼近和全局最優(yōu)的優(yōu)良性質,而且訓練速度快,不會出現局部最優(yōu),因此得到了廣泛應用。
在研究過程中,我們先對新三板企業(yè)進行篩選,確定研究對象。在此基礎上,我們將待估值的各企業(yè)的客觀數據及資料進行整理,匯編成冊,隨因素評分表一起發(fā)放給各專家,要求專家在仔細閱讀各企業(yè)的詳細資料之后(此步驟為模仿企業(yè)估值實務中的盡職調查),依據自身專業(yè)知識和實務經驗對企業(yè)各因素進行打分。之后,我們將收回資料及調查表,并對各企業(yè)得分進行整理,匯總并進行歸一化處理成為可用數據集,代入神經網絡模型進行訓練,并對訓練結果進行檢驗,考察模型的可行性與準確性。
三、估值因素的確定
本文結合相關文獻、實際調查情況以及德爾菲法提出了以下因素作為小微企業(yè)估值的影響因素。
(1)政府支持度:對于剛剛創(chuàng)業(yè)的小微企業(yè)來說,能否得到政府部門的支持將對其前期發(fā)展產生重要影響。
(2)行業(yè)競爭度:企業(yè)所在行業(yè)的競爭激烈程度也是衡量初創(chuàng)期小微企業(yè)后續(xù)成長性的重要因素之一。
(3)企業(yè)核心技術水平:這里的技術水平需要囊括技術可替代性、技術先進程度、技術適用性以及技術可靠性。
(4)市場擴張速度:成熟企業(yè)的估值中,經常會考慮企業(yè)在某個細分市場的市場占有率,但對于初創(chuàng)期的企業(yè)來說,由于其本身創(chuàng)立時間短,很難在市場占有率上對其做出評價,更應當關注的應當企業(yè)在細分市場擴張的速。
(5)毛利率:企業(yè)的毛利率也是衡量企業(yè)現狀與發(fā)展?jié)摿Φ闹匾笜?,毛利率高,說明企業(yè)的產品經濟附加值較高,否則,說明該產品的經濟附加值較低。
(6)CEO的能力:主流文獻認為創(chuàng)業(yè)企業(yè)領導者的能力將對企業(yè)發(fā)展產生巨大影響,因此CEO 的個人能力也必須納入估值體系中去。
(7)團隊能力:創(chuàng)業(yè)團隊在創(chuàng)業(yè)企業(yè)運作過程中的能力,包括了其管理能力、技術能力、銷售能力、財務能力等等方面,團隊水平的高低對企業(yè)的研發(fā)、生產、銷售、財務的運作流程具有極大影響力。
(8)企業(yè)所在區(qū)域:我國各地區(qū)的經濟發(fā)展極不平衡,不同區(qū)域的產業(yè)發(fā)展速度和基本特點都有所不同。
(9)成本優(yōu)勢:在很多行業(yè)中,成本優(yōu)勢是決定競爭優(yōu)勢的關鍵因素。
(10)市場整體景氣程度:通過研究,我們發(fā)現企業(yè)估值需要結合市場景氣程度。絕對價值相同的企業(yè),在經濟周期發(fā)展的不同階段,可能在估值上有較大差別,所以,企業(yè)最終的估值數據必須要考慮到市場的景氣程度進行衡量。
(11)商業(yè)模式:商業(yè)模式是企業(yè)的商業(yè)邏輯,它定義了企業(yè)如何為股東創(chuàng)造和捕獲價值。同時,為了保持競爭力,企業(yè)必須在其商業(yè)模式上不斷創(chuàng)新。
(12)企業(yè)規(guī)模:盡管對于初創(chuàng)期小微企業(yè)的估值主要是對于其成長性的估值,但不可否認的是,對于大多數小微企業(yè)來講,若無明顯證據證明其未來成長較為可期,其現有企業(yè)規(guī)模仍將是其估值的主要依據。
四、建立估值的數據樣本
神經網絡訓練中所提取的規(guī)律蘊含在樣本中,所以選取的樣本必須具有一定的代表性,根據本文的具體情況,選取樣本的原因和情況如下所述。
在樣本數據來源方面,考慮到:
(1)神經網絡需要多組數據進行訓練,而小微企業(yè)自身的數據由于其發(fā)展階段的特點,其自身各方面數據往往缺乏透明性、準確性,如不在估值之前花費一定時間對企業(yè)進行盡職調查,很難為企業(yè)估值提供詳盡、準確的原始數據和客觀情況。
(2)神經網絡模型的訓練集數據需要具有良好的準確性,這樣才能使得模型的訓練結果和實際情況能夠良好契合。而實際情況中,大部分小微企業(yè)并沒有一個準確的估值數據,這就使得神經網絡模型的訓練集數據的充實性與準確性極難保證,進而會影響神經網絡模型訓練結果的準確性。
綜上,本文采用我國新三板企業(yè)的相關估值數據與客觀情況對初創(chuàng)期小微企業(yè)的估值進行近似模擬。
目前,我國新三板掛牌公司的整體分布,有如下兩大特點:
一是中小微企業(yè)占比多。按照工信部和國家統(tǒng)計局標準,1107家掛牌公司約有95%屬中小微企業(yè),約有68%屬小微企業(yè)。
二是公司業(yè)務新穎、科技含量高。目前,1107家掛牌公司中,高新技術企業(yè)的比重已經超過了75%,且行業(yè)分布廣泛,高端制造業(yè)、軟件和信息技術服務業(yè)、文體娛樂業(yè)、科技服務業(yè)等領域均有大量企業(yè)分布。
由上文所述可知,新三板掛牌企業(yè)的特點與本文研究對象極為吻合,可以作為神經網絡模型訓練數據集的數據來源。
在樣本數據量方面,本文初步確定的小微企業(yè)估值模型包含12個主要的影響變量,根據模型自身要求,選擇樣本量的時候,應該盡量地尋求網絡的權值和閾值總數與樣本訓練樣本數相匹配。綜合各種因素,本文最后選取了60家新三板掛牌企業(yè)作為數據來源。
五、建立神經網絡模型
本節(jié)主要構建小微企業(yè)估值神經網絡模型,該RBF網絡是一種三層前向網絡:第一層為輸入層,主要由影響小微企業(yè)估值的12個影響因素構成,作為神經網絡的輸入向量;第二層為隱含層,由自主構建的隱含神經元構成,連接輸入層與輸出層神經元;第三層為輸出層,輸出值是隱單元輸出的線性加權,本模型中,企業(yè)最終估值水平為神經網絡的輸出向量,所以輸出層的神經元個數為1。而具體模型結構如圖所示:
六、模型訓練及實證
本文總共選取了60個企業(yè)樣本,其中70%作為訓練樣本來訓練RBF神經網絡模型,30%作為測試集對模型精度進行測驗。模型針對不同的輸入向量可以得到不同的價值輸出值,在規(guī)定網絡模型精度誤差的基礎上,模型自動會將實際價值輸出值與期望價值對比,得到誤差值,并將該誤差與精度誤差比較,誤差大于精度誤差時,進行回溯反饋、反迭代的過程。通過反復執(zhí)行RBF神經網絡算法流程,得到最小誤差所對應的RBF神經網絡模型的內涵網絡關系,此時網絡的訓練過程結束,小微企業(yè)估值的RBF神經網絡模型就構建完畢。
本文使用Spss Modeler進行模型執(zhí)行,執(zhí)行流程如圖所示:
在模型訓練及測試結束后,相關結果如圖所示:
由圖可知,模型測試集的平均誤差為-3.21%,達到了較好效果,但18個測試樣本中,仍有許多誤差水平超過了15%,處于一個較高的誤差水平。但考慮到小微企業(yè)估值在實務操作中的極大不準確性,我們有理由認為,該模型已經具有了較好的擬合效果,將估值誤差維持在了一個可以接受的程度。
七、結論及分析
RBF神經網絡模型用小微企業(yè)估值時只需要以合適訓練樣本進行訓練,利用訓練后的網絡模型就可以對小微企業(yè)進行估值。且訓練好一個模型之后,便可用于同類型小微企業(yè)的估值。若要對企業(yè)特點差異大的其他企業(yè)估值,只需重新尋找相似樣本,對模型進行調整訓練即可。
該模型克服了傳統(tǒng)小微企業(yè)估值過于依賴主觀判斷、工作量巨大的缺點。首先,本研究在訓練樣本上選用了新三板企業(yè)來對小微企業(yè)進行近似模擬,應當講,這樣的近似模擬已經非常好地保證了模型的準確性。但隨著小微企業(yè)數量的上升和相關統(tǒng)計數據的積累,勢必會有更加貼近實際情況的數據出現,屆時,可對本模型在數據選取上進行進一步優(yōu)化。其次,本文只從小微企業(yè)整體角度考慮了其估值模型。訓練樣本的企業(yè)特點、行業(yè)分布均差異較大,這也是本模型結果的誤差值產生的主要原因所在。后續(xù)研究中,若能對訓練樣本進行進一步精細化篩選,勢必能夠大幅提升模型的針對性。
參考文獻:
[1]陳軍.初創(chuàng)期科技企業(yè)估值方法分析與運用[D].電子科技大學,2014.
[2]湯伶俐.初創(chuàng)型科技企業(yè)估值方法研究--基于風險投資法視角[J]. 財會通訊,2016,(32):7-10+129.
[3]黃雯雯.基于BP神經網絡的中國創(chuàng)業(yè)板IPO定價模型研究[D].華南理工大學,2012.
[4]朱曉剛.A股上市公司價值評估指標驗證與體系構建[D].西南財經大學,2012.
[5]鄒原.關于現代企業(yè)估值問題的若干思考[J].財經界(學術版),2013,(23):147.
[6]衛(wèi)敏,余樂安.具有最優(yōu)學習率的RBF神經網絡及其應用[J].管理科學學報,2012,(04):50-57.
[7]劉飛虎,羅曉光.基于PCA-RBF神經網絡的商業(yè)銀行財務風險評價研究[J].投資研究,2013,(03):88-97.