韓浩東 石書玲

摘 要：當(dāng)前，網(wǎng)絡(luò)直播熱度在國(guó)內(nèi)迅速攀升，對(duì)網(wǎng)絡(luò)直播平臺(tái)企業(yè)價(jià)值評(píng)估的需求也日益增長(zhǎng)。目前國(guó)內(nèi)學(xué)者在直播平臺(tái)企業(yè)估價(jià)模型的構(gòu)建中，各影響因素多是默認(rèn)與企業(yè)價(jià)值呈線性相關(guān)，因而估值誤差較大。本文基于國(guó)外學(xué)者提出的網(wǎng)絡(luò)直播平臺(tái)企業(yè)價(jià)值網(wǎng)視角，就財(cái)務(wù)評(píng)估指標(biāo)分別構(gòu)建線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型，并以虎牙為例，采用實(shí)證研究方式驗(yàn)證了企業(yè)價(jià)值影響因素中存在網(wǎng)狀相關(guān)的問(wèn)題是目前網(wǎng)絡(luò)直播平臺(tái)企業(yè)估值模型存在誤差的原因之一，并提出改進(jìn)建議。

關(guān)鍵詞：網(wǎng)絡(luò)直播平臺(tái)企業(yè)；線性回歸模型；BP神經(jīng)網(wǎng)絡(luò)；改進(jìn)建議

本文索引：韓浩東，石書玲.<變量 2>[J].中國(guó)商論，2023（09）：-150.

中圖分類號(hào)：F124.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2023）05（a）--05

1 引言

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，網(wǎng)絡(luò)直播在國(guó)內(nèi)的熱度迅速攀升，中國(guó)互聯(lián)網(wǎng)網(wǎng)絡(luò)信息中心第49次互聯(lián)網(wǎng)發(fā)展報(bào)告顯示，截至2021年12月，我國(guó)網(wǎng)絡(luò)直播用戶規(guī)模已達(dá)7.03億，占網(wǎng)民總體的68.2%[1]，網(wǎng)絡(luò)直播行業(yè)龐大的用戶群體吸引越來(lái)越多的投資者加入，但缺乏具體、規(guī)范性的法律條文以及行業(yè)獨(dú)創(chuàng)性、不確定性因素過(guò)大，導(dǎo)致直播行業(yè)法律糾紛問(wèn)題遠(yuǎn)高于其他行業(yè)，同時(shí)，在面對(duì)債務(wù)重組、企業(yè)合并、合同糾紛等方面，法律上需要引入第三方對(duì)其相關(guān)價(jià)值進(jìn)行評(píng)估，對(duì)企業(yè)價(jià)值進(jìn)行合理的估值有助于投資者做出合理的判斷[2]。

在當(dāng)前的評(píng)估實(shí)務(wù)中，網(wǎng)絡(luò)直播平臺(tái)企業(yè)的價(jià)值評(píng)估多選用傳統(tǒng)的評(píng)估方法，但平臺(tái)型企業(yè)的獨(dú)特性和不確定性等特點(diǎn)使傳統(tǒng)的方法在估值時(shí)存在較大的誤差[3]。網(wǎng)絡(luò)直播企業(yè)的自創(chuàng)內(nèi)容通過(guò)其創(chuàng)建的平臺(tái)進(jìn)行傳播，所能帶來(lái)的收益遠(yuǎn)高于版權(quán)作為單項(xiàng)資產(chǎn)的評(píng)估值之和，因而成本法在預(yù)測(cè)時(shí)效果不佳；市場(chǎng)法則是要求進(jìn)行比較估值，必須找到合適的至少三家相類似的企業(yè)進(jìn)行比對(duì)，再根據(jù)相關(guān)系數(shù)進(jìn)行調(diào)整，但網(wǎng)絡(luò)直播平臺(tái)企業(yè)屬于新興行業(yè)，各個(gè)平臺(tái)不同的宣傳導(dǎo)致其用戶重疊度不夠高，因而難以尋找可比企業(yè)；網(wǎng)絡(luò)直播企業(yè)受市場(chǎng)影響力巨大，包括市場(chǎng)規(guī)模、用戶數(shù)量、行業(yè)競(jìng)爭(zhēng)環(huán)境等，一旦出現(xiàn)偏頗，其收益額將受到巨大沖擊，很難依靠現(xiàn)有的現(xiàn)金流去預(yù)測(cè)未來(lái)的現(xiàn)金流，同時(shí)初創(chuàng)期的網(wǎng)絡(luò)直播企業(yè)和成熟期的企業(yè)有所不同，初創(chuàng)期一般處于虧損狀態(tài)，收益呈現(xiàn)負(fù)數(shù)，在其擁有一部分固定市場(chǎng)份額扭虧為盈之前使用市場(chǎng)法的判斷可能出現(xiàn)較大誤差。

當(dāng)前為減少估值誤差，各學(xué)者傾向于構(gòu)建修正DEVA模型、改進(jìn)CVBC模型、梅特卡夫模型等方法進(jìn)行估值，本文考慮到估值模型在近年來(lái)不斷改善，因此從中國(guó)知網(wǎng)數(shù)據(jù)庫(kù)中選取自2019年1月至2022年10月的估值模型以及對(duì)應(yīng)的估值誤差進(jìn)行對(duì)比（見(jiàn)表1），以充分把握當(dāng)前研究現(xiàn)狀。

在現(xiàn)有研究中，大部分國(guó)內(nèi)學(xué)者使用的模型是此類以各影響因素與企業(yè)價(jià)值的線性聯(lián)系為基礎(chǔ)構(gòu)建的，但國(guó)外學(xué)者早在研究中發(fā)現(xiàn)平臺(tái)型企業(yè)不同于傳統(tǒng)企業(yè)的線性價(jià)值創(chuàng)造模式，而是一種網(wǎng)狀結(jié)構(gòu)[14]，網(wǎng)絡(luò)直播平臺(tái)企業(yè)作為一類平臺(tái)型企業(yè)，網(wǎng)狀的價(jià)值創(chuàng)造過(guò)程意味著影響企業(yè)價(jià)值的各項(xiàng)因素與企業(yè)價(jià)值之間的關(guān)系可能是復(fù)雜、非線性的，如果將復(fù)雜非線性聯(lián)系的影響因素簡(jiǎn)單使用線性關(guān)系進(jìn)行模型的構(gòu)建會(huì)產(chǎn)生較大誤差，這可能是現(xiàn)有模型存在誤差的原因之一。

基于此，本文將以財(cái)務(wù)指標(biāo)為例，選取同樣的財(cái)務(wù)指標(biāo)分別構(gòu)建線性模型和BP神經(jīng)網(wǎng)絡(luò)模型，通過(guò)對(duì)比兩者對(duì)于同一案例的估值誤差來(lái)驗(yàn)證網(wǎng)絡(luò)直播平臺(tái)企業(yè)價(jià)值與其影響因素之間的關(guān)系是否為非線性關(guān)系，進(jìn)而對(duì)未來(lái)網(wǎng)絡(luò)直播企業(yè)價(jià)值評(píng)估模型的改進(jìn)提供思路。

2 網(wǎng)絡(luò)直播企業(yè)價(jià)值評(píng)估模型構(gòu)建

2.1 指標(biāo)來(lái)源與說(shuō)明

本文研究目的是證明網(wǎng)絡(luò)直播平臺(tái)的價(jià)值影響因素與企業(yè)價(jià)值是否為非線性，因此為了方便數(shù)據(jù)的獲取以及防止其他干擾因素，選擇使用企業(yè)財(cái)報(bào)中便于獲取的財(cái)務(wù)指標(biāo)作為影響因素。

實(shí)際上，網(wǎng)絡(luò)直播企業(yè)的誕生得益于互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，而互聯(lián)網(wǎng)的發(fā)展又在很大程度上受我國(guó)不斷開(kāi)放、穩(wěn)中求進(jìn)的經(jīng)濟(jì)形式所影響，因此宏觀環(huán)境因素等非財(cái)務(wù)因素對(duì)網(wǎng)絡(luò)直播平臺(tái)企業(yè)價(jià)值具有影響，但由于這些非財(cái)務(wù)指標(biāo)在使用到模型當(dāng)中時(shí)一定要進(jìn)行量化處理，目前比較常見(jiàn)的是專家打分法和效用替代法，前者是召集一定數(shù)量的專家依據(jù)企業(yè)的表現(xiàn)情況對(duì)這些非財(cái)務(wù)指標(biāo)進(jìn)行打分，用專家給出的分?jǐn)?shù)將非財(cái)務(wù)指標(biāo)進(jìn)行量化，而后者則是選取效用相同的標(biāo)的物價(jià)值進(jìn)行替代，例如在評(píng)估一棵樹(shù)遮陰價(jià)值時(shí)會(huì)采用同等遮陰面積大小的遮陽(yáng)傘價(jià)值進(jìn)行替代，但由此得出的數(shù)據(jù)不可避免地帶有一定的主觀性，因此本文不選取此類非財(cái)務(wù)指標(biāo)，以減少主觀性對(duì)于實(shí)證分析結(jié)論的影響。

為確保指標(biāo)選取的有效性，本文通過(guò)總結(jié)近三年來(lái)國(guó)內(nèi)學(xué)者在構(gòu)建網(wǎng)絡(luò)直播企業(yè)價(jià)值評(píng)估體系時(shí)財(cái)務(wù)指標(biāo)的選取情況，最終選取衡量企業(yè)短期償債能力的流動(dòng)比率（）、

衡量企業(yè)長(zhǎng)期償債能力的資產(chǎn)負(fù)債率（）、衡量企業(yè)營(yíng)運(yùn)能力的應(yīng)收賬款周轉(zhuǎn)天數(shù)（）以及衡量企業(yè)盈利能力的銷售凈利潤(rùn)（）四個(gè)財(cái)務(wù)指標(biāo)作為模型的自變量，以企業(yè)市場(chǎng)價(jià)值（）作為因變量分別構(gòu)建簡(jiǎn)單線性模型和BP神經(jīng)網(wǎng)絡(luò)模型。

2.2 網(wǎng)絡(luò)直播企業(yè)價(jià)值評(píng)估線性回歸模型構(gòu)建

2.2.1 數(shù)據(jù)來(lái)源

本文通過(guò)萬(wàn)德（Wind）數(shù)據(jù)庫(kù)查閱11家網(wǎng)絡(luò)直播平臺(tái)企業(yè)上市公司的財(cái)務(wù)報(bào)表數(shù)據(jù)，共計(jì)獲取196個(gè)樣本數(shù)據(jù)，Wind上市企業(yè)數(shù)據(jù)庫(kù)的數(shù)據(jù)較新而且可靠度較高，涵蓋了滬深A(yù)股超過(guò)3500家上市企業(yè)，數(shù)據(jù)庫(kù)的企業(yè)規(guī)模較大且國(guó)有企業(yè)占比較高[15]，能夠確保樣本的有效性。

2.2.2 線性回歸相關(guān)概念

線性回歸主要涵蓋兩種不同的線性回歸模型，即一元線性以及多元線性回歸模型，由于本文選取了四項(xiàng)指標(biāo)進(jìn)行回歸，因此使用的是多元線性回歸模型，其主要適用于多個(gè)關(guān)聯(lián)自變量進(jìn)行回歸[16]。

在線性回歸模型的評(píng)價(jià)指標(biāo)中，一般使用均方誤差和決定系數(shù)，本文中使用的是均方誤差的方法，通常來(lái)說(shuō)均方誤差的值越小，模型的擬合程度越好。

2.2.3 構(gòu)建回歸模型

通過(guò)SPSS軟件中“分析”的“回歸”功能可以快速構(gòu)建線性回歸模型，將196個(gè)樣本導(dǎo)入數(shù)據(jù)庫(kù)，選取企業(yè)價(jià)值作為因變量，流動(dòng)比率、資產(chǎn)負(fù)債率、應(yīng)收賬款周轉(zhuǎn)天數(shù)、銷售凈利潤(rùn)作為自變量，其余選項(xiàng)默認(rèn)運(yùn)行程序得到回歸結(jié)果。

從SPSS輸出的ANOVA表截圖（圖1）可以看出，回歸結(jié)果的P值小于0.05，證明該回歸模型的自變量在置信度95%的條件下與因變量顯著線性相關(guān)，模型有效。與此同時(shí)，模型整體的均方誤差較大，這是由于網(wǎng)絡(luò)直播企業(yè)價(jià)值受宏觀經(jīng)濟(jì)環(huán)境、法律法規(guī)等非財(cái)務(wù)指標(biāo)較高，本文為避免主觀性對(duì)結(jié)果的影響只選取財(cái)務(wù)指標(biāo)作為因變量，因此會(huì)產(chǎn)生較大誤差，但BP神經(jīng)網(wǎng)絡(luò)模型也會(huì)選取同樣的指標(biāo)，誤差并不影響實(shí)證結(jié)果的分析。

從SPSS輸出的系數(shù)表截圖（圖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，證明流動(dòng)比率、資產(chǎn)負(fù)債率和應(yīng)收賬款周轉(zhuǎn)天數(shù)在置信度95%的條件下與企業(yè)價(jià)值顯著線性相關(guān)，而銷售凈利潤(rùn)與企業(yè)價(jià)值沒(méi)有顯著的線性相關(guān)。

綜上所述，本文在剔除沒(méi)有與企業(yè)價(jià)值顯著線性相關(guān)的銷售凈利潤(rùn)后，得到網(wǎng)絡(luò)直播企業(yè)價(jià)值評(píng)估線性回歸模型公式，式中為誤差項(xiàng)。

2.3 網(wǎng)絡(luò)直播企業(yè)價(jià)值評(píng)估BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

2.3.1 數(shù)據(jù)來(lái)源

構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型使用的數(shù)據(jù)與回歸模型使用的數(shù)據(jù)相同，共計(jì)196個(gè)樣本數(shù)據(jù)。

2.3.2 BP神經(jīng)網(wǎng)絡(luò)相關(guān)概念

BP神經(jīng)網(wǎng)絡(luò)是一種基于誤差反向傳播算法的多層前饋網(wǎng)絡(luò)[17]，其基本的運(yùn)作流程是將由輸入層正向輸入的數(shù)據(jù)通過(guò)算法得出輸出數(shù)據(jù)，通過(guò)不斷調(diào)節(jié)算法使輸出數(shù)據(jù)與期望數(shù)據(jù)的差值減少，直至達(dá)到預(yù)先確定的值為止，以下是其相關(guān)概念：

（1）輸入層

輸入層是輸入數(shù)據(jù)的網(wǎng)絡(luò)層，將輸入的特征變量傳遞到隱含層，并不會(huì)對(duì)輸入的數(shù)據(jù)進(jìn)行處理，輸入層神經(jīng)元的個(gè)數(shù)取決于輸入數(shù)據(jù)的特征變量數(shù)決定。

（2）隱含層

隱含層是神經(jīng)網(wǎng)絡(luò)中接收輸入層數(shù)據(jù)并對(duì)其進(jìn)行非線性的變化，將結(jié)果傳送至輸出層，隱含層的個(gè)數(shù)可以有多個(gè)，其神經(jīng)元個(gè)數(shù)并不固定，一般會(huì)采用多次試驗(yàn)得出誤差值最小的神經(jīng)元個(gè)數(shù)。

（3）輸出層

輸出層是輸出最終數(shù)據(jù)的網(wǎng)絡(luò)層，同樣會(huì)對(duì)輸入的數(shù)據(jù)進(jìn)行非線性變化，輸出層的神經(jīng)元個(gè)數(shù)取決于實(shí)驗(yàn)?zāi)康模疚闹蠦P神經(jīng)網(wǎng)絡(luò)的目的是進(jìn)行預(yù)測(cè)，因此輸出層神經(jīng)元個(gè)數(shù)為一個(gè)。

2.3.3 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型

本文通過(guò)matlab軟件自帶工具箱中的“Neural Net Fitting”工具進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建，將由、、、數(shù)據(jù)組成的數(shù)據(jù)集設(shè)置為“Input data”，即為輸入層，將由組成的數(shù)據(jù)集設(shè)置為“Target data”，即為輸出層，樣本類型選擇“Matrix columns”，訓(xùn)練樣本、驗(yàn)證樣本和測(cè)試樣本選取默認(rèn)的14∶3∶3比例，隱含層經(jīng)過(guò)測(cè)試選取“2”的誤差最小，使用“Levenberg-Marquardt”算法進(jìn)行訓(xùn)練。

從matlab中輸出的神經(jīng)網(wǎng)絡(luò)均方誤差圖（如圖3所示）可以看出，感知器在第742.85次訓(xùn)練后于第13代時(shí)達(dá)到最理想結(jié)果。

從matlab中輸出的BP神經(jīng)網(wǎng)絡(luò)的R系數(shù)圖（如圖4所示）可以看出，經(jīng)過(guò)訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)使用測(cè)試集進(jìn)行檢驗(yàn)時(shí)R值為0.89，R值越接近1表示預(yù)測(cè)和輸出數(shù)據(jù)之間的關(guān)系越密切，證明神經(jīng)網(wǎng)絡(luò)在檢驗(yàn)中可以得出相對(duì)有效的預(yù)測(cè)結(jié)果。

綜上所述，本文在經(jīng)過(guò)訓(xùn)練和測(cè)試后，得到了網(wǎng)絡(luò)直播企業(yè)價(jià)值評(píng)估BP神經(jīng)網(wǎng)絡(luò)模型，保存神經(jīng)網(wǎng)絡(luò)為“net”，其余選項(xiàng)默認(rèn)，選擇“Finish”完成BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建。

3 以虎牙直播為例的企業(yè)價(jià)值評(píng)估

3.1 案例以及評(píng)估時(shí)點(diǎn)選取原因

虎牙直播是一家成立于2012年的網(wǎng)絡(luò)直播企業(yè)，其前身是YY直播，在2014年11月正式更名為虎牙直播，更名后的虎牙直播對(duì)市場(chǎng)定位、盈利模式和技術(shù)手段都進(jìn)行了改革，開(kāi)始形成以游戲直播為主，秀場(chǎng)直播、體育直播和教育直播為輔的發(fā)展模式[18]，作為我國(guó)游戲直播行業(yè)首家上市公司，其擁有較強(qiáng)的上升空間和發(fā)展前景[19]，因此本文選取虎牙直播作為案例分析更能代表對(duì)投資者有吸引力的網(wǎng)絡(luò)直播企業(yè)。

為打擊網(wǎng)絡(luò)直播亂象，國(guó)家互聯(lián)網(wǎng)信息辦公室部署開(kāi)展了“清朗行動(dòng)”[20]，虎牙直播也在本次行動(dòng)中由于違反《互聯(lián)網(wǎng)文化管理暫行規(guī)定》，被罰款2萬(wàn)元并沒(méi)收違法所得，雖然罰款數(shù)目相較企業(yè)整體價(jià)值較小，但此次罰款使投資者認(rèn)為虎牙直播存在政策監(jiān)管風(fēng)險(xiǎn)，這也是虎牙直播股價(jià)在2022年第二季度由2021年第四季度的16.52億美元下跌至9.24億美元的影響因素之一，由于本文以財(cái)務(wù)指標(biāo)為例構(gòu)建模型，而虎牙直播2022年第二季度財(cái)務(wù)報(bào)表對(duì)應(yīng)時(shí)點(diǎn)的股票市場(chǎng)價(jià)值受到政策較強(qiáng)的影響，選取2022年6月30日作為評(píng)估時(shí)點(diǎn)誤差較大，參考價(jià)值較低，因此本文選取2021年同期時(shí)間作為評(píng)估時(shí)點(diǎn)，即2021年6月30日為評(píng)估時(shí)點(diǎn)。

通過(guò)萬(wàn)德數(shù)據(jù)庫(kù)查閱虎牙直播2021年第二季度財(cái)務(wù)報(bào)表以及2021年6月30日當(dāng)日股價(jià)，并以評(píng)估時(shí)點(diǎn)匯率將美元轉(zhuǎn)換為人民幣，可以得到數(shù)據(jù)：企業(yè)價(jià)值為302.75，流動(dòng)比率為4.66、資產(chǎn)負(fù)債率為0.21、應(yīng)收賬款周轉(zhuǎn)天數(shù)為2.64、銷售凈利潤(rùn)為26.9。

3.2 基于線性回歸及BP神經(jīng)網(wǎng)絡(luò)對(duì)虎牙直播企業(yè)的價(jià)值評(píng)估

3.2.1 基于網(wǎng)絡(luò)直播企業(yè)價(jià)值評(píng)估線性回歸模型進(jìn)行估值

將流動(dòng)比率、資產(chǎn)負(fù)債率、應(yīng)收賬款周轉(zhuǎn)天數(shù)、銷售凈利潤(rùn)代入公式（1），得到虎牙直播在2021年6月30日的企業(yè)價(jià)值評(píng)估結(jié)果為162.06億元，和當(dāng)日股票市場(chǎng)價(jià)格302.75億元的誤差為-46.47%。

3.2.2 基于網(wǎng)絡(luò)直播企業(yè)價(jià)值評(píng)估BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行估值

將由流動(dòng)比率、資產(chǎn)負(fù)債率、應(yīng)收賬款周轉(zhuǎn)天數(shù)、銷售凈利潤(rùn)組成的數(shù)據(jù)集導(dǎo)入matlab當(dāng)中并命名為“pre_1”，在命令執(zhí)行窗口中輸入“predict1=sim（net，pre_1）”并執(zhí)行，得到虎牙直播在2021年6月30日的企業(yè)價(jià)值評(píng)估結(jié)果為279.53億元，和當(dāng)日股票價(jià)格302.75億元的誤差為-7.67%。

3.2.3 兩種評(píng)估模型誤差比較

本文對(duì)比線性模型和神經(jīng)網(wǎng)絡(luò)模型對(duì)同一評(píng)估時(shí)點(diǎn)的誤差發(fā)現(xiàn)，各因素之間非線性相關(guān)的BP神經(jīng)網(wǎng)絡(luò)模型誤差較小，兩個(gè)模型采用了同樣的指標(biāo)，排除了由于指標(biāo)選取不同而影響模型誤差的問(wèn)題，同時(shí)結(jié)合回歸模型中表現(xiàn)出與線性不顯著相關(guān)，可以推論出銷售凈利潤(rùn)指標(biāo)可能存在與企業(yè)價(jià)值非線性相關(guān)的情況，這一情況可能是導(dǎo)致兩個(gè)模型誤差產(chǎn)生的原因之一。

綜上所述，在建立網(wǎng)絡(luò)直播企業(yè)價(jià)值評(píng)估模型時(shí)，存在影響因素與企業(yè)價(jià)值呈非線性相關(guān)的情況，現(xiàn)有學(xué)者對(duì)于網(wǎng)絡(luò)直播平臺(tái)企業(yè)價(jià)值評(píng)估模型的構(gòu)建中較多默認(rèn)使用線性關(guān)系是造成模型存在誤差的原因之一，可以通過(guò)使用BP神經(jīng)網(wǎng)絡(luò)等非線性模型來(lái)減少誤差。

4 網(wǎng)絡(luò)直播企業(yè)價(jià)值評(píng)估模型改進(jìn)建議

4.1 檢驗(yàn)原有模型選用的影響因素是否為線性相關(guān)

在對(duì)已有模型進(jìn)行改進(jìn)時(shí)需要考慮模型使用的影響因素是否與企業(yè)價(jià)值為線性相關(guān)，可以使用最小二乘回歸方法中得出系數(shù)表中的P值判斷，當(dāng)出現(xiàn)P＞0.05時(shí)，該項(xiàng)影響因素與企業(yè)價(jià)值不存在顯著線性相關(guān)。

4.2 檢驗(yàn)非線性相關(guān)因素是否存在網(wǎng)狀相關(guān)

當(dāng)使用最小二乘方法檢驗(yàn)出存在影響因素與企業(yè)價(jià)值不顯著線性相關(guān)時(shí)，需要使用剔除該因素后的模型構(gòu)建回歸模型，使用剔除該因素前的模型構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，使用回歸模型與BP神經(jīng)網(wǎng)絡(luò)模型對(duì)同一企業(yè)的同一評(píng)估時(shí)點(diǎn)進(jìn)行企業(yè)價(jià)值評(píng)估，若BP神經(jīng)網(wǎng)絡(luò)模型的誤差較小則可以推論出該因素與企業(yè)價(jià)值存在網(wǎng)狀相關(guān)。

4.3 對(duì)BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用的建議

BP神經(jīng)網(wǎng)絡(luò)模型適用于擁有充足訓(xùn)練樣本的評(píng)估場(chǎng)景，當(dāng)訓(xùn)練樣本較少時(shí)會(huì)出現(xiàn)評(píng)估誤差波動(dòng)較大的問(wèn)題，因此，本文使用的檢驗(yàn)方法只適用于評(píng)估對(duì)象為網(wǎng)絡(luò)直播這一類企業(yè)的評(píng)估模型檢驗(yàn)中，并不一定適用于針對(duì)單個(gè)具體網(wǎng)絡(luò)直播企業(yè)的價(jià)值評(píng)估模型中，尤其是近期上市，可獲取訓(xùn)練集數(shù)據(jù)較少的企業(yè)。

5 研究展望

本文基于價(jià)值網(wǎng)的視角，針對(duì)國(guó)內(nèi)現(xiàn)有的網(wǎng)絡(luò)直播平臺(tái)企業(yè)價(jià)值評(píng)估模型提出了其影響因素可能是非線性關(guān)系，并選取流動(dòng)比率、資產(chǎn)負(fù)債率、應(yīng)收賬款周轉(zhuǎn)天數(shù)和銷售凈利潤(rùn)作為模型因變量分別構(gòu)建了線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型，通過(guò)實(shí)證分析證明了網(wǎng)絡(luò)直播平臺(tái)企業(yè)的價(jià)值影響因素存在非線性關(guān)系。

本文選取的模型指標(biāo)較少、選取的樣本企業(yè)在一定程度上代表性不足，主要是受限于網(wǎng)絡(luò)直播平臺(tái)企業(yè)目前仍然屬于新興行業(yè)，在該行業(yè)中的上市公司較少且風(fēng)格迥異。

未來(lái)研究可以拓展到更廣泛的指標(biāo)中，例如用戶價(jià)值、視頻點(diǎn)擊率等非財(cái)務(wù)指標(biāo)的驗(yàn)證上，同時(shí)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要大量的樣本數(shù)據(jù)，如何在拓展樣本量的同時(shí)保障數(shù)據(jù)的有效性值得進(jìn)一步研究。

參考文獻(xiàn)

郭淑慧，呂欣.網(wǎng)絡(luò)直播大數(shù)據(jù)：統(tǒng)計(jì)特征與時(shí)序規(guī)律挖掘[J].復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，2022（6）：1-9.

黃嵐.網(wǎng)絡(luò)直播企業(yè)價(jià)值評(píng)估研究[J].中外企業(yè)家，2019（27）：3.

袁羅娜.平臺(tái)類綜合性互聯(lián)網(wǎng)企業(yè)價(jià)值評(píng)估方法研究[D].北京：北京工商大學(xué)，2016.

田慧婧.基于修正DEVA模型的電子商務(wù)平臺(tái)企業(yè)價(jià)值評(píng)估應(yīng)用研究[D].杭州：杭州電子科技大學(xué)，2019.

甘佳寧.基于DEVA模型的網(wǎng)絡(luò)直播平臺(tái)價(jià)值評(píng)估研究[D].廣州：廣東外語(yǔ)外貿(mào)大學(xué)，2020.

王羽嫻.修正的DEVA模型在網(wǎng)絡(luò)直播企業(yè)估值中的應(yīng)用研究[D].杭州：浙江財(cái)經(jīng)大學(xué)，2020.

林夢(mèng)佳.基于改進(jìn)DEVA模型的電商平臺(tái)價(jià)值評(píng)估研究[D].上海：上海財(cái)經(jīng)大學(xué)，2021.

彭宇木子.基于DEVA修正模型的互聯(lián)網(wǎng)直播企業(yè)價(jià)值評(píng)估[D].桂林：廣西科技大學(xué)，2021.

李博宇.基于修正DEVA方法的直播平臺(tái)企業(yè)價(jià)值評(píng)估研究[D].成都：四川師范大學(xué)，2022.

劉春萍.改進(jìn)的CVBC模型在網(wǎng)絡(luò)直播類企業(yè)價(jià)值評(píng)估中的應(yīng)用研究[D].昆明：云南財(cái)經(jīng)大學(xué)，2021.

馬園園.基于改進(jìn)的Schwartz-Moon模型的短視頻平臺(tái)企業(yè)價(jià)值評(píng)估研究[D].徐州：中國(guó)礦業(yè)大學(xué)，2022.

張英飛.基于梅特卡夫模型的短視頻平臺(tái)型企業(yè)價(jià)值評(píng)估研究[D].鄭州：河南財(cái)經(jīng)政法大學(xué)，2022.

黃安瑞.基于BP神經(jīng)網(wǎng)絡(luò)的互聯(lián)網(wǎng)直播企業(yè)價(jià)值評(píng)估[D].南昌：江西財(cái)經(jīng)大學(xué)，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.

張明，李曦晨，王喆.全面剖析中國(guó)企業(yè)杠桿率的異質(zhì)性：規(guī)模、周期與盈利能力：基于三大數(shù)據(jù)庫(kù)的比較分析[J].金融評(píng)論， 2020，12（2）：1-18.

張涵夏.適用于線性回歸和邏輯回歸的場(chǎng)景分析[J].自動(dòng)化與儀器儀表，2022（10）：1-4.

路思恒，尹紅.基于BP神經(jīng)網(wǎng)絡(luò)的居民消費(fèi)水平的預(yù)測(cè)模型：以安徽省為例[J].現(xiàn)代電子技術(shù)，2022，45（21）：83-87.

唐奕宸，陳美玲.虎牙直播的網(wǎng)絡(luò)營(yíng)銷策略研究[J].山西農(nóng)經(jīng)，2021（1）：171-172.

葛小敏，許延明.虎牙直播盈利模式分析[J].科技經(jīng)濟(jì)市場(chǎng)，2022（2）：155-157.

2022年“清朗”系列專項(xiàng)行動(dòng)十大重點(diǎn)任務(wù)[J].廣播電視信息，2022，29（4）：12-13.