1.4　研究目的和方法

1.4.1　研究目的

企業成長性與估值是測度企業質量的兩大指標，二者相輔相成，在實際的企業評價中是需要著重參考的兩個方面。本書的研究目的在于對企業是否具有成長性、有多強的成長性進行量化，論證企業的未來發展前景。即通過采用科學合理的方法對企業進行估值，并建立模型有效地評價和識別具有高成長價值的企業，輔助關聯方進行判斷，以提高金融資本的投資效率。

企業成長性評估的關鍵在于建立企業成長性評價的綜合指標評價體系。企業綜合指標評價體系又稱為企業多指標綜合評估體系，這種體系以評價為目標，通過恰當的方式，綜合反映企業日常經營中全部環節或其中一個環節所有方面的指標，對企業運營狀況從總體上進行全面評價。

制定企業綜合指標評價體系和企業公開考評制度是企業綜合評價的最終目的。想要有效地推動企業重視財務方面的目標、實績和紀律，可以嘗試建立科學有效的企業綜合評價制度。應用到具體操作上，企業綜合評價一定要具備導向效能，實施企業綜合評價能夠讓企業在考慮短期利潤的同時顧及未來的長期發展，除此之外還能讓企業講究商業道德，嚴格遵守法律，履行社會責任。制定企業綜合指標評價體系的出發點應當完全滿足上述要求。

從規范意義上講，企業的財務目標是企業價值最大化，通俗地說，就是要讓企業有強大的發展潛力。這通常從兩個方面來衡量：一方面是根據過去幾年的財務實際業績指標，判斷企業的狀態是在發展、停滯或者萎縮階段；另一方面是根據目前企業在人力、技術、市場等資源開發上的社會責任履行情況，判斷其前景狀況。

當然，在實現財務目標的過程中也應當考慮財務紀律，當前的各類評價制度未能取得明顯成果可能與這有直接關系。站在理論角度，如果綜合評價不能對財務紀律進行方向指導，那么財務目標和實績的評價只能停留在形式上，并不能帶來積極的影響。在實際情況中，企業如果不遵守財務紀律，那么它的財務實績一定不是真實的，財務目標最終會被架空。如果不評價企業財務紀律執行情況，那么財務目標和實績的評價只會是不切實際和徒勞無功的。因此，綜合評價范圍一定要包括財務實績。

1.4.2　研究方法

企業成長性評價的方法主要包含主成分分析法和機器學習法。

1.主成分分析法

企業的評價指標包含公開數據和企業自填數據，這其中包含大量的結構化數據等定量指標和定性指標。多個指標構成的復雜系統會產生很多的噪聲，引發“緯度災難”。這里就需要根據特征和關聯度對企業成長性指標進行分類篩選，利用主成分分析法對變量進行降維處理，得到新的評價指標，這些評價指標互不關聯，分別代表著企業成長性特征的多個維度，對這些維度使用機器學習方法進行整合，就能得到企業成長性的綜合評價指標。

主成分分析法是由Pearson（1901）首先引入，后來Hotelling（1933）在其基礎上進行完善得到的。即通過將原始矩陣進行正交旋轉，將高維向量投影到低維空間上，使得投影后新的向量具有最大的方差，就能保證新向量數據集包含原始數據最多的差異信息。

2.機器學習法

由于在評價范圍里，存在大量數據缺失或者不準確的企業，因此在進行企業成長性評價時，可借鑒基于大數據的經濟變量測度方法，來進行數據采集和數據處理。

機器學習的主要算法有決策樹模型、神經網絡模型、遺傳算法和支持向量機等。決策點、策略點（事件點）及結果構成的樹形圖就是決策樹模型，決策樹模型通常在序列決策中應用，決策標準為最大收益期望值或最低期望成本，即使用圖解方式求解在不同條件下每種方案的效益值，之后進行比較，最后決策。決策樹模型能夠處理非線性及變量之間高度關聯的數據，不存在因解釋變量之間的共性而造成有意義變量的缺失；此外解釋變量類型及分布狀況也不能限制決策樹，它的分析過程以樹形圖的形式清晰直觀地呈現，結果則用規則集的形式呈現，易于理解，和其他算法相比，訓練時間更短。

支持向量機（SVM）是一種由統計學理論發展而來的新學習方法，又被叫作支持向量網絡，其優點是理論完整、適用性強、泛化性能好等。支持向量機通常被用來做分類工作，但將其運用于回歸時也具有分類的屬性，成為支持向量回歸模型。

基于國內外對企業成長性的研究現狀，本書以企業2018年的年度調查數據為基礎，以反映企業增資擴股的注冊資本增長率作為企業的成長率，對原始數據進行描述性統計分析和特征工程，采用主成分分析法和支持向量回歸模型評價中小微型企業的發展現狀和未來成長性，對中小微型企業成長方面的動能和阻力進行深入分析，為投資者判定企業成長性、企業預期市場價值以及企業的投資價值提供科學合理的依據。