基于價值網(wǎng)視角的直播平臺企業(yè)價值評估模型改進(jìn)研究

韓浩東 石書玲

摘 要：當(dāng)前，網(wǎng)絡(luò)直播熱度在國內(nèi)迅速攀升，對網(wǎng)絡(luò)直播平臺企業(yè)價值評估的需求也日益增長。目前國內(nèi)學(xué)者在直播平臺企業(yè)估價模型的構(gòu)建中，各影響因素多是默認(rèn)與企業(yè)價值呈線性相關(guān)，因而估值誤差較大。本文基于國外學(xué)者提出的網(wǎng)絡(luò)直播平臺企業(yè)價值網(wǎng)視角，就財務(wù)評估指標(biāo)分別構(gòu)建線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型，并以虎牙為例，采用實(shí)證研究方式驗(yàn)證了企業(yè)價值影響因素中存在網(wǎng)狀相關(guān)的問題是目前網(wǎng)絡(luò)直播平臺企業(yè)估值模型存在誤差的原因之一，并提出改進(jìn)建議。

關(guān)鍵詞：網(wǎng)絡(luò)直播平臺企業(yè)；線性回歸模型；BP神經(jīng)網(wǎng)絡(luò)；改進(jìn)建議

本文索引：韓浩東，石書玲.<變量 2>[J].中國商論，2023（09）：-150.

中圖分類號：F124.3 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-0298（2023）05（a）--05

1 引言

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，網(wǎng)絡(luò)直播在國內(nèi)的熱度迅速攀升，中國互聯(lián)網(wǎng)網(wǎng)絡(luò)信息中心第49次互聯(lián)網(wǎng)發(fā)展報告顯示，截至2021年12月，我國網(wǎng)絡(luò)直播用戶規(guī)模已達(dá)7.03億，占網(wǎng)民總體的68.2%[1]，網(wǎng)絡(luò)直播行業(yè)龐大的用戶群體吸引越來越多的投資者加入，但缺乏具體、規(guī)范性的法律條文以及行業(yè)獨(dú)創(chuàng)性、不確定性因素過大，導(dǎo)致直播行業(yè)法律糾紛問題遠(yuǎn)高于其他行業(yè)，同時，在面對債務(wù)重組、企業(yè)合并、合同糾紛等方面，法律上需要引入第三方對其相關(guān)價值進(jìn)行評估，對企業(yè)價值進(jìn)行合理的估值有助于投資者做出合理的判斷[2]。

在當(dāng)前的評估實(shí)務(wù)中，網(wǎng)絡(luò)直播平臺企業(yè)的價值評估多選用傳統(tǒng)的評估方法，但平臺型企業(yè)的獨(dú)特性和不確定性等特點(diǎn)使傳統(tǒng)的方法在估值時存在較大的誤差[3]。網(wǎng)絡(luò)直播企業(yè)的自創(chuàng)內(nèi)容通過其創(chuàng)建的平臺進(jìn)行傳播，所能帶來的收益遠(yuǎn)高于版權(quán)作為單項資產(chǎn)的評估值之和，因而成本法在預(yù)測時效果不佳；市場法則是要求進(jìn)行比較估值，必須找到合適的至少三家相類似的企業(yè)進(jìn)行比對，再根據(jù)相關(guān)系數(shù)進(jìn)行調(diào)整，但網(wǎng)絡(luò)直播平臺企業(yè)屬于新興行業(yè)，各個平臺不同的宣傳導(dǎo)致其用戶重疊度不夠高，因而難以尋找可比企業(yè)；網(wǎng)絡(luò)直播企業(yè)受市場影響力巨大，包括市場規(guī)模、用戶數(shù)量、行業(yè)競爭環(huán)境等，一旦出現(xiàn)偏頗，其收益額將受到巨大沖擊，很難依靠現(xiàn)有的現(xiàn)金流去預(yù)測未來的現(xiàn)金流，同時初創(chuàng)期的網(wǎng)絡(luò)直播企業(yè)和成熟期的企業(yè)有所不同，初創(chuàng)期一般處于虧損狀態(tài)，收益呈現(xiàn)負(fù)數(shù)，在其擁有一部分固定市場份額扭虧為盈之前使用市場法的判斷可能出現(xiàn)較大誤差。

當(dāng)前為減少估值誤差，各學(xué)者傾向于構(gòu)建修正DEVA模型、改進(jìn)CVBC模型、梅特卡夫模型等方法進(jìn)行估值，本文考慮到估值模型在近年來不斷改善，因此從中國知網(wǎng)數(shù)據(jù)庫中選取自2019年1月至2022年10月的估值模型以及對應(yīng)的估值誤差進(jìn)行對比（見表1），以充分把握當(dāng)前研究現(xiàn)狀。

在現(xiàn)有研究中，大部分國內(nèi)學(xué)者使用的模型是此類以各影響因素與企業(yè)價值的線性聯(lián)系為基礎(chǔ)構(gòu)建的，但國外學(xué)者早在研究中發(fā)現(xiàn)平臺型企業(yè)不同于傳統(tǒng)企業(yè)的線性價值創(chuàng)造模式，而是一種網(wǎng)狀結(jié)構(gòu)[14]，網(wǎng)絡(luò)直播平臺企業(yè)作為一類平臺型企業(yè)，網(wǎng)狀的價值創(chuàng)造過程意味著影響企業(yè)價值的各項因素與企業(yè)價值之間的關(guān)系可能是復(fù)雜、非線性的，如果將復(fù)雜非線性聯(lián)系的影響因素簡單使用線性關(guān)系進(jìn)行模型的構(gòu)建會產(chǎn)生較大誤差，這可能是現(xiàn)有模型存在誤差的原因之一。

基于此，本文將以財務(wù)指標(biāo)為例，選取同樣的財務(wù)指標(biāo)分別構(gòu)建線性模型和BP神經(jīng)網(wǎng)絡(luò)模型，通過對比兩者對于同一案例的估值誤差來驗(yàn)證網(wǎng)絡(luò)直播平臺企業(yè)價值與其影響因素之間的關(guān)系是否為非線性關(guān)系，進(jìn)而對未來網(wǎng)絡(luò)直播企業(yè)價值評估模型的改進(jìn)提供思路。

2 網(wǎng)絡(luò)直播企業(yè)價值評估模型構(gòu)建

2.1 指標(biāo)來源與說明

本文研究目的是證明網(wǎng)絡(luò)直播平臺的價值影響因素與企業(yè)價值是否為非線性，因此為了方便數(shù)據(jù)的獲取以及防止其他干擾因素，選擇使用企業(yè)財報中便于獲取的財務(wù)指標(biāo)作為影響因素。

實(shí)際上，網(wǎng)絡(luò)直播企業(yè)的誕生得益于互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，而互聯(lián)網(wǎng)的發(fā)展又在很大程度上受我國不斷開放、穩(wěn)中求進(jìn)的經(jīng)濟(jì)形式所影響，因此宏觀環(huán)境因素等非財務(wù)因素對網(wǎng)絡(luò)直播平臺企業(yè)價值具有影響，但由于這些非財務(wù)指標(biāo)在使用到模型當(dāng)中時一定要進(jìn)行量化處理，目前比較常見的是專家打分法和效用替代法，前者是召集一定數(shù)量的專家依據(jù)企業(yè)的表現(xiàn)情況對這些非財務(wù)指標(biāo)進(jìn)行打分，用專家給出的分?jǐn)?shù)將非財務(wù)指標(biāo)進(jìn)行量化，而后者則是選取效用相同的標(biāo)的物價值進(jìn)行替代，例如在評估一棵樹遮陰價值時會采用同等遮陰面積大小的遮陽傘價值進(jìn)行替代，但由此得出的數(shù)據(jù)不可避免地帶有一定的主觀性，因此本文不選取此類非財務(wù)指標(biāo)，以減少主觀性對于實(shí)證分析結(jié)論的影響。

為確保指標(biāo)選取的有效性，本文通過總結(jié)近三年來國內(nèi)學(xué)者在構(gòu)建網(wǎng)絡(luò)直播企業(yè)價值評估體系時財務(wù)指標(biāo)的選取情況，最終選取衡量企業(yè)短期償債能力的流動比率（）、

衡量企業(yè)長期償債能力的資產(chǎn)負(fù)債率（）、衡量企業(yè)營運(yùn)能力的應(yīng)收賬款周轉(zhuǎn)天數(shù)（）以及衡量企業(yè)盈利能力的銷售凈利潤（）四個財務(wù)指標(biāo)作為模型的自變量，以企業(yè)市場價值（）作為因變量分別構(gòu)建簡單線性模型和BP神經(jīng)網(wǎng)絡(luò)模型。

2.2 網(wǎng)絡(luò)直播企業(yè)價值評估線性回歸模型構(gòu)建

2.2.1 數(shù)據(jù)來源

本文通過萬德（Wind）數(shù)據(jù)庫查閱11家網(wǎng)絡(luò)直播平臺企業(yè)上市公司的財務(wù)報表數(shù)據(jù)，共計獲取196個樣本數(shù)據(jù)，Wind上市企業(yè)數(shù)據(jù)庫的數(shù)據(jù)較新而且可靠度較高，涵蓋了滬深A(yù)股超過3500家上市企業(yè)，數(shù)據(jù)庫的企業(yè)規(guī)模較大且國有企業(yè)占比較高[15]，能夠確保樣本的有效性。

2.2.2 線性回歸相關(guān)概念

線性回歸主要涵蓋兩種不同的線性回歸模型，即一元線性以及多元線性回歸模型，由于本文選取了四項指標(biāo)進(jìn)行回歸，因此使用的是多元線性回歸模型，其主要適用于多個關(guān)聯(lián)自變量進(jìn)行回歸[16]。

在線性回歸模型的評價指標(biāo)中，一般使用均方誤差和決定系數(shù)，本文中使用的是均方誤差的方法，通常來說均方誤差的值越小，模型的擬合程度越好。

2.2.3 構(gòu)建回歸模型

通過SPSS軟件中“分析”的“回歸”功能可以快速構(gòu)建線性回歸模型，將196個樣本導(dǎo)入數(shù)據(jù)庫，選取企業(yè)價值作為因變量，流動比率、資產(chǎn)負(fù)債率、應(yīng)收賬款周轉(zhuǎn)天數(shù)、銷售凈利潤作為自變量，其余選項默認(rèn)運(yùn)行程序得到回歸結(jié)果。

從SPSS輸出的ANOVA表截圖（圖1）可以看出，回歸結(jié)果的P值小于0.05，證明該回歸模型的自變量在置信度95%的條件下與因變量顯著線性相關(guān)，模型有效。與此同時，模型整體的均方誤差較大，這是由于網(wǎng)絡(luò)直播企業(yè)價值受宏觀經(jīng)濟(jì)環(huán)境、法律法規(guī)等非財務(wù)指標(biāo)較高，本文為避免主觀性對結(jié)果的影響只選取財務(wù)指標(biāo)作為因變量，因此會產(chǎn)生較大誤差，但BP神經(jīng)網(wǎng)絡(luò)模型也會選取同樣的指標(biāo)，誤差并不影響實(shí)證結(jié)果的分析。

從SPSS輸出的系數(shù)表截圖（圖2）可以看出，、和的P值小于0.05，的P值大于0.05且接近于1，證明流動比率、資產(chǎn)負(fù)債率和應(yīng)收賬款周轉(zhuǎn)天數(shù)在置信度95%的條件下與企業(yè)價值顯著線性相關(guān)，而銷售凈利潤與企業(yè)價值沒有顯著的線性相關(guān)。

綜上所述，本文在剔除沒有與企業(yè)價值顯著線性相關(guān)的銷售凈利潤后，得到網(wǎng)絡(luò)直播企業(yè)價值評估線性回歸模型公式，式中為誤差項。

2.3 網(wǎng)絡(luò)直播企業(yè)價值評估BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

2.3.1 數(shù)據(jù)來源

構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型使用的數(shù)據(jù)與回歸模型使用的數(shù)據(jù)相同，共計196個樣本數(shù)據(jù)。

2.3.2 BP神經(jīng)網(wǎng)絡(luò)相關(guān)概念

BP神經(jīng)網(wǎng)絡(luò)是一種基于誤差反向傳播算法的多層前饋網(wǎng)絡(luò)[17]，其基本的運(yùn)作流程是將由輸入層正向輸入的數(shù)據(jù)通過算法得出輸出數(shù)據(jù)，通過不斷調(diào)節(jié)算法使輸出數(shù)據(jù)與期望數(shù)據(jù)的差值減少，直至達(dá)到預(yù)先確定的值為止，以下是其相關(guān)概念：

（1）輸入層

輸入層是輸入數(shù)據(jù)的網(wǎng)絡(luò)層，將輸入的特征變量傳遞到隱含層，并不會對輸入的數(shù)據(jù)進(jìn)行處理，輸入層神經(jīng)元的個數(shù)取決于輸入數(shù)據(jù)的特征變量數(shù)決定。

（2）隱含層

隱含層是神經(jīng)網(wǎng)絡(luò)中接收輸入層數(shù)據(jù)并對其進(jìn)行非線性的變化，將結(jié)果傳送至輸出層，隱含層的個數(shù)可以有多個，其神經(jīng)元個數(shù)并不固定，一般會采用多次試驗(yàn)得出誤差值最小的神經(jīng)元個數(shù)。

（3）輸出層

輸出層是輸出最終數(shù)據(jù)的網(wǎng)絡(luò)層，同樣會對輸入的數(shù)據(jù)進(jìn)行非線性變化，輸出層的神經(jīng)元個數(shù)取決于實(shí)驗(yàn)?zāi)康模疚闹蠦P神經(jīng)網(wǎng)絡(luò)的目的是進(jìn)行預(yù)測，因此輸出層神經(jīng)元個數(shù)為一個。

2.3.3 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型

本文通過matlab軟件自帶工具箱中的“Neural Net Fitting”工具進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建，將由、、、數(shù)據(jù)組成的數(shù)據(jù)集設(shè)置為“Input data”，即為輸入層，將由組成的數(shù)據(jù)集設(shè)置為“Target data”，即為輸出層，樣本類型選擇“Matrix columns”，訓(xùn)練樣本、驗(yàn)證樣本和測試樣本選取默認(rèn)的14∶3∶3比例，隱含層經(jīng)過測試選取“2”的誤差最小，使用“Levenberg-Marquardt”算法進(jìn)行訓(xùn)練。

從matlab中輸出的神經(jīng)網(wǎng)絡(luò)均方誤差圖（如圖3所示）可以看出，感知器在第742.85次訓(xùn)練后于第13代時達(dá)到最理想結(jié)果。

從matlab中輸出的BP神經(jīng)網(wǎng)絡(luò)的R系數(shù)圖（如圖4所示）可以看出，經(jīng)過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)使用測試集進(jìn)行檢驗(yàn)時R值為0.89，R值越接近1表示預(yù)測和輸出數(shù)據(jù)之間的關(guān)系越密切，證明神經(jīng)網(wǎng)絡(luò)在檢驗(yàn)中可以得出相對有效的預(yù)測結(jié)果。

綜上所述，本文在經(jīng)過訓(xùn)練和測試后，得到了網(wǎng)絡(luò)直播企業(yè)價值評估BP神經(jīng)網(wǎng)絡(luò)模型，保存神經(jīng)網(wǎng)絡(luò)為“net”，其余選項默認(rèn)，選擇“Finish”完成BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建。

3 以虎牙直播為例的企業(yè)價值評估

3.1 案例以及評估時點(diǎn)選取原因

虎牙直播是一家成立于2012年的網(wǎng)絡(luò)直播企業(yè)，其前身是YY直播，在2014年11月正式更名為虎牙直播，更名后的虎牙直播對市場定位、盈利模式和技術(shù)手段都進(jìn)行了改革，開始形成以游戲直播為主，秀場直播、體育直播和教育直播為輔的發(fā)展模式[18]，作為我國游戲直播行業(yè)首家上市公司，其擁有較強(qiáng)的上升空間和發(fā)展前景[19]，因此本文選取虎牙直播作為案例分析更能代表對投資者有吸引力的網(wǎng)絡(luò)直播企業(yè)。

為打擊網(wǎng)絡(luò)直播亂象，國家互聯(lián)網(wǎng)信息辦公室部署開展了“清朗行動”[20]，虎牙直播也在本次行動中由于違反《互聯(lián)網(wǎng)文化管理暫行規(guī)定》，被罰款2萬元并沒收違法所得，雖然罰款數(shù)目相較企業(yè)整體價值較小，但此次罰款使投資者認(rèn)為虎牙直播存在政策監(jiān)管風(fēng)險，這也是虎牙直播股價在2022年第二季度由2021年第四季度的16.52億美元下跌至9.24億美元的影響因素之一，由于本文以財務(wù)指標(biāo)為例構(gòu)建模型，而虎牙直播2022年第二季度財務(wù)報表對應(yīng)時點(diǎn)的股票市場價值受到政策較強(qiáng)的影響，選取2022年6月30日作為評估時點(diǎn)誤差較大，參考價值較低，因此本文選取2021年同期時間作為評估時點(diǎn)，即2021年6月30日為評估時點(diǎn)。

通過萬德數(shù)據(jù)庫查閱虎牙直播2021年第二季度財務(wù)報表以及2021年6月30日當(dāng)日股價，并以評估時點(diǎn)匯率將美元轉(zhuǎn)換為人民幣，可以得到數(shù)據(jù)：企業(yè)價值為302.75，流動比率為4.66、資產(chǎn)負(fù)債率為0.21、應(yīng)收賬款周轉(zhuǎn)天數(shù)為2.64、銷售凈利潤為26.9。

3.2 基于線性回歸及BP神經(jīng)網(wǎng)絡(luò)對虎牙直播企業(yè)的價值評估

3.2.1 基于網(wǎng)絡(luò)直播企業(yè)價值評估線性回歸模型進(jìn)行估值

將流動比率、資產(chǎn)負(fù)債率、應(yīng)收賬款周轉(zhuǎn)天數(shù)、銷售凈利潤代入公式（1），得到虎牙直播在2021年6月30日的企業(yè)價值評估結(jié)果為162.06億元，和當(dāng)日股票市場價格302.75億元的誤差為-46.47%。

3.2.2 基于網(wǎng)絡(luò)直播企業(yè)價值評估BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行估值

將由流動比率、資產(chǎn)負(fù)債率、應(yīng)收賬款周轉(zhuǎn)天數(shù)、銷售凈利潤組成的數(shù)據(jù)集導(dǎo)入matlab當(dāng)中并命名為“pre_1”，在命令執(zhí)行窗口中輸入“predict1=sim（net，pre_1）”并執(zhí)行，得到虎牙直播在2021年6月30日的企業(yè)價值評估結(jié)果為279.53億元，和當(dāng)日股票價格302.75億元的誤差為-7.67%。

3.2.3 兩種評估模型誤差比較

本文對比線性模型和神經(jīng)網(wǎng)絡(luò)模型對同一評估時點(diǎn)的誤差發(fā)現(xiàn)，各因素之間非線性相關(guān)的BP神經(jīng)網(wǎng)絡(luò)模型誤差較小，兩個模型采用了同樣的指標(biāo)，排除了由于指標(biāo)選取不同而影響模型誤差的問題，同時結(jié)合回歸模型中表現(xiàn)出與線性不顯著相關(guān)，可以推論出銷售凈利潤指標(biāo)可能存在與企業(yè)價值非線性相關(guān)的情況，這一情況可能是導(dǎo)致兩個模型誤差產(chǎn)生的原因之一。

綜上所述，在建立網(wǎng)絡(luò)直播企業(yè)價值評估模型時，存在影響因素與企業(yè)價值呈非線性相關(guān)的情況，現(xiàn)有學(xué)者對于網(wǎng)絡(luò)直播平臺企業(yè)價值評估模型的構(gòu)建中較多默認(rèn)使用線性關(guān)系是造成模型存在誤差的原因之一，可以通過使用BP神經(jīng)網(wǎng)絡(luò)等非線性模型來減少誤差。

4 網(wǎng)絡(luò)直播企業(yè)價值評估模型改進(jìn)建議

4.1 檢驗(yàn)原有模型選用的影響因素是否為線性相關(guān)

在對已有模型進(jìn)行改進(jìn)時需要考慮模型使用的影響因素是否與企業(yè)價值為線性相關(guān)，可以使用最小二乘回歸方法中得出系數(shù)表中的P值判斷，當(dāng)出現(xiàn)P＞0.05時，該項影響因素與企業(yè)價值不存在顯著線性相關(guān)。

4.2 檢驗(yàn)非線性相關(guān)因素是否存在網(wǎng)狀相關(guān)

當(dāng)使用最小二乘方法檢驗(yàn)出存在影響因素與企業(yè)價值不顯著線性相關(guān)時，需要使用剔除該因素后的模型構(gòu)建回歸模型，使用剔除該因素前的模型構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，使用回歸模型與BP神經(jīng)網(wǎng)絡(luò)模型對同一企業(yè)的同一評估時點(diǎn)進(jìn)行企業(yè)價值評估，若BP神經(jīng)網(wǎng)絡(luò)模型的誤差較小則可以推論出該因素與企業(yè)價值存在網(wǎng)狀相關(guān)。

4.3 對BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用的建議

BP神經(jīng)網(wǎng)絡(luò)模型適用于擁有充足訓(xùn)練樣本的評估場景，當(dāng)訓(xùn)練樣本較少時會出現(xiàn)評估誤差波動較大的問題，因此，本文使用的檢驗(yàn)方法只適用于評估對象為網(wǎng)絡(luò)直播這一類企業(yè)的評估模型檢驗(yàn)中，并不一定適用于針對單個具體網(wǎng)絡(luò)直播企業(yè)的價值評估模型中，尤其是近期上市，可獲取訓(xùn)練集數(shù)據(jù)較少的企業(yè)。

5 研究展望

本文基于價值網(wǎng)的視角，針對國內(nèi)現(xiàn)有的網(wǎng)絡(luò)直播平臺企業(yè)價值評估模型提出了其影響因素可能是非線性關(guān)系，并選取流動比率、資產(chǎn)負(fù)債率、應(yīng)收賬款周轉(zhuǎn)天數(shù)和銷售凈利潤作為模型因變量分別構(gòu)建了線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型，通過實(shí)證分析證明了網(wǎng)絡(luò)直播平臺企業(yè)的價值影響因素存在非線性關(guān)系。

本文選取的模型指標(biāo)較少、選取的樣本企業(yè)在一定程度上代表性不足，主要是受限于網(wǎng)絡(luò)直播平臺企業(yè)目前仍然屬于新興行業(yè)，在該行業(yè)中的上市公司較少且風(fēng)格迥異。

未來研究可以拓展到更廣泛的指標(biāo)中，例如用戶價值、視頻點(diǎn)擊率等非財務(wù)指標(biāo)的驗(yàn)證上，同時BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要大量的樣本數(shù)據(jù)，如何在拓展樣本量的同時保障數(shù)據(jù)的有效性值得進(jìn)一步研究。

參考文獻(xiàn)

郭淑慧，呂欣.網(wǎng)絡(luò)直播大數(shù)據(jù)：統(tǒng)計特征與時序規(guī)律挖掘[J].復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，2022（6）：1-9.

黃嵐.網(wǎng)絡(luò)直播企業(yè)價值評估研究[J].中外企業(yè)家，2019（27）：3.

袁羅娜.平臺類綜合性互聯(lián)網(wǎng)企業(yè)價值評估方法研究[D].北京：北京工商大學(xué)，2016.

田慧婧.基于修正DEVA模型的電子商務(wù)平臺企業(yè)價值評估應(yīng)用研究[D].杭州：杭州電子科技大學(xué)，2019.

甘佳寧.基于DEVA模型的網(wǎng)絡(luò)直播平臺價值評估研究[D].廣州：廣東外語外貿(mào)大學(xué)，2020.

王羽嫻.修正的DEVA模型在網(wǎng)絡(luò)直播企業(yè)估值中的應(yīng)用研究[D].杭州：浙江財經(jīng)大學(xué)，2020.

林夢佳.基于改進(jìn)DEVA模型的電商平臺價值評估研究[D].上海：上海財經(jīng)大學(xué)，2021.

彭宇木子.基于DEVA修正模型的互聯(lián)網(wǎng)直播企業(yè)價值評估[D].桂林：廣西科技大學(xué)，2021.

李博宇.基于修正DEVA方法的直播平臺企業(yè)價值評估研究[D].成都：四川師范大學(xué)，2022.

劉春萍.改進(jìn)的CVBC模型在網(wǎng)絡(luò)直播類企業(yè)價值評估中的應(yīng)用研究[D].昆明：云南財經(jīng)大學(xué)，2021.

馬園園.基于改進(jìn)的Schwartz-Moon模型的短視頻平臺企業(yè)價值評估研究[D].徐州：中國礦業(yè)大學(xué)，2022.

張英飛.基于梅特卡夫模型的短視頻平臺型企業(yè)價值評估研究[D].鄭州：河南財經(jīng)政法大學(xué)，2022.

黃安瑞.基于BP神經(jīng)網(wǎng)絡(luò)的互聯(lián)網(wǎng)直播企業(yè)價值評估[D].南昌：江西財經(jīng)大學(xué)，2021.

VARGO S L，LUSCH R F.Service-dominant logic：continuing the evolution[J].Journal of the Academy of Marketing Science，2008，36（1）：1-10.

張明，李曦晨，王喆.全面剖析中國企業(yè)杠桿率的異質(zhì)性：規(guī)模、周期與盈利能力：基于三大數(shù)據(jù)庫的比較分析[J].金融評論， 2020，12（2）：1-18.

張涵夏.適用于線性回歸和邏輯回歸的場景分析[J].自動化與儀器儀表，2022（10）：1-4.

路思恒，尹紅.基于BP神經(jīng)網(wǎng)絡(luò)的居民消費(fèi)水平的預(yù)測模型：以安徽省為例[J].現(xiàn)代電子技術(shù)，2022，45（21）：83-87.

唐奕宸，陳美玲.虎牙直播的網(wǎng)絡(luò)營銷策略研究[J].山西農(nóng)經(jīng)，2021（1）：171-172.

葛小敏，許延明.虎牙直播盈利模式分析[J].科技經(jīng)濟(jì)市場，2022（2）：155-157.

2022年“清朗”系列專項行動十大重點(diǎn)任務(wù)[J].廣播電視信息，2022，29（4）：12-13.