劉 超, 傅若瑜, 李佳慧, 周文文

(1.北京工業(yè)大學(xué) 經(jīng)濟(jì)與管理學(xué)院,北京 100124; 2.清華大學(xué) 生命科學(xué)學(xué)院,北京 100062)

0 引言

在當(dāng)前，推動(dòng)互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和實(shí)體經(jīng)濟(jì)深度融合是加快建設(shè)制造強(qiáng)國，加快發(fā)展先進(jìn)制造業(yè)的重要過程。人工智能是國際競(jìng)爭(zhēng)的新焦點(diǎn)，將成為引領(lǐng)未來的戰(zhàn)略性技術(shù)。學(xué)術(shù)界對(duì)于人工智能未有明確的定義，較為主流的定義為使用機(jī)器代替人類實(shí)現(xiàn)認(rèn)知、識(shí)別、分析與決策等，是一門綜合計(jì)算機(jī)科學(xué)、生理學(xué)、哲學(xué)等的交叉學(xué)科。其自誕生之初就引起國內(nèi)外學(xué)者的廣泛關(guān)注并掀起資本市場(chǎng)的投資熱潮。2016年，據(jù)Vennture Scanner的不完全統(tǒng)計(jì)，全球共有957家人工智能公司，囊括深度學(xué)習(xí)、語音語義識(shí)別、機(jī)器視覺等13個(gè)領(lǐng)域，融資金額高達(dá)48億美元，人工創(chuàng)投金額在2011～2016年五年間增長(zhǎng)約12倍，截止到2016年，我國人工智能企業(yè)有366家，僅2015～2016年間，人工智能領(lǐng)域獲投金額在90億人民幣左右，人工智能對(duì)于培育新興產(chǎn)業(yè)發(fā)展、產(chǎn)品創(chuàng)新和智能終端的發(fā)展具有重要意義。

現(xiàn)階段，我國人工智能產(chǎn)業(yè)正處于發(fā)展初期階段，呈現(xiàn)融資速度快，但融資渠道混亂、融資效率低下的特征，這對(duì)深化我國供給側(cè)結(jié)構(gòu)性改革，優(yōu)化產(chǎn)業(yè)改造、產(chǎn)業(yè)價(jià)值鏈升級(jí)帶來一定的挑戰(zhàn)與阻力。因此，剖析我國人工智能領(lǐng)域融資現(xiàn)象，深入研究我國人工智能產(chǎn)業(yè)上市公司的融資效率和影響因素，有利于客觀反映整體的人工智能公司的融資效率發(fā)展?fàn)顩r和影響因素，對(duì)于加快現(xiàn)代制造業(yè)和服務(wù)業(yè)發(fā)展、瞄準(zhǔn)國際標(biāo)準(zhǔn)提高水平、促進(jìn)我國產(chǎn)業(yè)邁向全球價(jià)值鏈中高端、競(jìng)爭(zhēng)新一輪國際科技主導(dǎo)權(quán)、培育若干世界級(jí)先進(jìn)制造業(yè)集群具有重要的作用。

1 研究現(xiàn)狀

國內(nèi)外對(duì)于融資效率問題進(jìn)行了諸多有意義的研究。西方國家由于其特殊的國家財(cái)產(chǎn)組織體系和產(chǎn)權(quán)制度使得其企業(yè)的融資效率普遍較高[1]。故而西方學(xué)者對(duì)企業(yè)融資效率的實(shí)證研究相對(duì)較少，其主要研究融資結(jié)構(gòu)如何影響融資效率以及運(yùn)用融資理論研究資源配置效率問題。Romano et al.[2]通過實(shí)證分析，研究發(fā)現(xiàn)企業(yè)的經(jīng)營目標(biāo)、資本結(jié)構(gòu)、管理模式、生命周期等都會(huì)對(duì)企業(yè)的融資效率產(chǎn)生影響；Almeida and Wolfenzo[3]利用均衡模型發(fā)現(xiàn)資本配置效率與公司外源融資需求及外部投資者利益保障存在較強(qiáng)的關(guān)聯(lián)，當(dāng)不能有效保護(hù)外部投資者權(quán)益時(shí)，公司的資本配置效率受到抑制。當(dāng)公司的外源融資需求增多時(shí)，公司會(huì)將資本從產(chǎn)出效率較低的項(xiàng)目向產(chǎn)出效率較高的項(xiàng)目進(jìn)行再配置，從而提高資本融資效率；Eisdorfer et al.[4]考察了資本結(jié)構(gòu)、高管薪酬與資本融資效率之間的關(guān)系，利用杠桿比率和公司杠桿率之間的相似性判斷公司資本融資效率的高低，認(rèn)為杠桿間隙的加大將導(dǎo)致更多的投資扭曲，較多的負(fù)債補(bǔ)償將導(dǎo)致投資不足，而股權(quán)補(bǔ)償將會(huì)引發(fā)投資過熱。此外，當(dāng)補(bǔ)償杠桿低于或高于公司杠桿時(shí)，投資失真將會(huì)增加股權(quán)(負(fù)債)價(jià)值。這些結(jié)果表明，經(jīng)理人為了增加投資組合的價(jià)值可以人為地拉低資本融資效率，并以更小的杠桿差距縮減代理成本。Kaffash S, Marra[5]研究了1985年到2016年4月期間 Web of Science數(shù)據(jù)庫中有關(guān)融資效率研究的金融領(lǐng)域特性。

國內(nèi)的學(xué)者對(duì)融資效率研究較為豐富，對(duì)于融資效率的測(cè)度主要用了三種方法：模糊綜合評(píng)價(jià)、數(shù)據(jù)包絡(luò)分析(Data Envelopment Analysis，簡(jiǎn)稱DEA)、指標(biāo)體系評(píng)價(jià)[6]。其中，數(shù)據(jù)包絡(luò)分析 (DEA) 是處理具有多個(gè)輸入和多個(gè)輸出的多目標(biāo)決策問題的方法，因而能夠更理想地反映評(píng)價(jià)對(duì)象自身的信息和特點(diǎn)，同時(shí)對(duì)于評(píng)價(jià)復(fù)雜系統(tǒng)的多投入多產(chǎn)出分析具有獨(dú)到之處。陳燕武[7]利用非DEA對(duì)福建省9個(gè)地市的科技投入產(chǎn)出效率 (2004～2008) 進(jìn)行評(píng)價(jià)，并應(yīng)用復(fù)合DEA方法和Malmquist指數(shù)對(duì)科技投入產(chǎn)出效率非DEA有效地區(qū)的形成原因及其生產(chǎn)力的動(dòng)態(tài)變化進(jìn)行了分析；王赫一和張屹山[8]基于兩階段DEA方法對(duì)我國上市銀行的運(yùn)營績(jī)效進(jìn)行了實(shí)證分析；董鋒等[9]利用三階段DEA模型構(gòu)建消除外部環(huán)境因素和隨機(jī)因素的區(qū)域碳排放效率測(cè)算模型并測(cè)算了各省1997～2010年平均碳排放效率；楊德權(quán)和薛云霞[10]提出了交叉效率DEA和熵IAHP方法并評(píng)價(jià)了物流企業(yè)的績(jī)效；劉滿鳳和李圣宏[11]運(yùn)用三階段DEA模型對(duì)2012年我國高新區(qū)的創(chuàng)新效率進(jìn)行了研究；關(guān)于DEA 模型以及應(yīng)用DEA研究企業(yè)或行業(yè)效率、績(jī)效的文獻(xiàn)還有如查勇等[12]，朱南和譚德彬[13]，李春好等[14]，在此就不再一一贅述。

綜上所述，國外學(xué)者偏重于對(duì)融資效率理論和融資結(jié)構(gòu)的研究，而我國學(xué)者受到國外公司理論的影響，其研究?jī)?nèi)容偏重于對(duì)概念的界定，同時(shí)大量運(yùn)用各種分析工具對(duì)融資效率進(jìn)行實(shí)證。目前對(duì)于人工智能產(chǎn)業(yè)的研究相對(duì)不足，并局限于定性分析上，缺少更細(xì)化的定量研究?jī)?nèi)容。筆者認(rèn)為應(yīng)該在以下幾個(gè)方面彌補(bǔ)研究的空白：第一，定性和定量的研究人工智能產(chǎn)業(yè)融資效率現(xiàn)實(shí)狀況。第二，探究影響人工智能產(chǎn)業(yè)融資效率不足或進(jìn)步的主要?jiǎng)右颉５谌?，針?duì)人工智能產(chǎn)業(yè)融資狀況的特點(diǎn)，尋找影響融資效率的因素。因此，本文提出基于DEA-malmquist分析與Tobit方法，能夠客觀的彌補(bǔ)已有研究的不足，從定量角度對(duì)融資效率進(jìn)行研究。

2 模型的構(gòu)建

2.1 CCR-BCC模型

數(shù)據(jù)包絡(luò)分析方法(DEA)由Charnes et al.[15]于1978年提出，該方法的原理主要是通過保持決策單元(DMU, Decision Making Units)的輸入或者輸入不變，借助于數(shù)學(xué)規(guī)劃和統(tǒng)計(jì)數(shù)據(jù)確定相對(duì)有效的生產(chǎn)前沿面，將各個(gè)決策單元投影到DEA的生產(chǎn)前沿面上，并通過比較決策單元偏離DEA前沿面的程度來評(píng)價(jià)它們的相對(duì)有效性。DEA方法以相對(duì)效率概念為基礎(chǔ)，以凸分析和線性規(guī)劃為工具的一種評(píng)價(jià)方法，它能充分考慮對(duì)于決策單元本身最優(yōu)的投入產(chǎn)出方案，因而能夠更理想地反映評(píng)價(jià)對(duì)象自身的信息和特點(diǎn)；同時(shí)對(duì)于評(píng)價(jià)復(fù)雜系統(tǒng)的多投入多產(chǎn)出分析具有獨(dú)到之處。

第一個(gè)重要的DEA模型是CCR模型，它是1978年由美國運(yùn)籌學(xué)家Charnes et al.[15]以相對(duì)效率概念為基礎(chǔ)提出的一種系統(tǒng)分析方法，該模型利用了Farrell[16]所提出的多項(xiàng)投入和產(chǎn)出效率衡量概念。假設(shè)有n個(gè)決策單元(DMU)，每個(gè)決策單元都有k個(gè)輸入向量Xi=(xi1,xi2,…,xin)，i=1,2,…,k和w個(gè)輸出向量yr=(yr1,yr2,…,yrn),r=1,2,…,w，具有非阿基米德無窮小的CCR模型如下：

(1)

CCR的假設(shè)是決策單元規(guī)模效益不變，任何企業(yè)都可能通過增加投入比例擴(kuò)大產(chǎn)出規(guī)模。而實(shí)際上由于政策法規(guī)、市場(chǎng)環(huán)境等因素都會(huì)限制企業(yè)在理想的狀態(tài)下運(yùn)行，這意味著規(guī)模報(bào)酬是可變的，通過補(bǔ)充上述模型，可以得到規(guī)模報(bào)酬可變的DEA模型，即BCC模型：

(2)

(2)中各變量含義均同(1)。模型中的θ(θ≥δ)表示純技術(shù)效率(PTE)，而θ越大表示該公司的純技術(shù)效率越高?？梢詫CC模型中的綜合技術(shù)效率值(TE)分解為純技術(shù)效率(PTE)和規(guī)模效率(SE)，即：TE=PTE×ES。通過TE=PTE×SE，我們可以得知式中的0

2.2 Malmquist 指數(shù)方法

對(duì)于全要素生產(chǎn)指數(shù)的測(cè)度主要包括非參數(shù)法和參數(shù)法，參數(shù)法需要設(shè)定特定的生產(chǎn)函數(shù)描述投入和產(chǎn)出之間的關(guān)系，一般是利用投入產(chǎn)出做回歸分析來確定函數(shù)表達(dá)式中的參數(shù)，來確定生產(chǎn)率。非參數(shù)方法不必設(shè)置具體生產(chǎn)函數(shù)，無須引入假設(shè)，可避免不同的生產(chǎn)函數(shù)設(shè)定導(dǎo)致結(jié)果迥異等情況[17]。Malmquist[18]在對(duì)消費(fèi)分析的時(shí)候首次提出了Malmquist指數(shù)法，隨后Caves et al.[19]將其用于計(jì)算生產(chǎn)效率。其本質(zhì)是利用不同時(shí)刻距離函數(shù)的比值來測(cè)度生產(chǎn)率的變化，Malmquist生產(chǎn)率指數(shù)計(jì)算如下：

(3)

(4)

D0(xt,yt)、D0(xt+1,yt+1)分別表示t、t+1時(shí)期的決策距離函數(shù)，其中D0(xt,yt)的值恰好為DEA理論中CCR模型當(dāng)投入(輸入)和產(chǎn)出(輸出)變量分別為xt和yt時(shí)的最優(yōu)值δ的倒數(shù)；為了避免隨意選擇時(shí)期引起的差異，通過幾何平均數(shù)，Caves et al.[19]定義了綜合生產(chǎn)率指數(shù)：

(5)

若M值大于1，表示其效率是增長(zhǎng)的，相反小于1表示效率是降低的。上述(5)式也可以表示為：

(6)

(7)

2.3 Tobit模型

由于DEA方法所估計(jì)出的效率值介于0到1之間，其因變量的數(shù)值是切割(Truncated)或片段(截?cái)? 的，如果采用普通最小二乘法(OLS)來估計(jì)無法完整地呈現(xiàn)數(shù)據(jù)，將導(dǎo)致估計(jì)偏差，因此本文采用遵循最大似然法概念的Tobit模型進(jìn)行回歸分析。Tobit模型是一種經(jīng)濟(jì)計(jì)量模型，最早是由諾貝爾經(jīng)濟(jì)學(xué)家James Tobin提出的[20]，是因變量受到限制的一種模型，又稱截?cái)嗍交貧w型。其基本形式如下：

(8)

(9)

其中，yi為因變量，對(duì)應(yīng)前面3個(gè)模型計(jì)算得到的效率值；Xi為自變量，β對(duì)應(yīng)各個(gè)因素；εi為各因素的系數(shù)比例；為殘差項(xiàng)且滿足εi～Normal(0,σ2)

當(dāng)yi=0時(shí)，其概率分布函數(shù)為：

(10)

(11)

3 實(shí)證分析

本文實(shí)證部分首先從國泰安、Wind資訊等數(shù)據(jù)庫中抽取37個(gè)人工智能產(chǎn)業(yè)上市公司，以2013～2016年間的財(cái)務(wù)數(shù)據(jù)為原始資料。首先我們選取了總資產(chǎn)、總營業(yè)成本、資產(chǎn)負(fù)債率為投入指標(biāo)，凈資產(chǎn)收益率、總資產(chǎn)周轉(zhuǎn)率、主營業(yè)務(wù)收入增長(zhǎng)率為產(chǎn)出指標(biāo)。并運(yùn)用DEA方法中的CCR和BCC模型對(duì)該37個(gè)人工智能產(chǎn)業(yè)上市公司的融資效率進(jìn)行了靜態(tài)分析，得出了綜合技術(shù)效率值、純技術(shù)效率值、規(guī)模效率值三個(gè)反映融資效率的指標(biāo)(值為1的時(shí)候，認(rèn)為融資效率達(dá)到了最佳，低于1都認(rèn)為是融資效率不佳，其融資過剩還是融資存在缺口通過松弛變量的正負(fù)來判斷，文中未給出原始數(shù)據(jù))；為了深入研究2013～2016年間37家人工智能產(chǎn)業(yè)上市公司融資效率隨著時(shí)間的變化情況，在DEA模型的基礎(chǔ)上，采用了Malmquist指數(shù)的計(jì)算方法，對(duì)其進(jìn)行了動(dòng)態(tài)分析，得出了技術(shù)效率變化指數(shù)、技術(shù)進(jìn)步變化指數(shù)、規(guī)模效率變化指數(shù)、Malmquist指數(shù)。通過五個(gè)指數(shù)可以反映37家公司融資效率逐年變化(值大于1，認(rèn)為效率存在進(jìn)步，小于1說明了技術(shù)沒有進(jìn)步)。最后，我們對(duì)人工智能產(chǎn)業(yè)融資效率的影響因素進(jìn)行探究，本文選取并假設(shè)資本結(jié)構(gòu)、成長(zhǎng)能力、盈利能力、資金利用率、股權(quán)集中度為變量，構(gòu)建了Tobit模型，通過分析數(shù)值結(jié)果，可以得出五個(gè)變量與企業(yè)融資效率的相關(guān)關(guān)系(值為正，且p<0.05認(rèn)為有較強(qiáng)的正相關(guān)關(guān)系)。

3.1 樣本、變量及數(shù)據(jù)說明

3.1.1 樣本的選擇和預(yù)處理

本文選取了在2013年前國內(nèi)上市的37家人工智能產(chǎn)業(yè)公司為研究樣本，為了更全面地反映融資過程的動(dòng)靜態(tài)變化，選取了2013～2016四年的財(cái)務(wù)報(bào)表的相關(guān)數(shù)據(jù)作為評(píng)價(jià)我國人工智能產(chǎn)業(yè)上市公司融資效率的基礎(chǔ)。本文采用的數(shù)據(jù)均來自于國泰君安數(shù)據(jù)庫(CSMAR)、Wind資訊數(shù)據(jù)庫以及各家上市公司公布的年報(bào)，人工智能上市公司的劃分依據(jù)Wind經(jīng)濟(jì)數(shù)據(jù)庫的人工智能板塊，并人為剔除*ST和一些數(shù)據(jù)不全的企業(yè)。

DEA模型實(shí)際上要求所有的投入指標(biāo)和產(chǎn)出指標(biāo)為正值。而本文所選指標(biāo)中資產(chǎn)負(fù)債率、凈資產(chǎn)收益率、總資產(chǎn)周轉(zhuǎn)率、主營業(yè)務(wù)收入增長(zhǎng)率有可能為負(fù)值，并且總資產(chǎn)的數(shù)量級(jí)過大，不利于保持?jǐn)?shù)據(jù)的一致性。故而筆者將所有指標(biāo)可以用以下式子進(jìn)行處理，使其歸一到一個(gè)正值區(qū)間。

(12)

3.1.2 變量的選擇

融資效率是投入和產(chǎn)出能力的測(cè)度，其選取指標(biāo)的方法有三種：生產(chǎn)法、中介法、資產(chǎn)法[18]。根據(jù)指標(biāo)選擇的科學(xué)性、邏輯性、可操作性，本文選取了3個(gè)投入變量：①總資產(chǎn)：可以反映人工智能產(chǎn)業(yè)上市公司融資規(guī)模的大小。②資產(chǎn)負(fù)債率：能夠體現(xiàn)企業(yè)的資本結(jié)構(gòu)。根據(jù)融資結(jié)構(gòu)理論，企業(yè)的經(jīng)營風(fēng)險(xiǎn)較小，則可以通過財(cái)務(wù)杠桿的合理利用獲得更多的利潤。若經(jīng)營風(fēng)險(xiǎn)較大，其償債風(fēng)險(xiǎn)更大，財(cái)務(wù)杠桿則會(huì)產(chǎn)生負(fù)面影響。故資產(chǎn)負(fù)債率既能體現(xiàn)企業(yè)的資本結(jié)構(gòu)，也能體現(xiàn)其受資本結(jié)構(gòu)的影響程度。③營業(yè)總成本：該指標(biāo)主要體現(xiàn)了企業(yè)生產(chǎn)經(jīng)營的花費(fèi)的代價(jià)，總成本越高，其利潤越小。換而言之，成本決定了利潤。該指標(biāo)體現(xiàn)了企業(yè)對(duì)資金的利用能力；

選擇產(chǎn)出變量則從企業(yè)的成長(zhǎng)性、盈利能力、資金使用效率三個(gè)方面反映：①凈資產(chǎn)收益率：該指標(biāo)為利潤額與平均股東權(quán)益的比值。其數(shù)值越高則融資帶來的收益越高。該指標(biāo)體現(xiàn)了公司利用自有資本獲得凈收益的能力，也是衡量其盈利能力的標(biāo)準(zhǔn)。②總資產(chǎn)周轉(zhuǎn)率：即為企業(yè)總資產(chǎn)的周轉(zhuǎn)速度。由營業(yè)收入和年平均資產(chǎn)總額做比得出。體現(xiàn)了公司生產(chǎn)經(jīng)營過程中資本的輸入輸出過程的流轉(zhuǎn)速度，反映了企業(yè)資本的利用效率和管理質(zhì)量。該指標(biāo)越高，則資金利用效率越高。③主營業(yè)務(wù)收入增長(zhǎng)率：可衡量公司產(chǎn)品的生命周期，判斷公司所處的成長(zhǎng)階段和成長(zhǎng)能力。

表1 人工智能產(chǎn)業(yè)融資效率評(píng)價(jià)指標(biāo)體系表

3.2 模型結(jié)果

3.2.1 基于DEA模型的融資效率測(cè)度結(jié)果

基于投入角度的CCR-BCC模型，應(yīng)用DEAP 2.1軟件對(duì)2013～2016年人工智能產(chǎn)業(yè)的37家上市公司的融資效率進(jìn)行了測(cè)度，并求取均值，其結(jié)果如下。

表2 2013～2016年37 家人工智能產(chǎn)業(yè)上市公司綜合效率統(tǒng)計(jì)表

表1給出了2013～2016年四年間公司的靜態(tài)技術(shù)效率及分解項(xiàng)的平均狀況。我國人工智能產(chǎn)業(yè)上市公司總體融資效率偏低。綜合技術(shù)效率四年均值僅為0.7711，標(biāo)準(zhǔn)差為0.1568。而所選取的37個(gè)樣本公司中僅有1家的綜合效率值達(dá)到了1，且有關(guān)松弛變量為0。也就是達(dá)到了規(guī)模有效和純技術(shù)效率有效(PTE=1，SE=1)；純技術(shù)效率總體來說相對(duì)較高，純技術(shù)效率四年的均值為0.9225，純技術(shù)效率值達(dá)到1的公司的數(shù)目為6個(gè)，占比16.6%。而純技術(shù)效率值未達(dá)到0.8的公司數(shù)目只有3家。規(guī)模效率四年均值為0.8319，且規(guī)模效率值未達(dá)到0.8的公司共計(jì)13家?？傮w來說，綜合效率值偏低主要是由于規(guī)模效率值較低引起的。

純技術(shù)效率反映了公司管理政策和水平，我國高新技術(shù)企業(yè)資金管理水平和企業(yè)所處的發(fā)展階段相關(guān)，處于快速成長(zhǎng)階段的高新技術(shù)企業(yè)資金營運(yùn)管理能力很高。紫光股份、和而泰等人工智能上市公司大多處于快速成長(zhǎng)階段，其對(duì)資金的營運(yùn)能力較強(qiáng)。另外由于人工智能產(chǎn)業(yè)上市公司大多產(chǎn)生于高校和研究院，其研發(fā)人員和管理層人員的素質(zhì)相對(duì)較高，并在適當(dāng)?shù)臅r(shí)期采取了股權(quán)激勵(lì)制度，故而在資金的利用和管理方面相對(duì)較優(yōu)。

3.2.2 人工智能上市公司融資效率動(dòng)態(tài)分析

動(dòng)態(tài)分析比靜態(tài)分析更能體現(xiàn)融資效率隨著時(shí)間的變化情況。利用Malmquist指數(shù)測(cè)度2013～2016年人工智能產(chǎn)業(yè)上市公司融資效率的動(dòng)態(tài)變化過程。其計(jì)算結(jié)果如下：

表3 2013～2016年人工智能產(chǎn)業(yè)Malmquist指數(shù)及其分解

從四年的均值來看，我國人工智能產(chǎn)業(yè)上市公司融資效率下降，其技術(shù)效率變化指數(shù)和技術(shù)進(jìn)步變動(dòng)指數(shù)均小于1，分別為0.958和0.941。純技術(shù)效率變動(dòng)指數(shù)大于1.014，規(guī)模效率變動(dòng)指數(shù)為0.945。表明了綜合技術(shù)效率的下降趨勢(shì)主要是由于規(guī)模效率的下降所引起的。整體上樣本企業(yè)利用規(guī)模提升融資效率的能力不足，其規(guī)模和產(chǎn)出不相匹配。分時(shí)段來看，我國人工智能產(chǎn)業(yè)上市公司融資效率處于波動(dòng)之中。2013～2014年間技術(shù)效率變化指數(shù)、技術(shù)進(jìn)步變動(dòng)指數(shù)、純技術(shù)效率變動(dòng)指數(shù)、規(guī)模效率變動(dòng)指數(shù)、Malmquist指數(shù)均超過1，該年間人工智能產(chǎn)業(yè)總體融資效率有了較大進(jìn)步。技術(shù)效率變化、技術(shù)進(jìn)步、純技術(shù)效率的提升和規(guī)模效率都促進(jìn)了綜合技術(shù)效率的增長(zhǎng)。而2014～2015年間，malmquist指數(shù)則小于1呈現(xiàn)了下降趨勢(shì)，從四個(gè)指標(biāo)來看，全要素生產(chǎn)指數(shù)的下降是多方面導(dǎo)致的，既有純技術(shù)效率下降的原因也有規(guī)模效率下降的原因。2015～2016年只有純技術(shù)效率上升，其他指標(biāo)均沒有超過1，而Malmquist指數(shù)雖有所上升，但是還未超過1，故而純技術(shù)效率，說明企業(yè)內(nèi)部人員素質(zhì)和管理水平的提高，對(duì)融資效率雖然起一定作用，但是不能起決定作用。

37家樣本公司中(如表3)僅有綠景控股、漢王科技、康力電梯、和而泰、巨星科技、同花順、藍(lán)色光標(biāo)、浙大網(wǎng)新、四川長(zhǎng)虹9家Malmquist指數(shù)超過了1，占比24.3%。其中，排在前三位的是四川長(zhǎng)虹、浙大網(wǎng)新、藍(lán)色光標(biāo)。融資效率的進(jìn)步由多方面決定的。浙大網(wǎng)新融資效率的向好態(tài)勢(shì)得益于技術(shù)進(jìn)步和規(guī)模的效率的提升。2008年以后和ST海納公司進(jìn)行了重組，進(jìn)行了產(chǎn)業(yè)整合，實(shí)現(xiàn)了人才技術(shù)資金的齊頭并進(jìn)，減緩了管理和資源的沖突。藍(lán)色光標(biāo)融資效率也進(jìn)步顯著，存在著技術(shù)的進(jìn)步和規(guī)模的提升，開展大量的海外并購收購英國Huntsworth、美國數(shù)據(jù)分析公司Blab等公司。

表4 2013～2016年37家人工智能產(chǎn)業(yè)上市公司平均Malmquist指數(shù)及其分解

3.2.3 人工智能產(chǎn)業(yè)上市公司融資效率影響因素研究

上文從投入角度對(duì)我國人工智能產(chǎn)業(yè)上市公司的融資效率進(jìn)行了比較分析，但是實(shí)際決策中還受到了其他一些重要因素的影響，如融資結(jié)構(gòu)、股權(quán)集中度等，下文則以五種影響人工智能產(chǎn)業(yè)上市公司的融資效率為自變量，以DEA運(yùn)算得出的純技術(shù)效率為因變量，構(gòu)建Tobit模型。

假設(shè)1人工智能產(chǎn)業(yè)上市公司的融資效率和債權(quán)融資成正比。一般企業(yè)的融資方式主要有債權(quán)融資和股權(quán)融資兩種。一般來說，企業(yè)的資本結(jié)構(gòu)受融資方式的影響，而資本結(jié)構(gòu)又影響平均資本成本，平均資本成本影響著融資效率。因此本文選取了資產(chǎn)負(fù)債率作為債權(quán)融資指標(biāo)，來反映人工智能產(chǎn)業(yè)上市公司的融資結(jié)構(gòu)。

假設(shè)2人工智能產(chǎn)業(yè)上市公司的融資效率與企業(yè)的盈利能力成正比。企業(yè)的盈利能力越強(qiáng)，則償債能力越強(qiáng)，也更容易獲得債權(quán)融資。盈利能力強(qiáng)的企業(yè)內(nèi)部資金充裕，通過內(nèi)部融資既可以減少融資成本，也可以降低其財(cái)務(wù)風(fēng)險(xiǎn)。另外，盈利能力強(qiáng)則向市場(chǎng)傳達(dá)出該企業(yè)發(fā)展較好的信號(hào)，有利于其股權(quán)融資。綜上，企業(yè)的盈利能力和融資效率息息相關(guān)。因此本文選擇了凈資產(chǎn)收益率作為其盈利能力的指標(biāo)。

假設(shè)3人工智能產(chǎn)業(yè)上市公司的融資效率與企業(yè)的成長(zhǎng)能力成正比。成長(zhǎng)性區(qū)分于盈利能力，成長(zhǎng)性較好的企業(yè)不一定意味著盈利能力越好，尤其是高新技術(shù)產(chǎn)業(yè)，其投入的研發(fā)資金會(huì)在未來為公司帶來豐厚的利潤。這樣的企業(yè)也會(huì)有更大的成長(zhǎng)機(jī)會(huì)。理論上講，比起成長(zhǎng)性低的企業(yè)，高成長(zhǎng)能力的企業(yè)往往對(duì)融資方式有更多的選擇，進(jìn)而影響著融資效率。因此筆者選擇營業(yè)收入增長(zhǎng)率作為企業(yè)成長(zhǎng)能力的指標(biāo)。

假設(shè)4人工智能產(chǎn)業(yè)上市公司的融資效率與企業(yè)的資金利用率成正比。其包括資金到位率和資金利用的充分性。資金的到位率則表示公司將自己募集的資金運(yùn)用于企業(yè)生產(chǎn)的程度，其程度越高，無疑融資效率越高；由于我國證券市場(chǎng)制度的不完善，監(jiān)管不嚴(yán)格，一些上市公司募集資金后隨意變更資金流方向，使得公司財(cái)務(wù)風(fēng)險(xiǎn)加大。另外，目前市場(chǎng)上超募現(xiàn)象嚴(yán)重，其資金超出了企業(yè)的管理計(jì)劃，很多企業(yè)將募集的資金存于銀行，造成了資本的浪費(fèi)。故將主營業(yè)務(wù)成本作為資金利用率的指標(biāo)。

假設(shè)5人工智能產(chǎn)業(yè)上市公司的融資效率與企業(yè)的股權(quán)集中度成正比。股權(quán)集中度的合理性影響公司的治理結(jié)構(gòu)，股權(quán)過度集中會(huì)造成一家獨(dú)大的局面，造成嚴(yán)重的大小股東的信息不對(duì)稱，容易產(chǎn)生控股的股東利用股權(quán)投資圈錢，并根據(jù)自己的個(gè)人利益變更募集資金的投向，使得企業(yè)的融資效率降低。因此本文以前十大股東持股比例作為衡量股權(quán)集中度的指標(biāo)。

在以上五種假設(shè)和在DEA的效率測(cè)度的基礎(chǔ)之上，由于因變量純技術(shù)效率介于0-1之間，我們則以Tobit回歸模型研究人工智能產(chǎn)業(yè)上市公司融資效率的影響因素。構(gòu)建模型如下：

PTEit=ci+β1DA+β2IRBR+β3ROE+

β4COGSTS+β5PB+εit

(13)

其中i表示第i家上市公司，t則表示時(shí)間(年份)，εit表示殘差，其他符號(hào)的含義如下：

PTE：純技術(shù)效率即企業(yè)的融資效率；DA：資產(chǎn)負(fù)債率即企業(yè)的資本結(jié)構(gòu)；

IRBR:營業(yè)收入增長(zhǎng)率，代表企業(yè)的成長(zhǎng)性；ROE:凈資產(chǎn)收益率，表示企業(yè)盈利能力；

COGSTS:主營業(yè)務(wù)成本，資金利用率；PB：前10大股東持股比例。

本文采用了Eviews 8.0對(duì)2013～2016人工智能產(chǎn)業(yè)上市公司的融資效率及相關(guān)變量做Tobit模型分析，其結(jié)果如下：

表5 我國人工智能上市公司融資效率tobit回歸分析結(jié)果

從表5中的結(jié)果可以看出，第一，人工智能產(chǎn)業(yè)上市公司的融資效率和資產(chǎn)負(fù)債率比例成負(fù)相關(guān)關(guān)系。資產(chǎn)負(fù)債率越高，表明融資結(jié)構(gòu)中舉債性融資比例越大，盡管適當(dāng)?shù)呢?fù)債比例能夠減少稅務(wù)而提高企業(yè)的價(jià)值。但目前我國融資渠道相對(duì)狹窄，過度的負(fù)債反而會(huì)減弱企業(yè)的競(jìng)爭(zhēng)能力，從而降低以企業(yè)價(jià)值為導(dǎo)向的融資效率。第二，人工智能產(chǎn)業(yè)上市公司的融資效率與企業(yè)的盈利能力正相關(guān)。企業(yè)盈利能力強(qiáng)，其留存收益的比例也就越大，則內(nèi)部融資能力越強(qiáng)。而內(nèi)部融資無論是資金到位效率還是融資成本上相較于債券融資和股權(quán)融資具有天然的優(yōu)勢(shì)。故而公司的融資效率就有所提高。第三，人工智能產(chǎn)業(yè)上市公司的融資效率與企業(yè)的成長(zhǎng)能力為正相關(guān)關(guān)系。人工智能產(chǎn)業(yè)上市公司作為高新技術(shù)企業(yè)往往具有較強(qiáng)的市場(chǎng)核心競(jìng)爭(zhēng)力，成長(zhǎng)性強(qiáng)的企業(yè)無疑會(huì)吸引大量的投資者。在公司發(fā)展的過程中有較大空間去合理選擇融資方式，融資成本也得以降低，融資效率也會(huì)隨之提高。所以融資效率和企業(yè)的成長(zhǎng)能力成正相關(guān)關(guān)系。第四，人工智能產(chǎn)業(yè)上市公司的融資效率與企業(yè)的資金利用率成不顯著正比關(guān)系。資金利用率包括了資金到位率和資金投向。在各種融資方式中，資金到位率最高的為內(nèi)部融資，因?yàn)樵诠緝?nèi)部融資決策的同時(shí)，一般資金投向也很明確，資金利用充足。然后是債權(quán)融資，尤其是企業(yè)常常依賴的銀行貸款，審批手續(xù)嚴(yán)格，對(duì)資金的使用作出了約束。效率最低的為股權(quán)融資，在資本市場(chǎng)上籌得的資金用途規(guī)劃不明確。而本文以上市公司作為樣本，其股權(quán)融資程度相對(duì)較高，故而資金利用率相對(duì)較低，資本浪費(fèi)嚴(yán)重，盈利能力低下，導(dǎo)致其融資效率降低。第五，股權(quán)集中度與人工智能產(chǎn)業(yè)上市公司的融資效率呈不顯著的正相關(guān)關(guān)系，可能是因?yàn)楣镜墓蓹?quán)結(jié)構(gòu)僅僅反映的是法律意義上的控制權(quán)的分配，而不能清楚的反映公司的經(jīng)營狀況。

4 結(jié)論

本文通過DEA方法及Tobit模型對(duì)我國37個(gè)人工智能產(chǎn)業(yè)上市公司的融資效率進(jìn)行了靜態(tài)及動(dòng)態(tài)分析，并對(duì)我國人工智能產(chǎn)業(yè)融資效率的影響因素進(jìn)行探究。研究結(jié)論表明：1) 我國人工智能產(chǎn)業(yè)融資效率不理想，純技術(shù)效率雖然相對(duì)較高，但是規(guī)模效率低下，有較大的改進(jìn)空間；從動(dòng)態(tài)績(jī)效來看，我國人工智能上市公司處于逐年波動(dòng)的情況，總體來說有下降的趨勢(shì)，其原因很多，但主要原因還是規(guī)模效率有所下降。2) 資本結(jié)構(gòu)、盈利能力、成長(zhǎng)能力是影響人工智能上市公司融資效率變化的主要原因。資產(chǎn)負(fù)債率、盈利能力、企業(yè)成長(zhǎng)能力與樣本企業(yè)融資效率具有顯著的相關(guān)關(guān)系，而其中的資產(chǎn)負(fù)債率和樣本企業(yè)的融資效率成反比，而股權(quán)集中度和資金利用率與樣本企業(yè)的融資效率相關(guān)顯著性較差。

根據(jù)以上的研究，結(jié)合現(xiàn)實(shí)情況，我們提出以下的政策啟示：1)人工智能產(chǎn)業(yè)上市公司應(yīng)該適當(dāng)擴(kuò)大生產(chǎn)規(guī)模，提高融資資金的利用率。通過觀察數(shù)據(jù)，大多數(shù)的人工智能產(chǎn)業(yè)處于規(guī)模遞增的階段，故而應(yīng)該適當(dāng)擴(kuò)大企業(yè)的規(guī)模，通過提高市場(chǎng)占有率來增加企業(yè)的收益，進(jìn)而提高融資資金的使用效率。對(duì)于少數(shù)處于規(guī)模報(bào)酬遞減的人工智能企業(yè)，要縮減規(guī)模來提高生產(chǎn)效率。2)優(yōu)化企業(yè)的融資結(jié)構(gòu)，尋找最優(yōu)的融資方式。本文通過實(shí)證驗(yàn)證了人工智能產(chǎn)業(yè)資本負(fù)債率和融資效率呈負(fù)相關(guān)關(guān)系。改善融資結(jié)構(gòu)意味著要改善不同融資方式的占比，企業(yè)應(yīng)該選擇符合其成長(zhǎng)周期的融資方式。在企業(yè)的初創(chuàng)期，應(yīng)該注重內(nèi)源融資的積累，這樣能夠有效降低融資成本；隨著企業(yè)規(guī)模的擴(kuò)大，所需資金隨著增多，應(yīng)該合理選擇債權(quán)性和股權(quán)性的融資，平衡融資成本和融資風(fēng)險(xiǎn)，達(dá)到資本結(jié)構(gòu)的優(yōu)化。