鄭兵云, 朱少聰, 李邃

(1.安徽財(cái)經(jīng)大學(xué) 管理科學(xué)與工程學(xué)院,安徽 蚌埠 233030;2.安徽財(cái)經(jīng)大學(xué) 統(tǒng)計(jì)與應(yīng)用數(shù)學(xué)學(xué)院,安徽 蚌埠 233030)

2017年,國務(wù)院頒布《新一代人工智能發(fā)展規(guī)劃》,強(qiáng)調(diào)了新一代人工智能發(fā)展“三步走”重要戰(zhàn)略目標(biāo),將人工智能作為新一輪科技革命和產(chǎn)業(yè)變革的戰(zhàn)略性技術(shù)?！笆奈濉币?guī)劃明確指出,“瞄準(zhǔn)人工智能、量子信息、集成電路等前沿領(lǐng)域”“推動互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能同各產(chǎn)業(yè)深度融合”。黨的二十大報(bào)告指出要構(gòu)建新一代信息技術(shù)、人工智能等一批新的增長引擎。在智能經(jīng)濟(jì)發(fā)展背景下,人工智能已然成為經(jīng)濟(jì)快速發(fā)展的重要驅(qū)動力,在產(chǎn)業(yè)轉(zhuǎn)型和升級過程中發(fā)揮重要作用(劉松竹等,2022)[1]。目前人工智能發(fā)展處于弱人工智能階段,呈現(xiàn)出融資需求旺盛的特征(張鑫和王明輝,2019)[2],但仍面臨產(chǎn)業(yè)支持政策和融資體系不完整、資源整合度低和融資效率低下等問題(董坤坤和王琦,2021)[3]。為實(shí)現(xiàn)人工智能產(chǎn)業(yè)經(jīng)濟(jì)增長由融資驅(qū)動轉(zhuǎn)為創(chuàng)新驅(qū)動,亟待解決融資過程造成的資金配置不合理、資金冗余等效率低下問題。因此,重點(diǎn)關(guān)注我國人工智能產(chǎn)業(yè)融資過程,深入研究目前人工智能企業(yè)融資效率和影響因素構(gòu)成,對于人工智能行業(yè)相關(guān)戰(zhàn)略平穩(wěn)落地實(shí)施、加速技術(shù)創(chuàng)新迭代以及改變經(jīng)濟(jì)社會各領(lǐng)域運(yùn)行模式具有重要理論價值和現(xiàn)實(shí)意義。

一、文獻(xiàn)綜述

國內(nèi)外學(xué)者圍繞企業(yè)融資結(jié)構(gòu)、融資約束和資本配置等方面的融資問題研究成果豐富。在西方特殊的資本市場環(huán)境下,Modigliani和Miller(1958)[4]認(rèn)為企業(yè)價值與融資結(jié)構(gòu)無明顯相關(guān)關(guān)系,但在1963年作出修正,當(dāng)債務(wù)資本在資本結(jié)構(gòu)中趨近100%時是最佳的資本結(jié)構(gòu),可增加企業(yè)的價值(Modigliani,1963)[5]。良好的融資結(jié)構(gòu)在企業(yè)籌資、經(jīng)理的經(jīng)營激勵、公司清算或產(chǎn)業(yè)收縮等方面均呈積極影響(孫永祥,2001)[6]。而融資約束在一定程度上限制企業(yè)發(fā)展,企業(yè)受融資約束影響會出現(xiàn)市場機(jī)制失靈等消極效應(yīng),同時在企業(yè)創(chuàng)新投資波動中形成障礙(Czarnitzki,2006;鞠曉生等,2013)[7-8]。管理者通過合理的資本配置將企業(yè)融資需求與外部投資者利益保障、現(xiàn)金流權(quán)以及規(guī)模相關(guān)聯(lián),對提升企業(yè)價值具有顯著作用(Almeida和Wolfenzon,2005;邵軍和劉志遠(yuǎn),2008)[9-10]。

目前對融資效率評價的方法包括模糊綜合評價法(魏開文,2001)[11]、灰色關(guān)聯(lián)度法(伍裝,2006)[12]、數(shù)據(jù)包絡(luò)分析法等。為避免主觀成分過多,綜合考慮融資投入產(chǎn)出,國內(nèi)學(xué)者多采用數(shù)據(jù)包絡(luò)分析法對不同產(chǎn)業(yè)融資效率進(jìn)行研究。方先明和吳越洋(2015)[13]運(yùn)用DEA模型發(fā)現(xiàn)中小企業(yè)在新三板市場融資效率整體不高。其他學(xué)者基于DEA方法分析了中小工業(yè)企業(yè)(王小寧等,2016)[14]、PPP項(xiàng)目的國有企業(yè)與民營企業(yè)(高若蘭等,2022)[15]、上市ECEP公司(Jin,et al,2021)[16]、建筑業(yè)上市公司(Yu,et al,2022)[17]等的融資效率。

目前對人工智能產(chǎn)業(yè)的研究仍處于初級階段,主要集中在三個方面。第一,人工智能在其他行業(yè)的應(yīng)用,比如智慧醫(yī)療(楊善林等,2021)[18]、高等教育(管佳等,2022)[19]及安保識別(高春艷等,2020)[20]等。第二,人工智能產(chǎn)業(yè)的發(fā)展現(xiàn)狀(答凱艷,2022)[21]、存在的問題及促進(jìn)其發(fā)展的建議(吳戈,2021)[22]。第三,利用實(shí)證分析方法對人工智能產(chǎn)業(yè)發(fā)展進(jìn)行評估,如產(chǎn)業(yè)政策評估(呂文晶,2019)[23]、創(chuàng)新評估(葉琴等,2022)[24]等,而人工智能產(chǎn)業(yè)融資效率主要集中在理論探討,從融資政策、融資渠道等方面提出建議,實(shí)證測度文獻(xiàn)較少。姜妍(2020)[25]利用Super-SBM和Logit模型實(shí)證分析得出我國人工智能產(chǎn)業(yè)的整體融資效率有提升空間。劉超等(2019)[26]結(jié)合我國37家人工智能企業(yè)2013—2016年的融資數(shù)據(jù),實(shí)證研究發(fā)現(xiàn)人工智能產(chǎn)業(yè)整體融資效率不高。

綜上所述,國內(nèi)外對融資問題和融資效率研究取得了一定成就,但目前對于人工智能產(chǎn)業(yè)融資效率的研究相對不足,特別缺乏更細(xì)化的定量研究。本文將在以下兩個方面作出補(bǔ)充和創(chuàng)新。第一,已有企業(yè)融資效率研究中多采用傳統(tǒng)DEA模型,未考慮企業(yè)間競爭關(guān)系。由于資源具有稀缺性,企業(yè)融資過程中必然會存在競爭關(guān)系。因此,本文構(gòu)建考慮競爭關(guān)系的博弈交叉效率DEA模型對人工智能企業(yè)融資效率進(jìn)行測度。第二,少量文獻(xiàn)對人工智能企業(yè)融資效率進(jìn)行定量評價,但缺少對影響融資效率變化的因素進(jìn)行進(jìn)一步探究,本文在中國經(jīng)濟(jì)轉(zhuǎn)型背景下,利用Tobit方法構(gòu)建融資效率影響因素模型。

二、模型構(gòu)建

“十四五”規(guī)劃和黨的二十大報(bào)告重點(diǎn)提及人工智能企業(yè)發(fā)展,測度人工智能企業(yè)融資效率時不能忽略各企業(yè)間的競爭關(guān)系。本文在交叉效率模型的基礎(chǔ)上充分考慮各人工智能企業(yè)間的競爭關(guān)系,構(gòu)建博弈交叉效率模型對人工智能企業(yè)融資效率進(jìn)行測度,得出的效率值為帕累托最優(yōu)。然后,利用Tobit方法構(gòu)建融資效率影響因素模型。

(一)博弈交叉效率模型

由Charnes、Cooper和Rhodes(1978)[27]提出的包絡(luò)分析方法,是以自身效率最大化為權(quán)重選擇標(biāo)準(zhǔn)的,在排序方面存在爭議。交叉效率方法作為DEA方法的拓展,因在不需要對權(quán)重約束施加事先信息的情況下消除DEA權(quán)重不現(xiàn)實(shí)的問題而受到眾多研究者的關(guān)注(梁樑和吳杰,2013)[28],但沒有考慮決策單元間的競爭關(guān)系。由于資源的稀缺性,企業(yè)間的競爭關(guān)系影響到人工智能企業(yè)的融資效率?？紤]到人工智能企業(yè)間的競爭關(guān)系,本文將非合作博弈理論引入到DEA交叉效率評價方法中,構(gòu)建博弈交叉效率模型,測度出的效率值是非合作博弈的納什均衡解(吳杰,2008)[29]。在博弈交叉效率運(yùn)算過程中,在不降低其他評價DMU的效率值的情況下,找出被評價DMU的最優(yōu)權(quán)重,使自身達(dá)到最大效率值。

(1)

(二)Tobit模型

博弈交叉效率模型測算出的人工智能產(chǎn)業(yè)融資效率值,以1為上限,0為下限,若采用普通最小二乘法(OLS)無法呈現(xiàn)完整數(shù)據(jù),以致估計(jì)偏差,可采用以最大似然估計(jì)為機(jī)理的Tobit模型解決受限因變量的問題(Tobin,1958)[30]。Tobit模型的基本形式如下:

(2)

三、變量選取與數(shù)據(jù)整理

(一)人工智能企業(yè)融資效率測度指標(biāo)體系的建立

本文在對人工智能企業(yè)融資效率評價前,首先明確融資效率定義,已有文獻(xiàn)將交易效率和配置效率(宋文兵,1998)[31]、資金利用效率(盧福財(cái),2000)[32]、融資能力(賈麗虹,2003)[33]等概念與融資效率等價,在此基礎(chǔ)上,結(jié)合人工智能企業(yè)特點(diǎn),將人工智能企業(yè)融資效率定義為在智能經(jīng)濟(jì)環(huán)境背景下,企業(yè)籌集資金并合理配置資金的能力。基于此,本文選用2015—2020年國內(nèi)40家人工智能企業(yè)的財(cái)務(wù)報(bào)表相關(guān)數(shù)據(jù)作為研究基礎(chǔ),對企業(yè)的融資效率進(jìn)行評價研究。在效率評價的投入產(chǎn)出指標(biāo)選擇上,參考已有融資效率研究,構(gòu)建以下投入產(chǎn)出評價指標(biāo)體系。

1.投入指標(biāo)

根據(jù)人工智能行業(yè)等戰(zhàn)略性新興產(chǎn)業(yè)融資模式渠道原理,同時借鑒方先明和吳越洋(2015)[13]、沈忱(2017)[34]已有研究,以內(nèi)源融資、債權(quán)融資和股權(quán)融資三個角度選取投入指標(biāo)。(1)盈余公積、未分配利潤:反映投資者對企業(yè)未來的預(yù)期程度。其中盈余公積反映企業(yè)上期資本轉(zhuǎn)入下期投資的資金量,未分配利潤是企業(yè)所獲凈利潤經(jīng)彌補(bǔ)虧損、轉(zhuǎn)增資本和分配股東股利后可供企業(yè)自主支配的資金。(2)資產(chǎn)負(fù)債率:反映企業(yè)長期償債能力。根據(jù)融資結(jié)構(gòu)理論,企業(yè)經(jīng)營風(fēng)險與償債風(fēng)險呈正相關(guān)關(guān)系,經(jīng)營風(fēng)險越小,償債風(fēng)險也越小,在財(cái)務(wù)杠桿作用下獲取更高的利潤。因此,資產(chǎn)負(fù)債率不僅反映了企業(yè)償債能力,還顯現(xiàn)了該資金結(jié)構(gòu)下的經(jīng)營風(fēng)險。(3)股東權(quán)益比率:反映企業(yè)獲取外界融資規(guī)模大小。實(shí)收資本的構(gòu)成比例代表企業(yè)股利分配占比,表明投資者與企業(yè)的產(chǎn)權(quán)關(guān)系。故股東權(quán)益比率越高,意味著所獲得外界融資規(guī)模越大。

2.產(chǎn)出指標(biāo)

人工智能企業(yè)經(jīng)營收益和市場發(fā)展反饋反映企業(yè)融資效率水平,本文延續(xù)楊國佐等(2017)[35]、劉超等(2019)[26]產(chǎn)出指標(biāo)的選取,從營運(yùn)能力、獲利能力、發(fā)展?jié)摿θ矫孢x取產(chǎn)出指標(biāo)。(1)總資產(chǎn)周轉(zhuǎn)率:反映企業(yè)資產(chǎn)經(jīng)營規(guī)模擴(kuò)張速率。企業(yè)在生產(chǎn)經(jīng)營過程中資產(chǎn)的增長額越高,即資產(chǎn)利用率越高,經(jīng)營規(guī)模擴(kuò)張的速率越高。(2)凈資產(chǎn)收益率:反映企業(yè)自有資本獲取收益的能力,用來衡量企業(yè)盈利水平。企業(yè)將資金轉(zhuǎn)化為收益的過程中,盈利額受交易成本、彌補(bǔ)虧損等影響,其比率越高說明運(yùn)營效益越好。(3)主營業(yè)務(wù)收入增長率:反映市場前景好壞。主營業(yè)務(wù)收入作為企業(yè)的主要收入來源,維持企業(yè)的長遠(yuǎn)發(fā)展,主營業(yè)務(wù)收入增長率越高,企業(yè)的發(fā)展?jié)摿υ酱蟆?/p>

綜上,人工智能企業(yè)融資效率具體指標(biāo)體系見表1。

表1 人工智能企業(yè)融資效率評價指標(biāo)體系

表2 人工智能企業(yè)融資效率影響因素

(二)影響因素的經(jīng)驗(yàn)假設(shè)

根據(jù)人工智能行業(yè)發(fā)展特征,對企業(yè)融資效率影響因素進(jìn)行Tobit回歸分析,以人工智能企業(yè)融資效率為因變量,債權(quán)融資水平、股權(quán)集中度、企業(yè)規(guī)模、盈利能力、成長能力為自變量,作出以下經(jīng)驗(yàn)假設(shè)。

企業(yè)最優(yōu)融資結(jié)構(gòu)是處于負(fù)債價值最大化和債務(wù)上升帶來的破產(chǎn)成本和代理成本之間的最佳適應(yīng)點(diǎn),債權(quán)融資的積極信號鼓勵帶動企業(yè)管理者合理經(jīng)營,避免破產(chǎn)(張璟和劉曉輝,2018)[36]。而資本負(fù)債受融資成本、杠桿效應(yīng)、最優(yōu)資本結(jié)構(gòu)原則和企業(yè)自身經(jīng)營模式和銷售特點(diǎn)決定,具有靈活性。故選用利息保障倍數(shù)作為人工智能企業(yè)債權(quán)融資水平衡量指標(biāo)。

假設(shè)1:債權(quán)融資水平與人工智能企業(yè)融資效率呈正相關(guān)關(guān)系。

股東在參與公司治理過程中借助“用手投票”的方式改善公司結(jié)構(gòu)和提高融資效率,從而獲得自身的投資收益。股權(quán)集中度的合理分配避免因過度集中導(dǎo)致股東間信息不對稱,獲取個人利益等問題(李蒙等,2021)。[37]對于投資者而言,相比于短期投資炒作,更愿意獲得長期穩(wěn)定的增值回報(bào)。故選用股東資金回報(bào)率衡量人工智能企業(yè)股權(quán)集中度。

假設(shè)2:股權(quán)集中度對人工智能企業(yè)融資效率具有積極的促進(jìn)作用。

大中小企業(yè)間受規(guī)模影響導(dǎo)致的有形資產(chǎn)有限、破產(chǎn)風(fēng)險未知等問題,融資成本也有所差異(李艷,2021)。[38]大企業(yè)借助自身優(yōu)勢也更容易進(jìn)入負(fù)債市場,獲得一定的規(guī)模經(jīng)濟(jì),也具備與債權(quán)人討價還價的資格,從而降低融資成本,提高融資效率。企業(yè)規(guī)模擴(kuò)張速度會對企業(yè)融資效率產(chǎn)生積極效應(yīng),故選用總資產(chǎn)對數(shù)作為人工智能企業(yè)規(guī)模的代理變量。

假設(shè)3:企業(yè)規(guī)模與人工智能企業(yè)融資效率成正比關(guān)系。

具有良好盈利能力的企業(yè)有充裕的可支配資金,通過內(nèi)源融資的方式不僅可以極大地降低外部融資帶來的風(fēng)險,還能降低融資過程中的成本花費(fèi)。同時吸引大量投資者以股權(quán)融資方式加入企業(yè),“加固”企業(yè)資金結(jié)構(gòu)(姜妍,2020)[25]。盈利能力直接影響企業(yè)融資方式選擇,多種融資方式又直接或間接正向影響企業(yè)融資效率。故選擇主營業(yè)務(wù)利潤率來反映人工智能企業(yè)盈利能力。

假設(shè)4:盈利能力對人工智能企業(yè)融資效率具有顯著的積極影響。

對于戰(zhàn)略性新興產(chǎn)業(yè)而言,盈利能力不一定等同于成長能力(郄海拓等)[39],以現(xiàn)有研發(fā)資金投入為基礎(chǔ),在長期經(jīng)營后獲得豐厚利潤。企業(yè)成長能力具備的環(huán)境適應(yīng)性,體現(xiàn)在企業(yè)資產(chǎn)規(guī)模、盈利能力、市場占有率持續(xù)增長等方面,反映了企業(yè)未來的發(fā)展前景。主營業(yè)務(wù)收入增長率越高,企業(yè)發(fā)展前景越好,故以主營業(yè)務(wù)收入增長率代表成長能力。

假設(shè)5:成長能力正向促進(jìn)人工智能企業(yè)融資效率。

(三)數(shù)據(jù)來源

本文剔除部分?jǐn)?shù)據(jù)不全和ST股的企業(yè),選取2015—2020年國內(nèi)40家人工智能企業(yè)的財(cái)務(wù)報(bào)表相關(guān)數(shù)據(jù)作為研究基礎(chǔ),數(shù)據(jù)來源于CSMAR國泰安財(cái)經(jīng)研究數(shù)據(jù)庫、國研網(wǎng)、萬得金融終端數(shù)據(jù)庫及部分上市公司年報(bào)。人工智能企業(yè)的選取依據(jù)參照萬得數(shù)據(jù)庫中劃分的人工智能版塊。

博弈交叉效率模型要求投入產(chǎn)出指標(biāo)值為正,但資產(chǎn)負(fù)債率、凈資產(chǎn)收益率等數(shù)值可能為負(fù)。故利用以下歸一化方法處理所有指標(biāo),使數(shù)據(jù)映射到[0,1]區(qū)間上。

(3)

四、實(shí)證分析

(一)人工智能企業(yè)融資效率分析

基于人工智能企業(yè)融資效率評價指標(biāo)體系中選取的投入產(chǎn)出指標(biāo),構(gòu)建博弈交叉效率模型,運(yùn)用MATLAB 2018a軟件對40家人工智能企業(yè)進(jìn)行融資效率測算,結(jié)果見表3。

由表3可看出,40家人工智能企業(yè)整體融資效率不高。從融資效率均值來看,最大值為1.0000,最小值為0.5007,均值為0.7964,說明我國人工智能企業(yè)間融資效率差異明顯。2015—2020年40家人工智能企業(yè)融資效率均值排名前十的企業(yè)為紫光股份、浙數(shù)文化、同花順、漢王科技、川大智勝、東方通、華大基因、漢馬科技、振芯科技和衛(wèi)寧健康。融資效率均值最高的是紫光股份,說明該企業(yè)投入產(chǎn)出適度,投入無冗余,產(chǎn)出無短缺,整體融資配置高效合理,處于效率前沿面之上。而香江控股和張江高科融資效率均值分別為0.5922和0.5007,不足0.6,融資效率總體偏低,說明企業(yè)存在資金冗余、資金使用率低、產(chǎn)出不足等問題。因此,亟待優(yōu)化資本配置結(jié)構(gòu)和調(diào)整融資方式,提高企業(yè)融資效率。

如表4所示,根據(jù)自然斷點(diǎn)法原理按均值大小對企業(yè)進(jìn)行分區(qū):(1)融資效率高企業(yè):0.9<θ≤1;(2)融資效率中企業(yè):0.75<θ≤0.9;(3)融資效率低企業(yè):θ≤0.75。在選取樣本中僅有5家企業(yè)屬于融資效率高企業(yè),說明這些企業(yè)融資投入結(jié)構(gòu)科學(xué)合理,融入資金得到有效利用,融資活動產(chǎn)出處于生產(chǎn)前沿面以上。效率均值介于0.75和0.9之間的25家企業(yè),屬于融資效率中企業(yè),說明企業(yè)具備優(yōu)秀管理結(jié)構(gòu)和較高創(chuàng)新能力,但在獲取資本方式和資本結(jié)構(gòu)的選擇有待商榷,財(cái)務(wù)杠桿作用不明顯,導(dǎo)致融資效率不高。而效率均值低于0.75的企業(yè)占選取樣本的25%,表明這類企業(yè)在資金使用、融資規(guī)模以及資本結(jié)構(gòu)等方面存在諸多問題,應(yīng)從經(jīng)營管理模式和經(jīng)營戰(zhàn)略選擇入手進(jìn)行調(diào)整和改進(jìn),強(qiáng)調(diào)籌資階段資金獲得和融資活動使用階段使資產(chǎn)配置高效合理,提高企業(yè)融資效率。因此,通過對各類型企業(yè)效率均值對比,我國人工智能企業(yè)整體效率不高,部分企業(yè)還處于低于0.75的區(qū)間,存在較大優(yōu)化空間。

圖1 2015—2020年企業(yè)融資效率均值時序特征圖

表4 人工智能企業(yè)融資效率分布情況

2015年至2020年40家企業(yè)融資效率均值經(jīng)歷了0.8953、0.7680、0.6810、0.8265、0.8223、0.7855的變化,呈現(xiàn)出下降—急劇上升—緩慢下降的總體趨勢,說明我國人工智能產(chǎn)業(yè)發(fā)展處于初期階段,企業(yè)對宏觀金融環(huán)境、技術(shù)創(chuàng)新方式、政府扶持政策等外部影響因素敏感程度高,缺少應(yīng)對突發(fā)事件的環(huán)境適應(yīng)性,融資速度快但效率低,直接影響產(chǎn)業(yè)升級進(jìn)程。高、中、低融資效率企業(yè)變化趨勢呈現(xiàn)高度一致性,2015年融資效率均最高,說明國家出臺的《關(guān)于積極推進(jìn)“互聯(lián)網(wǎng)+”行動的指導(dǎo)意見》將人工智能發(fā)展納入重點(diǎn)任務(wù)的作用顯著,推動人工智能進(jìn)入新階段,人工智能產(chǎn)業(yè)在獲得投資者信任基礎(chǔ)上,合理發(fā)揮內(nèi)外源融資優(yōu)勢,取得良好融資效益。企業(yè)融資效率在2016年和2017年呈現(xiàn)下降趨勢,因投資并購密集化、產(chǎn)業(yè)競爭白熱化、基礎(chǔ)平臺開源化等諸多因素,導(dǎo)致資金配置不合理,融資活動產(chǎn)出與籌資力度難以平衡,并且這兩年人工智能處于基礎(chǔ)架構(gòu)階段,需要將重心放在降低融資成本、優(yōu)化資本配置結(jié)構(gòu)等方面,依靠資本融資模式創(chuàng)新和技術(shù)創(chuàng)新來增加產(chǎn)出。2018年在《促進(jìn)新一代人工智能產(chǎn)業(yè)發(fā)展三年行動計(jì)劃(2018—2020年)》引導(dǎo)下,上升到國家戰(zhàn)略層面的人工智能融資過程取得良好成效,融資效率均值急劇上升,在2019年也趨于穩(wěn)定態(tài)勢。2020年由于大環(huán)境不穩(wěn)定,人工智能產(chǎn)業(yè)融資受限,但以智慧醫(yī)療為首的創(chuàng)新發(fā)展試驗(yàn)仍在路上,保留多數(shù)消費(fèi)和投資,這也是2020年融資效率并未驟降的首要原因。

(二)人工智能企業(yè)融資效率影響因素分析

1.Tobit回歸模型結(jié)果

為減少OLS估計(jì)結(jié)果的偏誤,對人工智能企業(yè)融資效率的影響因素研究,采用受限因變量模型(即Tobit模型)進(jìn)行分析。選用博弈交叉效率模型測得的人工智能企業(yè)融資效率作為被解釋變量,各影響因素指標(biāo)作為解釋變量,根據(jù)模型運(yùn)算原理,利用Stata16.0進(jìn)行回歸分析,并構(gòu)建以下模型:

Effit=β0+β1EBITit+β2ROEit+β3TAit+β4GPit+

β5ORit+μit

(4)

其中,Eff為人工智能企業(yè)融資效率值;β1、β2、β3、β4、β5為各影響因素的回歸系數(shù),β0為企業(yè)所屬行業(yè)的固定效應(yīng),控制行業(yè)層面不隨時間變化的產(chǎn)業(yè)特征向量,如產(chǎn)業(yè)的土地依賴程度、關(guān)稅等影響因素;i為人工智能企業(yè)編號,i=1,2,…,n,且n=40;t為年份,區(qū)間為2015—2020年;μ為殘差項(xiàng)。

在Tobit模型分析前,利用Stata16.0進(jìn)行LR檢驗(yàn),測得LR統(tǒng)計(jì)量為149.18,其伴隨概率小于0.01,拒絕原假設(shè),故選擇面板隨機(jī)效應(yīng)Tobit模型進(jìn)行回歸分析,具體結(jié)果見表5。

表5 人工智能企業(yè)融資效率影響因素Tobit回歸分析結(jié)果

2.Tobit回歸模型結(jié)果分析

從表5可以看出,債權(quán)融資水平對人工智能企業(yè)融資效率存在顯著效應(yīng),但最終測得系數(shù)估計(jì)值為負(fù),與經(jīng)驗(yàn)假設(shè)預(yù)期相反,故假設(shè)1不成立。股權(quán)集中度對人工智能企業(yè)融資效率無顯著影響,故假設(shè)2也不成立。企業(yè)規(guī)模、盈利能力和成長能力顯著正向影響人工智能企業(yè)融資效率,因此假設(shè)3、假設(shè)4和假設(shè)5均成立。具體來看包括以下五個方面。

第一,債權(quán)融資水平在1%的水平上負(fù)向影響人工智能企業(yè)融資效率。企業(yè)利息保障倍數(shù)越低,資產(chǎn)負(fù)債水平越高,即融資結(jié)構(gòu)中債權(quán)融資占比越高。雖然合適的舉債能夠減少企業(yè)資金壓力和稅務(wù),但在融資約束環(huán)境下,過度負(fù)債會降低企業(yè)競爭活性,對融資活動產(chǎn)出造成消極影響,從而降低企業(yè)融資效率。

第二,股權(quán)集中度與人工智能企業(yè)融資效率呈現(xiàn)不顯著的正向影響關(guān)系。諸多企業(yè)治理機(jī)制中存在信息不對稱等問題,而股權(quán)高度集中會削弱企業(yè)治理能力。但股權(quán)融資會降低內(nèi)源融資和債權(quán)融資不足的壓力,不過股東所持股份比例不能體現(xiàn)企業(yè)運(yùn)營情況,僅能體現(xiàn)企業(yè)融資結(jié)構(gòu)中股權(quán)融資占比,反映公司治理結(jié)構(gòu)。因此,股權(quán)集中度與人工智能企業(yè)融資效率表現(xiàn)為不顯著的正向相關(guān)關(guān)系。

第三,企業(yè)規(guī)模在1%的顯著性水平上正向影響人工智能企業(yè)融資效率。中小規(guī)模企業(yè)受限于自身?xiàng)l件不足、銀行信貸額度低、行業(yè)信息不對稱等問題,融資過程中成交量不高,融資效果差。反觀具備極強(qiáng)核心競爭力的大規(guī)模企業(yè),能夠享有先進(jìn)技術(shù)和物質(zhì)基礎(chǔ),發(fā)展態(tài)勢更為穩(wěn)定。企業(yè)規(guī)模越大越利于融資效率的提高。

第四,盈利能力在1%的顯著性水平上正向影響人工智能企業(yè)融資效率。具備良好盈利能力的企業(yè),用于下期投資、彌補(bǔ)虧損和分配利潤等自主支配的資金更為充足,意味著內(nèi)源融資水平越高。以內(nèi)源融資為主要渠道的企業(yè)不僅在融資成本和資金配置自由度方面優(yōu)于外源融資方式,還會降低外部環(huán)境帶來的融資風(fēng)險。因此盈利能力會提高企業(yè)融資效率。

第五,成長能力在5%的水平上正向影響人工智能企業(yè)融資效率。人工智能產(chǎn)業(yè)等戰(zhàn)略性新興產(chǎn)業(yè)正處于開發(fā)部署的重要階段,具備良好成長能力,會吸引大量投資者,產(chǎn)業(yè)規(guī)模也隨之壯大。在融資大環(huán)境下,以自身核心競爭力優(yōu)勢拓寬融資渠道,著眼于低融資成本,高融資收益,提高人工智能企業(yè)融資效率。

(三)穩(wěn)健性檢驗(yàn)

為保證回歸結(jié)果的穩(wěn)定性,本文通過選用企業(yè)員工人數(shù)對數(shù)替換總資產(chǎn)對數(shù)衡量企業(yè)規(guī)模,在保持其他變量不變的情況下,構(gòu)成Tobit回歸模型進(jìn)行實(shí)證結(jié)果檢驗(yàn),具體的穩(wěn)健性檢驗(yàn)結(jié)果見表6。

表6 穩(wěn)健性檢驗(yàn)回歸結(jié)果

由表6的穩(wěn)健性檢驗(yàn)結(jié)果可知,檢驗(yàn)?zāi)Ｐ椭械挠绊懸蛩貙θ谫Y效率作用程度與原始回歸結(jié)果基本一致,表明實(shí)證研究的回歸結(jié)果具有穩(wěn)健性,因此前文的研究結(jié)論是真實(shí)可靠的。

五、結(jié)論和政策建議

本文利用萬得數(shù)據(jù)庫中40個人工智能企業(yè)2015—2020年的面板數(shù)據(jù),考慮人工智能企業(yè)之間的競爭行為,構(gòu)建博弈交叉效率模型對企業(yè)融資效率進(jìn)行測度,從行業(yè)整體、企業(yè)分布和時序變化三方面進(jìn)行特征分析,最后利用Tobit模型對企業(yè)融資效率影響因素進(jìn)行探究,得出以下結(jié)論:(1)我國人工智能企業(yè)整體融資效率不高,企業(yè)間融資效率差異明顯。(2)從時序變化角度看,2015年至2020年40家企業(yè)融資效率均值呈現(xiàn)出波動式發(fā)展的總體趨勢,高中低融資效率企業(yè)變化趨勢呈現(xiàn)高度一致性。(3)在影響因素分析中,債權(quán)融資水平會負(fù)向影響融資效率,股權(quán)集中度無顯著影響,企業(yè)規(guī)模、盈利能力和成長能力均正向影響人工智能企業(yè)融資效率。

根據(jù)研究結(jié)果,結(jié)合實(shí)際情況,本文提出以下管理政策以提升融資效率。(1)優(yōu)化人工智能企業(yè)配置管理結(jié)構(gòu)。實(shí)證結(jié)果表明債權(quán)融資水平過高會負(fù)向影響企業(yè)融資效率,股權(quán)集中度無顯著影響。一方面注重內(nèi)源融資的積累,另一方面合理選擇債權(quán)融資,有效降低融資成本和融資風(fēng)險;避免股權(quán)過度集中,適度分散股權(quán),并通過整合企業(yè)資源和強(qiáng)化管理方式不斷提高企業(yè)經(jīng)營管理能力,促使管理者提高配置效率,實(shí)現(xiàn)融資效率提高。(2)適當(dāng)擴(kuò)大人工智能企業(yè)經(jīng)營規(guī)模。實(shí)證結(jié)果表明,企業(yè)規(guī)模正向影響人工智能企業(yè)融資效率。對于弱人工智能發(fā)展階段的企業(yè),應(yīng)適當(dāng)擴(kuò)大企業(yè)經(jīng)營規(guī)模,通過提高市場占有率和核心競爭力來增加企業(yè)的收益,提高融資資金的使用效率。