北證５０指數上市公司投資價值研究

摘 要：北交所的成立完善了我國多層次資本市場的構成，并且為創新型中小企業發展提供了新的資本環境和發展機遇。基于機器學習模型XGBoost和SHAP模型，對北證50指數上市公司投資價值進行實證分析。結果發現，在眾多影響投資價值的因素中，資產總計和研發能力兩個因素作用最為明顯，證實了北證50指數上市公司專精特新的性質，并基于此提出相應的投資建議，以期為投資者投資決策提供有益參考。

關鍵詞：北交所；中小企業；XGBoost；投資價值

中圖分類號：F832.5;F832.48;F830

文獻標識碼：A

DOI：10.3969/j.issn.1672-2272.202409090

英文標題

The Research on the Investment Value of Companies Listed on the BSE 50 Index： An Empirical Analysis Based on XGBoost and SHAP

Yang Youbai， Wang Ziming

（School of Economics and Management， Qinghai Minzu University， Xining 810000， China）

英文摘要Abstract：The establishment of the Beijing Stock Exchange （BSE） has improved the structure of China’s multi-level capital market and provided a new capital environment for the development of innovative small and medium-sized enterprises （SMEs）. This paper analyzes the investment value of companies listed on the BSE 50 Index using the XGBoost machine learning model and SHAP model. The results reveals that among the various factors influencing investment value， total assets and Ramp;D capability have the most significant impact， confirming the “specialized， refined， distinctive， and innovative” nature of the BSE 50 Index companies. Based on the results， corresponding investment recommendations are proposed to provide useful references for investors’ decision-making.

英文關鍵詞Key Words：Beijing Stock Exchange;SMEs; XGBoost; Investment Value

0 引言

中小企業是我國經濟發展的重要基石，肩負著稅收、就業的重要使命。張峰等［1］提出科技創新能力是支持企業不斷成長的重要因素，也是企業的核心競爭力。2021年9月2日，習近平總書記在中國國際服務貿易交易會全球服務貿易峰會提出，“繼續支持中小企業創新發展，深化新三板改革，設立北京證券交易所，打造服務創新型中小企業主陣地”。田利輝［2］、張曉燕等［3］提出北交所的設立，將為打通場內市場和場外市場起到關鍵的橋梁作用，使多層次市場之間連接更加通暢，為“專精特新”中小企業提供更完善的資本市場環境。林麗娟和張宗新［4］、郝臣［5］提出隨著我國對資本市場不斷深化改革，服務科技創新發展的力度也在不斷增強，逐步形成了以科創板、創業版、北交所協同發展的良性競爭格局。喬永遠等［6］提出科創板專注“硬科技”特色，創業板突出“三創四新”特征，北交所定位“專精特新”，資本市場多層次進階演化滿足不同生命周期、不同規模企業的融資需求。然而，科技創新屬性突出的中小企業在投資價值評估方面與傳統企業存在很大差異。因此，構建一個更加科學的投資價值評估體系對中小企業發展具有十分重要的意義。

1 文獻綜述

在投資價值及公司價值研究領域，當前國外相關文獻已取得諸多成果。Kristi amp; Yanto［7］、Tarmidi等［8］提到財務因素與非財務因素對投資價值的影響作用。Reschiwati等［9］、Markonah等［10］認為盈利能力和償債能力對投資價值具有強相關性。Rahman amp; Howlader［11］認為研發支出對投資價值具有正向影響。Safitri等［12］提到股息政策和公司治理對投資價值存在一定相關性。當前，國內關于公司投資價值影響因素的研究主要集中于財務因素與非財務因素兩個方面。在財務因素方面，呂梅萌和楊銀娥［13］提出盈利能力、運營能力、償債能力、發展能力均對公司投資價值具有明顯的相關性。邱玉等［14］提出營業收入同比增長率可有效衡量公司發展能力。王波和楊茂佳［15］認為對于企業而言，ROA、固定資產周轉率和資產負債率對投資價值具有顯著的相關性。在非財務因素方面，研發能力、資本結構、公司規模和股權結構對公司投資價值具有重要影響。王曉紅等［16］指出企業的ESG、研發能力、成長環境等是影響投資價值的重要因素。陳慧慧等［17］提出研發投入是衡量公司研發能力的重要指標。王廣生［18］也提出研發能力對公司價值有著顯著的影響。此外，郭冰和劉坤［19］認為，股權結構和激勵約束機制等非財務因素對投資價值創造具有重要作用。郝少田［20］、王莉莉等［21］認為資本結構和股權結構與公司價值之間存在顯著的關聯性?；谝陨涎芯浚疚囊矊呢攧找蛩睾头秦攧找蛩貎蓚€維度對公司價值進行分析。

目前，隨機森林、神經網絡和XGBoost等機器學習模型在學術研究領域應用十分廣泛。遲國泰和王珊珊［22］提出機器學習在處理復雜數據時表現出極高的效率，相較于傳統的線性模型，其在處理因子、非線性系統中展現出更強的擬合能力和泛化能力。吳先銘等［23］運用XGBoost模型分析了公司治理中創新投入與創新績效之間的關系。吳成英和馬東方［24］通過XGBoost模型提取并分析了金融客戶投資行為的特征因子。周清明和彭濤［25］基于隨機森林模型對企業長期價值進行分析。

綜上所述，國內外學者對投資價值的影響因素大致分為財務、非財務因素兩種，其中，財務因素包括盈利、償債、營運、成長能力和資產結構等指標，非財務因素包括公司規模、產品與技術、股權結構、高管團隊特征等指標。考慮到北證50指數相較于成熟的主板市場具有一定的特殊性，某些特定因素如創新能力、成長能力、公司治理水平等因素對投資價值的增長具有顯著影響，這為相關研究提供了新的視角。通過對國內外的研究成果進行系統梳理，本文將遵循學術主流，在前人文獻研究的基礎上，篩選并重新構建全面影響投資價值的因素體系，同時考察財務指標與非財務指標對投資價值的影響，根據機器學習的特性，利用XGBoost和SHAP模型對公司投資價值進行全面分析。

2 基礎理論

2.1 XGBoost簡介

XGBoost（Extreme Gradient Boosting）是一種基于梯度提升決策樹（GBDT）的優化算法，因其高性能和高效性而被廣泛用于機器學習競賽和實際應用中。其由Chen amp; Guestrin［26］于2014年開發，是提升模型性能的有力工具。XGBoost的核心機制是梯度提升（Gradient Boosting），通過逐步構建弱學習器（決策樹）提升整體模型的預測能力。以下是詳細的原理和公式說明：

2.1.1 模型表示

假設有一個訓練數據集xi，yini=1 ，其中xi是輸入特征，yi是目標值。模型的預測值表示為：yti︿=∑tk=1fkxi

其中，fk是第k棵決策樹，t是迭代次數。

2.1.2 損失函數

為了衡量預測值與真實值之間的差距，定義損失函數L：

Lyi︿，yi=∑ni=1lyi︿，yi

其中，l 是單個樣本的損失函數（如平方誤差為 lyi︿，yi=yi︿-yi2）

2.1.3 目標函數

XGBoost的目標函數包含兩部分，損失函數L和正則化項Ω。其用于控制模型的復雜度：

Obj=∑ni=1lyi︿，yi+∑tk=1Ωfk

其中，Ωfk 是第k棵樹的正則化項。

Ωf=γT+12λ∑Tj=1w2j

其中，T是樹的葉子節點數，λ和γ是正則化參數，wj是第j個個葉子節點的權重。

2.1.4 梯度提升

在第t次迭代中，添加一個新的決策樹ft來最小化目標函數。使用泰勒展開式對損失函數進行二階近似：

Obj（t）≈∑ni=1lyi，y（t-1）i︿+giftxi+12hiftxi2+Ωft

其中，gi和 hi分別是損失函數的一階和二階導數：

gi=lyi，yi︿yi︿和hi=2lyi，yi︿y2i︿

2.1.5 樹結構的優化

通過優化目標函數，得到每棵樹的結構和葉子節點的權重。目標函數的最優分裂條件為：

Gain=12G2LHL+λ+G2RHR+λ-GL+GR2HL+HR+λ-γ

其中，GL、GR和HL、HR分別是左子節點和右子節點的梯度和。

在多因素模型中，XGBoost有以下優勢：①處理高維數據。XGBoost通過列采樣和正則化技術，能夠有效處理高維數據，減少過擬合風險。②特征交互自動學習。決策樹天然能夠捕捉特征之間的交互作用，XGBoost通過集成多個決策樹進一步增強該能力。③魯棒性強。XGBoost對噪聲和缺失數據具有良好的魯棒性，能夠自動處理缺失值。④集成特性。通過集成多個弱學習器，XGBoost能夠綜合多個因素的影響，提高模型的泛化能力和預測準確性。⑤可解釋性。XGBoost提供特征重要性評分，使得模型的解釋性增強，便于識別重要驅動因素。XGBoost通過迭代訓練決策樹逐步減少預測誤差，并添加正則化項以防止過擬合。其高效性、靈活性和性能優越性使其在廣泛的應用場景中表現出色，特別在多因素模型中，能夠有效處理高維數據，捕捉特征交互作用，并提高模型的魯棒性和可解釋性。

2.2 評價指標

XGBoost既可以用于分類問題，也可以用于回歸問題。建立XGBoost模型對北證50指數上市公司投資價值進行分析時，以上市公司股票的年平均市值作為模型的輸出變量，因此采用XGBoost回歸模型的評價指標來評估模型的解釋效果。常見評價指標有：均方誤差 MSE、R平方值、相對均方誤差RMSE。

2.2.1 均方誤差

均方誤差（Mean Squared Error， MSE）是衡量預測值與實際值之間差異的常用指標。通過計算預測誤差的平方，并取平均值。MSE值越小，表示模型預測精度越高。

公式如下：

MSE=1n∑ni=1yi-yi︿2

其中，n是樣本數量，yi是實際值，yi︿是預測值。

2.2.2 R平方值

R平方值（R-squared Score， R2）是衡量模型對目標變量的解釋能力的指標。其取值范圍為0～1，值越接近1，表示模型對目標變量的解釋能力越強。R2也可以看作是解釋變量對因變量總變異的解釋比例。公式如下：

R2=1-∑ni=1yi-yi︿2∑ni=1yi-y-2

其中，yi是實際值，yi︿是預測值，y-是實際值的平均值。

2.2.3 相對均方誤差

相對均方誤差（Relative Mean Squared Error， Relative MSE）是均方誤差與目標變量的方差或平均值的平方的比值，用于衡量預測誤差相對于目標變量規模的大小。該指標可以標準化誤差，使不同數據集之間的誤差更具可比性。公式如下：

RMSE=1n∑ni=1yi-yi︿2y-2

其中，n是樣本數量，yi是實際值，yi︿是預測值，y-是實際值的平均值。

2.3 SHAP值的理論基礎

SHAP值是基于博弈論中的夏普利值（SHAPley value）概念發展而來。夏普利值用于分配合作博弈中的收益，以公平反映每位參與者對總收益的貢獻。在機器學習領域，這一概念被應用于解釋模型預測，其中特征被視為博弈中的參與者，預測結果被視為博弈中合作的收益，SHAP值表示每個特征對預測結果的貢獻程度。

SHAP具有以下優點：①一致性。SHAP值保證了特征重要性的加和性質，即所有特征的SHAP值之和等于模型的輸出。②局部解釋。SHAP值為每個單獨的預測提供了特征貢獻的詳細解釋。③全局解釋。通過聚合多個實例SHAP值，能夠理解特征在整體數據集上的重要性。

3 研究設計

3.1 樣本選取及數據來源

本文旨在研究影響北證50指數上市公司投資價值的主要因素。因此，本文選取截至2023年12月已披露的2022年和2023年年報的249家北證A股上市公司作為研究對象，并提取其最新的財務數據。為提高模型準確性，同時選取573家科創板上市公司的財務數據擴充訓練集。本文所需的公司財務、非財務數據主要來源于Choice金融終端數據庫。在獲取數據后，為保證樣本的科學性與合理性，對數據進行數據缺失處理和Z-score標準化處理。數據處理及相關統計性分析使用Excel、Python軟件實現。

3.2 指標體系

如表1所示，經過指標分析和選取，最終選取8個維度共計21個指標來全面衡量上市公司投資價值評價指標體系。

4 實證分析

4.1 XGBoost分析過程

4.1.1 XGBoost分析

為了保證XGBoost分析的有效性，需要嚴格區分訓練集和測試集，如未能明確劃分測試集和訓練集的數據，可能會出現以下問題：

①過擬合（Overfitting）。XGBoost模型會過度“記憶”訓練數據中的特征和噪聲。當訓練數據包含測試數據時，模型可能會過度擬合這些測試數據，從而在測試集上表現出色，但在實際應用或面對新數據時，其表現可能欠佳。

②模型性能評估失真。如測試數據出現在訓練集中，測試結果會顯得過于樂觀，因為模型在測試數據上已見過這些樣本。這將導致模型性能評估失真，無法反映模型對未見過數據的實際表現。

③無法真實評估模型的泛化能力。泛化能力是指模型在新的、未見過的數據上的表現。如測試數據被用于訓練，模型的泛化能力將無法得到真實評估，進而影響模型在實際應用中的可靠性和穩定性。

為避免上述問題，應確保訓練數據和測試數據嚴格分離。本文將北證50指數上市公司2023年數據設為測試集，其余數據設為訓練集。由于本研究聚焦上市公司的投資價值，因此將上市公司的股價設為目標變量，為了防止股價波動對投資價值產生負面影響，以當年成交均價作為替代變量。經過未經調參的XGBoost模型訓練后，在北證50指數的訓練樣本上驗證模型效果，如表2所示，其中的MSE、RMSE的值較大，而R平方值相對較小，表明該模型不能很好地解釋北證50指數上市公司投資價值，因此需要對模型進行優化。

4.1.2 XGBoost模型優化

為了提高模型對北證50指數上市公司投資價值的解釋效果，機器學習模型一般會在初次訓練模型的基礎上進行參數調優。具體步驟為：首先，加載并預處理數據，包括標準化處理，隨后定義XGBoost回歸模型和參數搜索網格。其次，通過初步訓練模型獲得特征重要性，并按重要性排序。在一個循環中逐步增加使用的特征數量，對每個特征組合使用GridSearchCV進行超參數調優，記錄其最佳參數和模型性能指標。最后，從記錄結果中選擇R2評分最高的特征數量及對應的最佳超參數組合，使用這些最優參數和特征數量重新訓練最終模型，并在測試集上評估模型的均方誤差（MSE）、R2評分和相對MSE，以驗證模型優化的效果。通過逐步增加特征數量和超參數調優，提升模型的預測性能。本文的參數搜索網格為：樹的數量 （n_estimators）：100， 200， 300， 500；最大深度 （max_depth）：3， 5， 7， 9；學習率 （learning_rate）：0.01， 0.1， 0.2；子采樣比例 （subsample）：0.6， 0.8， 1.0；特征采樣比例 （colsample_bytree）：0.6， 0.8， 1.0。

模型優化之后所選取的參數值和模型性能結果如表3、表4所示。

由表4結果可知，模型在經過參數優化和最優特征值選取后，模型的解釋能力得到很大提升。R平方值提升明顯，為后續分析提供了有力支持。

如表5、圖1所示，基于XGBoost模型的特征重要性排序結果表明，在對北證50指數上市公司投資價值的分析中，對于投資價值影響較大的因素包括資產總計X20、成本費用利潤率X3、研發人員數量占比X17等。在前10特征值中，財務指標占6個，其中盈利能力指標3個，償債能力指標1個，發展能力指標1個，資本結構指標1個；非財務指標有4個，其中研發能力指標有2個，公司規模指標1個，股權結構指標1個。資產總計X20在投資價值影響因素中的重要性占比為17.659%，遠高于其他指標，表明其在北證50指數上市公司的投資價值中具有重要作用。成本費用利潤率X3重要性占比為13.643%，表明盈利能力在投資價值影響因素中的重要地位。研發人員數量占比X17的重要性占比為6.671%，雖低于前兩者，但在整體排序中位列第三，表明研發能力指標在北證50指數上市公司的投資價值起到了顯著作用，也反映了北證50指數上市公司的定位。

4.2 SHAP分析

4.2.1 北證50指數上市公司的SHAP整體性分析

為更好地解釋各個指標對投資價值的影響機制，引入SHAP分析以進一步闡釋XGBoost模式。SHAP分析既可以對XGBoost模型的效果整體進行解釋，也可以對單個樣本進行局部解釋。

如圖2所示，右側縱軸顏色表示特征值的大小，灰度越淺，表明特征值越小；顏色灰度越深，表示特征值越大。左側縱軸表示特征值重要性排序，橫軸表示SHAP值，SHAP值大于0表明對投資價值有正向影響，小于0表示對投資價值有負向影響。

SHAP值基于博弈論中的SHAPley值，為每個特征分配一個“公平”的貢獻值。其考慮了所有可能的特征組合對預測結果的影響，并計算每個特征在這些組合的邊際貢獻。由于SHAP值的計算方法與XGBoost計算特征值重要性的算法不同，因此在特征值重要性排序時可能會出現不同的結果。

從SHAP特征值重要性排序中可以看出，資產總計X20位居第一。當X20取值較低時，對投資價值產生負向影響；當X20取值較高時，對投資價值產生正向影響?？梢缘贸鲈诒弊C50指數上市公司中，公司擁有較高的資產總計時，對其投資價值具有積極影響。這表明投資者在對北證50指數上市公司進行投資決策時，認為較高的資產總計更值得關注，而較低的資產總計則可能降低投資者投資預期。

在研發人員數量占比X17的SHAP分析中，X17取值較高時，對投資價值產生正向影響；取值較低時，則產生負向影響；當X17值為中間值時，SHAP值集中在0處，表明其對投資價值的影響較為溫和。同為研發能力指標的研發支出總額占營業收入比例X16也表現出相似的影響機制。這表明在北證50指數上市公司中，研發人員占比越高，意味著其具有更高的科技屬性，從而更有可能獲得較高的投資價值。

作為盈利能力指標的凈資產收益率roeX1和成本費用利潤率X3的SHAP分析表現出高度相似性。當X1和X3取值較高時，對投資價值產生正向影響；取值較低或趨于均值時，則對投資價值產生一定的負面影響。這表明北證50指數上市公司中盈利能力越強，其投資價值越具有競爭力。

總資產同比增長率X12在SHAP分析表明，該指標在大多數情況下對投資價值產生負向影響，僅在取值極高時才表現出一定的正向影響。

4.2.2 北證50指數上市公司的SHAP局部性分析

為更深入地理解資產總計X20和研發人員數量占比X17的作用機制，利用SHAP Dependence Plot（特征依賴圖）分析進行進一步研究。圖3、圖4分別是研發人員數量占比X17和資產總計X20的特征依賴圖，用于分析這兩個特征變量對投資價值的影響。同時，也顯示凈資產收益率X1與這兩個特征變量的交互作用。

如圖3所示，縱軸表示X17的SHAP值，該值表示對投資價值預測結果的貢獻程度；橫軸表示X17的取值范圍；點的顏色代表另一個特征X1的取值水平，灰色度的由淺到深表示X1取值由小到大。整體來看，隨著X17增加，SHAP值也呈現上升趨勢，這表明X17對模型輸出的影響是正向的。具體而言，當X17取值較低時，SHAP值呈負值，表明X17對模型輸出的貢獻是負面的。當X17取值較高時，SHAP值呈正值，表明X17對模型輸出的貢獻是正面的。通過分析X17與X1的交互效應可知：當X17取值較低時，點的顏色較為混雜，表明X1的取值對SHAP值的影響不顯著。當X17取值較高時，X1的取值對SHAP值的影響則更為明顯，特別是X1取值較高時，對應的SHAP值也較高。

如圖4所示，縱軸表示X20的SHAP值，該值表示對投資價值預測結果的貢獻程度；橫軸表示X20的取值范圍。整體來看，X20的SHAP值分布更為分散，未呈現出明顯的線性關系。具體而言，當X20取值較低時，SHAP值在負值范圍內波動較大，表明X20對模型輸出的貢獻是負面的；而隨著X20取值的增加，SHAP值也在增加，但波動較大，缺乏規律性。通過分析X20與X1的交互效應可知：當X20取值較低時，X1對SHAP值的影響較為顯著，且取值較低的X1對應較低的SHAP值；當X20取值增加時，取值較高的X1對應的SHAP值也較高，這表明X1和X20之間存在一定的交互效應。

通過對這兩張特征依賴圖的分析，可以得出以下結論：X17和X20均對模型輸出具有顯著影響，但其影響方式存在差異。其中X17對模型輸出的影響呈現出較為明顯的線性特征，即隨著X17取值增加，SHAP值也增加。而X20對模型輸出的影響則較為復雜，SHAP值波動較大，缺乏明顯規律。此外，X1作為交互特征，對X17和X20的SHAP值均有影響，尤其在X17和X20取值較高時，X1的影響更為顯著。

為了更具體地了解各個特征變量對投資價值的影響，本研究引入SHAP Force Plot分析。在該分析中，每個特征對預測結果的貢獻能夠通過其顏色和箭頭方向進行解釋，右指向箭頭表示該特征將預測值有正向作用（即向上推），左指向箭頭表示該特征將預測值有負向作用（即向下推）。為直觀展示特征變量在具體數據中的作用，選取測試集前兩條數據進行分析。

如圖5所示，在第一個力量圖中，X10和X16對投資價值具有正向貢獻，X20、X1、X12則表現出負向貢獻。在第二個力量圖中，特征貢獻X17的值為0.491 8，對預測結果有正貢獻。X2和X16的值分別為0.028 7和-0.027 65，同樣對預測值有正貢獻。X15的值為2.234，使預測值進一步增加。X11、X12、X20特征的值為-0.028 82、-0.286、-0.212，均對預測值有負貢獻，使預測值逐步減少。最終，所有特征貢獻的總和等于模型輸出值和基值之間的差異。這一過程可以通過從左到右的箭頭軌跡在視覺上清晰呈現。

圖5有助于理解模型的決策過程，并揭示各個特征對預測結果的重要性。通過分析這些特征貢獻，可以進一步優化模型，改進特征選擇，并為模型的預測結果提供更具說服力的解釋。

5 結論與建議

5.1 研究結論

本文主要在于研究北證50指數上市公司投資價值影響因素，并探討主要影響因素的作用機制。通過構建一種基于特征篩選、XGBoost模型和SHAP解釋方法的機器學習模型，本文對北證50指數上市公司投資價值進行了實證分析，得出以下結論：XGBoost模型進行初始分析以及對模型參數進行優化分析時，XGBoost模型在MSE、R平方值、

RMSE3項性能指標上均表現良好，能夠很好地解釋北證50指數上市公司投資價值。從影響因素分析來看， 資產組總計和研發能力是最重要的兩個指標。首先，資產總計影響作用最大，公司擁有較高的資產總計時，對其投資價值有積極影響。其次，研發能力作用也很明顯，研發支出總額占營業收入比例和研發人員占比越高，表明其擁有更高的科技屬性，更有可能取得較高的投資價值。最后，資產總計和研發能力對模型輸出都有顯著影響，但影響方式不同。其中研發能力對模型輸出的影響較為線性，隨著研發能力影響因素數值的增加，SHAP值增加，對投資價值積極作用增加。但是資產總計對模型輸出的影響較為復雜，SHAP值波動較大，缺乏明顯規律。

5.2 投資價值建議

根據本文的實證結果，北證50指數上市公司中，公司的核心資產和科研能力是提升公司投資價值的重要指標。首先，資產規模較大的公司往往具備較強的財務穩健性，能在經濟波動中保持穩定的經營，特別是初創的中小企業，提高資產規模能夠降低運營風險。因此，公司應保證有高質量的核心資產來確保自身投資價值有穩固的實物資產支撐。其次，較高的研發投入占比的公司可能在短期內難以產生明顯的收益，但是持續的研發投入是公司未來持續發展的基礎，這類公司在行業變革和技術升級中具備較大優勢，未來成長性較高。明確“專精特新”價值定位，加大研發人員占比和研發投入的經營決策有助于提升自身科研能力和創新能力，這是公司投資價值長期發展的核心動力。投資者在對北證50指數上市公司進行投資時，由于北交所上市公司具有“專精特新”的特點，區別于傳統的上市公司，所以應該重點關注公司的資產總計和研發能力表現。首先，公司資產總計高于平均市場水平的往往具有較高的投資價值，核心資產支撐投資價值不會偏離其內在價值，具有較好的投資機會。其次，研發人員占比和研發投入占營業收入占比高于市場平均水平的企業具有較強的研發能力，研發能力表現強說明在“專精特新”的企業中有較強的競爭力，公司投資價值在短期和長期都具有較高的潛力。最后，資產規模大和研發投入高的公司在規模上處于優勢，并且有能力在未來實現技術突破，再結合盈利能力、償債能力、股權結構等財務指標和非財務指標進行綜合分析，是長期投資的較優選擇。

參考文獻參考文獻：

［1］ 張峰，王晨悅，邢秀芹，等.北交所助力中小企業成長的實證研究——基于投資價值角度［J］.北京聯合大學學報（人文社會科學版），2023，21（4）：83-94.

［2］ 田利輝.北交所對中國資本市場創新發展的影響分析［J］.人民論壇，2022（8）：62-65.

［3］ 張曉燕，殷子涵，王藝熹.北京證券交易所新規對中小企業融資影響分析［J］.多層次資本市場研究，2021（4）：12-20.

［4］ 林麗娟，張宗新.科創板、創業板和北交所錯位協同進階式支持新經濟［J］.財會月刊，2023，44（6）：124-129.

［5］ 郝臣.北交所上市公司治理狀況解析［J］.審計觀察，2022（4）：18-23

［6］ 喬永遠，孔祥，陳敬.北交所與多層次資本市場建設［J］.中國金融，2022（1）：79-80.

［7］ KRISTI N M， YANTO H. The effect of financial and non-financial factors on firm value［J］. Accounting Analysis Journal， 2020， 9（2）： 131-137.

［8］ TARMIDI D， SARI P N， HANDAYANI R. Tax avoidance： impact of financial and non-financial factors［J］. International Journal of Academic Research in Accounting， Finance and Management Sciences， 2020， 10（2）： 1-8.

［9］ RESCHIWATI R， SYAHDINA A， HANDAYANI S. Effect of liquidity， profitability， and size of companies on firm value［J］. Utopia y Praxis Latinoamericana， 2020， 25（6）： 325-332.

［10］ MARKONAH M， SALIM A， FRANCISKA J. Effect of profitability， leverage， and liquidity to the firm value［J］. Dinasti International Journal of Economics， Finance amp; Accounting， 2020， 1（1）： 83-94.

［11］ RAHMAN M M， HOWLADER M S. The impact of research and development expenditure on firm performance and firm value： evidence from a South Asian emerging economy［J］. Journal of Applied Accounting Research， 2022， 23（4）： 825-845.

［12］ SAFITRI R， LIDYAH R， RACHMANIA R. Profitability， good corporate governance， dividend policy， and firm value at ISSI［J］. Etikonomo，2022， 21（1）： 139-152.

［13］ 呂梅萌，楊銀娥.我國獨角獸企業價值評估影響因素分析［J］.中國資產評估，2019（2）：27-34

［14］ 邱玉，姚爽，周方，等.關系資本、動態能力與中小企業成長關系研究綜述［J］.科技創業月刊，2022，35（9）：155-158.

［15］ 王波，楊茂佳.ESG表現對企業價值的影響機制研究——來自我國A股上市公司的經驗證據［J］.軟科學，2022，36（6）：78-84.

［16］ 王曉紅，欒翔宇，張少鵬.企業研發投入、ESG表現與市場價值——企業數字化水平的調節效應［J］.科學學研究，2023，41（5）：896-904，915.

［17］ 陳慧慧，王怡皓，陶勁松，等.武漢中小型高新技術企業“專精特新”發展探究［J］.科技創業月刊，2022，35（7）：92-95.

［18］ 王廣生.金融科技企業價值影響因素研究——基于滬深上市公司的模糊集定性比較分析［J］.金融發展研究，2022（5）：59-63.

［19］ 郭冰，劉坤.股權結構、激勵約束機制與企業效率——基于A股國有控股上市公司的實證檢驗［J］.經濟問題，2022（3）：53-61，115.

［20］ 郝少田.資本結構、股權結構與公司價值的關系［J］.商場現代化，2021（21）：86-88.

［21］ 王莉莉，韓道琴，張宸愷.中小板公司股權集中度、研發投入與公司績效［J］.會計之友，2021（3）：117-123.

［22］ 遲國泰，王珊珊.基于XGBoost的中國上市公司違約風險預測模型［J］.系統管理學報，2024，33（3）：735-754.

［23］ 吳先銘，劉可新，翟育明.CEO個人特征、創新投入與創新績效的關系——基于XGBoost樹模型的經驗證據［J］.上海對外經貿大學學報，2023，30（1）：81-93.

［24］ 吳成英，馬東方.基于改進XGBoost的金融客戶投資行為特征選擇方法［J］.計算機應用，2024，44（S1）：330-336.

［25］ 周清明，彭濤.改進隨機森林的企業長期價值影響因素研究［J］.長春大學學報，2023，33（11）：29-33.

［26］ CHEN T， GUESTRIN C. Xgboost： a scalable tree boosting system［C］//Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. NY： Association for Computing Machinery， 2016： 785-794.

責任編輯（責任編輯：周 媛）