自2013年Aileen Lee首提“独角兽”概念,到2014年2月习近平总书记在关于网络安全的会议上讲到,“我国正处在信息化和经济全球化相互促进的浪潮中”,但是存在“自主创新方面相对落后”的问题,2015年李克强总理在《政府工作报告》中制订“互联网+”行动计划,再至2018年,科技部正式规范“独角兽企业”的判定标准。短短六七年的时间,我国独角兽企业获得了跃升式的发展,企业规模和数量都大幅提升,企业数量从2016年131家翻升至2020年底的251家,逐步成为中国新的经济增长点。独角兽企业是指发展迅猛,成立不足10年,却估值超过10亿美元的一类未上市企业,是中国新经济时期下的新支柱,是登上“信息化、创新化”快车的代表。与传统企业相比,它具有无形资产占比重、产业下沉速度快、革新力度大等特点。然而,独角兽的快速发展也伴随着层出不穷的问题阻碍其发展。比如产品同质性高、市场热度持续性低、企业价值波动幅度大等情况,所以,对独角兽企业做出准确的识别及其价值的合理评价有着关键意义。而常见的会计评估价值方法流程复杂、时效性差,跟不上独角兽的变动速度,不利于吸引资本市场和投资者加盟。本文总体目的是将机器学习方法应用于独角兽企业的价值评估上。本文基于天眼查、国家知识产权官方网站等平台收集中国独角兽企业基础信息和经营数据,构建了中国独角兽企业评估的多维度变量。从“静态属性”“动态属性”2个大方面进行维度分解,梳理出静态属性由“基本信息”、“所处环境”2个维度构成;动态属性由6个维度构成:“市场情绪”、“创新能力”、“融资情况”、“负面信息”、“竞争压力”、“发展潜力”,共19个基本指标。然后根据《中国独角兽企业研究报告2021》上全量企业榜单合理地分为4类,建立XGBoost、Light GBM、Cat Boost和Stacking4种分级评估模型。本文选择上述4种算法作为研究工具的主要原因有三个:第一,在独角兽价值评估变量众多的情况下,通过人工处理很难准确预测,而Boosting族算法可以自动迭代实现价值预测。第二,本文研究的数据是高维小样本数据。深度学习模型需要大量的训练数据,因此,擅长处理高维数据的Boosting集成算法与本文的研究非常吻合。第三,Light GBM、Cat Boost算法是目前最前沿的方法。在之前的基础上,提高了计算机的预测精度和计算效率,降低了过拟合的可能性。最终结果上,这4种模型的整体表现比较接近,其中单一模型中Light GBM训练速度最快且准确率最高;Stacking融合模型表现最好,准确率达84.8%。此外,分析特征重要性排名图可以得出,融资金额、专利数、百度指数、竞品数量是模型中的重要指标。因此,可将基于具体指标的创新能力与融资能力的数据视为是独角兽企业评估的关键点。