JP4710011B2

JP4710011B2 - 企業価値分析装置及び企業価値分析方法

Info

Publication number: JP4710011B2
Application number: JP2005372746A
Authority: JP
Inventors: 智晴長尾; 依里岡田; 恵右松本; 裕亮南; 慎太郎荻野
Original assignee: Yokohama National University NUC
Current assignee: Yokohama National University NUC
Priority date: 2005-01-05
Filing date: 2005-12-26
Publication date: 2011-06-29
Anticipated expiration: 2025-12-26
Also published as: JP2006216019A

Description

本発明は、企業価値の源泉にかかわるバリュー・チェーンと企業価値を定量的に評価するバリュー・チェーンと企業価値分析装置に係り、「企業の見えない価値」を評価要素に加えて、企業価値の源泉とそれにかかわるバリュー・チェーンを見出し予測が正確な企業評価を行なう技術に関する。

投資家の立場から企業の投資価値を定量的に評価する試みは、数多く行なわれている。例えば、特開２００３−２１６７１８の「株式時価総額構成要素分析機能を備えた企業価値分析システム」には、株式時価総額を構成する形成要因を明らかにすることを課題とする技術が開示されている。

このような企業の評価において、近年バランスシート上の株主資本と株価時価総額が乖離する傾向が顕著になっており、その要因として「見えない価値」の評価の不完全性が指摘されている。無形の価値を評価する例としては、例えば特開２００３−１８７０５２の「企業価値評価システム」には、ブランド・イメージがもたらす経済効果に着目し、企業ブランドの価値を評価するモデルが示されている。しかし、従来の技術は、必ずしも企業の競争力を十分に評価しているとはいえない。そのため、企業の強みとして将来的に価値を生み出す源泉を有する企業であっても、適正な評価を受けることができず、健全な企業活動を阻害される恐れがある。

一方、知的財産権を評価する手法も提案されている。例えば、特開２００４−１５２０９３の「知的財産権評価装置及び知的財産権評価プログラム」には、知的財産権の価値を客観的に評価することを課題とする技術が開示されている。このような例で評価対象となる知的財産権は、企業の競争力を構成する要因であるが、知的財産を活用しながら企業価値を生み出す源泉を示すものではない。

特開２００４−３４８１７０のように、企業が将来的にイノベーションを生み出す潜在力を指数化するとともに、企業価値の源泉としての技術革新力を知識経営と結び付けて企業価値を推定する手法もある。この方法は、指数化とともに企業価値の源泉を示しているが、ただし、企業のバリュー・チェーンを示すことを必ずしも意図していない。
特開２００３−２１６７１８号公報特開２００３−１８７０５２号公報特開２００４−１５２０９３号公報特開２００４−３４８１７０号公報

本発明は上述の問題を解決するものであって、企業として戦略的に研究開発の方向性を見定め、組織的に知的財産を生み出し、それを活用してイノベーションを企業価値や投資価値に結びつけるバリュー・チェーンを見出しながら企業価値ないし投資価値を推定することを課題とする。

本発明に係るバリュー・チェーンと企業価値分析装置は、以下の要素を有することを特徴とする
（１）学習対象企業の企業情報データから抽出された特徴量データを入力し、当該学習対象企業の投資価値を出力するように、学習用神経回路網を誤差逆伝播法で学習させて得られた結合荷重を記憶した評価用結合荷重データ記憶部
（２）評価対象企業の企業情報データから特徴量データを抽出する特徴量抽出部
（３）学習用神経回路網と同様の構成を有し、評価対象企業の特徴量データを入力し、評価用結合荷重データ記憶部に記憶した結合荷重に従って神経回路網演算処理を行い、処理結果として評価対象企業のバリュー・チェーンと投資価値評価予測結果を出力する評価用神経回路網。

特徴量データは、他のデータと結合することにより企業の組織力に係る指標を形成する指標として、在庫回転率、従業員数、及び有形固定資産を含み、他のデータと結合することにより技術ストックと革新に係る指標を形成する指標として、過去２期研究開発費、研究開発成長性、累積特許取得件数、研究開発効率、及び直近研究開発投資を含み、他のデータと結合することにより財務による規律に係る指標を形成する指標として、税・資本コスト控除後の残余利益及び有利子負債を含むことを特徴とする。

本発明に係るバリュー・チェーンと企業価値分析方法は、学習対象企業の企業情報データから抽出された特徴量データを入力し、当該学習対象企業の投資価値を出力するように、学習用神経回路網を誤差逆伝播法で学習させて得られた結合荷重を記憶した評価用結合荷重データ記憶部と、学習用神経回路網と同様の構成を有する評価用神経回路網とを備えるバリュー・チェーンと企業価値分析装置となるコンピュータによるバリュー・チェーンと企業価値分析方法であって、以下の要素を有することを特徴とする
（１）評価対象企業の企業情報データから特徴量データを抽出する特徴量抽出処理工程
（２）評価用神経回路網により、評価対象企業の特徴量データを入力し、処理結果として評価対象企業のバリュー・チェーンと投資価値評価予測結果を出力するように、評価用結合荷重データ記憶部に記憶した結合荷重に従って行なう神経回路網演算処理工程。

本発明によれば、企業として戦略的に研究開発の方向性を見定め、組織的に知的財産を生み出し、それを活用してイノベーションを生み出すプロセスを検証しバリュー・チェーンを見出しながら企業価値ないし投資価値を得ることができる。本発明により個々の企業のが自己の企業価値の源泉と価値の連鎖を知りかつ予測することにより革新が促進されるとともに、経済全体の活性化と効率化を図ることに貢献する。

実施の形態１．
図１は、バリュー・チェーンと企業価値分析装置の構成を示す図である。バリュー・チェーンと企業価値分析装置は、特徴量抽出部１０１、企業情報データベース１０２、投資価値算出部１０３、企業価値学習部１０４、及び企業価値評価部１０５を有している。

企業情報データベース１０２は、各企業の財務諸表、公開情報、特許権利化情報、株価などが過去分を含めて記憶している。

投資価値算出部１０３は、学習のフェーズに学習対象企業群の投資価値を算出するように構成されている。処理手順について説明する。企業情報データベース１０２から当該企業の資本金と発行株式数と株価を取得する。次に、株価に発行株式数を乗じて株価時価総額を算出する。最後に、株価時価総額から資本金を差し引いて、差として投資価値を得る。

特徴量抽出部１０１は、学習のフェーズでは、学習対象企業群の企業情報データから特徴量データを抽出し、評価のフェーズでは、評価対象企業の企業情報データから特徴量データを抽出するように構成されている。

この例では、特徴量として、在庫回転率、従業員数、有形固定資産、過去２期研究開発費、研究開発成長性、累積特許取得件数、研究開発効率、直近研究開発投資、残余利益、及び有利子負債を用いる。

上述の特徴量のうち、在庫回転率、従業員数、及び有形固定資産は、他のデータと結合することにより「企業の組織力」に係る指標を形成する指標に相当する。在庫回転率は、他のデータと結合することにより「組織を活かす外部知」を形成する指標に相当し、従業員数は、他のデータと結合することにより「人を活かす組織力」を形成する指標に相当し、有形固定資産は、他のデータと結合することにより「設備を活かす組織力」ないし「省設備型経営」を形成する指標に相当する。

また、過去２期研究開発費、研究開発成長性、直近累積特許権利化件数、研究開発効率、及び直近研究開発投資は、他のデータと結合することにより「技術ストックと革新」に係る指標を形成する指標に相当する。過去２期研究開発費は、他のデータと結合することにより「革新のキャパシティ」の指標を形成する指標に相当し、研究開発成長性は、「技術成長力」の指標に相当し、直近累積特許権利化件数は、他のデータと結合することにより「知財創出力」の指標を形成する指標に相当し、研究開発効率は、「開発の効率性」の指標に相当し、直近研究開発投資は、「技術投資と期待」の指標に相当する。

そして、残余利益及び有利子負債は、他のデータと結合することにより「財務による規律」に係る指標を形成する指標に相当する。残余利益は、「財務成果と期待」の指標に相当し、有利子負債は、「負債による規律」の指標に相当する。

上記特徴量を求める特徴量抽出部１０１の処理について説明する。図２は、特徴量抽出処理のフローを示す図である。

在庫回転率取得処理（Ｓ２０１）では、企業情報データベース１０２から当該企業の在庫回転率を読み込む。従業員数取得処理（Ｓ２０２）では、企業情報データベース１０２から当該企業の従業員数を読み込む。有形固定資産取得処理（Ｓ２０３）では、企業情報データベース１０２から当該企業の有形固定資産を読み込む。

過去２期研究開発費算出処理（Ｓ２０４）では、企業情報データベース１０２から過去２期分の研究開発費を読み込み、合算し、和として過去２期研究開発費を得る。研究開発成長性算出処理（Ｓ２０５）は、企業情報データベース１０２から研究開発成長性を読み込む。累積特許取得件数取得処理（Ｓ２０６）では、企業情報データベース１０２から累積特許取得件数を読み込む。研究開発効率算出処理（Ｓ２０７）では、企業情報データベース１０２から過去分のすべての累積研究開発費を読み込み、合算し、和として過去累積研究開発費を得る。更に、企業情報データベース１０２から営業利益を読み込み、営業利益を過去累積研究開発費で除して、商として研究開発効率を得る。直近研究開発投資取得処理（Ｓ２０８）では、直近の期の研究開発費を読み込む。

残余利益取得処理（Ｓ２０９）では、企業情報データベース１０２から残余利益を読み込み、有利子負債取得処理（Ｓ２１０）では、企業情報データベース１０２から有利子負債を読み込む。

企業価値学習部１０４は、学習対象企業の特徴量を入力し、当該企業の投資価値を出力するように、神経回路網を誤差逆伝播法に基づいて学習するように構成されている。これによる神経回路網中の神経細胞ユニット間の結合荷重を最適化する。

図３は、企業価値学習部の構成を示す図である。企業価値学習部１０４は、学習用神経回路網３０１と学習用結合荷重データ記憶部３０２を有している。学習用神経回路網３０１は、各特徴量に対応する入力端子と、投資価値の出力端子を有する多層構造ニューラルネットワークであって、図４に示す企業価値評価部１０５の評価用神経回路網４０１と同じ構造を有している。入力端子を備えた入力ユニット、出力端子を備えた出力ユニット、入力ユニットと出力ユニットの中間に位置する層を構成する中間ユニットから構成されている。学習用結合荷重データ記憶部３０２は、各ユニット間のリンクの重みを、結合荷重として記憶するように構成され、学習した結果の結合荷重データを蓄えるように構成されている。

図４は、企業価値評価部の構成を示す図である。企業価値評価部１０５は、評価用神経回路網４０１と評価用結合荷重データ記憶部４０２を有している。評価用神経回路網４０１は、前述の通り企業価値学習部１０４の学習用神経回路網３０１と同じ構成であり、企業価値評価部１０５は、評価対象企業の特徴量を入力し、企業価値学習部１０４で最適化された結合荷重に従って、神経回路網演算処理を行い、演算結果として当該企業のバリュー・チェーンを特定化した上で投資価値を評価した結果を出力するように構成されている。

続いて、学習フェーズと評価フェーズからなる処理手順について説明する。

まず、学習のフェーズでは、複数の学習対象企業について、特徴量抽出部１０１による特徴量抽出処理と、投資価値算出部１０３による投資価値算出処理と、企業価値学習部１０４による企業価値学習処理を繰り返すループ処理を行なう。特徴量抽出処理では、学習対象企業の企業情報データを企業情報データベース１０２から取得し、図２の処理フローに従って特徴量を抽出する。投資価値算出処理では、前述のように学習対象企業の投資価値を算出する。企業価値学習処理では、学習対象企業の特徴量を入力し、当該企業の投資価値を出力するように、神経回路網を誤差逆伝播法に基づいて学習し、神経回路網中の神経細胞ユニット間の結合荷重を最適化する。

すべての学習対象企業について特徴量抽出処理と投資価値算出処理と企業価値学習処理を行なった時点でループ処理を終了し、結合荷重データ複製部（図示せず）による結合荷重データ複製処理を行なう。この処理では、学習用結合荷重データ記憶部３０２に蓄積した結合荷重データを読み出し、評価用結合荷重データ記憶部４０２に書き込む。つまり、結合荷重データを複製する。

評価のフェーズでは、指定された評価対象企業について特徴量抽出部１０１による特徴量抽出処理と企業価値評価部１０５による企業価値評価処理を行なう。特徴量抽出処理では、評価対象企業の企業情報データを企業情報データベース１０２から取得し、図２の処理フローに従って特徴量を抽出する。企業価値評価処理は、評価対象企業の特徴量を入力し、企業価値学習部１０４で最適化された結合荷重に従って、神経回路網演算処理を行い、バリュー・チェーンを可視化するとともに演算結果として当該企業の投資価値を評価予測した結果を出力する。

以下、実験結果について説明する。この実験では、企業を分野とレベルによりカテゴリーに分け、カテゴリーごとに学習と評価を行なった。分野としては、化学分野、自動車分野、電気機器分野を選択し、レベルとして、一般的に優良企業と認識されている上位レベルと、その他の普通レベルに分けた。

図５から図１０に各カテゴリーにおける学習結果の結合荷重を図示する。図５は、化学分野の普通レベル企業（４７社）を学習対象とした結合荷重を示し、図６は、自動車分野の普通レベル企業（１８社）を学習対象とした結合荷重を示し、図７は、電気機器分野の普通レベル企業（６４社）を学習対象とした結合荷重を示し、図８は、化学分野の上位レベル企業（９社）を学習対象とした結合荷重を示し、図９は、自動車分野の上位レベル企業（４社）を学習対象とした結合荷重を示し、図１０は、電気機器分野の上位レベル企業（１５社）を学習対象とした結合荷重を示している。

実線は、正の相関を示し、点線は、負の相関を示している。また、線の太さは、結合の強弱を示している。

図１１に、各ユニットの重要度の一覧に示す。二重丸が、重要なユニットを示し、丸が、やや重要なユニットを示している。これらを分析すると、企業が、自社のもつ価値の源泉ないし自社の強みがいかにして他の指標と連鎖をしながら企業価値ないし投資価値へと導かれるかが読み取られる。

以下、同業種内の上位レベルと普通レベルの比較結果を示す。
１．化学分野
１−１普通レベル組織力に合わさって財務による規律が企業価値に結びつく。
１−２上位レベル研究開発と特許権利化と財務による規律により企業価値に結びつく。
２．自動車分野
２−１普通レベル研究開発の蓄積が残余利益と結びついて企業価値に結びつく。
２−２上位レベル研究開発と特許権利化のアグレッシブさにより企業価値に結びつく。
３．電気機器分野
３−１普通レベル「組織力」と特許権利化の結びつきにより企業価値に結びつく。
３−２上位レベル「組織力」「技術ストックと革新」「財務による規律」の結びつきにより企業価値に結びつく。

以下、業種間で見た場合を示す。
１．化学分野
１−１普通レベル研究開発・特許権利化を収益性に結びつける力が重要である。
１−２上位レベル各項目の質が重要である。
２．自動車分野
２−１普通レベル研究開発と残余利益ならびに組織力の結びつきが重要である。
２−２上位レベル研究開発と特許権利化が財務による規律と結びつくことが重要である。
３．電気機器分野
３−１普通レベル組織力と効率が重視である。
３−２上位レベル研究開発の効率を戦略的に行なうことが重要である。

最後に、図１２から２０に、図各カテゴリーにおける投資価値予測結果を示す。評価企業を、学習対象企業と、学習対象企業以外の予測対象企業に分けて図示する。図１２は、化学分野の普通レベルの学習対象企業（４７社）について推定した投資価値予測結果を示し、図１３は、化学分野の普通レベルの予測対象企業（４６社）について推定した投資価値予測結果を示し、図１４は、自動車分野の普通レベルの学習対象企業（１８社）について推定した投資価値予測結果を示し、図１５は、自動車分野の普通レベルの予測対象企業（１８社）について推定した投資価値予測結果を示し、図１６は、電気機器分野の普通レベルの学習対象企業（６４社）について推定した投資価値予測結果を示し、図１７は、電気機器分野の普通レベルの予測対象企業（６３社）について推定した投資価値予測結果を示し、図１８は、化学分野の上位レベルの学習対象企業（１０社）と予測対象企業（１社）について評価した投資価値予測結果を示し、図１９は、自動車分野の上位レベルの学習対象企業（４社）と予測対象企業（１社）について推定した投資価値予測結果を示し、図２０は、電気機器分野の上位レベルの学習対象企業（１５社）と予測対象企業（１社）について評価した投資価値予測結果を示す図である。

これらの図は、評価対象企業毎に、投資価値評価部１０５により求めた投資価値予測結果と投資価値算出部１０３で算出した場合の投資価値の差異を比で表している。

企業価値分析装置は、コンピュータであり、各要素はプログラムにより処理を実行することができる。また、プログラムを記憶媒体に記憶させ、記憶媒体からコンピュータに読み取られるようにすることができる。

バリュー・チェーンと企業価値分析装置の構成を示す図である。特徴量抽出処理のフローを示す図である。企業価値学習部の構成を示す図である。企業価値評価部の構成を示す図である。化学分野の普通レベル企業を学習対象とした結合荷重と価値の連鎖を示す図である。自動車分野の普通レベル企業を学習対象とした結合荷重と価値の連鎖を示す図である。電気機器分野の普通レベル企業を学習対象とした結合荷重と価値の連鎖を示す図である。化学分野の上位レベル企業を学習対象とした結合荷重と価値の連鎖を示す図である。自動車分野の上位レベル企業を学習対象とした結合荷重と価値の連鎖を示す図である。電気機器分野の上位レベル企業を学習対象とした結合荷重と価値の連鎖を示す図である。各ユニットの重要度の一覧を示す図である。化学分野の普通レベルの学習対象企業について推定した投資価値評価予測結果を示す図である。化学分野の普通レベルの予測対象企業について評価した投資価値評価予測結果を示す図である。自動車分野の普通レベルの学習対象企業について評価した投資価値評価予測結果を示す図である。自動車分野の普通レベルの予測対象企業について評価した投資価値評価予測結果を示す図である。電気機器分野の普通レベルの学習対象企業について評価した投資価値評価予測結果を示す図である。電気機器分野の普通レベルの予測対象企業について評価した投資価値評価予測結果を示す図である。化学分野の上位レベルの学習対象企業と予測対象企業について評価した投資価値評価予測結果を示す図である。自動車分野の上位レベルの学習対象企業と予測対象企業について評価した投資価値評価予測結果を示す図である。電気機器分野の上位レベルの学習対象企業と予測対象企業について評価した投資価値評価予測結果を示す図である。

符号の説明

１０１特徴量抽出部、１０２企業情報データベース、１０３投資価値算出部、１０４企業価値学習部、１０５企業価値評価部、３０１学習用神経回路網、３０２学習用結合荷重データ記憶部、４０１評価用神経回路網、４０２評価用結合荷重データ記憶部。

Claims

以下の要素を有することを特徴とする企業価値分析装置
（１）学習対象企業の営業利益を過去分の累積研究開発費の和である過去累積研究開発費で除した研究開発効率を含む特徴量データを入力し、当該学習対象企業の株価に発行株式数を乗じた時価株式総額から資本金を差し引いた投資価値を出力するように、学習用神経回路網を誤差逆伝播法で学習させて得られた結合荷重を記憶した評価用結合荷重データ記憶部
（２）評価対象企業の営業利益と過去分の累積研究開発費を含む企業情報データから、過去分の累積研究開発費を合算して過去累積研究開発費を求め、営業利益を過去累積研究開発費で除した研究開発効率を求め、少なくとも研究開発効率を含む特徴量データを抽出する特徴量抽出部
（３）学習用神経回路網と同様の構成を有し、評価対象企業の特徴量データを入力し、評価用結合荷重データ記憶部に記憶した結合荷重に従って神経回路網演算処理を行い、処理結果として評価対象企業の投資価値を出力する評価用神経回路網。
特徴量データは、更に在庫回転率、従業員数、有形固定資産、過去２期研究開発費、研究開発成長性、直近累積特許権利化件数、直近研究開発投資、税・資本コスト控除後の残余利益、及び有利子負債のうち少なくとも１つを含むことを特徴とする請求項１記載の企業価値分析装置。
学習対象企業の営業利益を過去分の累積研究開発費の和である過去累積研究開発費で除した研究開発効率を含む特徴量データを入力し、当該学習対象企業の株価に発行株式数を乗じた時価株式総額から資本金を差し引いた投資価値を出力するように、学習用神経回路網を誤差逆伝播法で学習させて得られた結合荷重を記憶した評価用結合荷重データ記憶部と、学習用神経回路網と同様の構成を有する評価用神経回路網とを備える企業価値分析装置となるコンピュータによる企業価値分析方法であって、以下の要素を有することを特徴とする企業価値分析方法
（１）評価対象企業の営業利益と過去分の累積研究開発費を含む企業情報データから、過去分の累積研究開発費を合算して過去累積研究開発費を求め、営業利益を過去累積研究開発費で除した研究開発効率を求め、少なくとも研究開発効率を含む特徴量データを抽出する特徴量抽出処理工程
（２）評価用神経回路網により、評価対象企業の特徴量データを入力し、処理結果として評価対象企業の投資価値を出力するように、評価用結合荷重データ記憶部に記憶した結合荷重に従って行なう神経回路網演算処理工程。