摘要:随着互联网经济进入深度发展阶段,基于财务结果的传统估值方法已难以充分反映平台型企业用户资产的增长潜力,导致估值偏差与价值识别失真。为弥补这一不足,首先从用户视角出发,系统梳理长视频平台价值形成机制及用户价值理论基础;其次引入用户终身价值(CLV)框架,将长视频平台价值视为现有及未来用户现金流贡献的折现总和,构建以用户规模和用户变现能力为核心参数的价值评估模型,并进一步提出模型改进方案,包括采用ARIMA模型预测用户规模,引入单位用户价值指标取代传统收入口径,同时结合用户黏性系数评估未来价值兑现能力;最后以爱奇艺为案例进行价值评估,论证了CLV模型的可操作性,希望为长视频平台价值评估、资本定价及战略决策提供更符合数字经济特征的方法,拓展用户视角下企业价值评估理论。

　　关键词:长视频平台;企业价值评估;用户终身价值(CLV)

　　0引言

　　自2020年全球步入数字经济高速发展期以来,数字经济逐渐由“流量红利期”迈向“价值深耕期”。截至2024年底,中国网民规模突破11亿,互联网普及率达到78.6%。在此背景下,平台型互联网企业凭借用户规模与内容生态形成显著竞争优势,尽管在财务层面普遍存在盈利滞后现象,但在资本市场却不断获得高估值。长视频平台的核心价值导向随之发生转变,从依赖用户规模扩张的粗放式增长,转向聚焦用户留存与变现效率的精细化增长。与此同时,随着《关于加强数据资产管理的指导意见》正式实施,数据资产从信息资源转变为可计价的生产要素,这一制度的实施增强了将用户行为与数据价值纳入企业价值评估体系的必要性,也对传统企业价值评估方法提出了挑战。

　　这一趋势在长视频平台行业中表现尤为明显。经过十余年发展,长视频平台用户规模依然庞大,截至2024年底用户规模达到7.52亿,创近5年新高,标志着长视频行业逐渐进入成熟期。在当前阶段,长视频平台用户增速放缓但结构趋优,年轻与高知用户占比显著提升,行业完成了从“烧钱竞争”到“价值回归”的阶段性转型。然而,长视频平台的企业价值未能在其财务报表上得到充分体现。主要原因是长视频平台前期高度依赖持续性内容投入,制作精品内容成本较高,且周期性的用户波动因素使长视频平台普遍呈现低净利润甚至阶段性的亏损状态,而长视频平台市值表现普遍高于财务指标所能解释的水平。长视频平台特有的“内容爆款带动用户增长、用户增长提升变现能力、变现能力推动企业估值”这一逻辑显著区别于传统行业资产结构,需要立足长视频平台的行业特性,构建适配其价值逻辑的企业价值评估体系。资本市场已将用户指标视为企业长期价值的重要信号,从侧面印证了以用户视角评估企业价值的必要性。Han等[1]的实证研究发现,企业披露与未来客户价值相关的信息(如用户增长、留存与变现预期)越充分,其IPO首日收益、交易活跃度,以及3年后的盈利水平越高。传统财务估值体系(如DCF、自由现金流折现模型)难以捕捉用户黏性、付费概率、生命周期贡献与留存率等底层价值结构,导致估值结果与市场定价之间存在偏差。面对传统估值方法的局限性,学界逐渐从用户视角出发构建企业价值评估框架,其中用户终身价值(Customer Lifetime Value,CLV)作为核心理念受到广泛关注。CLV模型最初应用于市场营销领域,用于衡量单一用户在关系周期内创造的净利润现值。与着眼当期财务表现的估值方法不同,CLV强调从用户获取成本、留存水平、生命周期收入、付费结构等维度出发推断未来价值贡献,从而展现企业增长潜力与用户资源质量。Wiesel[2]指出,互联网平台真正驱动价值增长的因素来自用户资源质量,而非当期利润表现。CLV已成为衡量企业未来增长能力的重要预测指标,与企业股价走势相关性显著。McCarthy等[3]的实证研究表明,将CLV作为衡量基础构建企业价值估计模型,可有效提高估值结果的解释性与稳定性,特别适用于商业模式依赖用户关系的互联网企业。Segarra-Moliner和Bel-oms[4]提出,用户生命周期理论不仅能体现单个用户的未来收益预期,还能通过分群分析刻画用户结构异质性,为价值评估提供更加细化与精准的信息基础。互联网与平台型企业的成长逻辑基于用户规模扩张与用户黏性积累,而非当前利润表现,因此用户生命周期价值模型能够更好揭示互联网企业价值创造的关键机制。随着数据资产地位上升,企业内部运营指标(如新增用户数、付费比例、用户留存率等)逐渐成为支持估值建模的重要变量,这些数据来源真实、更新频率高,较传统财务指标具有更强的解释与预测能力。

　　CLV模型在长视频行业适用性较高。一方面,CLV模型关注用户关系的动态变化,与长视频行业“用户增长先于盈利形成”的特征高度匹配。许多长视频平台企业在发展初期投入大量资源拓展市场,但盈利能力在中后期才能显现,CLV模型可以一定程度上避免利润滞后导致的估值偏误。另一方面,CLV模型能够分解和整合用户获取与留存环节的数据,使价值评估从高度依赖财务指标转向依赖用户行为和用户结构特征,从而提供了更接近企业本质的价值评估逻辑。肖雪娇和杨峰[5]指出,互联网企业所积累的用户行为数据与关系数据已构成重要的数据资产,企业可以通过优化用户运营与提升变现效率间接转化用户价值为未来现金流。尽管目前对于CLV的模型已经有了诸多研究,然而现有的用户终身价值模型,未能充分考虑用户活跃度、用户忠诚度、用户使用时长对长视频平台价值的影响。

　　综上,传统财务估值方法难以体现平台型企业依赖用户资产与网络效应驱动的价值创造过程,而基于用户视角的价值评估方法虽然具有较强理论优势,但仍需更完整的参数体系与变量结构。基于此,本文以用户生命周期价值理论为基础,整合长视频平台用户收入特点与用户留存系数,构建了一种基于用户生命周期的长视频平台价值评估模型。

　　1长视频平台企业价值评估理论基础

　　1.1长视频平台企业特征

　　长视频平台相较于传统企业具有显著的用户导向特征,其价值创造高度依赖于用户规模与用户行为所带来的收益,这使得以用户为中心的价值评估视角日益受到重视。一方面,长视频平台主要通过会员订阅、广告变现、内容发行与联运等方式实现收入,企业现金流表现通常与用户数及用户价值密切相关;另一方面,在注意力经济背景下,用户社群不断创造优质“二创”的内容,成为吸引新用户的核心。因此,长视频平台需在内容采购与自制投入上持续投入形成竞争优势,以增强用户体验并提高用户留存率。在这一过程中,用户不仅通过会员购买与观看行为直接贡献收入,其行为数据还为平台提供了内容策划与产品优化的重要依据,从而间接影响企业营销策略、内容选型及技术迭代路径。因此,相较于传统依赖有形资产或单期利润的企业估值方法,长视频平台更加需要将用户资产与用户生命周期价值纳入企业价值评估体系。

　　此外,长视频平台的经营呈现出清晰的阶段性特征:初期阶段,平台主要依靠营销补贴和内容投入来快速扩大用户规模;到了中期,行业竞争加剧,平台转而通过打造精品爆款内容来沉淀用户;如今行业进入成熟期,平台价值的核心越来越取决于存量用户的变现效率。

　　以爱奇艺和腾讯视频为例,二者发展初期长期处于亏损状态,但它们持续扩大用户规模、提升付费渗透率,盈利水平也随之逐步提高。这一实际情况凸显了从用户视角开展长视频平台价值评估研究的必要性。

　　1.2基于用户特性的长视频平台价值评估研究

　　基于用户特性的价值评估方法认为,企业价值来源于用户在整个生命周期内对平台产生的持续价值贡献,而非单一会计期间的利润表现。用户价值理论强调,用户需求的持续满足推动价值创造,而用户关系的稳定性、深度与黏性决定未来利润的规模。互联网与平台经济的价值形成机制为这一理论提供了实践基础:对于长视频平台而言,用户规模、用户活跃度与付费转化率共同决定收入规模,而用户留存表现与生命周期延长能够进一步扩大平台利润空间。因此,平台价值的本质不在内容“数量”,而在用户“质量”。基于用户价值理论,平台经济中的诸多现象凸显了用户在企业价值形成中的关键作用。例如,网络效应决定了单个用户的价值取决于其他用户数量,用户规模扩大将成倍提升平台整体价值。随着用户数量增加,企业价值呈指数级增长,并催生强者恒强的马太效应:拥有最多用户的互联网平台往往能够凭借规模优势主导市场。因此,平台企业生存发展的首要任务在于迅速获取大量用户并使之留存,以形成正向循环的用户基础。当用户规模达到临界点后,口碑效应将吸引更多潜在用户主动加入,进一步巩固企业的市场地位,最终实现规模经济。此外,用户黏性所导致的锁定效应使忠诚用户长期留在平台,为企业持续贡献价值。由此可见,从用户视角出发,平台生存的关键在于降低用户流失、提升用户留存与激活用户消费潜力。

　　与此同时,用户自身也存在经济生命周期,从初次接触产品到成为成熟忠诚用户乃至流失,各阶段行为活跃度和贡献利润存在差异。例如,在用户生命周期的考察期和发展期,用户关系不稳定、容易流失;进入成熟期后,用户满意度和信任度提高,愿意持续使用并付费,带来的收益显著增加。用户生命周期直接影响企业生命周期—用户的获取和留存状况决定了企业未来的增长潜力与衰退风险。因此,减少用户流失、延长用户生命周期是长视频平台保持价值增长的关键。

　　综上,长视频平台的价值评估不能再局限于传统财务视角,而应转向以用户为核心的评估新范式。许多学者已意识到,仅依据有形资产和历史财务数据无法充分反映用户驱动的潜在价值。例如,赵欢[6]指出目前互联网企业估值缺少规范化的参数标准,企业未来成长空间和收益难以把握,导致传统方法难以体现新兴互联网企业的真实价值。朱伟民等[7]进一步强调新兴互联网公司的潜在成长空间巨大,即使当下亏损仍有高潜在价值,但现有评估方法无法将其纳入估价,缺乏公平性和准确性。这一系列观点表明,从用户价值入手构建估值模型具有重要的理论和现实意义:一方面可弥补传统估值方法的不足,更充分地捕捉互联网企业的无形资产和未来潜力;另一方面也为资本市场提供更公允合理的定价依据。目前从用户角度评估互联网企业价值仍属新兴领域,有待进一步深化研究,但无疑正在成为资产评估领域关注的焦点方向。

　　2用户终身价值（CLV）模型分析

　　2.1用户终身价值理论

　　CLV模型起源于市场营销领域,Dwye等学者基于用户生命周期理论提出了客户价值衡量框架。CLV被定义为单个用户在与企业保持关系全过程中所产生利润的折现和。广义而言,所有用户的终身价值加总即构成企业的客户资产价值,即所谓用户权益(Customer Equity)。研究表明,用户权益与企业整体价值密切相关:几乎所有未来现金流最终都可溯源到客户,因而客户资产的大小在很大程度上决定了公司价值。Lump-kin[8]认为,将用户终身价值加总得到的用户权益可以很好地解释企业账目价值与企业市值的差异。曾丽婷[9]通过改进适用性更强的梅特卡夫模型,并结合案例给出了用户价值理论模型在实务中可行的证明。越来越多管理者认识到企业价值的终极衡量应当是客户总价值。基于此理念,近年来“基于客户的企业价值评估”(Customer-Based Corporate Valuation,CBCV)框架应运而生。温鑫[10]通过引入用户数量预测、用户边际价值等关键参数,构建了修正后的CBVC模型。CBCV的兴起意味着一种范式转移:投资者不再仅关注“增速至上”的表象,而是更加重视客户留存和长期价值,即所谓“忠诚经济”下的精细估值。这与CLV模型的思路如出一辙,均体现出以用户生命周期价值为核心来评估企业内在价值的趋势。

　　CLV模型的结构包括计算每个用户在各时期为企业贡献的净现金流并将其折现累加。相比传统以历史财务数据为基础的估值方法,CLV模型更具前瞻性和包容性,它不仅考虑当前已实现的收益,还将用户未来可能带来的收益纳入估值,从而更全面地反映企业的潜在价值。这对尚处于高速成长期、财务指标不稳的互联网企业尤为重要—即便短期盈利不佳,只要用户价值持续提升,CLV模型就能客观体现企业的长期价值。

　　CLV模型的适用性近年来在学术界和实务界均得到验证和拓展。一方面,不少国内外学者运用CLV模型评估互联网平台企业,证明了其可行性。Kossecki等[11]强调CLV模型能更好地反映未来现金流潜力,适用于互联网平台企业特性,通过行为数据衡量用户忠诚度并进行用户分群,提升了CLV模型价值评估的准确性。宣晓和段文奇[12]也认为应该把用户视为互联网企业的资源,她从用户资源角度出发,创新性构建互联网平台企业的估值模型,在数量上采用科学的平台用户规模测度,价格上采用市场法解决了收益预测难的问题。盛虎等[13]长视频平台更加注重专业生产内容,因此必须高度聚焦增加和挖掘高质量用户,实现内容变现下的会员收入。以上研究表明,将CLV用于互联网企业估值具备广泛的适应性,无论是广告驱动型、会员订阅型或其他商业模式的互联网企业,都可以通过分析用户获取、留存、变现等行为数据来评估其长期价值。另一方面,在投资实践中,越来越多投资机构开始参考用户生命周期价值等指标评判互联网公司的投资价值。例如,某些高速成长的互联网公司虽然当前收益不高但用户黏性较高,资本市场依然给予其高估值。可以说,CLV模型为连接营销指标与财务价值搭建了桥梁,使投资者能“看透”用户价值对企业的支撑作用,从而做出更理性的投资判断。

　　当然,CLV模型在具体应用中也需根据互联网行业特征做相应调整,以解决模型假设和现实数据之间的差距。例如:如何预测未来用户数量、如何量化用户贡献的现金流,以及如何纳入用户留存率等,都是在互联网企业应用CLV模型时需要重点考虑的问题。基础CLV模型最初只能计算某一固定用户群或平均用户的价值,适用性不强。为此,Akter等[14]将人工智能和机器学习融入传统RFM分析框架,将用户群体精细化分类,以提升用户终身价值预测的准确性。刘运国等[15]结合互联网企业特点以及视频行业商业模式对DEVA模型进行修正,以活跃用户数量和市场占有率等非财务指标为核心进行估值预测,一定程度上解除了企业价值评估严重依赖财务数据的限制。总的来看,CLV模型为长视频平台价值评估提供了一个以用户为中心的整合框架,但其有效性有赖于对关键参数的合理设定和改进。接下来将围绕用户终身价值模型的核心指标,结合近年文献成果提出改进方案,使模型更准确地反映互联网企业的价值驱动因素。

　　2.2基于长视频平台的CLV模型构建

　　针对长视频平台高度依赖用户规模、用户留存和内容生态驱动商业变现的结构性特征,有必要对CLV模型的核心指标进行重新定义与细化,使其更契合行业运行机制。在现有参数基础上,本文从用户规模预测、用户贡献现金流表征、用户留存结构识别以及折现率风险调节四个维度提出模型优化方案,以提升CLV框架在长视频平台估值中的适用性与解释效力。

　　2.2.1用户规模及其预测

　　用户规模是长视频平台价值形成的基础变量,反映平台可利用的视听资源消费人群基数。在行业成熟背景下,用户规模的变化并非持续扩散式增长,而呈现明显的周期性波动与结构性稳定特征,一方面受到内容供给周期(如爆款驱动增长)影响;另一方面与竞争格局、订阅价格、跨平台替代性密切相关。因此,传统扩散类模型已难以解释成熟期用户趋势,需要引入能够处理结构波动的预测框架。为合理预测互联网企业未来各期的用户数量增长趋势,本文采用经典的自回归差分滑动平均(Auto-Regressive Integrated Moving Average,ARIMA)模型对用户采纳过程进行建模。ARIMA模型是一类基于时间序列统计特性的预测模型,广泛应用于经济、金融、消费行为、互联网流量预测等领域。该模型的基本思想是通过考察变量自身的历史行为模式,对未来变化进行推断,从而无须依赖外生解释变量即可实现预测。因此,ARIMA模型适用于基于历史数据结构进行趋势外推的场景,尤其在样本序列存在波动性、非线性变化或不规则扰动时具有较强的适应性与解释优势。

　　在成熟期长视频平台估值中,用户规模预测的核心目标不再是模拟增长速度,而是通过ARIMA结构识别未来用户基数的稳定性与持久性,以支持生命周期价值折现模型的底层数据输入。理论与经验研究均表明,当数据呈现非扩散型波动时,时间序列模型在预测稳定趋势与区间波动方面具有可靠性能,能够为基于用户生命周期价值的企业估值系统提供有效支撑。

　　2.2.2单位用户贡献现金流

　　用户贡献现金流是指用户在一定时期为企业贡献的净现金流量,通常等于用户创造的收入减去为获取和服务该用户所付出的成本。它反映了用户行为对企业现金流的直接贡献,是CLV模型计算每期价值的基本要素之一。在互联网企业情境下,不同用户的消费行为、生命周期阶段差异较大,直接计算每个用户的净现金流既困难也不必要。为简化计算并增强模型适用性,可使用每用户平均收入(Average Revenue Per User,ARPU)计算单位用户贡献现金流。张雪梅和马心怡[16]认为ARPU可以体现一定时间内活跃用户为互联网企业创造的价值。ARPU表示每个用户在一定周期内为企业带来的平均收入,其优点在于:第一,直接得到单位用户创造的收益,天然反映用户的付费水平;第二,一定程度上平滑了不同用户个体间的差异,将用户群的整体变现能力用一个指标加以量化;第三,作为折现计算的基础,ARPU乘以用户数量即可近似覆盖企业全部用户在该周期的总收入,从而简化了CLV的计算过程。在改进模型时,可以选取周期ARPU(如月度或年度ARPU)作为分段收入预测的依据:首先根据预测每期活跃用户数,再乘以预测期内的ARPU,得到各期总用户收入,将其扣减相应的用户获取与服务成本后,作为当期用户净现金流计入CLV模型折现。

　　2.2.3用户留存率

　　用户留存率是反映用户忠诚度和黏性的关键指标,通常定义为在一定周期内仍然活跃的用户占上一周期用户总数的比例。张雪婷[17]以哔哩哔哩为例,分析了其依托高黏性用户构建的“内容—社区—消费”商业生态,高留存率意味着用户更长期地留在平台,为企业持续创造价值,因而是用户终身价值的重要驱动因素。用户留存率不仅影响未来用户规模(留存用户越多,净增长越高),也是衡量用户对企业依赖程度的代理变量。马太效应作用下,能够留住更多用户就意味着保持了更大的市场份额,因此留存率应被视为企业价值评估的重要因素。互联网行业常用DAU/MAU比值来计算用户留存率,即日活跃用户数与月活跃用户数之比。

　　2.2.4折现率的选取

　　折现率用于将未来现金流折算为现值,长期以来是一项强调资本成本结构的财务指标。但在长视频平台估值中,折现率不仅承载资金成本,还承载内容风险、市场竞争风险和用户波动风险。因此,本文将折现率设定为行业特化参数,在传统WACC基础上加入用户增长风险溢价,从而反映未来用户价值的不确定性。

　　这一处理有助于解决长视频平台估值中常见的问题—当以CLV为主导时,价值高度依赖未来用户现金流,如果折现率偏低,模型容易出现高估,而结构性风险未被充分反映。加入风险溢价后,折现结果将更贴近市场定价机制。

　　基于以上设定,可得到CLV模型为

       式中,Nt为第t期预测的活跃用户数量(依据ARIMA模型预测的新增及累积用户并考虑留存率影响得到);ARPUt为第t期每用户平均收入;Lt为第t期用户留存率因子;d为折现率。

　　上述模型综合了用户增长、变现和留存3个关键环节,将长视频平台“用户即价值”的逻辑量化为评估公式。通过将用户生命周期各阶段的价值贡献进行折现求和,模型能够更加全面地反映出长视频平台的内在价值。由于引入了成熟的预测和统计指标,模型计算得到的估值结果也更具稳健性和实操性。

　　3基于CLV模型的爱奇艺价值评估

　　3.1爱奇艺业务特征

　　爱奇艺创立于2010年,是中国最早一批专业长视频平台之一,目前业务涵盖剧集、综艺、电影、动漫、纪录片等多元内容形态,并在移动端、客厅端与海外市场构建起多终端分发体系。作为典型的平台型互联网企业,爱奇艺的商业模式以“会员订阅+广告变现+内容发行及其他”为核心,长期实施“付费会员+免费广告用户”并行的混合模式:一方面通过会员订阅费用获得较为稳定的现金流;另一方面通过品牌广告、信息流广告及内容植入等方式实现用户注意力的商业化。

　　从收入结构看,爱奇艺的会员服务收入常年占总收入的六成以上,在线广告服务收入、内容发行收入及其他业务构成其余部分,其中广告与会员服务共同构成公司最主要的现金流来源。这一结构一方面凸显了平台“内容驱动、用户付费与广告协同”的商业逻辑;另一方面也使其高度依赖用户规模、用户留存与用户付费意愿等关键变量。近两年财报显示,在宏观经济环境承压以及短视频平台分流注意力的背景下,长视频行业整体面临营收增速放缓、会员与广告收入承压的局面,爱奇艺亦出现由盈转亏与收入波动的情况。

　　从行业视角看,长视频平台具有以下典型特征:一是优质头部内容投入巨大,且具有明显的不确定性;二是用户对内容质量与观看体验的敏感度较高;三是价格提升或广告过多均可能引发用户流失。这使得长视频平台长期处于“内容投入—用户增长—收入兑现—再次投入”的循环之中,对用户规模与用户变现效率高度敏感。在此前提下,以单期利润或短期现金流为基础的传统估值方法往往难以准确估算企业的长期潜在价值,尤其难以解释平台在盈利波动甚至亏损阶段的资本市场定价。

　　在此背景下,从用户视角出发,以用户生命周期价值为核心对爱奇艺进行价值评估,能够更好地捕捉其商业模式的本质。长视频平台价值的形成并非简单来源于当前利润,而是建立在存量用户与新增用户在整个生命周期内贡献现金流的持续累积之上。对于典型的“订阅+广告”混合型长视频平台而言,这一视角具有天然契合性。

　　3.2 CLV模型适用性分析

　　结合前文构建的基于用户价值的企业价值评估框架,本文将爱奇艺视为以用户资产为核心的长视频平台,从用户规模、用户变现与用户生命周期三个维度构建CLV估值模型。具体而言,企业价值可表达为

　　式中,Nt为第t年平台有效用户规模;ARPUt为当期每用户平均收入;K为用户留存率(日均/月均活跃人数);d为折现率。

　　与传统基于企业整体自由现金流的估值方法相比,该模型以“单位用户利润×用户数量”的形式重构了企业价值,直接将用户层面变量引入估值过程。

　　在指标设定上,本文做出如下3点改进,以增强模型与长视频平台特征的契合度:

　　第一,引入ARPU×K作为“单位用户现金流”的代理变量。由于长视频平台收入结构复杂,单个用户的广告收入与会员收入难以在个体层面准确拆分,因此直接计算单用户利润存在一定困难。在此情境下,单位用户收入与用户留存率相结合,可以得出用户贡献价值,从而将抽象的收益结构转化为“每位用户在当期所创造的可分配利润”这一可操作性指标。这一做法不仅符合文献中将ARPU视为平台价值衡量核心变量的共识,也契合长视频行业以单用户价值衡量付费效率与内容回报的惯常路径,从而提升模型对平台经营逻辑的解释性。

　　第二,在用户规模预测上,引入ARIMA时间序列模型而非扩散模型。对于处于成熟期、用户规模已出现回调与波动的长视频平台而言,爱奇艺2018年以后用户数据呈现出“高位震荡+阶段性回落”的特征。因此本文采用ARIMA模型对未来用户规模进行外推预测,以捕捉用户规模的平稳区间与轻微波动特征,再将预测结果输入CLV估值框架。这一处理更符合平台成熟期“存量竞争”的现实环境,也避免了扩散模型在后期高估用户增长空间的偏差。

　　第三,在折现率与预测期设定上保持相对审慎。折现率d采用综合考虑行业风险、平台盈利波动及资本成本后的稳健水平,预测期则限定2024—2028年,并不引入高敏感性的永续增长假设终值。鉴于爱奇艺的业务结构与盈利模式可能随着技术迭代、用户需求演变及政策环境变化而持续调整,长期永续增长假设在该类企业情境下并不稳定,因此不宜引入终值以避免估值偏差。

　　3.3基于CLV模型的爱奇艺企业价值评估

　　在模型结构与指标体系确定之后,本文基于前文的用户规模预测结果与未来用户收入假设,对爱奇艺未来若干年的用户现金流进行估算。

　　在用户规模方面,本文利用2018—2023年爱奇艺半年度用户数据构建ARIMA模型,以半年为周期对2024—2028年的平台有效用户数量进行预测,结果见表1。

　　模型结果显示,平台用户规模在未来几年内将维持在约46 700万人左右的窄幅区间波动,整体趋于平稳,符合长视频行业进入成熟期、用户难以大幅扩张的现实情形。

　　在单位用户变现能力方面,ARPU的设定基于平台近年收入结构变化与历史增长表现进行外推。具体而言,爱奇艺收入结构以会员服务收入为主体,占比常年维持在六成左右,并呈现持续上升态势。因此,本文以会员收入口径作为ARPU推算基础,通过统计平台近3年会员相关收入,计算得出爱奇艺收入的复合增长率(CAGR)为8.97%,以此对未来收入水平进行预测,再以预测收入与平台用户规模匹配关系推算未来数年的单位用户收入贡献。该方法的优势在于:其一,会员收入代表平台最稳定、最具结构性支撑的现金流来源,相比广告收入及其他收入波动性更低;其二,复合增长率计算能够调整单期剧集爆款或周期性内容投入带来的收入扰动,使未来收入走向更具有趋势性判断基础。此外,考虑到平台近年多轮会员定价上调与内容供给结构优化,未来数期ARPU呈现温和增长趋势具备现实合理性,具体计算结果见表2。

　　从预测结果来看,虽然2024—2028年平台用户规模整体保持相对稳定,但单位用户收入呈现持续增长趋势,反映出未来收入提升更多源于单位用户变现能力的增强,这一趋势与爱奇艺近年来的经营表现高度一致。根据爱奇艺公布的2023年财报,平台全年会员收入达到203.4亿元,占总收入比重超过60%,较上一年度实现增长,说明内容结构优化与会员体系升级正在推动用户付费能力提升。此外,平台通过提高优质内容占比、强化版权投入、推出差异化会员层级等举措,推动更高价值用户群体的形成,从而带动单位收入增长,体现了长视频平台由规模驱动向价值驱动转型的行业路径。因此,本研究预测的收入增长并非依赖大规模新增用户,而是强调现有用户价值深化所带来的收益提升,这也为后续用户现金流测算与企业估值结果提供现实基础与逻辑支持。

　　用户留存率则基于用户规模结构进行推算。根据千帆数据统计,2023年爱奇艺年均日活用户(DAU)约为1.1亿,年均月活用户(MAU)约为4.7亿,用户黏性系数为23.4%,在行业内处于较高水平。该比值在长视频平台中具有显著代表性,体现了用户平均活跃周期与时间价值结构,亦可视为用户贡献价值的平均效率指标。因此,本文采用K=0.23,将该比值视为“单位用户可实现收入占总收入比例”的代理参数。

　　在折现率设定上,本文采用加权平均资本成本(WACC)作为贴现参数。本文采用中国资本市场参数作为贴现率估算基础。以2023年为基准,选取中国10年期国债收益率3.0%作为无风险利率,股权风险溢价取7.5%,并结合行业属性假设β=1.4,则根据CAPM得出股权成本约13.5%,并结合公司2023年权益价值占比76.5%、有息负债占比23.5%的资本结构,公司加权平均资本成本(WACC)估计为约11.4%。该参数既反映行业整体风险水平,也符合本研究现金流贴现的稳健性要求。因此被用作未来用户现金流现值计算的贴现率,以确保估值结果具备财务逻辑一致性与市场合理性。

　　在参数设定完成后,本文基于改进后的CLV估值逻辑对爱奇艺进行企业价值评估,将相关参数代入公式中,得出爱奇艺的企业价值为346.98亿元人民币。当日,爱奇艺市值约为331.4亿元人民币,二者的绝对数值较为接近,误差为4.77%。这个较小的误差验证了用户资产是互联网长视频平台核心价值来源的研究判断,也为后续从用户视角完善互联网企业估值理论,提供了一个有代表性的实证参考。

　　4结语

　　本文从用户价值视角出发,对长视频平台的价值评估问题进行了理论与方法研究,指出传统基于财务指标的估值方法难以充分反映用户资产对未来价值增长的驱动作用。鉴于长视频平台在商业模式上高度依赖用户规模、用户留存与用户变现能力,本研究将用户生命周期价值引入企业价值评估框架,并围绕用户规模预测、单位用户贡献现金流测算与留存结构分析构建了系统化价值评估路径。

　　在方法层面,本文通过ARIMA模型预测未来用户规模变化,以单位用户价值体现用户现金流贡献,并将用户留存因子纳入价值评估公式,使CLV模型能够更贴近平台用户行为规律与收入形成机制。在此基础上,本文完成了用户价值驱动的企业估值测算,得出爱奇艺企业价值为346.98亿元。将该结果与同期资本市场估值对比,误差4.77%,显示该估值方法不仅具有理论解释力,同时具备较高的数值稳定性与可验证性。

　　因此,本文验证了CLV模型作为互联网企业价值评估工具的有效性,特别适用于以用户资产为核心竞争力、收入结构具有周期性与滞后性的长视频平台。研究为传统财务视角估值方法提供了补充,并为未来估值实践与理论拓展提供了新的研究方向。

参考文献

　　[1]HAN S,BAYER E,SKIERA B,et al.Forward-looking disclosure of customer metrics in IPO prospectuses:stock market reactions and long-term profitability[EB/OL].(2025-11-01)[2025-12-24].

　　[2]WIESEL T.Value creation measurement and management in times of radical social and technological change[J].Journal of Crea-ting Value,2022,8(2):171-183.

　　[3]MCCARTHY D M,FADER P S,HARDIE B G S,et al.Valuing subscription-based businesses using publicly disclosed customer data[J].Journal of Marketing,2017,81(1):17-35.

　　[4]SEGARRA-MOLINER J R,BEL-OMS I.How does each ESG di-mension predict customer lifetime value[J].Sustainability,2023,15(8):6907.

　　[5]肖雪娇,杨峰.互联网企业数据资产价值评估[J].财会月刊,2022(18):126-135.

　　[6]赵欢.改进Ohlson模型在互联网企业价值评估中的应用[J].财会通讯,2019(8):13-17.

　　[7]朱伟民,姜梦柯,赵梅,等.互联网企业EVA估值模型改进研究[J].财会月刊,2019(24):90-99.

　　[8]LUMPKIN G T,DESS GG.E-business strategies and internet bus-iness models:how to develop a successful e-commerce plan[J].Business and Entrepreneurship Journal,2004,6(3):253-257.

　　[9]曾丽婷.基于梅特卡夫模型的互联网初创企业价值评估[J].财会通讯,2019(23):58-62.

　　[10]温鑫.电商企业价值评估研究:基于改进CVBC模型[J].电子商务评论,2024,13(4):1084-1093.

　　[11]KOSSECKI L,WACHOWICZ J,STEINGARTNER W.Valua-tion of internet companies-selected issues[J].Procedia Com-puter Science,2023,225:3432-3441.

　　[12]宣晓,段文奇.资源视角下互联网平台用户价值评估方法[J].会计之友,2019(12):148-155.

　　[13]盛虎,张开阳,李静怡.内容、用户和收入:网络视频平台差异化管理模式研究[J].上海交通大学学报(哲学社会科学版),2023,31(11):26-44.

　　[14]AKTER J,ROY A,RAHMAN S,et al.Artificial intelligence-driven customer lifetime value(CLV)forecasting:Integrating RFM analysis with machine learning for strategic customer reten-tion[J].JCSTS,2025,7(1):249-257.

　　[15]刘运国,况倩,黄璐.短视频平台商业模式对企业价值的影响研究:基于“快手”的案例[J].财会通讯,2022(10):3-12.

　　[16]张雪梅,马心怡.DEVA模型在互联网企业估值中的应用[J].财会通讯,2021(4):129-132.

　　[17]张雪婷.在线视频平台内容营销模式研究:以Bilibili弹幕网为例[J].新闻论坛,2019(4):101-104.