基于BP神經網絡法的科創板企業價值評估

駱正清 李夢可

【摘 要】 科創板上市企業具有高投入、緩收益、信息披露不完善等特點，運用現有價值評估方法對其進行評估存在數據缺乏和評估準確性不高的缺點，并且難以衡量科創板企業的成長能力。為了更加科學準確地評估科創板企業價值，通過分析影響其價值的因素，構建包含市場占有度、治理能力、資產結構、創新投入和EVA的價值評估指標體系，之后利用Spearman相關性分析和MIV值分析對指標體系進行約簡，最后使用BP神經網絡構建價值評估模型。結果表明：通過191條數據的訓練仿真，基于BP神經網絡的科創板企業價值評估模型預測準確度為82.93%，模型具有較好的適用性和可靠性。其中，EVA的相對影響度為23.69%，能有效反映科創板企業真實的價值創造能力。

【關鍵詞】 科創板企業； 價值評估； EVA； BP神經網絡

【中圖分類號】 F234.3；F270? 【文獻標識碼】 A? 【文章編號】 1004-5937（2023）13-0019-08

一、引言

自2019年7月首批25家科創板公司掛牌交易以來，我國資本市場迎來了改革的新浪潮。目前，科創板上市公司數量已超500家，總市值超5萬億元?？苿摪逯饕沼诳萍紕撔缕髽I，向高精尖產業提供融資新渠道、注入發展新動能，這是我國不斷探索實現科創企業快速發展和科技產出資本化的成果。相比于已有板塊，科創板實行注冊制，上市條件增加了對市值的要求，定價方法采用市場化詢價的IPO定價法，但是多數上市企業對市值的估算方法披露不完善，定價的主觀性也較強。因此，科創板上市企業的價值評估成為經營者和投資者等利益相關方關注的焦點，科學合理地評估科創板企業價值對促進我國高科技產業持續發展和證券市場有序運行具有重要作用。

然而，科創板企業高研發、緩收益和深潛力的特點使得傳統估值方法難以準確衡量其未來盈利能力；信息披露不完善和價值評估適用的操作指引不明確，增加了新估值方法評估的主觀性；市場數據缺乏和公司價值波動幅度大，價值評估結果的準確性難以提高[1]。目前，人工智能技術應用越來越廣泛，不斷有機器學習的方法應用到企業價值評估中[2]，價值評估結果的準確性得以提高，其中BP神經網絡法具有三類優點：對數據要求不高，即分析的樣本數據都是企業已披露并可獲取的數據；自學習，即通過信息正傳播和逆反饋不斷調整參數，降低模型輸出值和真實值的誤差；擬合效果好，即輸出誤差達到目標范圍，模型才會迭代終止，其應用較為廣泛[3]。因此，BP神經網絡法可以解決現有方法面臨的評估數據不足和評估結果準確性不高的問題，結合對初選指標的約簡分析，該方法在精簡指標體系的同時又能夠提高價值評估的準確度。

二、文獻回顧

（一）科創板企業價值評估指標

準確評估科創板企業價值，需要選擇科學適用的評估指標，選取指標的結果要避免兩種極端：一是使用傳統方法重視財務指標作為一切的基礎，二是無端夸大企業未來發展空間，價值評估要能準確體現其科技創新形成的經濟成果[4]。國內已有對科創板企業價值評估的研究多是分析企業的特點和價值影響因素，進而建議針對性地增加新指標。在行業市場方面，科創板上市的判斷條件之一就是企業對所處行業的影響度，所以估值方法中要加入行業市場因素[1]；在資產結構方面，相比于傳統企業，科創板企業的流動資產占比大、固定資產占比小[5]；在企業治理方面，科創板企業普遍“小而精”的特點要求其具有更高的治理能力，治理結構要能避免可能出現的投資者控制權弱的問題[6]；在科創屬性方面，研發創新是科創板企業創造價值的源動力，關于對其科創屬性的評價指標，由原來的“3+5”變成現在的“4+5”，即在研發投入、發明專利和收入增長的基礎上新增了研發人員比例指標，學者們也一致認為研發投入強度和研發團隊規?？梢暂^好地解釋科創板企業的創新發展能力[7]。

關于科創板企業價值評估指標的已有文獻表明，相關學者從行業市場、企業資產結構、治理能力和科創屬性角度提出了不同的建議，以實現更科學全面地衡量科創板企業價值。但也存在有待研究之處：一是現有文獻大多從理論角度提出建議，指標是否切實可行還沒有得到實踐檢驗；二是現有研究多是對科創板某一具體公司的價值評估，評估指標有較強的針對性；三是對于反映科創板企業真實價值和未來盈利能力的指標還不夠準確全面。

（二）科創板企業價值評估方法

為了探索適用于科創板企業的價值評估方法，本文總結了國內外選擇和應用評估高新技術企業價值方法的研究。左慶樂等[8]提出高新技術企業價值評估的真正對象是未來獲利能力，是企業可持續發展的能力。成本法注重企業中各單項資產的價值加總，市場法依據可比公司的數據，收益法取決于未來每期現金流和合理的折現率，這三種傳統價值評估方法難以準確衡量高新技術企業的潛在收益能力，不適用于評估科創板企業價值。

期權定價模型解釋了高新技術企業前期微利但高股價的狀態，期權能體現企業未來的發展機遇、測度企業的機會價值[9]，所以期權定價法成為高新技術企業價值評估的全新技術。依賴于期權的假設，期權定價法更強調未來價值的折現，加上參數的選擇具有主觀性，所以其對企業現有基礎上的獲利能力評估不足。湯姆等[10]提出，高新技術企業價值評估最好的方法是折現現金流量法。與期權定價法相比，該方法是在企業現有價值的基礎上評估未來現金流并折現，所以其評估企業現有經營業務價值的結果更準確。期權定價法強調企業未來的價值，折現現金流量法可以準確評估企業現有基礎上的獲利能力，而且后者所需參數適用于前者，所以早期的高新技術企業價值評估多是采用了兩者結合的方法，評估結果的準確性也更高[11]。隨著期權定價法應用增多，有學者為了提高其適用性和準確性，提出了改進評估指標或改善模型的方法[9]，還有學者提出EVA估值法[12]、級數突變法[13]等用于評估高新技術企業價值的新方法。

但是，現有企業價值評估方法應用于科創板企業存在一定的局限性，一是科創板企業歷史數據少，用于價值評估的參考數據不完善，使得已有方法在計算中存在評估參數選擇不準確或者獲取困難的問題；二是影響科創板企業潛在盈利能力的因素較多，但是考慮過多因素會增加計算復雜度，從而降低評估準確度。

隨著信息技術的發展應用，部分學者開始運用深度學習算法中的神經網絡法評估高新技術企業價值，該方法可以減少評估數據的處理時間，提高評估結果的精確度[14]。神經網絡方法評估企業價值的基本思路是：首先分析影響企業價值的因素，構建評估指標體系；然后獲取樣本數據，確定網絡的輸入層和輸出層；最后通過神經網絡對樣本數據訓練仿真，構建價值評估的神經網絡模型。在實際應用中，合理完善的指標體系對構建準確可靠的神經網絡模型具有重要影響，模型訓練過程還需要不斷調整參數以提升學習速度、降低輸出誤差值、提高模型擬合度。其中，BP神經網絡是應用最多和最成功的神經網絡[15]，它模擬人工神經系統，利用自學習過程來擬合變量間的非線性關系，理論上適用于評估高新技術企業的價值。

綜上所述，本文認為能夠科學有效地衡量科創板企業的成長性、不依賴歷史數據且適用于科創板整體企業的價值評估方法是：以企業現有披露指標為基礎，構建價值評估指標體系，之后約簡指標以消除信息冗余，最后利用BP神經網絡法構建價值評估模型。

三、科創板企業價值評估指標體系構建

（一）評估指標初選

科創板企業的科創屬性凸出，對其價值評估要能準確體現其科技創新形成的經濟成果[4]。參考科創板上市標準并結合已有文獻，盡可能做到選取全面且精簡的指標，最終本文在選擇償債能力、經營能力、盈利能力、發展能力4個基本指標和企業規模的基礎上，增加了市場占有度、治理能力、資產結構、創新投入和經濟增加值5個指標，構建了包含10個基本指標，25個具體指標的初選指標體系，如表1。

其中，市場占有度用市場占有率來衡量，主要因為市場占有率會影響企業的競爭性，而競爭優勢有助于提升技術密集型上市公司的盈利能力，進而影響企業價值[16]。治理能力選擇企業的獨立董事比例，因為合適的獨立董事比例有利于公司績效的提高[17]。資產結構選擇固定資產比例和無形資產比例，主要因為固定資產是企業用于生產材料的重要體現，無形資產是科技創新發展的內在驅動力，兩種資產通過影響企業的資金流、資源占用和生產銷售等影響企業的整體發展情況[5]。創新投入選擇研發投入強度和研發人員比重，因為高研發企業通常能通過吸引投資者關注和改善企業經營業績來提升企業的資本市場表現[18]。

本文創新性地增加了EVA指標以更準確地反映科創板企業的潛在盈利能力。首先，科創板允許未盈利或微利狀態企業上市，EVA指標通過會計項目調整能反映真實經營業績[19]，可以警惕企業出現資產泡沫和“脫實向虛”的風險；其次，EVA是企業的經濟增加值，可以衡量企業的成長性，彌補傳統財務指標體系的不足[20]；最后，EVA指標在一定程度上激勵管理者關注長期價值創造，提升企業核心競爭力，衡量企業可持續發展潛力[21]。所以，引入EVA對于評估科創板企業的真實業績和發展能力具有關鍵作用。

（二）初選指標數據計算

本文研究的樣本數據來自于國泰安數據庫和上市公司年報，樣本企業是截至2020年底科創板的232家上市公司，指標數據是232家公司的年度數據，在具體計算中有部分調整。輸入指標是表1中的25個具體指標，輸出指標是樣本企業在2020年12月31日公布的市值。其中，市場占有率是該企業與科創板232家上市企業的營業收入比，獨立董事比例是企業獨立董事人數和股東總比值，EVA指標的計算公式如下：

EVA=稅后營業凈利潤-本期資本占用額×加權平均資本成本

其中，

稅后營業凈利潤=營業利潤-所得稅費用+（1-所得稅稅率）×（財務費用-營業外收入+營業外支出+研發費用-非經常性損益）+遞延所得稅負債增加-遞延所得稅資產增加+各項準備金本期資本占用額=平均{短期借款+交易性金融負債+一年內到期的非流動負債+長期借款+應付債券+長期應付款-無息流動負債-視同無息流動負債-在建工程+遞延所得稅負債-遞延所得稅資產+所有者權益+各項準備金+（營業外收入-營業外支出）}×（1-所得稅稅率）

加權平均資本成本選用資本資產定價模型：

WACC=KSS/（S+D）+KDD/（S+D）（1-T）

其中，KS=Rf+β（Rm-Rf）

計算EVA的上述公式中有調整的數據包括：部分企業期初資本占用額是其上市后首次披露的數據，這是因為這些企業對2020年的期初數據披露不完善；加權平均資本成本中的無風險利率Rf采用人民銀行一年期定期存款利率1.50%；β是232家企業中67家已公布β數據剔除最大和最小值后的平均值1.55；市場風險溢價（Rm-Rf）是2020年我國GDP增長率2.30%；債務資本成本KD是一年期短期貸款利率4.35%。剔除數據缺失值，最終得到191家樣本企業和191條樣本企業的數據。

（三）指標約簡

考慮到科創板企業價值評估的初選指標存在一定的信息冗余，這里運用Matlab軟件通過Spearman相關性分析和MIV值分析對構建的初選指標體系進行約簡處理，約簡依據是輸入指標對輸出指標相關度和影響度的大小。Spearman相關性分析得到輸入指標和輸出指標間的相關系數，根據系數值范圍剔除弱相關因素，對輸入指標做出初步篩選[22]，在此基礎上，MIV值法分析初步篩選指標對輸出指標的平均影響值，然后根據相對貢獻率選取影響度高的指標[23]，構建最終指標體系。相關性分析和MIV值分析結合使用，提高了指標的精簡性，保證了輸入層指標的可靠性。為了消除數據大小和單位對篩選過程的影響，本文運用Matlab軟件中的mapmaxmin函數先將191條數據歸一化到[-1，1]，然后對歸一化后的數據進行分析，歸一化的公式如下。

1.Spearman相關性分析

Spearman相關系數是一種根據數據間相關系數大小測度相關度的統計量，在經濟數據分析中的應用越來越廣泛。該方法對數據要求不高，只要兩個變量是成對的或者是連續觀察得到的即可，而且相較于Pearson相關性和Kendall相關性，Spearman相關性更適用于分析具有非線性關系的數據。Spearman的運算思想是：把數列x={x1，x2，…，xn}按升序或降序排列得到順序數列a={a1，a2，…，an}，x內每個元素在a中的位置為xi的秩次為Ri，得到x對應的秩次數列R，同樣數列y={y1，y2，…，yn}得到對應的秩次數列S。將其代入Spearman等級相關系數公式：

兩列數據呈正相關時θ是正數，呈負相關時θ是負數，θ的絕對值越大，變量的相關性越強。

借鑒文獻應用Spearman相關性分析結果來評價和篩選財務指標的做法[22]，本文運用Matlab軟件計算歸一化后的各輸入指標和輸出指標間的相關系數，之后根據相關系數值剔除小于20%的弱相關指標，初步得到如表2中的13個指標。這13個指標和科創板企業價值均呈正相關關系，相關系數在40%以上即緊密相關的指標有6個。其中，資產規模的相關系數為74.86%，營運資金為66.82%，歸屬于上市公司股東的扣除非經常性損益的凈利潤為57.48%，營業收入為55.85%，市場占有率為55.85%，EVA為55.62%。

科創板開板時間短，多數企業處于初創期或者成長期，擁有一定規模的資產才能保證其日常運營，而且從技術研發到成果應用，每個階段都需要大量資金支持，所以資產規模和營運資金為企業實現盈利提供支撐；歸屬于上市公司股東的扣除非經常性損益的凈利潤是控股股東的收益，反映了投資科創板企業的業績，營業收入直觀反映了企業的經營業績，這兩個指標評估了企業的盈利成果；市場占有率是企業的市場份額，市場份額越大，競爭性越強，發展前景越廣闊，而EVA是企業價值創造值，這兩個指標均解釋了企業的潛在盈利能力。相關性分析的結果體現了盈利實力、經營業績和潛在盈利能力對科創板企業價值評估的影響，其中EVA的相關系數為55.62%，初步驗證了EVA對評估科創板企業價值的可行性。

2.MIV值分析

MIV值是平均影響度，具體運算過程是：首先，神經網絡利用訓練集構建模型；其次，將訓練集每個指標數據增加10%和減少10%作為新的樣本數據；再次，運用構建的模型預測新樣本得到預測值；最后，對預測結果的差值按樣本數量計算平均值，得出每個指標的平均影響值。

本文的分析過程是：（1）將191條歸一化后的數據隨機打亂順序，運用BP神經網絡對前8/10共150條數據構建模型；（2）利用構建的模型對表2中的13個指標進行MIV值分析，得到指標的平均影響度；（3）計算指標的相對貢獻率，結果如表3。

相比于Spearman相關性分析，MIV值分析更深入，因為將樣本數據增加10%和減少10%相當于擴大了樣本規模，而且分析的依據是輸入數據本身的變化對輸出數據的影響。由表3可知，MIV值分析的最終結果是：13個指標中，凈利潤增長率、營業收入增長率和可持續增長率3個指標被剔除，排序最前的三個指標其相對貢獻率均超過了10%。相對貢獻率的具體結果是：EVA為23.69%、營業收入為19.42%、營運資金為17.88%。MIV值分析的結果也體現了盈利實力、盈利表現和潛在盈利能力對科創板企業價值評估的意義。其中，EVA的相對貢獻率最大，進一步驗證了EVA評估科創板企業價值的適用性。

從表3中選取相對貢獻率大于2%即影響度較高的指標，最終構建包含10個輸入指標的科創板企業價值評估指標體系如表4?？傮w上，科創板企業價值評估的指標包括了企業規模、償債能力、經營能力、盈利能力、發展能力、市場占有度、創新投入和經濟增加值8個基本指標；具體來看，8個基本指標又分別從企業自身經營、市場定位和未來發展能力反映企業價值；細分的10個具體指標既包含了一般企業價值評估的要素，又有反映科創板企業特點的要素如市場占有率、研發人員比重和EVA。最終表明，本文構建的指標體系對評估科創板企業價值具有可靠性。

四、科創板企業價值評估模型構建

（一）BP神經網絡的基本原理

BP神經網絡是一種通過反向傳播進行深度學習的網絡算法，模擬人腦神經系統，具有自學習的特點，模型的結構包含輸入層、中間層和輸出層，每一層有若干個神經元，其中中間層神經元的個數需要在模型訓練中確定。自學習過程就是正傳播和逆反饋的過程。正傳播是上層神經網絡的信息傳播到下一層，直至最終輸出層；逆反饋是輸出層將誤差結果反饋到第一層。自學習的目標是不斷降低模型輸出值和真實輸出值之間的誤差，BP神經網絡會對輸入指標隨機設定初始權重，每一層之間會有激活函數通過不斷調整擬合指標的非線性關系來局部調整誤差。

（二）BP神經網絡模型構建

1.數據歸一化

本文最終的樣本數據規模是191個企業、每個企業10個輸入指標的191×10的矩陣。數據的大小和單位一定程度上會影響神經網絡的學習效率，歸一化后的數據可以提升學習速度和學習準確度，同時考慮到本文輸入指標有負值，所以利用mapmaxmin函數將數據歸一化到[-1，1]。

2.BP神經網絡結構確定

三層結構的BP神經網絡就可以擬合變量間的任何關系，且操作簡便，所以本文的BP神經網絡是三層拓撲結構。各層神經元個數是：輸入層神經元10個，輸出層神經元1個，隱含層神經元個數運用公式（ +a）（m是輸入層神經元個數，n是輸出層神經元個數，a是[1，10]的整數）確定范圍在[5，14]，通過試錯法得到隱含層神經元為12個時，模型的誤差值最小、回歸系數最高。所以，本文的神經網絡是圖1所示的10-12-1的拓撲結構，其中10個輸入層指標對輸出層神經元的相對貢獻度如圖2所示。

3.激活函數和訓練函數確定

較常用的BP神經網絡激活函數是Sigmoid函數，該函數又具體分為Log-Sigmoid函數和Tan-Sigmoid函數，其中Tansig函數能將數據映射到[-1，1]范圍，所以本文選用此函數作為輸入層到中間層、中間層到輸出層的激活函數。BP神經網絡的訓練函數主要包括traingd、traingda、traingdx和trainlm函數，trainlm函數對于中等規模的BP神經網絡有較快的收斂速度，是系統默認算法，所以本文選用此函數作為訓練函數。

4.目標誤差確定

設定不同的誤差目標值，神經網絡模型的擬合效果不同。對于相關度較高的指標，誤差目標值會定義得較小，通常是10-6～10-4，相關度較低的指標，誤差目標值一般是10-2。上述已對指標進行了Spearman相關性分析和MIV值分析的約簡處理，所以本文設定的誤差目標值是10-4。

5.迭代次數和學習率確定

本文樣本數據規模小，迭代次數設置為1 000次。神經網絡學習率的范圍一般是0.0～0.9，較大或較小可能造成模型擬合不足或過擬合，所以本文通過試錯法選取輸出誤差最小、學習時間最短和回歸系數最高的學習率0.01。

（三）BP神經網絡模型訓練和仿真

本文運用Matlab軟件對191×10的樣本數據訓練仿真。首先，運用randperm函數將191條數據隨機打亂順序，按照約8■2的比例選取前150條數據作為訓練集，余下41條數據作為測試集。其次，運用BP神經網絡對訓練集訓練，以構建模型。最后，利用構建的模型對測試集仿真預測，導出預測結果并和真實結果比對，計算相對誤差。

訓練的結果是，模型迭代終止時，誤差值為0.0005，即構建的模型對測試集再預測的值和真實值之間的誤差值為0.0005，并且在設定誤差10-4范圍內。模型的回歸系數為0.8969，即10個輸入指標對輸出指標的相關度為0.8969，表明模型解釋度較好。仿真結果如圖3，本文計算的誤差結果是，41條仿真數據中，相對誤差值在15%（神經網絡模型預測結果公認可以接受的誤差范圍是15%）以下的有34條數據，占比82.93%，所以模型預測結果的準確率為82.93%。有2條數據（第10、19條）預測結果偏差較大，和訓練數據對比后歸結為指標異常數據，余下39條數據（數據是歸一化后的結果）的相對誤差值如表5，其中，相對誤差小于10%的數據有32條，占比82.05%，相對誤差小于5%的數據有26條，占比66.67%。

五、研究結論與展望

本文在綜合分析科創板企業價值影響因素的基礎上，確定價值評估初選指標體系，對191家企業數據采用Spearman相關性分析和MIV值法進行指標約簡，進而構建最終的輸入層指標體系，最后運用三層BP神經網絡對樣本數據訓練仿真構建模型，得出如下結論：

盈利實力、經營業績和潛在盈利能力是影響科創板企業價值的三個關鍵要素。這三個要素均通過Spearman相關性和MIV值分析的指標約簡結果以及構建的BP神經網絡價值評估模型得到驗證。

BP神經網絡法適合科創板企業價值評估。本文樣本數據是191×10，用于BP神經網絡的學習建模屬于小規模數據，最終，模型的回歸系數是0.897、仿真準確度達到了82.93%，說明BP神經網絡適用于科創板企業價值評估，不僅操作簡便，評估結果也較為可靠。

EVA指標體現了科創板企業的價值創造能力。以往EVA多作為衡量企業績效的因變量，本文將其用作輸入指標是為了體現科創板企業的真實價值和價值創造能力在其價值評估中的重要性。指標約簡過程中EVA的Spearman相關系數是55.62%、相對貢獻率是23.69%，這說明EVA可以作為科創板企業價值評估的指標。

本文探索性地應用BP神經網絡評估科創板企業價值，但是該模型也存在以下不足：一是指標問題：由于科創板企業信息披露不完善，所以很多因素沒有考慮，如風險因素等。二是樣本問題：本文樣本數據有191條，數據規模較小，且這191家公司經營范圍不同，這都會影響模型學習的效果。

【參考文獻】

［1］ 林妍.我國科創板上市公司市場價值評估分析［J］.會計之友，2020（23）：140-143.

［2］ 宋麗平，李萌，于書洋.基于GRNN神經網絡的科技型企業價值評估方法研究［J］.科技與管理，2020，22（2）：91-97.

［3］ LI XIMEI.Research on value assessment of scientific and technological enterprises based on BP neural network［J］.IOP Conference Series：Materials Science and Engine-ering，2020，750.

［4］ 張陸洋，錢瑞梅.關于科創企業估值難點的思考［J］.安徽師范大學學報（人文社會科學版），2019，47（4）：104-110.

［5］ 胡沛.企業財務指標對科創板上市公司成長性影響的實證分析［D］.哈爾濱：哈爾濱工業大學碩士學位論文，2020.

［6］ 賈玉輝，寧金輝.IPO熱潮下科創板擬上市企業績效評價研究［J］.經濟體制改革，2021（2）：102-108.

［7］ 林新奇，趙國龍.基于DEA方法的我國科創板企業創新績效研究［J］.科技管理研究，2021，41（1）：54-61.

［8］ 左慶樂，劉杰.高新技術企業價值評估的基本問題探析［J］.中國資產評估，2001（6）：20-23，4-5.

［9］ 郭建峰，王丹，樊云，等.互聯網企業價值評估體系研究——基于實物期權模型的分析［J］.價格理論與實踐，2017（7）：153-156.

［10］ 湯姆·科普蘭，蒂姆·科勒，杰克·默林.價值評估：公司價值的衡量與管理［M］.3版，北京：電子工業出版社，2002.

［11］ 郭蓬元，韓秀艷.基于實物期權的高科技創業公司價值測度研究［J］.科學管理研究，2021，39（1）：116-122.

［12］ 謝喻江.基于EVA的成長期高新技術企業價值評估［J］.財會通訊，2017（5）：7-11.

［13］ 李素英，王貝貝.基于級數突變法的科技型中小企業價值評估研究［J］.經濟研究參考，2017（34）：101-108.

［14］ 付揚揚，仇曉潔.基于BP神經網絡的創業板上市公司價值評估［J］.中國資產評估，2019（2）：35-40.

［15］ 朱敏.基于BP神經網絡技術的智能財務研究［J］.會計之友，2021（18）：38-42.

［16］ 宮興國，沈思彤.三維智力資本對盈利能力的影響研究——基于市場競爭的考量［J］.會計之友，2022（5）：84-90.

［17］ 唐華，王龍梅，程慧玲.內部控制有效性、研發支出與企業創新績效——基于高新技術企業的經驗數據［J］.會計之友，2021（8）：136-141.

［18］ 張宗新，孔讓峰.科創屬性向市場傳遞了科技型公司的價值嗎？——基于科創板的經驗研究［J］.證券市場導報，2022（6）：2-13.

［19］ 溫素彬，蔣天使，劉義鵑.企業EVA價值評估模型及應用［J］.會計之友，2018（2）：147-151.

［20］ 唐恒書，李茜.EVA、傳統會計指標與上市公司股價表現——基于貴州茅臺公司的典型案例研究［J］.金融發展研究，2017（3）：38-43.

［21］ 方心童，楊世忠.基于EVA的中央企業業績考核對非效率投資的影響效應研究［J］.大連理工大學學報（社會科學版），2021，42（5）：64-72.

［22］ 張發明，華文舉，李玉茹.幾種綜合評價方法的穩定性分析［J］.系統科學與數學，2019，39（4）：595-610.

［23］ 卓鳴，汪鵬，望開奎.基于MIV-BP神經網絡的成品煙絲質量預測模型構建［J］.食品與機械，2021，37（12）：161-166，214.