必赢官网送38彩金据此 图表中旋转平方和载入的累计值的最后一个数70 441 表示这五个因子对所选取的16个指标变量的解

当前位置:必赢官网送38彩金 > 必赢官网送38彩金 > 必赢官网送38彩金据此 图表中旋转平方和载入的累计值的最后一个数70 441 表示这五个因子对所选取的16个指标变量的解
作者: 必赢官网送38彩金|来源: http://www.xdcqf.com|栏目:必赢官网送38彩金

文章关键词:必赢官网送38彩金,相伴变量

  实证研究44 相应的相伴概率值为0 000 表示所选择的指标数据差异性非常显著 适合作因子分析。 下表是指标变量的公因子方差 即共同度 它表示变量中能被公因子所解释的部分。 21指标变量的共同度 公因子方差 初始 提取 X4 000711 X8 000514 X9 000689 X13 000623

  实证研究44 相应的相伴概率值为0 000 表示所选择的指标数据差异性非常显著 适合作因子分析。 下表是指标变量的公因子方差 即共同度 它表示变量中能被公因子所解释的部分。 21指标变量的共同度 公因子方差 初始 提取 X4 000711 X8 000514 X9 000689 X13 000623 X17 000764 X18 000918 X23 000708 X32 000698 X33 000892 X34 000582 X39 000140 X40 000679 X43 000646 X45 000842 X46 000951 X48 000914 提取方法 主成份分析。 依次类推„„共同度越大 表示被公因子解释的程度越高。根据Kaiser准则 各变量的平均共同度最好在0 7以上。表5 3中25个指标的平均共同度为0 705 符合Kaiser准则要求 表明因子提取的效果比较理想。 接下来便是因子分析的因子提取 22指标变量特征值及方差贡献率和累计方差贡献率 解释的总方差 成份 初始特征值 提取平方和载入 旋转平方和载入 山东财经大学硕士学位论文 45 合计 方差的 累积 合计 方差的 累积 合计 方差的 累积 42233 885 33 885 42233 885 33 885 50528 158 28 158 00212 511 46 396 00212 511 46 396 13913 370 41 528 91355 309 91355 309 95212 202 53 730 44663 755 44663 755 67462 404 68670 441 68670 441 03770 441 23976 679 02781 706 49286 198 62089 818 10 491 06892 885 11 302 88894 773 12 297 85996 632 13 202 26397 895 14 149 933 98 828 15 141 881 99 708 16 047 292 100 000 提取方法 主成份分析。 通过表4 22可以看出 16个原始变量共提取了5个公共因子。表中第一行第四列中的33 885 即初始特征值的累计值第一个数 表示第一个因子对原16个指标变量的解释能力为33 885 即如果用第一个因子代替原有的16个指标 仅有33 885 的信息被保留。必赢官网送38彩金据此 图表中旋转平方和载入的累计值的最后一个数70 441 表示这五个因子对所选取的16个指标变量的解释程度为70 441 在70 以上 根据Kaiser准则 是可以接受的。 提取公因子后进行因子旋转 下表为初始因子载荷矩阵。 23指标变量因子载荷矩阵 成份矩阵a 成份 X4810 200 066 028 101 X8 360 390 415 219 110 X9 568 330 358 344 107 X13 732 030 157 072 237 X17 867 100 032 009 034 X18 268 785 478 022 037 X23 171 169 171 524 588 X32 141 235 463 073 636 实证研究46 X33 505 390 336 595 134 X34 538 087 520 105 067 X39 025 082 146 134 305 X40 706 238 144 257 192 X43 724 260 019 231 008 X45 873 148 117 073 199 X46 495 762 350 053 005 X48 575 309 252 624 188 提取方法 主成份。 23因子载荷矩阵的结果中可以看出旋转前各个因子的典型代表变量不是很突出 不易对公共因子的实际意义做出解释。因此 需要进行因子旋转 通过适当的旋转得到结果更好的因子载荷阵 以利于对实际问题做出分析。 24是通过方差最旋转后的因子载荷矩阵。通过旋转使因子载荷的平方值向0和1两个方向分化使较大的载荷更大 较小的载荷更小。 24指标变量的旋转成份矩阵 指标 变量 成份 盈利能力X4 697 368 183 073 227 X8 387 215 051 458 324 X9 473 070 241 592 228 股东获利能力 X13 765 147 085 088 038 X17 753 343 268 063 054 现金流量能力 X18 011 958 019 012 003 X23 097 020 075 805 212 营运能力 X32 084 033 053 066 826 X33 204 008 921 039 021 发展能力 X34 593 027 033 215 428 风险水平 X39 086 001 056 003 359 短期偿债能力 X40 797 073 056 140 122 X43 722 016 179 301 039 长期偿债能力 X45 885 061 225 024 067 X46 259 939 007 012 033 X48 266 040 912 002 100 通过表4 24因子载荷矩阵旋转后的结果可得出 原有的16个指标可以综合为下列五个公因子 第一个公因子F1在指标X13、X17、X40和X43上有较大的载荷这些指标分别是每股净资产、每股未分配利润、流动比率和营运资金比率 反映了公司的股东山东财经大学硕士学位论文 47 获利能力和短期偿债能力 因此可以将公因子F1命名为“股东获利能力和短期偿债能力因子”。 第二个公因子F2在指标X4和X8上有较大的载荷这两个指标代表公司的资产报酬率和投入资本回报率 属于盈利能力指标。因此可将公因子F2命名为“盈利能力因子”。 第三个公因子F3在指标X45和X48上有较大的载荷这两个指标是资产负债率和产权比率 它们反映了公司的长期偿债能力 因此可将公因子F3命名为“长期偿债能力因子”。必赢官网送38彩金 第四个公因子F4在指标X23这个指标上有较大的载荷X23是营运指数 属于现金流量能力指标 可将其命名为“现金流量能力因子”。 第五个公因子F5在指标X32这个指标上有较大的载荷X32是固定资产周转率 属于营运能力指标 因此可将公因子F5命名为“营运能力因子”。 因子分析的最后一步 根据五个主因子的成分得分系数矩阵 可以计算出五个主因子F1、F2、F3、F4和F5的值 下图为成份得分系数矩阵 25成份得分系数矩阵 成份得分系数矩阵 成份 X4119 106 001 032 132 X8 119 032 071 337 174 X9 064 021 036 384 151 X13 217 012 084 132 103 X17 138 096 036 003 011 X18 116 502 026 032 049 X23 041 022 085 635 250 X32 036 030 015 137 674 X33 107 014 547 023 013 X34 168 112 063 169 285 X39 065 006 068 047 304 X40 246 117 124 022 140 X43 173 075 032 160 045 X45 232 063 024 068 113 X46 027 459 039 013 040 X48 098 004 537 044 100 提取方法 主成份。 旋转法 具有 Kaiser 标准化的正交旋转法。 实证研究48 通过表4 25可以得到旋转五个后主因子得分的表达式 F1 098X48F2 004X48F3 537X48F4 044X48F5 Logistic模型构建及实证分析通过对旋转后因子得分的表达式的计算 得出每一家ST公司及其相互配对公司的五个F值的 然后 我们将ST情况分别设值 被ST的公司设为1 非ST设为0。把74家公司的五个F值和ST情况录入到SPSS21 0数据视图后 依次点击 “分析”—“回归”和“二元Logistic”的命令。将“ST情况”归到右侧“因变量”中 将每个公司对应的五个F值归到右方“协变量”选框中 点击确定 得出运行图表。下图是此次模型案例处理的汇总结果 26Logistic模型样本处理汇总结果 案例处理汇总 未加权的案例a 百分比选定案例 包括在分析中 74 100 总计74 100 山东财经大学硕士学位论文49 389F1iexp11 P总计 74 100 如果权重有效请参见分类表以获得案例总数。 根据SPSS二元Logistic回归分析的样本处理结果汇总显示 总计74个样本公司都被选中参与分析 参与率百分之百 没有被遗漏的。然后根据回归因子得分系数图 我们可以分析不同因素对财务困境的影响 如下图所示 27Logistic回归因子得分系数图 方程中的变量 Walsdf Sig Exp 步骤1a F1 389561 013249 F2 228408 003293 F3 332 170 394F4 236 205 250790 F5 297 157 058743 常量 498978 中输入的变量F1 F2 F3 F4 F5 从回归因子得分系数图中我们可以得到综合指标Logistic回归模型的表达式 从图中数据分析 F1、F2两个主因子的Sig值小于0 05 说明股东获利能力、短期偿债能力和盈利能力指标在对分析上市公司是否会陷入财务困境时具有很强的显著性。F3、F5两个主因子的Sig值近似于0 05 说明长期偿债能力、营运能力和发展能力指标对财务困境的影响较为显著 它们相对其他因素而言 能较强的反映出上市公司是否会陷入财务困境。 五个主因子的回归系数B有正值和负值 正值反映了解释变量对被解释变量的影响是正方向 负值反映了解释变量对被解释变量的影响是负方向。F1对应的B值是 389因此 股东获利能力和短期偿债能力因子与公司是否陷入财务困境是负相关 所以股东获利能力越强 短期偿债能力越强的公司 企业发生财务困境的可能性越小 验证了本文的假设四和假设五。同理 228那么 盈利能力因子与公司陷入财务困境之间也是负相关的 表明上市公司盈利能力越强 公司本身也越不容易发生财务困境 验证了本文的假设一。F3的B值是0 332 他反映的是长期偿债能力 代表性的指标是资产负债率和产权比率 那么负债越高 指标值也就越第4章 实证研究 50 公司的营运发展越被动这也说明公司的长期偿债能力指标与公司是否陷入财务困境之间是正向作用的 验证了本文的假设五。F4的B值是 236代表了现金流量能力因子 现金流量能力指标值越高 经营活动产生的净现金流量越大 公司的经营成果越好 这也说明现金流量能力与公司陷入财务困境之间是负相关的 验证了本文的假设六。F5的B值是 297F5代表营运发展因子 表明公司的营运发展能力与公司财务困境之间是负相关的关系 验证了本论文的假设二和假设三。 模型汇总的图表的数据也反映了本模型拟合度的程度比较高 如下图所示 28Logistic模型汇总 模型汇总 步骤 CoxSnell 26516 642 856 因为参数估计的更改范围小于001 所以估计在迭代次数 10 处终止。 上表中可以得到本次构建的Logistic回归模型的Cox Snell 它的值是按样本容量加权计算的取值范围在0到1之间。另外还有Nagelkerke 这个值代表解释变量对被解释变量解释的程度。本模型汇总的两个值分别是0642和0 856。当Cox SnelR方的值大于0 表示模型有效性可以接受大于0 模型构建比较好大于0 2时表示模型的拟合优度可接受 大于0 4时模型的拟合优度比较好 大于0 因此模型的拟合优度也非常的高。说明通过正交旋转法得出的这些主因子都很大程度的融合了各项指标变量的作用 主因子具有较强的拟合度 则各项因素对公司财务困境影响的实证分析的结果具有较高的可信度。 小结 本章通过数据筛选 分别对盈利能力指标、股东获利能力指标、短期偿债能力指标和长期偿债能力指标进行了因子分析和二元Logistic回归模型的构建。在综合指标的模型构建过程中 对初始指标进行了不同的筛选和处理 在反复检验之后 文章选择了实证中最终筛选出的指标来构建Logistic模型。总的来说 依据本章节的分析结果 不同指标对财务困境的影响已得到了实证检验 为更多学者对上市公司是否会陷入财务困境进行定量分析 提供了较高的可信度和参考价值。 山东财经大学硕士学位论文 51 研究结论与启示 本文在实证中一共选取了近三年的74家上市公司 其中37家是被ST公司 另外37家是与之配对的财务正常的公司。结合以往学者对财务困境影响因素的分析 选取了反映财务因素和非财务因素的57个指标变量。财务指标变量分别包括盈利能力、股东获利能力、现金流量能力、营运能力、发展能力、风险水平、短期偿债能力和长期偿债能力八个大类 非财务指标包括股权结构和公司治理两个大类。通过wilcoxon符号秩检验对指标数据差异的显著性进行检验 剔除不存在显著性差异的指标后 构建了较为全面的指标体系。然后利用SPSS软件对指标数据进行因子分析 根据因子得分建立控制函数 以此来对单一类别的指标和综合指标分别构建二元Logistic回归模型 最后根据回归模型来对财务困境影响因素做了实证分析。 研究结论 通过对样本公司指标变量的实证分析 本文一共构建了五个回归模型 分别是盈利能力指标模型、股东获利能力指标模型、短期偿债能力指标模型、长期偿债能力指标模型 以及综合各类指标的回归模型。根据检验结果 股东获利能力、短期偿债能力和盈利能力指标对上市公司陷入财务困境的影响是负相关关系 这三类指标在对分析上市公司是否会陷入财务困境时具有很强的显著性。长期偿债能力、营运能力和发展能力指标对上市公司财务困境的影响也是负相关关系 在分析公司是否会发生财务困境时起着较为显著的作用。而其他类别的指标对财务困境的影响则不具有明显的显著性。 由于本文对研究指标的选取比较全面 研究过程较为繁琐和复杂 但研究结果可取 方便今后的学者在进一步的做财务预警时针对性的使用。首先 B值越大 指标的解释能力越高 根据B值和得分系数矩阵的数据 盈利能力指标优先选用销售净利率、固定资产净利率和投入资本回报率 这三个指标对盈利能力变量的解释度相比其他指标要强。其他变量的实证指标在得分系数矩阵表中的数据差距不明显 指标变量可以随机选取 它们在实证检验效果中承担相近的分量 其次 在做wilcoxon符号秩检验时 一些指标不存在显著性差异 因此在以后的研究中可以直接排除 它们包括 销售费用率、管理费用率、市净率、销售收到现金比率、全部资产现金回收率、现金满足投资比率、企业自由现金流、每股现金净流量、资本密集度、应收账款周转研究结论与启示 52 率、存货周转率、应付账款周转率、流动资产周转率和营业收入增长率共14个指标变量。 另外 本文构建了两类指标模型 并充分考虑到各类财务指标 具有相对较高的拟合度 读者可以在研究中将单一指标模型与综合指标模型一块运用 通过模型结果的相互比对 来提高对公司是否会陷入财务困境判断分析的准确性。最后 希望本文有关财务困境影响因素的实证结果能够对投资者和管理者起到指导意义。 研究启示 通过对财务困境影响因素的实证研究 本文为企业在经营活动中如何避免财务困境的发生提供了以下几点建议 第一 保持较高的获利能力 就要巩固企业的核心竞争力。企业的核心竞争力是企业获利能力的保障 是持续经营的前提。企业可以利用市场配置资源 降低交易成本 提高资源的使用效率 使能够用最少的资源获得最高的效益 提高企业的盈利能力 从而促进企业的快速发展。企业在生产经营中 以创造价值为原则 突出主业 巩固核心竞争力 保证利润增长点的稳定 为生产的规模化、效益化提供资金来源 实现企业的可持续发展。 第二 保持良好的现金流量能力 企业在经营活动中就要保持流畅的资金循环。企业现金流量严重不足的时候 就会发生无力偿债、资不抵债的情况 如此一来 企业的经营生产就会陷入被动。那么 企业首先要保证银行本息的按时偿付 这样银行的资金循环就不会断裂 其次 要保证资金支出满足生产的要求 确保从原材料采购到产成品销售环节中资金的流畅 最后注重经营过程中短期资金的循环 确保通过销售环节将流动资产和长期资产占用的资金循环到现金 保证企业的持续性生产经营。 第三 保持良好的偿债能力 要注重经营风险和财务风险的协同管理。经营风险和财务风险构成企业风险 风险是导致企业陷入财务困境的重要因素之一。在企业高速发展的情况下 应该根据偿债能力指标 及时调整借债方向和规模 可以通过减少银行借款比例 降低财务风险 或者在负债比例较高的情况下 提高经营的稳健性 降低经营风险。从而能够有效的控制企业的总体风险 提高对不利事件打击的承受能力。 第四 保持较强的发展能力 要做到产业多元化发展。在企业外部环境的日趋激烈的情况下 企业不进则退。在巩固主业 实现创收之后 企业有必要保持一定的山东财经大学硕士学位论文 53 扩张速度 争取做到产业多元化 不要把利润的增长都寄希望于一棵树上 这样才能形成新的利润增长点 提高企业的发展能力和营运能力 为企业创造更好的效益。 研究的局限性 由于本人的知识水平和能力有限 本文的研究还存在一些不足之处 有待以后研究中进一步的完善。 首先 样本公司的数量比较少。本文所选取的样本公司主要集中于2011年和2012年被ST的公司 因此样本数据在时间跨度上比较窄。样本数量的增加虽然会加大实证的工作量 但据此构建的回归模型 在对财务困境做出定量判定时会有更高的可信度。在今后的研究中 应该扩大样本的规模。 其次 非财务指标因素分析不到位 本文所选取的非财务指标变量在wilcoxon符号秩检验中被排除 使得模型的构建建立在财务指标的基础上 财务困境影响因素的分析也具有偏颇性。因此 挖掘更多有效的非财务指标也是需要改进之处。 最后 本文实证模型的构建仅仅局限在Logistic回归模型上 其实证结果上缺少与其他模型的对比。因此 在以后更多的研究中 加入人工智能预测模型 如人工神经网络模型、支持向量机模型等也是很有必要的。 总之 对企业财务困境影响因素的研究具有很深远的意义。相信随着今后研究的不断深入 我国在财务困境预警方向一定会取得更高的突破。 参考文献 54 参考文献 etal listedcompanies’ financial distress usingmultiple prediction methods roughset Dempster–Shaferevidence theory KnowledgeBased Systems 2012 26 196 206 Predictingfinancial distress companiesrevisiting ZETAmodels SternSchool BusinessNew York University 2000 predictionmodels nonnormality unboundedfinancial ratios BritishAccounting Review 2000 32 213230 supportvector machines bankruptcyprediction model ExpertSystems Applications2005 28 127135 中国证监会关于上市公司状况异常期间股票特别处理方式的通知 北京2004 财务危机企业投资行为分析与对策会计研究 1999 第10期 第28 31 吉林大学社会科学学报2005 99109 中国上市公司财务困境预测中国会计与财务研究 5592 中南财经政法大学学报2008 5157 10 Xie Financialdistress prediction based MDAmethods Chineselisted companies QualityQuantity 2011 45 671686 11 山东财经大学2012 1312 吕长江、徐丽莉、周琳 上市公司财务困境与财务破产的比较分析 经济研究2004 64 73 13 当代经济科学2007 96 126 14 陈友华 组合预测方法有效性理论及其应用 北京科学出版社 2008 196 409 15 证券市场导报2005 11 32 39 16 宁青青 华东经济管理2013 17颜如春 浅议我国企业的财务困境 财经界2012 20 184 185 18 天津天津大学 2009 156 160 山东财经大学硕士学位论文 55 19 Fitz Beaver Financial Ratios FailureJournal AccountingResearch 1966 Supplement Vol 71111 20 Altman Edward FinanclalRatios Discriminant Analysis CorporateBankruptcy Journal Finance1968 Vol 23 589 609 21 Van Gestel etal Bankruptcy prediction leastsquares support vector machine classifiers computational intelligence financialengineering IEEEEinternational conference proceeding 2003 22Barbro Back Teija Laitinen KaisaSere Neural networks geneticalgorithms bankruptcypredictions Expert Systems Applications1996 Vol 11 407 413 23 Dun Bradstreet Financial distress prediction using support vector machines Ensemble vs individual AppliedSoft Computing 2012 12 22542265 24 Odom neuralnetwork bankruptcyprediction International Joint Conference NeuralNetworks 1990 25 南开管理评论2005 101105 26 会计研究1999 3138 27 机械工业出版社2012 124152 28 企业家信息2012 1920 29 西北大学2012 30 宏观经济研究2012 8084 31 会计师2007 第11期 13 17 32 高云 企业财务危机的影响因素探析 中国集体经济2012 12 38 40 33 开发研究2010 107109 34 大连东北财经大学 2007 35 预测2005 23 1520 36 中国人民大学出版社2012 37 财会通讯综合 201338 财会研究2011 22 39 赵国忠 中国上市公司财务困境成因及相关对策实证研究 吉林大学2008

  上市公司财务困境影响因素实证研究,财务困境,公司财务实证研究,上市公司财务报表,上市公司财务分析,上市公司的财务报表,上市公司财务舞弊,上市公司财务制度,财务造假的上市公司,非上市公司财务报表

网友评论

我的2016年度评论盘点
还没有评论,快来抢沙发吧!