基于GRNN神經網絡的科技型企業價值評估方法研究

宋麗平 李萌 于書洋

摘 要： 科創板的推行體現了我國對科技型企業發展的重視，為使企業獲取更多的發展機會，準確評估科技型企業價值成為亟待解決的問題。通過對科技型企業價值影響因素的分析，構建科技型企業價值評估指標體系，基于GRNN神經網絡建立科技型企業價值評估模型。選取60家創業板科技型企業相關指標數據為樣本，借助MATLAB技術對GRNN神經網絡模型進行訓練與測試，結果表明建立的GRNN神經網絡模型能夠較為準確地評估科技型企業價值。

關 鍵 詞： 科技型企業;企業價值評估;價值影響因素;GRNN神經網絡

DOI： 10.16315/j.stm.2020.02.004

中圖分類號： F272.5? 文獻標志碼：? A

Research on value evaluation method of science and

technology enterprises based on GRNN neural network

SONG Li-ping， LI Meng， YU Shu-yang

（1.School of Economics and Management， Harbin University of Science and Technology， Harbin 150080，China;? 2.Finance and Assets Department， CNPC Greatwall Drilling Company，Beijing 100101，China）

Abstract： The implementation of the science and technology board reflects Chinas emphasis on the development of science and technology enterprises. In order to enable enterprises to obtain more development opportunities， accurately assessing the value of science and technology enterprises has become an urgent problem to be solved. Based on the analysis of the influencing factors of the value of science and technology enterprises， this paper constructs a value evaluation index system for science and technology enterprises， and establishes a value evaluation model for science and technology enterprises based on GRNN neural network. The data of 60 GEM technology-related enterprises were selected as samples. The GRNN neural network model was trained and tested by MATLAB technology. The results show that the established GRNN neural network model can accurately evaluate the value of technology-based enterprises.

Keywords： technology enterprise; enterprise valuation; value influencing factor; GRNN neural network

在新知識經濟時代，科技型企業作為最具發展潛力的群體，在推動技術創新、促進科技成果轉化、優化產業結構、加速經濟發展中發揮著不可替代的作用。科技型企業在發展過程中會面臨融資、產權交易、兼并收購以及IPO等經濟活動，準確的企業價值是進行上述經濟活動重要的決策依據，因此科技型企業價值評估問題顯得愈發重要。但由于科技型企業具有無形資產占比較大、人力資源貢獻作用突出、技術密集與知識密集等特點，導致評估科技型企業價值時具有一定的特殊性。為了準確評估科技型企業價值，有必要識別最具影響力的價值影響因素，構建符合科技型企業特點的價值評估模型，從而能夠推動科技型企業資本的擴張與規模的擴大，促進其健康和持續發展。運用GRNN神經網絡模型對科技型企業價值進行評估，構建了科學的、可操作的價值評估模型，豐富了科技型企業價值評估方法，對利益相關者進行經濟決策具有一定的參考性。

1 文獻回顧

經學者研究表明科技型企業價值由現有資產價值和潛在資產價值兩部分組成，因此結合收益法和實物期權法來評估科技型企業價值[1]。馮媛媛[2]通過研究表明科技型企業現金流產生的方式受生命周期階段的影響，結合生命周期理論會增強收益法評估科技型企業價值的合理性與準確性。段文奇[3]和張居營[4]分別探究了科技型企業整體價值創造過程及非財務因素與企業價值的關系，均指出科技型企業價值由財務因素驅動和非財務驅動因素兩部分組成，僅從操作層面對經典價值評估方法進行拓展評估的科技型企業價值并不全面，建議結合財務與非財務指標，構建全面的科技型企業價值評估指標體系。李連燕等[5-6]通過對高新技術企業智力資本、創新能力與企業價值創造研究表明科技人員、科技投入、科技產出及智力資本通過影響核心競爭力來影響科技型企業價值;劉璘琳[7]指出技術資本、政府補助通過影響科技型企業創新能力來影響科技型企業價值。通過研究發現科技型企業價值在構成和產生方式等方面存在一定的特殊性，學者們對于科技型企業價值評估方法的研究，主要是基于經典價值評估的思想，針對科技型企業價值的特殊性對經典價值評估方法進行改良，具有一定的實用價值。隨著研究的深入，學者將非財務因素引入科技型企業價值評估中，但只是定性地描述了其對科技型企業價值的影響，并沒有建立兩者定量的關系，此外對于影響科技型企業價值的非財務因素還需進行深入挖掘。在現有的研究基礎之上，本文進一步分析科技型企業價值影響因素，找出價值影響因素與企業價值間的非線性映射關系，從而建立科技型企業價值評估模型。

8） 擴張能力。企業的擴張能力反映了企業的成長性，企業的成長性體現在經營收益和資產規模。高成長性的企業未來獲取現金流的能力會越大，對企業價值的影響也就越大，科技型企業具有較高的成長性，因此擴張能力對科技型企業價值具有重要影響。

3 科技型企業價值評估指標體系構建

3.1 科技型企業價值評估指標的設計原則

在構建科技型企業價值評估指標體系時，為保證所選取指標能夠合理全面地反映科技型企業價值，應以下述原則為前提設計指標：針對性，科技型企業是以知識型資產、科研實力和創新能力為主要競爭力的技術型企業，因此在設計指標時應選擇能反映其知識、技術和科研含量的指標;全面性，價值影響因素不僅貫穿于企業運營的始末，還源于企業內部與外部，應全面考慮企業價值的影響因素;科學性，在指標的選擇上及指標體系的設計上重注科學性原則，在全面考慮價值影響因素的前提下不要重復選擇指標，以免造成誤差;可獲得性，應選能夠量化處理的、代表性強的、最重要的是指標數據容易獲得的。

3.2 科技型企業價值評估指標體系的確定

本文為滿足科技型企業價值評估的需求，分析了科技型企業價值影響因素，以評估指標設計原則為前提，構建了全面且系統的多因素指標體系。建立的科技型企業價值評估指標體系包括了8個一級指標：核心產品的獲利能力、科研創新能力、人力資源綜合效能、資產的盈利能力、資產的營運能力、抗風險能力、現金創造能力及擴張能力，以及24個二級指標，如表1所示。

4? 科技型企業GRNN神經網絡價值評估模型的建立與測試

4.1 GRNN神經網絡原理

GRNN神經網絡是一種前饋式神經網絡模型，以數理統計為基礎，基于非線性回歸理論，屬于一種變換了形式的徑向基函數神經網絡。GRNN神經網絡依據最大概率原則，對學習樣本執行Parzen非參數估計，通過網絡訓練后計算網絡輸出[16-17]。

以輸入層、模式層、求和層和輸出層組成的4層結構為GRNN神經網絡的基礎結構，各層視學習樣本的情況分別確定不同數量的神經元，且各層神經元的功能也各不相同。 X =[x1，x2，…，xn] T為網絡的輸入向量， Y =[y1，y2，…，yn] T為網絡的輸出向量。

1）輸入層。用來接收學習樣本，學習樣本由輸入層進入網絡中，因此輸入樣本的向量維數即輸入層神經元的數量，輸入層的神經元沒有處理功能直接將接收的樣本傳遞到模式層。

2）模式層。學習樣本的數量決定了模式層神經元的數量，模式層起到解決網絡不適定的作用，各神經元對應不同的樣本，模式層神經元利用Green對輸入層傳遞來的信號進行處理，并將其傳遞到加和層，模式層神經元傳遞函數p的表達式為

pi=exp - （ X - X i）Τ（ X - X i） 2σ2? 。i=1，2，…，n? （1）

其中： X 為網絡輸入變量; X i為第i個神經元對應的學習樣本。模式層神經元i將學習樣本 X i對應輸入變量 X 之間的Euclid距離平方D2i=（ X - X i）Τ（ X - X i）的指數形式作為輸出值。

3）求和層。求和層對模式層的輸出分別進行算術求和與加權求和。算術求和神經元將加和層與模式層的連接權值確定為1，以式（2）的計算方式進行求和，并通過傳遞函數對算術求和結果進行如式（3）的處理后傳遞到輸出層。

pi=∑ n i=1 exp - （ X - X i）Τ（ X - X i） 2σ2? ，? （2）

SD=∑ n i=1 Pi。? （3）

加權求和將加和層第j個分子求和神經元與模式層的第i個神經元的連接權值確定為第i個輸出樣本Yi中的第j個元素yij，以式（4）的計算方式進行求和，并通過傳遞函數對算術求和結果進行如式（5）的處理后傳遞到輸出層。

pi=∑ n i=1 Yiexp - （ X - X i）Τ（ X - X i） 2σ2? ，? （4）

SNj=∑ n i=1 yijPi j=1，2，…，k。? （5）

4）輸出層。樣本的輸出值由輸出層輸出，所以樣本輸出的向量維度k即為網絡輸出層的神經元數量。輸出層對求和層神經元輸出值進行相除，該網絡的輸出值即為神經元j的輸出值同時也是 Y? ^ （ X ）的第j個元素，表達式為

yi= SNj SD? j=1，2，…，k。? （6）

GRNN神經網絡對于研究對象的結構、參數、特性等方面的先驗知識要求不多，在整個模型的建立過程中，各層神經元結構、神經元數量、連接權值以及傳遞函數等隨輸入樣本而確定，在給定學習樣本后GRNN神經網絡通過自身的學習與訓練就能達到輸出和輸入相匹配的結果，GRNN神經網絡的訓練完全取決于樣本自身的數據，但在GRNN神經網絡中需不斷人為調整平滑參數σ，使得預測值與實際值之間的誤差達到最小，平滑參數σ的確定對GRNN神經網絡的運行性能和訓練效果有很大影響。因此構建科技型企業GRNN神經網絡價值評估模型時只需要人為調整平滑參數這一個自由參數，在很大程度上避免了科技型企業價值評估的主觀性，提高價值評估的客觀性[18-19]。GRNN神經網絡還具有強大的非線性映射功可以在非財務價值影響因素與科技型企業間建立非線性映射關系，進而達到全面評估科技型企業整體價值進行評估的目的。由于我國科技型企業一般分布于創業板和新三板，但由于新三板對于企業數據披露不完全，導致能夠收集到所有指標數據的樣本企業數量較少，而GRNN神經網絡當學習樣本較少時可以對其進行訓練，并不會影響其預測效果因此GRNN神經網絡應用適用于評估科技型企業價值。

4.2 樣本數據選取與預處理

本文從創業板上市公司中篩選符合科技型企業條件的公司，并從中排除部分具有數據異常、數據缺失、成立時間未達到3年以上以及目前已停牌的公司后，最終確定了60家上市公司作為樣本。根據本文所構建的科技型企業價值評估指標體系，分別從巨潮網、國泰安CSMAR數據庫和萬得數據庫中整理了每個樣本企業的24個價值評估指標和企業市值。選擇企業市值作為科技型企業價值預測指標，其他24個價值評估指標作為科技型企業價值影響因素。為消除經濟環境和偶然性等客觀因素的影響，本文選取這60家樣本企業2016年12月31日至2018年12月31日的3年指標數據的平均數用于GRNN神經網絡模型的訓練及測試。將60家樣本企業中55家企業的數據作為訓練樣本，5家企業作為測試樣本。

由于企業價值評估的指標數據物理量綱不同，且指標數據有正有負、數值上相差懸殊，為確保網絡輸出的有效性同時提高網絡的收斂速度及輸出值的精準度，需對樣本數據進行歸一化處理。將數據進行歸一化區間的選擇取決于指標數據的類型，本文中數據存在負值，則將數據歸一在[-1，1]區間，將數據進行歸一化的函數表達式為

Y= X-min X max X-X -1。? （7）

4.3? 科技型企業GRNN神經網絡價值評估模型的設計

本文運用GRNN神經網絡對科技型企業進行價值評估，將樣本企業的24個企業價值影響因素指標和企業市值分別作為訓練GRNN神經網絡的輸入樣本因子和輸出樣本因子。由于每個樣本的輸入因子為24個，即輸入向量的維度為24，輸入層神經元的數量為24;用于訓練的樣本數為55，所以設置層神經元的數量為55;求和層神經元的數量為1;輸出樣本因子為企業市值，因此輸出層神經元數量為1。拓撲結構，如圖1所示。

4.4? 科技型企業GRNN神經網絡價值評估模型的訓練及平滑參數σ的確定

在網絡各層神經元設置好后，將通過歸一化處理后的55家樣本企業數據輸入GRNN神經網絡，通過不斷調整平滑參數σ 的取值對GRNN神經網絡模型進行訓練，因為平滑參數σ在很大程度上影響著GRNN神經網絡模型的運行性能，所以根據以往學者們的經驗，運行中使用循環測試的方法，逐次選擇位于區間[0.7，0.9]之間、步長為0.01的各個數值作為平滑參數σ的取值對GRNN神經網絡模型進行訓練，用網絡輸出的55家樣本企業的預測值與實際值之間的誤差平方和來表明該模型訓練效果，本文中的預測值為給定輸入因子時GRNN神經網絡模型自行輸出的企業價值，本文中的實際值即為企業市值。通過誤差平方和來衡量模型訓練的擬合程度，不同平滑參數下實際值與預測值的誤差平方和的結果，如表2所示，平滑參數取值對誤差的影響，如表3所示。當平滑參數為0.77時網絡輸出預測值與實際值的誤差平方和最小為0.001 93，此時達到最優的擬合程度，因此GRNN神經網絡的平滑參數σ的取值確定為0.77。

4.5? 科技型企業GRNN神經網絡價值評估模型的測試及結果分析

利用另外5家企業樣本指標數據對訓練好的GRNN神經網絡模型進行測試，5家樣本企業的預測值、實際值及預測值與實際值之間的相對誤差，如圖2所示，測試結果，如圖3所示。通過分析GRNN對測試樣本的預測值與實際值的相對誤差，結果表明5組樣本中相對誤差最大為5.95%，相對誤差最小為0.97%，在可接受的誤差水平范圍內，較好地擬合了企業的實際價值，該GRNN神經網絡模型訓練成功，可用于對科技型企業進行價值評估。

5 結論

對于處在高速發展中的科技型企業而言，合理準確評估企業價值十分重要。由于經典價值評估方法評估科技型企業價值時存在一定的局限，導致評估結果不夠準確。本文探索了一種基于GRNN神經網絡模型的科技型企業價值評估方法，提高了科技型企業價值評估的準確性與合理性。由于科技型企業價值存在一定的特殊性，依據研究結果得到了如下啟示：第一，科技型企業是技術密集型與知識密集型企業，因此在對科技型企業進行價值評估時將科研創新能力及人力資源等非財務因素對企業價值的貢獻考慮在內，全面地反映科技型企業整體價值。第二，運用GRNN神經網絡模型評估科技型企業價值時，所使用的數據均來自于企業的客觀數據，并借助MATLAB軟件進行評估，極大程度避免了人為的主觀因素，保證了評估結果的準確性與客觀性。

本文的研究仍存在一些不足，但也為后續研究提供了潛在的研究方向。第一，本文運用GRNN神經網絡評估科技型企業價值，由于GRNN神經網絡的“黑箱性”，未能直觀反映各價值影響因素對企業價值的影響程度，以及各價值影響因素間的相互作用關系，需進一步探究科技型企業價值與價值影響因素以及各價值影響因素之間的定量關系。第二，本文選用55家創業板樣本企業數據對GRNN神經網絡模型進行訓練，若要得到更為精確的價值評估結果，需適當擴大樣本量并盡量選擇優質的樣本企業數據對GRNN神經網絡模型進行訓練。

參考文獻：

[1]? 朱永明，孟慶南.基于價值鏈思維的高新技術企業價值評估[J].財會通訊，2013，14 （38）：40.

[2] 馮媛媛.基于企業生命周期的高新技術企業價值評估方法研究[J].技術與創新管理，2014，35（5）：537.

[3] 段文奇，宣曉.基于價值創造視角的互聯網企業價值評估體系研究[J].財貿研究，2018，29（9）：85.

[4] 張居營，孫晶.基于熵權模糊物元模型的創新型企業價值評估[J].技術經濟，2017，36（9）：31.

[5] 李連燕，張東廷.高新技術企業智力資本價值創造效率的影響因素分析：基于研發投入、行業競爭與內部現金流的角度[J].數量經濟技術經濟研究，2017，34（5）：55.

[6] 孫晶.創新能力重構與創新型企業價值創造[J].稅務與經濟，2016（5）：6.

[7] 劉璘琳.產業異質性、技術創新與企業價值的關系研究[J].技術經濟與管理研究，2016（5）：8.

[8] LIU Y， CHEN H. Fault diagnosis of gearbox based on RBF-PF and particle swarm optimization wavelet neural network[J]. Neural Computing & Applications，2019，31：4463.

[9] SPECHT D F. Probabilistic neural networks and the polynomial adaline as complementary techniques for classification[J]. IEEE Transactions on Neural Networks，2002，1（1）：111.

[10]? MODARESI F，ARAGHINEJAD S，EBRAHIMI K. A comparative assessment of artificial neural network，generalized regression neural network，least-square support vector regression，and K-nearest neighbor regression for monthly streamflow forecasting in linear and nonlinear conditions[J].Water Resources Management An International Journal Published for the European Water Resources Association，2018，32（1）：243.

[11] 潘文超.應用果蠅優化算法優化廣義回歸神經網絡進行企業經營績效評估[J].太原理工大學學報（社會科學版），2011，29（4）：1.

[12] 張同鈺.基于廣義回歸神經網絡的黃金價格預測研究[J].中國集體經濟，2016（1）：73.

[13] 于卓熙，秦璐，趙志文等.基于主成分分析與廣義回歸神經網絡的股票價格預測[J].統計與決策，2018，34（18）：168.

[14] 陳帆，劉柏嵩，吳瑤.網絡協同視角下科技企業孵化器的價值創造研究[J].科技與管理，2017，19（5）：87.

[15] 胡善成，李睿.基于三大研發活動的R&D規模收益及合理配置研究[J].科技與管理，2017，19（6）：73.

[16] ISLAM MM， LEE G，HETTIWATTE S N， et al. Calculating a Health Index for Power Transformers Using a Subsystem-based GRNN Approach[J]. IEEE Transactions on Power Delivery， 2017（99）：1.

[17] GHRITLAHRE H K， PRASAD R K. Exergetic performance prediction of solar air heater using MLP， GRNN and RBF models of artificial neural network technique[J]. Journal of Environmental Management， 2018， 223：566.

[18] MAJUMDER H， MAITY K. Prediction and optimization of surface roughness and micro-hardness using grnn and MOORA-fuzzy-a MCDM approach for nitinol in WEDM[J]. Measurement， 2018， 118：1.

[19] KE W， CHEN H， LEI Y， et al. Prediction method for asphalt pavement crack based on GRNN neural network[J]. Journal of Shenzhen University， 2017， 34（4）：378.

[編輯：厲艷飛]

收稿日期：? 2019-10-31

基金項目：? ?黑龍江省自然科學基金項目（G2017003）

作者簡介：? ?宋麗平（1967—），女，教授，博士;

李 萌（1994—），女，碩士研究生;

于書洋（1985—），男，碩士.