基于輕量級卷積神經網絡的科技型中小企業估值研究

田慶鋒，徐 朗

（1.西北工業大學管理學院，陜西西安 710129；2.中國航發沈陽黎明航空發動機有限責任公司，遼寧沈陽 110043）

1 研究背景

中小企業是我國推動國民經濟發展、構造市場經濟主體、促進社會穩定的基礎力量［1］。科技型中小企業因其技術含量高，創造了大量專利與創新產品［2］。作為兼備創新活力、發展潛力與高成長性的創新集群［3］，中小企業在市場發展中最具推動作用，在經濟活動中占主導地位的企業是未來高科技大企業的萌芽與開端［4］，是推動產業創新的先鋒力量。黨的二十大報告指出，要營造適宜科技型中小企業健康發展的有利環境，這進一步強調了科技型中小企業的重要作用和戰略意義。但根據林海［5］、張目等［6］、馬衛民等［7］的研究，中小企業由于規模小、風險性強且前期投入高，發展的不確定性較大，一直存在融資難、估值難的問題。

傳統的估值方法主要包括絕對估值法與相對估值法［8］，其中絕對估值法一般包括現金流折現法、經濟附加值法與實物期權法，分別有如Edwards等［9］、Stewart［10］、Myers［11］的研究；相對估值法則是市凈率、市盈率和市銷率3 種價值乘數法［12］。絕對估值法立足于預測，在估值過程中不可避免帶有主觀色彩，且其基于嚴格假設，較難適應實際估值的復雜情況，因此已有關于企業估值的方法存在一定弊端［13］。現金流折現法與經濟附加值法僅針對財務層面，忽略了非財務指標對于企業的價值貢獻［14］，宣曉等［15］部分學者的研究也認為其并不適用于科技型中小企業。相對估值法的核心則是選擇合適的可比企業，以價值乘數為“橋梁”對目標企業進行價值評估，估值效果也在很大程度上取決于可比企業［16］。然而，現實中科技型中小企業的可比企業很難確定［17］。因此，對于規模小、技術密集的科技型中小企業而言，相對估值法的準確性有待考量［18］。

如今，大數據技術的蓬勃發展為科技型中小企業的估值研究帶來了新的機遇，卷積神經網絡因其具有權值共享與局部連接的特性［19］，可以在保證模型性能的同時有效減少參數數量，即便網絡加深也能防止過擬合［20］，且兼具良好的非線性能力，因而被廣泛應用于圖像、語音等領域，包括Krizhevsky等［21］、Gu 等［22］、連海倫等［23］學者的研究均證明了這點。由于卷積神經網絡能夠通過加深網絡提高模型非線性能力［24］，并且通過大量數據學習自動提取特征擬合出適宜模型，故非常適合應用于企業估值這類復雜的回歸問題［25］。Khalifani 等［26］認為，卷積神經網絡具有良好的準確度、可遷移性且能提高運算效率。

由此，本研究設計了一種輕量卷積神經網絡TecNet，通過大量數據訓練學習得到適用于科技型中小企業的估值模型，以期為企業估值提供新思路。

2 科技型中小企業價值評估指標構建

2.1 理論估值指標

在中國知網上以“企業價值評估指標”“企業估值”“企業評價體系”等關鍵詞進行檢索，得到相關文獻資料，忽略重復文獻，并經過對題目、關鍵詞、摘要等部分要素進行人工篩查，保留符合研究主題的文獻以備后續統計分析。其中，相關文獻多為期刊或學位論文，所以其觀點的科學性與專業性相對較高。相關文獻中涉及的企業大多為高新技術企業、創業板企業、科技創業企業等，均對科技型中小企業具有可借鑒意義，故初步判定此類文獻資料作為本研究的量化文獻分析樣本是有效的。

采用頻次計數法統計樣本文獻中出現頻數大于兩次的評價指標。對于偶然出現的單一指標不做統計，默認這些指標為特定研究場景下的特有指標。其中，資產負債率、應收賬款周轉率等為出現頻率排名前十的財務評價指標（見圖1）；非財務指標中，出現頻次排在前10 位的分別是研發費用率、市場占有率等（見圖2）。

圖1 樣本文獻中有關財務指標出現頻次及占比

圖2 樣本文獻中有關非財務指標出現頻次及占比

基于以上分析，可初步得出科技型中小企業價值評估相關文獻的常用評價指標（如圖3 所示）。

圖3 樣本文獻中科技型中小企業價值評估常用指標

2.2 修正估值指標

為得到科技型中小企業投融資過程中實際關注的估值指標，邀請領域內相關專家訪談，并結合詞頻-逆文本頻率指數（TF-IDF）關鍵詞提取技術對訪談文本進行分析。在國泰安數據庫中搜索采訪與訪談的文本資料，同時以電話或現場的形式對專家就科技型中小企業估值問題進行訪談，咨詢了科技型中小企業估值過程中的估值指標選取應參考哪些方面，并要求給出較為具體的估值指標或參考方向。參與此次訪談的專家共9 位，其中6 位為投資領域專家，均在科技型中小企業或其他類型企業投資方面具有豐富經驗；3 位為企業高管，對本企業及行業的情況十分了解，且因其所在企業均屬于科技型企業，故對科技型中小企業的發展也同樣具有敏銳嗅覺與洞察力。投資專家相關從業經歷為7～15 年，平均經歷為12.0 年；企業高管相關經歷為11～22 年，平均經歷為16.3 年。由于訪談專家來自不同領域、擁有不同的行業背景，并均對科技型中小企業估值相關問題具有可借鑒經驗，所以此次訪談結果較為可信。在尋求訪談專家同意后，對訪談全過程進行錄音并記錄，將訪談結果、來自國泰安庫中的相關文本整理形成本訪談文本庫，將文本輸入TF-IDF 模型中，經過分詞、去除停用詞、計算詞頻與逆文檔排序等一系列步驟后，得到文本的關鍵詞及其得分，并輸出該文本庫對應的關鍵詞文檔。

本研究選擇較為權威且便捷的Jieba 工具來進行分詞，因為Jieba 是目前最優秀的中文分詞庫，其功能強大，使用簡便，非常適用于中文的文本分析，且其自帶的分詞功能十分精準可信，內嵌了強大的文本庫。采用的停用詞表是目前較為全面的哈爾濱工業大學研制的停用詞表，在其基礎上加入一些對于本研究問題無用的詞組。經過分詞、過濾停用詞后，計算詞頻得出詞語的TF 值，與Jieba 自帶的逆文檔庫中的IDF 值相乘，得到其關鍵詞得分。最后輸出的前20 個關鍵詞如表1 所示。

表1 基于實踐經驗的科技型中小企業價值評估前20 個關鍵詞

從表1 可看出，對于科技型中小企業的價值評估，受訪者較為看重科技型中小企業的人才團隊、研發創新能力、經營能力、發展能力、償債能力以及盈利能力，尤其強調人才和研發相關指標，其中在研發方面則注重專利數、無形資產等知識產權指標；此外，在財務指標方面，企業的經營發展與負債相關的指標排名較為靠前，而盈利相關的指標較少。可見，基于科技型中小企業技術密集與智力資本價值高的特點，其高成長性、高風險性的特征使得投資者除了無形資產外更加關注其經營發展與償債能力，而非其規模與盈利能力，這也是由于科技型中小企業大多規模小、市場占比小且通常初期并不盈利的緣故。

綜上，初步提煉出科技型中小企業估值指標（見圖4），其中圓圈大小代表某個詞與其他詞共同出現的頻率大小。根據圖4 的連線及共現頻率可以看出，對科技型中小企業進行價值評估時，需將財務指標與非財務指標相結合。目前企業財務方面的估值較為成熟，多數受訪者認為可以參考已成體系的財務指標，但不過分關注目前是否盈利，更看重企業的發展成長與經營能力，包括相關周轉率和增長率；同時，重點關注資產負債率，因企業的償債能力能夠反映其應對風險的能力，盈利方面則僅更為關注回報率、利潤率等。另外，多數受訪者認為，能顯示企業創新和研發能力的非財務指標為專利數、一些未公開的核心技術無形資產以及產品更新等；人才方面，對于以研發為重的科技型中小企業，需著重關注其碩士及以上比例，才能更好地衡量團隊的質量。此外，員工是否接受了后續培訓能夠反映企業對于人才成長和培養的意識。

新課標指出，在小學語文教學過程中應該對學生各種能力的培養提出更高的重視，而閱讀能力作為一種重要的基礎能力，教師更應該給予重視。在實際的教學過程中，教師要重視學生閱讀能力的培養，創建有趣的情境激發學生的閱讀興趣，面對小學生，情境教學是一種非常有效的手段，具備特殊的應用價值，尤其值得在小學語文教學中推廣和運用。

圖4 科技型中小企業價值評估關鍵詞共現網絡

在訪談過程中發現，受訪者希望通過易量化的指標來進行企業估值，以更簡便清晰地了解企業的估值結果，也更加便于數據的獲取。由于傳統的估值方法存在普適性較差、預測值不準確等弊端，對科技型中小企業來說不甚友好，且現實中的估值通常極大地受到人為主觀因素影響，容易導致企業估值過高或過低的結果，對于企業融資和投資者投資有不利影響。另外，有受訪者表示，希望得到對于企業較為關鍵的指標，并通過分析各個關鍵指標對企業價值的貢獻來衡量其重要程度，這樣有助于企業有針對性地進行提升。

通過訪談資料分析發現，實際評估中更關注科技型中小企業研發能力、團隊素質等非財務指標，對于市場相關指標并不過分關注，且科技部、財政部、國家稅務總局公布的《科技型中小企業評價辦法》中主要聚焦于研發與人員的評價，故僅保留了研發、團隊相關指標。由于越來越多的企業已將員工門檻定為本科學歷，故對于科技型中小企業而言，本科以上比例并不能體現智力資本的質量，故設計了碩士以上比例指標。此外，受訪者均表示文獻分析得來的財務指標已形成較為完善的體系，故保留了這些財務指標，同時結合官方發布的財務評價指標進行修改。基于此，初步形成較為全面的科技型中小企業價值評估指標體系（見圖5）。

圖5 科技型中小企業價值評估指標

2.3 關鍵估值指標

結合德爾菲法對初步得到的估值指標進行篩選，構成本研究網絡的關鍵輸入指標。首先，通過首輪函詢確定專家的基本信息，根據專家對此研究領域的熟悉程度對專家的專業性進行評估，并采納或去除現評價指標體系中的部分指標。首輪共函詢23 位專家，有19 位專家應答，應答率達到82.6%。其次，根據首輪的結果對指標體系進行問卷修正，并進行第2 輪函詢。第2 輪共有19 位專家給予回復，響應率為100%。鑒于應答率在70%以上可認為專家響應度較高，因而本研究具有一定專家認可度與研究價值。由于指標體系在第2 輪函詢就已達成一致，故僅進行兩輪專家意見問詢。經計算，專家權威度為0.81，大于0.70，因此判定所選擇的專家組的意見較為可信。綜合兩輪結果得到與本研究問題相適應的科技型中小企業價值評估關鍵指標，如圖6 所示。

圖6 科技型中小企業價值評估關鍵指標

3 輕量級卷積神經網絡估值模型

3.1 數據集建立

由于科技型中小企業多在創業板上市，因此在國泰安數據庫以及同花順官網進行相關數據收集。將導出的數據整理成Excel 表格并進行數據清洗，為減少無效值對模型的影響，將其刪除之后進行人工復查。共使用1 000 組樣本，其中800 組作為訓練集，200 組作為測試集。本研究所收集的數據并不完全集中在某一區間，具有多樣性，且存在一些極端數據，能更好地探究模型的魯棒性。為降低原始數據之間因衡量尺度不一致對目標函數貢獻程度所造成的影響，通過正態標準化來進行預處理以消除數據量綱。指標說明和計算方法如表2 所示。

表2 科技型中小企業價值評估指標說明和計算方法

3.2 網絡設計

卷積神經網絡的基本結構主要包括輸入層、卷積層、激活層、批歸一化層、池化層以及全連接層，在應用中，根據研究問題對以上各層進行個性化增減。對于深層的卷積神經網絡來說，有時會出現加深網絡模型性能反而下降的情況，而跳躍連接（shortcut connections）能夠很好地解決這個問題。跳躍連接是指為防止梯度彌散與過擬合問題，人為地跳過一些層，并將一層的輸出作為下一層的輸入。網絡中出現退化問題主要是因為在卷積神經網絡的反向傳播過程中需要更新梯度，而梯度會隨著網絡的加深逐漸消失，繼而影響模型的學習性能，而跳躍連接通過跳過一些層，直接將原特征訓練學習，有效避免了梯度減少到0 的情況，從而提升模型的訓練速度與性能。此外，本研究并未設計池化層，而是用一個步長為2 的卷積層進行代替，因為其訓練效果與使用一個步長為1 的卷積層和一個池化層是一樣的，但卻節省了運算量與參數量，提高了模型的訓練效率。

本研究具體的輕量卷積神經網絡（TecNet）設計如圖7 所示。其中：（a）模塊是2 層卷積核，由尺寸為3×1、步長為1 的卷積層連接一個批歸一化層和ReLU 激活層組成，支線是跳躍連接；（b）模塊是由一個步長為2 的卷積層連接一個批歸一化層和ReLU 激活層，以及“卷積層+批歸一化層+ReLU 激活層”的組合組成。最終，網絡由兩組3 個（a）模塊與1 個（b）塊串聯后連接全局平均池化層與全連接層的17 層網絡組成，預處理的輸入數據經過本研究搭建的卷積神經網絡可自動擬合出適用于科技型中小企業的估值模型，并輸出估值結果與可視化結果。

圖7 輕量卷積神經網絡結構

3.3 模型訓練

經過數據收集、數據清洗、標準化去量綱，得到最終的預處理數據集，通過K 折交叉驗證避免數據集劃分的偶然性，將訓練集的800 組數據輸入網絡進行訓練。迭代過程中的損失函數值如圖8 所示。損失函數是用于衡量預測值與真值差距程度的函數，是反向傳播算法中的目標函數，即網絡參數更新優化的重要依據；其函數值代表預測與實際的誤差，該值越小代表預測值與真值越相近，也就證明擬合模型的性能越優異、魯棒性越強。由圖8 可見，模型的收斂速度很快，10 代之前呈驟降狀態，前期處于急速更新優化的狀態；50 代以后逐漸趨于平穩，對于損失函數的更新有些波動，這是由于網絡結合了余弦退火策略動態調整學習率、避免陷入局部最優；200 代后損失函數值已近于0，也就是說預測值與真值十分接近，其擬合效果較好，且精度較高，至此模型已初步建立。

圖8 樣本數據的模型訓練結果

本研究的訓練方案對于研究問題而言到后期已成功擬合，證明所設計的TecNet 是切實可行且有效的，能夠根據研究問題與訓練數據對估值模型進行自動擬合建立。圖8 的結果說明模型訓練效果較好，后期擬合平穩，未出現欠擬合現象。此時，TecNet已初步學習了訓練集的大部分特征，并自動歸納出適用的估值模型，以待后續在測試集上驗證其估值效果。

3.4 模型測試

TecNet 經過在訓練集上的特征學習，已擬合出有效的估值模型，為驗證該模型的科學性與實用性，將TecNet 模型應用于測試集觀察其性能。測試在測試集上完成，樣本容量為200 個，部分測試結果如圖9 所示。從擬合曲線可以初步看出測試樣本的預測值與真實值總體走向一致重合度較高，擬合效果較好，且未出現退化問題，故可推斷模型擬合過程中并未發生過擬合現象，且具有優秀的泛化性，證明模型的預測與估值效果較好。

圖9 樣本數據測試擬合曲線

從部分測試結果能夠看出（見表3），大部分樣本的相對誤差都保持在3%以下，而2020 與2021年預測結果的相對誤差稍高；5 家樣本企業中的4家均在2020 年獲得最大預測誤差，且2020 年誤差偏高的現象普遍存在。推測是由于2019 年年末遭遇新冠病毒感染疫情，股民心理受到影響，也對股市造成一定沖擊，對部分數據造成影響，導致誤差有所波動，但整體誤差仍在可接受范圍內。

表3 樣本數據的部分測試結果

由表4 可知，有85%的測試樣本的相對誤差在5%以內，90%測試樣本的相對誤差在10%以內，94%的樣本相對誤差在20%以內，相對誤差的比例在可接受域內，達到了模型的預期要求；且測試集的平均相對誤差僅為3.43%，說明TecNet 模型對于估值效果較好，在實際應用中具有一定意義。觀察訓練樣本與測試樣本的結果發現，測試結果與訓練結果的相對誤差差距不大，可以推斷其并無欠擬合或過擬合現象發生，表明TecNet 模型適用于所研究的問題且科學有效，其估值結果能夠作為科技型中小企業估值的客觀參考。

表4 測試樣本的誤差分布

圖10 呈現了TecNet 模型對10 家樣本企業2017—2021 年度預測值與真實值間的相對誤差。5年間相對估值誤差大部分在3%以下，表現出前段較低、后段偏高但具回落趨勢。其中，2017、2018年較低；2020、2021 年相對較高。推測受新冠病毒感染疫情影響，且其影響對于指標數據與市值而言存在一定滯后性，故企業估值有些波動；同時，有文獻表明新冠病毒感染疫情確實對股市造成一定負向沖擊，其中創業板因上市科技型企業多數具有規模小、市值低等特點故所受沖擊相對較少，但市值不可避免受到影響。雖然由新冠病毒感染疫情導致的股市突發負向沖擊這一短期事件對估值效果造成一定影響，但誤差仍在可接受范圍內，且所造成的影響在2021 年已逐漸削弱。可見，本研究建立的科技型中小企業估值模型具有很好的泛化能力，對于突發事件的影響有一定抵御能力，且由于使用的客觀數據能夠在很大程度上減少主觀因素的影響，故估值結果對于衡量科技型中小企業價值有一定參考意義。

圖10 基于TecNet 模型的樣本企業的預測值與真實值誤差走勢

3.5 敏感度分析

卷積神經網絡的局部連接在節省了網絡參數并防止模型過擬合的同時，降低了模型的可解釋性。換言之，卷積神經網絡無法回溯原始指標對于最終輸出結果的具體貢獻值，輸入與輸出間無法用公式進行顯示表示。故本研究進行敏感度分析，將原始的關鍵輸入指標分別提升5%，來觀察平均相對誤差的變化值，以此分析哪些指標對于輸出的貢獻較大，并得到貢獻排序，基于此為科技型中小企業的成長與發展提出有針對性的建議。隨機抽取50 個樣本，將其原始關鍵輸入指標分別上浮5%，觀察網絡預測結果的平均相對誤差變化情況（見圖11）。

圖11 樣本企業估值的關鍵指標貢獻程度

由圖11 可知，碩士以上比例、研發投入占營業收入比例與專利數3 個指標對于科技型中小企業的估值最為敏感，浮動程度分別為16.51%、16.10%和11.87%；其次是研發人員數量占比與無形資產比率，浮動程度分別為9.98%和9.06%。其中，研發投入占營業收入比例、專利數與無形資產比率可代表企業的研發能力，碩士以上比例與研發人員占比能夠在一定程度上衡量企業的智力資本。也就是說，在科技型中小企業估值過程中，研發能力與智力資本是尤為重要。因此，科技型中小企業若想更加有效地對自身價值進行提升，可以主要從研發能力與智力資本兩個方向切入，即通過提升整體員工學歷層次、增加碩士及以上人才比例、提高核心業務的研發人員占比、改善員工結構等來賦能智力資本；或是通過適當加大研發投入、提升無形資產占比，促進技術升級，掌握核心技術以提高企業研發能力，加快技術落地，從而形成自身的創新優勢與發展路徑，有效提升企業價值。

此外，在財務指標中，對科技型中小企業估值貢獻較大的指標為償債能力相關指標，其中資產負債率可體現企業的長期償債能力，而流動比率與速動比率則能夠反映其短期償債能力。適當舉債經營能夠創造更多經濟價值，尤其是對于科技型中小企業這類前期盈利較低的企業來說，可以適度負債；同時合理利用財務杠桿能夠促進企業發展與健康成長，提升企業自身價值。對于科技型中小企業這類輕資產企業而言，其估值對于償債能力較為敏感，企業可以通過預測結果，結合經營狀況選擇合適的負債占比，以及時規避風險并優化價值創造，同時通過靈活調整經營策略來提升自身價值。

4 結論

本研究圍繞如何科學地對科技型中小企業估值的問題，采用文獻分析、TF-IDF 與德爾菲法相結合的方法，構建了包括研發能力、團隊素質、盈利能力、償債能力、發展能力與經營能力在內的6 個方面14 項關鍵指標，結合深度學習方法設計輕量卷積神經網絡結構，并基于大數據訓練自動擬合得到適宜的估值模型；由模型輸出的可視化結果可知，訓練過程中模型的擬合呈向好趨勢，且擬合速度較快，模型學習能力較強。在測試集上驗證模型效果發現，模型預測的擬合曲線與真值重合度較高，平均相對誤差僅為3.43%，且90%的樣本相對誤差在10%以下，達到模型可用的標準，故此模型十分適用于本研究的問題。從敏感度分析結果可知，碩士以上比例、研發投入占營業收入比例與專利數指標對科技型中小企業估值的貢獻較大，因此，科技型中小企業的發展應緊密貼合其關鍵指標的作用程度，提高智力資本，促進技術創新升級；同時，加強相關數據的披露，以便今后進一步研發出更加科學有效的估值模型，以提高估值準確度，為融資提供客觀參考，帶動企業持續高質量發展。