《Systems》：An Intelligent Decision Support Framework for Enterprise Value Evaluation in Digital Ecosystems: A Hybrid XGBoost-PSO-BPNN Approach for SRDI SMEs
编辑推荐：
在日益复杂动态的数字生态系统背景下，准确评估专精特新(Specialized, Refined, Differentiated, and Innovative, SRDI)企业的价值对有效决策至关重要。传统估值方法难以有效解决此类企业高研发(R&D)支
在日益复杂动态的数字生态系统背景下，准确评估专精特新(Specialized, Refined, Differentiated, and Innovative, SRDI)企业的价值对有效决策至关重要。传统估值方法难以有效解决此类企业高研发(R&D)支出及显著经营风险等问题。研究人员提出一种可解释的智能决策支持框架，用以评估北京证券交易所(Beijing Stock Exchange, BSE)挂牌专精特新企业的价值，构建了涵盖偿债能力、盈利能力及研发能力的多维指标体系。采用极端梯度提升(eXtreme Gradient Boosting, XGBoost)算法进行特征重要性筛选，识别关键指标作为反向传播(Back Propagation, BP)神经网络输入变量；同时应用粒子群优化(Particle Swarm Optimization, PSO)算法优化神经网络初始权值与阈值，以建模非线性估值关系。基于2020—2024年770家BSE挂牌专精特新企业的实证分析表明，XGBoost-PSO-BPNN模型在测试集上决定系数(Coefficient of Determination, R2)达0.8083，优于传统线性模型及单一树基准模型。SHAP(SHapley Additive exPlanations)可解释性分析进一步揭示，流动资产周转率、总资产收益率(Return on Assets, ROA)及前十大股东持股比例为主要价值驱动因子。研究人员采用多种聚类方法将企业划分为三类并提出差异化监管政策建议，为数字生态系统中企业运营的智能决策提供支持。
论文解读：数字生态系统中基于XGBoost-PSO-BPNN的专精特新中小企业价值评估智能决策支持框架
研究背景与意义
北京证券交易所(Beijing Stock Exchange, BSE)主要服务创新型中小企业，其中专精特新(Specialized, Refined, Distinctive, and Innovative, SRDI)企业具有高研发投入、高无形资产占比、利润波动大、生命周期早等特点，传统折现现金流(Discounted Cash Flow, DCF)、相对估值法及实物期权法存在假设严格、主观性强、难以刻画非线性关系等局限，且针对BSE挂牌SRDI企业的专门估值研究匮乏。在此背景下，研究人员将SRDI企业视为数字经济生态系统中的复杂适应系统(Complex Adaptive System)，构建融合机器学习与智能优化的企业价值评估框架，以克服传统方法不足，为IPO定价、投资决策及差异化监管提供量化依据。本文发表于《Systems》。
主要关键技术方法
研究人员选取2020—2024年BSE挂牌且满一个会计年度的770家SRDI企业作为研究样本，目标变量为每年12月平均收盘价×总股本（总市值）。构建涵盖偿债能力、盈利能力、营运能力、成长能力、资本结构、每股指标、研发(R&D)能力（如R&D费用率、R&D人员占比）及公司治理（如第一大股东持股比例、前十大股东持股比例、员工人数）共八维度初选指标体系。分别采用随机森林(Random Forest, RF)、梯度提升决策树(Gradient Boosting Decision Tree, GBDT)和XGBoost(eXtreme Gradient Boosting, XGBoost)三种集成学习算法计算特征重要性，剔除三方法权重均低于1%的指标，形成三组特征子集分别输入后续模型。构建三层反向传播(Back Propagation, BP)神经网络，隐层节点数按经验公式结合试错确定，激活函数隐层用双曲正切S型、输出层用线性函数，训练算法为Levenberg–Marquardt。引入粒子群优化(Particle Swarm Optimization, PSO)算法（种群规模10，惯性权重ω=0.9，学习因子c1=c2=2，最大迭代50代）全局寻优BPNN初始权值与阈值得到PSO-BPNN。以XGBoost筛选特征+PSO-BPNN为核心实验组，对比RF-PSO-BPNN、GBDT-PSO-BPNN、XGBoost结合线性回归(Linear Regression, LR)及单棵决策树(TREE)等基准模型。采用SHAP(SHapley Additive exPlanations)方法进行模型可解释性分析，并基于估值结果结合K-means、层次聚类及模糊C均值(Fuzzy C-Means, FCM)对样本企业进行聚类分型。
研究结果
4.1. Training and Prediction of the PSO-BPNN Model（PSO-BPNN模型的训练与预测）
数据集按7:2:1划分为训练集、验证集和测试集，训练集做5折交叉验证。经试错确定XGBoost特征组对应隐层最优节点数为10（训练均方误差Mean Squared Error, MSE=0.011388最小）。测试集拟合相关系数XGBoost-PSO-BPNN达0.80831，高于RF-PSO-BPNN(0.6677)和GBDT-PSO-BPNN(0.79863)。对比未优化的XGBoost-BPNN，PSO优化后预测曲线更贴近实际市值，预测误差明显减小，证明PSO有效克服BPNN易陷入局部极值的缺陷。
4.2. Comparative Analysis of Results with Those Obtained by Other Methods（与其他方法结果的对比分析）
- •
4.2.1. Performance Analysis of the XGBoost-PSO-BPNN Model（XGBoost-PSO-BPNN模型性能分析）
XGBoost-PSO-BPNN测试集R2=0.8083，MSE=0.0307，平均绝对误差(Mean Absolute Error, MAE)=0.0966，三项指标均最优，可解释SRDI企业市值变动的80.83%。
- •
4.2.2. Comparative Analysis of Different Feature Selection Methods（不同特征选择方法的比较分析）
XGBoost-PSO-BPNN较RF-PSO-BPNN的R2提升21.06%、MSE降低17.12%；较GBDT-PSO-BPNN的R2提升1.21%、MSE降低14.93%，验证了XGBoost引入二阶泰勒展开及正则化项后在特征筛选质量上的优势。
- •
4.2.3. Comparative Analysis of Different Predictive Models（不同预测模型的比较分析）
以XGBoost特征为例，XGBoost-PSO-BPNN的R2较XGBoost-LR(0.5049)提高60.09%，较XGBoost-TREE(0.1934)提高317.94%；MSE较二者分别降低98.02%和98.78%，说明SRDI企业价值影响因素与价值间存在复杂非线性交互，线性模型与单树模型难以拟合，PSO-BPNN可有效捕捉。
4.3. Model Interpretation（模型可解释性）
SHAP值分析显示：流动资产周转率为影响估值最显著因子，反映营运效率是SRDI企业核心价值驱动；总资产收益率(ROA)和前十大股东持股比例分列二、三位，表明盈利能力与股权集中度是基础支撑；R&D人员占比高对估值有显著正向推动。资产负债率偏高在成长阶段反而呈正向贡献，可能体现债权融资的技术前景认可及治理约束溢价。
4.4. Further Research（进一步研究——企业聚类分型）
三种聚类方法结果一致，将样本划分为三型：①基础型(Foundation-building Type)——各项指标接近行业均值，股权较分散，多处于早期或转型期；②创新驱动型(Innovation-driven Type)——R&D人员最多，R&D投入开始转化为利润，每股收益(Earnings Per Share, EPS)与每股净资产较好，轻资产运营，集中于生物医药、半导体、高端装备等战略性新兴产业；③高风险型(High-risk Type)——估值低，R&D人员不稳定或投入断层，流动比率低、短期偿债压力大，面临技术淘汰或激烈竞争风险。各型对应差异化的投资筛选逻辑与监管政策建议。
讨论与结论总结
研究人员指出，本研究构建的多维"专精特新"属性指标体系弥补了传统估值理论对BSE适用性不足；XGBoost特征筛选削减多重共线性和冗余信息；PSO优化BPNN初始参数克服局部最优，提升收敛稳定性与非线性拟合精度；引入SHAP破解神经网络"黑箱"，明确核心价值驱动因子；基于估值结果的聚类分型为分层分类监管提供依据。研究局限包括BSE运行时间短导致面板跨度有限、以市值代理企业价值受市场情绪干扰、未纳入生命周期动态演化及宏观政策冲击，未来可结合LSTM或滚动窗口扩展动态模型并拓展至科创板及创业板验证普适性。
研究结论为：针对BSE挂牌SRDI企业特性，XGBoost-PSO-BPNN混合智能估值框架较传统线性模型及单一树模型具有更高精度与鲁棒性（测试集R2=0.8083），XGBoost特征筛选优于RF和GBDT，PSO有效改善BPNN易陷局部极值问题；SHAP分析确认流动资产周转率、ROA及股权集中度为关键价值驱动因子；企业聚类划分为基础型、创新驱动型及高风险型三相，可为IPO市场化定价、投资者甄别及监管机构实施差异化政策提供量化支持。
