基于价值网视角的直播平台企业价值评估模型改进研究

2023-05-16 19:10韩浩东石书玲
中国商论 2023年9期
关键词:改进建议BP神经网络

韩浩东 石书玲

摘 要:当前,网络直播热度在国内迅速攀升,对网络直播平台企业价值评估的需求也日益增长。目前国内学者在直播平台企业估价模型的构建中,各影响因素多是默认与企业价值呈线性相关,因而估值误差较大。本文基于国外学者提出的网络直播平台企业价值网视角,就财务评估指标分别构建线性回归模型和BP神经网络模型,并以虎牙为例,采用实证研究方式验证了企业价值影响因素中存在网状相关的问题是目前网络直播平台企业估值模型存在误差的原因之一,并提出改进建议。

关键词:网络直播平台企业;线性回归模型;BP神经网络;改进建议

本文索引:韩浩东,石书玲.<变量 2>[J].中国商论,2023(09):-150.

中图分类号:F124.3 文献标识码:A 文章编号:2096-0298(2023)05(a)--05

1 引言

随着互联网技术的发展,网络直播在国内的热度迅速攀升,中国互联网网络信息中心第49次互联网发展报告显示,截至2021年12月,我国网络直播用户规模已达7.03亿,占网民总体的68.2%[1],网络直播行业庞大的用户群体吸引越来越多的投资者加入,但缺乏具体、规范性的法律条文以及行业独创性、不确定性因素过大,导致直播行业法律纠纷问题远高于其他行业,同时,在面对债务重组、企业合并、合同纠纷等方面,法律上需要引入第三方对其相关价值进行评估,对企业价值进行合理的估值有助于投资者做出合理的判断[2]。

在当前的评估实务中,网络直播平台企业的价值评估多选用传统的评估方法,但平台型企业的独特性和不确定性等特点使传统的方法在估值时存在较大的误差[3]。网络直播企业的自创内容通过其创建的平台进行传播,所能带来的收益远高于版权作为单项资产的评估值之和,因而成本法在预测时效果不佳;市场法则是要求进行比较估值,必须找到合适的至少三家相类似的企业进行比对,再根据相关系数进行调整,但网络直播平台企业属于新兴行业,各个平台不同的宣传导致其用户重叠度不够高,因而难以寻找可比企业;网络直播企业受市场影响力巨大,包括市场规模、用户数量、行业竞争环境等,一旦出现偏颇,其收益额将受到巨大冲击,很难依靠现有的现金流去预测未来的现金流,同时初创期的网络直播企业和成熟期的企业有所不同,初创期一般处于亏损状态,收益呈现负数,在其拥有一部分固定市场份额扭亏为盈之前使用市场法的判断可能出现较大误差。

当前为减少估值误差,各学者倾向于构建修正DEVA模型、改进CVBC模型、梅特卡夫模型等方法进行估值,本文考虑到估值模型在近年来不断改善,因此从中国知网数据库中选取自2019年1月至2022年10月的估值模型以及对应的估值误差进行对比(见表1),以充分把握当前研究现状。

在现有研究中,大部分国内学者使用的模型是此类以各影响因素与企业价值的线性联系为基础构建的,但国外学者早在研究中发现平台型企业不同于传统企业的线性价值创造模式,而是一种网状结构[14],网络直播平台企业作为一类平台型企业,网状的价值创造过程意味著影响企业价值的各项因素与企业价值之间的关系可能是复杂、非线性的,如果将复杂非线性联系的影响因素简单使用线性关系进行模型的构建会产生较大误差,这可能是现有模型存在误差的原因之一。

基于此,本文将以财务指标为例,选取同样的财务指标分别构建线性模型和BP神经网络模型,通过对比两者对于同一案例的估值误差来验证网络直播平台企业价值与其影响因素之间的关系是否为非线性关系,进而对未来网络直播企业价值评估模型的改进提供思路。

2 网络直播企业价值评估模型构建

2.1 指标来源与说明

本文研究目的是证明网络直播平台的价值影响因素与企业价值是否为非线性,因此为了方便数据的获取以及防止其他干扰因素,选择使用企业财报中便于获取的财务指标作为影响因素。

实际上,网络直播企业的诞生得益于互联网技术的不断发展,而互联网的发展又在很大程度上受我国不断开放、稳中求进的经济形式所影响,因此宏观环境因素等非财务因素对网络直播平台企业价值具有影响,但由于这些非财务指标在使用到模型当中时一定要进行量化处理,目前比较常见的是专家打分法和效用替代法,前者是召集一定数量的专家依据企业的表现情况对这些非财务指标进行打分,用专家给出的分数将非财务指标进行量化,而后者则是选取效用相同的标的物价值进行替代,例如在评估一棵树遮阴价值时会采用同等遮阴面积大小的遮阳伞价值进行替代,但由此得出的数据不可避免地带有一定的主观性,因此本文不选取此类非财务指标,以减少主观性对于实证分析结论的影响。

为确保指标选取的有效性,本文通过总结近三年来国内学者在构建网络直播企业价值评估体系时财务指标的选取情况,最终选取衡量企业短期偿债能力的流动比率()、

衡量企业长期偿债能力的资产负债率()、衡量企业营运能力的应收账款周转天数()以及衡量企业盈利能力的销售净利润()四个财务指标作为模型的自变量,以企业市场价值()作为因变量分别构建简单线性模型和BP神经网络模型。

2.2 网络直播企业价值评估线性回归模型构建

2.2.1 数据来源

本文通过万德(Wind)数据库查阅11家网络直播平台企业上市公司的财务报表数据,共计获取196个样本数据,Wind上市企业数据库的数据较新而且可靠度较高,涵盖了沪深A股超过3500家上市企业,数据库的企业规模较大且国有企业占比较高[15],能够确保样本的有效性。

2.2.2 线性回归相关概念

线性回归主要涵盖两种不同的线性回归模型,即一元线性以及多元线性回归模型,由于本文选取了四项指标进行回归,因此使用的是多元线性回归模型,其主要适用于多个关联自变量进行回归[16]。

在线性回归模型的评价指标中,一般使用均方误差和决定系数,本文中使用的是均方误差的方法,通常来说均方误差的值越小,模型的拟合程度越好。

2.2.3 构建回归模型

通过SPSS软件中“分析”的“回归”功能可以快速构建线性回归模型,将196个样本导入数据库,选取企业价值作为因变量,流动比率、资产负债率、应收账款周转天数、销售净利润作为自变量,其余选项默认运行程序得到回归结果。

从SPSS输出的ANOVA表截图(图1)可以看出,回归结果的P值小于0.05,证明该回归模型的自变量在置信度95%的条件下与因变量显著线性相关,模型有效。与此同时,模型整体的均方误差较大,这是由于网络直播企业价值受宏观经济环境、法律法规等非财务指标较高,本文为避免主观性对结果的影响只选取财务指标作为因变量,因此会产生较大误差,但BP神经网络模型也会选取同样的指标,误差并不影响实证结果的分析。

从SPSS输出的系数表截图(图2)可以看出,、和的P值小于0.05,的P值大于0.05且接近于1,证明流动比率、资产负债率和应收账款周转天数在置信度95%的条件下与企业价值显著线性相关,而销售净利润与企业价值没有显著的线性相关。

综上所述,本文在剔除没有与企业价值显著线性相关的销售净利润后,得到网络直播企业价值评估线性回归模型公式,式中为误差项。

2.3 网络直播企业价值评估BP神经网络模型构建

2.3.1 数据来源

构建BP神经网络模型使用的数据与回归模型使用的数据相同,共计196个样本数据。

2.3.2 BP神经网络相关概念

BP神经网络是一种基于误差反向传播算法的多层前馈网络[17],其基本的运作流程是将由输入层正向输入的数据通过算法得出输出数据,通过不断调节算法使输出数据与期望数据的差值减少,直至达到预先确定的值为止,以下是其相关概念:

(1)输入层

输入层是输入数据的网络层,将输入的特征变量传递到隐含层,并不会对输入的数据进行处理,输入层神经元的个数取决于输入数据的特征变量数决定。

(2)隐含层

隐含层是神经网络中接收输入层数据并对其进行非线性的变化,将结果传送至输出层,隐含层的个数可以有多个,其神经元个数并不固定,一般会采用多次试验得出误差值最小的神经元个数。

(3)输出层

输出层是输出最终数据的网络层,同样会对输入的数据进行非线性变化,输出层的神经元个数取决于实验目的,本文中BP神经网络的目的是进行预测,因此输出层神经元个数为一个。

2.3.3 构建BP神经网络模型

本文通过matlab软件自带工具箱中的“Neural Net Fitting”工具进行BP神经网络的构建,将由、、、数据组成的数据集设置为“Input data”,即为输入层,将由组成的数据集设置为“Target data”,即为输出层,样本类型选择“Matrix columns”,训练样本、验证样本和测试样本选取默认的14∶3∶3比例,隐含层经过测试选取“2”的误差最小,使用“Levenberg-Marquardt”算法进行训练。

从matlab中输出的神经网络均方误差图(如图3所示)可以看出,感知器在第742.85次训练后于第13代时达到最理想结果。

从matlab中输出的BP神经网络的R系数图(如图4所示)可以看出,经过训练后的BP神经网络使用测试集进行检验时R值为0.89,R值越接近1表示预测和输出数据之间的关系越密切,证明神经网络在检验中可以得出相对有效的预测结果。

综上所述,本文在经过训练和测试后,得到了网络直播企业价值评估BP神经网络模型,保存神经网络为“net”,其余选项默认,选择“Finish”完成BP神经网络模型的构建。

3 以虎牙直播为例的企业价值评估

3.1 案例以及评估时点选取原因

虎牙直播是一家成立于2012年的网络直播企业,其前身是YY直播,在2014年11月正式更名为虎牙直播,更名后的虎牙直播对市场定位、盈利模式和技术手段都进行了改革,开始形成以游戏直播为主,秀场直播、体育直播和教育直播为辅的发展模式[18],作为我国游戏直播行业首家上市公司,其拥有较强的上升空间和发展前景[19],因此本文选取虎牙直播作为案例分析更能代表对投资者有吸引力的网络直播企业。

为打击网络直播乱象,国家互联网信息办公室部署开展了“清朗行动”[20],虎牙直播也在本次行动中由于违反《互联网文化管理暂行规定》,被罚款2万元并没收违法所得,虽然罚款数目相较企业整体价值较小,但此次罚款使投资者认为虎牙直播存在政策监管风险,这也是虎牙直播股价在2022年第二季度由2021年第四季度的16.52億美元下跌至9.24亿美元的影响因素之一,由于本文以财务指标为例构建模型,而虎牙直播2022年第二季度财务报表对应时点的股票市场价值受到政策较强的影响,选取2022年6月30日作为评估时点误差较大,参考价值较低,因此本文选取2021年同期时间作为评估时点,即2021年6月30日为评估时点。

通过万德数据库查阅虎牙直播2021年第二季度财务报表以及2021年6月30日当日股价,并以评估时点汇率将美元转换为人民币,可以得到数据:企业价值为302.75,流动比率为4.66、资产负债率为0.21、应收账款周转天数为2.64、销售净利润为26.9。

3.2 基于线性回归及BP神经网络对虎牙直播企业的价值评估

3.2.1 基于网络直播企业价值评估线性回归模型进行估值

将流动比率、资产负债率、应收账款周转天数、销售净利润代入公式(1),得到虎牙直播在2021年6月30日的企业价值评估结果为162.06亿元,和当日股票市场价格302.75亿元的误差为-46.47%。

3.2.2 基于网络直播企业价值评估BP神经网络模型进行估值

将由流动比率、资产负债率、应收账款周转天数、销售净利润组成的数据集导入matlab当中并命名为“pre_1”,在命令执行窗口中输入“predict1=sim(net,pre_1)”并执行,得到虎牙直播在2021年6月30日的企业价值评估结果为279.53亿元,和当日股票价格302.75亿元的误差为-7.67%。

3.2.3 两种评估模型误差比较

本文对比线性模型和神经网络模型对同一评估时点的误差发现,各因素之间非线性相关的BP神经网络模型误差较小,两个模型采用了同样的指标,排除了由于指标选取不同而影响模型误差的问题,同时结合回归模型中表现出与线性不显著相关,可以推论出销售净利润指标可能存在与企业价值非线性相关的情况,这一情况可能是导致两个模型误差产生的原因之一。

综上所述,在建立网络直播企业价值评估模型时,存在影响因素与企业价值呈非线性相关的情况,现有学者对于网络直播平台企业价值评估模型的构建中较多默认使用线性关系是造成模型存在误差的原因之一,可以通过使用BP神经网络等非线性模型来减少误差。

4 网络直播企业价值评估模型改进建议

4.1 检验原有模型选用的影响因素是否为线性相关

在对已有模型进行改进时需要考虑模型使用的影响因素是否与企业价值为线性相关,可以使用最小二乘回归方法中得出系数表中的P值判断,当出现P>0.05时,该项影響因素与企业价值不存在显著线性相关。

4.2 检验非线性相关因素是否存在网状相关

当使用最小二乘方法检验出存在影响因素与企业价值不显著线性相关时,需要使用剔除该因素后的模型构建回归模型,使用剔除该因素前的模型构建BP神经网络模型,使用回归模型与BP神经网络模型对同一企业的同一评估时点进行企业价值评估,若BP神经网络模型的误差较小则可以推论出该因素与企业价值存在网状相关。

4.3 对BP神经网络模型应用的建议

BP神经网络模型适用于拥有充足训练样本的评估场景,当训练样本较少时会出现评估误差波动较大的问题,因此,本文使用的检验方法只适用于评估对象为网络直播这一类企业的评估模型检验中,并不一定适用于针对单个具体网络直播企业的价值评估模型中,尤其是近期上市,可获取训练集数据较少的企业。

5 研究展望

本文基于价值网的视角,针对国内现有的网络直播平台企业价值评估模型提出了其影响因素可能是非线性关系,并选取流动比率、资产负债率、应收账款周转天数和销售净利润作为模型因变量分别构建了线性回归模型和BP神经网络模型,通过实证分析证明了网络直播平台企业的价值影响因素存在非线性关系。

本文选取的模型指标较少、选取的样本企业在一定程度上代表性不足,主要是受限于网络直播平台企业目前仍然属于新兴行业,在该行业中的上市公司较少且风格迥异。

未来研究可以拓展到更广泛的指标中,例如用户价值、视频点击率等非财务指标的验证上,同时BP神经网络的训练需要大量的样本数据,如何在拓展样本量的同时保障数据的有效性值得进一步研究。

参考文献

郭淑慧,吕欣.网络直播大数据:统计特征与时序规律挖掘[J].复杂系统与复杂性科学,2022(6):1-9.

黄岚.网络直播企业价值评估研究[J].中外企业家,2019(27):3.

袁罗娜.平台类综合性互联网企业价值评估方法研究[D].北京:北京工商大学,2016.

田慧婧.基于修正DEVA模型的电子商务平台企业价值评估应用研究[D].杭州:杭州电子科技大学,2019.

甘佳宁.基于DEVA模型的网络直播平台价值评估研究[D].广州:广东外语外贸大学,2020.

王羽娴.修正的DEVA模型在网络直播企业估值中的应用研究[D].杭州:浙江财经大学,2020.

林梦佳.基于改进DEVA模型的电商平台价值评估研究[D].上海:上海财经大学,2021.

彭宇木子.基于DEVA修正模型的互联网直播企业价值评估[D].桂林:广西科技大学,2021.

李博宇.基于修正DEVA方法的直播平台企业价值评估研究[D].成都:四川师范大学,2022.

刘春萍.改进的CVBC模型在网络直播类企业价值评估中的应用研究[D].昆明:云南财经大学,2021.

马园园.基于改进的Schwartz-Moon模型的短视频平台企业价值评估研究[D].徐州:中国矿业大学,2022.

张英飞.基于梅特卡夫模型的短视频平台型企业价值评估研究[D].郑州:河南财经政法大学,2022.

黄安瑞.基于BP神经网络的互联网直播企业价值评估[D].南昌:江西财经大学,2021.

VARGO S L,LUSCH R F.Service-dominant logic:continuing the evolution[J].Journal of the Academy of Marketing Science,2008,36(1):1-10.

张明,李曦晨,王喆.全面剖析中国企业杠杆率的异质性:规模、周期与盈利能力:基于三大数据库的比较分析[J].金融评论, 2020,12(2):1-18.

张涵夏.适用于线性回归和逻辑回归的场景分析[J].自动化与仪器仪表,2022(10):1-4.

路思恒,尹红.基于BP神经网络的居民消费水平的预测模型:以安徽省为例[J].现代电子技术,2022,45(21):83-87.

唐奕宸,陈美玲.虎牙直播的网络营销策略研究[J].山西农经,2021(1):171-172.

葛小敏,许延明.虎牙直播盈利模式分析[J].科技经济市场,2022(2):155-157.

2022年“清朗”系列专项行动十大重点任务[J].广播电视信息,2022,29(4):12-13.

猜你喜欢
改进建议BP神经网络
如何做好新时期水利行业的思想政治工作
就bp神经网络银行选址模型的相关研究
基于DEA—GA—BP的建设工程评标方法研究
复杂背景下的手势识别方法
BP神经网络在软件质量评价中的应用研究 
大学生综合素质评价体系及其问题的调查研究
我国衍生金融工具会计确认的现存问题及改进建议
BP神经网络算法在数值预报产品释用中的应用