基于Super-SBM和Logit模型的人工智能產業融資效率及影響因素研究

（長春金融高等專科學校會計學院，長春 130028）

引 言

隨著新一代信息技術呈現爆發式增長，人工智能、物聯網、大數據等技術應用不斷普及，形成了新一輪工業革命的主要驅動力，深刻改變了以往的資源配置方式、生產組織方式和價值創造方式。人工智能產業已成為推動經濟社會發展的助推器，發達國家紛紛將人工智能作為國家戰略。美國于2016年5月成立人工智能委員會，著力發展能夠為美國人民服務的人工智能，確保美國在人工智能領域的優勢地位。韓國將人工智能作為重點發展的五大關鍵領域之一。日本制定了人工智能綜合發展計劃。我國政府出臺了 《中國制造2025》、《新一代人工智能發展規劃》、《促進新一代人工智能產業發展三年行動計劃 （2018～2020）》等政策［1］，各地方政府也紛紛出臺政策、規劃和建設人工智能產業園區，這些舉措為人工智能產業發展創造了良好的發展環境，有力地促進人工智能產業發展，使人工智能產業規模日益壯大，正在成為制造業集群轉型和升級的核心推動力。與此同時，人工智能產業的融資需求旺盛，《2019中國人工智能產業投融資白皮書》數據顯示，2018年國內人工智能領域的總體融資規模達到1189億元，但2019年前3季度人工智能領域的融資規模僅為577億元，融資能力不足難以支撐人工智能產業項目商業化和應用推廣，資金問題已成為制約人工智能產業發展瓶頸。當前，我國人工智能產業仍處于發展初期階段，融資速度快，但融資效率普遍較低［2］，這為產業升級帶來一定挑戰。為此，深入研究人工智能產業的融資效率和影響人工智能產業融資效率的因素，對于滿足人工智能產業融資需求、促進人工智能產業健康發展具有重要的理論價值和現實意義。

1 相關文獻綜述

人工智能產業作為新興的產業領域，其融資環境與融資效率對產業發展具有先導性影響，當前國內外學者對人工智能產業融資效率的研究仍處于初期，相關成果還不多，但由于人工智能產業也屬于高新技術產業，學者們對高新技術產業、戰略性新興產業等領域融資效率相關成果可以為本文提供參考。

在人工智能產業融資問題研究中，學者認為人工智能產業屬于高新技術產業，面臨著技術創新風險和市場化難點，初創企業存在著較大的融資難題。耿成軒等 （2019）認為人工智能產業的發展需要耗費巨大的資金成本用于基礎設施、人力資源和數據開發，需要優化融資生態，完善融資服務體系，提升企業資金配置效率，不斷拓寬企業的融資渠道，進而為產業發展提供有效的資金支持［1］。劉俊文和于洪 （2019） 指出吉林省人工智能企業面臨著外源性融資渠道不暢、企業貸款覆蓋率低等問題，由于初創企業的規模小、融資成本高、銀行審批流程復雜，導致企業難以獲得充足的資金用于支撐企業發展［3］。Dirk Czarnitzki（2006）對德國制造業中小企業研發活動的融資約束問題進行了實證研究，結果發現公共研發資金的供應差異對企業的融資約束具有影響，政府補貼研發經費過高的情況下容易導致企業研發活動面臨金融市場機制失靈［4］。金輝 （2019）指出我國人工智能產業具有廣闊發展空間，產業鏈生態不斷完善，行業應用領域日趨成熟，具有較強的并購整合需求和多樣化的融資需求，可以采用股權融資、投貸聯動、企業并購整合和跨國業務合作以及創新信貸模式等方式支持人工智能龍頭企業發展［5］。

在融資效率評價與測度研究中，學術界對融資效率測度的方法主要有模糊綜合評價方法 （魏開文， 2001）［6］、 灰色關聯評價方法 （伍裝， 2005）［7］、層次分析與模糊評價相結合 （王平，2006）［8］以及數據包絡分析 （Data Envelopment Analysis，簡稱DEA）方法等。模糊綜合評價、灰色關聯等傳統研究方法在指標選取和權重計算上具有一定的主觀性，而DEA方法無需主觀確定權重、能夠衡量多輸入多輸出的多目標決策問題，近年來學者們更多采用DEA方法評價融資效率。如劉超等運用DEA-Tobit方法對我國人工智能上市公司的融資效率進行測度，研究發現人工智能產業融資效率不高，大多數企業未達到效率最優狀態，主要原因在于規模效率較低［2］。李京文等 （2014） 運用DEA方法測算了北京市戰略性新興產業51家上市公司的融資效率，實證結果顯示2011～2013年樣本企業的融資效率整體較低，主要與技術進步水平下降有關［9］。呂巖威和孫慧 （2013） 采用隨機前沿生產函數模型對我國不同地區的戰略性新興產業的技術效率進行了測度［10］。熊正德等（2014）運用兩階段關聯網絡DEA方法對戰略性新興產業新能源汽車行業上市公司的債權融資效率進行分析，分別測度了債權籌資階段和配置階段的融資效率，實證結果表明債權籌資效率相對較低導致產業總體融資效率低下［11］。

縱觀國內外相關文獻，對于人工智能產業的相關研究尚屬萌芽，而效率是產出與投入之比，體現的是以最少的成本實現最大限度的產出［12］。DEA方法雖然能夠克服系統誤差，避免主觀性，但由于其將評價系統視為 “黑箱”，難以有效反映不同指標對評價對象的影響程度，基于此，為了全面反映人工智能產業企業獲取資金的難易程度以及企業在生產運營過程中對資金的配置效率，本文在已有研究基礎上，綜合運用Super-SBM和Logit模型方法測度我國人工智能產業融資效率，并對影響人工智能產業融資效率的因素進行分析。

2 融資效率模型的構建與變量選擇

2.1 基于Super-SBM的融資效率模型

目前大多數學者在進行融資效率問題研究時采用數據包絡分析 （DEA）方法，選用的模型主要有CCR和BCC兩種，該方法雖然克服了參數估計法系統誤差大的不足，但并未對輸入和輸出指標的 “松弛”變化的影響進行分析，為了解決該問題，Tone在進行效率評價時，構建了SBM模型，對松弛變量進行效率評價，解決了傳統DEA模型中無效率評價含有松弛變量的問題，為了解決多個效率為1的DMU效率排序難的問題，Tone對SBM模型改進形成Super-SBM模型［13］，該模型的決策單元效率值可以大于或等于1，表達形式為：

式中，n代表人工智能公司 （DMU）的數量，X代表每個DMU的投入要素向量，Y代表每個DMU的產出要素向量，ρ代表融資效率值，m代表投入要素指標個數，k代表產出要素指標個數，代表投入要素的松弛變量，代表產出要素的松弛變量，λ代表列向量。

目前，針對融資效率投入和產出指標的選取主要包括生產法、中介法、資產法3種［2］，本文根據科學性、完整性和可操作性的原則選取了投入指標和產出指標，其中投入指標有3個： （1）總資產：該指標代表公司的整體規模，與融資規模成正比，反映了融資規模大小；（2）資產負債率：該指標代表公司的資本結構。融資結構理論指出，經營風險較小的公司可以適當的提高資產負債率獲得較高的利潤，正面效應大于負面影響，而經營風險較大的企業提高資產負債率則會產生較大的風險，負面影響大于正面效應；（3）營業總成本：該指標代表企業經營成本，成本與利潤成反比，反映了公司對資金的利用能力。

產出指標3個：（1）凈資產收益率：該指標定義為利潤額與平均股東權益的比值，代表單位自有資本的收益能力，同時也反映了融資的收益；（2）總資產周轉率：該指標定義為營業收入與年平均資產總額的比值。代表公司資本的流轉速度，體現了公司的資本利用效率和管理質量，與資金利用效率成正比；（3）主營業務收入增長率：該指標用于判斷公司所處的成長階段，用于判斷公司成長能力。

2.2 Logit模型

Logit模型由Warner于20世紀60年代首次引用到經濟領域，隨后學者們在多個領域對該模型進行拓展，該模型通過建立解釋變量和被解釋變量之間的關系，估算被解釋變量的概率分布，廣泛應用于解決二元離散性選擇問題，Logit模型的一般表達式為：

式中Y?和Xi分別代表被解釋變量和解釋變量，βi為待估系數，μi為隨機誤差項。本文通過分析人工智能產業融資效率的影響因素，建立基于Logit方法的離散的二元模型，以Super-SBM模型測算的人工智能產業融資效率作為被解釋變量，當P≥1時，被解釋變量值為1，當P＜1時，被解釋變量的值為0，在選擇解釋變量時先分析了人工智能產業融資效率的影響因素，做出如下假設：

假設1：債權融資與人工智能產業上市公司的融資效率有正相關性。融資效率受到平均資本成本的影響，平均資本成本受到資本結構和融資方式的影響，公司融資方式有債權和股權融資兩種，本文選取資產負債率這一債權融資指標來反映公司的融資結構。

假設2：企業的盈利能力與人工智能產業上市公司的融資效率有正相關性。企業的償債能力受到盈利能力的影響，因此盈利能力強的企業更容易獲得債權融資。企業的盈利能力越強，企業內部資金越充裕，內部融資的成本相對較低，財務風險也就相對較低，同時盈利能力強的企業通過向市場傳達信息，有利于進行股權融資，本文選取凈資產收益率這一指標衡量企業盈利能力。

假設3：企業的成長能力與人工智能產業上市公司的融資效率有正相關性。成長性與盈利有一定相關性，但是并不意味著成長性較高的企業盈利能力強。一般來講，高成長能力的企業相比低成長性企業的融資方式選擇較多，融資效率相對較高。本文選取營業收入增長率這一指標反映企業成長能力。

3 實證研究

3.1 數據來源及數據處理

本文選取了國內35家人工智能企業2012～2018年財務報表數據為研究樣本，數據來源于國泰安、Wind資訊等數據庫以及上市公司年報，樣本數量大于指標數量的2倍，滿足Super-SBM模型研究的需要。

在數據應用過程中，為了滿足運算需要，對數據進行無量綱處理，具體如下：

3.2 融資效率的整體評價

2012～2018 年我國35家人工智能企業融資效率計算結果如表1所示。

表1 2012～2018年人工智能產業企業融資效率測算值

從表1中可以看出，我國人工智能產業的整體融資效率不高，大部分處于非效率狀態。從2012～2018年各企業的平均融資效率值可以看出，僅有高樂股份1家公司的平均融資效率大于1，為1.2076，占樣本企業的2.86%；僅有和而泰1家企業的平均融資效率大于0.9且小于1，占樣本企業的2.86%；有17家公司的平均融資效率在0.8～0.9之間，占樣本企業的48.57%；16家公司的平均融資效率在0.8～0.9之間，占樣本企業的45.71%。具體而言，2012年，和而泰和四川長虹2家公司融資效率達到有效；2013年，和而泰和康力電梯2家公司融資效率達到有效；2014年，巨星科技、浙大網新、東方通、同花順和江南化工5家公司融資效率達到有效；2015年，巨星科技、驊威文化、同花順、恒生電子、遠大智能、藍色光標和佳訊飛鴻7家公司融資效率達到有效；2016年，高樂股份和江南化工2家公司融資效率達到有效；2017年，高樂股份和浙大網新2家公司融資效率達到有效；2018年，高樂股份、浙大網新和東方網力3家公司融資效率達到有效。這說明大部分人工智能產業企業需要進一步拓寬融資渠道，優化融資結構，提升融資效率。

3.3 融資效率影響因素分析

本文利用Eviews8.0對2012～2018年人工智能產業上市公司融資效率進行Logit分析，得到計算模型如下：

Y?＝-0.1824DA+0.0045IRBR+0.3387ROE（8）

式中：DA代表資產負債率，IRBR代表營業收入增長率，ROE代表凈資產收益率。

對模型進行H-L Statistic檢驗，得到卡方值為6.5728，P值為0.8725，大于5%，在統計學意義上不能拒絕模型擬合良好的原假設。DA、IRBR和ROE變量的z檢驗的P值分別為0.0128、0.0386和0.0087，均小于5%顯著性水平，表明在2012～2018年，資產負債率、營業收入增長率和凈資產收益率對人工智能產業上市公司融資效率具有顯著影響。

對模型8進行分析可知，DA的系數為負值，說明在其他內外部環境保持穩定的前提下，資產負債率與人工智能產業上市公司的融資效率呈負向關系，資產負債率越低，公司融資效率越高。盡管適當的負債能夠提高企業的價值，但是由于當前人工智能產業的融資渠道相對較窄，過度的舉債會降低企業競爭力，因此資產負債率應該控制在合理范圍內。IRBR的系數為正值，說明在其他內外部環境保持穩定的前提下，企業的盈利能力與人工智能產業上市公司的融資效率呈正向關系，企業盈利能力越強，則融資效率越高，具有較高盈利能力的企業具有較強的內部融資能力，相比債券融資和股權融資，內部融資在資金到位效率和融資成本上優勢明顯，對提高融資效率具有重要作用。ROE的系數為正值，說明在其他內外部環境保持穩定的前提下，企業的成長能力與人工智能產業上市公司的融資效率呈正向關系，企業的成長能力越強，公司融資效率越高。人工智能產業屬于高新技術產業，技術能力越強的企業，往往具有較強的核心競爭力，對獲取資本市場的支持、吸引投資具有較大的吸引力。因此在公司進行融資過程中可供選擇的融資方式較多，融資成本相對較低，融資效率相對較高。

4 結論與啟示

本文利用Super-SBM模型對我國35家人工智能上市企業2012～2018年融資效率進行實證分析，采用Logit模型對融資效率的影響因素進行分析，得到以下結論：（1）我國人工智能產業處于產業生命周期的起步階段，資本配置率的整體水平相對較低，企業的融資效率可提升空間較大；（2）資產負債率、企業的盈利能力和企業的成長能力對人工智能產業上市公司的融資效率具有顯著影響。在其他內外部環境穩定的前提下，資產負債率越低、企業的盈利能力和企業的成長能力越強，融資效率越高。

人工智能產業對促進我國經濟轉型升級具有重要推動作用，針對當前人工智能產業融資效率整體偏低的問題，應結合實際情況，優化融資環境，提升企業自身競爭力，拓寬融資渠道，提高資金配置效率，提升融資效率。（1）優化融資環境，滿足人工智能企業多元化融資需求。在政策環境上，各級政府在稅收和政策上對人工智能產業給予傾斜，立足人工智能產業快速發展階段的融資需求，對產業發展的資金供給量進行引導，促進人工智能產業集聚發展，形成融資生態，提高融資資金利用率；（2）完善融資服務體系，拓展融資渠道，鼓勵金融機構針對人工智能產業發展開發新型金融產品，創新投融資模式，為人工智能企業提供并購整合、并購基金、投貸聯動、擔保、股權質押融資等多種融資方式，為企業獲取資金支持提供便利；（3）提高企業資金配置效率，提升人工智能企業的公司治理能力，注重優化融資渠道，充分利用股權融資的渠道，確保股權流通，保持合理的資產負債率，平衡融資成本和融資風險，實現資本結構的優化。