基于現金流折現估值模型的人工智能企業估值分析

中圖分類號：F275；F49 文獻標識碼：A doi：10.3969/j.issn.1672-2272.202504073

Artificial Intelligence Enterprise Valuation Analysis Using the Discounted Cash Flow Model：A Case Study of Cloudwalk Technology

Huang Guojian，Ren Gui （School of Economics，Shanghai University，Shanghai 2oo444，China）

Abstract：Against the backdrop of rapid industrydevelopment drivenby breakthroughs inartificial intelligence technology，this study addresses the critical chalenge of traditional valuation models‘ inadequacy for Ramp;D-intensive tech companies by innovatively constructing a DCF valuation framework integrated with operational metrics.Focusing on Cloudwalk Technology-a STAR Market-listed enterprise-the research develops a dynamic cash flow projection model that adjusts conventional financial forecasting through user growth indicators.By incorporating the WACC capital cost calculation system and implementing a three-stage growth model to refine perpetual growth rate assumptions，it achieves precise discounting of free cash flows.Results demonstrate that the optimized DCF valuation shows onlya 0.62% deviation from the actual market capitalization，and reveal AI enterprises’distinctive forward-shifted nature of value creation，with a 3-5 year lag between Ramp;Dinvestment and commercial returns，validating DCF's unique advantages in valuing technology innovators.

KeyWords：Cloudwalk Technology;Artificial Technology;Business Valuation;DCF

0 引言

在當前數字經濟與實體經濟深度融合的宏觀背景下，人工智能技術正經歷從技術突破轉向產業賦能的模式轉換。中國作為全球第二大AI經濟體，根據《新一代人工智能發展規劃》等政策導向，已在計算機視覺、自然語言處理等關鍵技術領域形成較為明顯的國際競爭優勢。值得關注的是，截至2024年7月，科創板已累計融資超8477億元1，科技創新與時代發展息息相關。

與此同時，隨著AI技術不斷發展，技術創新與價值評估間的結構性矛盾逐漸顯現并且成為亟待解決的問題。傳統估值模型在對高研發投入型AI企業進行估值時，模型的適用性面臨雙重挑戰：其一，研發投人與商業價值轉化這兩者之間存在非線性關系，這種關系直接導致PE、PS等相對估值法產生難以消除的系統性偏差；其二，現有的現金流折現估值（DicountedCashFlow，DCF）模型對業務數據要素的動態耦合機制缺乏考量，并且難以捕捉用戶增長、技術迭代等非財務指標的驅動作用[2]。這種估值方式導致的誤差不僅影響著資本市場的資源配置效率，同時更可能引發科技企業的融資約束困境。

針對上述理論缺口與實踐需求，本文提出在業務數據融合視角下的DCF模型創新框架。首先，根據用戶增長指標與財務預測進行初步數據計算；其次，建立包含技術成熟度、政策敏感度的WACC修正體系，增強資本成本測算的情境適應性。本文可能的邊際貢獻在于：理論層面，拓展了技術經濟學在創新型企業估值領域的應用邊界，證實動態現金流預測對技術轉化周期具有一定的解釋能力；實踐層面，為AI企業戰略決策與投資者風險評估提供新范式。研究結論對完善科創板估值體系、引導資本流向硬科技領域具有重要政策啟示。

1文獻綜述

1.1企業價值評估方法的研究

20世紀早期，美國經濟學家Fisher[3對資本與收入的關系進行了闡述，之后他進一步對資本價值評估的框架進行分析，并提供了組合研究收人和資本機制的方式，成為第一個對企業價值進行評估的人。Williams[4]發布了現金流折現模型的同時，進一步發明了股利折現模型，該模型將股利作為公司現金流，著重強調股利為今后投資創造的價值。Modigliani等5全面評析了股利政策的特點及其作用，同時提出股利無關理論。該理論表示在一定條件下，公司價值和股利政策間沒有聯系，有時是相互獨立的，這就是MM理論。Damodaran[較為全面地闡述了公司價值評估的各類方式，對相對估值法、期權估價法等各類方式所涉及的具體指標和適用性進行解釋說明。肖欣榮等通過對特斯拉企業的估值研究，證明改進的現金流折現模型適用于創新性企業的研究。王治等8基于互聯網企業的特點，對實物期權模型的敏感性進行分析，并進一步得出Schwartz一Moon模型穩定性最強的結論。陳琪仁等[9在將各種估值方法進行對比時，考慮了非財務因素對估值結果的影響，并指出成長型企業的估值還需考慮戰略布局等非財務因素，為企業估值體系納入新的方法。權忠光等[10]對實物期權法的主要參數進行了敏感性分析，并得出了大數據企業價值的主要影響因素。慕慧娟等[11]系統整理了科技型企業的估值方法，并且總結了退出倍數法在估值運用中的特點與局限性。

1.2人工智能與企業的研究

Bughin等[12]討論了人工智能技術開發和應用對勞動力市場的影響，并探討了可能的未來發展趨勢，同時評估了人工智能對商業和經濟的影響，包括如何提高企業的產品和服務、改變商業模式、提高勞動生產率等方面。李健斌等[13指出，人工智能技術通過提高企業固定資產和無形資產投資，進而提高高質量勞動占比，最終顯著提高企業的全要素生產率。王原等[14]研究表明，人工智能可供性對企業數字化轉型具有正向效應，并且這一結論在經過多種穩健性檢驗與考慮內生性后依舊成立。田慧敏等[15]將樣本企業分為強適應性、智能柔性和弱能力型企業，實證發現企業應該全面提升人工智能應用程度和動態能力，從而實現向智能柔性企業轉型。吳偉偉等[16指出，人工智能是加強企業研發投入并且促進創新的重要驅動力。寧楠等[通過固定效應模型等實證分析得出，人工智能的創新激發效果在制造類企業中更為明顯，因此應積極推動制造型企業智能化發展。

綜上，目前人工智能企業領域的研究仍處于初期階段，本文將以“云從科技集團股份有限公司”為例對人工智能上市企業價值進行評估和探討。

1.3現金流折現估值模型的研究

對于現金流折現估值模型的研究，早在20世紀就已經存在，Jensen[18]最早提出自由現金流量理論，強調企業的價值源于未來自由現金流的折現能力，奠定了DCF模型的理論基礎。后續研究將其擴展至并購估值領域，如美國A集團在跨國并購中通過DCF模型，結合行業分析和財務分析，綜合評估了目標企業內在價值。

21世紀后，DCF模型的應用日益廣泛，Zhang[19]把實物期權理論引人到DCF框架中，將企業投資決策當作內生變量，解決了傳統模型對不確定性環境適應不足的問題，這一結論尤其適用于高增長潛力的初創企業。

我國對DCF的研究近年來逐漸增加。吳洪英[20]在評估美國A集團并購案例時，發現實務中多變量耦合的復雜性。龔凱頌[2指出，DCF模型對穩定現金流企業的適用性較強，但在初創期或衰退期企業中的預測誤差顯著。由于互聯網企業商業模式創新頻繁，因此需結合梅特卡夫估值模型等非財務指標進行補充。馮軍[22]及任翠玉[23]的研究表明，DCF模型對歷史財務數據高度依賴，而信息不對稱和會計政策差異可能導致估值偏差，尤其在發展中國家市場中更為突出，未來研究可進一步探索人工智能技術在現金流預測中的應用，同時結合ESG因素對折現率的動態影響進行研究。伍陽等[24]構建了科技型企業股權融資影響因素與控制措施的完整框架。鄭征等[25]拓展Geske模型與二叉樹模型，解決了多階段投資估值問題。朱偉民等[26融合用戶價值與二叉樹期權法，構建并改進了EVA模型。

傳統方法如張憲房等[2提到的成本法、市場法及被廣泛應用的貼現現金流量法雖提供基礎框架，但劉洪久等[28]指出，DCF面臨未來現金流預測主觀性強、忽略管理靈活性等局限。宋云等[29]研究表明，實物期權法在溢價的計量方面優于現金流折現法，但并未充分研究折價的計量方法。張啟利[30]在對初創企業估值進行研究時，發現優先股的選擇會對市盈率等傳統估值方法產生影響，但未表明對DCF模型的估值是否有干擾。羅琰等[31運用因子分析法將ESG引入風險系數中對DCF估值進行調整，這一做法也為本文提供新的范例。齊軍燕[2]則指出，現金流分析具有強大作用，尤其在DCF模型中決定著模型使用精確與否。

由于本文選取公司并非溢價類公司，因此采取DCF模型進行估值計算。

2 理論基礎

2.1與人工智能相關的理論基礎

機器學習，是一種讓計算機具備學習能力的技術，通過使計算機從數據中學習模式和規律，實現自主掌握和提高性能的過程。機器學習是指監督學習、無監督學習、強化學習等一些不同的方法。深度學習也是機器學習的一種方法，通過多層神經網絡模擬人腦的工作原理，實現對大規模數據的學習和分類[33]。

2.2與企業估值相關的理論基礎

財務報表分析是企業估值的基礎，是對企業財務狀況和經營績效的全面分析。關鍵的財務指標包括盈利能力、財務結構、償債能力、運營效率等，其可以通過對資產負債表、利潤表和現金流量表的分析來評估企業的價值。DCF方法是企業估值中最常用的方法之一，通過預測企業未來的現金流入，然后將這些現金流量貼現至現值，得出企業的內在價值。現金流折現法包括企業自由現金流模型（FCFF）、股權自由現金流模型（FCFE）、股利貼現模型（DDM）等具體模型。禹佳君[34]研究指出，這種方法強調企業未來的盈利能力和現金流量，企業實體現金流量的計算影響結果的準確性。FCFF是DCF的一種實現形式，湯春玲等[35]指出，FCFF能夠反映企業自身的經營性資產價值，是企業價值評估的核心方法。

3研究設計與實施

3.1 公司基本面分析

云從科技集團股份有限公司（下簡稱云從科技）于2015年成立，經營范圍包括計算機系統服務、人工智能行業應用系統集成服務、人工智能通用應用系統、人工智能基礎資源與技術平臺、人工智能公共數據平臺辦公設備租賃服務、技術進出口、計算機信息系統安全專用產品銷售等。本節對云從科技的償債能力、盈利能力進行分析，為DCF模型的使用提供數據基礎。本文數據來源于CSMAR國泰安數據庫。

首先是對公司的償債能力進行分析，公司的償債能力可以分為短期償債能力和長期償債能力，對于償債能力的分析主要包括對公司流動比率、速動比率、資產負債比率以及產權比率的分析。

一般情況下，流動比率與企業的短期償債能力正向關聯，短期償債能力在該比率達到2時最好。從表1可知，云從科技的流動比率近年來均大于2，表明該公司短期償還債務能力較強，但即便如此仍需保持足夠的流動資金以應付償債需求。總體看來，云從科技的速動比率自2022年來均大于1，這也表明該企業也具有良好的短期償債能力。但是 2022-2025 年云從科技面臨著速動比率持續降低的情況，雖仍保持在良好水平，但此現象表明公司流動資產存在不利變動。

產權比率則體現企業財務成分是否穩定，該比率越低則企業自有資本比重占總資產份額越大，企業償債能力越強。云從科技的產權比率數值自2022年來均保持在較低水平但是總體呈現上升趨勢，反映了其長期償債能力較強，雖自有資本比重較大但存在長期償債能力總體呈現下降的趨勢。

資產負債率則是評價公司負債水平的綜合指標。云從科技資產負債率在2022年后維持在 44%～60% 之間，該比率看似較高，但進一步觀察該公司資產負債表發現大部分的負債來源于短期借款，即其負債的大部分來自對企業運營和科技創新的投入，說明企業在產品和開發上投入大量資金。通過分析上述指標可以看出，云從科技的短期償債能力與長期償債能力水平良好，其中短期償債能力優于長期償債能力。

其次對公司的盈利能力進行分析。盈利能力即企業在盈利方面的能力，也可表述為企業的資金或資本的增值能力，一般是指一定時期內企業收益數額的多少及其水平的高低，能夠集中表現企業的經營與管理能力，也是企業持續發展能力的重要考量因素。

觀察發現云從科技的盈利狀況長期處于負值。受到宏觀經濟增速放緩以及市場競爭格局加劇等影響，該企業營業收入減少，同時研發投入又大幅增加，大量的研發投入將增加公司經營成本的壓力；同一時期企業縮小其智慧治理、智慧金融等領域的業務規模，導致營業收入不斷下滑；同期政府補助也同比減少，訂單交付延期以及新訂單收入金額不及預期等諸多原因導致企業凈利潤遠低于負值。截至2025年3月31日，公司營業凈利率仍然遠低于正值（表2）。

表2云從科技盈利能力指標

3.2基于DCF模型的公司市值評估

本節將采用較復雜的DCF法進行估值。以2022一2024年作為基期，其中2024年為基期最后一期；詳細預測期確定為3年，將 2025-2027 年確定為詳細預測期，將2028年及以后年度確定為永續期。由于云從科技的財務狀況仍然不穩定，但營業收入并非為直線下降趨勢，并且人工智能大環境趨向利好，因此預測在2025一2027年之間，該企業將以近3年增長率的算術平均值水平增長。2028年及以后，采取相同增長率，由于該企業過去幾年并未盈利，因此永續增長率采取略低的行業下限數值，即 2.9% 。

3.2.1 必要指標分析與預測

如表3所示，企業的營業收入波動較大。2024年增長率波動太大，因此本文選擇2023年的增長率，即19.33% 作為 2025-2027 年的增長率較為合適。

如表4所示，從整體來說，營業成本與營業收入的比例較為平穩，但是公司營收能力并不強，且仍然呈現下降趨勢，因此將營業收入近年增長率平均值作為依據，預測2025一2027年的營業成本和營業收入，即一 8.7% 。

接下來，對稅金及附加和各項期間費用進行預測，通過CSMAR的數據，營業收入預測增長率已確定為-8.7% ，根據表6、表7得出，稅金及附加增長率本文采用近兩年的算術平均值，得到為 -6.90% ，銷售費用增長率同樣得到為 -19.52% ，管理費用預測增長率為-17.46% ，研發費用增長率為 -8.11% ，財務費用增長率為 154.66% 。用上述預測值進行 2025-2027 年各項費用估算，如表8所示。

在前文數據的基礎上還需得到預測期的所得稅費用，如表9所示，所得稅費用增長率波動過大，并且鑒于國家目前對人工智能行業的政策支持以及公司自身情況， 2025-2027 年所得稅費用的預測值仍然沿用2024年的數據，即一0.03億元。

接下來對企業未來3年的凈利潤進行預測。

從表10得到企業的凈利潤估測值為負數，根據企業報表顯示企業折舊與攤銷近3年大致相抵，即會計期內折舊與攤銷凈值接近0，因此此處為簡化該模型，暫不考慮折舊與攤銷費用以及資本性支出，將凈利潤預測值作為企業將來的預測自由現金流（表11）。

3.2.2 折現率的確定

自由現金流折現方法關鍵在于折現率的確定。企業總價值采用加權平均資本成本（WACC）進行折現。加權平均資本成本計算公式如下：

其中： Re 代表股權資本成本； E/（D+E） 代表權益資本占總資本之比； Rd 代表債權資本成本； D/（D+E） 代表債權資本占總資本之比； Ψ_tΨ_t 代表所得稅率。

得出云從科技的資本結構，如表12所示。

通過2024年的每股價格與流通股股數的乘積得到權益資本，根據企業總負債獲得企業的債權資本，將10.04% 與 89.96% 作為計算WACC的依據。

應用CAPM模型，計算股權資本成本，本文用10年期國債收益率作為無風險收益率 R_f ，經查詢得知2024年12月最后一交易日收益率為 1.677 4% ，市場收益率Rm 采用主流指數收益率的算術平均值，如表13所示。

通過計算得出 Rm=1.80% 。最后需要確定的是系統性風險 β ，通過CSMAR網得到初始值為0.7975，通過計算得到 Re=1.6774%+0.7975×（1.80%- 1.677 4%）=1.78% 。債權資本成本即需要支付給債權人的金額，從企業財務報表中得到企業大多債務為短期債務，因此本文采用1年期LPR 3.45% 為Rd，最終可以計算得到WACC的值。

WACC=3.45%×（1-0.31%）×10.04%+1.78% ×89.96%=1.95% ，因此在對企業進行估值時，將1.95% 作為加權平均資本成本。

3.2.3估算永續期企業價值

確定了以WACC為估值所用的折現率以后，再進行公司估值，估值公式如下：

其中： P 為公司估值；WACC為加權資本成本； g 為永續增長率；根據前文 g=2.9% FCFF_?t 為第 Ψ_t 年的預測自由現金流； n 為觀測期。得出詳細期內企業價值預測（表14）。

因此，永續期第一年即2028年的自由現金流FCFF₂₀₂₈=FCFF₂₀₂₇×（1+g）=-1.37×1.029= -1.409 7 億元。下一步計算2027年底價值：

即Terminal 億元。折算因子 1.019 5×1.019 5×1.019 5=1.059 6 ，則永續期現值為140.04億元。

企業估值 Σ= 詳細預測期現值 + 永續期現值 O= -10.06+140.04=129.98 億元。

3.3 估值模型修正

前文已得出企業估值結果，但是該方式采取的永續增長率大于WACC，這一情況與該理論的前提相沖突，因此本節對永續增長率即 g 的取值采取動態化處理，采用三階段增長模型進行二次估值。永續增長率取值如表15所示。

在高速增長期，即 2028-2029 年，企業FCFE計算公式為：

FCFE_t=FCFE₂₀₂₇×（1+g_????）^t（t=1，2，3）

在過度遞減期，即 2030-2034 年，企業 g_t 的計算公式為：

在永續穩定期，企業價值的計算采用戈登增長模型，永續增長率取 1.20% ，最終企業估值 高速期現值+ 過渡期現值 + 永續期現值。因此估值結果如表16所示。

因此，根據修正后的模型得到企業估值為123.98億元。該結果比采用固定永續增長率計算所得的估值結果更符合實際情況，因為在永續期內，市場環境、公司經營狀況以及其他不確定因素的存在，都會導致永續增長率發生變化，同時采用三階段模型的永續增長率符合WACC與DCF方法的理論前提，更加嚴謹。

4估值結果與分析

運用現金流量貼現法并通過三階段模型進行修正后計算得到的企業價為123.98億元，和市值124.75億元僅有 0.62% 的偏差，因此該估值結果顯示公司的市值具有參考價值，同時也說明該方法適用于該企業估值[36]。

就估值結果而言，DCF法所得出的估值結果適用于長期營業凈收入為負值的企業，但是在估算過程中需要把握永續增長率的選擇，在研究過程中發現企業的估值結果對永續增長率具有高度敏感性，因此在運用DCF模型時要采取合適的永續增長率，必要時需要通過多階段模型進行修正。

5 結論與啟示

5.1 研究結論

本文通過構建業務數據融合的DCF估值模型，并結合三階段模型進行修改，揭示了人工智能企業價值創造的一個核心規律，即DCF模型的精準性驗證：基于云從科技的研究結果，優化后的DCF模型估值（123.98億元）與市場實際值（124.75億元）偏差率僅 0.62% ，這一結果精確度較高，適用于該企業的市值估算[39]。這表明在研發投入前置、盈利滯后的AI企業中，現金流折現模型能夠有效捕捉技術轉化周期的動態價值。本文通過三階段模型修正永續增長率的選擇，解決了傳統DCF在技術突變行業中的參數剛性缺陷，為輕資產科技企業估值提供可擴展框架。在用DCF模型進行企業估值的過程中發現，企業由于技術迭代的硬性需求導致資產負債表與現金流量表處于較為危險的狀態，若長期保持高投入低產出的狀態，企業現金流將會面臨失去參考性的風險，因此企業應該至少保持一定的凈營業收入水平，否則將失去估值意義。

5.2 管理啟示

首先，云從科技屬于人工智能行業企業，存在高研發成本投入與產出延時的特點，因此企業在選擇融資渠道時應優先選擇知識產權類ABS產品，將企業高成本投入且初見成效的專利和用戶資產等無形資產證券化，使輕資產價值得以實現并且助力企業長期發展。同時在招商引資時強調長期價值指標如用戶增長和技術迭代速度等，此類指標較能體現科技類企業行業影響力，而非聚焦于短期盈利指標。

其次，企業應強化財務風險防控與研發效率管理。對于營業成本過高的問題，可以通過與硬件廠商聯合研發的供應鏈協同或研發平臺共享、費用分攤等方式分期攤銷營業成本，并且在一定程度上降低營業總成本，從而達到提高凈利潤并且提升技術部門研發效率的目的。為了提高企業償債能力的可持續性，企業可以適度增加長期債務，減少短期債務以優化資本結構。近年來企業短期債務比率居高不下，使企業的短期償債能力受到嚴重影響，這也進一步影響企業中長期的招商引資能力，因此優化企業的資本結構是一個亟待解決的問題。企業可以通過拓展信用保險與政府擔保等方式進一步提高抵抗風險的能力。

最后，企業內部不同部門之間應相互協作以提高企業運營效益和降低營運成本，例如財務部門可以實施抵稅條例，以研發收益抵扣所得稅款來提高研發積極性，從而降低資金閑置的比例，并且調動部門研發積極性，提高企業的核心競爭力和產品獨立性，通過正向效益循環促進企業長期穩定健康發展。

參考文獻：

[1]中國金融新聞網.科創板開市五周年：擁抱“硬科技”改革再出發[EB/OL].（2024-07-23）[2025-06-07].https：//www.financialnews.com.cn/2024-07/23/content_404905.html.

[2]陳鏞配.DCF模型在不同利率環境下的適用性研究[J].國際商務財會，2022（14）：22-25.

[3]FISHER I.The nature of capital and income[M].NewYork：The Macmillan Company，1906.

[4]WILLIAMS JB.The theory of investment value[M].Cambridge：Harvard University Press，1938.

[5]MODIGLIANI F，MILLER M H. The cost of capital，corporation finance and the theory of investment[J].TheAmerican Economic Review，1958，48（3）：261-297.

[6]DAMODARAN A. Investment valuation：tools and techniquesfordetermining the value of any asset[M].2nd ed.Hoboken：Wiley，2003.

[7]肖欣榮，王玉，王鐸.創新型企業估值體系研究—以特斯拉估值實踐（2013-2023）為例[J].會計研究，2023（11）：3-16.

[8]王治，李馨嵐.互聯網企業價值評估模型比較研究[J].財務與會計，2021，42（5）：75-82.

[9]陳琪仁，王天韻，歐陽汝佳.成長型企業估值模型研究——以新三板為例[J].中央財經大學學報，2020（9）：55-69.

[10]權忠光，阮詠華，葉陳剛，等.基于Schwartz-Moon模型的大數據企業價值評估及其影響因素研究[J].中國注冊會計師，2022（11）：53-58.

[11]慕慧娟，張旭，王晨旭.退出倍數法在科技型企業估值中的應用與改進—以半導體企業紫光國微為例[J].科技管理研究，2023，43（13）：48-56.

[12]BUGHINJ，HAZANE，RAMASWAMY S，et al. Ar-tificial intelligence：the next digital frontier？[R].NY：McKinsey Global Institute，2017.

[13]李健斌，周浩.人工智能、資本-技能互補與企業全要素生產率[J].經濟研究，2025（1）：20-36.

[14]王原，陳志斌.人工智能可供性對企業數字化轉型的影響[J].西南民族大學學報（人文社會科學版），2025，46（1）：104-114.

[15]田慧敏，李海林，周文浩，等.人工智能應用程度對企業數字技術創新的影響研究[J/OL].當代財經，1-15[2025-06-17].https：//doi.org/10.13676/j.cnki.cn36-

1030/f.20241225.002.

16]吳偉偉，周佳璇，劉業鑫.首席執行官（CEO）權力作用下人工智能對企業研發投入的影響機制[J.科技管理研究，2025，45（5）：117-128.

17]寧楠，惠寧.人工智能與制造企業創新：理論邏輯與實證檢驗[J].經濟體制改革，2025（1）：120-126.

18] JENSEN M C. Agency costs of free cash flow，cor-porate finance，and takeovers[J].The American Eco-nomicReview，1986，76（2）：323-329.

19]ZHANG G.Accounting information，capital investment deci-sions，and equity valuation：theory and empirical implications[J].Journal of Accounting Research，200o，38（2）：271-295.

20]吳洪英.自由現金流量貼現法在美國A集團并購估值中的運用[D].廈門：廈門大學，2018.

21]龔凱頌.論估值模型的邏輯與演化[J].財會月刊，

2021（9）：37-40.

22馮軍.企業價值評估中折現率確定方法的綜述[J].江蘇科技信息，2011（4）：10-11，32.

23]任翠玉.我國資本成本研究綜述及未來展望[J].財會月刊，2012（12）：76-78.

24]伍陽，伍丹.科技型企業股權融資及退出機制研究[J].經濟師，2025（4）：16-17.

25]鄭征，朱武祥.運用復合實物期權方法研究初創企業的估值[J].投資研究，2017，36（4）：118-135.

26]朱偉民，姜夢柯，趙梅，等.互聯網企業EVA估值模型改進研究[J].財會月刊，2019（24）：90-99.

27]張憲房，張新華，王琳.產權交易中企業價值評估方法研究[J].當代經濟，2009（20）：138-139.

28]劉洪久，胡彥蓉，吳沖.貼現現金流量法在并購價值評估中的缺陷與改進[J].財會月刊，2010（15）：59-61.

29]宋云，王琳.企業并購定價中溢價的計量與分配研究[J].經濟與管理研究，2009（6）：123-128.

30張啟利.復雜資本結構對初創企業估值的影響分析[J].中國資產評估，2025（4）：4-13.

31]羅琰，楊蒂薪，豐旭含.嵌入ESG的中國特色估值體系研究—以中石油為例[J].會計之友，2025（3）：57-64.

32]齊軍燕.現金流分析對企業的影響研究[J].中國科技投資，2025（2）：70-72.

33]李航.統計學習方法[M].2版.北京：清華大學出版社，2019.

34]禹佳君.企業價值評估貼現流量模型中實體自由現金流量的相關問題研究[J].時代金融，2016（21）：148，157.

35]湯春玲，廖嘉璐，葛子豪，等.基于改進收益法估值模型的周期性行業公司估值研究[J].財經理論與實踐，

2023，44（3）：73-81.

36葉小杰，李翊.科創板創新藥企業估值分析——以微芯生物為例[J].財務與會計，2020（20）：51-54.

（責任編輯：周媛）