基于因子分析的农业上市公司财务绩效评价研究.docxVIP

基于因子分析的农业上市公司财务绩效评价研究 　　（一）公司样本的选择及筛选过程 　　样本的选取：本研究选择的农业上市公司为广义的农业，也就是大农业，即被中国证监会划分为农、林、牧、渔的上市公司选取原则：在样本选取方面遵循了以下原则： 　　1、公司在2019年之前上市 　　2、剔除了至今处于ST、*ST、退市状态的企业 　　3、剔除了经营业绩波动较大、所需数据不完整的农业上市公司 　　经过筛选，最终确定27家农业上市公司作为研究对象。具体公司及主营业务和所属地区如下表2，原始财务数据来源于巨潮资讯网和国泰安数据库等网站以及各农业上市公司2019年年报。 　　表2：农业上市公司列表? ? ? 　　（二）提取公因子 　　为研究农业上市公司的财务绩效上一节选取了大量的财务指标，财务指标与财务指标之间往往具有关联性，而因子分析的结果很容易受指标之间关联性强弱的影响。通常而言，决策单元的数量要高于原始财务指标的两倍，原始财务指标数量也不宜过多，不得大于决策单元的三分之一。在筛选出能够体现原始财务指标能力的公因子之后，要提前进行原始变量之间的相关性分析，具体步骤为：（1）进行原始数据检验，判断原始财务指标数据能否进行因子分析。（2）对原始财务数据进行共同度分析，同时构成因子变量。（3）对因子变量进行旋转，得到因子变量的总方差解释情况。（4）最后得到因子得分系数矩阵，计算公因子得分。 　　（三）因子分析 　　1、因子分析法 　　因子分析法是指从研究指标相关矩阵内部的相关关系出发，把一些信息具有错综复杂、重叠关系的变量归结为少数几个不相关的综合因子的一种多元统计分析方法。通过因子分析方法能够对上市公司进行得分排名，更加直观地展现农业上市公司的财务绩效。 　　2、相关性检验 　　在对农业上市公司使用因子分析法排名之前，需要先使用SPSS软件对原始数据进行相关性检验，即对原始数据进行KMO和巴特利特球形检验。本文在进行因子分析时运用SPSS26.0软件，首先将27个样本的8个财务指标变量进行降维，进行因子分析中的KMO和巴特利特检验，来检验这些数据是否适合因子分析。KMO数值的取值范围是0-1，其中0.9-1表示极好，0.8-0.9表示可奖励的，0.7-0.8表示还好，0.5-0.7表示中等，0.5以下表示不可接受，通常而言，要想进行因子分析，数据KMO的检验值需要大于0.5，但是严格来说，只有当KMO的值不低于0.7时，数据做因子分析才是最合适的。检验单独变量之间是否具有独立性是通过巴特利特球形检验实现的，如果巴特利特球形检验的结果显示显着性P值小于0.05时，说明本文所选取的变量不是单位阵，也就表示变量之间具有相关性，适用于因子分析进行降维，由图表3可以得知，检验得出的KMO的值为0.626大于0.5，巴特利特球形检验结果显示指标的近似卡方统计量值为269.802，否定了零假设，此检验结果说明这些原始指标之间存在强相关性，同时显着性P值为0，所以说这组数据是来自于正态分布的总体，适合做因子分析[3]。 　　表3:KMO值和Bartlett球性检验? ? ? 　　3、财务指标变量的共同度 　　各变量中所含原始信息被提取的公因子所解释的程度通过因子分析共同度解释，因子分析的共同度计算结果见表4。对各变量中所含原始信息提取公因子，所解释程度均值为80.73%，其中仅有总资产周转率和总资产增长率解释程度较低。其他因子提取的总体效果较强，信息基本没有丢失，所以本案例提取的公因子效果是非常理想的，能够很好概括原文章的信息。 　　表4：指标数据公因子方差表? ? ? 　　提取方法：主成分分析法。 　　4、因子分析的总方差解释 　　选取的27家农业上市公司的总方差解释计算结果见表5。由图表可知，成分一的初始特征根值为4.306，在解释了八个变量的总方差之后得到53.8%。成分一和成分二的累计方差贡献率高达80.7%，说明这两个主成分能够分别对公司的偿债和营运能力、盈利能力和发展能力作出较好的解释，因此可以选择这两个主成分作为主因子，设成分一为F1，成分二为F2。 　　表5：总方差解释? ? ? 　　提取方法：主成分分析法。 　　表6：主成分系数矩阵? ? ? 　　下载原表 　 　　提取方法：主成分分析法。旋转方法：凯撒正态化最大方差法。组件得分。 　　5、公因子得分 　　根据回归法得出原始指标数据因子得分系数矩阵见表6，根据成分得分系数矩阵，可以列出指标数据因子得分函数： 　　根据各因子的表达式，可以得出总的财务绩效评价模型： 　　以财务绩效的评价模型为依据，对27家农业上市公司进行得分计算，然后根据计算结果，对27家农业上市公司进行得分排名。 　　根据27家农业上市公司综合绩效得分排名表可以得出农业上市公司F1、F2得分以及F得分的情况，根据F得分