非财务指标对上市公司估值及后市表现影响——以TMT和互联网企业为例，本文主要内容关键词为：互联网论文,为例论文,后市论文,估值论文,财务指标论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言及文献综述
企业IPO价格行为是指首次公开发行(IPO)股票价格的变化过程，这个过程以上市日为界分成两个阶段，一个是从发行价格到上市价格的变化，为初始收益；一个是IPO后的价格变化，称之为后市变现。部分研究已经表明，IPO的中长期后市表现往往会差于市场或同类非新股票的表现，该现象称之为IPO的长期弱势。对于股票估值和后市的研究，过去主要侧重于解释该现象在整个股票市场出现的原因，行业内的差异研究却往往被忽视。
本文将重点关注TMT(Technology,Media,Telecom)和互联网企业，韩军(2011)认为电信网、广播电视网、互联网三网融合实质性步伐已经真正启动，这为TMT和互联网行业的公司创造出巨大的发展机会。研究这类型企业，我们必须关注其独特的产业特征及“软实力”，所以在分析他们财务指标的同时，也必须对非财务指标进行合理的影响论证。
首先，本文会先找出影响TMT和互联网企业估值的非财务指标，而非财务指标在企业价值研究中经常被忽视，但随着对股票估值的准确性要求不断提高，该领域逐渐开始得到重视。国外方面，Klein(1996)等发现，出现管理层收购时，在IPO前管理层留有大部分股份的企业，其股票估值会要更高。在研究高新技术产业方面，Rajgopal(2002)等研究了美国互联网企业的IPO，发现网络优势好的互联网企业会有更高的估值。在国内研究方面，蒋国云(2005)和王向楠(2012)曾把公司治理指标引入上市企业的估值中，发现公司治理结构显著影响企业的股价水平；李曜和张子炜(2011)发现私募股权和天使资本对在创业板上市的企业产生不同的估值影响。可见非财务指标对企业的价值影响是存在的、显著的，对他们的研究是对财务指标研究的一种补充。
其次，研究股票的IPO后的后市表现，现在主流的研究方向在证明IPO后的长期弱势，Loughran和Ritter(1995)研究了美国在1970—1990年IPO的企业后5年的股市表现，发现他们长期表现差于那些非IPO的企业；Brav和Gompers(1997)研究了美国900多个企业的后市表现，发现拥有风险资本入股的企业后市表现更优。国内方面，江洪波(2007)认为IPO的定价非有效造就了后市表现异常的现象，从而违背有效市场假说；王春峰和罗建春(2002)以我国1997—1998年上市的A股企业为样本，通过超额累计收益率对比发现，这些企业在IPO后3年内的股市表现都弱于市场；陈琪(2012)和王宗萍(2013)也得到相似的结论。以上关于后市表现的研究侧重点在IPO企业和非IPO企业的比较，而且几乎一致性认为具有长期弱势，但并没有挖掘对于具有较强产业特征的IPO企业，如TMT行业企业在分行业下的后市价值。为了让研究更具现实指导意义，本文主要找出对TMT和互联网企业后市表现具有区分效果的非财务指标。
二、产业分层以及非财务指标选取
TMT和互联网行业是具有明显产业特征差异的行业，其价值的评定不能通过简单的财务指标来体现，业务模式、企业治理、科研水平、规模等级等非财务指标也能对其价值产生影响。本文的研究思路主要为，首先按照产业特征对行业内企业划分层级，继而在实证基础上找出影响这些企业估值的非财务指标，最后，在这些非财务指标的指导下，通过累计收益率分析该行业的IPO企业的后市表现及原因。
(一)TMT和互联网产业分类
TMT，是通信、媒体和科技(Technology,Media,Telecom)的合称，其中技术主要是指信息技术，从本质上看，通信是整个TMT行业的载体和基础，媒体则代表了内容和整合，而科技是以互联网技术为核心的技术服务手段和技术快速升级过程；三者的关系代表了支撑信息运行、信息连通和增值平台、信息的制造和整合三类信息通信的基本功能。其中，通信网络是组成和支撑其他媒体和互联网及信息技术的基础网络，其核心是网络协议，也就是通信网络设备间通信规则的正式称谓，只有相同网络协议的计算机才能进行信息交换，是计算机和其他设备在网络中实现通信时必须遵守的约定，从上述角度讲，通信协议可以说是整个通信及网络系统实现的“元规则”，也就是说，TMT行业就是在通信协议基础上的实现和变革过程。
通信协议的技术特征及其演进过程对整个行业的技术特点产生最本质的影响，在此基础上影响产品和服务的特征，而产品和服务的特征及其企业、行业在市场中的发展共同强烈影响着整个TMT行业的产业发展特征、甚至决定着产业发展的格局。正是因为通信协议具有“元规则”的作用，他实际上成为了TMT行业的“法律”，并由此沿着技术特征—产品服务特征—行业规则—产业格局—产业特征的路径深深影响着全产业链的演进和发展。
图1 OSI协议层之间的关系
OSI参考模型(OSI/RM)，其全称为开放系统互连参考模型(Open System Interconnection Reference Model)。作为通信领域内应用最广泛的协议框架，是通信和网络协议的“基本法”，为分析TMT行业的产业链分层研究提供了一个可供参考的功能性结构框架。
这个模型把网络通信的工作分为七层，它们由高到低分别是应用层(Application Layer)、表示层(Presentation Layer)、会话层(Session Layer)、传输层(Transport Layer)、网络层(Network Layer)、数据链路层(Data Link Layer)和物理层(Physical Layer)。从高往低看，最高四层主要负责端到端的数据通信工作，最低三层则主要负责搭建网络通信的链接线路。各层级都有具体的功能，且相互支持。
OSI协议提供的基本模型构成了所有通信系统的“元规则”，在通信协议基础上运行的设备以及其各层系统也完全是按照OSI协议来呈现其特点的。基于此，引入OSI七层协议的框架用于TMT和互联网行业的产业分析是可行的。
在现代TMT和互联网产业中，基于OSI协议七层的框架，每层都有相关的产业对其进行支持和服务，因而服务于OSI协议的不同层级决定了该设备或系统所处的产业链位置。从OSI框架下衍生出来的产业链可以分为三个层级——基础网络运营层，服务基础承载层以及互联网和服务运营层，本文将基于这三个层级把TMT和互联网行业的企业进行分层归类。第一层级为基础网络运营层，主要包含网络基础设备制造商等；第二层级为服务基础承载层，主要包含网络平台的运营商和终端设备(含操作系统)制造商等；第三层级为互联网和服务运营层，主要包含网络基础接入服务商、网络垂直频道服务商、网络聚合社交服务商等。根据OSI模型的层级特性决定了每个层级都有其独特的产业链位置，通过分层实证筛选出共同和独特的非财务影响指标，对TMT和互联网行业的估值和后市表现将会有重要的指导意义。
本文根据TMT和互联网企业的第一主营业务收入的类型对他们进行归类分层。
(二)非财务指标的选取依据
对TMT和互联网企业进行归类分层后，下一步就是选择非财务指标。本文在参考以往文献研究的基础上，对非财务指标进行四个方面的综合划分，分别为业务模式、规模效应、企业治理以及科研技术水平。
企业业务模式的代理变量为企业的第一主营业务收入占比，该变量可以相对看出企业在该行业中是倾向于多元化经营模式还是单一化经营模式。
由于研究企业规模较为常用的是企业的资产量，而本文从非财务因素出发，选取能界定规模的非财务变量，此处将使用子公司数量为规模效应的代理变量。一般而言，子公司数量越多，企业在管理成本、科研支出等方面的规模效应会越显著。
企业治理涉及企业的多个方面，本文的关注点主要为企业的家族性质以及近些年兴起的风险资本入股性质。家族式管理在中国上市企业中是一个比较普遍的属性，家族企业一般权力相对集中，决策更具保守型，对TMT和互联网行业而言，会对创新开发和营销网络构建产生一定的影响。风险资本入股对企业的上市影响也是显著的，Megginson和Weiss(1991)认为有风险投资家参与的企业其市场估值将会受到影响，李曜和张子炜(2011)用国内的创业板的数据实证了这点。本文把两变量设置为两个虚拟变量。
在科研技术水平方面，为了避免疏漏，本文选择了科研人员比例、科研开发支出占比以及知识产权数作为TMT和互联网企业在这方面的代理变量。创新水平一定程度与科研人员和支出有关，而知识产权数则是企业的一个技术壁垒。他们对企业的长期利润影响都较大，是估值和后市表现不可忽视的变量。
三、TMT和互联网企业估值的实证分析
(一)数据来源和处理
为了区别于TMT和互联网企业前期估值和后市表现的期间，本文使用企业的IPO首发价来表示股票的价值。为了消除大市对其价格的影响，把首发价格“归一化”，每个企业首发价格都除以当天的行业指数(行业指数选取复权申万行业指数，数据来源为Wind数据库)，并对该数值乘以100，获得相对首发价格(c_price)，以此作为本文模型的解释变量。
由于企业估值都是从财务指标出发的，如果完全脱离财务指标进行建模，即使本文的实证结果显著，那么其回归也有可能是“伪回归”。参考过去文献，估值的最常用的财务指标为ROE(X[,6])，故本文的模型以ROE这个财务指标为基准进行扩展。
另一方面，为了研究非财务指标对这些TMT企业价值的影响，在上部分已经说明挑选七个非财务指标的原因，这些指标包含科研人员比例(
)、科研开发支出占总收入比例(
)，企业拥有的知识产权数量(
)、企业拥有的子企业数(
)以及企业的主营业务占比(
)，以及两个虚拟变量：是否为家族企业(fam)和是否有风险资本入股(risk)。
本文选取的企业上市期间为2000年1月1日至2012年6月，样本企业共有159家。所有指标均选取IPO前一年的数据为准，ROE来源为Wind数据库，非财务指标均由其招股说明书的具体内容搜集整理而成，剔除异常值后，样本总数为108个。
(二)实证模型
考虑到王月溪和庄尹波(2010)使用的多因素估值模型在我国A股有较好的适用性且修正简便，而本文要研究非财务指标对上市企业首发价格的影响，故可以参照该估值模型修正如下：
但由于变量过多，为了避免出现多重性，影响回归的可信性，故本文将参考杜勇和陈建英(2013)在估算我国亏损上市公司财务价值时所采用的主成分分析法进行模型简化以及变量降维。由于变量是否为家族企业(Fam)和是否有风险资本入股(Risk)为两个虚拟变量，放进主成分变量反而会增加解释难度，故只对剩下的六个变量进行主成分构造。变量X[,1]至X[,6]由于量纲不齐，所以先对他们进行标准化，然后再进行主成分估计。当主成分到第四个的时候，方差贡献超过85％，故可以忽略第五和第六个主成分的作用。
主成分分析起到了降维和排除非线性①的作用，本文的六个变量可以转为四个特征向量，然后进行载荷矩阵旋转，从而得到四个主成分的表达式。把主成分加入到模型中，可以把本文的多因素模型调整如下：
(三)实证结果
代入数据，然后按照上面的层级分类方法，把108个企业样本数据分成三组，然后对不同层级的企业群数据进行相同模型的实证，结果如表1所示。
在把各主成分的显著变量进行分解，可以得到表2，每个系数代表了指标对每个层级企业估值的影响程度。
从业务模式指标的结果来看，主营业务比例对第二、三层级的影响并不大；对第一层级影响最大，且是负效应的，反映市场希望该行业第一层级的企业业务模式更多元化一点。
而规模效应指标——子企业数对各层级企业的估值影响都是负效应的，预示着投资者对整个TMT和互联网行业的企业规模都不希望过大，子企业越多，规模越大，投资者反而会对该企业估值下降。
企业治理方面，家族企业指标只对第一、二层级显著，风险资本入股指标只对第三层级显著，从这里可以看出对于第一、二层级，投资者更倾向于对家族性质的企业高估值。而对第三层级，市场则厌恶有风险投资者的加入，这与李曜和张子炜(2011)的结果有一定的相似。
三个科研技术水平指标——科研人员比例、科研开发支出占比和知识产权数对各个层级企业虽然有显著影响，除了对第一层级的企业受科研人员比例一定的影响外，其他影响程度都不大，而且对企业的估值产生负效应。
总结起来，本文选取的七个非财务指标中，除了家族企业指标和风险资本入股指标有着较为明显的层级特性外，其他都能对TMT和互联网企业的估值产生显著影响。从这个结论出发，再继续深入研究这些企业IPO后的后市表现。
四、TMT和互联网企业基于非财务指标的后市表现
(一)模型构建和数据处理
前述分析已经研究了IPO估值的主要非财务影响因素，以下将从首次公开发行后的二级市场表现来分析是否能够完全反映前述分析的非财务指标，这对于资本市场的资源配置尤为重要(Loughran和Ritter,1995；Brav和Gompers,1997)。这一部分仍然沿用前述的我国TMT行业典型上市企业作为样本，通过研究其3年的后市表现来进行计算相应的BHAR的数值，并结合之前分析选取的非财务指标进一步分析业务模式、规模效应、企业治理和科研技术等非财务指标对TMT上市企业的后市影响情况。
后市表现参考丁松良(2003)所用的持有至出售的超额收益率BHAR(buy－and－hold abnormal return)模型，此模型主要用于表现企业相对于行业市场的相对收益，其计算方法如下：
其中，上市首月t值设定为2，即上市一个月后开始计算；min［37，delist］代表第37个月、上市到退市或已上市月份的最小值，截止时间为2013年2月份。
代表上市企业i在统计方法中的第t个月的月度收益率，
在时间上与之相对应的市场月度收益率。对于我国市场，受限于指数存续期间的有效性，本文采取申万行业指数的月度收益率作为相应的市场月度收益率。
首先对样本中所有企业的BHAR数据进行剔除异常数据，通过散点图分析，可以得出华胜天成、易华录、航天信息、川大智胜4家企业的BHAR数据明显异于其他样本企业，因而在分析中将其剔除，剩下104个企业数据。具体过程见图2。
原始计算数据散点图
剔除异常点后的散点图
图2 后市表现散点图
(二)具体指标对后市表现影响分析
按照上述方法处理数据，获得全样本企业的BHAR，其均值为11.75％，也就是TMT和互联网企业在首发后的后市表现是明显优于市场水平的，此结果和很多主流研究结果相反，主流结果大部分都是证明了IPO的长期弱势，从而可以看到分行业研究的重要性。
第一，业务模式指标上，对样本主营业务占比进行从低到高排序，对在中值处进行划分，再求其均值，而且对其均值的差异性进行T值检验，得到表3。可以看出，主营业务占比对该行业的后市表现能产生显著的影响，主营业务占比相对低的该行业企业获得了高于市场24.16％的优异表现，而主营业务占比相对高的该行业企业表现却输给大市。
第二，规模效应指标上，处理和业务模式指标处理相似，也做了排序区分。结果显示子公司更多的企业后市表现更为优异，但是从T值检验来看，前50％和后50％的均值差异不显著，所以规模效应指标对后市表现的影响并不显著。
第三，企业治理指标上的处理更为复杂。因为从上一部分知道，家族企业指标只对第一、二层级企业影响显著，而风险资本入股指标只对第三层级的企业影响显著，故检验后市表现的时候，家族企业指标的数据样本只选择第一和第二层级的企业，风险资本入股指标的数据样本则只选择第三层级的企业。从下面的结果看来，家族企业的后市表现超越市场收益29.69％，也远优于非家族TMT和互联网企业的6.63％，差异显著。风险资本入股方面，没有风险资本的TMT和互联网企业表现高于大市27.65％，也显著优于没有风险资本入股的。
第四，科研技术水平指标上，三个指标的处理和上面的业务模式、规模效应指标处理是相似的，先是从低到高进行排序然后在中值处进行划分，其BHAR差异如表6所示。除了科研人员比例对后市影响有显著差异外，其他两个科研技术指标对后市影响并不显著。科研人员比例高的企业会超越市场20.06％的收益，但其和科研人员比例低的企业差异显著性不是很强。
(三)实证结果分析
把后市表现的实证结果和IPO估值的实证结果进行对比，可以发现，两者存在一定的一致性，而这个一致性主要从TMT和互联网行业的竞争特性和我国总体技术水平来解释。
首先是业务模式上，投资者在估值阶段会给倾向于多元化的模式给予更高估值，同时后市阶段，倾向于多元化模式的企业股票表现会更好。TMT和互联网行业的第一层级企业面对的市场需求有限，同时第二层级受到电信运营商的垄断挤压，故这两个层级的市场份额竞争尤为激烈；第三层级企业具有一定的需求创造功能，竞争局面存在却不如第一、二层级激烈。在这种竞争激烈的市场里面，业务多元化可以一定程度弥补在竞争力不足时的收入减少，从而保证企业的业绩。
按照波特五力模型，规模效应能形成一定的进入障碍。但是在实证中发现，估值上规模效应产生了负效用，也就是投资者并不认同规模效应在我国的竞争阻碍作用。在我国具有规模效应的主要是央企、国企(本数据样本也是如此)，而他们的业绩、管理水平大部分都不如人意，从而规模效应产生的竞争优势反而逐渐不被我国投资者认同。在后市表现方面，规模效应变量更是没有产生收益上的差异。
在企业治理理论中，家族企业由于过于集权，往往存在很多缺点。但是在本文的实证结果发现，第一、二层级的TMT和互联网企业的家族属性提高了企业估值，也推高了企业后市表现。因为该行业的第一、二层级的市场竞争最为激烈，过于激进的企业决策是增加了投资风险，而家族式管理下的保守型决策会让企业在激烈竞争的市场中更具生存力。第三层级是最接近消费者的层级，可称之为最“草根”的层级。这一层级的企业往往通过开发各种创新软件或者平台创业，具有一定的需求创造功能，也是最容易找到风险投资的行业。但从结果看来，风险资本入股会使得这些企业的估值下降，同时，后市表现也不如人意，从现实情况分析，这个现象主要和我国风险资本的习惯做法相关。我国的风险投资往往存在急于套现的现象，会在企业上市后短期内进行撤资，使得股价出现下跌，所以投资者对风险资本入股的企业都会预期出现股价“跳水”，投资这类企业应充分考虑上述情况。
最后，科研技术水平指标上，前期IPO估值和后市表现的两类实证结果都颇为意外，因为根据波特五力模型，在TMT和互联网这种高新技术的行业中，科研技术水平应该是一种很关键的竞争力，但实证结果表明我国投资者并不买账。在IPO估值阶段，科研技术指标产生了负效用；在后市阶段，科研指标只有科研人员比例提高了企业的后市表现。解释上述现象，一方面因为我国在TMT和互联网上的总体技术水平较世界先进水平仍有较大差距，即使开发新的技术也只是在模仿追赶，很难形成核心竞争力；另一方面，因为我国知识产权相关法律法规仍有很大提升空间，且行业保护意识薄弱，从而导致开发新技术也不一定能获得投资者的认可，因为投资者会预期技术领先期限很短，技术开发性价比很低。
五、结论与建议
从以上实证分析可以发现，TMT和互联网企业的估值和后市表现受非财务指标影响具有一定的复杂性，但也具有一致性：
第一，业务模式上，该行业多元化经营的企业会获得更好的估值，而且主要表现在第一层级的企业上。多元化会推动该行业企业有更好的后市表现，多元化模式能补充激烈市场竞争下的业绩不足，符合这个行业的生存特性。
第二，规模效应上，此效应对三个层级的企业影响都是显著的负效应，因为规模经济主要出现在拥有国家背景的企业上，使得我国投资者对这个效应并不认同。而且在后市上，该效应的影响更是非显著的。
第三，企业治理上，TMT和互联网行业第一、二层级的企业具有家族属性会有更高的估值和后市表现，主要因为第一、二层级市场竞争最为激烈，家族企业的保守性决策更具生存力。第三层级的企业没有风险资本入股估值会更高，以及后市表现会更好，这表示风险资本在二级市场并不受欢迎。
第四，科研技术水平对三个层级企业的估值影响不大，甚至对第一层级起了负作用；而后市表现上，这三个指标则出现两个失效，只剩下科研人员比例指标有显著作用。这个结果主要归因于我国的总体技术水平较低和知识产权保护意识较弱。
基于本文的研究，对该行业的资产配置提出以下建议：
首先，投资于该行业要密切关注企业的非财务指标。无论是TMT和互联网企业的估值还是后市表现，都与非财务指标密切相关。股票市场的资源配置往往关心最多的是企业的财务数据，但是企业的股票估值和收益是由整个市场来决定的，投资者不会只根据财务数据而去影响股市，所以只靠企业的财务数据，分析结果很容易出现偏颇。非财务指标是企业盈利的调整指标，也不可忽视。
其次，对非财务指标的作用需要清楚市场的反应。例如在TMT和互联网这类高新技术的行业中，科研能力无疑是很重要的，但是科研指标只是较弱地影响了企业在股市中的估值和后市表现。这违反了多数人的直觉，所以在逻辑存在多个可能性的情况下，后验式看待影响因素会更合理。
再次，从投资者的角度看，科研技术水平并不是驱动TMT和互联网企业股票价值的主要因素。这个结果是由我国的总体行业技术水平和知识产权保护水平的背景决定的，而投资者在这个维度上对股票价值的扭曲源自于技术水平的低下和制度的缺失。所以要纠正这个行业在这个方面的价值，必须推动TMT和互联网核心技术的研发，以及政策上加强知识产权的保护。
最后，企业业务模式、家族企业和风险资本是影响TMT和互联网企业估值和后市表现的关键指。标。从本文的结果可以看到，企业倾向于业务多元化模式，或者企业具有家族属性都会让该行业的企业具有更高估值和更好的后市表现，而风险资本入股的企业则应该注意，其估值和后市表现可能差强人意。
注释：
①本文也做了KMO检验，证明主成分分析是合理的。