摘要:人工智能(AI)技术的快速发展为AIGC(生成式人工智能)企业带来巨大商业价值,同时也对传统企业估值方法提出新的挑战。以科大讯飞为研究对象,针对AIGC企业高成长性、高研发投入和无形资产占比高等特点,对传统剩余收益模型进行改进:首先引入持续经营价值(CV)修正无限期经营假设的偏差;其次结合杜邦分析体系,动态解构剩余收益来源,将剩余收益分解为销售净利率、资产周转率和权益乘数的动态关联;最后量化长期风险影响,采用线性风险因子调整长期价值测算。实证结果表明,改进后的模型估值结果显著优于传统模型。

　　关键词:剩余收益模型;AIGC企业;企业价值评估;科大讯飞

　　0引言

　　在数字经济时代,人工智能(AI)技术正以前所未有的速度重塑全球产业格局。作为AI领域的核心分支,生成式人工智能(AIGC)凭借其强大的内容创造和交互能力,成为推动社会生产力变革的关键力量。在这一背景下,科大讯飞作为中国人工智能产业的领军企业,其技术实力与商业化潜力备受瞩目。然而,AIGC企业的高成长性、研发投入密集性以及无形资产占比高等特点,使得传统估值方法难以准确衡量其内在价值。如何构建一个科学、合理的估值模型,成为学术界和投资界共同关注的焦点问题。

　　剩余收益模型(Residual Income Model,RIM)因其能够结合会计信息与股东权益价值,成为企业价值评估的重要工具。然而,传统模型在评估AIGC企业时存在明显局限:一方面,其无限期经营的假设与高科技企业的实际生命周期不符;另一方面,模型未能充分反映技术迭代、政策支持等非财务因素对企业价值的影响。针对这些问题,国内外学者已尝试通过引入杜邦分析、动态风险因子等方法对模型进行优化,但专门针对AIGC企业的系统性研究仍显不足。

　　科大讯飞作为AIGC领域的重要参与者和推动者,既属于技术平台型企业,又属于应用服务型企业,是“AI技术平台+行业应用”双轮驱动模式。科大讯飞依托AIGC技术,研发出星火大模型等核心技术,并基于此推出一系列应用产品,广泛应用于多个领域,同时通过构建生态,推动AIGC技术在各行业的普及与发展。因此,本文以科大讯飞为研究对象,旨在通过改进剩余收益模型,解决AIGC企业估值中的关键难题。研究从3个方面对传统模型进行优化:一是引入持续经营价值(CV),修正无限期假设的偏差;二是融合杜邦分析体系,将剩余收益分解为销售净利率、资产周转率和权益乘数的动态关联;三是采用线性风险因子调整长期价值测算,增强模型对技术不确定性的适应能力。通过实证分析,本文验证了改进模型的有效性,不仅为科大讯飞的合理估值提供了科学依据,也为AIGC企业的投资决策和战略管理提供了理论支持。

　　1文献综述

　　1.1剩余收益模型的国际发展脉络

　　剩余收益模型的理论基础可追溯至Preinreich[1]的开创性研究,后经Edwards和Bell[2]的净剩余关系假说得到深化。Ohlson[3]建立的现代理论框架实现了会计变量与股东权益价值的有机结合,Feltham和Ohlson[4]提出的Ohlson模型通过区分金融性和经营性活动,进一步拓展了模型的适用边界。在实证研究方面,Ger-ald[5]验证了该模型对上市公司股价的解释力达到68%~80%,显著优于传统方法。针对高科技企业的特殊性,Zheng[6]通过分解高科技企业的剩余收益来源,采用时间序列平滑指数法和杜邦分析体系进行优化改进,最终使得优化模型呈现较高的价值评估精度,解决了传统剩余收益价值评估方法的缺点。同时针对高科技企业在科技价值上的特异化价值评估。

　　1.2剩余收益模型的国内研究

　　我国学者在引进该模型的过程中进行了卓有成效的适应性改造。田志龙和李玉清[7]率先系统介绍了该模型的理论体系,张人骥[8]创新性地将杜邦分析体系融入剩余收益理论,提升了信息使用的效率。近年来,研究重点转向模型优化与实际应用:刘军航[9]建议在采用剩余价值模型时,应纳入非财务信息对估值结果的影响,故而他在剩余收益模型中整合了公司的管理能力、创新能力及责任感等要素。经分析,得出如下结论:当权益资本成本与实际收益率达到最接近的状态时,所得评估结果最为精确。赵宇辰[10]创新性地将市盈率和市净率两个指标引入剩余收益模型,旨在提升评估结果的准确性。王立夏[11]则巧妙地将产品生命周期理论与剩余收益模型相结合,开发了一款具有指导投资决策价值的全新剩余收益模型,该模型能助力投资者深入洞察企业的产品生命周期阶段及财务状况,

　　从而做出更加理性的投资决策。在行业应用层面,张蔚[12]通过引入研发支出、无形资产和截距项等新变量,应用杜邦分析体系优化剩余收益的计算,构建了一个改进的互联网企业价值评估模型,结果表明该模型在估值预测上具有明显优势,尤其适用于研发密集型和高度依赖无形资产的企业。

　　1.3 AIGC企业估值的研究现状

　　经过广泛的文献检索发现,截至2024年12月,目前尚缺乏专门针对AIGC企业价值评估的专门研究论文。在中国知网这一权威学术平台上,尽管存在约20余篇探讨不同类型AIGC企业价值评估的论文。但遗憾的是,这些论文大多并未将AIGC企业作为主要对象进行深入分析,且多数为硕士学位论文:冯晋扬[13]以拓尔思信息技术股份有限公司为例,构建EVA与B-S综合模型进行评估,所得的结果与实际市场平均收盘价误差相差很小,证明EVA与B-S综合模型评估能够有效地用于人工智能企业价值评估,且能够在一定程度上代表未来一段时期企业的市场价值,葛金杰[14]则选取实物期权法中Schwartz-Moon模型对拓尔思公司进行价值评估,结果表明,Schwartz-Moon模型结合蒙特卡洛模拟对人工智能类公司价值评估更适用,陈希颖[15]选取人工智能龙头企业科大讯飞,依据其2018—2022年这5年的财务数据,在使用DCF模型评估企业现有价值的基础上,运用B-S期权定价模型评估企业潜在价值,最终将现有价值与潜在价值两者相加得到企业的整体价值。结果表明:企业新的评估价值更接近于评估基准日的企业价值。然而,现有研究存在两个明显局限:一是专门针对AIGC技术特性的系统性研究不足;二是多数采用的方法未能充分反映这类企业的高成长性和无形资产价值。

　　1.4文献评述

　　虽然已有部分学者尝试将不同的价值评估方法应用于不同类型AIGC企业,但这些方法仍存在一定的不足,且专门针对AIGC企业价值评估的研究也相对匮乏。这反映了当前学术界对AIGC企业价值评估的重视程度不够,也暗示了未来该领域研究的巨大潜力和空间。因此,加强AIGC企业价值评估研究,探索适用于AIGC企业的价值评估方法,对于推动AIGC技术的健康发展具有重要意义。鉴于此,本文将专注于AIGC企业的特点,致力构建一个改进的剩余收益模型,以期专门且精准地评估AIGC企业的价值,从而更加真实地反映该类企业的价值。

　　2改进的剩余收益模型

　　3评估基本事项

　　本文的研究对象聚焦于AIGC企业,特别是以科大讯飞为例进行深入分析。本文对科大讯飞企业价值进行评估,通过对比改进后与传统剩余收益模型的估值结果,验证方法有效性,为AIGC企业的价值评估提供实践指导和参考依据。考虑到科大讯飞官方公布数据的周期,本文以2024年12月31日为评估基准日,选取科大讯飞2015—2024年的公开财务数据作为研究样本。基于这些数据建立分析框架,通过计算模型中的各项参数来推导企业估值结果。

　　4科大讯飞企业价值评估过程

　　4.1案例简介

　　科大讯飞成立于1999年,总部位于安徽合肥,是中国人工智能领域的先行者。公司以语音识别技术起家,2008年在深交所上市后,逐步拓展至自然语言处理、计算机视觉、大模型开发等领域,形成“平台+赛道”的战略布局。截至2024年底,公司员工超2万人,研发人员占比超60%,拥有专利超3.5万件,覆盖教育、医疗、汽车、智慧城市等18个行业赛道。作为“人工智能国家队”,科大讯飞承建了认知智能全国重点实验室,深度参与国家级项目如“东数西算”工程,2024年获政府研发补贴占净利润25%~30%。其战略目标是通过全栈技术自主可控,打造“AI+”时代的基础设施。

　　2023年,自从ChatGPT在2月爆火后,AIGC产业持续升温。作为国产AI的中坚力量,科大讯飞也找到了大模型红利兑现的钥匙,进行了AIGC整体布局,见图1。借助这把钥匙,讯飞星火大模型交出了2024年成绩单:央国企市场中标数量和中标金融第一;行业上,教育、医疗、金融等多个领域应用第一;在C端,搭载讯飞星火的高端学习机、办公本、翻译机等销量也是第一。

　　4.2公司关键指标测算与价值调整

　　4.2.1期初账面价值(BV0)的选取

　　由于公司所处的内外部条件不断变动,相应的企业价值也会不断变化,因此为了得出一个相对稳定的估值结果,必须选定一个基准日来评估其静态价值。在模型构建部分,我们采用剩余收益法并设置预测区间。经文献梳理表明,3~5年的预测周期能确保研究结论的可靠性。为确保分析结果的准确性,本文最终确定采用5年(T=5)作为预测时间跨度。

　　期初账面价值即基准日净资产的账面价值,由科大讯飞公布的2024年经审计后的年报可知,BV0=187.1亿元。

　　4.2.2剩余收益(RI)的测算

　　1.营业收入(S)的分析与预测

　　营收水平直接体现企业的市场竞争力和经营规模,是衡量其发展潜力的关键指标。作为核心财务数据,它不仅反映了公司在行业中的地位,更决定着其持续成长的能力。

　　科大讯飞的主要业务为软件和信息技术服务业,占比高达98.37%,主要产品包括教育产品和服务、开放平台、运营商相关业务、智能硬件四项,教育产品和服务占比30.97%,开放平台占比22.16%,运营商相关业务占比8.14%,智能硬件占比8.67%。当前,AIGC领域正处于高速增长阶段,迎来了历史性的发展契机。政策支持、技术创新与消费升级等多重因素共同作用,为这一新兴产业提供了强劲的成长动能。同时,科大讯飞在年报中表示,2024年,公司构建起了算法、算力、数据等要素自主可控的AI核心技术研究和模型训练体系,实现了AI行业应用、AI开放平台和AI消费者产品三大AI落地商业化体系。随着应用规模的持续扩大,由数据驱动的“模型算法—产品价值—业务增长”商业飞轮效应正在不断显现。为科大讯飞2015—2024年的营业收入变化情况见表1。

　　从表1可知,科大讯飞的营业收入整体呈现上升趋势,2015—2024年营收从25.01亿元增至233.4亿元,年均增长约25%,其中2022—2023年受外部环境影响增速放缓,2024年恢复至18.79%,显示强成长性。为确保研究结论的科学性,本文特别选取了更长时间跨度的经营数据作为分析基础。考虑到科大讯飞2015年吹响向人工智能进军的号角,机器的语音识别全球首次超过人类速记员。基于此,本文选取了该公司2015—2024这10年的营收数据作为完整发展周期,系统考察其业务成长轨迹。为了使预测结果更加准确,本文利用MATLAB2025实现灰色预测模型GM(1,1)计算出2025—2029年的5年营业收入预测数据,见表2。同时,灰色模型构建结果显示,该灰色预测模型后验差比值为0.2108,模型精度为一级,模型精度高,通过了后验差检验。

　　2.资产周转率(ATO)的分析与预测

　　资产周转率作为评估企业运营效能的核心财务比率,直接揭示了企业在特定经营周期内资源配置的流动效率。该指标通过衡量资产投入与产出转化的相对关系,全面反映了管理层对各项资产的综合运用能力与经营效能。本文根据科大讯飞的年报数据汇总计算见表3。

　　根据表3可知,观察期内科大讯飞的资产周转率呈现周期性波动特征。该指标在过去10年始终维持在0.35~0.65区间内运行,期间出现两个明显的上升周期:第一个增长阶段出现在2016—2021年间,第二个上升通道形成于2023—2024年。值得注意的是,该指标在2016年、2022年及2023年出现阶段性回落,这主要是由于2015年、2021年及2022年科大讯飞进行了股票非定向增发,使其期初总资产大幅上升,进而拉低了总资产周转率。此外,2021—2023年,科大讯飞的应收账款持续攀升,分别为74.86亿元、98.7亿元和121.65亿元。

　　对未来5年总资产周转率的预测,由于2025年初总资产可以在2024年年报中查询,为414.8亿元。因此2025年总资产周转率可以用2025年预测营业收入比上2024年末总资产,等于0.62。由于科大讯飞控股子公司讯飞医疗按照有关规定在香港联交所网站刊登并派发本次发行上市H股招股说明书,规模较大,且科大讯飞2024年专门成立了回款工作部,持续强化应收账款管理,这将使得2025年末的总资产增幅明显,2026年的总资产周转率将不可避免要下降。为使未来预测数据稳健,剔除2015—2017年份数据,对剩下的数据取平均值作为2026—2029年的总资产周转率,为0.583 4。如此一来,可汇总未来5年的总资产周转率,见表4。

       从表5可看出,科大讯飞2015—2018年、2020—2022年及2023—2024年销售净利率皆逐年下滑,而同期营业收入呈现持续快速上升趋势,这一现象表明,该公司近期的成本支出增速明显高于收入增长,导致利润端承压。

　　2015年起,AI技术加速发展推动“AI+”模式变革,科大讯飞抢先布局智慧教育、医疗健康等多领域。为支撑业务扩张,公司加强营销团队建设与高端人才引进,研发支出占比超营收20%,叠加资产摊销成本上升,营销及管理费用大增,制约盈利增长。此外,因两次被列入美国实体清单,科大讯飞与华为合作走“全栈自主可控”路线,全链条自研推高研发成本。鉴于AI商业化下研发投入将持续增加,为准确预测未来销售净利率,本文剔除2022—2024年数据,取2015—2021年算术平均值11.18%作为未来5年预测值。

　　4.权益乘数(EM)的分析与预测

　　权益乘数是资产总额与股东权益总额的比率,反映了企业财务杠杆的大小,权益乘数越大,说明股东投入的资本在资产中所占的比重越小,财务杠杆越大。由于AIGC企业依赖算法、数据等无形资产,负债较少,权益乘数可能低于传统制造业。见表6。

　　由表6可知,科大讯飞近10年的权益乘数整体呈现上升趋势,表明公司资产增长中负债贡献度提高,可能因业务扩张(如研发、市场投入)增加融资需求。

　　采用SPSS软件对数据进行回归分析,为了便于简便运算,把2015—2024年各年份赋值为第1~10年,分别采用线性、二次、三次、幂、对数、指数模型进行拟合优度检验,进而得到图2。

　　通过对比分析线性、二次、三次、幂、对数以及指数回归模型的R2值,它们分别为0.876、0.891、0.887、0.944、0.916、0.853,因此3次回归模型相比其他两种模型具有更为优越的拟合优度。同时,在t检验中,t统计量值小于0.001且显著性水平小于0.005,表明该模型显著。因此基于3次函数拟合的结果,对科大讯飞未来5年权益乘数进行预测并得出其相应的回归方程如下

　　EM=0.913+0.411x-0.065 x2+0.004 x3(7)

　　根据式(7)可以预测出2025—2029年科大讯飞的权益乘数,预测结果见表7。

　　5.权益资本成本(r)的分析与预测

　　本文将采用CAPM模型(式(8))来计算科大讯飞的权益资本成本。资本资产定价模型的计算公式为

　　R=Rf+β(Rm-Rf)(8)

　　式中,R为权益资本成本;Rf为无风险利率;(Rm-Rf)为市场风险溢价;β为上市公司股票的风险系数。

　　政府债券基本上不会存在违约的风险,为评估选取合适的无风险报酬率,本文使用在评估时点中长期国债收益率公布的数值。使用CSMAR数据库查询,可发现2024年12月31日公布的10年期国债收益率为1.677 4%。因此,选取国债收益率1.677 4%作为Rf。

　　本文采用的市场期望收益率Rm是截至2024年12月的过去10年,以沪深300指数的年复合收益率作为市场收益率计算得出的,平均值为7.11%,因此市场风险溢价(Rm-Rf)为5.432 6%。另外,β系数可用于衡量证券相对于整个市场的波动性,并评估证券的系统性风险。根据查询国泰安数据库的结果,β系数为1.298 2。可以看出,科大讯飞的β系数大于1,即相对于市场整体而言,系统性风险较大。

　　由此计算出来的权益资本成本为

　　R=1.677 4%+1.298 2×5.432 6%=8.73%

　　6.剩余收益(RI)的计算

　　计算科大讯飞的剩余收益需要计算营业收入(S)、资产周转率(ATO)、销售净利率(MOS)、权益乘数(EM)和权益资本成本(r)。这些指数已经在上文中详细展现了计算过程和计算结果,将以上指数代入式(3),计算出科大讯飞剩余收益见表8。

　　4.3永续价值（CV）的测算

　　本文使用RIM-σ2模型的三阶段模型,见式(4)。

　　4.3.1净资产收益率(ROE)的测算

　　科大讯飞2015—2024年净资产收益率见表9。

　　从表9可以看出,科大讯飞净资产收益率在2015—2017年及2021—2024年呈下降趋势。2015年因业务拓展、销售规模扩大,营业成本占营收比例上升;2022年业绩回落,主因宏观环境导致超20个重点项目、30亿协议推迟,以及美方新的制裁压力干扰业务节奏。当前AIGC爆发,科大讯飞将持续加大研发投入,而讯飞星火大模型商业化或有望改善其净资产收益率。因此,为保证预测数据的准确性,剔除2022—2024年数据,将科大讯飞2015—2021年间净资产收益率的波动做拟合度分析测试,将其中拟合度高的趋势线方程作为科大讯飞的净资产收益率的预测方程,进行科大讯飞预测期后一年的净资产收益率预测。

　　从描述可以得知3次趋势线的拟合度最高,调整后R2高达0.932,本文将采用3次趋势线进行拟合,根据SPSS软件的拟合公式,表示为

　　ROE=14.994-7.186x+1.764 x2-0.116 x3(9)
       ___预测期后一年的净资产收益率为11.01%,即ROE=11.01%。

　　4.3.2净资产增长率(μ)的测算

　　科大讯飞2015—2024年净资产增长率见表10。

　　从表10可知,2015—2024年,科大讯飞的净资产增长率呈现较大波动,为保证预期净资产增长率能够准确反映公司的增长情况,因此本文取10年的增长率均值作为预期增长率,预期增长率为18.63%。

　　4.3.3分红率(π)的测算

　　科大讯飞2015—2024年分红率见表11。

　　本文通过查阅科大讯飞年报可知,2018年不分红这一决策是为了增强抗风险能力并支撑长期增长,符合股东的长远利益。后续年份(如2019年)在盈利和现金流改善后恢复了分红。同时从表11可看出科大讯飞整体分红意愿强烈,分红比例较高,因此本文剔除2018年数据,取余下9年的分红率进行算术平均确定科大讯飞的分红比例π为34.01%。

　　4.3.4净资产增长量的期望方差(Δt+n)的测算

　　Δt+n是净资产账面价值的平均增量的方差即每股净资产的增长量的方差,本文选取2015—2024年的每股净资产账面价值数据。科大讯飞2015—2024年的每股净资产增长量变化情况见表12。

　　因此,科大讯飞企业价值1 134.12亿元。截至2024年12月31日,科大讯飞总股本为23.12亿股,每股价值为48.32元,因此评估基准日市值为1 117.16亿元。

　　5评估结果对比分析

　　为精准衡量企业价值,对科大讯飞采用改进后剩余收益模型与传统剩余收益模型开展估值对比。呈现两种模型下,以评估基准日市值为参照的企业整体价值及误差率数据见表13,直观展现模型优化对估值精度的提升效果。

　　根据表13的估值结果,经修正后的剩余收益模型测算显示,科大讯飞2024年末企业价值为1 134.12亿元,与市值仅存在1.51%的差异。相较之下,原模型计算结果仅为410.48亿元,偏差幅度高达63.26%。这一差异反映出传统方法在企业价值评估中的明显不足:其一,其持续经营假设未能结合企业具体发展阶段和宏观经济背景来设定收益期与增长率;其二,在预测企业剩余收益时存在局限,特别是采用零增长模式容易产生较大误差。本文通过优化这两个关键环节,显著提升了估值模型的精确度。

　　综合上述分析可以得出,本文采用的优化估值方法具有较高的可靠性,修正后的超额收益测算模型能够较为准确地体现目标企业的内在价值,有效识别其持续创造超额利润的核心驱动因素。

　　6结语

　　本文基于改进的剩余收益模型对科大讯飞的企业价值进行了系统评估,通过引入持续经营价值(CV)、杜邦分析体系以及线性风险因子调整等优化措施,显著提升了传统剩余收益模型的准确性和适用性。研究结果表明,改进后的模型能够更精准地反映AIGC企业的成长性和无形资产价值,为AIGC企业的估值提供了新的理论框架和实践工具。

　　本文仍存在不足之处:样本限于科大讯飞,未来需扩大样本验证普适性,且对技术专利价值、用户数据壁垒等非财务核心要素的量化分析不足,主要依赖历史财务数据趋势预测,对突发技术变革或政策调整等非线性事件的动态响应能力较弱。未来研究可从两个方面优化:一是扩大样本范围,选取不同业务模式(技术平台型、应用服务型)的企业分组验证,优化风险因子权重等参数以提升行业适配性;二是引入公司的管理能力、创新能力及责任感等非财务指标,构建多维度估值模型,增强对企业“隐性价值”的捕捉能力。

参考文献

　　[1]PREINREICH G.Annual survey of economic theory:the theory of depreciation[J].Econometrics,1938(5):219-241.

　　[2]EDWARD E,BELL P.The theory and measurement of business income[M].Berkeley:University of California Press,1961.

　　[3]OHLSON J A.Earnings,book values,and dividends in equity valuation[J].Contemporary Accounting Research.,1995(1):661-687.

　　[4]FELTHAM G A,OHLSON J A.Uncertainty resolution and the theory of depreciation measurement[J].Journal of Accounting Research,1996(34):245-256.

　　[5]GREGORY A,SALEH W,TUCKER J,et al.Discussion of A UK test of an inflation-adjusted ohlson model[J].Journal of Bus-iness Finance&Accounting,2005,32(3-4):487-534.

　　[6]ZHEN X S,ZHAI Y P.Firm valuation based on AN improved ohl-son model[J].Transfomations in Business&Economics,2020,19(2):145-167.

　　[7]田志龙,李玉清.一种基于账面价值和未来收益的公司财富评估方法[J].会计研究,1997(5):48-50.

　　[8]张人骥,刘浩,胡晓斌.充分利用会计信息的企业价值评估模型:RIR模型的建立与应用[J].财经研究,2002(7):68-74.

　　[9]刘军航.基于Ohlson模型和非会计信息的剩余收益估值问题研究[D].合肥:合肥工业大学,2015.

　　[10]赵宇辰.基于Ohlson模型的游戏企业价值评估研究[D].广州:暨南大学,2019.

　　[11]王立夏.基于产品生命周期的多阶段剩余收益项目决策模型[J].中国管理科学,2019,27(6):158-166.

　　[12]张蔚,刘文芳.改进Ohlson模型应用于互联网企业价值评估的研究[J].商业观察,2024,10(23):86-89.

　　[13]冯晋扬.人工智能企业价值评估研究[D].天津:天津财经大学,2021.

　　[14]葛金杰.基于Schwartz-Moon模型的人工智能企业价值评估研究[D].兰州:西北民族大学,2022.

　　[15]陈希颖,骆公志.基于DCF与B-S定价模型的人工智能企业价值评估研究[J].中国物价,2024(8):21-26.

　　[16]王立夏.风险调整的剩余收益模型的理论与实证研究[D].上海:上海交通大学,2012.