基于Super-SBM和Logit模型的人工智能产业融资效率及影响因素研究

（长春金融高等专科学校会计学院，长春 130028）

引 言

随着新一代信息技术呈现爆发式增长，人工智能、物联网、大数据等技术应用不断普及，形成了新一轮工业革命的主要驱动力，深刻改变了以往的资源配置方式、生产组织方式和价值创造方式。人工智能产业已成为推动经济社会发展的助推器，发达国家纷纷将人工智能作为国家战略。美国于2016年5月成立人工智能委员会，着力发展能够为美国人民服务的人工智能，确保美国在人工智能领域的优势地位。韩国将人工智能作为重点发展的五大关键领域之一。日本制定了人工智能综合发展计划。我国政府出台了 《中国制造2025》、《新一代人工智能发展规划》、《促进新一代人工智能产业发展三年行动计划 （2018～2020）》等政策［1］，各地方政府也纷纷出台政策、规划和建设人工智能产业园区，这些举措为人工智能产业发展创造了良好的发展环境，有力地促进人工智能产业发展，使人工智能产业规模日益壮大，正在成为制造业集群转型和升级的核心推动力。与此同时，人工智能产业的融资需求旺盛，《2019中国人工智能产业投融资白皮书》数据显示，2018年国内人工智能领域的总体融资规模达到1189亿元，但2019年前3季度人工智能领域的融资规模仅为577亿元，融资能力不足难以支撑人工智能产业项目商业化和应用推广，资金问题已成为制约人工智能产业发展瓶颈。当前，我国人工智能产业仍处于发展初期阶段，融资速度快，但融资效率普遍较低［2］，这为产业升级带来一定挑战。为此，深入研究人工智能产业的融资效率和影响人工智能产业融资效率的因素，对于满足人工智能产业融资需求、促进人工智能产业健康发展具有重要的理论价值和现实意义。

1 相关文献综述

人工智能产业作为新兴的产业领域，其融资环境与融资效率对产业发展具有先导性影响，当前国内外学者对人工智能产业融资效率的研究仍处于初期，相关成果还不多，但由于人工智能产业也属于高新技术产业，学者们对高新技术产业、战略性新兴产业等领域融资效率相关成果可以为本文提供参考。

在人工智能产业融资问题研究中，学者认为人工智能产业属于高新技术产业，面临着技术创新风险和市场化难点，初创企业存在着较大的融资难题。耿成轩等 （2019）认为人工智能产业的发展需要耗费巨大的资金成本用于基础设施、人力资源和数据开发，需要优化融资生态，完善融资服务体系，提升企业资金配置效率，不断拓宽企业的融资渠道，进而为产业发展提供有效的资金支持［1］。刘俊文和于洪 （2019） 指出吉林省人工智能企业面临着外源性融资渠道不畅、企业贷款覆盖率低等问题，由于初创企业的规模小、融资成本高、银行审批流程复杂，导致企业难以获得充足的资金用于支撑企业发展［3］。Dirk Czarnitzki（2006）对德国制造业中小企业研发活动的融资约束问题进行了实证研究，结果发现公共研发资金的供应差异对企业的融资约束具有影响，政府补贴研发经费过高的情况下容易导致企业研发活动面临金融市场机制失灵［4］。金辉 （2019）指出我国人工智能产业具有广阔发展空间，产业链生态不断完善，行业应用领域日趋成熟，具有较强的并购整合需求和多样化的融资需求，可以采用股权融资、投贷联动、企业并购整合和跨国业务合作以及创新信贷模式等方式支持人工智能龙头企业发展［5］。

在融资效率评价与测度研究中，学术界对融资效率测度的方法主要有模糊综合评价方法 （魏开文， 2001）［6］、 灰色关联评价方法 （伍装， 2005）［7］、层次分析与模糊评价相结合 （王平，2006）［8］以及数据包络分析 （Data Envelopment Analysis，简称DEA）方法等。模糊综合评价、灰色关联等传统研究方法在指标选取和权重计算上具有一定的主观性，而DEA方法无需主观确定权重、能够衡量多输入多输出的多目标决策问题，近年来学者们更多采用DEA方法评价融资效率。如刘超等运用DEA-Tobit方法对我国人工智能上市公司的融资效率进行测度，研究发现人工智能产业融资效率不高，大多数企业未达到效率最优状态，主要原因在于规模效率较低［2］。李京文等 （2014） 运用DEA方法测算了北京市战略性新兴产业51家上市公司的融资效率，实证结果显示2011～2013年样本企业的融资效率整体较低，主要与技术进步水平下降有关［9］。吕岩威和孙慧 （2013） 采用随机前沿生产函数模型对我国不同地区的战略性新兴产业的技术效率进行了测度［10］。熊正德等（2014）运用两阶段关联网络DEA方法对战略性新兴产业新能源汽车行业上市公司的债权融资效率进行分析，分别测度了债权筹资阶段和配置阶段的融资效率，实证结果表明债权筹资效率相对较低导致产业总体融资效率低下［11］。

纵观国内外相关文献，对于人工智能产业的相关研究尚属萌芽，而效率是产出与投入之比，体现的是以最少的成本实现最大限度的产出［12］。DEA方法虽然能够克服系统误差，避免主观性，但由于其将评价系统视为 “黑箱”，难以有效反映不同指标对评价对象的影响程度，基于此，为了全面反映人工智能产业企业获取资金的难易程度以及企业在生产运营过程中对资金的配置效率，本文在已有研究基础上，综合运用Super-SBM和Logit模型方法测度我国人工智能产业融资效率，并对影响人工智能产业融资效率的因素进行分析。

2 融资效率模型的构建与变量选择

2.1 基于Super-SBM的融资效率模型

目前大多数学者在进行融资效率问题研究时采用数据包络分析 （DEA）方法，选用的模型主要有CCR和BCC两种，该方法虽然克服了参数估计法系统误差大的不足，但并未对输入和输出指标的 “松弛”变化的影响进行分析，为了解决该问题，Tone在进行效率评价时，构建了SBM模型，对松弛变量进行效率评价，解决了传统DEA模型中无效率评价含有松弛变量的问题，为了解决多个效率为1的DMU效率排序难的问题，Tone对SBM模型改进形成Super-SBM模型［13］，该模型的决策单元效率值可以大于或等于1，表达形式为：

式中，n代表人工智能公司 （DMU）的数量，X代表每个DMU的投入要素向量，Y代表每个DMU的产出要素向量，ρ代表融资效率值，m代表投入要素指标个数，k代表产出要素指标个数，代表投入要素的松弛变量，代表产出要素的松弛变量，λ代表列向量。

目前，针对融资效率投入和产出指标的选取主要包括生产法、中介法、资产法3种［2］，本文根据科学性、完整性和可操作性的原则选取了投入指标和产出指标，其中投入指标有3个： （1）总资产：该指标代表公司的整体规模，与融资规模成正比，反映了融资规模大小；（2）资产负债率：该指标代表公司的资本结构。融资结构理论指出，经营风险较小的公司可以适当的提高资产负债率获得较高的利润，正面效应大于负面影响，而经营风险较大的企业提高资产负债率则会产生较大的风险，负面影响大于正面效应；（3）营业总成本：该指标代表企业经营成本，成本与利润成反比，反映了公司对资金的利用能力。

产出指标3个：（1）净资产收益率：该指标定义为利润额与平均股东权益的比值，代表单位自有资本的收益能力，同时也反映了融资的收益；（2）总资产周转率：该指标定义为营业收入与年平均资产总额的比值。代表公司资本的流转速度，体现了公司的资本利用效率和管理质量，与资金利用效率成正比；（3）主营业务收入增长率：该指标用于判断公司所处的成长阶段，用于判断公司成长能力。

2.2 Logit模型

Logit模型由Warner于20世纪60年代首次引用到经济领域，随后学者们在多个领域对该模型进行拓展，该模型通过建立解释变量和被解释变量之间的关系，估算被解释变量的概率分布，广泛应用于解决二元离散性选择问题，Logit模型的一般表达式为：

式中Y∗和Xi分别代表被解释变量和解释变量，βi为待估系数，μi为随机误差项。本文通过分析人工智能产业融资效率的影响因素，建立基于Logit方法的离散的二元模型，以Super-SBM模型测算的人工智能产业融资效率作为被解释变量，当P≥1时，被解释变量值为1，当P＜1时，被解释变量的值为0，在选择解释变量时先分析了人工智能产业融资效率的影响因素，做出如下假设：

假设1：债权融资与人工智能产业上市公司的融资效率有正相关性。融资效率受到平均资本成本的影响，平均资本成本受到资本结构和融资方式的影响，公司融资方式有债权和股权融资两种，本文选取资产负债率这一债权融资指标来反映公司的融资结构。

假设2：企业的盈利能力与人工智能产业上市公司的融资效率有正相关性。企业的偿债能力受到盈利能力的影响，因此盈利能力强的企业更容易获得债权融资。企业的盈利能力越强，企业内部资金越充裕，内部融资的成本相对较低，财务风险也就相对较低，同时盈利能力强的企业通过向市场传达信息，有利于进行股权融资，本文选取净资产收益率这一指标衡量企业盈利能力。

假设3：企业的成长能力与人工智能产业上市公司的融资效率有正相关性。成长性与盈利有一定相关性，但是并不意味着成长性较高的企业盈利能力强。一般来讲，高成长能力的企业相比低成长性企业的融资方式选择较多，融资效率相对较高。本文选取营业收入增长率这一指标反映企业成长能力。

3 实证研究

3.1 数据来源及数据处理

本文选取了国内35家人工智能企业2012～2018年财务报表数据为研究样本，数据来源于国泰安、Wind资讯等数据库以及上市公司年报，样本数量大于指标数量的2倍，满足Super-SBM模型研究的需要。

在数据应用过程中，为了满足运算需要，对数据进行无量纲处理，具体如下：

3.2 融资效率的整体评价

2012～2018 年我国35家人工智能企业融资效率计算结果如表1所示。

表1 2012～2018年人工智能产业企业融资效率测算值

从表1中可以看出，我国人工智能产业的整体融资效率不高，大部分处于非效率状态。从2012～2018年各企业的平均融资效率值可以看出，仅有高乐股份1家公司的平均融资效率大于1，为1.2076，占样本企业的2.86%；仅有和而泰1家企业的平均融资效率大于0.9且小于1，占样本企业的2.86%；有17家公司的平均融资效率在0.8～0.9之间，占样本企业的48.57%；16家公司的平均融资效率在0.8～0.9之间，占样本企业的45.71%。具体而言，2012年，和而泰和四川长虹2家公司融资效率达到有效；2013年，和而泰和康力电梯2家公司融资效率达到有效；2014年，巨星科技、浙大网新、东方通、同花顺和江南化工5家公司融资效率达到有效；2015年，巨星科技、骅威文化、同花顺、恒生电子、远大智能、蓝色光标和佳讯飞鸿7家公司融资效率达到有效；2016年，高乐股份和江南化工2家公司融资效率达到有效；2017年，高乐股份和浙大网新2家公司融资效率达到有效；2018年，高乐股份、浙大网新和东方网力3家公司融资效率达到有效。这说明大部分人工智能产业企业需要进一步拓宽融资渠道，优化融资结构，提升融资效率。

3.3 融资效率影响因素分析

本文利用Eviews8.0对2012～2018年人工智能产业上市公司融资效率进行Logit分析，得到计算模型如下：

Y∗＝-0.1824DA+0.0045IRBR+0.3387ROE（8）

式中：DA代表资产负债率，IRBR代表营业收入增长率，ROE代表净资产收益率。

对模型进行H-L Statistic检验，得到卡方值为6.5728，P值为0.8725，大于5%，在统计学意义上不能拒绝模型拟合良好的原假设。DA、IRBR和ROE变量的z检验的P值分别为0.0128、0.0386和0.0087，均小于5%显著性水平，表明在2012～2018年，资产负债率、营业收入增长率和净资产收益率对人工智能产业上市公司融资效率具有显著影响。

对模型8进行分析可知，DA的系数为负值，说明在其他内外部环境保持稳定的前提下，资产负债率与人工智能产业上市公司的融资效率呈负向关系，资产负债率越低，公司融资效率越高。尽管适当的负债能够提高企业的价值，但是由于当前人工智能产业的融资渠道相对较窄，过度的举债会降低企业竞争力，因此资产负债率应该控制在合理范围内。IRBR的系数为正值，说明在其他内外部环境保持稳定的前提下，企业的盈利能力与人工智能产业上市公司的融资效率呈正向关系，企业盈利能力越强，则融资效率越高，具有较高盈利能力的企业具有较强的内部融资能力，相比债券融资和股权融资，内部融资在资金到位效率和融资成本上优势明显，对提高融资效率具有重要作用。ROE的系数为正值，说明在其他内外部环境保持稳定的前提下，企业的成长能力与人工智能产业上市公司的融资效率呈正向关系，企业的成长能力越强，公司融资效率越高。人工智能产业属于高新技术产业，技术能力越强的企业，往往具有较强的核心竞争力，对获取资本市场的支持、吸引投资具有较大的吸引力。因此在公司进行融资过程中可供选择的融资方式较多，融资成本相对较低，融资效率相对较高。

4 结论与启示

本文利用Super-SBM模型对我国35家人工智能上市企业2012～2018年融资效率进行实证分析，采用Logit模型对融资效率的影响因素进行分析，得到以下结论：（1）我国人工智能产业处于产业生命周期的起步阶段，资本配置率的整体水平相对较低，企业的融资效率可提升空间较大；（2）资产负债率、企业的盈利能力和企业的成长能力对人工智能产业上市公司的融资效率具有显著影响。在其他内外部环境稳定的前提下，资产负债率越低、企业的盈利能力和企业的成长能力越强，融资效率越高。

人工智能产业对促进我国经济转型升级具有重要推动作用，针对当前人工智能产业融资效率整体偏低的问题，应结合实际情况，优化融资环境，提升企业自身竞争力，拓宽融资渠道，提高资金配置效率，提升融资效率。（1）优化融资环境，满足人工智能企业多元化融资需求。在政策环境上，各级政府在税收和政策上对人工智能产业给予倾斜，立足人工智能产业快速发展阶段的融资需求，对产业发展的资金供给量进行引导，促进人工智能产业集聚发展，形成融资生态，提高融资资金利用率；（2）完善融资服务体系，拓展融资渠道，鼓励金融机构针对人工智能产业发展开发新型金融产品，创新投融资模式，为人工智能企业提供并购整合、并购基金、投贷联动、担保、股权质押融资等多种融资方式，为企业获取资金支持提供便利；（3）提高企业资金配置效率，提升人工智能企业的公司治理能力，注重优化融资渠道，充分利用股权融资的渠道，确保股权流通，保持合理的资产负债率，平衡融资成本和融资风险，实现资本结构的优化。