摘? 要：基于人工智能板塊上市公司2017年年報數(shù)據(jù)，為探究人工智能板塊上市公司的資本結構，選擇12個具有代表性的財務指標，運用因子分析法對所選取的指標進行分析。研究結論表明，企業(yè)資本結構的合理與否關系到其盈利能力、成長能力是否穩(wěn)健。一般來說，資本結構越合理，其成長能力就越強勁，盈利能力也會顯著高于同行業(yè)其他公司。

關鍵詞：人工智能;資本結構;因子分析法;盈利能力

一、引言

自2017年以來，“人工智能”連續(xù)兩年被寫入全國政府工作報告，這意味著人工智能已上升為國家戰(zhàn)略層面。國務院及各部委相繼出臺一系列發(fā)展規(guī)劃，為我國人工智能的蓬勃發(fā)展鋪路搭橋。在其發(fā)展得如火如荼之際，研究人工智能上市公司的發(fā)展情況就顯得尤為重要。一方面，眾多專家學者從國際、國內兩個維度分析我國人工智能行業(yè)的整體發(fā)展，認為我國人工智能尚處于早期發(fā)展階段，上升前景可觀（德勤中國等，2019）。同時，對我國AI行業(yè)的未來進行展望，并給出相應的發(fā)展策略及投資建議（賴承勇等，2018）。另一方面，從微觀層面具體分析我國人工智能上市公司，基于相對估值對AI上市公司進行企業(yè)價值評估（宋華和袁棟緒，2018）。然而，目前關于人工智能上市公司資本結構的研究較少，因此本文擬采用因子分析法，研究AI上市公司的資本結構，對比分析各公司的資本結構及其在行業(yè)中所處地位，以期為投資者提供指導。

二、研究的提出及思路

（1）因子分析法

1.定義及優(yōu)點

因子分析法能從眾多可觀測的變量中，綜合和抽取少數(shù)幾個潛在的公共因子，并使這些因子能夠最大程度地概括和解釋原有的觀測變量的方法。使用因子分析法能有效地實現(xiàn)降維，達到簡化數(shù)據(jù)的目的。

2.因子分析法的步驟

一是對原始財務指標進行無量綱化處理;二是對因子分析法的適用性進行判斷，常用的檢驗標準有巴特利特球體檢驗以及KMO檢驗。KMO統(tǒng)計量取值在0到1之間，并且越接近1越好;三是確定主因子的個數(shù)及其系數(shù);四是計算樣本公司不同期間的綜合績效得分;五是結果分析。

三、實證研究設計

（1）樣本選擇與數(shù)據(jù)來源

本文選取了滬深A股人工智能概念板塊上市公司2017年的年度觀察數(shù)據(jù)作為研究樣本。人工智能板塊的上市公司共計34家。本文的原始數(shù)據(jù)來源于Wind資訊金融終端中各上市公司的財務報表數(shù)據(jù)，并采用SPSS 18.0和EXCEL進行處理和分析。

（2）評估指標選擇

截至2017年，中國人工智能市場規(guī)模已達到了216.9億元人民幣，同比增長52.8%。隨著我國人工智能行業(yè)市場規(guī)模的不斷攀升，探究該行業(yè)中公司的發(fā)展模式就顯得尤為重要，而合理的資本結構是公司實現(xiàn)長遠發(fā)展的前提和基礎。據(jù)此，本文選取的12個財務指標如下：資產負債率X1、剔除預收賬款后的資產負債率X2、長期資本負債率X3、權益乘數(shù)X4、流動資產占總資產比X5、有形資產占總資產比X6、非流動負債權益比率X7、流動負債權益比率X8、歸屬母公司股東的權益占全部投入資本X9、帶息債務占全部投入資本比率X10、流動負債占總負債比X11、資本固定化比率X12。

1.樣本的KMO與 Bartlett檢驗

本文利用SPSS18.0得到的KMO值為0.686 >0.5，表明所選取樣本數(shù)據(jù)間具有較高的共性。Bartlett的球形度檢驗值為842.096，數(shù)值較大，顯著性為0.000<0.001，這就表示所選的樣本數(shù)據(jù)適用于因子分析。

2.確定主因子個數(shù)

從解釋的總方差來看，提取的第一、二、三個主因子的方差貢獻率依次是52.282%、20.496%和17.859%。提取的第一個因子解釋能力最強。提取的三個主因子累積的方差貢獻率達到90.636%，說明這三個因子能夠反映原有變量的大部分信息，結果較為理想。

3.公共因子的命名及其解釋

經過第二步提取出合適的公因子后，需要使用最大方差法將因子進行旋轉。運用最大方差法的目的是使不同因子之間的區(qū)別度更大。于是得到表1旋轉后的因子載荷矩陣表：

從上表顯示的數(shù)據(jù)可以看出：一是流動負債權益比率、權益乘數(shù)、資產負債率、剔除預收賬款后的資產負債率、帶息債務占全部投入資本比率、歸屬于母公司股東的權益占全部投入資本比率以及有形資產占總資產比率在第一個因子上具有較高的載荷，并且它們從整體上反映企業(yè)總的資本構成，故把第一個主因子命名為總資本結構因子。二是流動負債總負債比率、長期資本負債率和非流動負債權益比率在第二個主因子上載荷較高。這三個指標是對企業(yè)負債水平的細化，故將負債因子作為第二個因子。三是流動資產占總資產比率、資本固定化比率都是分析企業(yè)的資產結構，因此，將第三個因子命名為資產因子。

4.確定主因子系數(shù)和表達式

結合以上三個因子得分公式，以公共因子的方差貢獻率加權平均，得出資本結構的綜合得分公式，計算公式如下：

F= （52.282%*F1+20.496%*F2+17.859*F3）/90.636%

=0.5768*F1+0.22251*F2+0.1970*F3

5.結果分析

綜合得分排名前五的公司依次是中科曙光、浪潮信息、長高集團、華勝天成和東方網力。這五家公司的共性都是財務杠桿較高。資產負債率都在40%以上，權益乘數(shù)高于行業(yè)平均水平，流動負債權益比率顯著高于同行業(yè)其他公司——排在第一的中科曙光是排在最后的川大智勝的20多倍。從帶息債務占全部資本比率這一指標上看，排名前五的公司十幾倍地高于排在后面的公司，第一名更是最后一名的47倍。另外，排名領先的公司相較于排名最后的公司，其投入資本更少依賴于母公司股東權益，而后者投入資本中超過95%的比例來自于母公司股東權益。

進一步分析發(fā)現(xiàn)，中科曙光的第一大股東為北京中科源算資產管理有限公司，其實際控制人為中國科學院。浪潮信息的實際控制人為山東省人民政府國有資產監(jiān)督管理委員會。即排名前兩位的公司，國有企業(yè)是其主要的控股股東。由于有國有企業(yè)的資金支持，這兩家公司能在資產負債率畸高的情況下，保持良好的盈利能力和增長能力。

同時發(fā)現(xiàn)，AI板塊上市公司普遍流動負債占比較高，流動負債占總負債比率平均高于60%，這意味著公司面臨償債壓力大。與之相對應的是，除了排在最后三位的川大智勝、拓爾思和北京君正的流動資產占總資產比率低于50%外，其他公司總資產中流動資產占比都很高，這也符合人工智能行業(yè)的特性。

四、分析總結

本文采用因子分析法，對人工智能板塊上市公司2017年年報數(shù)據(jù)進行研究，結論表明：1、運用因子分析法可以很好的篩選出行業(yè)中資本結構合理的公司;2、所提取命名的總資本結構因子、負債因子以及資產因子這三個公共因子，能夠將公司的資本結構細化，幫助投資者分析判斷公司，同時也能讓企業(yè)的管理者更好地了解本公司在全行業(yè)的地位。

值得注意的是，因子分析法本身只是一種探索性的研究方法，可能并不是絕對契合投資者分析。另外，對主因子的命名具有相當大的主觀性，容易受到人為因素的干擾。

參考文獻

[1]賴承勇，孫俊，趙銘.我國人工智能行業(yè)的發(fā)展現(xiàn)狀與展望[J].產業(yè)與科技論壇，2018（17）：23.12-14

[2]宋華，袁棟緒.基于因子分析的公司價值評估方法研究——以人工智能板塊上市公司為例[J].銅陵學院報，2018（02）：63-67

[3]苑澤明，張美琪.人工智能上市公司無形資產發(fā)展現(xiàn)狀、問題及對策[J].Commercial Accounting：1-9

[4]張潤君，薛晗慶.基于因子分析法對上市公司財務風險模型的實證分析[J].智能計算機與應用，2018（12）：64-68.

作者簡介：程潔（1995-），女，漢族，湖北麻城，碩士，湖北經濟學院，金融會計。