基于聚类主成分分析法的AI算力企业价值评估研究

Research on AI Arithmetic Enterprise Value Assessment Based on Clustered Principal Component Analysis Method

摘要: 在人工智能(AI)技术迅猛发展的当下，AI算力企业已跃升为各行业创新的核心驱动力。随着AI技术的广泛应用，市场对AI算力的需求激增，驱动众多企业加大投资力度，AI算力市场呈现出蓬勃发展的态势。本文基于2023年20家AI算力企业的数据，综合考虑了财务与非财务因素，从偿债能力、盈利能力、营运能力、成长能力、技术创新能力及竞争能力六大维度出发，构建了一套全面的企业价值评估指标体系。通过运用聚类主成分分析法，本研究对这些企业的价值进行评估。结果显示，我国AI算力企业在经营管理上表现出明显的差异，因此，各企业应结合自身的优势与不足，制定相应的发展战略，以全面提升企业价值。

Abstract: At a time when Artificial Intelligence (AI) technology is developing rapidly, AI arithmetic enterprises have jumped to become the core driving force for innovation in various industries. With the widespread application of AI technology, the market demand for AI arithmetic has surged, driving many enterprises to increase their investment, and the AI arithmetic market has shown a booming trend. Based on the data of 20 AI arithmetic companies in 2023, this paper constructs a comprehensive enterprise value assessment index system from six dimensions, namely, solvency, profitability, operating ability, growth ability, technological innovation ability and competitive ability, taking into account both financial and non-financial factors. By using clustered principal component analysis, this study assesses the value of these enterprises. The results show that China’s AI arithmetic enterprises show obvious differences in operation and management, therefore, each enterprise should combine its own advantages and shortcomings and formulate a corresponding development strategy in order to comprehensively enhance its enterprise value.

1. 引言

在人工智能(AI)技术飞速发展的今天，AI算力企业已经成为推动各行业创新的重要力量。随着AI技术的普及，市场对AI算力的需求迅速增长，促使众多企业加大在这一领域的投入。据统计，2023年全球人工智能市场规模达到1966.3亿美元，预计2024年至2030年将以36.6%的复合年增长率(CAGR)继续增长。这种爆炸式增长不仅表现在市场规模上，也体现在技术创新和应用领域的多样化上。AI算力企业在这一背景下蓬勃发展，成为各大行业实现智能化转型的关键驱动者。

在中国，AI算力市场正呈现出迅猛发展的态势。根据《中国人工智能发展报告2023》，2023年中国AI市场规模达到800亿美元，占全球市场的40%以上。这一增长得益于中国政府的大力支持和政策推动，如《新一代人工智能发展规划》等政策文件的出台，为AI产业的发展提供了良好的政策环境和资金支持。中国已成为全球最大的AI算力市场之一，并在高性能计算、数据中心建设和AI芯片研发等方面取得了重大突破。领先的中国AI企业如百度、腾讯、阿里巴巴，不仅在国内市场占据重要地位，还在全球范围内积极布局AI产业链，提升国际竞争力。

中国的AI算力市场在全球占据重要地位，其应用广泛，涵盖金融、医疗、制造等多个行业。例如，AI在金融行业的风险控制和客户服务方面展现出强大的应用潜力；在医疗领域，AI辅助诊断和健康管理系统也正在逐步普及；在制造业，AI技术的应用提高了生产效率和产品质量。此外，中国在AI芯片和数据中心建设方面也取得了显著进展。华为、中兴等企业在AI芯片研发方面不断突破，推动了AI算力的快速提升；阿里巴巴、腾讯等公司在数据中心建设方面大规模投资，建立了世界领先的云计算基础设施。

本研究构建了基于聚类主成分分析法的AI算力企业价值评估模型，通过聚类识别企业类型，主成分分析提取关键影响因素，以预测企业价值。该模型突破传统方法局限，全面捕捉AI算力企业的复杂特性，为企业价值评估提供新视角，对投资决策、企业管理和政策制定具有重大意义。本研究期望通过推动AI算力企业价值评估领域的理论研究和实践应用，为相关利益主体提供有价值的参考和支持，推动AI算力企业健康发展和产业升级。

2. 文献综述

企业价值评估，作为金融与经济学领域的核心议题，历来受到广泛关注。在评估传统企业价值时，现金流折现模型(DCF)、相对估值法和成本法等传统方法虽具有显著价值，但在面对AI算力企业等高科技、高成长性新兴企业时，这些方法的局限性逐渐显现。Damodaran (2002) [1]在《投资估值：确定任何资产价值的工具和技术》一书中详细探讨了DCF模型的应用及其局限性，特别强调了其在稳定现金流预测中的核心地位。然而，Copeland、Koller和Murrin (2000) [2]的研究揭示，对于高成长性企业，DCF模型常因预测难度和不确定性增加而面临挑战。另一方面，韩国臣(2023) [3]对比分析了绝对估值法、相对估值法和资产基础法的实际应用与适用条件，赵治强等(2024) [4]的研究则进一步探究了EVA-突变级数法在物流企业价值评估中的应用效果，指出了其在某些行业中的优势。在指标模型构建方面，BP神经网络构建价值评估模型。

聚类主成分分析法，这一综合数理分析方法，通过结合聚类分析、主成分分析，为统计学领域提供了强有力的工具。聚类分析通过对样本或指标的分类，实现对大量样本的合理归类，为多元统计分析奠定了重要基础。例如，杨汉明、曾森(2015) [5]运用模糊聚类分析将我国中小板上市公司划分为成长型、成熟型和衰退型三类，并探究不同生命周期企业股权制衡度与企业价值的关系。吴锦涛和何金素(2023) [6]通过因子分析和聚类分析探讨了沪深300指数成分股的企业投资价值。

主成分分析作为另一重要统计方法，通过正交变换将可能存在相关性的变量转换为线性不相关的变量。王红(2019) [7]运用该方法识别企业影响绩效的核心因素，从而有针对性地进行改进。在企业价值评估领域，董议远(2020) [8]发现市场法结合主成分分析法可以提高医药制造企业价值评估的准确性。张晓慧和孔淑慧(2015) [9]进一步通过主成分分析法优化了市场法中可比公司的选择，增强了市场法的可操作性。

综上所述，聚类主成分分析法及其组成部分在企业价值评估中占据重要地位，其合理应用可为企业价值评估提供更为准确、全面的分析框架。本文旨在深入探讨聚类主成分分析法在AI算力企业价值评估中的具体运用及其效果，旨在为相关领域的研究和实践提供新的视角和方法。

3. 基于聚类主成分回归法的AI算力企业价值评估研究

3.1. 聚类主成分分析法简述

聚类主成分分析法是一种整合了聚类分析、主成分分析(PCA)的多元统计方法。该方法旨在处理高维数据集，通过有效信息的提取，提高预测模型的精度和解释性。

在AI算力企业价值评估研究中，聚类分析是关键预处理步骤，通过分析相似企业，揭示价值评估的内在模式。这些群组反映了企业在技术、市场、盈利等方面的特性。这些分类帮助研究者理解价值差异，并深入分析不同群体。聚类结果为综合评估提供重要参考，进一步通过主成分和回归分析，构建更准确的AI算力企业价值评估模型。

在评估企业价值时，市场法估值模型使用一个或多个价值乘数，并加权其评价结果以得出合理值。但选择乘数时存在主观性，且单一或多个乘数可能不足以全面衡量价值。主成分分析通过简化多个指标，筛选出三到五个价值乘数，这些乘数能保留原始信息80%以上，更全面地评估企业价值，同时减少主观性的影响。在聚类的基础上，利用主成分分析技术来减少数据维度并消除多重共线性。PCA通过线性变换将原始变量转换为少数几个互不相关的主成分，这些主成分能够最大程度地保留原始数据的方差信息。数学模型描述如下：

$X_i={\alpha }_{i1}{F}_1+{\alpha }_{i2}{F}_2+\cdots +{\alpha }_{im}{F}_m+{ϵ}_i$

其中，$X_i$ 表示第$i$ 个原始变量，$F_j$ 表示第$j$ 个主成分，${\alpha }_{ij}$ 表示第$i$ 个变量在第$j$ 个主成分上的载荷，${ϵ}_i$ 表示误差项。

聚类主成分分析法的具体实施步骤如下：

1) 聚类分析：对样本数据进行聚类分析，将数据划分为若干具有相似特征的群组。

2) 主成分分析：接着，对每一群组内的变量进行主成分分析，提取出能够代表群组特征的主成分，以减少数据维度和消除多重共线性。

3) 企业价值评估：最后，利用提取的主成分作为自变量，建立企业价值评估模型。

3.2. 评价指标变量选取

AI算力企业的核心竞争力在于其科技创新能力，这对其价值评估至关重要。曹梦蝶和林东杰(2021) [10]研究了科创板人工智能企业的价值评估，探讨了在特定板块上市的高科技企业价值评估的特殊考虑因素。杨沛(2024) [11]以东方精工为例，研究了智能制造企业的财务战略评价及优化。展示了财务战略在提升智能制造企业价值中的重要性。陈希颖和骆公志(2024) [12]的研究则结合了DCF与B-S定价模型，针对人工智能企业进行了价值评估。他们的方法考虑了企业未来现金流的不确定性和知识产权的期权特性，为高风险高科技企业的估值提供了新的视角。

为了准确反映AI算力企业科技创新产生的经济成果，价值评估必须能够捕捉其科技属性的独特价值。因此，本文基于AI算力企业的特性，综合考虑财务因素和非财务因素，从偿债能力、盈利能力、营运能力、成长能力、技术创新能力、竞争能力六个方面进行综合考量。选取十个指标，构建企业价值评估指标体系(见表1)。

Table 1. Enterprise valuation indicators

表1. 企业价值评估指标

指标名称	指标衡量	符号定义
偿债能力	保守速动比率	x1
	产权比率	x2
盈利能力	净资产收益率	x3
	总资产报酬率	x4
	营业净利率	x5
营运能力	流动资产周转率	x6
	总资产周转率	x7
成长能力	总资产增长率A	x8
技术创新能力	研发费用占比	x9
竞争能力	无形资产占比	x10

其中企业的偿债能力是衡量其财务稳健性的关键指标。AI算力企业在快速成长的过程中，面临着特有的风险，既包括受市场波动影响的外部风险，也包括可以通过企业偿债能力来评估的内部风险。在评估AI算力企业的偿债能力时，本文选择了两个关键指标：保守速动比率和产权比率。

企业的盈利能力是衡量其财务健康和经营成果的关键指标，通常涵盖三个主要方面：销售利润率、资本回报率和现金流利润率。这些指标客观地反映了企业的经营成效，是评估企业财务和经营状况的依据。本文选用了三个核心指标来评估企业的盈利能力：净资产收益率、总资产报酬率和营业净利率。

营运能力是衡量企业资产使用效率和经营活动有效性的关键指标。在AI算力行业，这一能力尤其受到投资者的关注，因为它不仅影响着企业运营的流畅性，还关系到企业在不同成长阶段的转型效率。为准确表现营运能力，本研究聚焦于两项核心财务指标：流动资产周转率和总资产周转率。

成长能力是评估企业未来发展潜力的重要指标，尤其在技术密集型行业如AI算力领域，这一指标对于投资者和管理者来说尤为关键。在衡量AI算力企业的成长能力时，传统的指标如固定资产增长率和营业利润增长率可能并不适用，因为这些企业在研发和市场推广上的大量前期投资可能会导致短期内这些指标出现负增长。相反，总资产周转率因其能够反映企业市场扩张和销售能力而成为一个更为合适的衡量指标。

在AI算力企业中，竞争力和研发创新能力是其在激烈市场竞争中获得优势的关键因素，它们直接影响企业的市场地位和长期价值。为了提升评估模型的精准度，本文从这两个维度出发，选取了无形资产占比和研发费用占比作为衡量指标。

本文选择的评估基准日为2021年12月31日，以我国深沪A股上市公司中20家AI算力企业作为研究对象，所有数据来源于国泰安数据库2023年上市公司经济数据。

3.3. 描述性统计

脸谱图是用脸谱来表达多元数据的样品，由美国统计学家H∙切尔诺夫于1970年提出。该方法是将观测的n个指标，分别用脸的某一部分的形状或大小来表示，一个样品可以画成一张脸谱。表2是20个AI算力公司的企业价值指标数据。

Table 2. AI arithmetic’s enterprise value metrics data for 2023

表2. 2023年AI算力公司的企业价值指标数据

证券简称	X1	X2	X3	X4	X5	X6	X7	X8	X9	X10
紫光股份	0.747	1.179	0.092	0.052	0.048	1.215	0.886	0.178	0.073	0.047
浪潮信息	1.020	1.632	0.098	0.034	0.027	1.483	1.369	0.169	0.047	0.007
天融信	2.096	0.188	−0.039	−0.035	−0.119	0.691	0.278	−0.064	0.246	0.086
拓维信息	1.092	0.952	0.018	0.013	0.015	0.785	0.597	0.175	0.062	0.048
直真科技	3.478	0.164	0.088	0.071	0.177	0.674	0.425	0.022	0.347	0.048
网宿科技	4.894	0.121	0.062	0.045	0.129	0.822	0.429	0.044	0.102	0.004
东方国信	2.173	0.258	−0.063	−0.061	−0.162	0.624	0.309	−0.045	0.201	0.181
汉得信息	2.768	0.229	−0.005	−0.014	−0.008	0.860	0.500	0.025	0.078	0.136
奥飞数据	0.353	1.784	0.047	0.035	0.109	1.128	0.155	0.233	0.019	0.127
中国联通	0.393	0.852	0.052	0.034	0.050	2.358	0.562	0.028	0.022	0.047
华胜天成	0.812	0.774	−0.041	−0.017	−0.049	0.951	0.475	0.025	0.031	0.062
云赛智联	1.676	0.641	0.048	0.018	0.043	0.810	0.679	0.074	0.071	0.003
宝信软件	1.067	0.810	0.216	0.126	0.202	0.754	0.590	0.118	0.113	0.009
电科数字	0.777	1.410	0.110	0.048	0.052	0.959	0.875	0.021	0.044	0.013
中国移动	0.700	0.493	0.101	0.085	0.131	2.026	0.516	0.030	0.028	0.024
中国电信	0.412	0.869	0.068	0.047	0.060	3.025	0.608	0.035	0.026	0.054
中科曙光	1.980	0.623	0.096	0.066	0.131	0.961	0.454	−0.006	0.092	0.137
澜起科技	19.789	0.048	0.044	0.027	0.197	0.276	0.214	0.001	0.298	0.013
青云科技	0.678	2.473	−0.947	−0.265	−0.507	0.701	0.538	0.040	0.250	0.005
三旺通信	3.797	0.213	0.122	0.115	0.248	0.522	0.407	0.079	0.140	0.017

由上表的数据可以得到20个AI算力上市公司的脸谱图，如图1所示。

Figure 1. AI arithmetic enterprise face map

图1. AI算力企业脸谱图

为了更深入地理解脸谱图的特征，表3详细列出了其各个部位的描述和解释。

Table 3. Explanation of face map parts

表3. 脸谱图部位解释

	脸谱图部位
X1	脸庞高度&头发造型
X2	脸庞宽度&鼻子高度
X3	脸庞轮廓&鼻子宽度
X4	嘴唇高度&耳朵宽度
X5	嘴唇宽度&耳朵高度
X6	笑容曲线
X7	眼睛高度
X8	眼睛宽度
X9	头发高度
X10	头发宽度

3.4. 聚类主成分分析过程

3.4.1. 聚类分析

本文使用肘部法确定聚类分析中最佳聚类数量的结果，如图2显示。横轴表示聚类数量(k)纵轴表示各个聚类数量下的总组内平方和(Total within Sum of Squares, TSS)。可以看出，当k从1增加到10时，TSS迅速下降，但在k = 4后，下降速度明显减缓，形成肘部形状。这表明k = 4是聚类分析中较为理想的聚类数量，因此，选择k = 4有效平衡聚类模型的复杂性和聚类效果。

K-means聚类算法是一种无监督学习技术，通过迭代优化将数据点自动分组为K个簇，确保同一簇内的数据点高度相似，而不同簇间的数据点差异显著。在本研究中，我们对标准化后的数据进行了K-means聚类分析，并将数据划分为4个聚类，每个聚类包含的样本数量分别为4、1、5和10。聚类类别基本情况汇总如下表4。

Figure 2. Elbow method

图2. 肘部法则

Table 4. Summary of basic information on clustering categories

表4. 聚类类别基本情况汇总

聚类类别	频数	组内平方和
cluster_1	4	17.341
cluster_2	1	0.000
cluster_3	5	12.523
cluster_4	10	45.561
合计	20

总组间平方和与总平方和的比率为60.3%。这种聚类结果表明，数据在这四个聚类中的分布合理，各聚类中心之间的差异显著，且组间差异占总差异的较大比例，说明聚类效果较好。

本文运用主成分分析(PCA)技术成功将高维数据缩减至二维平面，以便于直观展示。如图3所示，图中的两个维度(Dim1和Dim2)代表数据投影至前两个主成分后的结果。通过这一图示，我们可清晰地观察到数据点被自然地划分为四个显著不同的聚类，且这些聚类在主成分空间中的分布与我们先前通过肘部法则(Elbow Method)确定的最佳聚类数量相吻合，从而验证了降维及聚类分析的准确性和有效性。

3.4.2. 主成分分析

在进行主成分分析(PCA)之前，需通过适用性测试以确保数据适合分析。常用的测试包括KMO测试和Bartlett球形度检验。本文的检验结果如表5所示。

由表可知，KMO检验显示样本数据总体适用性为0.53，满足大于0.5的要求。Bartlett球形度检验的卡方统计量为158.277 (自由度为45)，p值远小于0.01 (p < 2.22e−16)，表明数据间存在显著相关性。因此，样本数据通过了PCA适用性检验，适合进行主成分分析。

所选样本在通过主成分分析适用性检验后，本文运用R语言对样本数据进行主成分分析，得到的初步结果如表6所示。

Figure 3. Cluster visualization

图3. 聚类可视化

Table 5. KMO and Bartlett’s test

表5. KMO和Bartlett的检验

KMO值		0.53
Bartlett球形度检验	近似卡方	158.277
	自由度	45
	p值	0.000

Table 6. Table of variance explanation ratios

表6. 方差解释率表格

编号	特征根			主成分提取
	特征根	方差解释率%	累积%	特征根	方差解释率%	累积%
Comp.1	1.827	33.392	33.392	1.827	33.392	33.392
Comp.2	1.721	29.616	63.009	1.721	29.616	63.009
Comp.3	1.195	14.274	77.283	1.195	14.274	77.283
Comp.4	0.951	9.043	86.326	0.951	9.043	86.326
Comp.5	0.742	5.507	91.833
Comp.6	0.595	3.541	95.374
Comp.7	0.526	2.768	98.142
Comp.8	0.374	1.399	99.541
Comp.9	0.200	0.399	99.940
Comp.10	0.078	0.060	100.000

方差解释率，又称方差贡献率，是衡量主成分分析法中主成分对原始数据解释程度的重要指标。当方差解释率表格中前m个主成分的累积方差贡献率达到某一阈值(如80%以上)时，通常认为这些主成分已足够代表原始数据的主要信息。

本文根据特征值大于0.8的标准进行了主成分抽取，成功提取了四个主成分来代替原先的十个评估比率指标。这四个主成分的方差贡献率分别为33.39%、29.62%、14.27%和9.04%，累积方差贡献率高达86.33%，即这四个主成分对原始十个评估比率指标的综合解释程度高达86.33%，它们能够非常有效地反映原始数据的核心信息。这四个主成分就是建立企业价值评估模型所需的四个价值乘数。

表7中的每个主成分下的数值称为因子载荷量，反映相应原始指标在该主成分中对原始数据信息的解释程度。根据不同主成分所涵盖信息的不同，可以对本文选取的四个主成分进行命名和定义，以直观体现企业价值评估中价值乘数的内涵。

Table 7. Load factor table

表7. 载荷系数表格

名称	载荷系数
	Comp.1	Comp.2	Comp.3	Comp.4
保守速动比率X1		0.420	0.377
产权比率X2	−0.272	−0.433	0.170	−0.220
净资产收益率X3	0.527
总资产报酬率X4	0.538
营业净利率X5	0.522		0.115
流动资产周转率X6	0.126	−0.338	−0.324	0.536
总资产周转率X7		−0.414	0.290	0.272
总资产增长率X8	0.129	−0.364	0.286	−0.630
研发费用占比X9	−0.208	0.435	0.259
无形资产占比X10		0.133	−0.685	−0.424

在第一主成分中，净资产收益率(X3)、总资产报酬率(X4)、营业净利率(X5)的载荷系数绝对值较大，这些指标主要用于衡量企业的盈利能力，故将第一主成分命名为“盈利因子”，并使用F1表示。

在第二主成分中，保守速动比率(X1)、产权比率(X2)和研发费用占比(X9)的载荷系数绝对值较大，这些指标主要用于衡量企业的偿债能力和技术创新能力，故将第二主成分命名为“偿债与创新因子”，并使用F2表示。

在第三主成分中，载荷量最大的指标为无形资产占比(X10)，这一指标直接反映了企业在创新和技术领域的投入强度。鉴于无形资产占比体现了企业的竞争实力和运营效率，我们将这一主成分命名为“竞争因子”，并用F3表示。

在第四主成分中，流动资产周转率(X6)和总资产增长率(X8)的载荷系数绝对值较大，反映了企业在营运能力和成长方面的能力，故将第四主成分命名为“成长因子”，并使用F4表示。

从载荷系数表中可以看出用四个主成分表示的各个指标变量的表达式，例如：

保守速动比率X1 = 0.420F2 + 0.377F3

产权比率X2 = −0.272F1 − 0.433F2 + 0.170F3 − 0.220F4

Table 8. Matrix of linear combination coefficients

表8. 线性组合系数矩阵

名称	成分
	成分1	成分2	成分3	成分4
保守速动比率X1	0.034	0.244	0.315	0.058
产权比率X2	−0.149	−0.251	0.143	−0.232
净资产收益率X3	0.289	0.017	−0.077	−0.049
总资产报酬率X4	0.294	0.002	0.019	−0.031
营业净利率X5	0.285	0.058	0.096	−0.088
流动资产周转率X6	0.069	−0.196	−0.271	0.563
总资产周转率X7	0.033	−0.241	0.242	0.286
总资产增长率X8	0.071	−0.212	0.240	−0.662
研发费用占比X9	−0.114	0.253	0.216	0.030
无形资产占比X10	−0.031	0.077	−0.573	−0.446

由表8，我们可以得出

$\text{F}1=0.034\text{X}1-0.149\text{X}2+0.289\text{X}3+0.294\text{X}4+0.285\text{X}5+0.069\text{X}6+0.033\text{X}7+0.071\text{X}8-0.114\text{X}9-0.031\text{X}10$

$\text{F}2=0.244\text{X}1-0.251\text{X}2+0.017\text{X}3+0.002\text{X}4+0.058\text{X}5-0.196\text{X}6-0.241\text{X}7-0.212\text{X}8+0.253\text{X}9+0.077\text{X}10$

$\text{F}3=0.315\text{X}1+0.143\text{X}2-0.077\text{X}3+0.019\text{X}4+0.096\text{X}5-0.271\text{X}6+0.242\text{X}7+0.240\text{X}8+0.216\text{X}9-0.573\text{X}10$

$\text{F}4=0.058\text{X}1-0.232\text{X}2-0.049\text{X}3-0.031\text{X}4-0.088\text{X}5+0.563\text{X}6+0.286\text{X}7-0.662\text{X}8+0.030\text{X}9-0.446\text{X}10$

3.4.3. 企业价值评估

将标准化的原始数据分别代入主成分得分函数中，求出F1、F2、F3、F4；再使用各成分对应的方差贡献率进行加权运算，从而得到各样本公司的企业价值评估得分Value。计算方法如下：

$\text{Value}=\frac{33.392}{86.326}\ast \text{F}1+\frac{29.616}{86.326}\ast \text{F}2+\frac{14.274}{86.326F}\ast \text{F}3+\frac{9.043}{86.326}\ast \text{F}4$

根据Value公式，本文对样本公司的各主成分得分和综合得分进行了精确计算。这些得分直接反映了公司的企业价值，其中得分越高，表示公司企业价值越高。根据得分的高低对样本公司进行了排序，形成了企业价值评估排名的列表，详情请参见表9。

从表格数据中，我们可以观察到澜起科技在四个关键主成分上的表现尤为突出。特别是“盈利因子”(F1)和“偿债与创新因子”(F2)得分显著，这明确显示出澜起科技不仅盈利能力出众，而且拥有稳健的偿债能力和显著的技术创新能力。这些优势共同铸就了澜起科技强大的竞争实力，并为其带来了良好的营运和成长前景。因此，澜起科技的企业价值(Value)得分高居榜首，达到3.111，充分证明了其卓越的整体企业价值。

网宿科技、三旺通信和直真科技在盈利和偿债能力方面表现尚可，但在“竞争因子”和可能涉及的“营运与成长因子”上得分偏低，这提示它们在未来需要进一步提升在市场竞争中的表现以及优化其营运策略和成长策略。

中国移动虽然在盈利能力方面表现一般，但其在营运和成长方面的得分较高，表明该公司具有巨大的成长潜力。

Table 9. AI arithmetic enterprise value assessment

表9. AI算力企业价值评估

证券简称	F1	F2	F3	F4	Value
澜起科技	0.734	4.800	6.291	1.335	3.111
网宿科技	0.279	0.925	1.479	0.797	0.753
三旺通信	0.276	0.709	1.239	0.494	0.607
直真科技	0.212	0.672	1.104	0.617	0.559
汉得信息	0.117	0.353	0.737	0.661	0.357
天融信	0.009	0.336	0.547	0.571	0.269
东方国信	−0.025	0.332	0.544	0.480	0.245
中科曙光	0.125	0.073	0.508	0.569	0.217
云赛智联	0.069	−0.068	0.597	0.544	0.159
宝信软件	0.139	−0.213	0.443	0.356	0.091
中国移动	0.197	−0.462	−0.128	1.165	0.018
拓维信息	−0.014	−0.287	0.440	0.317	0.002
华胜天成	−0.041	−0.293	0.199	0.502	−0.031
紫光股份	0.021	−0.577	0.319	0.560	−0.078
电科数字	−0.032	−0.551	0.403	0.478	−0.084
浪潮信息	−0.008	−0.801	0.526	0.785	−0.109
中国联通	0.105	−0.708	−0.271	1.266	−0.115
中国电信	0.162	−0.849	−0.434	1.643	−0.128
奥飞数据	−0.106	−0.648	0.093	0.063	−0.241
青云科技	−0.801	−0.713	0.588	0.092	−0.448

中国联通、中国电信、奥飞数据和青云科技在盈利、偿债以及技术创新等方面得分偏低，这反映出它们在这些关键领域需要投入更多的资源和努力来改进。

综上所述，澜起科技凭借其全面的优势，展现出强大的企业价值。而其他公司则应根据自身在各项主成分上的表现，制定针对性的发展战略，以提升其整体企业价值。对于投资者而言，在做出投资决策时，应全面考虑各公司在不同主成分上的具体表现，以及综合评估它们的企业价值。

4. 结论与建议

在当今AI算力行业日益竞争激烈的环境下，精准评估企业的价值变得至关重要。运用聚类主成分分析法对AI算力企业的价值进行深入剖析，不仅为我们提供了一个全面且多维度的企业价值评估框架，更在帮助企业明确自身在行业中的定位、识别竞争优势与不足、制定有效的发展战略等方面发挥了关键作用。

通过聚类主成分分析法，我们能够在盈利、偿债与创新、竞争以及营运与成长四大关键维度上，对AI算力企业的数据进行细致聚类分析，从而清晰地揭示出不同企业在这些核心领域内的独特优势和潜在不足。具体来说，一些企业在盈利方面(F1)表现卓越，凸显了其强大的盈利能力；而偿债与创新因子(F2)的高分企业则展示了稳健的偿债能力和突出的技术创新实力。同时，竞争因子(F3)的高分企业占据了市场竞争的有利地位，而营运与成长因子(F4)的高分则预示着这些企业具备持续且稳健的发展潜力。

为了全面提升AI算力企业的综合竞争力，本文提出以下策略建议。首先，针对盈利能力较弱的企业，应加大市场开拓力度，优化产品结构，提升产品质量和服务水平，以有效增强盈利能力。其次，企业应重视技术创新和研发投入，提升产品的技术含量和附加值，同时加强财务管理，优化资本结构，以提高偿债能力。再者，企业应注重品牌建设，提升品牌知名度和美誉度，并加强市场分析和竞争策略的制定，以增强市场竞争力和市场占有率。此外，企业还应关注资产运营效率，降低运营成本，并紧跟市场趋势和行业发展动态，积极寻找新的增长点和发展机遇。最后，AI算力企业应加强与产业链上下游企业的合作，形成紧密的合作关系，通过资源整合和优势互补，共同推动AI算力行业的健康发展和持续进步。