基于GRNN神经网络的科技型企业价值评估方法研究

宋丽平 李萌 于书洋

摘 要： 科创板的推行体现了我国对科技型企业发展的重视，为使企业获取更多的发展机会，准确评估科技型企业价值成为亟待解决的问题。通过对科技型企业价值影响因素的分析，构建科技型企业价值评估指标体系，基于GRNN神经网络建立科技型企业价值评估模型。选取60家创业板科技型企业相关指标数据为样本，借助MATLAB技术对GRNN神经网络模型进行训练与测试，结果表明建立的GRNN神经网络模型能够较为准确地评估科技型企业价值。

关 键 词： 科技型企业;企业价值评估;价值影响因素;GRNN神经网络

DOI： 10.16315/j.stm.2020.02.004

中图分类号： F272.5  文献标志码：  A

Research on value evaluation method of science and

technology enterprises based on GRNN neural network

SONG Li-ping， LI Meng， YU Shu-yang

（1.School of Economics and Management， Harbin University of Science and Technology， Harbin 150080，China;  2.Finance and Assets Department， CNPC Greatwall Drilling Company，Beijing 100101，China）

Abstract： The implementation of the science and technology board reflects Chinas emphasis on the development of science and technology enterprises. In order to enable enterprises to obtain more development opportunities， accurately assessing the value of science and technology enterprises has become an urgent problem to be solved. Based on the analysis of the influencing factors of the value of science and technology enterprises， this paper constructs a value evaluation index system for science and technology enterprises， and establishes a value evaluation model for science and technology enterprises based on GRNN neural network. The data of 60 GEM technology-related enterprises were selected as samples. The GRNN neural network model was trained and tested by MATLAB technology. The results show that the established GRNN neural network model can accurately evaluate the value of technology-based enterprises.

Keywords： technology enterprise; enterprise valuation; value influencing factor; GRNN neural network

在新知识经济时代，科技型企业作为最具发展潜力的群体，在推动技术创新、促进科技成果转化、优化产业结构、加速经济发展中发挥着不可替代的作用。科技型企业在发展过程中会面临融资、产权交易、兼并收购以及IPO等经济活动，准确的企业价值是进行上述经济活动重要的决策依据，因此科技型企业价值评估问题显得愈发重要。但由于科技型企业具有无形资产占比较大、人力资源贡献作用突出、技术密集与知识密集等特点，导致评估科技型企业价值时具有一定的特殊性。为了准确评估科技型企业价值，有必要识别最具影响力的价值影响因素，构建符合科技型企业特点的价值评估模型，从而能够推动科技型企业资本的扩张与规模的扩大，促进其健康和持续发展。运用GRNN神经网络模型对科技型企业价值进行评估，构建了科学的、可操作的价值评估模型，丰富了科技型企业价值评估方法，对利益相关者进行经济决策具有一定的参考性。

1 文献回顾

经学者研究表明科技型企业价值由现有资产价值和潜在资产价值两部分组成，因此结合收益法和实物期权法来评估科技型企业价值[1]。冯媛媛[2]通过研究表明科技型企业现金流产生的方式受生命周期阶段的影响，结合生命周期理论会增强收益法评估科技型企业价值的合理性与准确性。段文奇[3]和张居营[4]分别探究了科技型企业整体价值创造过程及非财务因素与企业价值的关系，均指出科技型企业价值由财务因素驱动和非财务驱动因素两部分组成，仅从操作层面对经典价值评估方法进行拓展评估的科技型企业价值并不全面，建议结合财务与非财务指标，构建全面的科技型企业价值评估指标体系。李连燕等[5-6]通过对高新技术企业智力资本、创新能力与企业价值创造研究表明科技人员、科技投入、科技产出及智力资本通过影响核心竞争力来影响科技型企业价值;刘璘琳[7]指出技术資本、政府补助通过影响科技型企业创新能力来影响科技型企业价值。通过研究发现科技型企业价值在构成和产生方式等方面存在一定的特殊性，学者们对于科技型企业价值评估方法的研究，主要是基于经典价值评估的思想，针对科技型企业价值的特殊性对经典价值评估方法进行改良，具有一定的实用价值。随着研究的深入，学者将非财务因素引入科技型企业价值评估中，但只是定性地描述了其对科技型企业价值的影响，并没有建立两者定量的关系，此外对于影响科技型企业价值的非财务因素还需进行深入挖掘。在现有的研究基础之上，本文进一步分析科技型企业价值影响因素，找出价值影响因素与企业价值间的非线性映射关系，从而建立科技型企业价值评估模型。

8） 扩张能力。企业的扩张能力反映了企业的成长性，企业的成长性体现在经营收益和资产规模。高成长性的企业未来获取现金流的能力会越大，对企业价值的影响也就越大，科技型企业具有较高的成长性，因此扩张能力对科技型企业价值具有重要影响。

3 科技型企业价值评估指标体系构建

3.1 科技型企业价值评估指标的设计原则

在构建科技型企业价值评估指标体系时，为保证所选取指标能够合理全面地反映科技型企业价值，应以下述原则为前提设计指标：针对性，科技型企业是以知识型资产、科研实力和创新能力为主要竞争力的技术型企业，因此在设计指标时应选择能反映其知识、技术和科研含量的指标;全面性，价值影响因素不仅贯穿于企业运营的始末，还源于企业内部与外部，应全面考虑企业价值的影响因素;科学性，在指标的选择上及指标体系的设计上重注科学性原则，在全面考虑价值影响因素的前提下不要重复选择指标，以免造成误差;可获得性，应选能够量化处理的、代表性强的、最重要的是指标数据容易获得的。

3.2 科技型企业价值评估指标体系的确定

本文为满足科技型企业价值评估的需求，分析了科技型企业价值影响因素，以评估指标设计原则为前提，构建了全面且系统的多因素指标体系。建立的科技型企业价值评估指标体系包括了8个一级指标：核心产品的获利能力、科研创新能力、人力资源综合效能、资产的盈利能力、资产的营运能力、抗风险能力、现金创造能力及擴张能力，以及24个二级指标，如表1所示。

4  科技型企业GRNN神经网络价值评估模型的建立与测试

4.1 GRNN神经网络原理

GRNN神经网络是一种前馈式神经网络模型，以数理统计为基础，基于非线性回归理论，属于一种变换了形式的径向基函数神经网络。GRNN神经网络依据最大概率原则，对学习样本执行Parzen非参数估计，通过网络训练后计算网络输出[16-17]。

以输入层、模式层、求和层和输出层组成的4层结构为GRNN神经网络的基础结构，各层视学习样本的情况分别确定不同数量的神经元，且各层神经元的功能也各不相同。 X =[x1，x2，…，xn] T为网络的输入向量， Y =[y1，y2，…，yn] T为网络的输出向量。

1）输入层。用来接收学习样本，学习样本由输入层进入网络中，因此输入样本的向量维数即输入层神经元的数量，输入层的神经元没有处理功能直接将接收的样本传递到模式层。

2）模式层。学习样本的数量决定了模式层神经元的数量，模式层起到解决网络不适定的作用，各神经元对应不同的样本，模式层神经元利用Green对输入层传递来的信号进行处理，并将其传递到加和层，模式层神经元传递函数p的表达式为

pi=exp - （ X - X i）Τ（ X - X i） 2σ2  。i=1，2，…，n  （1）

其中： X 为网络输入变量; X i为第i个神经元对应的学习样本。模式层神经元i将学习样本 X i对应输入变量 X 之间的Euclid距离平方D2i=（ X - X i）Τ（ X - X i）的指数形式作为输出值。

3）求和层。求和层对模式层的输出分别进行算术求和与加权求和。算术求和神经元将加和层与模式层的连接权值确定为1，以式（2）的计算方式进行求和，并通过传递函数对算术求和结果进行如式（3）的处理后传递到输出层。

pi=∑ n i=1 exp - （ X - X i）Τ（ X - X i） 2σ2  ，  （2）

SD=∑ n i=1 Pi。  （3）

加权求和将加和层第j个分子求和神经元与模式层的第i个神经元的连接权值确定为第i个输出样本Yi中的第j个元素yij，以式（4）的计算方式进行求和，并通过传递函数对算术求和结果进行如式（5）的处理后传递到输出层。

pi=∑ n i=1 Yiexp - （ X - X i）Τ（ X - X i） 2σ2  ，  （4）

SNj=∑ n i=1 yijPi j=1，2，…，k。  （5）

4）输出层。样本的输出值由输出层输出，所以样本输出的向量维度k即为网络输出层的神经元数量。输出层对求和层神经元输出值进行相除，该网络的输出值即为神经元j的输出值同时也是 Y  ^ （ X ）的第j个元素，表达式为

yi= SNj SD  j=1，2，…，k。  （6）

GRNN神经网络对于研究对象的结构、参数、特性等方面的先验知识要求不多，在整个模型的建立过程中，各层神经元结构、神经元数量、连接权值以及传递函数等随输入样本而确定，在给定学习样本后GRNN神经网络通过自身的学习与训练就能达到输出和输入相匹配的结果，GRNN神经网络的训练完全取决于样本自身的数据，但在GRNN神经网络中需不断人为调整平滑参数σ，使得预测值与实际值之间的误差达到最小，平滑参数σ的确定对GRNN神经网络的运行性能和训练效果有很大影响。因此构建科技型企业GRNN神经网络价值评估模型时只需要人为调整平滑参数这一个自由参数，在很大程度上避免了科技型企业价值评估的主观性，提高价值评估的客观性[18-19]。GRNN神经网络还具有强大的非线性映射功可以在非财务价值影响因素与科技型企业间建立非线性映射关系，进而达到全面评估科技型企业整体价值进行评估的目的。由于我国科技型企业一般分布于创业板和新三板，但由于新三板对于企业数据披露不完全，导致能够收集到所有指标数据的样本企业数量较少，而GRNN神经网络当学习样本较少时可以对其进行训练，并不会影响其预测效果因此GRNN神经网络应用适用于评估科技型企业价值。

4.2 样本数据选取与预处理

本文从创业板上市公司中筛选符合科技型企业条件的公司，并从中排除部分具有数据异常、数据缺失、成立时间未达到3年以上以及目前已停牌的公司后，最终确定了60家上市公司作为样本。根据本文所构建的科技型企业价值评估指标体系，分别从巨潮网、国泰安CSMAR数据库和万得数据库中整理了每个样本企业的24个价值评估指标和企业市值。选择企业市值作为科技型企业价值预测指标，其他24个价值评估指标作为科技型企业价值影响因素。为消除经济环境和偶然性等客观因素的影响，本文选取这60家样本企业2016年12月31日至2018年12月31日的3年指标数据的平均数用于GRNN神经网络模型的训练及测试。将60家样本企业中55家企业的数据作为训练样本，5家企业作为测试样本。

由于企业价值评估的指标数据物理量纲不同，且指标数据有正有负、数值上相差悬殊，为确保网络输出的有效性同时提高网络的收敛速度及输出值的精准度，需对样本数据进行归一化处理。将数据进行归一化区间的选择取决于指标数据的类型，本文中数据存在负值，则将数据归一在[-1，1]区间，将数据进行归一化的函数表达式为

Y= X-min X max X-X -1。  （7）

4.3  科技型企业GRNN神经网络价值评估模型的设计

本文运用GRNN神经网络对科技型企业进行价值评估，将样本企业的24个企业价值影響因素指标和企业市值分别作为训练GRNN神经网络的输入样本因子和输出样本因子。由于每个样本的输入因子为24个，即输入向量的维度为24，输入层神经元的数量为24;用于训练的样本数为55，所以设置层神经元的数量为55;求和层神经元的数量为1;输出样本因子为企业市值，因此输出层神经元数量为1。拓扑结构，如图1所示。

4.4  科技型企业GRNN神经网络价值评估模型的训练及平滑参数σ的确定

在网络各层神经元设置好后，将通过归一化处理后的55家样本企业数据输入GRNN神经网络，通过不断调整平滑参数σ 的取值对GRNN神经网络模型进行训练，因为平滑参数σ在很大程度上影响着GRNN神经网络模型的运行性能，所以根据以往学者们的经验，运行中使用循环测试的方法，逐次选择位于区间[0.7，0.9]之间、步长为0.01的各个数值作为平滑参数σ的取值对GRNN神经网络模型进行训练，用网络输出的55家样本企业的预测值与实际值之间的误差平方和来表明该模型训练效果，本文中的预测值为给定输入因子时GRNN神经网络模型自行输出的企业价值，本文中的实际值即为企业市值。通过误差平方和来衡量模型训练的拟合程度，不同平滑参数下实际值与预测值的误差平方和的结果，如表2所示，平滑参数取值对误差的影响，如表3所示。当平滑参数为0.77时网络输出预测值与实际值的误差平方和最小为0.001 93，此时达到最优的拟合程度，因此GRNN神经网络的平滑参数σ的取值确定为0.77。

4.5  科技型企业GRNN神经网络价值评估模型的测试及结果分析

利用另外5家企业样本指标数据对训练好的GRNN神经网络模型进行测试，5家样本企业的预测值、实际值及预测值与实际值之间的相对误差，如图2所示，测试结果，如图3所示。通过分析GRNN对测试样本的预测值与实际值的相对误差，结果表明5组样本中相对误差最大为5.95%，相对误差最小为0.97%，在可接受的误差水平范围内，较好地拟合了企业的实际价值，该GRNN神经网络模型训练成功，可用于对科技型企业进行价值评估。

5 结论

对于处在高速发展中的科技型企业而言，合理准确评估企业价值十分重要。由于经典价值评估方法评估科技型企业价值时存在一定的局限，导致评估结果不够准确。本文探索了一种基于GRNN神经网络模型的科技型企业价值评估方法，提高了科技型企业价值评估的准确性与合理性。由于科技型企业价值存在一定的特殊性，依据研究结果得到了如下启示：第一，科技型企业是技术密集型与知识密集型企业，因此在对科技型企业进行价值评估时将科研创新能力及人力资源等非财务因素对企业价值的贡献考虑在内，全面地反映科技型企业整体价值。第二，运用GRNN神经网络模型评估科技型企业价值时，所使用的数据均来自于企业的客观数据，并借助MATLAB软件进行评估，极大程度避免了人为的主观因素，保证了评估结果的准确性与客观性。

本文的研究仍存在一些不足，但也为后续研究提供了潜在的研究方向。第一，本文运用GRNN神经网络评估科技型企业价值，由于GRNN神经网络的“黑箱性”，未能直观反映各价值影响因素对企业价值的影响程度，以及各价值影响因素间的相互作用关系，需进一步探究科技型企业价值与价值影响因素以及各价值影响因素之间的定量关系。第二，本文选用55家创业板样本企业数据对GRNN神经网络模型进行训练，若要得到更为精确的价值评估结果，需适当扩大样本量并尽量选择优质的样本企业数据对GRNN神经网络模型进行训练。

参考文献：

[1]  朱永明，孟庆南.基于价值链思维的高新技术企业价值评估[J].财会通讯，2013，14 （38）：40.

[2] 冯媛媛.基于企业生命周期的高新技术企业价值评估方法研究[J].技术与创新管理，2014，35（5）：537.

[3] 段文奇，宣晓.基于价值创造视角的互联网企业价值评估体系研究[J].财贸研究，2018，29（9）：85.

[4] 张居营，孙晶.基于熵权模糊物元模型的创新型企业价值评估[J].技术经济，2017，36（9）：31.

[5] 李连燕，张东廷.高新技术企业智力资本价值创造效率的影响因素分析：基于研发投入、行业竞争与内部现金流的角度[J].数量经济技术经济研究，2017，34（5）：55.

[6] 孙晶.创新能力重构与创新型企业价值创造[J].税务与经济，2016（5）：6.

[7] 刘璘琳.产业异质性、技术创新与企业价值的关系研究[J].技术经济与管理研究，2016（5）：8.

[8] LIU Y， CHEN H. Fault diagnosis of gearbox based on RBF-PF and particle swarm optimization wavelet neural network[J]. Neural Computing & Applications，2019，31：4463.

[9] SPECHT D F. Probabilistic neural networks and the polynomial adaline as complementary techniques for classification[J]. IEEE Transactions on Neural Networks，2002，1（1）：111.

[10]  MODARESI F，ARAGHINEJAD S，EBRAHIMI K. A comparative assessment of artificial neural network，generalized regression neural network，least-square support vector regression，and K-nearest neighbor regression for monthly streamflow forecasting in linear and nonlinear conditions[J].Water Resources Management An International Journal Published for the European Water Resources Association，2018，32（1）：243.

[11] 潘文超.應用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估[J].太原理工大学学报（社会科学版），2011，29（4）：1.

[12] 张同钰.基于广义回归神经网络的黄金价格预测研究[J].中国集体经济，2016（1）：73.

[13] 于卓熙，秦璐，赵志文等.基于主成分分析与广义回归神经网络的股票价格预测[J].统计与决策，2018，34（18）：168.

[14] 陈帆，刘柏嵩，吴瑶.网络协同视角下科技企业孵化器的价值创造研究[J].科技与管理，2017，19（5）：87.

[15] 胡善成，李睿.基于三大研发活动的R&D规模收益及合理配置研究[J].科技与管理，2017，19（6）：73.

[16] ISLAM MM， LEE G，HETTIWATTE S N， et al. Calculating a Health Index for Power Transformers Using a Subsystem-based GRNN Approach[J]. IEEE Transactions on Power Delivery， 2017（99）：1.

[17] GHRITLAHRE H K， PRASAD R K. Exergetic performance prediction of solar air heater using MLP， GRNN and RBF models of artificial neural network technique[J]. Journal of Environmental Management， 2018， 223：566.

[18] MAJUMDER H， MAITY K. Prediction and optimization of surface roughness and micro-hardness using grnn and MOORA-fuzzy-a MCDM approach for nitinol in WEDM[J]. Measurement， 2018， 118：1.

[19] KE W， CHEN H， LEI Y， et al. Prediction method for asphalt pavement crack based on GRNN neural network[J]. Journal of Shenzhen University， 2017， 34（4）：378.

[编辑：厉艳飞]

收稿日期：  2019-10-31

基金项目：   黑龙江省自然科学基金项目（G2017003）

作者简介：   宋丽平（1967—），女，教授，博士;

李 萌（1994—），女，硕士研究生;

于书洋（1985—），男，硕士.