基于RBF神经网络与德尔菲法的小微企业估值方法研究
一、研究背景
随着我国小微企业的产生与发展，一系列问题随之出现，其中较为突出的问题就是初创期创新型小微企业的估值问题。经典的企业估值方法有历史成本法、市场法等，但鉴于初创期创新型小微企业盈利不稳定、规模小、财务数据不完整等特点，将这些方法用于初创期小微企业的价值评估均有较大局限性。因此，探究一种既能结合实际情况又能减少实务中价值评估主观性的估值方法是极有价值的。
二、基本方法介绍
本文采用德尔菲法与RBF神经网络模型相结合的方法来构建小微企业估值模型。德尔菲法，就是把需要破解的难题发送?o不同专家以寻求意见，之后再对众多专家提出的意见与建议见进行整合，进而得出初步综合性意见。在此基础上，再将所得综合意见与待解决问题再次转给专家。接到反馈信息后，专家应当基于综合意见，对自身的初步意见进行修改，之后再对经过修改之后的意见进行汇总加成。
人工神经网络，是研究者模仿生物神经网络的结构与功能，构建出来的一种模型，其核心功能是研究输入向量和输出向量隐含关系。一般会按照输入向量要求构建输入层神经元，然后利用一系列模型内含复杂运算来建立相应的非线性模型，通过对隐含关系的不断修正，减少输出向量与实际向量之间的误差，进而寻求合理的期望向量。
RBF神经网络是一种方法先进、运作高效的前馈式神经网络，它用径向基函数作为网络隐含层单元的“基”构成隐含层空间结构，对输入矢量（低维的模式输入数据）进行函数变换，转换至高维空间内，通过对隐单元输出值的处理得到输出层的输出值，具有最佳逼近和全局最优的优良性质，而且训练速度快，不会出现局部最优，因此得到了广泛应用。
在研究过程中，我们先对新三板企业进行筛选，确定研究对象。在此基础上，我们将待估值的各企业的客观数据及资料进行整理，汇编成册，随因素评分表一起发放给各专家，要求专家在仔细阅读各企业的详细资料之后（此步骤为模仿企业估值实务中的尽职调查），依据自身专业知识和实务经验对企业各因素进行打分。之后，我们将收回资料及调查表，并对各企业得分进行整理，汇总并进行归一化处理成为可用数据集，代入神经网络模型进行训练，并对训练结果进行检验，考察模型的可行性与准确性。
三、估值因素的确定
本文结合相关文献、实际调查情况以及德尔菲法提出了以下因素作为小微企业估值的影响因素。
（1）政府支持度：对于刚刚创业的小微企业来说，能否得到政府部门的支持将对其前期发展产生重要影响。
（2）行业竞争度：企业所在行业的竞争激烈程度也是衡量初创期小微企业后续成长性的重要因素之一。
（3）企业核心技术水平：这里的技术水平需要囊括技术可替代性、技术先进程度、技术适用性以及技术可靠性。
（4）市场扩张速度：成熟企业的估值中，经常会考虑企业在某个细分市场的市场占有率，但对于初创期的企业来说，由于其本身创立时间短，很难在市场占有率上对其做出评价，更应当关注的应当企业在细分市场扩张的速。
（5）毛利率：企业的毛利率也是衡量企业现状与发展潜力的重要指标，毛利率高，说明企业的产品经济附加值较高，否则，说明该产品的经济附加值较低。
（6）CEO的能力：主流文献认为创业企业领导者的能力将对企业发展产生巨大影响，因此CEO 的个人能力也必须纳入估值体系中去。
（7）团队能力：创业团队在创业企业运作过程中的能力，包括了其管理能力、技术能力、销售能力、财务能力等等方面，团队水平的高低对企业的研发、生产、销售、财务的运作流程具有极大影响力。
（8）企业所在区域：我国各地区的经济发展极不平衡，不同区域的产业发展速度和基本特点都有所不同。
（9）成本优势：在很多行业中，成本优势是决定竞争优势的关键因素。
（10）市场整体景气程度：通过研究，我们发现企业估值需要结合市场景气程度。绝对价值相同的企业，在经济周期发展的不同阶段，可能在估值上有较大差别，所以，企业最终的估值数据必须要考虑到市场的景气程度进行衡量。
（11）商业模式：商业模式是企业的商业逻辑，它定义了企业如何为股东创造和捕获价值。同时，为了保持竞争力，企业必须在其商业模式上不断创新。
（12）企业规模：尽管对于初创期小微企业的估值主要是对于其成长性的估值，但不可否认的是，对于大多数小微企业来讲，若无明显证据证明其未来成长较为可期，其现有企业规模仍将是其估值的主要依据。
四、建立估值的数据样本
神经网络训练中所提取的规律蕴含在样本中，所以选取的样本必须具有一定的代表性，根据本文的具体情况，选取样本的原因和情况如下所述。
在样本数据来源方面，考虑到：
（1）神经网络需要多组数据进行训练，而小微企业自身的数据由于其发展阶段的特点，其自身各方面数据往往缺乏透明性、准确性，如不在估值之前花费一定时间对企业进行尽职调查，很难为企业估值提供详尽、准确的原始数据和客观情况。
（2）神经网络模型的训练集数据需要具有良好的准确性，这样才能使得模型的训练结果和实际情况能够良好契合。而实际情况中，大部分小微企业并没有一个准确的估值数据，这就使得神经网络模型的训练集数据的充实性与准确性极难保证，进而会影响神经网络模型训练结果的准确性。 综上，本文采用我国新三板企业的相关估值数据与客观情况对初创期小微企业的估值进行近似模拟。
目前，我国新三板挂牌公司的整体分布，有如下两大特点：
一是中小微企业占比多。按照工信部和国家统计局标准，1107家挂牌公司约有95%属中小微企业，约有68%属小微企业。
二是公司业务新颖、科技含量高。目前，1107家挂牌公司中，高新技术企业的比重已经超过了75%，且行业分布广泛，高端制造业、软件和信息技术服务业、文体娱乐业、科技服务业等领域均有大量企业分布。
由上文所述可知，新三板挂牌企业的特点与本文研究对象极为吻合，可以作为神经网络模型训练数据集的数据来源。
在样本数据量方面，本文初步确定的小微企业估值模型包含12个主要的影响变量，根据模型自身要求，选择样本量的时候，应该尽量地寻求网络的权值和阈值总数与样本训练样本数相匹配。综合各种因素，本文最后选取了60家新三板挂牌企业作为数据来源。
五、建立神经网络模型
本节主要构建小微企业估值神经网络模型，该RBF网络是一种三层前向网络：第一层为输入层，主要由影响小微企业估值的12个影响因素构成，作为神经网络的输入向量；第二层为隐含层，由自主构建的隐含神经元构成，连接输入层与输出层神经元；第三层为输出层，输出值是隐单元输出的线性加权，本模型中，企业最终估值水平为神经网络的输出向量，所以输出层的神经元个数为1。而具体模型结构如图所示：
六、模型训练及实证
本文总共选取了60个企业样本，其中70%作为训练样本来训练RBF神经网络模型，30%作为测试集对模型精度进行测验。模型针对不同的输入向量可以得到不同的价值输出值，在?定网络模型精度误差的基础上，模型自动会将实际价值输出值与期望价值对比，得到误差值，并将该误差与精度误差比较，误差大于精度误差时，进行回溯反馈、反迭代的过程。通过反复执行RBF神经网络算法流程，得到最小误差所对应的RBF神经网络模型的内涵网络关系，此时网络的训练过程结束，小微企业估值的RBF神经网络模型就构建完毕。
本文使用Spss Modeler进行模型执行，执行流程如图所示：
在模型训练及测试结束后，相关结果如图所示：
由图可知，模型测试集的平均误差为-3.21%，达到了较好效果，但18个测试样本中，仍有许多误差水平超过了15%，处于一个较高的误差水平。但考虑到小微企业估值在实务操作中的极大不准确性，我们有理由认为，该模型已经具有了较好的拟合效果，将估值误差维持在了一个可以接受的程度。
七、结论及分析
RBF神经网络模型用小微企业估值时只需要以合适训练样本进行训练，利用训练后的网络模型就可以对小微企业进行估值。且训练好一个模型之后，便可用于同类型小微企业的估值。若要对企业特点差异大的其他企业估值，只需重新寻找相似样本，对模型进行调整训练即可。
该模型克服了传统小微企业估值过于依赖主观判断、工作量巨大的缺点。首先，本研究在训练样本上选用了新三板企业来对小微企业进行近似模拟，应当讲，这样的近似模拟已经非常好地保证了模型的准确性。但随着小微企业数量的上升和相关统计数据的积累，势必会有更加贴近实际情况的数据出现，届时，可对本模型在数据选取上进行进一步优化。其次，本文只从小微企业整体角度考虑了其估值模型。训练样本的企业特点、行业分布均差异较大，这也是本模型结果的误差值产生的主要原因所在。后续研究中，若能对训练样本进行进一步精细化筛选，势必能够大幅提升模型的针对性。
