基于因子分析的公司价值评估方法研究——以人工智能板块上市公司为例

宋 华 袁栋绪

(安徽大学，安徽 合肥 230601)

一、研究的提出及思路

随着我国经济的发展，投资者教育得以不断加强，投资权益类证券逐渐成为企业和个人进行资产管理、风险控制的主流方式。越来越多的机构或个人投资者选择将资金投向股票市场，本质来说就是将钱投向了企业。但是由于股票市场影响因素众多，投资者往往很难对企业的投资价值做出准确的判断，造成其承受了过高的投资风险。因此，要准确评估公司的价值，进而判断其发行的证券是否值得投资，就需要探索一种简单明了、准确度较高的方法。目前，国内外学者采用的研究思路主要是研究公司价值或股票投资价值，而两者的结合研究相对较少。本文基于相对估值法的思路，采用因子分析对所选取样本的各个维度进行系统的评估，并通过公司历史股票价格与实际经营状况来对结果进行模糊检验，为投资者提供了一种新的思路和评估方法。

二、评估体系的构建

（一）评估样本选择

近期人工智能的发展如火如荼，本文选取了A股市场中人工智能概念板块的公司作为研究的样本数据（排除极个别*ST股票），主要数据采集于锐思金融数据库。考虑到上市公司的季度财务报告受当期较多因素影响，因此基于股价的历史表现选取了AI概念板块共32家上市公司最近一期（2016年）的年度财务报告数据进行探索性研究，基本能全面的反映各家公司过去的整体价值，帮助投资者采取新型方法对公司价值及其投资价值进行横向比较。评估样本选取的公司如下所示：京山轻机、紫光股份、浪潮信息、御银股份、海得控制、江南化工、科大讯飞、川大智胜、拓维信息、高乐股份、汉王科技、康力电梯、和而泰、海康威视、启明星辰、博实股份、视源股份、特锐德、神州泰岳、机器人、同花顺、梅泰诺、赛为智能、蓝色光标、欧比特、GQY视讯、思创医惠、高新兴、万讯自控、新国都、华中数控、美亚柏科。

（二）评估指标选择

企业的财务报告综合反映了其整体情况，是企业整体价值的表现形式，也决定着企业股票的投资价值。要评估企业的价值如何，主要考虑其经营状况、盈利能力、偿债能力、成长能力的情况如何。所以，根据该板块企业的特点选取了12个财务指标作为企业价值的基本评估指标，再通过SPSS的因子分析法进行综合分析。选取的12个基本评估指标如下：净资产收益率（VAR2）、营业利润率（VAR3）、成本费用利润率（VAR4）、流动比率（VAR5）、现金流动负债比（VAR6）、营业收入增长率（VAR7）、净利润增长率（VAR8）、总资产增长率（VAR9）、流动资产周转率（VAR10）、总资产周转率（VAR11）、资产负债率（VAR12）、固定资产比率（VAR13）[1]。此处，为了方便进行因子分析，甄别数据归属，故将公司名称作为字符串变量（VAR1）。

三、基于因子分析的样本实证研究

（一）样本的KMO与Bartlett检验

假设所选取的样本数据组成的相关矩阵间不存在共性因子，即所选取的数据不适合作因子分析使用。因此需使用SPSS对所选取的样本做KMO与Bartlett检验，分析其是否适合作为本次研究的样本数据，检验结果如表1所示：

表1 KMO和巴特利特检验

上表所示：KMO值为0.624＞0.5，所选取样本数据间具有较高的共性，统计学原理表明其适合做因子分析。同时，Bartlett检验值为315.266，显著性为0，故已达显著水平，此时应拒绝原假设：假设所选取的样本数据组成的相关矩阵间不存在共性因子。拒绝原假设也即：所选取的样本数据间组成的相关矩阵存在共性因子。故所选取的样本数据组成的矩阵为非单位矩阵，各变量存在着一定程度的相关关系，适合作为因子分析的基本数据。

（二）公共因子的提取及确定

采用主成分分析法，将提取公共因子的条件设置为特征值μ＞1后进行公共因子的提取，得到公因子方差表（表2）。表2结果显示：所有变量的提取值皆达到0.75以上，即所选取的12个指标能被公共因子解释至少75%，且并没有变量信息丢失较为严重的现象发生。因此，本次所提取的公共因子对总体变量具有相当高的代表性和解释能力，所选取的公共因子非常合适。

表2 公因子方差

表3显示，前4个因子的累积方差贡献率达到81.292%，已经能对基础指标做出很好的解释，其余8个因子所占累计贡献率不足20%。结合碎石图来看，选取前4个因子用作公司价值评估研究相对合适。

表3 总方差解释

从旋转载荷量表来看，公共因子经过旋转之后的累积方差贡献率并没有发生改变，而每一个因子的贡献率却得到了重新分配。第一个因子解释能力最强，其方差贡献率占总方差贡献率的22.724%。而第二个因子与第三个因子的方差贡献率分别占比21.214%、20.000%，仅次于第一个因子。可以看出，前三个因子的方差贡献率差距不大，都具有很强的解释能力。而第四个因子的解释能力稍弱，其方差贡献率占比17.355%。因此，选择前四个因子来解释上文提到的12个基本财务指标是非常合适的。

（三）公共因子的命名及其解释

在提取出合适的公共因子之后，为了使其在变量上的载荷量呈现出明显的差异，需要使用最大方差法将因子进行旋转，得到旋转后的成分矩阵表（表4）。

表4 旋转后的成分矩阵

从旋转后的成分矩阵可以看出，第一个因子在总资产周转率（VAR11）、流动资产周转率（VAR10）、净资产收益率（VAR2）三个变量上具有极高的因子载荷量。总资产周转率、流动资产周转率是企业的经营效率指标，主要反映的是企业经营活动的资金使用效率。在一定的利润率下，企业的经营效率越高，其净资产收益率也越高，因此净资产收益率不只反映了企业的经营能力，在一定程度上也反映了企业的经营效率问题。因此，应将第一个因子命名为：效率因子。

第二个因子在现金负债比 （VAR6）、流动比率（VAR5）、固定资产比率（VAR13）、资产负债率（VAR12）四个变量上具有极高的因子载荷量。现金负债比、流动比率直接反映了企业的偿债能力，而固定资产比率与流动比率成负相关，固定资产比率越高则企业流动资产比率越低，其在很大程度上从侧面反映了企业的财务结构。资产负债率与此因子呈现出极高的负相关关系，这一指标直接反映了企业的财务结构。现金负债比、流动比率、资产负债率皆与企业的债务性融资具有很大关系直接反映了企业的资产负债结构，而固定资产比率则间接地反映了企业的资产结构。因此，应将第二个因子命名为：财务结构因子。

第三个因子在营业利润率（VAR3）、成本费用利润率（VAR4）上具有较高的因子载荷量。虽然在净资产收益率（VAR2）上的因子载荷量相对较低，但也超过了50%。这三个财务指标是企业的盈利能力指标，基本上反映了企业的盈利能力。因此，应将第三个因子命名为：盈利因子。

第四个因子在总资产增长率（VAR9）、营业收入增长率（VAR7）、净利润增长率（VAR8）这三个变量上具有较高的因子载荷量。总资产增长率、营业收入增长率、净利润增长率是企业的成长指标，反映了企业的成长能力。因此，应将第四个因子命名为：成长因子。

将以上命名的因子整理后得到因子信息表（表5）：

表5 因子信息表

（四）因子得分及结果

根据上文提取出来的因子以及因子分析所得到的成分得分系数矩阵（表6），对12个基础财务指标变量进行加权求和处理，构建出因子得分函数，以便计算各个样本在各个因子上的得分情况。

设因子得分函数为

式（1）中，Fi表示第 i个因子，i=1，2，3，4；βn表示第i个因子在第n个变量上的得分情况；VARn表示第n个变量的值。 n=2，3，4…13；

表6 成分得分系数矩阵

则根据成分得分系数矩阵可以得到所选择公共因子的得分函数分别为：

将数据进行标准化后代入因子得分函数，计算出各家公司对应的因子得分及其排名，整理得到各公共因子得分表（表 7）。

在得出各个公司在每个因子上的得分后，需要对各家公司的因子得分情况综合进行考虑，然后得出各家公司的综合得分进行比较评价。为了排除主观赋值法对模型的干扰，此处将各因子的方差贡献率作归一处理后得到的权数作为各个因子的权重构建综合得分函数。

则综合得分函数为：

F是公司的因子综合得分；ζi是第i个因子的方差贡献率。

表7 各公共因子得分表

表8 各公司综合得分排名表

由因子得分函数计算出所选取样本的综合得分，得到人工智能板块各公司综合得分排名表（表8）。

（五）因子分析的结果分析

一般来说，上市公司的价值如何在一定程度上是通过股价反映出来的。通过各公司的综合评分表可以看出，排名前列的公司价值相对较高，而排名靠后的公司其价值相比于排名前列的公司较低。例如，视源股份、紫光股份、同花顺三家公司具有较高的股价，视源股份是交互智能细分领域的龙头公司，有着极高的发展潜力，同时资金的运用效率在人工智能板块排名第一。而紫光股份是清华大学以加速科技成果产业化而设立的高科技公司，是人工智能、语音合成等领域的龙头公司，市场也给予了较高的估值。同花顺则是我国金融数据信息龙头提供商，其庞大的数据源是其具有发展人工智能产业的坚实基础。基于数据资源的绝对优势，同花顺实现了金融、大数据、人工智能的融合，在人工智能投资机器人方面已经实现了跨越式发展。

排名最后三位的公司经营都出现了不同的问题，GQY视讯自从2015年涉及机器人行业以来，其投资并未初见成效，反而导致其主营业务收入连年下滑，已经连续两年亏损，今年更是为了避免ST而出售地产实现净利润的维持[2]。华中数控的效率因子、财务结构因子、盈利因子得分情况较差，其自2011年在创业板挂牌之后业绩惨淡，该公司近年投资人工智能行业使得其成长因子得分较高，但是暂未实现太多的成果转化令该公司前景堪忧。排名末位的海得控制在财务结构因子、盈利因子、成长因子上的得分情况均较低，该公司资产负债率颇高，且已连年亏损，甚至已经被市场视为其他公司借壳上市的“壳资源”，且因该公司的财务状况持续恶化，市场对该公司作为壳资源的评价也相对较差。

但是，样本的实证结果也显示了个别公司在排名表中的位置出现偏离。例如，高乐股份、拓维信息两家公司的虽股价不高，因子分析却给出了这两家公司很高的综合得分使得其排名靠前。根据表7可以看到高乐股份的效率因子、财务结构因子、成长因子得分较高，说明其财务结构表现得相当合理，又有较高的成长能力，具有较高的成长能力和较低的财务风险，因此因子分析给出了较高的得分。拓维信息则是具有相当高的盈利能力和成长能力使其排名靠前。

作为国内人工智能、语音识别产业的佼佼者——科大讯飞，虽然股价一直上涨，但是在因子分析中并未得到高评分。各因子得分表显示，科大讯飞的效率因子、财务结构因子得分相当低，盈利因子、成长因子也没有在板块中获得较高的得分排名。查阅其财务数据可以看出，该公司的资金利用效率较差，偿债能力也不佳。从其基本业务可以看出，科大讯飞目前主要将资金投资于语音识别产业，该产业的成熟度较低，导致了该公司前期需要投入大量资金用于产品研发，从而使其无法保持良好的资金流动性[3]。但是，技术的研发存在着较高的风险，即使该公司的盈利能力、成长能力尚可，一旦前期投入巨量资金的产品无法实现产业化盈利，公司的后续经营就会出现问题，目前该公司的价值在一定程度上被市场高估了。

四、结语

基于相对估值思路的因子分析法，对人工智能板块上市公司2016年报数据进行研究，结论表明：（1）基于相对估值角度的因子分析法能够较好的对企业价值进行评估，利用因子分析法可以很好的筛选出板块或行业中价值较高、发展较好的公司，为投资者进行投资决策时提供有效的理论支撑。（2）所提取的效率因子、财务结构因子、盈利因子、成长因子这四个公共因子，在很大的程度上已经能够从各个维度对企业的价值进行评估，投资者能够对拟投资公司在行业中的发展水平有较深刻的把握，企业的决策者也可以根据本方法对企业自身的短板进行修正。

值得注意的是，因子分析法本身就是一种探索性的研究方法，本文也是基于我国目前金融市场的特点提出了使用股价和实际经营状况对结果进行模糊检验。但是，股价受总股本和股票流通数量等多因素的影响，使用股价对因子分析结果进行模糊检验的方法并不是绝对合理。由于目前并没有合适的方法能够检验因子分析法结论的准确性，故本文也只能采用股价与实际经营状况相结合的方式对结果进行模糊检验。总之，公司价值的影响因素是多方面的，价值评估的结果本身也应该是动态的、多维度的，若能在公司价值评估时将因子分析法与其他基于绝对估值法视角的方法相结合使用，通过多机制、分权重的方式将多种结果结合起来分析，公司价值评估的结果会更加准确。

[1]黄朝阳,李智.基于因子分析法的中国上市商业银行竞争力研究[J].浙江金融,2014(7):59-63.

[2]赵青明.GQY视讯业绩变脸、重组失败又遭减持[N].财会信报,2017-3-13(E03).

[3]卫萌,淦凌云.科大讯飞的人工智能之路[J].互联网经济,2016(Z2):56-61.