当前位置:文档之家› 股权集中度_制衡度与上市公司竞争力_基于因子分析法的实证检验

股权集中度_制衡度与上市公司竞争力_基于因子分析法的实证检验

股权集中度_制衡度与上市公司竞争力_基于因子分析法的实证检验
股权集中度_制衡度与上市公司竞争力_基于因子分析法的实证检验

股权集中度、股权制衡度是公司股权结构的重要组成内容,在一定程度上会影响公司绩效。本文选取我国上市公司2004~2009年相关财务数据进行研究,针对股权集中度、股权制衡度对我国上市公司竞争力的影响进行实证检验,以因子分析综合得分作为评定上市公司竞争力的综合指标,研究其与股权集中度、股权制衡度的关系。

一、文献综述

1.国外相关研究。股权集中程度与公司绩效关系研究始于Berle和Means(1932),其在《现代公司和私有产权》中提出股权的集中有利于公司绩效的提高,股权分散很可能导致公司经理利用资源谋取私利,无法使公司绩效达到最优。此后,Shleifer和Vishny(1986)的研究表明,在其他条件相同的情况下大股东的存在对公司价值有正效应;Grossman和Hart (1988)的研究表明股权结构分散使任何单一股东缺乏积极参与公司治理和驱动公司价值增长的激励,导致公司治理系统失败,产生管理层内部人控制问题;McConnell和Servaes (1990)考察了1000多家公司,发现公司价值(托宾Q)与股权集中度之间呈倒U形曲线关系;Pedersen和Thomsen(1999)等学者也从理论上对大股东在公司治理中的作用进行了证明。然而,Demsetz和Lehn(1985)对1980年美国511家公司的研究表明,会计利润率对各种股权集中度指标相关性不显著;Morck(1988),Demsetz和Villalonga(2001)等学者的研究均得出企业绩效和股权集中度无显著相关关系的结论。

2.国内相关研究。国内学者对股权集中度与公司绩效的研究较晚,结论各有差异。许小年和王燕(1997)的实证研究显示:股权集中度、法人股比例与公司绩效正相关,国家股比例与公司绩效负相关,个人股比例对公司绩效无显著影响。张红军(2000)的研究表明:股权越集中,大股东参与管理改善的动机和能力就越强。孙永祥(1999)等学者对不同时期样本公司的实证分析显示:股权集中度与公司价值之间存在较为显著的倒U形曲线关系。白重恩等(2005)、曹廷求等(2007)的实证

研究却表明,股权集中度与公司绩效呈U形曲线关系。李亚静(2006)研究发现,股权集中度与公司价值创造显著负相关。

近年来,国内学者针对股权制衡对公司绩效的影响进行了有益探索,但尚无明确的实证结论。李豫湘(2002)运用综合评分法和相关性检验分析了股权集中度与公司治理效率的相关关系,结果表明适度集中的股权结构有利于形成有效制衡机制,激发股东积极参与公司治理,促进长期治理效率的提高。陈信元(2004)研究显示:股权制衡公司的价值显著高于联盟型公司和其他公司,股权性质会影响股东制衡的效果。杨德勇等(2007)对我国境内上市的五家银行进行分析,得出第一大股东的持股比例与银行绩效显著负相关,前五大股东及前十大股东的持股比例与银行绩效均显著正相关,多股制衡对银行来说是一种较好的股权结构。刘星等(2007)发现股权制衡有助于改善公司治理,其他大股东对控股股东的制衡能力越强,公司价值越高。刘运国(2007)也发现股权制衡类公司的业绩好于股权集中类公司,但其差异并不显著。然而,孙兆斌(2006)研究发现,股权制衡度与上市公司技术效率显著负相关,与技术效率水平提高的相关性并不显著。徐莉萍等(2006)的实证结果表明,控股股东对公司经营绩效的影响更多的是正向的激励效应,而不是负向的侵害效应。

3.现行研究的缺陷。可以看出,股权集中度、股权制衡与公司绩效的相关研究明显存在以下不足:①研究内容不全面。受各种因素的限制,往往只以某一个或某几个财务指标作为公司绩效评定依据,而未能从更多层面上对股权集中度、股权制衡与公司绩效的相关性进行研究。②样本的选取不具有代表性。许多学者在实证研究中选取的样本较少,这对于尚不成熟的我国证券市场来说,结论缺乏代表性。③业绩评价指标的选取缺乏科学性。现行的业绩评价指标主要是每股收益、净资产收益率等以会计为基础的业绩评价指标,或为托宾Q值等以市场为基础的评价指标。这些指标要么受人为操纵的影响,要么受股市噪音的影响,这就使得分析结果不可避免地会出

股权集中度、制衡度与上市公司竞争力

—基于因子分析法的实证检验

臧卫国

(河南财经政法大学会计学院郑州450002)

【摘要】本文选取上市公司2004~2009年面板数据,以因子分析为基础,针对股权集中度、股权制衡度对上市公司竞争力的影响进行实证分析。研究表明:股权集中度同因子分析综合得分存在正相关关系,股权高度集中公司的竞争力明显强

于其他公司;股权制衡度与因子分析综合得分弱正相关,股权制衡度对上市公司竞争力的影响存在区间效应,股权集中度

适中公司的股权制衡机制更为有效。

【关键词】股权集中度股权制衡度上市公司竞争力因子分析

2011.7下旬·09·□

现偏差。

二、研究设计

(一)研究假设

第一大股东持股比例、前五大股东持股比例、前十大股东持股比例、Z指数及赫芬德尔指数能较好地反映上市公司的股权集中度。股权集中度高,所有者有意愿也有能力去监控管理者的行动,降低代理成本,提高企业的市场价值。而持股高度分散的公司,公司的最终控制权实际上落入管理层之手,其有可能损害公司整体利益,削弱上市公司的竞争力。据此,提出H1:股权集中度与上市公司竞争力正相关。具体包括:H1a:第一大股东持股比例与因子分析综合得分正相关;H1b:前五大股东持股比例与因子分析综合得分正相关;H1c:前十大股东持股比例与因子分析综合得分正相关;H1d:Z指数与因子分析综合得分正相关;H1e:赫芬德尔指数与因子分析综合得分正相关。

股权制衡是由少数几个大股东分享控制权,通过内部利益牵制,达到相互监督、抑制内部人掠夺的股权安排模式。它既是一种特殊的股权结构,又是具有制衡效用的治理机制,能使各股东有能力和动力从内部抑制大股东的掠夺行为,形成互相监督的态势。合理有效的股权制衡结构可在一定程度上起到保护中小股东权益的作用,提高上市公司竞争力。故提出H2:股权制衡度与上市公司竞争力正相关。

同时,由于股权高度集中不利于代理权充分竞争,不利于公司高管更换,经理人会由于缺乏竞争压力而造成公司绩效下降;分散股权,易形成相对控股的股权结构,相对控股股东可通过治理联盟监督和激励管理层的经营,促使其努力工作,从而提高公司竞争力。据此提出H3:适度分散股权有利于提高上市公司竞争力,上市公司股权制衡度与因子分析综合得分的相关性存在区间效应。

(二)样本选择与数据收集

本文以2004~2009年沪深两地上市公司的年报资料为主要分析对象,并对初选样本作如下处理:①剔除业绩过差的*ST、ST或者PT状态的T类上市公司以及被注册会计师出具非标准无保留意见的上市公司;②剔除同时发行B股或H股的A股上市公司,剔除主要财务数据缺失的样本公司;③2008年1月1日以后上市的公司未包含在样本中,即样本公司为上市三年以上、业绩稳定的公司。经筛选符合上述条件的上市公司为1041家(共5546个观察值)。

本文的财务数据和市场交易数据来源于RESSET金融研究数据库及上市公司在大智慧、巨潮资讯、中国证券网上公布的年度财务报告。文章运用SPSS16.0统计软件对上市公司的相关财务指标进行因子分析和回归分析。

(三)变量定义及模型构建

1.变量定义。

(1)上市公司竞争力。本文选取每股收益、每股净资产、净资产收益率、销售净利率、资产报酬率作为反映公司盈利能力的指标;选取流动比率、速动比率、现金流量比率、股东权益与负债比、现金债务总额比、利息保障倍数作为反映公司偿债能力的指标;选取应收账款周转率、存货周转率、流动资产周转率、固定资产周转率、总资产周转率作为反映公司营运能力的指标;选取销售增长率、净利润增长率、总资产增长率、资本积累率作为反映公司成长能力的指标;选取每股经营现金净流量、盈余现金保障倍数作为反映公司盈利质量的指标。运用因子分析法得到能够较为客观地反映上市公司经营绩效的指标——

—因子分析综合得分,并以此作为上市公司竞争力指标,研究其与股权集中度和股权制衡的相关性。

(2)控制及虚拟变量。为控制企业特征、年度特征和行业特征,分别引入公司的总资产、报告年度和行业虚拟变量作为控制变量。各变量的具体定义如表1所示:

2.模型构建。

(1)根据假设1,建立回归模型如下:

Score=C+α1OwnCon1+α2OwnCon5+α3OwnCon10+βZIndex+γ1H1Index+γ2H5Index+γ3H10Index+ηLnAssets+λt YEAR t+μi IND i+ε(1)(2)根据假设2,建立回归模型如下:

Score=C+α1OwnershipB5+α2OwnershipB10+ηLnAssets+λt YEAR t+μi IND i+ε(2)上述公式中,C为常数项;α、β、γ、η、λ、μ为待估回归系数;ε为随机扰动项;其他变量定义见表1。

三、实证分析

1.运用因子分析法对上市公司竞争力进行评定。

(1)KMO及巴特利特球度检验。表2是两种检验变量是否适合作因子分析的方法。第一种检验是KMO检验,即Kaiser-∑

2009

t=2004

24

i=1

变量类型

被解释变量

变量标识

Score

OwnCon1

OwnCon5

OwnCon10

ZIndex

H1Index

H5Index

H10Index

OwnershipB5

OwnershipB10

LnAssets

YEARt

t=2004~2009

INDi

i=1~24

变量名称

因子分析综合得分

第一大股东持股比例

前五大股东持股比例

前十大股东持股比例

Z指数

Herfindahl指数

Herfindahl指数

Herfindahl指数

股权制衡度

股权制衡度

公司规模

年度虚拟变量

行业虚拟变量

备注

对相关财务指标进行因子分析得到

第一大股东持股/总股本

前五大股东持股/总股本

前十大股东持股/总股本

第一大股东持股比例/第二大股东持股

比例

第一大股东持股比例的平方和

前五大股东持股比例的平方和

前十大股东持股比例的平方和

前五大股东持股比例和/第一大股东持

股比例

前十大股东持股比例和/第一大股东持

股比例

公司总资产的自然对数,来自RESSET

金融研究数据库

若样本数据属于2007年,则YEAR2007=

1,否则YEAR2007=0,其余类推。

为采掘业等24个行业的虚拟变量,若样

本公司属于采掘业,则IND1=1,否则

IND1=0,其余类推。

控制变量

解释变量

表1变量定义

2009

t=2004

24

i=1

□·10·2011.7下旬

Meyer-Olkin 检验。Kaiser 给出了一个KMO 的度量标准:0.9以上非常适合,0.8适合,0.7一般,0.6不太适合,0.5以下不适合。第二种检验是巴特利特球度检验,如果该统计量值比较大,则适合作因子分析。

按照上述判定标准,通过表2可以看到,22个变量的KMO 统计值为0.692,

马特利特球度统计量值均较大,且其对应的相伴概率值小于给定的显著性水平。因此,应认为所选22个变量适合作因子分析。(2)确定因子变量和计算因子载荷矩阵。对样本公司相关数据作因子分析后的因子提取和因子旋转,输出结果见表3:各列数据的含义是:第一列至第四列描述了因子分析的初始解对原始变量总体的刻画情况。第一列是因子分析的22个初始解的序号。第二列是因子变量的方差贡献(特征值),它是衡量因子重要程度的指标。第三列是各个因子变量的方差贡献率,表示该因子刻画的方差占原有变量总方差的比例。第四列是因子变量的累计方差贡献率,表示前m 个因子刻画的

总方差占原有变量总方差的比例。第五列至第七列是从初始解中提取了11个公共因子后对原变量总体的刻画情况。各列数据的含义与第二列至第四列的含义相同。从表中可看出,如果提取11个公共因子,可以描述原变量总方差的81.348%,大于80%,可以认为这11个因子基本反映了原变量的绝大部分信息。第八列至第十列是旋转后的因子对变量总体的刻画情况,各列的数据含义同前。

(3)因子载荷矩阵的旋转。采用方差极大法对因子载荷矩阵进行旋转,输出结果表明:准则实施前第一个因子变量基本反映了净资产收益率、资产报酬率、每股收益、销售净利率等企业盈利能力状况(盈利能力因子);第二个因子变量基本反映了流动比率、速动比率、股东权益与负债比等企业偿债能力状况(偿债能力因子);第三个因子变量基本反映了销售增长率、总资产增长率、资本积累率等企业成长能力状况(成长能力因子);第四个因子变量基本反映了总资产周转率、流动资产周转率等企业营运能力状况(资产运作因子);其他因子变量则从不同角度对公司的绩效进行解释。应当看到,企业的盈利能力和偿债能力指标是业绩评价中最主要的指标,对原有变量总的方差贡献分别达到18.375%和14.019%。

(4)计算因子变量得分。用回归法计算因子得分函数系数,输出结果见表4。根据表4的相关系数值,可以得出以下因子得分函数:F1=0.193×每股收益-0.053×每股净资产+0.306×净资产收益率+0.278×销售净利率+0.295×资产报酬率-0.004×流动比率-0.015×速动比率-0.033×现金流量比率-0.017×股东权益与负债比-0.040×现金债务总额比-0.004×利息保障倍数-0.003×应收账款周转率+0.040×存货周转率-0.018×流动资产周转率+0.033×固定资产周转率-0.019×总资产周转率-0.098×销售增长率+0.257×净利润增长率-0.030×总资产增长率-0.127×资本积累率-0.072×每股经营净现金流量(元)-0.065×盈余现金保障倍数

F2,F3,…,F11的因子得分函数依照上述方法计算。(5)计算综合实力得分。在因子分析的基础上,采用经因子分析得到的11个因子变量,以各因子的方差贡献率作为权数,计算上市公司因子分析综合实力得分。公式如下:

Score =14.330%/81.348%×F 1+13.069%/81.348%×F 2+9.867%/81.348%×F 3+8.260%/81.348%×F 4+6.551%/81.348%×F 5+6.263%/81.348%×F 6+4.648%/81.348%×F 7+4.637%/

12345678910111213141516171819202122 4.1223.0841.8651.5651.1971.1401.0120.9990.9970.9810.9330.9220.8360.6240.5340.4200.2580.2000.1410.0930.0560.020

18.73514.0198.4797.1145.4405.1834.6014.5424.5344.4594.2424.1893.8022.8392.4291.9101.1720.9070.6410.4220.2530.089

18.73532.75441.23348.34653.78758.96963.57168.11272.64677.10681.34885.53789.33992.17894.60796.51697.68898.59599.23699.65899.911100.000

4.1223.0841.8651.5651.1971.1401.0120.9990.9970.9810.93318.73514.0198.4797.114

5.4405.1834.6014.5424.5344.4594.242

18.73532.75441.23348.34653.78758.96963.57168.11272.64677.10681.348

3.1532.8752.1711.8171.4411.3781.0231.0201.0121.0061.000

14.33013.0699.8678.2606.5516.2634.6484.6374.6014.5754.547

14.33027.39937.26645.52652.07758.34162.98967.62572.22676.80181.348

Component

Total

Total Total Rotation Sums of

Squared Loadings

Extraction Sums of Squared Loadings Initial Eigenvalues

%of Variance Cumulative %

%of Variance Cumulative %%of Variance Cumulative %表3

样本公司面板数据因子提取及因子旋转结果

每股收益(元)每股净资产(元)净资产收益率(%)……

盈余现金保障倍数10.193-0.053

0.306……

-0.065

2-0.0010.051-0.025……0.017

3-0.064-0.088-0.048……0.038……………………………………

10

-0.017-0.011-0.008

……0.037

110.001-0.010

0.000……0.004

Component

表4

样本公司因子得分函数系数矩阵

Kaiser-Meyer-Olkin Bartlett's Test of Sphericity

Measure of Sampling Adequacy.

Approx.Chi-Square

df Sig.

0.6925.13462310.000

表2

因子分析KMO 及巴特利特球度检验统计量

2011.7下旬·11

·□

81.348%×F 8+4.601%/81.348%×F 9+4.575%/81.348%×F 10+4.547%/81.348%×F 11

根据上述综合模型即可计算综合实力得分(见表5),作为上市公司竞争力评价指标,研究其与股权集中度和股权制衡的相关性。2.股权集中度对上市公司竞争力影响的实证研究。(1)描述性统计。样本公司相关变量的描述性统计结果见表6。从表6可以看出,我国上市公司因子分析综合得分最小值为-2.3792,最大值为4.3567,均值为-4.0557E-16,差异较大。第一大股东持股比例均值达到38.52%,前五大股东和前十大股东持股比例均值分别为53.42%和56.88%,表明股权高度集中,第一大股东在股权结构中具有绝对优势。

为研究股权集中度对上市公司竞争力影响的区间效应,拟根据第一大股东的持股比例,将样本公司作如下分组:第1组为股权相对分散公司(第一大股东持股比例小于30%,观测值1988个),第2组为股权集中度适中公司(第一大股东持股比例大于等于30%但小于50%,观测值2101个),第3组为股权高度集中公司(第一大股东持股比例大于等于50%,观测值1447个)。分析得到,三组样本公司因子分析综合得分均值分别为-0.0407、-0.0088和0.0688,可见股权相对分散公司的竞争力差,股权集中度适中公司的竞争力一般,股权高度集中公司的竞争力明显强于其他公司。

(2)相关性分析。将股权集中度、股权制衡度分别与上市公司竞争力指标进行相关性分析,相关系数如表7所示。

分析表7,可以看出:第一大股东持股比例、前五大股东持股比例、前十大股东持股比例及与之相对应的赫芬达尔指数同上市公司竞争力指标均呈正相关关系,其中前十大股东持股比例与上市公司竞争力指标的相关性最强(相关系数为0.268),但综合得分与Z 指数呈弱负相关关系,说明提高股权集中度能在一定程度上对上市公司竞争力产生正向影响。(3)股权集中度与上市公司竞争力总体回归分析。对股权集中度与上市公司竞争力指标采用逐步筛选法进行总体回归分析,多元回归分析结果如表8所示。

依据表8,建立非标准化回归方程如下:

Score=-0.654+0.020×LnAssets-2.094×OwnCon5+2.546×OwnCon10+0.262×H1Index-3.0357E-4×ZIndex

依据标准化回归系数,其他因素不变,前五大股东持股比例每增长1,上市公司综合实力得分将降低0.904;前十大股东持股比例每增长1,上市公司综合实力得分将增长1.094;赫芬达尔指数(H1,第一大股东持股比例的平方)每增长1,上市公司综合实力得分将增长0.103;Z 指数每增长1,上市公司综合实力得分将降低0.056。模型通过t 检验和F 检验,拟合优度不高但尚可(调整的拟合优度为0.179)。D-W 检验值为1.905,可以认定残差序列具有独立性。

3.股权制衡度对上市公司竞争力影响的实证研究。(1)样本公司股权制衡度相关变量的描述性统计及股权制衡度与竞争力相关系数如表9所示。

从表9中可以看出:前五大股东和前十大股东持股比例与第一大股东持股比例的比值(股权制衡度均值)分别为1.5364

解释变量

OwnershipB5OwnershipB10Min

1.00291.0042Max

4.26946.5437Mean

1.53641.6647

Std.Deviation 0.54110.6688

Pearson Correlation 0.0190.041

表9股权制衡度描述性统计及股权制衡度与竞争力相关系数解释变量OwnCon1OwnCon5OwnCon10

相关系数0.1400.2200.268

解释变量H1Index H5Index H10Index

相关系数0.1430.1570.157

解释变量ZIndex OwnershipB5OwnershipB10

相关系数-0.0540.0190.041

表7样本公司股权集中度与竞争力相关系数变量名称LnAssets OwnCon1OwnCon5OwnCon10ZIndex H1Index H5Index H10Index Score

Min 9.43300.04490.09610.10281.00000.00200.00560.0056-2.3792

Max 16.82120.85721.00001.00001003.6

0.73470.73941.67004.3567

Mean 12.26500.38520.53420.568824.76670.17290.18880.1895-4.0557E-16

Std.Deviation 0.99700.15640.14330.142861.05150.13080.12520.12650.3321

表6样本公司相关变量描述性统计公司名称天伦置业广州浪奇莲花味精…云南城投万泽股份韶钢松山

所属年度200520042004 (200420042004)

综合得分-2.37921.3896-0.9442…2.97293.82824.3567

公司名称嘉凯城锌业股份丰华股份…新安股份外运发展北纬通信

所属年度200820082007 (200820092007)

综合得分

-1.0283-0.8315-0.7423…2.53612.97273.3281

表5部分样本公司综合实力得分(Constant )LnAssets OwnCon5OwnCon10H1Index ZIndex

Unstandardized Coefficients -0.6540.020-2.0942.5460.262-3.0357E-4

Standardized Coefficients 0.059-0.9041.0940.103-0.056

-11.4144.501-13.86518.2364.947-3.8890.0000.0000.0000.0000.0000.000

0.1820.17972.2210.000 1.905

D-W

Sig.F F Adj

R

2R 2Sig.t t 表8样本公司股权集中度与竞争力指标最终筛选回归结果

注:①Sig.t 和Sig.F 分别表示t 统计量和F 统计量的相伴概率

值;②因篇幅所限,表中未列示年度、行业等虚拟变量的回归数据,下同。

□·12

·2011.7下旬

和1.6647,表明我国上市公司第一大股东持股比例高,公司股权制衡水平有限。总体性分析表明:上市公司综合得分与股权制衡度呈弱正相关关系(两个描述股权制衡度的变量与综合得分的相关系数分别为0.019和0.041),说明股权制衡度对上市公司竞争力的影响并不明显。

(2)股权制衡度与上市公司竞争力指标总体回归分析。分析结果如表10所示。依据表10,股权制衡度与上市公司竞争力回归模型的拟合优度很低(调整的R 2仅为0.091),模型通过了t 检验和F 检验。依据标准化回归系数,其他因素不变,前五大股东持股比例与第一大股东的持股比例的比值每增长1,上市公司综合实力得分将降低0.338;

前十大股东持股比例与第一大股东的持股比例的比值每增长1,上市公司综合实力得分将提高0.394。总体看来,股权制衡度对上市公司竞争力的影响具有正效应,但这种效应并不显著。

(3)股权制衡度与上市公司竞争力指标的区间效应分析。以第一大股东的持股比例为基础,分三个区间(30%以下、30%~50%和50%以上)研究股权制衡度与上市公司竞争力的相关关系,相关关系及回归分析结果见表11、表12。表11显示,在不同股权集中度区间,股权制衡度对上市公司竞争力的影响存在差异。第一大股东持股30%以下及50%以上区间的样本公司,股权制衡度变量与上市公司综合得分的相关性不是很强(30%以下区间两个股权制衡度指标与综合得分相关系数分别为0.136和0.169,50%以上区间的相关系数分别为0.111和0.170

);但第一大股东持股比例在30%~50%区间的公司,股权制衡度变量与上市公司综合得分的相关性得以明显增强,相关系数分别达到0.191和0.238。这表明,股权制衡度对上市公司竞争力的影响存在区间效应,股权集中度适中公司的股权制衡机制更为有效。

从表12可以看出,上市公司股权制衡度对竞争力影响存在区间效应。①分区间回归模型的拟合优度、F 检验值、t 检验值均不同。第一大股东持股比例在30%以下样本公司的回方程拟合优度最低(调整的R 2为0.116),50%以上持股比例样本公司回归方程的拟合优度最高(调整的R 2为0.196),30%~50%区间模型的F 检验值最高,

其值为38.790。②同一股权制衡度指标在不同区间对上市公司竞争力的解释能力存在差异。其他变量保持不变,前五大股东持股比例与第一大股东持股比例的比值每增长1,30%以下、30%~50%、50%以上区间样本公司综合实力得分将分别降低0.236、0.806和0.681;前十大股东持股比例与第一大股东的持股比例的比值每增长1,30%以下、30%~50%、50%以上区间样本公司综合实力得分将分别提高0.383、1.038和0.813。

四、研究结论

1.上市公司竞争力受股权集中度的影响,股权集中度相关指标与综合得分呈现不同程度的正相关关系,提高股权集中度能在一定程度上对上市公司竞争力产生正向影响,股权高度集中公司的竞争力明显强于其他公司。

2.股权制衡度与综合得分呈弱正相关关系,总体样本分析说明股权制衡对上市公司竞争力的影响并不明显。不同股权集中度区间,股权制衡度对上市公司竞争力的影响存在差异;分区间回归模型的拟合优度、F 检验值、t 检验值均不同;同一股权制衡度指标在不同区间对上市公司竞争力的解释能力存在差异;股权制衡度对上市公司竞争力的影响存在区间效应,股权集中度适中公司的股权制衡机制更为有效。

【注】本文系国家社会科学基金项目“金融危机后全球会

计治理及其国际协调机制与我国对策研究”(项目编号:

10BJY020)的阶段性研究成果。

主要参考文献

1.曹廷求等.股权结构与公司绩效:度量方法和内生性.经

济研究,2007;10

2.刘星,刘伟.监督、抑或共谋?———我国上市公司股权结构与公司价值的关系研究.会计研究,2007;6

3.刘运国,高亚男.我国上市公司股权制衡与公司业绩关

系研究.中山大学学报,2007;4

4.孙兆斌.股权集中、股权制衡与上市公司的技术效率.管

理世界,2006;7

(Constant )LnAssets OwnershipB5OwnershipB10(Constant )OwnershipB5OwnershipB10(Constant )LnAssets OwnershipB5OwnershipB10

非标准回归系数-0.5260.025-0.1390.177-0.321-0.7430.880-0.6750.040-2.3082.416

标准回归系数0.064-0.2360.383

-0.8061.0380.120-0.6810.813 4.6032.8723.2025.237-11.697-8.81311.3414.6704.7906.9278.2630.0000.0040.0010.000

0.0000.000

0.000

0.0000.0000.0000.000

0.1230.1430.2020.1160.1390.19618.52538.79033.0210.000

0.000

0.000

Sig.F

F 检

验值

调整的R 2R 2Sig.t t 检验值表12样本公司股权制衡度与竞争力指标最终筛选回归结果(分区间)

Model 50%以上

30%~50%

30%以下

OwnershipB5OwnershipB10

第一大股东持股比例30%以下0.1360.169

第一大股东持股比例30%~50%0.1910.238

第一大股东持股

比例50%以上

0.1110.170

表11股权制衡度与竞争力相关系数(分区间)解释变量(Constant )LnAssets OwnershipB5OwnershipB10

Unstandardized Coefficients -0.4320.032-0.2070.196

Standardized Coefficients 0.097-0.3380.394

-7.0357.108-5.6206.5790.0000.0000.0000.000

0.0940.09131.7470.0001.836

D-W

Sig.F F Adj

R

2R 2Sig.t t 表10

样本公司股权制衡度与竞争力指标最终筛选回归结果

2011.7下旬·13

·□

研究方法-因子分析

因子分析 前言 因子分析方法的实际作用已为广大实际工作所证实。但并非每次运用它都是成功的。有时,特别是针对多维变量所做的因子分析,难以有清晰的解释。因此,有的实际工作者开始怀疑因子分析方法的科学性。但同时,不同的人针对相同的数据所做的因子分析。解释其结果却又不尽相同。有的人通过因子分析能给出问题近乎完美的答案。于是,又有人称因子分析是一种“艺术”因子分析因此也变得神秘起来了。因子分析到底是艺术还是科学呢? 因子分析的统计思想 在实践中,往往收集到的数据是多指标的。各指标之间通常不是独立的,或多或少存在着一定程度的关系。因子分析的目的是通过少数几个变量去描述这众多变量见的协方差关系。这少数几个变量是潜在的,但不能观察的。我们称之为因子。 1以相关为基础 在所收集到的众多变量中,必定存在某些是高度相关的,把这些高度相关的变量组成各组。这样同一组内变量具有高度相关,而与其他的各组变量却只有较小的相关或是不相关。这些组内高度相关的变量可以设想是一个共同的东西在影响着它们而导致高度相关。这个共同的东西称之为公共因子。如前所述,这些公共因子是潜在但不能观测的。 2通过协方差来实现 因子分析是以相关为基础,从协方差或相关阵开始把大部分变异归结为少数几个公共因子所为。把剩余的部分称为特殊因子。 3作用:寻求基本结构、数据化简 通过因子分析,可以用几个较小的有实际意义的因子来反映原来数据的基本结构。例如: 例1:Linden对二战以来奥运会十项全能比赛的得分作了研究,将100米、跳远、铅球、跳高、400米、110米栏、铁饼、撑杆跳、标枪、1500米的成绩归结到短跑速度、爆发性臂力、爆发性腿力、耐力四个方面。 例2:公司面试,从简历、外貌、专业能力、讨人喜欢的能力、自信心、洞察力、诚实、理解力等15个方面进行打分,最后归结外申请者的外露能力、受欢迎程度、工作经验、专业能力这四个方面 通过因子分析,可以用少数几个因子代替原来的变量做回归分析÷据类分析等。 正交因子模型分析 1模型的直观描述

因素分析法

因素分析法(Factor Analysis Approach),又称指数因素分析法,是利用统计指数体系分析现象总变动中各个因素影响程度的一种统计分析方法,包括连环替代法、差额分析法、指标分解法、定基替代法。因素分析法是现代统计学中一种重要而实用的方法,它是多元统计分析的一个分支。使用这种方法能够使研究者把一组反映事物性质、状态、特点等的变量简化为少数几个能够反映出事物内在联系的、固有的、决定事物本质特征的因素。 因素分析法的最大功用,就是运用数学方法对可观测的事物在发展中所表现出的外部特征和联系进行由表及里、由此及彼、去粗取精、去伪存真的处理,从而得出客观事物普遍本质的概括。其次,使用因素分析法可以使复杂的研究课题大为简化,并保持其基本的信息量。 2应用编辑 是通过分析期货商品的供求状况及其影响因素,来解释和预测期货价格变化趋势的方法。期货交易是以现货交易为基础的。期货价格与现货价格之间有着十分紧密的联系。商品供求状况及影响其供求的众多因素对现货市场商品价格产生重要影响,因而也必然会对期货价格重要影响。所以,通过分析商品供求状况及其影响因素的变化,可以帮助期货交易者预测和把握商品期货价格变化的基本趋势。在现实市场中,期货价格不仅受商品供求状况的影响,而且还受其他许多非供求因素的影响。这些非供求因素包括:金融货币因素,政治因素、政策因素、投机因素、心理预期等。因此,期货价格走势基本因素分析需要综合地考虑这些因素的影响。 商品供求状况对商品期货价格具有重要的影响。基本因素分析法主要分析的就是供求关系。商品供求状况的变化与价格的变动是互相影响、互相制约的。商品价格与供给成反比,供给增加,价格下降;供给减少,价格上升。商品价格与需求成正比,需求增加,价格上升;需求减少,价格下降。在其他因素不变的条件下,供给和需求的任何变化,都可能影响商品价格变化,一方面,商品价格的变化受供给和需求变动的影响;另一方面,商品价格的变化又反过来对供给和需求产生影响:价格上升,供给增加,需求减少;价格下降,供给减少,需求增加。这种供求与价格互相影响、互为因果的关系,使商品供求分析更加复杂化,即不仅要考虑供求变动对价格的影响,还要考虑价格变化对供求的反作用。 连环替代法 它是将分析指标分解为各个可以计量的因素,并根据各个因素之间的依存关系,顺次用各因素的比较值(通常即实际值)替代基准值(通常为标准值或计划值),据以测定各因素对分析指标的影响。 例如,设某一分析指标M是由相互联系的A、B、C三个因素相乘得到,报告期(实际)指标和基期(计划)指标为: 报告期(实际)指标M1=A1 * B1 * C1 基期(计划)指标 M0=A0 * B0 * C0 在测定各因素变动指标对指标R影响程度时可按顺序进行: 基期(计划)指标M0=A0 * B0 * C0 (1)

(完整版)关键成功因素分析法.

关键成功因素分析法 关键成功因素分析法(Key Successful Factors [KSF],Critical Success Factors [CSF])什么是关键成功因素分析法? 关键成功因素法(key success factors,KSF)是信息系统开发规划方法之一,由1970年由哈佛大学教授William Zani提出。 关键成功因素(key success factors,KSF),关键成功因素是在探讨产业特性与企业战略之间关系时,常使用的观念,是在结合本身的特殊能力,对应环境中重要的要求条件,以获得良好的绩效。 关键成功因素法是以关键因素为依据来确定系统信息需求的一种MIS总体规划的方法。在现行系统中,总存在着多个变量影响系统目标的实现,其中若干个因素是关键的和主要的(即成功变量)。通过对关键成功因素的识别,找出实现目标所需的关键信息集合,从而确定系统开发的优先次序。 关键成功因素指的是对企业成功起关键作用的因素。关键成功因素法就是通过分析找出使得企业成功的关键因素,然后再围绕这些关键因素来确定系统的需求,并进行规划。 关键成功因素的4个主要来源 关键成功因素的重要性置于企业其它所有目标、策略和目的之上,寻求管理决策阶层所需的信息层级,并指出管理者应特别注意的范围。若能掌握少数几项重要因素(一般关键成功因素有5~9 个),便能确保相当的竞争力,它是一组能力的组合。如果企业想要持续成长,就必须对这些少数的关键领域加以管理,否则将无法达到预期的目标。即使同一个产业中的个别企业会存在不同的关键成功因素,关键成功因素有4个主要的来源: 个别产业的结构:不同产业因产业本身特质及结构不同,而有不同的关键成功因素,此因素是决定于产业本身的经营特性,该产业内的每一公司都必须注意这些因素。 竞争策略、产业中的地位及地理位置:企业的产业地位是由过去的历史与现在的竞争策略所决定,在产业中每一公司因其竞争地位的不同,而关键成功因素也会有所不同,对于由一或二家大公司主导的产业而言,领导厂商的行动常为产业内小公司带来重大的问题,所以对小公司而言,大公司竞争者的策略,可能就是其生存的竞争的关键成功因素。 环境因素:企业因外在因素(总体环境)的变动,都会影响每个公司的关键成功因素。如在市场需求波动大时,存货控制可能就会被高阶主管视为关键成功因素之一。

因素分析法

因素分析法的相关知识 一、概念:因素分析法也称因素替代法。它是对某个综合财务指标或经济指标的变动原因按其内在的影响因素,计算和确定各个因素对这一综合指标发生变动的影响程度的一种分析方法 二、适用范围:适用于多种因素构成的综合指标的分析,如:成本、利润、资金收益率等指标。 三、前提条件:当有若干因素对分析对象发生影响作用时,假定其他各个因素都无变化,顺序确定每一因素单独变化所产生的影响,是在具有乘积关系的指数体系中进行 四、一般程序: 1. 要根据经济指标形成的过程,找出该项经济指标受哪些因素变动的影响; 2. 要根据经济指标与各影响因素的内在关系,建立起分析计算公式; 3. 按照一定顺序依次进行因素替换,以计算各因素变动对经济指标的影响程度。计算某一因素变动对经济指标影响程度时,假定其他因素不变,通过每次替代后计算的结果与上一次替代后计算的结果相比较,以逐次确定各个因素的影响程度。 4. 验证各因素影响程度计算的正确性。各因素影响程度的代数和应等于指标变动总差异。 五、主要作用:因素分析是从数量方面研究现象动态变动中受各种因素变动的影响程度,它主要借助于指数体系来分析社会经济现象变动中各种因素变动发生作用的影响程度。 六、方法:因素分析法有连环替代法和差额计算法两种。连环替代法是将影响某项经济指标的各个因素列成算式,按照一定顺序替代各个因素,以确定各个因素变动对该项经济指标变动的影响程度的一种分析方法。分析计算时以计划指标为基础,用各个因素的实际数依次替代计划数,每次替代后实际数就被保留下来,直到所有的因素都变为实际数。差额分析法是根据各个因素实际数同计划数的差异,分别确定各该因素的变动对某项经济指标的影响程度的一种分析方法。分析计算时也要按一定顺序逐项以实际数与计划数进行对比。差额分析法实际上是连环替代法的另一种形式,即直接用实际数与计划数之间的差额来计算各因素变动对指标的影响程度。这一方法较连环替代法更为简便。 差额分析法在发电企业燃煤成本分析中的Excel应用的具体操作实例 众所周知,在目前,电价由国家控制的情况下燃煤成本的管理好坏决定着发电企业的存亡问题,发电企业的燃煤成本占发电总成本的比例不低于60%,在当前煤价持续长涨的趋势下,这个比例将会更高,因此必须加大对燃煤成本的分析力度,从内部挖潜,加强管理,才是企业生存之本。而影响燃煤成本的因素是多方面的,各方面又相互关联,完全依靠手工相对因难,而各相关因素看起来也不直观,借助于Excel,可以实现自动化分析。下面通过具体的实例来说明Excel在燃煤成本分析中的具体应用。有关资料数据如下表所示。 M电厂2009年1月原煤成本分析表 A B C D 1 项目计划实际差异

因素分析法

因素分析法 要指根据价值工程对象选择应考虑的各种因素,凭借分析人员的知识和经验集体研究确定选择对象。该方法简单易行,要求价值工程人员对产品熟悉,经验丰富,在研究对象彼此相差较大或时间紧迫的情况下比较适用,缺点是无定量分析、主观影响大。 [1] 因素分析法是利用统计指数体系分析现象总变动中各个因素影响程度的一种统计分析方法,包括连环替代法、差额分析法、指标分解法等。因素分析法是现代统计学中一种重要而实用的方法,它是多元统计分析的一个分支。使用这种方法能够使研究者把一组反映事物性质、状态、特点等的变量简化为少数几个能够反映出事物内在联系的、固有的、决定事物本质特征的因素。 方法功用 因素分析法的最大功用,就是运用数学方法对可观测的事物在发展中所表现出的外部特征和联系进行由表及里、由此及彼、去粗取精、去伪存真的处理,从而得出客观事物普遍本质的概括。其次,使用因素分析法可以使复杂的研究课题大为简化,并保持其基本的信息量。应用范围 因素 通过分析期货商品的供求状况及其影响因素,来解释和预测期货

价格变化趋势的方法。期货交易是以现货交易为基础的。期货价格与现货价格之间有着十分紧密的联系。商品供求状况及影响其供求的众多因素对现货市场商品价格产生重要影响,因而也必然会对期货价格重要影响。所以,通过分析商品供求状况及其影响因素的变化,可以帮助期货交易者预测和把握商品期货价格变化的基本趋势。在现实市场中,期货价格不仅受商品供求状况的影响,而且还受其他许多非供求因素的影响。这些非供求因素包括:金融货币因素,政治因素、政策因素、投机因素、心理预期等。因此,期货价格走势基本因素分析需要综合地考虑这些因素的影响。 [2] 经济 商品供求状况对商品期货价格具有重要的影响。基本因素分析法主要分析的就是供求关系。商品供求状况的变化与价格的变动是互相影响、互相制约的。商品价格与供给成反比,供给增加,价格下降;供给减少,价格上升。商品价格与需求成正比,需求增加,价格上升;需求减少,价格下降。在其他因素不变的条件下,供给和需求的任何变化,都可能影响商品价格变化,一方面,商品价格的变化受供给和需求变动的影响;另一方面,商品价格的变化又反过来对供给和需求产生影响:价格上升,供给增加,需求减少;价格下降,供给减少,需求增加。这种供求与价格互相影响、互为因果的关系,使商品供求分析更加复杂化,即不仅要考虑供求变动对价格的影响,还要考虑价格变化对供求的反作用。 运用程序

行业成功的关键因素分析

行业成功的关键因素分析 企业战略咨询主要划分为两大基本阶段 : 第二阶段,确定企业所处行业的成功的关键因素 。 第二阶段,在对企业所处行业背景的调查研究基础上,进行企业产品-市场的战略分析。 ? 企业所属行业的确定 这是企业战略咨询的前提和诊断工作的第一阶段。目的是通过诊断活动将企业经营活动纳入企业所处行业的范围之内,深入了解企业所处的行业情况。 在此阶段,咨询人员必须能够回答下列问题

: 1.企业所处的行业是什么? 2. 3.企业所处行业的主要产品和主要生产工艺是什么? 4. 3.企业所处行业的历史,当前的主要倾向,影响其发展的主要障碍和限制是什么? 5.企业所处行业的主要经济技术指示性数据是什么?表达 的方法是什么? 6. 5.企业所处行业的主要角色是谁?主要角色的经营战略是什么? 7.一般情况下,企业所处行业的结构如何,其特有的发展 逻辑是什么,也就是使本行业企业生存和发展的关键因 素是什么? 8. 企业可能生产并在各种各样的市场上销售各种各样的产品。因此,了解和判断一个企业的产品和市场处在何种工业行业之中;正确地划分企业的经营活动范围;在上述基础上,使企业处于某种具有独特发展规律和逻辑的地方、地区、国家和国际的工业行业之中是非常重要的。 企业往往非常清楚其产品和市场处于哪些行业。但是企业在进行战略研究时,准确地对行业分类却十分困难。对咨询人员来说,任何错误的分类都可能使战略诊断走上歧途。比如,为化肥工业生产和销售塑料编织袋的企业到底应划为何种行业?将其划为塑料编织袋工业、塑料工业、包装工业、抑或化肥工业。显然将企业定为化肥工业和定为包装工业其结果是完全不同的,必然会影响以后的战略研究和分析。 企业产品和市场所处行业的确定与企业发展战略是不可

多元数据处理——因子分析法

多元数据处理 ---因子分析方法 多元数据处理主要包括多元随机变量,协方差分析,趋势面分析,聚类分析,判别分析,主成分分析,因子分析,典型相关分析,回归分析以及各个分析方法的相互结合等等。本文主要针对其中的因子分析方法展开了论述,并举了一个因子分析法在我国房地产市场绩效评价中的应用实例。 第一章因子分析方法概述 1.1因子分析的涵义 为了更全面和准确的测量和评估对象的特征,在实际的应用中,我们往往尽可能多的选用特征指标进行系统评估,选取的指标越多,就越能全面、客观的反映评价对象的特征。选取众多指标的同时也带来了统计分析的困难:一、不同的指标,不同重要程度需要赋予不同的权重,而靠主观的评价避免不了一些失误与错误。二、收集到的指标之间可能存在较大的相关性,大量收集指标带来了人力、物力和财力的浪费。而因子分析方法则较好的解决了上述问题。 因子分析[1]是一种多元统计方法,该方法起源于20世纪初Karl Pearson 和Charles Spearman 等人关于心理测试的统计分析,它的核心是用最少的相互独立的因子反映原有变量的绝大部分信息。[2]通过分析事物内部的因果关系来找出其主要矛盾,找出事物内在的基本规律。 因子分析的基本思想是通过变量的相关系数矩阵内部结构的研究,找出能控制所有变量的少数几个随机变量去描述多个变量之间的相关关系,但是,这少数几个随机变量是不可观测的,通常称为因子。然后根据相关性的大小把变量分组,使得同组内的变量之间相关性较高,使不同组内的变量相关性较低[3]。对于所研究的问题就可试图用最少个数的所谓因子的线性函数与特殊因子之和来描述原来观测的每一变量[4]。因子变量的特点:第一,因子变量的数量远小于原指标的数量,对因子变量的分析能够减少分析的工作量;第二,因子变量不是原有变量的简单取舍,而是对原有变量的

管理工具关键成功因素分析法资料

精品文档 关键成功因素分析法 关键成功因素分析法(Key Successful Factors [KSF],Critical Success Factors [CSF]) [编辑] 什么是关键成功因素分析法? 关键成功因素法(key success factors,KSF)是信息系统开发规划方法之一,由1970年由哈佛大学教授William Zani提出。 关键成功因素(key success factors,KSF),关键成功因素是在探讨产业特性与企业战略之间关系时,常使用的观念,是在结合本身的特殊能力,对应环境中重要的要求条件,以获得良好的

绩效。 关键成功因素法是以关键因素为依据来确定系统信息需求的一种MIS总体规划的方法。在现行系统中,总存在着多个变量影响系统目标的实现,其中若干个因素是关键的和主要的(即成功变量)。通过对关键成功因素的识别,找出实现目标所需的关键信息集合,从而确定系统开发的优先次序。 关键成功因素指的是对企业成功起关键作用的因素。关键成功因素法就是通过分析找出使得企业成功的关键因素,然后再围绕这些关键因素来确定系统的需求,并进行规划。 精品文档. 精品文档 [编辑] 关键成功因素的4个主要来源 关键成功因素的重要性置于企业其它所有目标、策略和目的之上,寻求管理决策阶层所需的信息层级,并指出管理者应特别注意的范围。若能掌握少数几项重要因素(一般关键成功因素有5~9 个),便能确保相当的竞争力,它是一组能力的组合。如果企业想要持续成长,就必须对这些少数的关键领域加以管理,否则将无法达到预期的目标。即使同一个产业中的个别企业会存在不同的关键成功因素,关键成功因素有4个主要的来源: 个别产业的结构:不同产业因产业本身特质及结构不同,而有不同的关键成功因素,此因素是决定于产业本身的经营特性,该产业内的每一公司都必须注意这些因素。 竞争策略、产业中的地位及地理位置:企业的产业地位是由过去的历史与现在的竞争策略所决定,在产业中每一公司因其竞争地位的不同,而关键成功因素也会有所不同,对于由一或二家大公司主导的产业而言,领导厂商的行动常为产业内小公司带来重大的问题,所以对小公司而言,大公司竞争者的策略,可能就是其生存的竞争的关键成功因素。 环境因素:企业因外在因素(总体环境)的变动,都会影响每个公司的关键成功因素。如在市场需求波动大时,存货控制可能就会被高阶主管视为关键成功因素之一。 暂时因素:大部份是由组织内特殊的理由而来,这些是在某一特定时期对组织的成功产生重大影响的活动领域。 [编辑] 关键成功因素的8种确认方法 环境分析法(Environmental analysis):包括将要影响或正在影响产业或企业绩效的政治、经济、社会等外在环境的力量,换句话说,即重视外在环境的未来变化,比公司或产业的总体变化来得重要,惟实际应用到产业或公司上会产生困难。 产业结构分析法:应用Porter所提出的产业结构五力分析架构,作为此项分析的基础。此架构由五个要素构成。每一个要素和要素间关系的评估可提供分析者客观的数据,以确认及检验产业的关键成功因素。产业结构分析的另一个优点是此架构提供一个很完整的分类,另一项优点就是以图形的方式找出产业结构要素及其间的主要关系。 产业/企业专家法:向产业专家、企业专家或具有知识与经验的专家请教,除可获得专家累积的智慧外,还可获得客观数据中无法获得的信息,惟因缺乏客观的数据导致实证或验证上的困难。 竞争分析法(Competitive Analysis):分析公司在产业中应该如何竞争,以了解公司面临的竞

方法:因子分析法

因子分析基础理论知识 1 概念 因子分析(Factor analysis ):就是用少数几个因子来描述许多指标或因素之间的联系,以较少几个因子来反映原资料的大部分信息的统计学分析方法。从数学角度来看,主成分分析是一种化繁为简的降维处理技术。 主成分分析(Principal component analysis ):是因子分析的一个特例,是使用最多的因子提取方法。它通过坐标变换手段,将原有的多个相关变量,做线性变化,转换为另外一组不相关的变量。选取前面几个方差最大的主成分,这样达到了因子分析较少变量个数的目的,同时又能与较少的变量反映原有变量的绝大部分的信息。 两者关系:主成分分析(PCA )和因子分析(FA )是两种把变量维数降低以便于描述、理解和分析的方法,而实际上主成分分析可以说是因子分析的一个特例。 2 特点 (1)因子变量的数量远少于原有的指标变量的数量,因而对因子变量的分析能够减少分析中的工作量。 (2)因子变量不是对原始变量的取舍,而是根据原始变量的信息进行重新组构,它能够反映原有变量大部分的信息。 (3)因子变量之间不存在显着的线性相关关系,对变量的分析比较方便,但原始部分变量之间多存在较显着的相关关系。 (4)因子变量具有命名解释性,即该变量是对某些原始变量信息的综合和反映。 在保证数据信息丢失最少的原则下,对高维变量空间进行降维处理(即通过因子分析或主成分分析)。显然,在一个低维空间解释系统要比在高维系统容易的多。 3 类型 根据研究对象的不同,把因子分析分为R 型和Q 型两种。 当研究对象是变量时,属于R 型因子分析; 当研究对象是样品时,属于Q 型因子分析。 但有的因子分析方法兼有R 型和Q 型因子分析的一些特点,如因子分析中的对应分析方法,有的学者称之为双重型因子分析,以示与其他两类的区别。 4分析原理 假定:有n 个地理样本,每个样本共有p 个变量,构成一个n ×p 阶的地理数据矩阵 : ?????? ????? ???=np n n p p x x x x x x x x x X ΛM M M M ΛΛ212222111211

(完整版)因子分析法基本原理

1.因子分析法基本原理 在对某一个问题进行论证分析时,采集大量多变量的数据能为我们的研究分析提供更为丰富的信息和增加分析的精确度。然而,这种方法不仅需要巨大的工作量,并且可能会因为变量之间存在相关性而增加了我们研究问题的复杂性。因子分析法就是从研究变量内部相关的依赖关系出发,把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。这样我们就可以对原始的数据进行分类归并,将相关比较密切的变量分别归类,归出多个综合指标,这些综合指标互不相关,即它们所综合的信息互相不重叠。这些综合指标就称为因子或公共因子。 因子分析法的基本思想是将观测变量进行分类,将相关性较高,即联系比较紧密的分在同一类中,而不同类变量之间的相关性则较低,那么每一类变量实际上就代表了一个基本结构,即公共因子。对于所研究的问题就是试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。这样,就能相对容易地以较少的几个因子反映原资料的大部分信息,从而达到浓缩数据,以小见大,抓住问题本质和核心的目的。 因子分析法的核心是对若干综合指标进行因子分析并提取公共因子,再以每个因子的方差贡献率作为权数与该因子的得分乘数之和构造得分函数。因子分析法的数学表示为矩阵:B AF X +=,即: ????? ?? ??++++=++++=++++=++++=p k pk p p p p k k k k k k f f f f x f f f f x f f f f x f f f f x βααααβααααβααααβααααΛΛΛΛΛΛ332211333332321313223232221212113132121111 (k ≤p)………………(1式) 模型中,向量X ()p x x x x ,,,,321Λ是可观测随机向量,即原始观测变量。F ()k f f f f ,,,,321Λ是X ()p x x x x ,,,,321Λ的公共因子,即各个原观测变量的表达式中共同出现的因子,是相互独立的不可观测的理论变量。公共因子的具体含义必须结合实际研究问题来界定。A ()ij α是公共因子F ()k f f f f ,,,,321Λ的系数,称为因子载荷矩阵,ij α(i=1,2,.....,p;j=1,2,....,k)称为因子载荷,是第i 个原有变量在第j 个因子上的负荷,或可将ij α看作第i 个变量在第j 公共因子上的权重。ij α是x i 与f j

因素分析法

因素分析法 「问题」1.连环替代法怎样替代总是搞不明白? 「解答」连环替代法的原理是这样的: 假设有一关联等式N0=A0×B0×C0 (1) 在进行替代时,按照从左到右的顺序依次替代一个字母 第一次替代:N1=A1×B0×C0 (2) 第二次替代:第二次替代是在第一次替代的结果,即N1的基础上进行的,将B0替代成B1,即:N2=A1×B1×C0 (3) 第三次替代:第三次替代是在第二次替代的结果,即N2的基础上进行的,将C0替代成C1,即:N3=A1×B1×C1 (4) A的影响是(2)-(1),即(A1-A0)×B0×C0 B的影响是(3)-(2),即A1×(B1-B0)×C0 C的影响是(4)-(3),即A1×B1×(C1-C0) 「问题」2.差额分析法是连环替代法的一种简化形式,如何理解? 「解答」连环替代法,是将各个因素依次替代,然后依次分析每个因素的变动对指标的影响。而在差额分析法下,直接计算各因素的变动对指标的影响,即: A的影响是(A1-A0)×B0×C0 B的影响是A1×(B1-B0)×C0 C的影响是A1×B1×(C1-C0) 贴现率:贴现利息与承兑汇票票面金额的比例就是银行承兑汇票贴现率。 那么未到期的银行承兑汇票贴现需要支付多少给银行作为利息呢?我们可以套用下面的贴现计算公式 (设年贴现率为x%,月贴现率为y%)。 如果按照月利率计算,则贴现计算公式为:汇票面值-汇票面值×月贴现率y% ×贴现日至汇票到 期日的月数;

部分银行是按照天数来计算的,贴现计算公式为:汇票面值-汇票面值×年贴现率x% ×(贴现日 -承兑汇票到期日)的天数/ 360。 以上公式只是大致的承兑汇票贴现计算公式,实际中,还要根据是否是外地汇票、实际银行托收时间等在计算中加、减天数。最新银行承兑汇票贴现率还要咨询当地银行,这个利率是随时都在变动的。 目前银行承兑汇票贴现有个人办理和银行办理,现就商业银行银行承兑汇票的贴现简单说一下: 1、银行承兑汇票贴现,是企业手里有一张银行承兑汇票,等钱用到银行去“贴现”,银行按票面金额减 去“贴现息”把钱给企业。 2、贴现息的计算:假设企业手里有一张2009年7月15日签发银行承兑汇票,金额是100万元,到期日2009年12月15日,企业2009年8月10日到银行要求“贴现”,要与银行签定贴现合同,贴现息的计算公式是:金额×时间×利率=贴现息,100万元×127天×1.88%利率=6632.22元。给企业钱 是:100万-6632.22元=993367.78元。 说明: (1)时间八月21天+九月30天+十月31天+十一月30天+十二月15天等于127天。 (2)利率是各行是按国家票据挂牌价上下浮动定的,如1.88%是年利率,要转换成日利率计算,该 日利率是0.000052222/元 (3)如天数是年,利率就不转换,天数是月就转换月利率,天数是日就转换为日利率。 (4)利率表示:年利率:0/100,月利率0/1000,日利率0/10000% 1)应收账款周转率。 它是企业一定时期销售收入与应收账款的比率,是反映应收账款周转速度的指标。其计算公式为: 应收账款周转率(次数)=销售收入/应收账款 应收账款周转期(天数)=365/周转次数=应收账款×365/销售收入 注:应收账款可用年末数进行计算,但如果年末数受一些因素影响较大,可用平均数进行计算。 平均应收账款余额=(应收账款余额年初数+应收账款余额年末数)÷2 应收账款周转率高,表明收账迅速,账龄较短;资产流动性强,短期偿债能力强;可以减少坏账损失。 利用上述公式计算应收账款周转率时,需要注意以下几个问题: ①应收账款的减值准备问题。

SPSS操作方法:因子分析

实验指导之四 因子分析的SPSS操作方法 以例13.1为例进行因子分析操作。 1.在SPSS的数据编辑窗口(见图1)点击Analysize →Data Reduction →Factor,打开Factor Analysis对话框如图 2. 图1 因子分析操作 图2 Factor Analysis 对话框

将参与因子分析的变量依次选入Variables框中。例13.1中有8个参与因子分析的变量,故都选入变量框内。 2.单击Descriptives 按钮,打开Descriptives对话框如图3所示。 ?Statistics栏,指定输出的统计量。 图3 Descriptives对话框 Univariate descriptives 输出每个变量的基本统计描述; Initial solution 输出初始分析结果。输出主成分变量的相关或协方差矩阵的对角元素。(本例选择) ?Correlation Matrix栏指定输出考察因子分析条件和方法。 Coefficients相关系数矩阵; Significance levels 相关系数假设检验的P值; Determinant 相关系数矩阵行列式的值; KMO and Bartlett′s test of Sphericity KMO和巴特利检验(本例选择) 巴特利检验是关于研究的变量是否适合进行因子分析的检验. 拒绝原假设意味着适合进行因子分析. KMO值等于变量间单相关系数的平方和与单相关系数平方和加上偏相关系数平方和之比, 值越接近1, 意味着变量间的相关性越强,越适合进行因子分分析, KMO值越接近0, 则变量间的相关性越弱. 越不适合进行因子分析. Inverse 相关系数矩阵的逆矩阵; Reproduced 再生相关阵; Anti-image 反映象相关矩阵。 3.单击Extraction 按钮,打开Extraction对话框选项,见图4。

(完整版)SPSS因子分析法-例子解释

因子分析的基本概念和步骤 一、因子分析的意义 在研究实际问题时往往希望尽可能多地收集相关变量,以期望能对问题有比较全面、完整的把握和认识。例如,对高等学校科研状况的评价研究,可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标;再例如,学生综合评价研究中,可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力,虽然它们能够较为全面精确地描述事物,但在实际数据建模时,这些变量未必能真正发挥预期的作用,“投入”和“产出”并非呈合理的正比,反而会给统计分析带来很多问题,可以表现在: 计算量的问题 由于收集的变量较多,如果这些变量都参与数据建模,无疑会增加分析过程中的计算工作量。虽然,现在的计算技术已得到了迅猛发展,但高维变量和海量数据仍是不容忽视的。 变量间的相关性问题 收集到的诸多变量之间通常都会存在或多或少的相关性。例如,高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性;学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。例如,多元线性回归分析中,如果众多解释变量之间存在较强的相关性,即存在高度的多重共线性,那么会给回归方程的参数估计带来许多麻烦,致使回归方程参数不准确甚至模型不可用等。类似的问题还有很多。 为了解决这些问题,最简单和最直接的解决方案是削减变量的个数,但这必然又会导致信息丢失和信息不完整等问题的产生。为此,人们希望探索一种更为有效的解决方法,它既能大大减少参与数据建模的变量个数,同时也不会造成信息的大量丢失。因子分析正式这样一种能够有效降低变量维数,并已得到广泛应用的分析方法。 因子分析的概念起源于20世纪初Karl Pearson和Charles Spearmen等人关于智力测验的统计分析。目前,因子分析已成功应用于心理学、医学、气象、地址、经济学等领域,并因此促进了理论的不断丰富和完善。 因子分析以最少的信息丢失为前提,将众多的原有变量综合成较少几个综合指标,名为因子。通常,因子有以下几个特点: ↓因子个数远远少于原有变量的个数 原有变量综合成少数几个因子之后,因子将可以替代原有变量参与数据建模,这将大大减少分析过程中的计算工作量。 ↓因子能够反映原有变量的绝大部分信息 因子并不是原有变量的简单取舍,而是原有变量重组后的结果,因此不会造成原有变量信息的大量丢失,并能够代表原有变量的绝大部分信息。 ↓因子之间的线性关系并不显著 由原有变量重组出来的因子之间的线性关系较弱,因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题。 ↓因子具有命名解释性 通常,因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解

关键成功因素法

关键成功因素法是战略目标分解经常用到的方法,关键成功因素法认为一个组织的信息需求是由管理者的几项关键性成功因素决定的,因此把握好这几个关键性成功因素就可以确保管理目标的实现。关键成功因素法最早使用于企业信息系统规划,后来由于其方法简单易行,慢慢地成为了企业分解战略指标的工具。在绩效管理中,也常常利用关键成功因素法将战略或企业目标转化为关键指标。 关键成功因素法要注重关键和成功两个内容,所谓“成功”即此方法所关注的是促进企业成功的因素,而不是失败因素;所谓“关键”强调要从成功因素中筛选最重要和最具典型性的内容。一般成功关键因素的选择在5-9个。此外,关键成功因素还具有时效性,随着企业发展、环境变化等因素的变化,关键成功因素也会相应发生变化,所以对关键成功因素的总结是一个持续的过程。 确定关键成功因素,可以从以下几个方面考虑: 1.企业所处行业特点。每个行业特点不同,但行业内部企业具有共性。所以关键成功因素的提取首要参照行业间共性因素,通过对行业发展历史、本行业有别于其它行业的特点以及客户对行业需求的分析确定成功要素。 2.本行业竞争对手或领先者。对本行业竞争对手或行业领先者成功过程的分析,可以为本企业关键成功因素的把握提供重要参考。这一点对在行业中尚未处于领先地位的企业意义重大。 3.外部环境。外部环境的变化对企业发展方向、发展模式和管理方法具有重要影响。所以外部环境也是影响关键成功因素的主因,一方面外部客户对公司产品的爱好、需求影响公司产品定位及发展方向,另一方面,企业还应根据外部经济、政治、人文等因素的变化随时调整成功关键因素。

4.暂时因素。暂时因素一般是由企业内部因素影响的,如核心人才的引进、产品创新、技术创新、企业管理模式的创新都可能会影响到企业的成功要素。但这类因素一般只在一段时期内的成功要素产生影响,长期来说,企业发展仍将遵循本行业发展规律。 提炼企业关键成功因素的方法有许多,一般包括: 1.环境分析法,即重点分析外部环境对企业的影响。 2.产业结构分析法,以波特所提出的产业结构五力分析架构为基础。 3.产业/企业专家法,即以相关专家意见为主,确定成功要素。 4.竞争分析法,即通过分析企业的运作方法,了解竞争环境,发展成功要素。 5.产业领导厂商分析法,即根据该产业领先者成功要素的分析,确定本企业的成功要素。 6.企业本体分析法,即根据企业内部优劣势、资源组合及策略能力评估等确定成功要素。 7.突发因素分析法。 8.市场策略对获利影响的分析法。 以上方法各有利弊,企业可以选择其中某一种或几种方法,但无论采用哪儿一种方法,一般都会按照以下步骤: 1.了解企业的战略目标。 2.识别影响战略目标的所有成功要素。 3.确定关键成功要素。 4.确定指标和标准。

因子分析法(自己整理)

因子分析法 1.因子分析法简介: 1)因子分析法的提出 “因子分析”的名称于1931年由Thurstone 首次提出,但它的概念起源于二十世纪初Karl Pearson 和Charles Spearmen 等人关于智力测验的统计分析。近年来,随着电子计算机的高速发展,人们将因子分析方法成功地应用于各个领域,使得因子分析的理论和方法更加丰富。 2)因子分析的定义 因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系,即将相关比较密切的几个变量归在同一类中,每一类变量就成为一个因子(之所以称其为因子,是因为它是不可观测的,即不是具体的变量),以较少的几个因子反映原资料的大部分信息。因子分析法(Factor Analysis)就是寻找这些公共因子的模型分析方法,它是在主成分的基础上构筑若干意义较为明确的公因子,以它们为框架分解原变量,以此考察原变量间的联系与区别。 运用这种研究技术,我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些,以及它们的影响力(权重)运用这种研究技术,我们还可以为市场细分做前期分析。 3)与主成分分析的联系 主成分分析主要是作为一种探索性的技术,在分析者进行多元数据分析之前,用主成分分析来分析数据,让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用:a,了解数据。(screening the data),b,和cluster analysis一起使用,c,和判别分析一起使用,比如当变量很多,个案数不多,直接使用判别分析可能无解,这时候可以使用主成份发对变量简化。(reduce dimensionality)d,在多元回归中,主成分分析可以帮助判断是否存在共线性(条件指数),还可以用来处理共线性。 1、因子分析中是把变量表示成各因子的线性组合,而主成分分析中则是把主成分表示成个变量的线性组合。 2、主成分分析的重点在于解释个变量的总方差,而因子分析则把重点放在解释各变量之间的协方差。 3、主成分分析中不需要有假设(assumptions),因子分析则需要一些假设。因子分析的假设包括:各个共同因子之间不相关,特殊因子(specific factor)之间也不相关,共同因子和特殊因子之间也不相关。 4、主成分分析中,当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候,主成分一般是独特的;而因子分析中因子不是独特的,可以旋转得到不同的因子。 5、在因子分析中,因子个数需要分析者指定(spss根据一定的条件自动设定,只要是特征值大于1的因子进入分析),而指定的因子数量不同而结果不同。在主成分分析中,成分的数量是一定的,一般有几个变量就有几个主成分。和主成分分析相比,由于因子分析可以使用旋转技术帮助解释因子,在解释方面更加有优势。大致说来,当需要寻找潜在的因子,并对这些因子进行解释的时候,更加倾向于使用因子分析,并且借助旋转技术帮助更好解释。而如果想把现有的变

因素分析法

★因素分析法 1、含义:依据分析指标与其影响因素的关系,从数量上确定各因素对分析指标影响方向和影响程度的一种方法。 2、出发点:当有若干因素对分析指标发生影响作用时,假定其他各个因素都无变化,顺序确定每一个因素单独变化所产生的影响。 3、具体方法: (1)连环替代法——是将分析指标分解为各个可以计量的因素,并依据各个因素之间的依存关系,顺次用各因素的实际值替代计划值,据以测定各因素对分析指标的影响。 EG:某企业原材料耗用情况如下: 要求:运用连环替代法分析各因素变动对材料费用总额的影响程度。 解析:A、分析对象:材料费用实际超计划40350的原因 B、具体指标:材料费用总额=产量×单耗×单价 N =100×200×10=200000 N 2 =115×200×10=230000 N 3 =115×190×10=218500 N 1 =115×190×11=240350 N 2-N =230000-200000=+30000产量变动的影响 N 3-N 2 =218500-230000=-11500单耗变动的影响 N 1-N 3 =240350-218500=+21850单价变动的影响

合计: +40350(元) (2)差额分析法——是连环替代法的简化形式;是利用各个因素的实际值与计划值之间的差额,来计算各因素对分析指标的影响。 EG:续前例,运用差额分析法进行分析: 产量的影响额=(115-100)×200×10=+30000 单耗的影响额=115×(190-200)×10=-11500 单价的影响额=115×190×(11-10)=+21850 合计:(+30000-11500+21850)=+40350 4、采用因素分析法的NOTICE事项: (1)因素分解的关联性。即,确定构成经济指标的因素,必须是客观上存在着的因果关系,要能够反映形成该项指标差异的内在构成原因,否则,就失去了其存在的价值。 (2)因素替代的顺序性。替代因素时,必须按照各因素的依存关系,排列成一定的顺序依次替代,不可随意加以颠倒,否则,就会得出不同的计算结果。一般而言,确定正确排列因素替代程序的原则是:按分析对象的性质,从诸因素相互依存关系出发,并使分析结果有助于分清责任。 (3)顺序替代的连环性。因素分析法在计算每一个因素变动的影响时,都是在前一次计算的基础上进行的,并采用连环比较的方法确定因素变化的影响结果。因为只有保持计算程序上的连环性,才能使各个因素影响之和等于分析指标变动的差异,以全面说明分析指标变动的原因。 (4)计算结果的假定性。由于因素分析法计算的各因素变动的影响数,会因替代计算顺序的不同而有差别,因而计算结果不免带有假定性,即,它不可能使每个因素计算的结果,都达到绝对的准确。它只是在某种假定前提下的影响结果,离开了这种假定前提条件,也就不会是这种影响结果。为此,分析时应力求使这种假定是合乎逻辑的假定,是具有实际经济意义的假定。只有这样,计算结果的假定性,才不致于妨碍分析的有效性。

因素分析法(连环替代法和差额计算法)资料讲解

案例分析——因素分析法(抚钢) 抚顺特殊钢(集团)有限责任公司(下称抚钢)财务分析中常采用因素分析法,即把某一综合指标分解成若干个相互联系的因素,并分别计算、分析各个因素影响程度的方法。 例如,企业利用连环替代法对构成某种钢锭的原材料费用(金属料费用)进行分析,成本资料列于表1: 由表1可以看出,构成该种钢锭的原材料成本比目标超支了50 400元,影响这一指标变动的因素有产量、材料单耗、材料单价三个因素。在这三个因素中,应先替代起决定作用的产量因素,其次替代派生的单耗因素,最后代替单价因素。分析过程如下:钢锭中材料费目标总成本=目标产量×目标单耗×材料目标单价 =2 000×1.2×870 =2 088 000(元) (1)替代产量因素=实际产量×目标单耗×材料目标单价 =2 200×1.2×870 =2 296 800(元) 则产量变动对材料成本的影响数值=2 296 800-2 088 000=208 800(元) (2)替代单耗因素=实际产量×实际单耗×材料目标单价 =2 200×1.08×870 =2 067 120(元) 则单耗变动对材料成本的影响数=2 067 120-2 296 800=-229 680(元) (3)替代单价因素=实际产量×实际单耗×材料实际单价 =2 200×1.08×900 =2 138 400(元) 则单价变动对材料成本的影响数值=2 138 400-2 067 120=71 280(元) 将这三个因素的综合影响数值相加: 208 800+(-229 680)+71 280=50 400(元) 分析结果表明,该钢锭的实际材料成本比目标成本超支了50 400元。主要原因是:

相关主题
相关文档 最新文档