（長春金融高等專科學(xué)校會計學(xué)院，長春 130028）

引 言

隨著新一代信息技術(shù)呈現(xiàn)爆發(fā)式增長，人工智能、物聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)應(yīng)用不斷普及，形成了新一輪工業(yè)革命的主要驅(qū)動力，深刻改變了以往的資源配置方式、生產(chǎn)組織方式和價值創(chuàng)造方式。人工智能產(chǎn)業(yè)已成為推動經(jīng)濟(jì)社會發(fā)展的助推器，發(fā)達(dá)國家紛紛將人工智能作為國家戰(zhàn)略。美國于2016年5月成立人工智能委員會，著力發(fā)展能夠為美國人民服務(wù)的人工智能，確保美國在人工智能領(lǐng)域的優(yōu)勢地位。韓國將人工智能作為重點發(fā)展的五大關(guān)鍵領(lǐng)域之一。日本制定了人工智能綜合發(fā)展計劃。我國政府出臺了 《中國制造2025》、《新一代人工智能發(fā)展規(guī)劃》、《促進(jìn)新一代人工智能產(chǎn)業(yè)發(fā)展三年行動計劃 （2018～2020）》等政策［1］，各地方政府也紛紛出臺政策、規(guī)劃和建設(shè)人工智能產(chǎn)業(yè)園區(qū)，這些舉措為人工智能產(chǎn)業(yè)發(fā)展創(chuàng)造了良好的發(fā)展環(huán)境，有力地促進(jìn)人工智能產(chǎn)業(yè)發(fā)展，使人工智能產(chǎn)業(yè)規(guī)模日益壯大，正在成為制造業(yè)集群轉(zhuǎn)型和升級的核心推動力。與此同時，人工智能產(chǎn)業(yè)的融資需求旺盛，《2019中國人工智能產(chǎn)業(yè)投融資白皮書》數(shù)據(jù)顯示，2018年國內(nèi)人工智能領(lǐng)域的總體融資規(guī)模達(dá)到1189億元，但2019年前3季度人工智能領(lǐng)域的融資規(guī)模僅為577億元，融資能力不足難以支撐人工智能產(chǎn)業(yè)項目商業(yè)化和應(yīng)用推廣，資金問題已成為制約人工智能產(chǎn)業(yè)發(fā)展瓶頸。當(dāng)前，我國人工智能產(chǎn)業(yè)仍處于發(fā)展初期階段，融資速度快，但融資效率普遍較低［2］，這為產(chǎn)業(yè)升級帶來一定挑戰(zhàn)。為此，深入研究人工智能產(chǎn)業(yè)的融資效率和影響人工智能產(chǎn)業(yè)融資效率的因素，對于滿足人工智能產(chǎn)業(yè)融資需求、促進(jìn)人工智能產(chǎn)業(yè)健康發(fā)展具有重要的理論價值和現(xiàn)實意義。

1 相關(guān)文獻(xiàn)綜述

人工智能產(chǎn)業(yè)作為新興的產(chǎn)業(yè)領(lǐng)域，其融資環(huán)境與融資效率對產(chǎn)業(yè)發(fā)展具有先導(dǎo)性影響，當(dāng)前國內(nèi)外學(xué)者對人工智能產(chǎn)業(yè)融資效率的研究仍處于初期，相關(guān)成果還不多，但由于人工智能產(chǎn)業(yè)也屬于高新技術(shù)產(chǎn)業(yè)，學(xué)者們對高新技術(shù)產(chǎn)業(yè)、戰(zhàn)略性新興產(chǎn)業(yè)等領(lǐng)域融資效率相關(guān)成果可以為本文提供參考。

在人工智能產(chǎn)業(yè)融資問題研究中，學(xué)者認(rèn)為人工智能產(chǎn)業(yè)屬于高新技術(shù)產(chǎn)業(yè)，面臨著技術(shù)創(chuàng)新風(fēng)險和市場化難點，初創(chuàng)企業(yè)存在著較大的融資難題。耿成軒等 （2019）認(rèn)為人工智能產(chǎn)業(yè)的發(fā)展需要耗費巨大的資金成本用于基礎(chǔ)設(shè)施、人力資源和數(shù)據(jù)開發(fā)，需要優(yōu)化融資生態(tài)，完善融資服務(wù)體系，提升企業(yè)資金配置效率，不斷拓寬企業(yè)的融資渠道，進(jìn)而為產(chǎn)業(yè)發(fā)展提供有效的資金支持［1］。劉俊文和于洪 （2019） 指出吉林省人工智能企業(yè)面臨著外源性融資渠道不暢、企業(yè)貸款覆蓋率低等問題，由于初創(chuàng)企業(yè)的規(guī)模小、融資成本高、銀行審批流程復(fù)雜，導(dǎo)致企業(yè)難以獲得充足的資金用于支撐企業(yè)發(fā)展［3］。Dirk Czarnitzki（2006）對德國制造業(yè)中小企業(yè)研發(fā)活動的融資約束問題進(jìn)行了實證研究，結(jié)果發(fā)現(xiàn)公共研發(fā)資金的供應(yīng)差異對企業(yè)的融資約束具有影響，政府補貼研發(fā)經(jīng)費過高的情況下容易導(dǎo)致企業(yè)研發(fā)活動面臨金融市場機(jī)制失靈［4］。金輝 （2019）指出我國人工智能產(chǎn)業(yè)具有廣闊發(fā)展空間，產(chǎn)業(yè)鏈生態(tài)不斷完善，行業(yè)應(yīng)用領(lǐng)域日趨成熟，具有較強的并購整合需求和多樣化的融資需求，可以采用股權(quán)融資、投貸聯(lián)動、企業(yè)并購整合和跨國業(yè)務(wù)合作以及創(chuàng)新信貸模式等方式支持人工智能龍頭企業(yè)發(fā)展［5］。

在融資效率評價與測度研究中，學(xué)術(shù)界對融資效率測度的方法主要有模糊綜合評價方法 （魏開文， 2001）［6］、 灰色關(guān)聯(lián)評價方法 （伍裝， 2005）［7］、層次分析與模糊評價相結(jié)合 （王平，2006）［8］以及數(shù)據(jù)包絡(luò)分析 （Data Envelopment Analysis，簡稱DEA）方法等。模糊綜合評價、灰色關(guān)聯(lián)等傳統(tǒng)研究方法在指標(biāo)選取和權(quán)重計算上具有一定的主觀性，而DEA方法無需主觀確定權(quán)重、能夠衡量多輸入多輸出的多目標(biāo)決策問題，近年來學(xué)者們更多采用DEA方法評價融資效率。如劉超等運用DEA-Tobit方法對我國人工智能上市公司的融資效率進(jìn)行測度，研究發(fā)現(xiàn)人工智能產(chǎn)業(yè)融資效率不高，大多數(shù)企業(yè)未達(dá)到效率最優(yōu)狀態(tài)，主要原因在于規(guī)模效率較低［2］。李京文等 （2014） 運用DEA方法測算了北京市戰(zhàn)略性新興產(chǎn)業(yè)51家上市公司的融資效率，實證結(jié)果顯示2011～2013年樣本企業(yè)的融資效率整體較低，主要與技術(shù)進(jìn)步水平下降有關(guān)［9］。呂巖威和孫慧 （2013） 采用隨機(jī)前沿生產(chǎn)函數(shù)模型對我國不同地區(qū)的戰(zhàn)略性新興產(chǎn)業(yè)的技術(shù)效率進(jìn)行了測度［10］。熊正德等（2014）運用兩階段關(guān)聯(lián)網(wǎng)絡(luò)DEA方法對戰(zhàn)略性新興產(chǎn)業(yè)新能源汽車行業(yè)上市公司的債權(quán)融資效率進(jìn)行分析，分別測度了債權(quán)籌資階段和配置階段的融資效率，實證結(jié)果表明債權(quán)籌資效率相對較低導(dǎo)致產(chǎn)業(yè)總體融資效率低下［11］。

縱觀國內(nèi)外相關(guān)文獻(xiàn)，對于人工智能產(chǎn)業(yè)的相關(guān)研究尚屬萌芽，而效率是產(chǎn)出與投入之比，體現(xiàn)的是以最少的成本實現(xiàn)最大限度的產(chǎn)出［12］。DEA方法雖然能夠克服系統(tǒng)誤差，避免主觀性，但由于其將評價系統(tǒng)視為 “黑箱”，難以有效反映不同指標(biāo)對評價對象的影響程度，基于此，為了全面反映人工智能產(chǎn)業(yè)企業(yè)獲取資金的難易程度以及企業(yè)在生產(chǎn)運營過程中對資金的配置效率，本文在已有研究基礎(chǔ)上，綜合運用Super-SBM和Logit模型方法測度我國人工智能產(chǎn)業(yè)融資效率，并對影響人工智能產(chǎn)業(yè)融資效率的因素進(jìn)行分析。

2 融資效率模型的構(gòu)建與變量選擇

2.1 基于Super-SBM的融資效率模型

目前大多數(shù)學(xué)者在進(jìn)行融資效率問題研究時采用數(shù)據(jù)包絡(luò)分析 （DEA）方法，選用的模型主要有CCR和BCC兩種，該方法雖然克服了參數(shù)估計法系統(tǒng)誤差大的不足，但并未對輸入和輸出指標(biāo)的 “松弛”變化的影響進(jìn)行分析，為了解決該問題，Tone在進(jìn)行效率評價時，構(gòu)建了SBM模型，對松弛變量進(jìn)行效率評價，解決了傳統(tǒng)DEA模型中無效率評價含有松弛變量的問題，為了解決多個效率為1的DMU效率排序難的問題，Tone對SBM模型改進(jìn)形成Super-SBM模型［13］，該模型的決策單元效率值可以大于或等于1，表達(dá)形式為：

式中，n代表人工智能公司 （DMU）的數(shù)量，X代表每個DMU的投入要素向量，Y代表每個DMU的產(chǎn)出要素向量，ρ代表融資效率值，m代表投入要素指標(biāo)個數(shù)，k代表產(chǎn)出要素指標(biāo)個數(shù)，代表投入要素的松弛變量，代表產(chǎn)出要素的松弛變量，λ代表列向量。

目前，針對融資效率投入和產(chǎn)出指標(biāo)的選取主要包括生產(chǎn)法、中介法、資產(chǎn)法3種［2］，本文根據(jù)科學(xué)性、完整性和可操作性的原則選取了投入指標(biāo)和產(chǎn)出指標(biāo)，其中投入指標(biāo)有3個： （1）總資產(chǎn)：該指標(biāo)代表公司的整體規(guī)模，與融資規(guī)模成正比，反映了融資規(guī)模大??；（2）資產(chǎn)負(fù)債率：該指標(biāo)代表公司的資本結(jié)構(gòu)。融資結(jié)構(gòu)理論指出，經(jīng)營風(fēng)險較小的公司可以適當(dāng)?shù)奶岣哔Y產(chǎn)負(fù)債率獲得較高的利潤，正面效應(yīng)大于負(fù)面影響，而經(jīng)營風(fēng)險較大的企業(yè)提高資產(chǎn)負(fù)債率則會產(chǎn)生較大的風(fēng)險，負(fù)面影響大于正面效應(yīng)；（3）營業(yè)總成本：該指標(biāo)代表企業(yè)經(jīng)營成本，成本與利潤成反比，反映了公司對資金的利用能力。

產(chǎn)出指標(biāo)3個：（1）凈資產(chǎn)收益率：該指標(biāo)定義為利潤額與平均股東權(quán)益的比值，代表單位自有資本的收益能力，同時也反映了融資的收益；（2）總資產(chǎn)周轉(zhuǎn)率：該指標(biāo)定義為營業(yè)收入與年平均資產(chǎn)總額的比值。代表公司資本的流轉(zhuǎn)速度，體現(xiàn)了公司的資本利用效率和管理質(zhì)量，與資金利用效率成正比；（3）主營業(yè)務(wù)收入增長率：該指標(biāo)用于判斷公司所處的成長階段，用于判斷公司成長能力。

2.2 Logit模型

Logit模型由Warner于20世紀(jì)60年代首次引用到經(jīng)濟(jì)領(lǐng)域，隨后學(xué)者們在多個領(lǐng)域?qū)υ撃Ｐ瓦M(jìn)行拓展，該模型通過建立解釋變量和被解釋變量之間的關(guān)系，估算被解釋變量的概率分布，廣泛應(yīng)用于解決二元離散性選擇問題，Logit模型的一般表達(dá)式為：

式中Y?和Xi分別代表被解釋變量和解釋變量，βi為待估系數(shù)，μi為隨機(jī)誤差項。本文通過分析人工智能產(chǎn)業(yè)融資效率的影響因素，建立基于Logit方法的離散的二元模型，以Super-SBM模型測算的人工智能產(chǎn)業(yè)融資效率作為被解釋變量，當(dāng)P≥1時，被解釋變量值為1，當(dāng)P＜1時，被解釋變量的值為0，在選擇解釋變量時先分析了人工智能產(chǎn)業(yè)融資效率的影響因素，做出如下假設(shè)：

假設(shè)1：債權(quán)融資與人工智能產(chǎn)業(yè)上市公司的融資效率有正相關(guān)性。融資效率受到平均資本成本的影響，平均資本成本受到資本結(jié)構(gòu)和融資方式的影響，公司融資方式有債權(quán)和股權(quán)融資兩種，本文選取資產(chǎn)負(fù)債率這一債權(quán)融資指標(biāo)來反映公司的融資結(jié)構(gòu)。

假設(shè)2：企業(yè)的盈利能力與人工智能產(chǎn)業(yè)上市公司的融資效率有正相關(guān)性。企業(yè)的償債能力受到盈利能力的影響，因此盈利能力強的企業(yè)更容易獲得債權(quán)融資。企業(yè)的盈利能力越強，企業(yè)內(nèi)部資金越充裕，內(nèi)部融資的成本相對較低，財務(wù)風(fēng)險也就相對較低，同時盈利能力強的企業(yè)通過向市場傳達(dá)信息，有利于進(jìn)行股權(quán)融資，本文選取凈資產(chǎn)收益率這一指標(biāo)衡量企業(yè)盈利能力。

假設(shè)3：企業(yè)的成長能力與人工智能產(chǎn)業(yè)上市公司的融資效率有正相關(guān)性。成長性與盈利有一定相關(guān)性，但是并不意味著成長性較高的企業(yè)盈利能力強。一般來講，高成長能力的企業(yè)相比低成長性企業(yè)的融資方式選擇較多，融資效率相對較高。本文選取營業(yè)收入增長率這一指標(biāo)反映企業(yè)成長能力。

3 實證研究

3.1 數(shù)據(jù)來源及數(shù)據(jù)處理

本文選取了國內(nèi)35家人工智能企業(yè)2012～2018年財務(wù)報表數(shù)據(jù)為研究樣本，數(shù)據(jù)來源于國泰安、Wind資訊等數(shù)據(jù)庫以及上市公司年報，樣本數(shù)量大于指標(biāo)數(shù)量的2倍，滿足Super-SBM模型研究的需要。

在數(shù)據(jù)應(yīng)用過程中，為了滿足運算需要，對數(shù)據(jù)進(jìn)行無量綱處理，具體如下：

3.2 融資效率的整體評價

2012～2018 年我國35家人工智能企業(yè)融資效率計算結(jié)果如表1所示。

表1 2012～2018年人工智能產(chǎn)業(yè)企業(yè)融資效率測算值

從表1中可以看出，我國人工智能產(chǎn)業(yè)的整體融資效率不高，大部分處于非效率狀態(tài)。從2012～2018年各企業(yè)的平均融資效率值可以看出，僅有高樂股份1家公司的平均融資效率大于1，為1.2076，占樣本企業(yè)的2.86%；僅有和而泰1家企業(yè)的平均融資效率大于0.9且小于1，占樣本企業(yè)的2.86%；有17家公司的平均融資效率在0.8～0.9之間，占樣本企業(yè)的48.57%；16家公司的平均融資效率在0.8～0.9之間，占樣本企業(yè)的45.71%。具體而言，2012年，和而泰和四川長虹2家公司融資效率達(dá)到有效；2013年，和而泰和康力電梯2家公司融資效率達(dá)到有效；2014年，巨星科技、浙大網(wǎng)新、東方通、同花順和江南化工5家公司融資效率達(dá)到有效；2015年，巨星科技、驊威文化、同花順、恒生電子、遠(yuǎn)大智能、藍(lán)色光標(biāo)和佳訊飛鴻7家公司融資效率達(dá)到有效；2016年，高樂股份和江南化工2家公司融資效率達(dá)到有效；2017年，高樂股份和浙大網(wǎng)新2家公司融資效率達(dá)到有效；2018年，高樂股份、浙大網(wǎng)新和東方網(wǎng)力3家公司融資效率達(dá)到有效。這說明大部分人工智能產(chǎn)業(yè)企業(yè)需要進(jìn)一步拓寬融資渠道，優(yōu)化融資結(jié)構(gòu)，提升融資效率。

3.3 融資效率影響因素分析

本文利用Eviews8.0對2012～2018年人工智能產(chǎn)業(yè)上市公司融資效率進(jìn)行Logit分析，得到計算模型如下：

Y?＝-0.1824DA+0.0045IRBR+0.3387ROE（8）

式中：DA代表資產(chǎn)負(fù)債率，IRBR代表營業(yè)收入增長率，ROE代表凈資產(chǎn)收益率。

對模型進(jìn)行H-L Statistic檢驗，得到卡方值為6.5728，P值為0.8725，大于5%，在統(tǒng)計學(xué)意義上不能拒絕模型擬合良好的原假設(shè)。DA、IRBR和ROE變量的z檢驗的P值分別為0.0128、0.0386和0.0087，均小于5%顯著性水平，表明在2012～2018年，資產(chǎn)負(fù)債率、營業(yè)收入增長率和凈資產(chǎn)收益率對人工智能產(chǎn)業(yè)上市公司融資效率具有顯著影響。

對模型8進(jìn)行分析可知，DA的系數(shù)為負(fù)值，說明在其他內(nèi)外部環(huán)境保持穩(wěn)定的前提下，資產(chǎn)負(fù)債率與人工智能產(chǎn)業(yè)上市公司的融資效率呈負(fù)向關(guān)系，資產(chǎn)負(fù)債率越低，公司融資效率越高。盡管適當(dāng)?shù)呢?fù)債能夠提高企業(yè)的價值，但是由于當(dāng)前人工智能產(chǎn)業(yè)的融資渠道相對較窄，過度的舉債會降低企業(yè)競爭力，因此資產(chǎn)負(fù)債率應(yīng)該控制在合理范圍內(nèi)。IRBR的系數(shù)為正值，說明在其他內(nèi)外部環(huán)境保持穩(wěn)定的前提下，企業(yè)的盈利能力與人工智能產(chǎn)業(yè)上市公司的融資效率呈正向關(guān)系，企業(yè)盈利能力越強，則融資效率越高，具有較高盈利能力的企業(yè)具有較強的內(nèi)部融資能力，相比債券融資和股權(quán)融資，內(nèi)部融資在資金到位效率和融資成本上優(yōu)勢明顯，對提高融資效率具有重要作用。ROE的系數(shù)為正值，說明在其他內(nèi)外部環(huán)境保持穩(wěn)定的前提下，企業(yè)的成長能力與人工智能產(chǎn)業(yè)上市公司的融資效率呈正向關(guān)系，企業(yè)的成長能力越強，公司融資效率越高。人工智能產(chǎn)業(yè)屬于高新技術(shù)產(chǎn)業(yè)，技術(shù)能力越強的企業(yè)，往往具有較強的核心競爭力，對獲取資本市場的支持、吸引投資具有較大的吸引力。因此在公司進(jìn)行融資過程中可供選擇的融資方式較多，融資成本相對較低，融資效率相對較高。

4 結(jié)論與啟示

本文利用Super-SBM模型對我國35家人工智能上市企業(yè)2012～2018年融資效率進(jìn)行實證分析，采用Logit模型對融資效率的影響因素進(jìn)行分析，得到以下結(jié)論：（1）我國人工智能產(chǎn)業(yè)處于產(chǎn)業(yè)生命周期的起步階段，資本配置率的整體水平相對較低，企業(yè)的融資效率可提升空間較大；（2）資產(chǎn)負(fù)債率、企業(yè)的盈利能力和企業(yè)的成長能力對人工智能產(chǎn)業(yè)上市公司的融資效率具有顯著影響。在其他內(nèi)外部環(huán)境穩(wěn)定的前提下，資產(chǎn)負(fù)債率越低、企業(yè)的盈利能力和企業(yè)的成長能力越強，融資效率越高。

人工智能產(chǎn)業(yè)對促進(jìn)我國經(jīng)濟(jì)轉(zhuǎn)型升級具有重要推動作用，針對當(dāng)前人工智能產(chǎn)業(yè)融資效率整體偏低的問題，應(yīng)結(jié)合實際情況，優(yōu)化融資環(huán)境，提升企業(yè)自身競爭力，拓寬融資渠道，提高資金配置效率，提升融資效率。（1）優(yōu)化融資環(huán)境，滿足人工智能企業(yè)多元化融資需求。在政策環(huán)境上，各級政府在稅收和政策上對人工智能產(chǎn)業(yè)給予傾斜，立足人工智能產(chǎn)業(yè)快速發(fā)展階段的融資需求，對產(chǎn)業(yè)發(fā)展的資金供給量進(jìn)行引導(dǎo)，促進(jìn)人工智能產(chǎn)業(yè)集聚發(fā)展，形成融資生態(tài)，提高融資資金利用率；（2）完善融資服務(wù)體系，拓展融資渠道，鼓勵金融機(jī)構(gòu)針對人工智能產(chǎn)業(yè)發(fā)展開發(fā)新型金融產(chǎn)品，創(chuàng)新投融資模式，為人工智能企業(yè)提供并購整合、并購基金、投貸聯(lián)動、擔(dān)保、股權(quán)質(zhì)押融資等多種融資方式，為企業(yè)獲取資金支持提供便利；（3）提高企業(yè)資金配置效率，提升人工智能企業(yè)的公司治理能力，注重優(yōu)化融資渠道，充分利用股權(quán)融資的渠道，確保股權(quán)流通，保持合理的資產(chǎn)負(fù)債率，平衡融資成本和融資風(fēng)險，實現(xiàn)資本結(jié)構(gòu)的優(yōu)化。