基于DEA-Tobit方法的人工智能行业上市公司融资效率研究

刘 超, 傅若瑜, 李佳慧, 周文文

(1.北京工业大学 经济与管理学院,北京 100124; 2.清华大学 生命科学学院,北京 100062)

0 引言

在当前，推动互联网、大数据、人工智能和实体经济深度融合是加快建设制造强国，加快发展先进制造业的重要过程。人工智能是国际竞争的新焦点，将成为引领未来的战略性技术。学术界对于人工智能未有明确的定义，较为主流的定义为使用机器代替人类实现认知、识别、分析与决策等，是一门综合计算机科学、生理学、哲学等的交叉学科。其自诞生之初就引起国内外学者的广泛关注并掀起资本市场的投资热潮。2016年，据Vennture Scanner的不完全统计，全球共有957家人工智能公司，囊括深度学习、语音语义识别、机器视觉等13个领域，融资金额高达48亿美元，人工创投金额在2011～2016年五年间增长约12倍，截止到2016年，我国人工智能企业有366家，仅2015～2016年间，人工智能领域获投金额在90亿人民币左右，人工智能对于培育新兴产业发展、产品创新和智能终端的发展具有重要意义。

现阶段，我国人工智能产业正处于发展初期阶段，呈现融资速度快，但融资渠道混乱、融资效率低下的特征，这对深化我国供给侧结构性改革，优化产业改造、产业价值链升级带来一定的挑战与阻力。因此，剖析我国人工智能领域融资现象，深入研究我国人工智能产业上市公司的融资效率和影响因素，有利于客观反映整体的人工智能公司的融资效率发展状况和影响因素，对于加快现代制造业和服务业发展、瞄准国际标准提高水平、促进我国产业迈向全球价值链中高端、竞争新一轮国际科技主导权、培育若干世界级先进制造业集群具有重要的作用。

1 研究现状

国内外对于融资效率问题进行了诸多有意义的研究。西方国家由于其特殊的国家财产组织体系和产权制度使得其企业的融资效率普遍较高[1]。故而西方学者对企业融资效率的实证研究相对较少，其主要研究融资结构如何影响融资效率以及运用融资理论研究资源配置效率问题。Romano et al.[2]通过实证分析，研究发现企业的经营目标、资本结构、管理模式、生命周期等都会对企业的融资效率产生影响；Almeida and Wolfenzo[3]利用均衡模型发现资本配置效率与公司外源融资需求及外部投资者利益保障存在较强的关联，当不能有效保护外部投资者权益时，公司的资本配置效率受到抑制。当公司的外源融资需求增多时，公司会将资本从产出效率较低的项目向产出效率较高的项目进行再配置，从而提高资本融资效率；Eisdorfer et al.[4]考察了资本结构、高管薪酬与资本融资效率之间的关系，利用杠杆比率和公司杠杆率之间的相似性判断公司资本融资效率的高低，认为杠杆间隙的加大将导致更多的投资扭曲，较多的负债补偿将导致投资不足，而股权补偿将会引发投资过热。此外，当补偿杠杆低于或高于公司杠杆时，投资失真将会增加股权(负债)价值。这些结果表明，经理人为了增加投资组合的价值可以人为地拉低资本融资效率，并以更小的杠杆差距缩减代理成本。Kaffash S, Marra[5]研究了1985年到2016年4月期间 Web of Science数据库中有关融资效率研究的金融领域特性。

国内的学者对融资效率研究较为丰富，对于融资效率的测度主要用了三种方法：模糊综合评价、数据包络分析(Data Envelopment Analysis，简称DEA)、指标体系评价[6]。其中，数据包络分析 (DEA) 是处理具有多个输入和多个输出的多目标决策问题的方法，因而能够更理想地反映评价对象自身的信息和特点，同时对于评价复杂系统的多投入多产出分析具有独到之处。陈燕武[7]利用非DEA对福建省9个地市的科技投入产出效率 (2004～2008) 进行评价，并应用复合DEA方法和Malmquist指数对科技投入产出效率非DEA有效地区的形成原因及其生产力的动态变化进行了分析；王赫一和张屹山[8]基于两阶段DEA方法对我国上市银行的运营绩效进行了实证分析；董锋等[9]利用三阶段DEA模型构建消除外部环境因素和随机因素的区域碳排放效率测算模型并测算了各省1997～2010年平均碳排放效率；杨德权和薛云霞[10]提出了交叉效率DEA和熵IAHP方法并评价了物流企业的绩效；刘满凤和李圣宏[11]运用三阶段DEA模型对2012年我国高新区的创新效率进行了研究；关于DEA 模型以及应用DEA研究企业或行业效率、绩效的文献还有如查勇等[12]，朱南和谭德彬[13]，李春好等[14]，在此就不再一一赘述。

综上所述，国外学者偏重于对融资效率理论和融资结构的研究，而我国学者受到国外公司理论的影响，其研究内容偏重于对概念的界定，同时大量运用各种分析工具对融资效率进行实证。目前对于人工智能产业的研究相对不足，并局限于定性分析上，缺少更细化的定量研究内容。笔者认为应该在以下几个方面弥补研究的空白：第一，定性和定量的研究人工智能产业融资效率现实状况。第二，探究影响人工智能产业融资效率不足或进步的主要动因。第三，针对人工智能产业融资状况的特点，寻找影响融资效率的因素。因此，本文提出基于DEA-malmquist分析与Tobit方法，能够客观的弥补已有研究的不足，从定量角度对融资效率进行研究。

2 模型的构建

2.1 CCR-BCC模型

数据包络分析方法(DEA)由Charnes et al.[15]于1978年提出，该方法的原理主要是通过保持决策单元(DMU, Decision Making Units)的输入或者输入不变，借助于数学规划和统计数据确定相对有效的生产前沿面，将各个决策单元投影到DEA的生产前沿面上，并通过比较决策单元偏离DEA前沿面的程度来评价它们的相对有效性。DEA方法以相对效率概念为基础，以凸分析和线性规划为工具的一种评价方法，它能充分考虑对于决策单元本身最优的投入产出方案，因而能够更理想地反映评价对象自身的信息和特点；同时对于评价复杂系统的多投入多产出分析具有独到之处。

第一个重要的DEA模型是CCR模型，它是1978年由美国运筹学家Charnes et al.[15]以相对效率概念为基础提出的一种系统分析方法，该模型利用了Farrell[16]所提出的多项投入和产出效率衡量概念。假设有n个决策单元(DMU)，每个决策单元都有k个输入向量Xi=(xi1,xi2,…,xin)，i=1,2,…,k和w个输出向量yr=(yr1,yr2,…,yrn),r=1,2,…,w，具有非阿基米德无穷小的CCR模型如下：

(1)

CCR的假设是决策单元规模效益不变，任何企业都可能通过增加投入比例扩大产出规模。而实际上由于政策法规、市场环境等因素都会限制企业在理想的状态下运行，这意味着规模报酬是可变的，通过补充上述模型，可以得到规模报酬可变的DEA模型，即BCC模型：

(2)

(2)中各变量含义均同(1)。模型中的θ(θ≥δ)表示纯技术效率(PTE)，而θ越大表示该公司的纯技术效率越高。可以将BCC模型中的综合技术效率值(TE)分解为纯技术效率(PTE)和规模效率(SE)，即：TE=PTE×ES。通过TE=PTE×SE，我们可以得知式中的0

2.2 Malmquist 指数方法

对于全要素生产指数的测度主要包括非参数法和参数法，参数法需要设定特定的生产函数描述投入和产出之间的关系，一般是利用投入产出做回归分析来确定函数表达式中的参数，来确定生产率。非参数方法不必设置具体生产函数，无须引入假设，可避免不同的生产函数设定导致结果迥异等情况[17]。Malmquist[18]在对消费分析的时候首次提出了Malmquist指数法，随后Caves et al.[19]将其用于计算生产效率。其本质是利用不同时刻距离函数的比值来测度生产率的变化，Malmquist生产率指数计算如下：

(3)

(4)

D0(xt,yt)、D0(xt+1,yt+1)分别表示t、t+1时期的决策距离函数，其中D0(xt,yt)的值恰好为DEA理论中CCR模型当投入(输入)和产出(输出)变量分别为xt和yt时的最优值δ的倒数；为了避免随意选择时期引起的差异，通过几何平均数，Caves et al.[19]定义了综合生产率指数：

(5)

若M值大于1，表示其效率是增长的，相反小于1表示效率是降低的。上述(5)式也可以表示为：

(6)

(7)

2.3 Tobit模型

由于DEA方法所估计出的效率值介于0到1之间，其因变量的数值是切割(Truncated)或片段(截断) 的，如果采用普通最小二乘法(OLS)来估计无法完整地呈现数据，将导致估计偏差，因此本文采用遵循最大似然法概念的Tobit模型进行回归分析。Tobit模型是一种经济计量模型，最早是由诺贝尔经济学家James Tobin提出的[20]，是因变量受到限制的一种模型，又称截断式回归型。其基本形式如下：

(8)

(9)

其中，yi为因变量，对应前面3个模型计算得到的效率值；Xi为自变量，β对应各个因素；εi为各因素的系数比例；为残差项且满足εi～Normal(0,σ2)

当yi=0时，其概率分布函数为：

(10)

(11)

3 实证分析

本文实证部分首先从国泰安、Wind资讯等数据库中抽取37个人工智能产业上市公司，以2013～2016年间的财务数据为原始资料。首先我们选取了总资产、总营业成本、资产负债率为投入指标，净资产收益率、总资产周转率、主营业务收入增长率为产出指标。并运用DEA方法中的CCR和BCC模型对该37个人工智能产业上市公司的融资效率进行了静态分析，得出了综合技术效率值、纯技术效率值、规模效率值三个反映融资效率的指标(值为1的时候，认为融资效率达到了最佳，低于1都认为是融资效率不佳，其融资过剩还是融资存在缺口通过松弛变量的正负来判断，文中未给出原始数据)；为了深入研究2013～2016年间37家人工智能产业上市公司融资效率随着时间的变化情况，在DEA模型的基础上，采用了Malmquist指数的计算方法，对其进行了动态分析，得出了技术效率变化指数、技术进步变化指数、规模效率变化指数、Malmquist指数。通过五个指数可以反映37家公司融资效率逐年变化(值大于1，认为效率存在进步，小于1说明了技术没有进步)。最后，我们对人工智能产业融资效率的影响因素进行探究，本文选取并假设资本结构、成长能力、盈利能力、资金利用率、股权集中度为变量，构建了Tobit模型，通过分析数值结果，可以得出五个变量与企业融资效率的相关关系(值为正，且p<0.05认为有较强的正相关关系)。

3.1 样本、变量及数据说明

3.1.1 样本的选择和预处理

本文选取了在2013年前国内上市的37家人工智能产业公司为研究样本，为了更全面地反映融资过程的动静态变化，选取了2013～2016四年的财务报表的相关数据作为评价我国人工智能产业上市公司融资效率的基础。本文采用的数据均来自于国泰君安数据库(CSMAR)、Wind资讯数据库以及各家上市公司公布的年报，人工智能上市公司的划分依据Wind经济数据库的人工智能板块，并人为剔除*ST和一些数据不全的企业。

DEA模型实际上要求所有的投入指标和产出指标为正值。而本文所选指标中资产负债率、净资产收益率、总资产周转率、主营业务收入增长率有可能为负值，并且总资产的数量级过大，不利于保持数据的一致性。故而笔者将所有指标可以用以下式子进行处理，使其归一到一个正值区间。

(12)

3.1.2 变量的选择

融资效率是投入和产出能力的测度，其选取指标的方法有三种：生产法、中介法、资产法[18]。根据指标选择的科学性、逻辑性、可操作性，本文选取了3个投入变量：①总资产：可以反映人工智能产业上市公司融资规模的大小。②资产负债率：能够体现企业的资本结构。根据融资结构理论，企业的经营风险较小，则可以通过财务杠杆的合理利用获得更多的利润。若经营风险较大，其偿债风险更大，财务杠杆则会产生负面影响。故资产负债率既能体现企业的资本结构，也能体现其受资本结构的影响程度。③营业总成本：该指标主要体现了企业生产经营的花费的代价，总成本越高，其利润越小。换而言之，成本决定了利润。该指标体现了企业对资金的利用能力；

选择产出变量则从企业的成长性、盈利能力、资金使用效率三个方面反映：①净资产收益率：该指标为利润额与平均股东权益的比值。其数值越高则融资带来的收益越高。该指标体现了公司利用自有资本获得净收益的能力，也是衡量其盈利能力的标准。②总资产周转率：即为企业总资产的周转速度。由营业收入和年平均资产总额做比得出。体现了公司生产经营过程中资本的输入输出过程的流转速度，反映了企业资本的利用效率和管理质量。该指标越高，则资金利用效率越高。③主营业务收入增长率：可衡量公司产品的生命周期，判断公司所处的成长阶段和成长能力。

表1 人工智能产业融资效率评价指标体系表

3.2 模型结果

3.2.1 基于DEA模型的融资效率测度结果

基于投入角度的CCR-BCC模型，应用DEAP 2.1软件对2013～2016年人工智能产业的37家上市公司的融资效率进行了测度，并求取均值，其结果如下。

表2 2013～2016年37 家人工智能产业上市公司综合效率统计表

表1给出了2013～2016年四年间公司的静态技术效率及分解项的平均状况。我国人工智能产业上市公司总体融资效率偏低。综合技术效率四年均值仅为0.7711，标准差为0.1568。而所选取的37个样本公司中仅有1家的综合效率值达到了1，且有关松弛变量为0。也就是达到了规模有效和纯技术效率有效(PTE=1，SE=1)；纯技术效率总体来说相对较高，纯技术效率四年的均值为0.9225，纯技术效率值达到1的公司的数目为6个，占比16.6%。而纯技术效率值未达到0.8的公司数目只有3家。规模效率四年均值为0.8319，且规模效率值未达到0.8的公司共计13家。总体来说，综合效率值偏低主要是由于规模效率值较低引起的。

纯技术效率反映了公司管理政策和水平，我国高新技术企业资金管理水平和企业所处的发展阶段相关，处于快速成长阶段的高新技术企业资金营运管理能力很高。紫光股份、和而泰等人工智能上市公司大多处于快速成长阶段，其对资金的营运能力较强。另外由于人工智能产业上市公司大多产生于高校和研究院，其研发人员和管理层人员的素质相对较高，并在适当的时期采取了股权激励制度，故而在资金的利用和管理方面相对较优。

3.2.2 人工智能上市公司融资效率动态分析

动态分析比静态分析更能体现融资效率随着时间的变化情况。利用Malmquist指数测度2013～2016年人工智能产业上市公司融资效率的动态变化过程。其计算结果如下：

表3 2013～2016年人工智能产业Malmquist指数及其分解

从四年的均值来看，我国人工智能产业上市公司融资效率下降，其技术效率变化指数和技术进步变动指数均小于1，分别为0.958和0.941。纯技术效率变动指数大于1.014，规模效率变动指数为0.945。表明了综合技术效率的下降趋势主要是由于规模效率的下降所引起的。整体上样本企业利用规模提升融资效率的能力不足，其规模和产出不相匹配。分时段来看，我国人工智能产业上市公司融资效率处于波动之中。2013～2014年间技术效率变化指数、技术进步变动指数、纯技术效率变动指数、规模效率变动指数、Malmquist指数均超过1，该年间人工智能产业总体融资效率有了较大进步。技术效率变化、技术进步、纯技术效率的提升和规模效率都促进了综合技术效率的增长。而2014～2015年间，malmquist指数则小于1呈现了下降趋势，从四个指标来看，全要素生产指数的下降是多方面导致的，既有纯技术效率下降的原因也有规模效率下降的原因。2015～2016年只有纯技术效率上升，其他指标均没有超过1，而Malmquist指数虽有所上升，但是还未超过1，故而纯技术效率，说明企业内部人员素质和管理水平的提高，对融资效率虽然起一定作用，但是不能起决定作用。

37家样本公司中(如表3)仅有绿景控股、汉王科技、康力电梯、和而泰、巨星科技、同花顺、蓝色光标、浙大网新、四川长虹9家Malmquist指数超过了1，占比24.3%。其中，排在前三位的是四川长虹、浙大网新、蓝色光标。融资效率的进步由多方面决定的。浙大网新融资效率的向好态势得益于技术进步和规模的效率的提升。2008年以后和ST海纳公司进行了重组，进行了产业整合，实现了人才技术资金的齐头并进，减缓了管理和资源的冲突。蓝色光标融资效率也进步显著，存在着技术的进步和规模的提升，开展大量的海外并购收购英国Huntsworth、美国数据分析公司Blab等公司。

表4 2013～2016年37家人工智能产业上市公司平均Malmquist指数及其分解

3.2.3 人工智能产业上市公司融资效率影响因素研究

上文从投入角度对我国人工智能产业上市公司的融资效率进行了比较分析，但是实际决策中还受到了其他一些重要因素的影响，如融资结构、股权集中度等，下文则以五种影响人工智能产业上市公司的融资效率为自变量，以DEA运算得出的纯技术效率为因变量，构建Tobit模型。

假设1人工智能产业上市公司的融资效率和债权融资成正比。一般企业的融资方式主要有债权融资和股权融资两种。一般来说，企业的资本结构受融资方式的影响，而资本结构又影响平均资本成本，平均资本成本影响着融资效率。因此本文选取了资产负债率作为债权融资指标，来反映人工智能产业上市公司的融资结构。

假设2人工智能产业上市公司的融资效率与企业的盈利能力成正比。企业的盈利能力越强，则偿债能力越强，也更容易获得债权融资。盈利能力强的企业内部资金充裕，通过内部融资既可以减少融资成本，也可以降低其财务风险。另外，盈利能力强则向市场传达出该企业发展较好的信号，有利于其股权融资。综上，企业的盈利能力和融资效率息息相关。因此本文选择了净资产收益率作为其盈利能力的指标。

假设3人工智能产业上市公司的融资效率与企业的成长能力成正比。成长性区分于盈利能力，成长性较好的企业不一定意味着盈利能力越好，尤其是高新技术产业，其投入的研发资金会在未来为公司带来丰厚的利润。这样的企业也会有更大的成长机会。理论上讲，比起成长性低的企业，高成长能力的企业往往对融资方式有更多的选择，进而影响着融资效率。因此笔者选择营业收入增长率作为企业成长能力的指标。

假设4人工智能产业上市公司的融资效率与企业的资金利用率成正比。其包括资金到位率和资金利用的充分性。资金的到位率则表示公司将自己募集的资金运用于企业生产的程度，其程度越高，无疑融资效率越高；由于我国证券市场制度的不完善，监管不严格，一些上市公司募集资金后随意变更资金流方向，使得公司财务风险加大。另外，目前市场上超募现象严重，其资金超出了企业的管理计划，很多企业将募集的资金存于银行，造成了资本的浪费。故将主营业务成本作为资金利用率的指标。

假设5人工智能产业上市公司的融资效率与企业的股权集中度成正比。股权集中度的合理性影响公司的治理结构，股权过度集中会造成一家独大的局面，造成严重的大小股东的信息不对称，容易产生控股的股东利用股权投资圈钱，并根据自己的个人利益变更募集资金的投向，使得企业的融资效率降低。因此本文以前十大股东持股比例作为衡量股权集中度的指标。

在以上五种假设和在DEA的效率测度的基础之上，由于因变量纯技术效率介于0-1之间，我们则以Tobit回归模型研究人工智能产业上市公司融资效率的影响因素。构建模型如下：

PTEit=ci+β1DA+β2IRBR+β3ROE+

β4COGSTS+β5PB+εit

(13)

其中i表示第i家上市公司，t则表示时间(年份)，εit表示残差，其他符号的含义如下：

PTE：纯技术效率即企业的融资效率；DA：资产负债率即企业的资本结构；

IRBR:营业收入增长率，代表企业的成长性；ROE:净资产收益率，表示企业盈利能力；

COGSTS:主营业务成本，资金利用率；PB：前10大股东持股比例。

本文采用了Eviews 8.0对2013～2016人工智能产业上市公司的融资效率及相关变量做Tobit模型分析，其结果如下：

表5 我国人工智能上市公司融资效率tobit回归分析结果

从表5中的结果可以看出，第一，人工智能产业上市公司的融资效率和资产负债率比例成负相关关系。资产负债率越高，表明融资结构中举债性融资比例越大，尽管适当的负债比例能够减少税务而提高企业的价值。但目前我国融资渠道相对狭窄，过度的负债反而会减弱企业的竞争能力，从而降低以企业价值为导向的融资效率。第二，人工智能产业上市公司的融资效率与企业的盈利能力正相关。企业盈利能力强，其留存收益的比例也就越大，则内部融资能力越强。而内部融资无论是资金到位效率还是融资成本上相较于债券融资和股权融资具有天然的优势。故而公司的融资效率就有所提高。第三，人工智能产业上市公司的融资效率与企业的成长能力为正相关关系。人工智能产业上市公司作为高新技术企业往往具有较强的市场核心竞争力，成长性强的企业无疑会吸引大量的投资者。在公司发展的过程中有较大空间去合理选择融资方式，融资成本也得以降低，融资效率也会随之提高。所以融资效率和企业的成长能力成正相关关系。第四，人工智能产业上市公司的融资效率与企业的资金利用率成不显著正比关系。资金利用率包括了资金到位率和资金投向。在各种融资方式中，资金到位率最高的为内部融资，因为在公司内部融资决策的同时，一般资金投向也很明确，资金利用充足。然后是债权融资，尤其是企业常常依赖的银行贷款，审批手续严格，对资金的使用作出了约束。效率最低的为股权融资，在资本市场上筹得的资金用途规划不明确。而本文以上市公司作为样本，其股权融资程度相对较高，故而资金利用率相对较低，资本浪费严重，盈利能力低下，导致其融资效率降低。第五，股权集中度与人工智能产业上市公司的融资效率呈不显著的正相关关系，可能是因为公司的股权结构仅仅反映的是法律意义上的控制权的分配，而不能清楚的反映公司的经营状况。

4 结论

本文通过DEA方法及Tobit模型对我国37个人工智能产业上市公司的融资效率进行了静态及动态分析，并对我国人工智能产业融资效率的影响因素进行探究。研究结论表明：1) 我国人工智能产业融资效率不理想，纯技术效率虽然相对较高，但是规模效率低下，有较大的改进空间；从动态绩效来看，我国人工智能上市公司处于逐年波动的情况，总体来说有下降的趋势，其原因很多，但主要原因还是规模效率有所下降。2) 资本结构、盈利能力、成长能力是影响人工智能上市公司融资效率变化的主要原因。资产负债率、盈利能力、企业成长能力与样本企业融资效率具有显著的相关关系，而其中的资产负债率和样本企业的融资效率成反比，而股权集中度和资金利用率与样本企业的融资效率相关显著性较差。

根据以上的研究，结合现实情况，我们提出以下的政策启示：1)人工智能产业上市公司应该适当扩大生产规模，提高融资资金的利用率。通过观察数据，大多数的人工智能产业处于规模递增的阶段，故而应该适当扩大企业的规模，通过提高市场占有率来增加企业的收益，进而提高融资资金的使用效率。对于少数处于规模报酬递减的人工智能企业，要缩减规模来提高生产效率。2)优化企业的融资结构，寻找最优的融资方式。本文通过实证验证了人工智能产业资本负债率和融资效率呈负相关关系。改善融资结构意味着要改善不同融资方式的占比，企业应该选择符合其成长周期的融资方式。在企业的初创期，应该注重内源融资的积累，这样能够有效降低融资成本；随着企业规模的扩大，所需资金随着增多，应该合理选择债权性和股权性的融资，平衡融资成本和融资风险，达到资本结构的优化。