不確定性評估模型及其在IT行業的應用

陶 原,徐 輝,秦 雯

(西南大學 經濟管理學院,重慶 400715)

0 引 言

對事件、項目或工程進行評估、評判其不確定性或風險具有重大意義。這在自然科學中也是相關學者關注的熱點。在現實中常用評判方式分為定性和定量兩大類,分別涉及不同的模型。定量模型的研究相對而言難度大,但一個有效的不確定性定量評估模型對于事件、工程、項目的評價能夠發揮重大作用。本文以相對復雜的風險投資問題為背景,對不確定性定量模型進行分析研究,提出相應評估模型之后再利用IT行業應用的客觀數據對模型進行分析和驗證,并給出結論。

在經濟發達國家,風險投資作為一種重要融資方式,被稱為企業發展的“推進器”[1-2],涉及眾多的不確定因素及集成效應中獲取確定性這一學術問題。美國研究開發公司(ARD)是風險投資行業的鼻祖,ARD公司的創始人Doriot將軍被譽為“風險投資之父”[3]。Doriot將軍在1947年創立了第一家風險投資公司,并且為風險投資的運作制定了一系列的原則,也可以說是建立了風險投資的可投性模型,為后來的風險投資奠定了分線不確定性評判基礎。國際上,特別是以美國為代表的發達國家,風投理念和技術領先于全球,它們起步早,經驗積累較為豐富,風險投資的有效率高。早在20世紀40年代,美國基于先進的風投技術和理念,將風險投資與高新技術產業有機結合創造了“硅谷神話”的佳績[4]。包括美國蘋果公司在內的眾多高新技術企業,在初創階段都得益于風險資本的支持[2]。因此,從風險投資具有的多參數不確定性特點出發,對其不確定評估技術進行研究,這具有多個產業或行業的發展促進作用,對于技術決策有效性也有較大的現實價值。

對于投資項目或企業的不確定性評估而言,發達國家和地區采用的指標體系參數多而細化,并且其中量化參數占比較高,有完整分析計算模型[5]。由于國內外企業文化的巨大差異,國內不確定評估方式和模型乃至參數數量和取值方式都不能照搬國外。同時,國內外考核指標參數具有相當大的差異性,如何針對國內需求建立指標體系也是亟待解決的關鍵問題之一。

1 風險投資與評估方法分析

風險投資主要特點之一就是高風險,對投資對象的不確定判定或定量判定,在降低風險、提高投資有效性方面具有重大意義。盡管對于投資人來說,投資成功將獲得幾倍、幾十倍甚至上百倍的回報,然而,這必須建立在投資不確定可控的基礎上。對于不確定評估模型的需求是客觀存在的,模型的有效性更是備受關注。從涉及的不確定性因素上講,風險投資主體在投入資金之前,會非常關注技術、人力、資本等多個因素及其產生的集成效應,盡力控制和平衡風險與收益[5]。

面對的投資對象不同時,采用的評估方式也截然不同,傳統的評估方式[6]主要有以下4種。

1)比較法。尋找與待投資項目(公司)相似或者相近并且接受了風險投資的項目(公司),通過比較兩個項目(公司)進而對風險投資進行評估。

2)比率法[7]。通常針對創建期及成長期的企業。比率法先選擇一個公司(如競爭對手或者同一產業鏈的公司)作為比較的基準,根據公開獲得的財務數據作為基準公司的財務比率,然后根據這些比率評估風險投資的價值。

3)凈現值法。適合各個階段的企業,最常用的是以凈現值(NPV)度量的折現現金流 (DCF)方法。

4)決策樹法。適合各個階段的企業,當風險投資項目涉及到的不確定性可以用幾種情景代表的選擇時,決策樹(DAT)是一種非常有用的計算投資項目價值的方法。

比較法和比率法適用于種子期或者啟動期,是低成本、節約時間的方法,相對來說,也是效率比較低的方法。比較法的缺陷也是導致種子期風險投資失敗率最高的一個原因。比率法要求可獲得的信息更多,評估的困難在于必須要找到風險特性、收益增長前景等條件與被評估公司相同的基準公司。在現行的方法中,基于折現現金流(DCF)的凈現值(NPV)是最重要的方法之一。決策樹方法為不確定情況下的投資問題提供了一個簡單的解決方案。該方法適用性大大增強,但不能作為一個單獨的方法運用。

上述的各種方法,在降低投資不確定性方面具有一定的實用性和現實價值,但在評估參數的系統性方面存在一定的不足,更沒有系統建立相應的參數分層線性體系,存在較大的評估偏差或全面性欠缺問題。

2 不確定性定量化模型建立及分析

在分析傳統的評估方式的基礎上,本文運用更為數據化的建模方法來消除人為判斷所造成的誤差,建立可投性定量分析法來解決風險投資評估問題。

2.1 不確定性定量評估參數分析及模型建立

對企業進行資本投入可能存在巨大風險,投前的不確定評估作用重大。企業發展所處的行業、地理位置、發展階段、核心實力、團隊結構等風險因素的組成結構不同,每一種因素對于風險的影響也不同。有時,一個不起眼因素[8],會放大為致命風險。比如,一個企業創始者的婚姻破裂,也會導致投資的失敗。影響不確定評估結果的參數眾多且難以全部量化,全面而無遺漏地給出不確定評估參數集是不可能的,但是可以獲取主流參數集,并進一步進行調整,比如深入調研、人工智能機器學習等。在這個過程中,建立參數集及模型至關重要。傳統的回歸方法將所有因素放在同一層級進行考慮,忽略了不同層級變量的不同影響效果。本文將研究中的諸多變量劃分成兩個層次,構建一級參數和二級參數來刻畫各風險因素對企業投資評估值的影響。

企業發展風險大小是決定資本是否投入的關鍵核心。為了有效分析相應的不確定性,并進一步得到可投性的依據,定義如下。

定義1可投度是評價企業風險的量化值。它是多個風險參數及相應影響因子的加權之和,表示為

(1)

(1)式中:βi為參與評估的參數,可以通過主客觀結合方式獲取,取值范圍為[0,100];αi為參數的加權因子,取值范圍為[0,1];n為參與評估的參數個數,n的取值因行業甚至企業的不同而不同;x是最終計算結果宏觀修正因子,取值為[0,1]。

x作為調節因子可以根據行業、企業的參照對象進行決定,可以是客觀確定,也可以根據已存的樣本,經過前幾期計算而確定。

根據現有的數據計算及證明方式[9],(1)式的計算結果具有良好的收斂性,它收斂于[0,100]。

為了更準確地獲取可投度f(x)值,需要通過相應流程匹配βi,為參與評估的參數進行對應的第二級加權平均計算,計算式為

(2)

(2)式中,γi為二級參數;δi為加權值,是f(x)的二級參數個數;N為參與評估項的參數個數?？赏抖扔嬎闶窖芑癁?/p>

(3)

2.2 算法流程及參數結構

可投性評估模型的具體實施流程如圖1所示。首先,確定企業所在行業;其次,確定評估量化的一級參數和相應權重,例如根據大量被投企業的分析調查報告及行業研究報告等公開數據統計得出行業投資的側重點,從而確定參數及權重;然后,確定二級參數和權重;最后,得到可投度f(x)值。在確定一級/二級參數權重時,若存在投資同類企業參數集,可參考優化投資量化評估參數進行多次回溯優化,直到相鄰兩次優化結果差值足夠小,則參數權重優化收斂。

圖1 評估算法流程Fig.1 Flow chart of evaluation algorithm

評估指標參數關系如圖2所示。圖2中,βi為一級指標;αi為一級指標加權因子;γi為二級指標;δi為二級指標加權因子;Nn表示第n次修正?？赏抖萬(x)是經過宏觀調節因子x調節之后的結果,由所有指標與加權因子共同決定,前述模型只是一個理論模型,還需要結合具體行業甚至企業實際情況確定相關參數,才能得出相關企業可投性指標計算值,并進行準確化修正。

圖2 評估指標參數關系Fig.2 Relationship of evaluation index parameters

3 IT行業應用及分析

2021年,信息技術、媒體及電信業以募資總計位居榜首,以上市宗數計則排名第二。2020年及2021年最大的IPO均來自信息技術行業。IT行業是新興產業和高科技聚集的領域,對相關企業的投資評估一直是一項具有挑戰性的任務[10]?，F有文獻主要是主觀經驗分析,很少進行定量分析[11-12]。本節將以IT行業應用為例,利用所提出的模型進行可投性量化分析。

用數據分析的方法去把控投資的風險,可以得到發展潛力α1(60%)、發展水平α2(30%)和政府扶持力度α3(10%)等3個一級指標加權因子,如圖3所示。由一級加權因子αi,可對評估參數βi進行更為詳細的解讀。

3.1 IT行業分析

由數據分析以及行業側重度,可得到二級加權參數的權重比;對一級指標進一步細分,可得到更為精準的二級指標。以核心環節分類,IT產業鏈大致分為IT設備企業和IT 服務企業,若面對的是IT設備企業,可將發展能力細分為3個二級指標來進行判斷:①科研人員數量及占比γ1(二級權重比為30%);②R&D的投入γ2(二級權重比為40%);③與高校合作實驗室、科研所數量γ3(二級權重比為30%)。二級指標如表1所示。

圖3 IT企業評估指標案例Fig.3 Case of IT enterprise evaluation indicators

表1 發展潛力評估表

對于以上參數評估估值標準區間的確定,以科研人員數量及占比這一二級指標為例進行分析。以IT設備前50的企業為技術模板,結合google scholar的數據,計算出發展快速的技術公司科研人員占公司總人員的比重,同時剔除離散值。例如騰訊科研人員的占比在2019年已達到66%,而該行業的高位占比則在40%-45%之間。因此,將γ1的高區間定為[40,100]。

3.2 IT設備企業二級指標

1)企業所處地理位置(二級權重比為10%)。評估IT設備型企業所處區域運輸交通情況如表2所示。

表2 地理位置評估表Tab.2 Geographical location assessment

2)企業成立年限(二級權重比為10%)。據科技部數據,截至2022年12月31日,全國的高新技術企業為25萬家;最近6年,被投融資市場關注但最后關門的科技型創業公司達到5 867家。企業成立年限評估結果如表3所示。企業成立后3年至7年為退出市場高發期,即企業生存的“瓶頸期”。2000年以來新設立企業退出市場的概率呈倒“U”型分布,即前后低、中間高的態勢。近5年退出市場的企業平均壽命為6.09年,壽命在5年以內的接近6成。多數地區科技型企業生存危險期為第3年。

表3 成立年限評估表Tab.3 Assessment of establishment years

3)企業人員數量、組成結構(二級權重比為30%)。投資面臨的基本都是初創型的IT企業,需具體分析企業成員專業特長、團隊的組建是否合理、相關人員是否滿足相關的需求等要素。

4)知識產權類別、數量與時間分布(二級權重比為20%)。和傳統行業不同,IT領域的技術更新快,迭代周期短,因此,企業專利申請應該盡早進行。需特別注意的是,軟件產品由于其產品無形化,不符合實用新型保護客體要求,因而只能申請發明專利保護,申請的時間最好在企業發展階段的初期,而不是等出現專利糾紛的時候再去彌補。

5)現金流情況(二級權重比為10%)。通常而言,公司有18個月的現金是安全的,僅有12個月的現金為相對安全,僅有6個月現金則達到危險邊緣,若僅有3個月現金,需要立即開展節流行動。

6)合同及行業或委托方分布(二級權重比為10%)。在IT設備行業中(除開IT軍工設備類企業),收入來源單一化會影響公司未來的發展,上游公司訂單出現問題,會嚴重影響公司持續發展。我國政府在IT行業的招投標的平均金額是大于其他行業的,并且后續往往伴隨著維護、升級等延續性業務,因此,從政府訂單與私有訂單分布的合理性也可以看出公司的發展規劃。

7)創始人、企業股東自有資產,法人背景(二級權重比為10%)。創始人的背景及標簽有助于增強客戶對企業的記憶,創始人就是最好的口碑營銷。對于企業而言,創始人正面的個人標簽,某種意義上代表了企業的價值觀、用戶觀,更是代表服務人群的切割。企業股東如果本身的資產情況較好,在很大程度上可以幫助公司維系現金流。

有數據作為支撐時,可以參照表1建表評估;需以主觀判斷作為依據時,則可以參照表2評估。

3.3 政府扶持力度

本文從以下3個方面去判斷扶持力度的強弱。

1)智能制造產業發展、技術創新、人才扶持政策(國家及當地)γ1(二級權重比為30%);

2) 新興技術扶持政策(人工智能、5G等)γ2(二級權重比為30%);

3)政府相關協會/平臺/聯盟等數量及規模、相關政府引導基金、專項基金數量及規模(國家及當地)γ3(二級權重比為40%)。

3.4 可投度計算

得到所有的加權因子后,需要用最終計算結果宏觀修正因子β來修正可投度,IT企業的宏觀修正對應表如表4所示。

表4 宏觀修正對應表Tab.4 Macro correction correspondence table

可投度有助于分析被投企業的情況,進而有效降低風險。根據(3)式得到可投度f(x),由此進行判斷。表5所示為IT行業可投度表。不同行業的可投度評估表會有所不同。

表5 IT行業可投度評估表Tab.5 IT industry investment evaluation table

4 實際案例分析

江蘇省某IT企業的工業互聯網平臺在2019年12月份獲A輪3億元融資,由G資本領投。本節以此為案例,針對企業實際面臨的投資風險,采用本文提出的可投性定量化模型和算法進行可投性分析。根據前文所述方法計算相關數據,結果如表6所示。

由(1)式可得,項目的可投度為87.9。由于跟投機構數量超過5家,故宏觀修正因子值取0.92,經過修正以后的可投度值為80.09。由表5可知,評估結論為應進行風控調查,根據實際情況考慮。

從權重排序來看,權值最大的一級指標參數值為89.5,對可投度的影響較大。且該項目政府扶持力度較大,也符合IT技術發展方向。利用本文所提模型量化計算得到的結果和實際過程基本相符,這表明該模型具有一定的實用價值。

表6 某IT企業項目指標與權重數據Tab.6 Project indicators and weight dataof an IT enterprise

5 結束語

量化評估對控制投資風險和保證投資有效性具有非常關鍵的作用。本文結合國內企業化特色和企業運作管理方式,以IT行業作為背景,以相關的行業參數指標來量化投資風險,提出了一個指標體系及計算模型,同時提出了微觀修正和宏觀判定修正的方法,提升了可投度的符合性。本文涉及的參數和指標因行業、企業不同而不同,針對不同研究和分析需要建立更多的實用模型。對不同的模型和參數體系,也可以借助目前人工智能的深度學習算法來提高可投度的準確性,這需要更多的樣本數據,也是本文未來將進一步研究的課題。