人工智能企业的EVA价值评估研究--以K企业为例

未来几年内,人工智能产业前景广阔,研究人工智能类企业的估值具有重大意义。 在此背景下,文章通过理论和案例相结合的方式,从人工智能公司特点出发,运用EVA 估值法对人工智能企业进行估值。 本文首先进行理论分析。通过分析传统估值方法可以看出,基于EVA的估值方法 更具有适用性,符合人工智能企业的特点。由此,本文引入EVA估值模型并对人工智 能企业的EVA估值模型进行构建。结合人工智能企业的特点,对会计科目进行调整, 确定了EVA模型中的各个参数。在模型的选择上,选取两阶段模型,符合人工智能企 业的发展特点。最后,本文结合实际案例研究,对人工智能企业K公司进行实证研究, 验证模型的合理性和适用性。在案例研究中,通过调整不同会计因素确定EVA模型的 各个参数,依据EVA估值模型计算出K企业在高速增长期和稳定发展期的EVA值, 最终评估出企业的价值,并对其结果的误差率进行了分析,得出EVA价值评估模型在 评估人工智能企业具有有效性。 评估结果分析可以看出,EVA法对人工智能企业估值是适用的,EVA会计项调整 是在充分考虑人工智能企业特点的基础上,以该估值结果为参考有利于人工智一FJ匕I一-]"业 良性发展,对管理者进行价值管理、公司制定商业融资计划以及投资者进行投资决策 具有参考价值,同时为经济增加值法在人工智能行业的应用提供了模型参照。本文有 一定研究意义,一是文章对EVA估值法进行系统的理论梳理,便于今后研究;二是文 章中EVA会计项调整是在充分考虑人工智能企业特点的基础上,有一定的针对性与 参考价值;三是文中通过案例分析,丰富了此类价值评估方法实际情况中的运用。

  • 2021-06-29
  • 阅读176
  • 下载0
  • 58页
  • pdf

大数据背景下的桥梁结构健康监测研究现状与展望-

结构健康监测(SHM)技术在许多大型桥梁的运营养护管理中均有应用,但已有监测系统积累的海量数据并未被充分解读。为将大数据技术引入到桥梁 SHM 数据的处理分析中,首先总结大数据的概念和构成要素;然后分析SHM 数据的工业大数据属性,梳理桥梁SHM 大数据的研究方向;随后综述包括处理技术和分析方法在内的大数据技术在桥梁SHM 中的应用现状,在由数据预处理、数据融合、特征工程、模式识别、可视化构成的大数据分析流程中提出 SHM 大数据研究的需求和应用场景;最后对大数据技术在桥梁SHM 中的前景与驱动力进行展望和讨论。结果表明:SHM 大数据研究应以结构状态评估为落脚点;大数据处理技术在SHM 的系统框架搭建及数据分析能力扩展方面虽已得到较多应用,但其并非 SHM 大数据研究的重点;SHM 数据融合对大数据分析方法有迫切需求,以实现桥梁 SHM 数据与外观检测等多源异构数据的多层面融合;深 度 学习、集成学习为结构状态敏感特征的提取提供了新的算法;有监督、无监督机器学习方法结合海量SHM 数据将对结构状态评估下的模式识别问题形成更全面的认知;异常识别、相关分析、迁移学习等方法可为实桥SHM 损伤识别提供支撑。研究结果可为SHM 领域的大数据研究提供参考。

  • 2021-06-25
  • 阅读176
  • 下载0
  • 20页
  • pdf