基于深度神经网络的上市公司价值评估应用研究

冯雨萌

（山东农业大学经济管理学院，山东泰安 271018）

为实现经济持续健康增长，助力优质科创企业实现创新驱动和高质量发展，我国于2019 年6 月13 日正式开设科创板。科创板上市公司主要为科技创新企业，具有商业模式差别大、经营风险大、业绩不稳定、退市可能性大的特点。公司价值是进行询价定价的基础，也是企业并购、重组、转让、商誉减值测试的重要依据。而我国科创板注册制推行时间较短，对公司价值的评估数据主要来源于A 股市场和海外市场，此类市场的评估又由评估机构提供，主观性较强，易使资本市场出现股价偏离公司实际价值的情况［1］。因此，需要找到专门适用于科创板上市公司企业价值评估的方法。目前，我国评估企业价值主要有两个方向：一是采用传统评估方法如资产基础法、相对估值法、绝对估值法；二是通过建立模型来进行企业价值评估，如经济增加值模型（EVA）、Schwartz-Moon 定价模型等。资产基础法虽适用于新设立的企业，但科创板上市公司无形资产多为新型产品技术，可比案例极少，易出现较大误差；此外，存在公司内部人员恶意篡改公司资产折旧、摊销额的情况，使估值结果不准确。相对估值法存在难以找到具有相似经营特征的可比企业的问题。高新技术企业在研发阶段现金流极少［2］，采用绝对估值法会存在较大误差问题。对于通过建立模型进行企业价值评估这一方向，由于模型方法限制性条件过多，在现实中难以完全满足。

与上述方法相比，深度神经网络在进行企业价值评估时无须做出任何假设条件，也无须可比案例。本文通过总结以往前人研究，建立科创板上市公司价值评估体系；选取国泰安197 家上市公司的数据，运用Python建立深度神经网络模型，希望能够为科创板上市公司价值评估提供估值结果更准确的评估方法。

一、评估体系设计与神经网络构建

（一）深度神经网络

深度神经网络能够较好地反映变量间复杂的非线性关系，将训练样本输入模型，经过输入层、隐藏层、输出层的运算，若得到的输出结果与期望值差距较大，程序会自动原路返回调整各层节点间的权重、学习速率等参数，再进行与先前相同的步骤，直至输出结果能够较好地逼近期望值。截至目前，深度神经网络已应用于自动化、生物、统计、经济学等多种领域，具有预测、评价、图像处理和仿真功能。

（二）科创板上市公司价值评估体系的建立

本文通过总结前人的研究成果，从财务与非财务两大方面，选取盈利能力、偿债能力、营运能力、发展能力、公司规模、创新能力、治理能力、人力资本作为一级指标，选取销售净利率（X1）、股东权益报酬率（X2）、速动比率（X3）、资产负债率（X4）、应收账款周转率（X5）、销售收入增长率（X6）、总资产账面价值（X7）、研发投入占比（X8）、公司前五大股东持股比例之和（X9）、员工平均薪酬（X10）作为二级指标，构建科创板上市公司的价值评估体系。

1．财务指标

第一，盈利能力。盈利能力作为反映企业价值的关键因素，用于衡量企业获利能力的高低。销售净利率越高，说明公司具有较好的盈利能力。而股东权益报酬率作为杜邦分析体系的核心指标，能够反映公司自有资本赚取回报的能力，因此采用销售净利率与股东权益报酬率作为衡量公司盈利能力的指标。

第二，偿债能力。偿债能力包括短期偿债能力和长期偿债能力，能够反映企业承受风险的强弱。科创板上市公司多属于高新技术行业，存货少，专利等无形资产是总资产的重要组成部分。速动比率在分子中扣除了存货的影响，适合衡量科创板公司的短期偿债能力。资产负债率可反映公司对负债经营规模的掌控程度，作为杜邦分析的组成因素之一，可较好地评价公司的长期偿债能力。

第三，营运能力。营运能力用于反映企业资产利用效率和资金使用周转速度。科创板上市公司多属于轻资产模式，存货等不易变现的资产少，因此采用应收账款周转率作为公司营运能力的衡量指标。

第四，发展能力。发展能力指企业未来扩大经营规模、持续发展的潜力，销售收入增长率越高，说明公司的市场竞争力、未来市场发展前景以及主要业务的拓展能力越好。

2．非财务指标

第一，公司规模。由于规模经济效应，公司规模越大，企业价值往往会随之增加；但随着规模逐渐扩大，公司也可能会出现管理和资金周转不善等方面的问题，造成企业价值减值。因此，公司规模是影响企业价值的重要因素之一。本文选用总资产账面价值，能够使投资者更直观地了解公司的整体规模。

第二，创新能力。较强的创新能力能促进产品技术升级，从而使公司在市场上保持较好的竞争能力和发展势头，赚取更多利润。研发投入越多的企业，往往具有更好的创新能力。

第三，治理能力。虽然股权集中会发生大股东侵占小股东利益等问题，但是在高度竞争和不确定的环境下，股权集中有助于大股东管理层高效监督，更能统一高管成员间的意见，从而对公司绩效产生积极影响［3］。陶文丽以公司前五大股东持股比例之和（PFIVE）表示股权集中度［4］，并通过实证分析得出，PFIVE 与公司绩效呈显著正相关关系，即在一定范围内，PFIVE 越大，公司绩效越好。而好的绩效又能促进公司整体价值的提升，因此选择PFIVE 作为衡量公司治理能力的指标。

第四，人力资本。全体员工的人力资本是企业价值提升的重要因素，企业对人力资本的大量投入，有利于吸引更优质的人才，激活员工的创造能力，从而推动企业发展，提升企业价值。本文采用员工平均薪酬作为衡量公司人力资本投入的指标。

3．深度神经网络模型的构建

本文通过Python 软件进行科创板上市公司深度神经网络模型的构建。

第一，网络层数。为增强模型拟合与处理数据的能力，防止欠拟合情况的发生，本文采用包含一个输入层、四个隐藏层、一个输出层的六层神经网络模型。

第二，输入层神经元。输入神经元包括销售净利率、股东权益报酬率、速动比率、资产负债率、应收账款周转率、销售收入增长率、总资产账面价值、研发投入占比、公司前五大股东持股比例之和、员工平均薪酬共10 个神经元。

第三，输出层神经元。本文神经网络模型只设置一个输出层神经元，即公司市值Y，市值=A 股*今收盘价A 股当期值+境内上市的外资股B 股*今收盘价B 股当期值。

第四，隐藏层神经元。过少的隐藏层神经元可能会导致欠拟合，过多的神经元又会导致过度拟合，神经网络收敛速度变慢。且目前，并没有准确的方法来求取隐藏层神经元个数，因此本文通过试错法，将四个隐藏层的神经元个数分别设置为30、60、60、30。

第五，分区。采用8:2 的比例，80%的公司数据用来进行模型的训练；剩余20%则用来检验神经网络模型的性能及预测精确度。

第六，激活函数。激活函数是神经网络模型的重要构件，具有使神经网络映射输入层与输出层间复杂函数关系的作用。relu 函数作为当前最常用的激活函数，解决了梯度消失的问题且收敛速度极快，因此模型使用relu 函数。

第七，神经网络的训练。神经网络的训练就是在模型正向与反向传播的过程中不断调整权重和功能阈值，以使输出值更加接近期望值的过程。将整理的159家科创板上市公司指标数据作为训练样本输入模型中，经过各层网络的运算，获得用来评估科创板上市公司价值的神经网络模型。为减少主观因素的影响，加快梯度下降速度，本文在模型中加入Adam 优化器，以自动更新学习率等参数。

第八，模拟输出。模型训练结束后，将验证组样本数据输入模型中，经模型运行后得到的运算结果即为模拟输出值——企业预测市值。

二、数据选取与处理

本文在去除数据缺失与数据异常的公司后，最终选取197 家科创板上市公司2020 年12 月31 日的指标数据作为模型构建的样本。由于各类指标数据数量级差别过大，不利于神经网络模型的训练和数据拟合，因此本文运用SPSS 软件将总资产账面价值、员工平均薪酬取ln 值，以缩小数据间的数量级差异；将所有数据进行归一化处理，使其取值范围处于［0，1］之间，以缩小数据的绝对数值、提升模型收敛速度。

三、结果分析与验证

（一）结果分析

损失函数（loss）表示预测值与实际值的差距程度，一般用来衡量模型拟合效果的好坏。据图1 显示，随着迭代次数的增加，在第40 次训练时，预测值与实际值间的loss 值已收敛至0.025 以下，差距极小，说明模型拟合效果极好。

图 1 损失函数loss收敛过程

（二）验证

本文将剩余38 家上市公司的相关数据输入训练好的模型中，得到各公司市值预测值，据计算得，作为验证样本的38 家公司市值实际值与预测值的相对误差均小于3.5%，平均相对误差仅为1.67%，说明本文构建的企业价值评估体系合理，神经网络模型训练良好且估值准确度极高，适合对科创板上市公司进行价值评估。

四、结论与展望

（一）结论

1．深度神经网络的适用性与准确性

在上述模型构建与验证过程中，可看出采用深度神经网络相较以往评估方法来说限制条件更少，且得到的预测值与企业市值间差距极小，显示出深度神经网络在企业价值评估方面的适用性与准确性。此外，由于深度神经网络全部依靠计算机软件完成，能够大大提高评估人员的工作效率，降低工作量。

2．降低投资者风险，促进优质企业发展

由于科创板公司多为科技创新企业，可比公司少，经营风险大，存在折现率、价格比率选择不准确等导致企业价值被高估或低估的情况，进而使投资者的投资具有极大风险，优质企业得不到资金支持。而神经网络模型估值误差小、准确性高，有利于投资者降低投资风险；也使优质企业能够获得资金支持，进行更好发展。

3．提高公司管理水平

神经网络模型的极高拟合度说明了企业价值评估体系设置的合理性，也进一步说明盈利能力、偿债能力、营运能力、发展能力、公司规模、创新能力、治理能力、人力资本均是影响科创板上市公司企业价值的重要因素。因此管理者可以从以上方面寻找公司问题，从而提高公司管理水平，提升企业价值。

（二）展望

1．进一步完善企业价值评估体系

目前企业价值评估体系缺少对科创公司经营模式、市场渠道、市场竞争力、成长阶段等抽象价值影响因素的指标选取。例如，科创板上市公司往往处于初创期、成长期、成熟期等不同阶段，每个阶段企业具有不同特征，是否能将各阶段数值化，以在模型中将企业进一步分类，提高估值的准确性。

2．评估机构、中评协、企业三方加强合作

企业具有大量历史数据，可提供神经网络的训练样本；中评协作为资产评估行业的管理者，具有权威性。因此，评估机构应与中国资产评估协会、企业合作，共同研究影响各类企业价值的重要因素，确定与之对应的衡量指标，以使企业价值评估体系更加完善，模型使用范围更加广泛，估值结果更加可靠、准确。

3．优化神经网络模型，扩大使用范围

目前，深度神经网络仍存在以下问题：神经网络需要大量数据进行模型训练，才能较好地保证预测值的准确性；网络层数与隐藏层神经元个数的设置暂无一种严格而准确的方法体系，需要经验和多次试错才能确定，主观性较强；神经网络存在陷入局部极小值的可能性［5］。因此，为提高神经网络在资产评估领域的应用程度，需不断学习新技术以优化神经网络。