基于香农熵指数优化DEA模型的我国AI上市公司融资效率研究

发布时间：2020-11-12 18:19

　　人工智能作为全球科技与产业变革的关键领域,已经成为了推动经济可持续发展的强劲动力。与欧美等发达国家相比,我国的人工智能企业大多处于生长初期。因此,深入研究人工智能产业的融资效率对产业持续健康发展具有重要意义。整体来说,分别从静态和动态两个角度对人工智能上市公司截面数据与面板数据进行了融资效率评估,动静结合,形成了一套比较科学完善的评价方法,对于有关企业及政府部门具有一定的参考价值。具体地,静态分析层次,将传统BCC模型中各决策单元纯技术效率作为因变量,结合影响企业融资效率的外部环境变量(作为自变量),建立了Tobit回归模型,从统计的角度分析验证了外部环境因素对DEA模型下融资效率的线性影响。其次,针对现有文献对融资效率实证研究中存在的识别能力不足、评价指标单一等情况,引入香农熵信息度量指数,不但考虑给定的输入输出指标体系,而且从变量组合的角度考察了所有投入产出指标体系的融资效率,相较于单个指标体系,其结果更易于识别且更加稳定有效。此外,针对融资效率领域遇到的非期望产出问题,创新性的将生态低效率模型运用到了人工智能融资领域,计算得出了期望效率(EFE)、非期望效率(UFE)与低效率(PE)三组评价企业融资效率的指标得分与完整排名,并将其结果与CCR模型和香农熵指数模型进行了横向对比,侧面说明了低效率模型对涉及非期望产出效率评估的准确性。动态分析层次,将全要素生产率分解为技术效率变动指数、技术进步指数、纯技术效率变化指数以及规模效率变化指数,更加详尽的展现了人工智能行业融资效率内部指标变化情况,同时还巧妙结合了香农熵优化模型与低效率模型,从曼奎斯特指数内部分解、完整排名对比与非期望产出影响三个角度研究了人工智能行业融资效率的变化趋势。结果表明,我国人工智能上市公司综合融资效率较低,主要体现在纯技术效率上,而规模效率的变化幅度不大,这说明行业整体上融资技术并不高,仍具有较大的投入产出空间。而经过Tobit回归剔除了环境变量的融资效率则显示:我国人工智能上市公司真实的综合效率有所提高,其资金的管理水平达到了较高层次,但规模效率仍旧较低,这也说明环境变量对人工智能产业融资效率有很大影响。此外,从香农熵指数优化模型、低效率模型与传统CCR模型的横向对比结果来看,三者融资效率基本保持一致性,这也侧面验证了结果的有效性与可靠性,其融资效率结果可给予相关企业个体与政府一定的定量参考依据,对于人工智能行业健康有序发展具有重大的现实意义。
【学位单位】：北京工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F224;F49;F832.51;F275
【部分图文】：

人工智能,融资规模,全球,行业

近 10 年来随着三因素的共同进步，人工智能领域研究已经突破了早期被算法和计算能力以及数据量限制的瓶颈，引发了“深度学习”的方法浪潮。并以此在语音语义识别、图像识别、动作控制等领域有了新的突破，同时随着硬件技术的提升，不断扩张应用的边界。人工智能的发展迅速，各国已经充分认识到了人工智能产业发展对人类发展的重大意义，连续出台了相关扶持人工智能产业振兴发展的政策，积极推动人工智能在各个细分领域的渗透。2016 年 5 月，国家四部委联合颁布《“互联网+”人工智能三年行动实施方案》，明确提出要培育发展人工智能新兴产业、推进重点领域智能产品创新、提升终端产品智能化水平[1]。2017 年 6 月，人工智能产业联盟成立，旨在团结人工智能领域领军科研机构、企业以及投资平台，从上到下、从里到外共谋发展。在此期间人工智能投资呈现持续上升状态。根据咨询公司 Venture Scanner统计，截止 2016年底，全球人工智能公司已突破 1000家，涉及领域非常广泛，共跨越 13 个子门类，融资金额高达 48 亿美元。其中是人工智能创投金额增长最为迅速，在五年间增长了 12倍。

中美,人工智能,融资规模,智能发展

数据来源：中国信通院发展报告图 1-2 中美人工智能产业累计融资额对比Figure 1-2 Comparison ofAccumulated Financing Amount ofArtificial Intelligence Industrybetween China and the United States1.2.3.2 我国人工智能产业的融资现状资本市场敏锐地捕捉到人工智能的商业化前景，我国人工智能领域投融资热度快速升温。2000-2016 年，中国人工智能融资规模累积达 27.6 亿美元。其中，2014-2016年三年是中国人工智能发展最为迅速的时期。在这三年里人工智能融资规模占总数的 93.59%，投资频次占总数的 87.22%。

融资规模,发展趋势,人工智能