基于人工神經(jīng)網(wǎng)絡(luò)的互聯(lián)網(wǎng)公司估值方法研究

周彥朋

摘 要： 資本市場(chǎng)認(rèn)為互聯(lián)網(wǎng)公司市值的驅(qū)動(dòng)因素應(yīng)包括盈利因子、運(yùn)營(yíng)因子、流量因子和協(xié)同因子。將協(xié)同效應(yīng)指標(biāo)考慮到公司估值體系中，意圖構(gòu)造互聯(lián)網(wǎng)公司優(yōu)化估值模型。使用美股上市的互聯(lián)網(wǎng)企業(yè)數(shù)據(jù)建立了評(píng)價(jià)指標(biāo)體系，通過(guò)因子分析實(shí)現(xiàn)了二級(jí)指標(biāo)降維，通過(guò)實(shí)證分析確認(rèn)了四個(gè)因子與公司市值的相關(guān)關(guān)系，最后構(gòu)建了基于人工神經(jīng)網(wǎng)絡(luò)BP算法的互聯(lián)網(wǎng)公司估值模型，通過(guò)預(yù)測(cè)數(shù)據(jù)的檢驗(yàn)發(fā)現(xiàn)模型的準(zhǔn)確度較高。隨著2018年互聯(lián)網(wǎng)公司美股上市潮的持續(xù)，該模型能有效為資本市場(chǎng)估值提供參考。

關(guān)鍵詞： 互聯(lián)網(wǎng)行業(yè);公司估值;業(yè)務(wù)協(xié)同;人工神經(jīng)網(wǎng)絡(luò)BP模型

中圖分類號(hào)： F 830.91

文獻(xiàn)標(biāo)志碼： A

Abstract： The capital market believes that the value drivers of Internet company includes profit， operation， flow and synergy. In this paper， taking the synergy into corporation valuation system，we intends to construct an ptimized Internet company valuation model. The evaluation system was established by using the Internet stock data listed on the US stock market. The factor analysis was used to achieve the dimension reduction of the second-level index. Empirical analysis was used to confirm the correlation between the four factors and the company's value. Finally， the artificial neural network BP model was constructed to predict the market value. Through the test of the forecast data， we found that the model has higher accuracy. With the continuation of the IPO of Internet companies in 2018， the model effectively provides a reference for capital market valuation.

Key words： Internet industry; coperate valuation; business synergy; artificial neural network BP model

1 理論模型的構(gòu)建

1.1 業(yè)務(wù)協(xié)同理論

雖然學(xué)術(shù)界已經(jīng)對(duì)非財(cái)務(wù)因素對(duì)估值的影響有很深入的研究，但最終都沒(méi)有涉及業(yè)務(wù)協(xié)同這一因素。資本市場(chǎng)給出了網(wǎng)絡(luò)價(jià)值的估值框架：

V=K×P×N2R2

其中：K為變現(xiàn)率因子;P為溢價(jià)能力;N為網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)目;R為網(wǎng)絡(luò)節(jié)點(diǎn)距離。網(wǎng)絡(luò)中信息質(zhì)量越高、數(shù)量越多、高連通度節(jié)點(diǎn)越多，則網(wǎng)絡(luò)節(jié)點(diǎn)距離就越低、網(wǎng)絡(luò)的價(jià)值就越大。

協(xié)同指協(xié)調(diào)兩個(gè)或者兩個(gè)以上的不同資源或者個(gè)體，協(xié)同一致地完成某一目標(biāo)的過(guò)程或能力。早期的戰(zhàn)略研究文獻(xiàn)對(duì)協(xié)同進(jìn)行定義時(shí)涉及價(jià)值增加和成本減少兩個(gè)方面：如果兩個(gè)業(yè)務(wù)的聯(lián)合價(jià)值大于它們單個(gè)價(jià)值的總和，即V（a，b）>V（a）+V（b），則它們屬于價(jià)值協(xié)同。如果公共生產(chǎn)要素的使用減少了產(chǎn)品聯(lián)合生產(chǎn)的成本，公司內(nèi)部良好的協(xié)同效應(yīng)能增加企業(yè)價(jià)值。

Robert Buzzell和Bradley Gale認(rèn)為，獲得協(xié)同效應(yīng)的程度取決于價(jià)值鏈中哪些環(huán)節(jié)最有可能在企業(yè)間形成規(guī)模效益。Dess 和 Lumpkin認(rèn)為協(xié)同效應(yīng)的來(lái)源主要是無(wú)形資源和有形資源的共享。公司協(xié)同是各業(yè)務(wù)擁有共同目標(biāo)、共享戰(zhàn)略愿景、擔(dān)承相同使命、保持戰(zhàn)略發(fā)展的一致性。陳志軍、劉曉認(rèn)為業(yè)務(wù)合同包含戰(zhàn)略協(xié)同、供應(yīng)鏈協(xié)同、財(cái)務(wù)協(xié)同等五大維度。

1.2 研究模型及方法

本文認(rèn)為互聯(lián)網(wǎng)公司市值的驅(qū)動(dòng)因素應(yīng)該包括4個(gè)因素，4個(gè)因素分別可以用13個(gè)二級(jí)指標(biāo)進(jìn)行描述。構(gòu)建公司市值與13個(gè)二級(jí)指標(biāo)的模型網(wǎng)絡(luò)，能夠有效對(duì)美股上市的互聯(lián)網(wǎng)公司進(jìn)行估值。

文章將協(xié)同效應(yīng)指標(biāo)考慮到公司估值體系中，采用因子分析法、實(shí)證分析法、人工神經(jīng)網(wǎng)絡(luò)BP模型構(gòu)建基于人工神經(jīng)網(wǎng)絡(luò)的互聯(lián)網(wǎng)公司估值模型，可有效提高已有模型的準(zhǔn)確性，為資本市場(chǎng)公司估值提供參考。

2 研究對(duì)象與數(shù)據(jù)采集

2.1 樣本選取

本研究使用美股上市的互聯(lián)網(wǎng)企業(yè)數(shù)據(jù)來(lái)建立互聯(lián)網(wǎng)平臺(tái)企業(yè)價(jià)值評(píng)估的指標(biāo)體系，一共選擇了21家符合條件的互聯(lián)網(wǎng)平臺(tái)企業(yè)作為樣本數(shù)據(jù)，時(shí)間跨度為2013—2017年，6家近兩年上市的公司作為預(yù)測(cè)數(shù)據(jù)，時(shí)間跨度為1年。

互聯(lián)網(wǎng)平臺(tái)企業(yè)主要財(cái)務(wù)與管理層披露信息來(lái)源于Wind公開(kāi)數(shù)據(jù)。用戶量指標(biāo)方面，本研究選取百度SEO（search engine optimization）工具，愛(ài)站網(wǎng)（aizhan.com）提供百度SEO的歷史，并統(tǒng)計(jì)出搜索網(wǎng)站的PC詞量、APP詞量、最低來(lái)路、最高來(lái)路4項(xiàng)以反映公司的流量指標(biāo)。

2.2 業(yè)務(wù)協(xié)同量表的開(kāi)發(fā)及驗(yàn)證

本文量表開(kāi)發(fā)所采用的方法是Churchill的量表開(kāi)發(fā)程序。具體步驟如下：

步驟1 進(jìn)行文獻(xiàn)研讀確定業(yè)務(wù)協(xié)同的定義，通過(guò)專家訪談與開(kāi)放式問(wèn)卷，去掉不合格問(wèn)句，提煉篩選出最能反映業(yè)務(wù)協(xié)同的測(cè)題。基于學(xué)術(shù)界對(duì)于業(yè)務(wù)協(xié)同內(nèi)涵的定義與描述，結(jié)合本文的研究背景，參考陳志軍、劉曉、賈軍、張卓等人開(kāi)發(fā)的相似量表，形成初始問(wèn)卷。要求13位高校研究工作者針對(duì)題項(xiàng)的精確性、可讀性提出修改意見(jiàn)，最后通過(guò)本領(lǐng)域教授和博士的鑒定后形成正式的開(kāi)放性問(wèn)卷，篩選出最符合本文“業(yè)務(wù)協(xié)同”的3個(gè)測(cè)題：D1、D2、D3， 將其簡(jiǎn)單命名為財(cái)務(wù)協(xié)同、戰(zhàn)略協(xié)同和供應(yīng)鏈協(xié)同。

步驟2 確定并制作關(guān)于橫截面數(shù)據(jù)的正式問(wèn)卷1。

針對(duì)所研究的30家互聯(lián)網(wǎng)集團(tuán)發(fā)放問(wèn)卷，各企業(yè)集團(tuán)根據(jù)實(shí)際情況對(duì)所列舉指標(biāo)的有效程度打分，采用 Likert 7點(diǎn)量表尺度，從低到高分別給予1～7分。由于問(wèn)題數(shù)目較少，實(shí)驗(yàn)共發(fā)放124份問(wèn)卷，回收有效問(wèn)卷107份，有效回收率為86.3%。樣本涵蓋所有30家公司，每家公司至少發(fā)放了3份問(wèn)卷，最后對(duì)每題選項(xiàng)得分取平均值。

步驟3 確定并制作關(guān)于面板數(shù)據(jù)的正式問(wèn)卷2。由于本文研究的業(yè)務(wù)協(xié)同效應(yīng)的前提條件是新業(yè)務(wù)的產(chǎn)生（包括企業(yè)的自建和收購(gòu)），因此本文提前分析了這22家公司在過(guò)去5年內(nèi)的業(yè)務(wù)運(yùn)營(yíng)情況，研究資料來(lái)自Wind資本市場(chǎng)公司調(diào)研深度報(bào)告，發(fā)現(xiàn)其中4家企業(yè)（金融界、一嗨租車、搜房網(wǎng)、人人網(wǎng)）在過(guò)去5年內(nèi)專注主營(yíng)業(yè)務(wù)，沒(méi)有任何新業(yè)務(wù)產(chǎn)生，因此判定這4家企業(yè)5年內(nèi)的業(yè)務(wù)協(xié)同因素不變。

步驟4 問(wèn)卷2的發(fā)放與回收。將18家公司任意分為3組，每組6家公司。采用專家評(píng)分法，將2017年定為滿分7分后，對(duì)上述公司的前四年（2013—2016年）進(jìn)行有效程度打分，每位專家完成一組共6家公司的評(píng)價(jià)。受訪者包括互聯(lián)網(wǎng)研究專家、互聯(lián)網(wǎng)公司高管、資本市場(chǎng)行業(yè)研究專家等，共完成了21名專家的問(wèn)卷收集。對(duì)每題的測(cè)量得分取平均值后除以假定2017年的滿分7再乘以第一次實(shí)驗(yàn)所測(cè)得的2017年的實(shí)際得分。

步驟5 效度與信度檢驗(yàn)。

在信度方面，本研究協(xié)同因子的Cronbach′s α值為0.769，表明對(duì)于業(yè)務(wù)協(xié)同這一概念的構(gòu)建具有較好的內(nèi)部一致性。效度方面，使用因子分析KMO檢驗(yàn)，得到KMO值為0.640，大于0.6，說(shuō)明此次構(gòu)建結(jié)構(gòu)效度良好。

2.3 描述性統(tǒng)計(jì)分析

3 基于人工神經(jīng)網(wǎng)絡(luò)的估值模型建立及模擬訓(xùn)練

3.1 BP人工神經(jīng)網(wǎng)絡(luò)理論

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network， 簡(jiǎn)稱ANN）是一種由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)。它試圖通過(guò)模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式進(jìn)行信息處理，按不同的連接方式組成不同的網(wǎng)絡(luò)從而構(gòu)建模型。

人工神經(jīng)網(wǎng)絡(luò)BP模型是基于人工神經(jīng)網(wǎng)絡(luò)（ANN）的一種算法，它是由Rumelhart 和 McCelland及其研究小組在1986年研究并設(shè)計(jì)出來(lái)的，已經(jīng)成為目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。從結(jié)構(gòu)上講 ， BP 神經(jīng)網(wǎng)絡(luò)是典型的多層網(wǎng)絡(luò)， 分為輸入層、隱含層、輸出層，其特點(diǎn)為層與層多采用全互連方式，同一層的單元之間不存在相互連接，各層神經(jīng)元無(wú)反饋連接。單元間的聯(lián)系由特定的激勵(lì)函數(shù)實(shí)現(xiàn)，它具有非線性、非局限性、非常定性、非凸性的特點(diǎn)，具有廣泛的適應(yīng)性。

3.2 因子分析確定ANN隱含層節(jié)點(diǎn)數(shù)

為了驗(yàn)證對(duì)于一級(jí)指標(biāo)的假設(shè)，同時(shí)確定人工神經(jīng)網(wǎng)絡(luò)隱含層的數(shù)目，采用SPSS 19.0為工具進(jìn)行因子分析，經(jīng)Max-Min標(biāo)準(zhǔn)化、KMO檢驗(yàn)和因子旋轉(zhuǎn)后得到最終結(jié)果。其中，KMO檢驗(yàn)值為0.719，表示適宜進(jìn)行因子分析。

因子分析的結(jié)果較好地支持了本文的假設(shè)。13個(gè)二級(jí)指標(biāo)按降維到流量因子、盈利因子、協(xié)同因子和運(yùn)營(yíng)因子共4個(gè)公因子，累計(jì)貢獻(xiàn)率為79.2%。

3.3 構(gòu)建多元線性回歸模型確定相關(guān)關(guān)系

為了確認(rèn)因子分析降維而得到的四個(gè)因子與公司市值的相關(guān)關(guān)系，構(gòu)造以下模型：

其中：α為非觀測(cè)變量，下標(biāo)i和t分別表示公司與時(shí)間;ε為隨即擾動(dòng)項(xiàng)，服從獨(dú)立同分布。

采用STATA 13進(jìn)行面板數(shù)據(jù)的多元線性模型回歸。模型整體的F值為161.86，達(dá)到顯著水平。四個(gè)解釋變量的系數(shù)均顯著且大于零，符合理論模型假設(shè)與實(shí)際經(jīng)驗(yàn)。R2為0.8161，意味著在公司的價(jià)值中，能被四個(gè)一級(jí)因子（流量因子、盈利因子、協(xié)同因子與運(yùn)營(yíng)因子）所構(gòu)成的多元回歸方程解釋的比例為81.6%。

多元線性回歸分析證明了公司市值的驅(qū)動(dòng)因素包括流量因子、盈利因子、協(xié)同因子和管理因子，但多元回歸方程的解釋程度不夠高，還有接近20%的誤差，所以無(wú)法使用該模型對(duì)預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)。

3.4 BP神經(jīng)網(wǎng)絡(luò)的建立及模擬訓(xùn)練

本文使用MATLAB R2016a建立BP模型的人工神經(jīng)網(wǎng)絡(luò)構(gòu)造了互聯(lián)網(wǎng)公司的估值模型。具體構(gòu)建步驟如下：

步驟1 在MATLAB命令框輸入nntool調(diào)出神經(jīng)網(wǎng)絡(luò)工具箱，將已標(biāo)準(zhǔn)化的13個(gè)二級(jí)指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入向量，將公司市值作為網(wǎng)絡(luò)的輸出Y，用樣本數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)。

步驟2 確定隱含層層數(shù)為1，對(duì)于閉區(qū)間的任意函數(shù)都可以用BP網(wǎng)絡(luò)來(lái)逼近;根據(jù)前文因子分析，確定隱含層單元數(shù)目為4。

步驟3 確定訓(xùn)練函數(shù)為帶有動(dòng)量的梯度下降法（TRANGDM），其余選項(xiàng)為默認(rèn)值，基于BP算法13×4×1的網(wǎng)絡(luò)結(jié)構(gòu)，程序在訓(xùn)練106次時(shí)達(dá)到確定的權(quán)值與閾值要求。

3.5 結(jié)果及檢驗(yàn)

完成網(wǎng)絡(luò)構(gòu)建后，導(dǎo)入驗(yàn)證數(shù)據(jù)得到模型輸出結(jié)果，將結(jié)果反標(biāo)準(zhǔn)化得到網(wǎng)絡(luò)預(yù)測(cè)值。由于本文研究的是公司估值，股市的短期波動(dòng)不是研究的目標(biāo)。若考慮美股市場(chǎng)是有效的，那股價(jià)的波動(dòng)范圍就以公司的實(shí)際價(jià)值為基準(zhǔn)。換言之，股價(jià)短期內(nèi)的波動(dòng)范圍乘以股本即可認(rèn)作公司市值的置信區(qū)間。

本文將6家公司IPO上市發(fā)行后1個(gè)月內(nèi)的市值波動(dòng)區(qū)間作為置信區(qū)間，數(shù)據(jù)均來(lái)自Wind數(shù)據(jù)庫(kù)，可以看到預(yù)測(cè)的6家公司中嗶哩嗶哩、虎牙、優(yōu)信、搜狗、拍拍貸的預(yù)測(cè)程度很好，而愛(ài)奇藝出現(xiàn)了偏差，虎牙（HUYA.N）市值的置信區(qū)間較大。這主要是因?yàn)閮杉夜揪?018年5月左右上市，美股市場(chǎng)受宏觀環(huán)境影響在5月后開(kāi)始出現(xiàn)大幅上漲。可以看到兩家公司的網(wǎng)絡(luò)預(yù)測(cè)市值均偏低，事實(shí)上消除宏觀因素的影響后，兩家公司的預(yù)測(cè)值應(yīng)當(dāng)仍處在合理水平。

4 結(jié)論和討論

本文從互聯(lián)網(wǎng)公司市值的驅(qū)動(dòng)因素出發(fā)，利用公司財(cái)務(wù)和非財(cái)務(wù)的指標(biāo)來(lái)預(yù)測(cè)股價(jià)，加入?yún)f(xié)同性影響因素，實(shí)現(xiàn)了對(duì)目前估值方法的優(yōu)化。因子分析的結(jié)果印證了研究假設(shè)，將13個(gè)二級(jí)指標(biāo)降維成4個(gè)一級(jí)指標(biāo)，同時(shí)為后續(xù)ANN（BP）模型確定了隱含層的神經(jīng)元個(gè)數(shù)。利用多元線性回歸模型，確定了公司市值與4個(gè)一級(jí)指標(biāo)的相關(guān)關(guān)系，為ANN（BP）模型提供了理論支持。然后，輸入樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，設(shè)置合理參數(shù)，建立ANN（BP）模型。最后，通過(guò)驗(yàn)證數(shù)據(jù)進(jìn)行模型檢驗(yàn)，發(fā)現(xiàn)模型具有較高的準(zhǔn)確性。隨著2018年互聯(lián)網(wǎng)公司美股上市潮的持續(xù)，該模型能有效地為資本市場(chǎng)估值提拱一定程度的參考。

本文以美股上市的互聯(lián)網(wǎng)行業(yè)作為研究對(duì)象，未考慮美股大市對(duì)于估值的影響，尤其在宏觀環(huán)境有重大轉(zhuǎn)變的節(jié)點(diǎn)，模型的準(zhǔn)確性可能會(huì)受到較大影響。在以后的研究中，將嘗試在數(shù)據(jù)標(biāo)準(zhǔn)化過(guò)程中去除市場(chǎng)的宏觀影響，同時(shí)考慮引入更多有顯著影響作用的指標(biāo)，構(gòu)建更為全面的被擇變量組，提高模型整體的適用性。

參考文獻(xiàn)：

[1] BERGER P G. Discussion of valuation of internet stocks： an IPO perspective[J]. Journal of Accounting Research， 2010， 40（2）：347-358， 359-377.

[2] SOUSA M， PINHO M. Is internet industry facing an IPO Bubble 2.0[J]. Social Science Electronic Publishing， 2014.

[3] BLODGE H， STEVEN A E. Amazon can raising price target[R]. York Equity Research Report， 1998.

[4] GOOLD M， CAMPBELL A. Desperately seeking synergy[J]. Harvard Business Review， 1998， 76（5）：130.

[5] RODRIGO M F， ATO M. The PIMS principles： linking strategy to performance[J]. European Journal of Social Psychology， 2002， 32（32）：27-34.

[6] LUMPKIN G T， DESS G. Strategic management： creating competitive advantage[J]. National association of purchasing management Inc， 2003， 39（1）：125-126.

[7] HANSEN M T， NOHRIA N， TIERNEY T. What's your strategy for managing knowledge [J]. Harvard Business Review， 1999， 77（2）：106.

[8] 陳志軍， 劉曉.母子公司協(xié)同效應(yīng)評(píng)價(jià)的一種模型[J]. 經(jīng)濟(jì)管理， 2010（10）：51.

[9] CHURCHILL G A. A paradigm for developing better measures of marketing constructs[J]. Journal of Marketing Research， 1979， 16（1）：64-73.

[10] 賈軍， 張卓. 中國(guó)高技術(shù)企業(yè)業(yè)務(wù)協(xié)同發(fā)展實(shí)證分析[J]. 中國(guó)科技論壇， 2013， 1（1）：71-77.

[11] KARYANTAM， MELODYKIANG. Predicting bank failures： a neural network approach[J]. Applied Artificial Intelligence， 1990， 4（4）：265-282.

[12] WOOLDRIDGE J M. Introductory economitrics： a modern approach[M]. Beijing：China Renmin University Press， 2003：10-12.

[13] HECHT-NIELSEN R. Theory of the backpropagation neural network [M]//Neural networks for perception （Vol.2）. Harcourt Brace & Co.， 1989：593-605.