人工智能企業融資效率及影響因素研究
——基于博弈交叉效率和Tobit模型

鄭兵云, 朱少聰, 李邃

(1.安徽財經大學 管理科學與工程學院,安徽 蚌埠 233030;2.安徽財經大學 統計與應用數學學院,安徽 蚌埠 233030)

2017年,國務院頒布《新一代人工智能發展規劃》,強調了新一代人工智能發展“三步走”重要戰略目標,將人工智能作為新一輪科技革命和產業變革的戰略性技術。“十四五”規劃明確指出,“瞄準人工智能、量子信息、集成電路等前沿領域”“推動互聯網、大數據、人工智能同各產業深度融合”。黨的二十大報告指出要構建新一代信息技術、人工智能等一批新的增長引擎。在智能經濟發展背景下,人工智能已然成為經濟快速發展的重要驅動力,在產業轉型和升級過程中發揮重要作用(劉松竹等,2022)[1]。目前人工智能發展處于弱人工智能階段,呈現出融資需求旺盛的特征(張鑫和王明輝,2019)[2],但仍面臨產業支持政策和融資體系不完整、資源整合度低和融資效率低下等問題(董坤坤和王琦,2021)[3]。為實現人工智能產業經濟增長由融資驅動轉為創新驅動,亟待解決融資過程造成的資金配置不合理、資金冗余等效率低下問題。因此,重點關注我國人工智能產業融資過程,深入研究目前人工智能企業融資效率和影響因素構成,對于人工智能行業相關戰略平穩落地實施、加速技術創新迭代以及改變經濟社會各領域運行模式具有重要理論價值和現實意義。

一、文獻綜述

國內外學者圍繞企業融資結構、融資約束和資本配置等方面的融資問題研究成果豐富。在西方特殊的資本市場環境下,Modigliani和Miller(1958)[4]認為企業價值與融資結構無明顯相關關系,但在1963年作出修正,當債務資本在資本結構中趨近100%時是最佳的資本結構,可增加企業的價值(Modigliani,1963)[5]。良好的融資結構在企業籌資、經理的經營激勵、公司清算或產業收縮等方面均呈積極影響(孫永祥,2001)[6]。而融資約束在一定程度上限制企業發展,企業受融資約束影響會出現市場機制失靈等消極效應,同時在企業創新投資波動中形成障礙(Czarnitzki,2006;鞠曉生等,2013)[7-8]。管理者通過合理的資本配置將企業融資需求與外部投資者利益保障、現金流權以及規模相關聯,對提升企業價值具有顯著作用(Almeida和Wolfenzon,2005;邵軍和劉志遠,2008)[9-10]。

目前對融資效率評價的方法包括模糊綜合評價法(魏開文,2001)[11]、灰色關聯度法(伍裝,2006)[12]、數據包絡分析法等。為避免主觀成分過多,綜合考慮融資投入產出,國內學者多采用數據包絡分析法對不同產業融資效率進行研究。方先明和吳越洋(2015)[13]運用DEA模型發現中小企業在新三板市場融資效率整體不高。其他學者基于DEA方法分析了中小工業企業(王小寧等,2016)[14]、PPP項目的國有企業與民營企業(高若蘭等,2022)[15]、上市ECEP公司(Jin,et al,2021)[16]、建筑業上市公司(Yu,et al,2022)[17]等的融資效率。

目前對人工智能產業的研究仍處于初級階段,主要集中在三個方面。第一,人工智能在其他行業的應用,比如智慧醫療(楊善林等,2021)[18]、高等教育(管佳等,2022)[19]及安保識別(高春艷等,2020)[20]等。第二,人工智能產業的發展現狀(答凱艷,2022)[21]、存在的問題及促進其發展的建議(吳戈,2021)[22]。第三,利用實證分析方法對人工智能產業發展進行評估,如產業政策評估(呂文晶,2019)[23]、創新評估(葉琴等,2022)[24]等,而人工智能產業融資效率主要集中在理論探討,從融資政策、融資渠道等方面提出建議,實證測度文獻較少。姜妍(2020)[25]利用Super-SBM和Logit模型實證分析得出我國人工智能產業的整體融資效率有提升空間。劉超等(2019)[26]結合我國37家人工智能企業2013—2016年的融資數據,實證研究發現人工智能產業整體融資效率不高。

綜上所述,國內外對融資問題和融資效率研究取得了一定成就,但目前對于人工智能產業融資效率的研究相對不足,特別缺乏更細化的定量研究。本文將在以下兩個方面作出補充和創新。第一,已有企業融資效率研究中多采用傳統DEA模型,未考慮企業間競爭關系。由于資源具有稀缺性,企業融資過程中必然會存在競爭關系。因此,本文構建考慮競爭關系的博弈交叉效率DEA模型對人工智能企業融資效率進行測度。第二,少量文獻對人工智能企業融資效率進行定量評價,但缺少對影響融資效率變化的因素進行進一步探究,本文在中國經濟轉型背景下,利用Tobit方法構建融資效率影響因素模型。

二、模型構建

“十四五”規劃和黨的二十大報告重點提及人工智能企業發展,測度人工智能企業融資效率時不能忽略各企業間的競爭關系。本文在交叉效率模型的基礎上充分考慮各人工智能企業間的競爭關系,構建博弈交叉效率模型對人工智能企業融資效率進行測度,得出的效率值為帕累托最優。然后,利用Tobit方法構建融資效率影響因素模型。

(一)博弈交叉效率模型

由Charnes、Cooper和Rhodes(1978)[27]提出的包絡分析方法,是以自身效率最大化為權重選擇標準的,在排序方面存在爭議。交叉效率方法作為DEA方法的拓展,因在不需要對權重約束施加事先信息的情況下消除DEA權重不現實的問題而受到眾多研究者的關注(梁樑和吳杰,2013)[28],但沒有考慮決策單元間的競爭關系。由于資源的稀缺性,企業間的競爭關系影響到人工智能企業的融資效率?？紤]到人工智能企業間的競爭關系,本文將非合作博弈理論引入到DEA交叉效率評價方法中,構建博弈交叉效率模型,測度出的效率值是非合作博弈的納什均衡解(吳杰,2008)[29]。在博弈交叉效率運算過程中,在不降低其他評價DMU的效率值的情況下,找出被評價DMU的最優權重,使自身達到最大效率值。

(1)

(二)Tobit模型

博弈交叉效率模型測算出的人工智能產業融資效率值,以1為上限,0為下限,若采用普通最小二乘法(OLS)無法呈現完整數據,以致估計偏差,可采用以最大似然估計為機理的Tobit模型解決受限因變量的問題(Tobin,1958)[30]。Tobit模型的基本形式如下:

(2)

三、變量選取與數據整理

(一)人工智能企業融資效率測度指標體系的建立

本文在對人工智能企業融資效率評價前,首先明確融資效率定義,已有文獻將交易效率和配置效率(宋文兵,1998)[31]、資金利用效率(盧福財,2000)[32]、融資能力(賈麗虹,2003)[33]等概念與融資效率等價,在此基礎上,結合人工智能企業特點,將人工智能企業融資效率定義為在智能經濟環境背景下,企業籌集資金并合理配置資金的能力?；诖?本文選用2015—2020年國內40家人工智能企業的財務報表相關數據作為研究基礎,對企業的融資效率進行評價研究。在效率評價的投入產出指標選擇上,參考已有融資效率研究,構建以下投入產出評價指標體系。

1.投入指標

根據人工智能行業等戰略性新興產業融資模式渠道原理,同時借鑒方先明和吳越洋(2015)[13]、沈忱(2017)[34]已有研究,以內源融資、債權融資和股權融資三個角度選取投入指標。(1)盈余公積、未分配利潤:反映投資者對企業未來的預期程度。其中盈余公積反映企業上期資本轉入下期投資的資金量,未分配利潤是企業所獲凈利潤經彌補虧損、轉增資本和分配股東股利后可供企業自主支配的資金。(2)資產負債率:反映企業長期償債能力。根據融資結構理論,企業經營風險與償債風險呈正相關關系,經營風險越小,償債風險也越小,在財務杠桿作用下獲取更高的利潤。因此,資產負債率不僅反映了企業償債能力,還顯現了該資金結構下的經營風險。(3)股東權益比率:反映企業獲取外界融資規模大小。實收資本的構成比例代表企業股利分配占比,表明投資者與企業的產權關系。故股東權益比率越高,意味著所獲得外界融資規模越大。

2.產出指標

人工智能企業經營收益和市場發展反饋反映企業融資效率水平,本文延續楊國佐等(2017)[35]、劉超等(2019)[26]產出指標的選取,從營運能力、獲利能力、發展潛力三方面選取產出指標。(1)總資產周轉率:反映企業資產經營規模擴張速率。企業在生產經營過程中資產的增長額越高,即資產利用率越高,經營規模擴張的速率越高。(2)凈資產收益率:反映企業自有資本獲取收益的能力,用來衡量企業盈利水平。企業將資金轉化為收益的過程中,盈利額受交易成本、彌補虧損等影響,其比率越高說明運營效益越好。(3)主營業務收入增長率:反映市場前景好壞。主營業務收入作為企業的主要收入來源,維持企業的長遠發展,主營業務收入增長率越高,企業的發展潛力越大。

綜上,人工智能企業融資效率具體指標體系見表1。

表1 人工智能企業融資效率評價指標體系

表2 人工智能企業融資效率影響因素

(二)影響因素的經驗假設

根據人工智能行業發展特征,對企業融資效率影響因素進行Tobit回歸分析,以人工智能企業融資效率為因變量,債權融資水平、股權集中度、企業規模、盈利能力、成長能力為自變量,作出以下經驗假設。

企業最優融資結構是處于負債價值最大化和債務上升帶來的破產成本和代理成本之間的最佳適應點,債權融資的積極信號鼓勵帶動企業管理者合理經營,避免破產(張璟和劉曉輝,2018)[36]。而資本負債受融資成本、杠桿效應、最優資本結構原則和企業自身經營模式和銷售特點決定,具有靈活性。故選用利息保障倍數作為人工智能企業債權融資水平衡量指標。

假設1:債權融資水平與人工智能企業融資效率呈正相關關系。

股東在參與公司治理過程中借助“用手投票”的方式改善公司結構和提高融資效率,從而獲得自身的投資收益。股權集中度的合理分配避免因過度集中導致股東間信息不對稱,獲取個人利益等問題(李蒙等,2021)。[37]對于投資者而言,相比于短期投資炒作,更愿意獲得長期穩定的增值回報。故選用股東資金回報率衡量人工智能企業股權集中度。

假設2:股權集中度對人工智能企業融資效率具有積極的促進作用。

大中小企業間受規模影響導致的有形資產有限、破產風險未知等問題,融資成本也有所差異(李艷,2021)。[38]大企業借助自身優勢也更容易進入負債市場,獲得一定的規模經濟,也具備與債權人討價還價的資格,從而降低融資成本,提高融資效率。企業規模擴張速度會對企業融資效率產生積極效應,故選用總資產對數作為人工智能企業規模的代理變量。

假設3:企業規模與人工智能企業融資效率成正比關系。

具有良好盈利能力的企業有充裕的可支配資金,通過內源融資的方式不僅可以極大地降低外部融資帶來的風險,還能降低融資過程中的成本花費。同時吸引大量投資者以股權融資方式加入企業,“加固”企業資金結構(姜妍,2020)[25]。盈利能力直接影響企業融資方式選擇,多種融資方式又直接或間接正向影響企業融資效率。故選擇主營業務利潤率來反映人工智能企業盈利能力。

假設4:盈利能力對人工智能企業融資效率具有顯著的積極影響。

對于戰略性新興產業而言,盈利能力不一定等同于成長能力(郄海拓等)[39],以現有研發資金投入為基礎,在長期經營后獲得豐厚利潤。企業成長能力具備的環境適應性,體現在企業資產規模、盈利能力、市場占有率持續增長等方面,反映了企業未來的發展前景。主營業務收入增長率越高,企業發展前景越好,故以主營業務收入增長率代表成長能力。

假設5:成長能力正向促進人工智能企業融資效率。

(三)數據來源

本文剔除部分數據不全和ST股的企業,選取2015—2020年國內40家人工智能企業的財務報表相關數據作為研究基礎,數據來源于CSMAR國泰安財經研究數據庫、國研網、萬得金融終端數據庫及部分上市公司年報。人工智能企業的選取依據參照萬得數據庫中劃分的人工智能版塊。

博弈交叉效率模型要求投入產出指標值為正,但資產負債率、凈資產收益率等數值可能為負。故利用以下歸一化方法處理所有指標,使數據映射到[0,1]區間上。

(3)

四、實證分析

(一)人工智能企業融資效率分析

基于人工智能企業融資效率評價指標體系中選取的投入產出指標,構建博弈交叉效率模型,運用MATLAB 2018a軟件對40家人工智能企業進行融資效率測算,結果見表3。

由表3可看出,40家人工智能企業整體融資效率不高。從融資效率均值來看,最大值為1.0000,最小值為0.5007,均值為0.7964,說明我國人工智能企業間融資效率差異明顯。2015—2020年40家人工智能企業融資效率均值排名前十的企業為紫光股份、浙數文化、同花順、漢王科技、川大智勝、東方通、華大基因、漢馬科技、振芯科技和衛寧健康。融資效率均值最高的是紫光股份,說明該企業投入產出適度,投入無冗余,產出無短缺,整體融資配置高效合理,處于效率前沿面之上。而香江控股和張江高科融資效率均值分別為0.5922和0.5007,不足0.6,融資效率總體偏低,說明企業存在資金冗余、資金使用率低、產出不足等問題。因此,亟待優化資本配置結構和調整融資方式,提高企業融資效率。

如表4所示,根據自然斷點法原理按均值大小對企業進行分區:(1)融資效率高企業:0.9<θ≤1;(2)融資效率中企業:0.75<θ≤0.9;(3)融資效率低企業:θ≤0.75。在選取樣本中僅有5家企業屬于融資效率高企業,說明這些企業融資投入結構科學合理,融入資金得到有效利用,融資活動產出處于生產前沿面以上。效率均值介于0.75和0.9之間的25家企業,屬于融資效率中企業,說明企業具備優秀管理結構和較高創新能力,但在獲取資本方式和資本結構的選擇有待商榷,財務杠桿作用不明顯,導致融資效率不高。而效率均值低于0.75的企業占選取樣本的25%,表明這類企業在資金使用、融資規模以及資本結構等方面存在諸多問題,應從經營管理模式和經營戰略選擇入手進行調整和改進,強調籌資階段資金獲得和融資活動使用階段使資產配置高效合理,提高企業融資效率。因此,通過對各類型企業效率均值對比,我國人工智能企業整體效率不高,部分企業還處于低于0.75的區間,存在較大優化空間。

圖1 2015—2020年企業融資效率均值時序特征圖

表4 人工智能企業融資效率分布情況

2015年至2020年40家企業融資效率均值經歷了0.8953、0.7680、0.6810、0.8265、0.8223、0.7855的變化,呈現出下降—急劇上升—緩慢下降的總體趨勢,說明我國人工智能產業發展處于初期階段,企業對宏觀金融環境、技術創新方式、政府扶持政策等外部影響因素敏感程度高,缺少應對突發事件的環境適應性,融資速度快但效率低,直接影響產業升級進程。高、中、低融資效率企業變化趨勢呈現高度一致性,2015年融資效率均最高,說明國家出臺的《關于積極推進“互聯網+”行動的指導意見》將人工智能發展納入重點任務的作用顯著,推動人工智能進入新階段,人工智能產業在獲得投資者信任基礎上,合理發揮內外源融資優勢,取得良好融資效益。企業融資效率在2016年和2017年呈現下降趨勢,因投資并購密集化、產業競爭白熱化、基礎平臺開源化等諸多因素,導致資金配置不合理,融資活動產出與籌資力度難以平衡,并且這兩年人工智能處于基礎架構階段,需要將重心放在降低融資成本、優化資本配置結構等方面,依靠資本融資模式創新和技術創新來增加產出。2018年在《促進新一代人工智能產業發展三年行動計劃(2018—2020年)》引導下,上升到國家戰略層面的人工智能融資過程取得良好成效,融資效率均值急劇上升,在2019年也趨于穩定態勢。2020年由于大環境不穩定,人工智能產業融資受限,但以智慧醫療為首的創新發展試驗仍在路上,保留多數消費和投資,這也是2020年融資效率并未驟降的首要原因。

(二)人工智能企業融資效率影響因素分析

1.Tobit回歸模型結果

為減少OLS估計結果的偏誤,對人工智能企業融資效率的影響因素研究,采用受限因變量模型(即Tobit模型)進行分析。選用博弈交叉效率模型測得的人工智能企業融資效率作為被解釋變量,各影響因素指標作為解釋變量,根據模型運算原理,利用Stata16.0進行回歸分析,并構建以下模型:

Effit=β0+β1EBITit+β2ROEit+β3TAit+β4GPit+

β5ORit+μit

(4)

其中,Eff為人工智能企業融資效率值;β1、β2、β3、β4、β5為各影響因素的回歸系數,β0為企業所屬行業的固定效應,控制行業層面不隨時間變化的產業特征向量,如產業的土地依賴程度、關稅等影響因素;i為人工智能企業編號,i=1,2,…,n,且n=40;t為年份,區間為2015—2020年;μ為殘差項。

在Tobit模型分析前,利用Stata16.0進行LR檢驗,測得LR統計量為149.18,其伴隨概率小于0.01,拒絕原假設,故選擇面板隨機效應Tobit模型進行回歸分析,具體結果見表5。

表5 人工智能企業融資效率影響因素Tobit回歸分析結果

2.Tobit回歸模型結果分析

從表5可以看出,債權融資水平對人工智能企業融資效率存在顯著效應,但最終測得系數估計值為負,與經驗假設預期相反,故假設1不成立。股權集中度對人工智能企業融資效率無顯著影響,故假設2也不成立。企業規模、盈利能力和成長能力顯著正向影響人工智能企業融資效率,因此假設3、假設4和假設5均成立。具體來看包括以下五個方面。

第一,債權融資水平在1%的水平上負向影響人工智能企業融資效率。企業利息保障倍數越低,資產負債水平越高,即融資結構中債權融資占比越高。雖然合適的舉債能夠減少企業資金壓力和稅務,但在融資約束環境下,過度負債會降低企業競爭活性,對融資活動產出造成消極影響,從而降低企業融資效率。

第二,股權集中度與人工智能企業融資效率呈現不顯著的正向影響關系。諸多企業治理機制中存在信息不對稱等問題,而股權高度集中會削弱企業治理能力。但股權融資會降低內源融資和債權融資不足的壓力,不過股東所持股份比例不能體現企業運營情況,僅能體現企業融資結構中股權融資占比,反映公司治理結構。因此,股權集中度與人工智能企業融資效率表現為不顯著的正向相關關系。

第三,企業規模在1%的顯著性水平上正向影響人工智能企業融資效率。中小規模企業受限于自身條件不足、銀行信貸額度低、行業信息不對稱等問題,融資過程中成交量不高,融資效果差。反觀具備極強核心競爭力的大規模企業,能夠享有先進技術和物質基礎,發展態勢更為穩定。企業規模越大越利于融資效率的提高。

第四,盈利能力在1%的顯著性水平上正向影響人工智能企業融資效率。具備良好盈利能力的企業,用于下期投資、彌補虧損和分配利潤等自主支配的資金更為充足,意味著內源融資水平越高。以內源融資為主要渠道的企業不僅在融資成本和資金配置自由度方面優于外源融資方式,還會降低外部環境帶來的融資風險。因此盈利能力會提高企業融資效率。

第五,成長能力在5%的水平上正向影響人工智能企業融資效率。人工智能產業等戰略性新興產業正處于開發部署的重要階段,具備良好成長能力,會吸引大量投資者,產業規模也隨之壯大。在融資大環境下,以自身核心競爭力優勢拓寬融資渠道,著眼于低融資成本,高融資收益,提高人工智能企業融資效率。

(三)穩健性檢驗

為保證回歸結果的穩定性,本文通過選用企業員工人數對數替換總資產對數衡量企業規模,在保持其他變量不變的情況下,構成Tobit回歸模型進行實證結果檢驗,具體的穩健性檢驗結果見表6。

表6 穩健性檢驗回歸結果

由表6的穩健性檢驗結果可知,檢驗模型中的影響因素對融資效率作用程度與原始回歸結果基本一致,表明實證研究的回歸結果具有穩健性,因此前文的研究結論是真實可靠的。

五、結論和政策建議

本文利用萬得數據庫中40個人工智能企業2015—2020年的面板數據,考慮人工智能企業之間的競爭行為,構建博弈交叉效率模型對企業融資效率進行測度,從行業整體、企業分布和時序變化三方面進行特征分析,最后利用Tobit模型對企業融資效率影響因素進行探究,得出以下結論:(1)我國人工智能企業整體融資效率不高,企業間融資效率差異明顯。(2)從時序變化角度看,2015年至2020年40家企業融資效率均值呈現出波動式發展的總體趨勢,高中低融資效率企業變化趨勢呈現高度一致性。(3)在影響因素分析中,債權融資水平會負向影響融資效率,股權集中度無顯著影響,企業規模、盈利能力和成長能力均正向影響人工智能企業融資效率。

根據研究結果,結合實際情況,本文提出以下管理政策以提升融資效率。(1)優化人工智能企業配置管理結構。實證結果表明債權融資水平過高會負向影響企業融資效率,股權集中度無顯著影響。一方面注重內源融資的積累,另一方面合理選擇債權融資,有效降低融資成本和融資風險;避免股權過度集中,適度分散股權,并通過整合企業資源和強化管理方式不斷提高企業經營管理能力,促使管理者提高配置效率,實現融資效率提高。(2)適當擴大人工智能企業經營規模。實證結果表明,企業規模正向影響人工智能企業融資效率。對于弱人工智能發展階段的企業,應適當擴大企業經營規模,通過提高市場占有率和核心競爭力來增加企業的收益,提高融資資金的使用效率。