上市公司企业绩效测度和评价.docVIP

上市公司企业绩效测度和评价 　　内容摘要：本文从与企业绩效相关的变量出发，综合国内外相关文献，介绍回归方法的基本概念。基于制造业上市公司财务数据，研究分析与企业绩效相关的24个变量，分别使用最小二乘法、相关系数法、岭回归、最优子集选择法和lasso方法进行回归，根据回归结果比较不同方法的优劣处，综合选择最优的回归方法得到最优的模型为lasso模型，并解释模型，通过交叉验证的方法进行验证分析。最后通过模型提出建议：优化高管结构，根据行业特征选择最优企业模型，保证审计意见准确，并且由于公司规模较大后规模报酬递减，因此在公司规模扩大到一定程度后应停止扩张。 　　关键词：企业绩效 岭回归 最优子集选择法 lasso 交叉验证 　　问题的提出 　　（一）研究背景 　　本文旨在从众多变量中筛选出有价值的变量，利用筛选出的变量进行企业绩效的相关性分析，以期发现实际意义。本文区别于传统的根据专家选择解释变量建立回归模型的方法，而将挑选和企业绩效相关的因素的过程引入到建模。基于2015年制造业上市公司财务数据，研究分析与企业绩效相关的24个变量，分别使用最小二乘法、最优子集选择法、岭回归和lasso方法进行分别回归，根据回归结果比较不同方法的优劣处，综合选择最优的模型并解释模型。最后通过交叉验证的方法进行验证分析。 　　本文在使用最小二乘法、最优子集选择法、岭回归和lasso算法后分析比较得出，lasso算法无论是在变量选择还是拟合优度方面都表现得更为出色。根据研究过程，本文也针对企业绩效提出相关建议。 　　（二）数据来源及样本处理 　　本文选用制造业上市公司2015年公开披露的财务数据1686个，在此基础上做了如下处理：删除ST、*ST企业的样本;删除相关变量缺失的企业样本，最终得到了1006个企业年度数据，为消除离群值的影响，对所有连续型变量进行了（1%，99%）的缩尾处理。本文数据均来自国泰君安数据库。 　　本文用ROA表示企业绩效，同时选取24个可能与它相关的变量，分别是董事会效率、董事会独立性、公司规模、公司年龄、市净率、比率结构（有形资产比率、无形资产比率）、主营业务利润占比、财务杠杆、总股数、国有股占比、资产负债率、归属于上市公司股东的扣除非经常性损益的净利润、加权平均净资产收益率、基本每股收益、审计意见、内控评价报告（是否披露内控评价报告、是否出具内控评价报告结论、内部控制是否有效、内部控制是否存在缺陷）、高管资料（年龄、教育背景、年末持股数）、公司年龄。 　　企业绩效模型建立与实证分析 　　（一）最小二乘模型 　　本文采用最小二乘法为对照组，用以比较其它回归方法得到的结果，并从中选出最优模型。说明：所有数据已进行了标准化处理，所以模型的系数大小说明的是比例，与量纲无关。在最后做出预测时，只需根据均值和标准差进行还原即可。关于目标函数求得最小二乘解和显著性检验结果，如表1所示。 　　从回归的结果可以看出，大部分变量的系数不能通过显著性检验，说明回归的结果不佳，模型里掺杂了很多不相关的变量。 　　加权平均净资产收益率、资产负债率等指标能较为直接的反映企业绩效，因为它们是与企业绩效直接相关的变量。需要引起关注的是显著变量中的审计意见类型、高管年龄和高管持股数，其对企业绩效产生了显著的影响。 　　（二）最优子集选择模型 　　最优子集选择法的思想是对p个变量的所有可能组合分别使用最小二乘回归进行拟合，最后在所有可能模型中选择一个最优模型。 　　将最优子集选择法运用财务数据中，可以看到对于24个变量，模型中的变量数k的选择也有24种，对于每个k都有一个最优的模型。先对k=1，2，…，24分别选出最优模型，最后综合选出这24个不同的k的最优模型。模型误差与k的关系如图1所示。 　　从图1中可以看出，当模型的变量个数k取4时，模型的测试误差达到了最小值，此时的模型正是所要求的模型。且当模型中变量个数很大时，模型的误差大大增加，即达到拟合状态。 　　在最优子集选择法中保留下来的变量为市净率、资产负债率、净资产收益率、基本每股收益。这样的结果是有说服力的，因为这四个变量都可以作为企业绩效的直接体现，同时也得到一个结论，模型的准确性极高，解释性极强。但并不能作为很有意义的信息，以提出有效的结论。所以应当增加模型中的变量数，找出与企业绩效非直接相关的变量，当模型的变量增加到5个时，公司规模加入了模型;当变量增加到6个时，审计意见类型又加入了模型。 　　公司规模的系数为负数，即公司规模越大，企业绩效越差，这显然与显示情况不完全相同。直接观察公司规模和企业绩效的关系如图2所示。 　　公司规模与企业绩效有较明显的相关关系，即公司规模与企业绩效的关系是一个较为明显的倒U凹函数。在短期内小幅度增加公司