禹春霞 滿 茹 鄒志琴

（中國石油大學（北京）經濟管理學院，北京 102249）

引 言

隨著人工智能技術的發(fā)展，新一輪的產業(yè)變革席卷全球，各行各業(yè)紛紛將人工智能作為戰(zhàn)略支點，不斷創(chuàng)造出新的發(fā)展機遇。自2015年 《國務院關于積極推進 “互聯網＋”行動的指導意見》中將人工智能作為重點布局的11個領域之一以來，我國政府已相繼出臺多項相關戰(zhàn)略規(guī)劃［1］。近年來，我國人工智能行業(yè)發(fā)展迅速，人工智能行業(yè)上市公司在A股市場受到廣泛關注。然而，由于人工智能行業(yè)剛剛起步，投資者對該領域的認識尚存在不足［2］。根據中國信息通信研究院云計算與大數據2019年的投資者調查結果顯示，投資者在面對人工智能等高科技行業(yè)投資選擇時存在股價估值偏差的問題［3］。因此，提出專門面向人工智能行業(yè)上市公司的投資價值評價方法是當前亟需解決的問題。此外，當前關于投資價值評價的方法僅考慮指標之間的差異性，并未考慮評價指標不同階段的動態(tài)變化。因此，本文提出面向人工智能行業(yè)上市公司的投資價值動態(tài)評價方法。本文提煉出人工智能行業(yè)上市公司的評價指標體系，采用熵權法確定指標權重；使用TOPSIS方法衡量指標之間的差異性和變化趨勢，同時利用時間加權法得到動態(tài)評價值并排序；最后，選取我國A股2013～2018年人工智能概念股進行實證研究，探究它們投資價值的具體表現。

1 文獻綜述

上市公司投資價值評價在投資決策過程中發(fā)揮著至關重要的作用。當前，與投資價值評價有關的研究主要集中在評價指標體系的構建和評價方法的確定兩個方面。

1.1 投資價值評價指標

評價指標體系的構建是投資價值評價的基礎，直接決定評價結果的可靠性。當前關于上市公司投資價值評價的指標大多基于財務報表的公開信息。楊青等［4］選取了創(chuàng)業(yè)者素質、盈利能力、產品競爭力、投資退出機會等10個指標建立新創(chuàng)企業(yè)投資價值指標體系。方學軍等［5］構建投資評價體系時，選定了上市公司的盈利能力、營運能力、成長能力、償債能力等諸多指標進行分析。劉羽［6］選取盈利能力、公司經營管理能力、成長能力、抗風險能力4個方面對房地產公司的投資價值相對高低進行測算與比較。黃東賓等［7］從盈利、運營、償付和增長4個維度中選擇公司財務指標來評估股票價值。朱子邈［8］在對智能汽車概念板塊上市公司進行投資價值評價時選取了盈利、成長、營運、償債等多維度的指標。

1.2 投資價值評價方法

投資價值評價是一個多準則決策問題，學者們針對不同的應用領域提出了不同的評價方法。這些評價方法一般由權重確定方法和評價方法兩部分組成。目前關于權重計算的方法主要分為主觀賦權法和客觀賦權法［9，10］。常用的主觀賦權法有德爾菲法［11］、 層次分析法等［12］； 客觀賦權法主要包括主成分分析法［13］、 熵權法［14］等。 在這些常見的權重確定方法中，熵權法能夠處理較多的樣本數據，避免評價指標體系的主觀性干擾，保留更多的原始信息，結果更加客觀。因此，本文選用熵權法確定評價指標權重。

學者們提出了不同的上市公司投資價值評價方法。張露和黃京華在探究投資公告對上市公司市值的影響時采用事件研究法，研究發(fā)現產業(yè)投資公告能夠顯著提升企業(yè)市值［15］。C－TB等利用DEA方法完成互聯網公司的評價內容［16］。張林分別構建了數據包絡模型和神經網絡模型進行實證分析評價創(chuàng)新型企業(yè)［17］。唐欣基于BP神經網絡模型完成企業(yè)綠色經營績效評價研究［18］。在這些常見的評價方法中，TOPSIS綜合評價方法由于不受樣本規(guī)模和指標的限制，可以對目標單位進行排序，計算簡便，結果精確，適用于多種情境下的綜合評價。因此，本文選用TOPSIS方法對人工智能行業(yè)上市公司的投資價值進行評價。但是傳統評價方法僅考慮評價指標的差異性，沒有考慮其他信息。姜長軍［19］采用灰色關聯的方法對指標體系的有關信息進行更深層次的研究分析，指出指標涵蓋的差異性和變化性信息同等重要。因此，本文提出同時考慮指標的差異性和變化趨勢的TOPSIS評價方法。

此外，靜態(tài)時點無法體現多個多屬性待評價對象在時間段內的總體發(fā)展狀態(tài)［20］。時間因素的作用不可忽視，不同時點以及不同遠近的時點結果對投資價值和投資決策產生的影響不同。為了分析上市公司投資價值隨時間變化的狀況，探究相關行業(yè)發(fā)展趨勢，動態(tài)時序的研究視角尤為必要。張發(fā)明和肖文星［22］基于雙激勵模型對混合信息進行動態(tài)評價。董福貴等［23］結合績效評價和預測構建DEA－TOPSIS時間序列3階段動態(tài)評價模型，對TOPSIS方法的評價結果進行簡單指數平滑模型和 ARIMA （Auto－regressive Integrated Moving Average Model）擬合，探究預測績效評價排名。余鵬等［24］將時序算術平均算子作為時間因素的代理變量，采用對時間變量權重加權的方法構建動態(tài)評價。在以上對時間因素處理的研究方法中，三維數據考量能夠有效弱化偶然性、收斂性對評價結果的影響，時序因子能夠賦予不同時間不同的權重，以此表現 “厚古薄今”的思想。因此，本文擬對時間變量權重賦權，由此將評價結果進行加權得出時間段內的總體評價值。

2 人工智能上市公司投資價值評價指標體系

基于財務信息選取指標時，應當遵循科學性、全面性、數據支持性的選取原則，建立多維度的評價框架進行綜合評價。通過相關文獻分析發(fā)現公司的營運能力、償債能力、盈利能力和成長能力4個維度能夠較真實地代表公司投資價值的基本信息［23－26］。如表1所示，本文基于這4個維度，選出與投資者投資收益息息相關、能夠反映企業(yè)的真實情況、投資者最為關注、易于獲得的指標。這些指標對投資價值產生影響的機制如下：

營運能力在財務報表上通常表現為各項資產指標的周轉速度［27］，用來評估某項資產運作周轉的水平。較高的營運能力表示了企業(yè)較強的資產配置和使用能力，市場價值提升和營運收益創(chuàng)造更加有效。同時，公司的市場價值和收益與投資者的收益息息相關，營運能力由此保障投資者的投資收益。表示營運能力的指標通常選取應收賬款周轉率、總資產周轉率和流動資產周轉率等。

償債能力是指企業(yè)在現有資產規(guī)模以及運營模式下對債務的清償能力，是企業(yè)穩(wěn)定發(fā)展和持續(xù)經營的保障［28］。公司的償債能力直接影響債權人權益，根據剩余求償權原理，也會進一步影響投資者的投資安全性。較高的償債能力能夠為投資者的投資安全性提供保障；反之，投資者的投資不確定性增加，投資風險暴露程度增加。表示償債能力的指標通常選取資產負債率、流動比率、速動比率等。

盈利能力可以直觀地表示公司獲取收益的能力高低，企業(yè)盈利能力強就會產生較多的盈余，歸因于經營得當、管理有善等優(yōu)勢［29］，不僅可以為投資者分配更多紅利提供可能，還可以提升本公司的市場價值，證券市場的表現進一步得到攀升。公司盈利能力強，投資者的投資收益更加可觀；反之，不容樂觀。表示盈利能力的指標通常選取銷售凈利率、銷售毛利率、成本費用利潤率等。

成長能力是指公司有效利用成長機會加強生產經營加大投入的水平，反映了企業(yè)在一段周期內經營和擴張的持續(xù)性。企業(yè)成長能力強，說明企業(yè)更加善于抓住市場發(fā)展機遇謀求進一步規(guī)模擴張，市場占有率得到擴大，那么公司競爭優(yōu)勢顯著，獲取新一輪規(guī)模收益的可能性更高，進而直接影響投資者的投資收益。表示成長能力的指標通常選取主營業(yè)務收入增長率、凈資產增長率等。

表1 投資價值評價指標體系

3 人工智能上市公司投資價值動態(tài)評價方法

如圖1所示，本文提出的上市公司投資價值動態(tài)評價方法，采用TOPSIS方法衡量指標之間的差異性和變化趨勢，進而得到靜態(tài)評價結果。然后，根據時間權重法對靜態(tài)評價結果加權處理，得到投資價值動態(tài)評價結果。

圖1 投資價值動態(tài)評價流程

3.1 評價指標權重確定

本文采用熵權法確定人工智能行業(yè)上市公司投資價值評價指標的權重。熵是物理學中的概念，用來衡量物質內部的混亂程度，常用來表示信息的度量。將信息熵的概念用于指標的求解過程，指標包含的信息量越大，對評價體系產生的影響越大，該指標應該有更大的權重；反之，該指標應該有更小的權重。假設有m個被評價對象，n個評價指標，X＝（xij）m×n為初始評價矩陣，xij表示第i個評價對象的第j個指標值。熵權法確定指標權重的具體步驟如下：

第一步， 數據規(guī)范化。 對矩陣X＝（xij）m×n進行歸一化處理， 得到標準化矩陣R＝（rij）m×n， 計算式為：

其中， 0＜a＜1， 一般情況下a＝0.9，I是效益型指標，J是成本型指標。

第二步，計算各指標在樣本中出現的比重。第j項指標在第i個樣本出現的比重為：

第三步，計算各項指標的信息熵。第j項指標的信息熵為：

第四步，計算指標差異系數：

第五步，根據差異性系數，計算各指標的權重：

3.2 投資價值靜態(tài)評價方法

本文采用基于TOPSIS的靜態(tài)評價方法同時考慮指標的差異性和變化趨勢。TOPSIS方法的基本思想就是尋找到目標的正負理想解，即各個屬性達到理想情況下的最優(yōu)結果及最差結果。然后，通過比較現存的可行解與理想解之間的距離，對目標研究對象進行綜合評價并排序。假設有m個被評價對象，n個評價指標，X＝（xij）m×n為初始評價矩陣，xij表示第i個評價對象的第j個指標值。人工智能行業(yè)上市公司投資價值靜態(tài)評價方法的計算步驟如下：

（1）確定指標差異性

第一步，通過式 （1）、 （2）對初始矩陣X＝（xij）m×n進行歸一化處理，得到標準化矩陣R＝（rij）m×n。

第二步，根據熵權法確定的指標權重，得到賦權后的決策矩陣Z＝（zij）m×n， 計算式如下：

第三步，確定正負理想解，計算式分別如下：

第四步，確定指標到正、負理想解之間的距離：

第五步，計算理想解的貼近度Ci和被評價對象綜合評價值，并根據理想解的貼近度排序：

Ci越大代表第i個樣本距離正理想解越近，距離負理想解越遠，則評價對象越優(yōu)。為了突出數值大小特征，便于比較，本文將衡量指標數值乘以100。

（2）確定指標變化趨勢

第一步，獲取評價指標的增長系數矩陣S（t）＝［sij（t）］m×n，sij（t）的計算式如下：

其中，xij（t）表示上市公司在時刻t的指標值，xij（t－1）表示上市公司在時刻t－1的指標值。當sij（t）＞0時，表示對指標值增加的一種獎勵；sij（t）＜0時，表示對指標值減少的一種懲罰。

第二步，獲取評價指標的加權增長系數矩陣Z＝［zij（t）］m×n， 計算式如下：

其中，wj是通過熵權法得到的指標權重。

第三步，通過式 （8）和 （9）確定指標增長系數矩陣的正負理想解。

第四步，通過式 （10）和 （11）計算各個指標到正負理想解的距離。

第五步，通過式 （12）計算相對貼近度。根據相對貼近度C′i的大小，對人工智能上市公司進行排序。相對貼近度C′i大，說明人工智能上市公司指標增長趨勢向好。

（3）計算靜態(tài)評價值

同時考慮指標差異性和變化趨勢，計算人工智能上市公司在t時刻的綜合評價值，即靜態(tài)評價值，計算式如下：

其中，α和β表示信息參考程度，并且滿足0≤α、β≤1、α＋β＝1。 當α＝1、β＝0時， 表明僅參考投資價值評價指標之間的差異性，此時ui（t）＝Ci（t）； 當α＝0、β＝1時， 表明僅參考投資價值評價指標的變化趨勢， 此時ui（t）＝C′i（t）。 通過指標差異程度和增長程度的綜合計量，即可得到靜態(tài)評價值ui（t）的大小，對上市公司在各個時刻的表現進行優(yōu)劣排序，ui（t）大者為優(yōu)，ui（t）小者為劣。

3.3 投資價值動態(tài)評價方法

上文通過考慮評價指標差異性和變化趨勢，得到了靜態(tài)評價結果。為了比較人工智能上市公司在時間因素作用下的總體情況，本文進行時間權重加權［21］。假設ωt表示在各個時刻的時間權重系數，將時間誘導yi分量按照某種時間順序排序，對排序后的指標數據ui進行加權計算，指標權重ui只與時間誘導分量yi的順序有關。具體的步驟如下所示：

第一步，確定時間度λ。時間度λ表示在人工智能上市公司在投資價值評價時對參考時序因素的側重。若公司越注重近期時序的作用，λ取值越小。取值需要研究者根據行業(yè)近況進行判斷，具體取值如表2所示。

表2 時間度的標度參考

第二步，確定時間權重系數ωt。在確定時間度λ的基礎上，利用LINGO軟件建立非線性規(guī)劃方程，即可求解ωt。構建的非線性規(guī)劃方程如式（16） 所示：

其中，t＞1，q為時間跨度。

第三步，計算人工智能上市公司的綜合評價值：

相對貼近度CCi大，說明人工智能上市公司動態(tài)投資價值表現較好。根據綜合評價值CCi的大小，對人工智能上市公司在各個時刻的表現進行優(yōu)劣排序，CCi大者為優(yōu)，CCi小者為劣。

4 實證分析

本文選取人工智能概念股中的樣本股，包括為人工智能行業(yè)提供基礎資源、技術以及應用支持的代表性公司，共計100家。為了保證樣本數據的穩(wěn)定性和代表性，所有上市公司數據均來自WIND數據庫2013年1月1日至2018年12月31的數據，篩除存在經營困境的公司及研究期內無法獲取準確數據的公司，最終得到95家上市公司。

4.1 人工智能上市公司投資價值動態(tài)評價

根據式 （1）～（6），可以得到如表3所示的，不同年份下所選指標的權重。

表3 評價指標權重

如表4所示，根據式 （7）～（12）可以得到指標差異性值排序，此時α＝1、β＝0，表示僅考慮到投資價值指標間的差異性。根據式 （13）、（14） 和 （7）～（12）可以得到上市公司增長程度值，此時α＝0、β＝1，表示僅考慮投資價值指標的增長程度。根據式 （15）可以得到兼顧指標差異性和增長性的上市公司投資價值靜態(tài)評價值，此時α＝0.9、β＝0.1，表示既考慮投資價值指標之間的差異性，又考慮投資指標的增長程度。在此基礎上，根據式 （16）～（19），利用時間權重對其進行加權處理，即可得到投資價值動態(tài)評價值。

表4 2013～2018年人工智能上市公司靜態(tài)和動態(tài)評價值 （α＝0.9，β＝0.1）

根據投資價值評價值進行排序，排序結果如表5所示。

表5 2013～2018年人工智能上市公司靜態(tài)和動態(tài)評價值排序 （α＝0.9，β＝0.1）

續(xù) 表

4.2 投資價值動態(tài)評價方法檢驗

為了驗證本文提出的動態(tài)評價方法的性能，將序號1～20的上市公司靜態(tài)評價值排序結果與動態(tài)評價值排序結果進行對比。如圖2所示，B1～B5中華微電子與華勝天成公司的靜態(tài)投資價值評價結果較為穩(wěn)定，而上海貝嶺、中昌數據與大恒科技公司的靜態(tài)投資價值評價結果波動性較大，B6～B20中也有同樣的情況，這說明偶然性因素對投資價值產生的影響較大。而本文提出的動態(tài)評價方法能夠處理這種較大的不確定性，避免了時間突變性對計算結果造成的影響，能夠更加客觀地反映公司發(fā)展的優(yōu)劣，進而幫助篩選出排名穩(wěn)定靠前的企業(yè)。

此外，將投資價值動態(tài)評價方法篩選出的優(yōu)質標的與現實交易情況做對比。如表6所示，將投資價值動態(tài)評價結果排名前20的上市公司股票收盤價與上證指數相比可以發(fā)現，除了排名第14的天夏智慧和排名第15的富瀚微股票收盤價漲跌幅表現與投資價值排序結果有些出入外，其余公司的股價漲跌幅表現與排名較為一致，說明該投資價值動態(tài)評價方法能夠在很大程度上挑選出漲幅明顯超越大盤、跌幅較小且低于同行業(yè)其他公司、漲幅逐年增長并且良好趨勢可長期持續(xù)的標的公司。這進一步表明，基于價值分析理論的投資價值動態(tài)評價方法篩選出的優(yōu)質標的在很大程度上能夠擬合市場表現，基本上符合資本市場上由于買賣雙方力量博弈形成的真實交易局面，進一步驗證了該模型篩選結果的可信度。

圖2 靜態(tài)評價與動態(tài)評價結果對比

表6 動態(tài)評價排名前20的上市公司的上證指數漲跌幅

5 結 論

本文提出了面向人工智能行業(yè)上市公司的投資價值動態(tài)評價方法，并進行了實證分析，探究人工智能行業(yè)上市公司投資價值的具體表現。該方法采用TOPSIS方法衡量指標之間的差異性和變化趨勢，進而得到靜態(tài)評價結果；然后，根據時間權重法對靜態(tài)評價結果加權處理，得到投資價值動態(tài)評價結果。指標增長性和時間因素能夠較好地反映指標代表的信息、反映研究期間內的動態(tài)累積水平，大大提高了方法的實用性。以此為依據篩選出排名穩(wěn)定靠前的公司，避免單個時點研究投資價值而產生的片面性問題。因此，本文提出的動態(tài)評價方法能夠幫助投資者有效地篩選出優(yōu)質的上市公司。在今后的研究中，將進一步豐富提出方法的預測能力，不斷完善對未來信息的利用，解決動態(tài)評價結果滯后性問題。