摘要：随着数字技术与普惠金融的深度融合，互联网金融企业以轻资产、高用户黏性、数据驱动等特征重构金融服务模式，但其价值评估面临传统模型难以捕捉网络效应、技术创新潜力等挑战。目前对于互联网金融企业的评估较少，且多是以单一角度进行企业价值评估。通过分析互联网金融企业的特点，文章从用户价值视角出发，对现有的DEVA模型进行改进，构建适合互联网金融企业的价值评估模型，并使用改进后的DEVA模型对案例企业进行价值评估。研究结果表明，改进后的DEVA模型的价值评估结果具有一定的适用性，差异率在合理范围内，能够为其他互联网金融企业价值评估提供一定参考。

　　关键词：DEVA模型；互联网金融企业；情景分析法；企业价值评估

　　引言

　　近年来，中国已成为全球重要的金融市场，根据中研普华产业研究院数据，截至2024年底，国内可投资资产总规模已突破300万亿元，互联网金融用户规模也随之不断攀升，行业渗透率不断提升。全球范围内，互联网金融市场规模预计将保持强劲增长态势，预计到2028年将增长至235万亿美元，复合年增长率达12.5%。在此背景下，互联网金融企业依托大数据、人工智能、云计算等前沿技术，打破传统金融服务的时空限制，极大地提升了金融服务的便捷性与可获得性。未来互联网金融市场会有更多的投资者进入。因此，科学评估互联网金融企业价值具有重要的现实意义。现有研究中多采用DCF模型、市盈率法等基于历史财务数据的估值方法，但这些方法忽视了用户价值、技术创新对企业价值创造的驱动作用，导致估值结果与企业实际价值存在较大偏差。鉴于此，本文对传统DEVA模型进行适应性改进，引入研发强度相对乘数，构建新的评估体系，旨在更精准地捕捉企业的技术创新潜力，为互联网金融企业价值评估提供更科学有效的方法，也为投资者决策、企业战略规划以及监管政策制定提供更可靠的依据。

　　一、改进的DEVA模型构建

　　（一）传统DEVA模型

　　DEVA模型是由华尔街分析师和投资银行家Mary Meeker所提出的概念，该模型的理论依据是摩尔定律和梅特卡夫定律，凸显出用户价值对企业价值的贡献，企业每增加1位用户，企业的价值就会呈现指数级增长，其核心理论为：

　　E=MC2。

　　其中，E为企业的经济价值，M为单个用户投入的初始资本，C为单位经济周期内用户所创造的价值。

　　（二）DEVA模型的改进

　　1.修正用户价值

　　随着互联网行业的快速发展，许多用户存在注册账号后使用频率很低或不再使用的情况，这种没有活跃度的用户无法给企业带来价值的增长。传统的DEVA模型中未考虑到该问题，所以可能会夸大估值结果。企业的整体注册用户可分为活跃用户和非活跃用户。考虑到年活跃用户的时间跨度较长且日活跃用户数波动较大，本文引入互联网行业广泛应用的月活跃用户数（MAU）进行优化[1]。与此同时，引入单位用户贡献值（ARPU），用于衡量活跃用户为企业创造的价值[2]。其中，ARPU的计算方式为企业营业收入与月活跃用户数的比值。改进后的DEVA模型为：

　　E=M×(MAU×ARPU)2。

　　2.修正用户价值关系

　　传统DEVA模型根据梅特卡夫定律，认为企业价值与用户价值的平方呈正比关系，但在实际网络用户行为研究中，随着企业规模的扩大，用户规模扩大到临界点后，新增用户的边际贡献呈指数级衰减，最终趋近于零。因此，传统DEVA模型可能会高估企业价值。本文利用齐普夫定律进行修正[3]，用对数关系表达企业价值与用户价值的关系，更加符合互联网金融企业的实际情况。改进后的DEVA模型为：

　　E=M×(MAU×ARPU)×ln(MAU×ARPU)。

　　3.引入用户黏性系数

　　用户对产品的使用频次是评估其对平台黏性强弱的关键指标。当用户高频使用某一平台时，往往意味着其对平台的依赖性较强，黏性较高；反之，若使用频次较低，则表明用户黏性较弱。在互联网金融行业，除使用频次外，使用时长同样至关重要，其能够直观反映用户对平台内容的兴趣度与投入程度。因此，高频次且长时间的使用行为，共同构成了用户对视频平台高黏性的重要方面。用户黏性系数（S）通常通过日活跃用户（DAU）与月活跃用户（MAU）的比值来衡量，该比值越高，说明用户对平台的依赖程度越深，黏性也越强[4]。改进后的DEVA模型为：

　　E=M×(MAU×ARPU)×ln(MAU×ARPU)×S。

　　4.引入市场占有率

　　在马太效应的作用下，占据较高市场份额的龙头企业通常具备深厚的品牌认知度、稳定的客户群体以及广泛的市场覆盖范围[5]。传统的DEVA模型虽以用户价值为核心，但却忽略了马太效应下行业地位对企业价值的影响，这种局限性可能会导致估值结果与实际情况存在偏差。鉴于此，本文将市场占有率（P）引入DEVA模型，旨在通过这一改进提升企业价值评估结果的准确性与客观性。优化后的DEVA模型如下。

　　E=M×(MAU×ARPU)×ln(MAU×ARPU)×S×P

　　5.引入研发强度相对乘数

　　互联网金融企业的研发投入始终是其核心竞争力的重要支撑，当前这类企业在人工智能、大数据分析等领域持续布局，旨在通过技术创新巩固其在市场的地位[6]。因此将研发费用纳入评估模型是有意义的，本文采用研发强度相对乘数（R）作为系数修正模型，研发强度相对乘数使用企业研发费用比率与行业研发费用比率的比值计算而来，这样改进后的DEVA模型能够更好地表现企业的创新能力，调整企业价值。改进后的DEVA模型为：

　　（三）数据来源及说明

　　本研究使用的数据主要来自同花顺企业年报、易观千帆、天眼查等。其中，涉及日活跃用户数、营业收入的相关指标均来自同花顺公司2013—2023年的年度财务报告，有关月均活跃用户数、行业渗透率等指标主要通过易观千帆平台查询，另外，注册资本通过天眼查平台查询。

　　二、案例分析

　　（一）同花顺企业基本情况

　　同花顺成立于1995年，是中国领先的金融信息服务提供商。同花顺依托大数据、人工智能、云计算等技术，为个人投资者、金融机构及企业客户提供涵盖行情数据、智能投顾、量化交易、财富管理等多元化的金融科技解决方案。近年来，随着中国资本市场深化改革、居民财富管理需求激增以及金融科技的加速渗透，证券投资信息服务行业迎来高速发展期。在此背景下，同花顺凭借先发优势和技术壁垒，稳居行业第一梯队。截至2024年，其注册用户数超6亿人，月活跃用户超3 000万人，在证券App领域市场份额长期位居前3，与东方财富、大智慧等头部平台形成竞争与互补并存的格局。

　　（二）未来情景分析

　　结合同花顺近几年战略布局及行业趋势，构建以下情景。在高情景下，同花顺的核心增长将依托AI技术的突破性应用与资本市场的长期牛市共振。技术优势叠加数据积累的壁垒效应，或令同花顺在证券信息服务行业的市场份额扩张，对东方财富、大智慧等竞争对手形成技术代差。在中情景下，同花顺的发展将呈现渐进式特征，AI技术逐步迭代但未颠覆传统业务模式，资本市场维持温和波动。在低情景下，AI技术的研发投入产出比显著低于预期，可能导致用户流失。

　　本文基于同花顺近10年营业收入的历史数据，对其未来发展情景进行概率评估。经过计算，该行业的营业收入平均增长率为20.79%。据此可作如下划分：当增长率高于20.79%时，属于高速增长；当增长率介于0至20.79%之间时，视为中速增长；当增长率低于0时，则判定为增长放缓。最终，使用频数来计算在3种情景下的发展可能性，计算得出高、中、低情景的概率分别为40%、40%、20%。

　　（三）评估参数的确认

　　1.月活跃用户数MAU

　　2023年，同花顺每月的活跃用户数量数据显示，其月平均活跃用户量达3 048万人。从活跃人数增长率趋势来看，整体呈略微下降态势。经分析，2024年同花顺月活跃用户量预计增长率参考2023年月活跃用户量平均增长率的平均值，即0.55%。

　　综合前文构建与分析的情景可知，未来市场情景的高低对月活跃用户人数影响显著。基于2023年MAU平均增长率及市场环境因素，对2024年同花顺MAU展开预测。在高情景下，同花顺MAU将相应增长，增长率选取2023年各月中增长率的最高值，即6.82%；中情景时，其MAU增长速度维持在平均水平，为0.05%；低情景下，MAU增长率则取2023年各月中的最低值，为-5.53%。由此可得，2024年在高情景下，预计MAU为3 256万人；中情景下预计为3 050万人；低情景下预计为2 880万人。

　　2.单位用户贡献值ARPU

　　基于前述构建的情景模型，本文对不同发展情景下的营业收入增长率作出预测。由于2015年营业收入增长率在历史数据中存在显著异常波动，为确保预测准确性，该数据未纳入后续统计分析。结合企业近年来营收持续下滑的实际态势，预测过程遵循谨慎性原则：在高情景下，将营业收入增长率设定为过去10年均值22.76%，体现行业周期内的潜在增长空间；中情景下，以当前0.14%的增速作为基准，模拟企业维持现有发展节奏的状态；低情景下，参考2017年营收下滑幅度，将增长率设定为-18.69%，反映极端不利条件下的经营压力。

　　在完成上述设定后，本文以2023年营业收入数据作为预测起点，开展后续测算工作，2024年在高情景下，预计营业收入为437 562.94万元；中情景下预计为356 939.04万元；低情景下预计为289 822.79万元。同时，结合此前预测的2024年MAU数据，即高情景3 256万人、中情景3 050万人、低情景2 880万人，计算得出2024年高情景下的ARPU为134.38万元，中情景下为117.04万元，低情景下为100.64万元。

　　3.初始投资资本M

　　根据天眼查信息，同花顺于2001年注册，注册资本为53 760万元。结合前文预测的2024年MAU数据，计算单位用户的初始投资成本如下：在高情景下，2024年MAU为3 256万人，单位用户初始投资成本为16.51元；中情景下，MAU为3 050万人，单位用户初始投资成本为17.63元；低情景下，MAU为2 880万人，单位用户初始投资成本为18.67元。

　　4.用户黏性系数S

　　从同花顺近几年的市场表现来看，其用户粘性比较稳定，本文以2023年的用户黏性系数为基准，日活跃用户数为1 447万人，月活跃用户数为3 048万人，计算两指标的比值为0.47，该值被作为用户黏性系数。

　　5.市场占有率P

　　通过数据查阅，可以直观认识到同花顺在行业保持龙头地位。考虑到其他竞争对手的表现，互联网金融行业在短时间内实现市场占有率的显著增长比较困难。2023年行业渗透率平均值为21.77%，因此本文假设：高情景下，同花顺的市场占有率提升至23%；中情景下，同花顺的市场占有率保持2023年的水平，为21.77%；低情景下，同花顺的市场占有率下降18%。

　　6.研发强度相对乘数R

　　同花顺财报显示，公司研发费用从2019年的4.65亿元增长至2023年的11.79亿元，年复合增长率达26.3%，占营业收入比例从26.69%攀升至33.09%。这一趋势反映了同花顺在人工智能、大数据分析、金融云服务等领域的持续布局，旨在通过技术创新巩固其市场地位。本文使用研发强度相对乘数的计算公式为：研发强度相对乘数=企业研发费用占营业收入比率/行业研发费用占营业收入比率。

　　2019—2023年研发强度相对乘数依次为1.19、1.22、1.10、1.21、1.13，5年平均值为1.17。根据前文所构建的3种情景，针对不同情景设定研发强度相对乘数的预期：在高情景下，设定为近5年的平均数1.17；中情景下，保持2023年的乘数，为1.13；低情景下，设定为近5年的最低值1.10。

　　（四）企业价值评估结果的分析

　　将前文得到的MAU、ARPU、M、S、P及R的数值代入到改进后的DEVA模型中，综合分析高、中、低3种情景，最终加权得出2024年同花顺的评估价值，如表1所示。

　　最终，本文得出同花顺2024年12月31日企业价值为1 686.07亿元，而同花顺在2024年12月31日真实市值为1 545.60亿元，评估值与市值的差异率为9.09%，高估企业价值可能是因为DEVA模型更侧重于关注用户带来的收入增长，而对用户获取成本和运营成本的上升估计不足，尤其是在获取新用户方面，成本往往呈边际递增的趋势。DEVA模型没有充分考虑到这种成本的增长，因此高估了企业的价值。

　　在互联网金融信息服务领域，同花顺凭借在用户规模、产品创新及市场份额等多方面的卓越表现，确立了行业领先地位。鉴于互联网行业显著的马太效应，即强者愈强、弱者愈弱，头部企业往往会积累起独特的竞争优势，进而产生合理的价值溢余。为了更精准地评估同花顺的企业价值，有效减少估值过程中的不确定性，本研究融合了情景分析法与DEVA模型。情景分析法全面展现企业在复杂多变环境下的潜在发展路径，而DEVA模型则聚焦于用户价值这一互联网企业的核心驱动要素，深入挖掘企业基于用户生态的内在价值。

　　通过这种多维度、综合性的评估方式，本文所得出的同花顺评估价值具有较高的合理性与可靠性，能够为投资者决策、企业战略规划、行业研究等相关活动提供坚实有力的参考依据，助力各方更为准确地把握同花顺的投资潜力与市场地位。

　　三、结语

　　本研究针对互联网金融企业价值评估难题，基于传统DEVA模型进行适应性改进，构建了融合用户分层、黏性特征、市场竞争及技术转化能力的综合估值框架。改进后的模型突破了传统DEVA模型的线性假设与指标局限，有效捕捉了互联网金融企业轻资产运营、数据驱动及技术迭代的核心特征，为解决用户价值异质性、技术投入滞后性及市场环境不确定性等估值难点提供了新路径。实证结果表明，改进模型对同花顺的估值结果与实际市值差异率为9.09%，验证了模型的合理性与适用性，不仅为投资者提供了科学的估值工具，也为企业优化用户运营、研发投入决策及风险管理提供了理论依据，同时推动行业估值标准的规范化发展。

　　在案例分析中，通过构建高、中、低3种情景，系统评估了技术突破、市场波动及监管政策对企业价值的影响，发现用户黏性与研发强度是驱动互联网金融企业价值增长的关键内生变量，而市场占有率的提升可通过马太效应放大企业估值溢价。研究进一步表明，情景分析法的引入显著增强了模型对复杂环境的适应能力，能够有效降低估值过程中的信息不对称风险。然而，本研究仍存在一定局限性，例如计算过程中情景设定依赖主观判断，未来可结合机器学习等技术优化指标权重与情景参数，进一步提升模型的动态预测能力。总体而言，改进的DEVA模型为互联网金融企业价值评估提供了兼具理论深度与实践价值的解决方案，助力行业在数字化转型中实现高质量发展。

参考文献：

　　［1］李舟，张俊玉，魏凯，等.基于DEVA模型的互联网视频企业价值评估［J］.商业会计，2023（13）：44-48.

　　［2］刘畅.基于修正的DEVA模型的互联网企业价值评估研究［J］.老字号品牌营销，2024（14）：110-112.

　　［3］王禧琛，薄建奎.基于DEVA修正模型的互联网直播企业用户价值评估［J］.商业会计，2024（9）：106-109.

　　［4］马威远.基于用户价值的知识付费平台企业价值评估研究［J］.内蒙古科技与经济，2024（23）：79-82.

　　［5］张亚萌，张波.基于修正DEVA模型的公司价值评估案例研究［J］.商业会计，2023（1）：29-33.

　　［6］刘运国，梁瑞欣，黄璐.互联网金融企业价值评估研究——以蚂蚁集团为例［J］.财会通讯，2022（16）：3-15.

　　［7］刘玲君，熊冬洋.情景分析法在共享企业价值评估中的应用研究［J］.中国资产评估，2023（7）：17-22.