人工智能上市公司资本结构分析

摘  要：基于人工智能板块上市公司2017年年报数据，为探究人工智能板块上市公司的资本结构，选择12个具有代表性的财务指标，运用因子分析法对所选取的指标进行分析。研究结论表明，企业资本结构的合理与否关系到其盈利能力、成长能力是否稳健。一般来说，资本结构越合理，其成长能力就越强劲，盈利能力也会显著高于同行业其他公司。

关键词：人工智能;资本结构;因子分析法;盈利能力

一、引言

自2017年以来，“人工智能”连续两年被写入全国政府工作报告，这意味着人工智能已上升为国家战略层面。国务院及各部委相继出台一系列发展规划，为我国人工智能的蓬勃发展铺路搭桥。在其发展得如火如荼之际，研究人工智能上市公司的发展情况就显得尤为重要。一方面，众多专家学者从国际、国内两个维度分析我国人工智能行业的整体发展，认为我国人工智能尚处于早期发展阶段，上升前景可观（德勤中国等，2019）。同时，对我国AI行业的未来进行展望，并给出相应的发展策略及投资建议（赖承勇等，2018）。另一方面，从微观层面具体分析我国人工智能上市公司，基于相对估值对AI上市公司进行企业价值评估（宋华和袁栋绪，2018）。然而，目前关于人工智能上市公司资本结构的研究较少，因此本文拟采用因子分析法，研究AI上市公司的资本结构，对比分析各公司的资本结构及其在行业中所处地位，以期为投资者提供指导。

二、研究的提出及思路

（1）因子分析法

1.定义及优点

因子分析法能从众多可观测的变量中，综合和抽取少数几个潜在的公共因子，并使这些因子能够最大程度地概括和解释原有的观测变量的方法。使用因子分析法能有效地实现降维，达到简化数据的目的。

2.因子分析法的步骤

一是对原始财务指标进行无量纲化处理;二是对因子分析法的适用性进行判断，常用的检验标准有巴特利特球体检验以及KMO检验。KMO统计量取值在0到1之间，并且越接近1越好;三是确定主因子的个数及其系数;四是计算样本公司不同期间的综合绩效得分;五是结果分析。

三、实证研究设计

（1）样本选择与数据来源

本文选取了沪深A股人工智能概念板块上市公司2017年的年度观察数据作为研究样本。人工智能板块的上市公司共计34家。本文的原始数据来源于Wind资讯金融终端中各上市公司的财务报表数据，并采用SPSS 18.0和EXCEL进行处理和分析。

（2）评估指标选择

截至2017年，中国人工智能市场规模已达到了216.9亿元人民币，同比增长52.8%。随着我国人工智能行业市场规模的不断攀升，探究该行业中公司的发展模式就显得尤为重要，而合理的资本结构是公司实现长远发展的前提和基础。据此，本文选取的12个财务指标如下：资产负债率X1、剔除预收账款后的资产负债率X2、长期资本负债率X3、权益乘数X4、流动资产占总资产比X5、有形资产占总资产比X6、非流动负债权益比率X7、流动负债权益比率X8、归属母公司股东的权益占全部投入资本X9、带息债务占全部投入资本比率X10、流动负债占总负债比X11、资本固定化比率X12。

1.样本的KMO与 Bartlett检验

本文利用SPSS18.0得到的KMO值为0.686 >0.5，表明所选取样本数据间具有较高的共性。Bartlett的球形度检验值为842.096，数值较大，显著性为0.000<0.001，这就表示所选的样本数据适用于因子分析。

2.确定主因子个数

从解释的总方差来看，提取的第一、二、三个主因子的方差贡献率依次是52.282%、20.496%和17.859%。提取的第一个因子解释能力最强。提取的三个主因子累积的方差贡献率达到90.636%，说明这三个因子能够反映原有变量的大部分信息，结果较为理想。

3.公共因子的命名及其解释

经过第二步提取出合适的公因子后，需要使用最大方差法将因子进行旋转。运用最大方差法的目的是使不同因子之间的区别度更大。于是得到表1旋转后的因子载荷矩阵表：

从上表显示的数据可以看出：一是流动负债权益比率、权益乘数、资产负债率、剔除预收账款后的资产负债率、带息债务占全部投入资本比率、归属于母公司股东的权益占全部投入资本比率以及有形资产占总资产比率在第一个因子上具有较高的载荷，并且它们从整体上反映企业总的资本构成，故把第一个主因子命名为总资本结构因子。二是流动负债总负债比率、长期资本负债率和非流动负债权益比率在第二个主因子上载荷较高。这三个指标是对企业负债水平的细化，故将负债因子作为第二个因子。三是流动资产占总资产比率、资本固定化比率都是分析企业的资产结构，因此，将第三个因子命名为资产因子。

4.确定主因子系数和表达式

结合以上三个因子得分公式，以公共因子的方差贡献率加权平均，得出资本结构的综合得分公式，计算公式如下：

F= （52.282%*F1+20.496%*F2+17.859*F3）/90.636%

=0.5768*F1+0.22251*F2+0.1970*F3

5.结果分析

综合得分排名前五的公司依次是中科曙光、浪潮信息、长高集团、华胜天成和东方网力。这五家公司的共性都是财务杠杆较高。资产负债率都在40%以上，权益乘数高于行业平均水平，流动负债权益比率显著高于同行业其他公司——排在第一的中科曙光是排在最后的川大智胜的20多倍。从带息债务占全部资本比率这一指标上看，排名前五的公司十几倍地高于排在后面的公司，第一名更是最后一名的47倍。另外，排名领先的公司相较于排名最后的公司，其投入资本更少依赖于母公司股东权益，而后者投入资本中超过95%的比例来自于母公司股东权益。

进一步分析发现，中科曙光的第一大股东为北京中科源算资产管理有限公司，其实际控制人为中国科学院。浪潮信息的实际控制人为山东省人民政府国有资产监督管理委员会。即排名前两位的公司，国有企业是其主要的控股股东。由于有国有企业的资金支持，这两家公司能在资产负债率畸高的情况下，保持良好的盈利能力和增长能力。

同时发现，AI板块上市公司普遍流动负债占比较高，流动负债占总负债比率平均高于60%，这意味着公司面临偿债压力大。与之相對应的是，除了排在最后三位的川大智胜、拓尔思和北京君正的流动资产占总资产比率低于50%外，其他公司总资产中流动资产占比都很高，这也符合人工智能行业的特性。

四、分析总结

本文采用因子分析法，对人工智能板块上市公司2017年年报数据进行研究，结论表明：1、运用因子分析法可以很好的筛选出行业中资本结构合理的公司;2、所提取命名的总资本结构因子、负债因子以及资产因子这三个公共因子，能够将公司的资本结构细化，帮助投资者分析判断公司，同时也能让企业的管理者更好地了解本公司在全行业的地位。

值得注意的是，因子分析法本身只是一种探索性的研究方法，可能并不是绝对契合投资者分析。另外，对主因子的命名具有相当大的主观性，容易受到人为因素的干扰。

参考文献

[1]赖承勇，孙俊，赵铭.我国人工智能行业的发展现状与展望[J].产业与科技论坛，2018（17）：23.12-14

[2]宋华，袁栋绪.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[J].铜陵学院报，2018（02）：63-67

[3]苑泽明，张美琪.人工智能上市公司无形资产发展现状、问题及对策[J].Commercial Accounting：1-9

[4]张润君，薛晗庆.基于因子分析法对上市公司财务风险模型的实证分析[J].智能计算机与应用，2018（12）：64-68.

作者简介：程洁（1995-），女，汉族，湖北麻城，硕士，湖北经济学院，金融会计。