基于BP神经网络的创业板上市公司价值评估

■ 付扬扬 仇晓洁

创业板，又称二板市场，是专为暂时无法在主板上市的创业型企业、中小企业和高科技产业企业等需要进行融资和发展的企业提供融资途径和成长空间的证券交易市场。在创业板市场上市的公司大多从事高科技业务，具有较强的成长性，但往往成立时间较短规模较小，业绩也不突出[1]。由于创业板上市公司的股份波动性比较大，公司价值存在被高估或者低估的现象，给投资者带来困扰，鉴于此，如何准确评估创业板上市公司价值就显得相当重要。

目前国内外对于创业板上市公司价值评估方法有两种途径，一种是传统的评估方法，主要是市场法和收益法。市场法要求修正的系数有很多，不免掺杂过多主观因素，而且创业板市场的每一个公司都有其特殊性，难以找到参照物；考虑到创业板上市公司的波动性，公司的未来收益不具有稳定性，这就限制了收益法中的现金流量模型的应用。另一种则是通过建立数学模型来评估，包括资本资产定价模型、经济增加值（EVA）理论、布莱克-斯科尔斯（B-S）模型、实物期权法等等[2]，这些都是有着严格假设的评估方法，在实际运用中容易受到商业运作模式和行业产业性质差异的影响，很大程度上不适合我国创业板上市公司的价值评估。为了弥补目前国内外所使用的传统评估方法和数学模型方法评估的缺陷和不足，本文提出了基于BP神经网络的创业板上市公司企业价值评估模式。

本文提出BP神经网络不需要任何精确的数学模型，而且在评估领域没有任何前提和假设，所以克服了B-S模型和EVA理论等数学模型方法的缺陷。再者，BP神经网络不限制任何类型的公司，样本数据全部来自于企业的客观数据，不需要预测公司的未来收益，模型建立过程全部借助于计算机，避免了人为的主观影响，所以克服了传统评估方法的缺陷，减少评估时间，提高了企业价值评估的时效性、精确度和客观性。

一、BP神经网络

BP神经网络是人工神经网络研究分支中的一种，借助数学模型和统计软件研究人脑细胞活动的一种工具，目前应用比较成熟和广泛。BP神经网络无需事先确定输入输出之间映像关系的数学方程，仅通过自身的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果。如下图1所示，给出了BP神经网络的基本原理图。从图中可以看出，BP神经网络有五个要素：输入神经元X1、X2等，也就是企业价值评估中所选择的各个指标；连接权重Wi；激励电平或阈值θ，也就是模型仿真中设置的最小误差值；输出神经元y0，也就是公司价值；学习训练过程。

图1 BP神经网络基本原理图

BP神经网络的计算过程由正向传播过程和误差反向传播过程组成。正向传播过程，输入信号从输入层经隐含层逐层处理，中间经过非线性变化，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入误差反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值或阈值，使误差沿梯度负方向下降，经过反复学习训练，最终使得误差最小[3]。

二、创业板公司价值评估指标体系确定

在过去学者研究论证的基础上，经过归纳总结，并考虑到创业板上市公司的特殊性，在经过实证分析后，将公司价值的影响因素概括为偿债能力、营运能力、盈利能力、发展能力、企业规模、创新能力和治理能力等7个方面，既考虑了财务因素又考虑了非财务因素。每个影响因素下都会有很多的具体指标，由于相同的影响因素下的不同指标会产生自相关，且经过SPSS19.0实证分析确实会产生这种问题，所以本文就每一影响因素只选择一个相对较重要的指标作为二级指标。

1.偿债能力因素。偿债能力是指企业以其资产偿还短期负债和长期负债的能力。企业有无支付现金的能力和偿还债务能力，是企业能否健康生存和发展的关键。负债经营能够帮助因资金不足而不能正常发展的企业走出困境，也可以使经营较好的企业不断扩大再生产，发挥负债的财务杠杆效应，提高企业价值。但企业负债经营也使企业经营往往伴随着一定的风险，如果经营不善，会导致公司资不抵债，价值迅速下降，最终破产清算。衡量偿债能力的指标包括流动比率、速动比率、现金比率和利息支付倍数等。考虑到速动资产剔除了存货等变现能力较弱的资产，因此，速动比率相对流动比率能够更加准确可靠评价企业资产的流动性及其偿还短期负债的能力，所以本文选择速动比率作为偿债能力影响因素的二级指标。

2.营运能力因素。营运能力是指企业的经营运行能力，即企业运用各项资产以赚取利润的能力。企业营运能力的财务分析比率有：存货周转率、应收账款周转率、流动资产周转率和总资产周转率等。企业资产周转越快，流动性越高，企业的偿债能力越强，资产获取利润的速度就越快，对于提高公司价值越明显。存货是流动资产中最重要的组成部分，往往达到流动资产总额的一半以上[4]。因此，存货的质量和流动性对企业的速动比率具有举足轻重的影响并进而影响企业价值，所以本文选择存货周转率作为营运能力影响因素的二级指标。

3.盈利能力因素。盈利能力是指企业获取利润的能力，企业的盈利能力越强，则其给予股东的回报越高，企业价值越大。衡量企业盈利能力一般采用相对指标，常用的指标主要包括销售毛利率、销售净利率、总资产报酬率、净资产收益率和净利润等。净资产收益率ROE作为杜邦分析的核心，对于衡量企业盈利能力起到很好的诠释作用，所以本文选择净资产收益率作为盈利能力因素的二级指标。

4.发展能力因素。企业的发展能力，也称企业的成长性，它是企业通过自身的生产经营活动，不断扩大积累而形成的发展潜能。一些公司可能当前的账面价值不是很好，甚至低于行业平均水平，但是如果考虑到企业潜在的高成长性和研发能力，未来几年，公司发展可能会出现爆发式增长。创业板上市公司大部分都是这种具有潜在发展能力的公司。本文选择主营业务增长率作为发展能力影响因素的二级指标。

5.企业规模因素。传统经济学理论认为，企业规模越大，会产生规模效应，降低企业成本，从而提高企业利润，企业价值水涨船高。通过对上市公司资产负债表上企业总资产价值的分析，外部投资者也会对上市公司价值的大小有一个初步直观的认定。因此，本文选择资产负债表上的总资产作为企业规模因素的二级指标。

6.创新能力因素。企业创新能力就是企业在多大程度上能够系统地完成与创新有关的各项活动能力。创新自进入21世纪已经成为各个国家多次提及的热门词汇。创新可以使一个即将衰败的企业起死回生。特别是对创业板上市公司来说，它们的无形资产质量、研发费用比重、研发成功率大小等等，都很大程度上决定其创新水平高低，而创新水平最终会影响到企业价值，影响公司的成败。本文选择研发费用比率作为创新能力影响因素的二级指标。

7.治理能力因素。委托代理问题是现代企业制度产生的最大的问题，由于委托代理而产生的代理成本也常常使众多企业管理层苦不堪言。公司治理结构是现代企业制度的核心内容，它的合理与否是影响企业绩效的重要因素之一。良好的公司治理可以促进企业股权结构合理化，加强企业内部控制，降低企业代理成本，增强企业核心竞争力，提高企业的经营业绩和价值。企业董事会中独立董事的多少会影响到公司的治理水平，所以本文选择独立董事比率作为治理能力影响因素的二级指标。

综上，最终确定影响创业板上市公司价值的因素以及对应指标如下表1所示。

表1 指标体系

三、数据来源

本文经过对创业板上市公司的初步筛选，排除数据缺失、数据异常及目前停牌等相关公司，最终选取创业板上市的49家上市公司作为模型建立的样本。从国泰安CSMAR数据库以及各个公司的财务报表上整理得到46家上市公司2016年12月31日相关的指标数据作为建立模型的样本，然后利用建立的BP神经网络模型对另外选取的3家创业板上市公司在2016年12月31日的市场价值进行评估，与实际市值进行比较以验证模型的准确性。

从数据库获取的数据不适于直接用于建立神经网络模型，神经网络模型具有非线性输入输出关系，虽然对获得数据不做特别预处理也能够直接学习，但是经过恰当的预处理可以提高网络的收敛速度，提高输出精度。为了提高所建立模型的精确度，本文选择将数据进行预处理，一般的预处理方法为归一化，即将每一组数据的范围线性压缩到0-1之间，这样减少了数据的动态范围，提高计算收敛速度。在此采用线性处理方法,其变换关系式为：x∗=(x-min)/(max-min) 其中max为样本数据的最大值，min为样本数据的最小值。

四、创业板上市公司价值评估的BP神经网络模型建立

本文采用SPSS19.0统计软件中的神经网络MLF工具进行BP神经网络的构建。

1.网络层数的确定。BP神经网络结构包括了输入层、隐含层和输出层，1989年Robert Hetht-Nielson证明:在多层前向网络中隐含层神经元可以根据需要自由设置的情况下,3层网络可以实现逼近任意的具有有限个间断点的连续非线性函数。因此本文选择具有一个隐含层的三层神经网络。

2.输入神经元的确定。输入层神经元个数的确定应该根据所分析模型的影响因素来确定，从表1可以看出，本文选取了7个影响创业板上市公司的指标进行分析，分别是ROE、存货周转率、速动比率、总资产、主营业务增长率、研发费用比率和独立董事比率，因此，输入层神经元数确定为7。

3.输出神经元的确定。本模型只有一个输出，即市值，因此输出层只有一个神经元。

4.分区的确定。初次建模，先抽样70%作为训练样本，用于完成自学习构建神经网络模型，30%作为检验样本，用于评估所建立模型的性能，暂不分配支持样本。

5.隐含层神经元的确定。在确定了输入层神经元和输出层神经元之后，隐含层神经元数目的选择用以下公式确定：（m=输出神经元数，n=输入单元数，α为[1,10]之间的常数）。α从1开始取值，逐步递增，如不成功则再增加隐含层单元数，直到学习收敛。通过此种方法并结合SPSS19.0神经网络拟合效果分析，最终确定5个隐含层神经元。

6.激活函数的确定。神经网络中激活函数的主要作用是提供网络的非线性建模能力。神经网络加入激活函数之后，才具备了分层的非线性映像以及深度学习能力。本文选择相对于Sigmod函数改进的双曲正切函数作为隐含层和输出层的激活函数。

7.神经网络的训练。BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。学习过程的本质就是对各连接权和所有功能的阈值进行动态调整。本文的权值调整策略采用在线的梯度下降法。

8.模拟输出。网络训练完成后，将待评估组的输入向量输入到所建立的神经网络，通过调用模型，运算便可得到输出值，该输出值即为待评估组的市值。

五、仿真结果

（一）结果

经过上述分析之后，系统的仿真过程，是计算机在获取数据后，神经网络系统经系统计算后计算权值，建立模型并输出相应结果的过程。本文得出的神经网络模型如图2所示、自变量重要性分析如表2所示。

从图2所得BP神经网络模型图可以看出，输入层包括7个神经元，隐含层包括5个神经元，其中一个偏差神经元是由SPSS19.0系统自动生成，主要是用于对模型进行修正，输出层包含一个神经元。其中每一个神经元的权值大小都能得到体现，正数权值用灰色连接线表示，负数权值用蓝色连接线表示，而且连接线的粗细表示权值绝对值的大小，连接线越粗，权值的绝对值越大，相反，连接线越细，权值的绝对值越小。具体的权数大小如表2所示。

从表2所给自变量重要性分析可以看出，对于企业价值影响程度从大到小的因素依次为企业规模、盈利能力、经营能力、治理能力、发展能力、偿债能力和创新能力。显而易见，影响企业价值的两个主要因素的是公司规模和盈利能力，其它影响因素影响程度相对较小。

前文已经分析，影响企业价值最大的因素企业规模的规模效应，有助于降低产品的成本，减少企业费用，进而提高企业利润，提高企业价值。但是，并不是规模越大对企业价值越好，企业规模是一个适度指标，如果企业规模过大，会大幅增加企业的管理成本，包括委托代理问题产生的委托代理成本，产生所谓“尾大不掉”的负面效应。因而，企业应该适度控制企业规模，防止给企业带来负面效应。

盈利能力作为企业价值的第二个重要影响因素，对于公司价值的提升也很明显。上市公司披露的年度报告，财务报表中有一张专门的利润表来反映企业盈利能力，足见盈利能力对于企业生存和发展的重要性。盈利能力越强，对于提升企业价值越有利。由此可见，企业出色和稳定的盈利能力直接能带动企业价值的提升。

而其它对企业价值影响程度相对较小的因素，如经营能力、治理能力、发展能力、偿债能力和创新能力的提高，也都对企业价值提升有显著的促进作用。

表2 自变量的重要性

（二）验证

本文采用另外选择的3个创业板上市公司的相关数据来检验构建的神经网络模型的准确性。评估基准日仍设定为2016年12月31日，使用三家公司的相应的指标数据为测试样本数据，调用前面得到的神经网络模型进行运算得到了这三家企业价值神经网络预测值。又另外运用了企业价值评估应用较多的B-S模型、EVA模型法和现金流量法分别测算了这三家公司的企业价值预测值，所得结果如表3所示。

表中可以看出，调用前面得到的神经网络模型进行运算后得到公司股票代码为300020的输出值为10 348.35百万元，与实际值相比，相对误差为-2.44%；公司股票代码为300037的输出值为9 310.84百万元，与实际值相比，相对误差为2.63%；公司股票代码为300054的输出值为10 864.60百万元，与实际值相比，相对误差为1.95%。由上述检验资料可以看出，运用本文BP神经网络模型得到的结果与实际价值差额不大。

另外从表中可以看出，神经网络模型所得预测值误差均低于另外三种方法的预测值误差，由此可见，BP神经网络模型相对其它方法已有了很大的改进，提高了企业价值评估的准确度。综上，本文认为可以应用BP神经网络模型对创业板上市公司价值进行评估。

六、结论与建议

（一）结论

本文经过建模以及结果分析之后，可以得出以下结论：

表3 创业板三家公司不同预测值偏差结果 （单位：百万元）

1.论证了BP神经网络用于创业板上市公司企业价值评估的适用性和有效性。BP 神经网络具有强大的非线性映射能力、自我学习能力等优点，本文引入 BP 神经网络，构建神经网络评估模型。从上述进行BP神经网络建模过程可以看出，基于BP神经网络对创业板上市公司价值评估模型相对较为简便，且建模精度较高，能够提高评估的准确度。在经过3家创业板公司实证检验后， BP神经网络对创业板公司价值评估模型所计算出的结果与实际价值是基本相符的，这验证了模型在创业板公司价值评估中的适用性和有效性。

2.验证了BP神经网络模型的准确性。从表3所给出的BP神经网络预测值和B-S模型、EVA模型和现金流量法预测值相对误差对比可以看出BP神经网络能够提高企业价值评估的精确度，从而验证了BP神经网络模型的准确性。

3.投资者的风险。在模型建立的过程中可以看出，我国创业板上市公司仍然存在着很大发展潜力和一定的投资价值。但局部而言仍然存在少数企业的价值被低估，以及个别企业的价值被高估的现象，创业板各产业上市公司发展并不均衡，也给外部投资者带来一定的决策风险。

4.影响创业板公司价值的两大重要因素分别是公司规模和企业盈利能力。本次实证分析得到对企业价值影响最大的两个因素分别是企业规模和盈利能力，分别是非财务指标和财务指标。涉及非财务指标的企业规模是一个适度指标，而涉及财务指标的盈利能力则越强越好。对于管理者而言，应该在注意控制企业规模适度的同时努力提高企业盈利能力。对于投资者而言，在创业板投资首先考虑的应该是公司的规模和其盈利能力大小。

（二）建议

1.对于管理者而言，需要注意合理控制企业规模，注重企业价值增长。在公司发展过程中，不必局限于企业的规模和数量，而应该看中企业的内在发展质量，提高企业的实际价值增长。另外，还要特别注重提高产品质量，拓宽销售管道，增强盈利能力。合理控制企业日常经营成本，开源节流，提高盈利水平，实现企业价值的可持续增长。最后，面对日益重要的创新能力，企业应该下功夫、花时间塑造企业核心竞争力，走创新发展道路赚取超额利润。

2.对于投资者而言，因为创业板上市公司的发展极不稳定，价值存在被高估或者低估的现象，投资者应该着眼于上市公司公开披露的财务报表，分析财务指标，以各项指标相对较优的公司作为投资对象。另外，除了关注企业的财务指标，还应该重视非财务指标的分析，包括前文提到的创新能力，治理能力等。不仅要搜集公开披露的报表数据，还应该深入公司考察情况，以现场咨询，走访等形式获取公司的第一手资料，这样能更好地把握企业的真实价值。

通过BP神经网络的运用，本文发现了BP神经网络的些许不足，在使用时应该注意。从数学角度看，BP算法为一种局部搜索的优化方法，它是为了求解复杂非线性函数的全局极值，因此，算法可能会陷入局部极值的循环。另外，网络结构和隐含层神经元个数的选择尚无一种统一而完整的理论指导，一般只能由经验选定[5]。