基于因子分析物流企业绩效评价研究.docVIP

基于因子分析物流企业绩效评价研究 　　【摘要】本文首先探讨了如何建立物流绩效评价指标体系，确立经营效益能力、偿债能力、营运能力和发展能力这4个一级指标以及9个二级指标。接着应用因子分析方法对我国上市物流企业经营绩效评价进行了实证研究。实证研究中选取18家上市物流企业，分别来自公路运输、水路运输、航空运输、港口、机场以及仓储业。最后根据实证分析的结果对我国上市物流企业提出了投资建议。 　　【关键词】因子分析 公司绩效 物流企业 　　一、物流企业绩效评价指标 　　物流企业经济效益评价是一项比较复杂的工作，它涉及企业经济运行中各生产要素的投入、产出、效率等诸多方面的问题。本文选取了4个一级指标，分别是经营效益能力指标、偿债能力指标、营运能力指标、发展能力指标；设置了9个二级指标：资产负债率，速动比率，应收账款周转率，总资产周转率，总资产增???率，经营净利率，净资产收益率，成本费用利润率，股东权益增长率，作为物流企业绩效分析的评价指标。这些指标共同反映物流企业的经营效益、偿债能力、营运能力和发展能力。 　　二、实证分析 　　（一）数据来源 　　本文分析选取了18家上市物流公司2009年的年度财务数据，具体数据如表1所示。 　　表1 上市公司财务数据 单位：% 　　注一：X1：资产负债率（%），X2：速动比率（%），X3：应收账款周转率（%），X4：总资产周转率（%），X5：总资产增长率（%），X6：经营净利率（%），X7：净资产收益率（%），X8：成本费用利润率（%），X9：股东权益增长率（%） 　　注二：数据来源于世纪证券分析软件的财务分析以及国泰安网站的财务分析 　　（二）计算相关系数矩阵和Bartlett球度检验和KMO检验 　　根据图1可以看出，大部分指标间的相关系数是大于0.3的，存在着较强的相关性。 　　图1 相关系数矩阵 　　Bartlett球度检验以原有变量的相关系数矩阵为出发点，其零假设是：相关系数矩阵为单位矩阵，即相关系数矩阵主对角元素均为1，非主对角元素均为0。根据相关系数矩阵的行列式计算可得其近似服从卡方分布。从图2可知，统计量卡方值较大为74.59且对应的sig值小于给定的显著性水平，所以零假设不成立。即说明相关系数矩阵不太可能是单位矩阵，变量之间存在相关关系，适合做因子分析。 　　KMO检验的统计量值越接近1，意味着变量间的相关性越强，原有变量适合做因子分析；越接近0，意味变量间的相关性越弱，越不适合作因子分析。根据图2中的KMO抽样适当性统计量的值为0.598，已达到适合的标准。因此可认为本文数据是比较适合用于因子分析的。 　　图2 KMO抽样适当性检验和Bartlett球度检验结果 　　（三）公因子个数的确定 　　目前还没有一种能够精确确定公因子个数的定量方法，实际应用中往往借助一些准则来确定。主要有以下几种： 　　1.特征值准则，取特征值大于或等于1的主成分作为初始因子。 　　2.因子累计方差贡献率准则，一般所选取的因子个数应该满足累计方差贡献率达到80%以上。 　　图3 抽取共同因子的结果 　　当然最终确定因子个数还必须考虑所研究课题的目的与具体的经济意义，在这里综合考虑以上因素最终确定提取3个公因子。本文采用的是主成分法初步抽取因子，从图3（第四列）可以看出抽取前3个因子所解释变异量的累积百分比为75.457%，其中第一个因子解释变异量的百分比为37.514%，第二个因子解释变异量的百分比为25.056%，第三个因子解释变异量的百分比为12.887%；第二列为各因子的特征值，第一因子的特征值为3.376，第二因子的特征值为2.255，第三因子的特征值为1.16；特征值越大，表示该主成分在解释所有变异量时越重要。第9列为旋转后各因子解释方差的百分比，这对后面计算各企业综合得分时很重要，是作为参与计算的各因子的权数。 　　（四）求解因子模型 　　主要是根据因子载荷矩阵（各变量在共同因子上的组型负荷量）来求解因子模型。图4列出了各变量对应于3个公因子的载荷值，但此表不能清晰地看出各个公因子代表哪些变量（经济意义不明显），因此对因子载荷矩阵进行方差极大旋转，使载荷矩阵中每一行的数值（绝对值）尽可能向0和1两极分化，这样得到的旋转后的因子载荷矩阵（图5）便于解释公因子的实际意义。 　　图4 因子载荷矩阵 图5 旋转后的因子载荷矩阵 　　（五）因子命名 　　由图5可以看出，因子一基本反映了X1：资产负债率、X2：速动比率、X5：总资产增长率、X9：股东权益增长率，其经济意义代表着物流企业的偿债能力和发展能力；因子二基本反映了X3：应收账款周转率、X4：总资产周转率、X6：经营净利率、X8：成本费用利润率，其经济意义代表着物流企业的营运能力。因子三基本反