一、案例综述

案例编号：

101003

案例名称：

财务管理领域的应用——上市公司财务指标综合分析

作者姓名（或单位、或来源）：

刘莎莎

案例所属行业：

69 证券

案例所用软件：

SPSS

案例包含知识点：

因子分析  度量尺度变量转化为有序尺度变量、对应分析回归分析   OLS  VIF  方差膨胀因子 多重共线性个案选择  logistic回归分析   二元选择模型  离散因变量模型 逐步回归 多重贡献性 样本外预测  样本内预测 模型预测 随机选择样本  过滤变量的生成

案例描述：

财务管理是指在一定的整体目标下，关于资产的购置（投资），资本的融通（筹资）和经营中现金流量（营运资金），以及利润分配的管理。财务管理是现代企业管理的重要组成部分，它是根据财经法规制度，按照财务管理的原则，组织安排企业财务活动，处理财务关系的一项经济管理工作。

在财务管理领域的专业高效数据分析可以使企业经营决策者充分地利用企业财务资源，了解企业经营现状，获得进一步做出正确的经营决策的依据, 进而加强企业成本控制、改善财务状况、提高企业经营效益以增强企业市场竞争力。

本案例的数据文件说明：数据文件名字为caiwu.sav。该数据为2014年49家公司的年报财务指标。变量包括st状态、股票代码，公司简称、公司全称、包括资产负债率、流动比率、速动比率、产权比率、加权净资产收益率、摊薄总资产报酬率、毛利率、净利率、总资产周转率、应收账款周转天数、存货周转天数、营业收入增长率、总资产增长率、资本积累率、观测值编号。

选取的49家公司里面既有st公司又有非st公司，这样选取的目的是为了能够使得数据适合建立logistic回归模型，进而起到预测的目的。本案例的分析目的是用现在拥有的一些上市公司财务指标数据起到探索指标间的关系及预测的目的。

本案例共包含四个知识点:

第1个知识点用因子分析对14个财务指标进行降维，将14个财务指标降为4个因子（盈利能力、发展能力、资本结构、资本周转），计算各个因子的得分形成四个新的变量。

第2个知识点用第一个知识点中得到的盈利能力、发展能力两个因子进行对应分析。通过对应分析发现，盈利能力高的公司，可能发展能力只是中上水平。盈利能力中上的企业，发展能力可能比较差。盈利能力中下的企业可能发展能力更强。盈利能力差的发展能力也较差。

第3个知识点用线性回归分析方法研究其他财务指标对净利率的影响。首先把“资产负债率、流动比率、速动比率、产权比率、总资产周转率、应收账款周转天数、存货周转天数”几个变量全部作为解释变量加入到回归方程里面，接着根据变量的显著性和方差膨胀因子判定多重共线性问题，然后去掉可能引起共线性的变量，最终得到一个比较简洁的方程。发现资产负债率和存货周转天数对净利率影响为正，产权比率和应收账款周转天数对净利率影响为正。

第4个知识点从49个公司样本中，用随机抽样，抽取80%的公司样本（45个公司）作为建模样本，用logistic回归方法进行模型估计，研究各财务指标对公司st状态的影响，进而对参与建模的45个公司和未参与模型估计的4个公司的st状态均作出预测（对45个公司的预测称为样本内预测，对4个公司的预测称为样本外预测）。然后对两类样本的预测效果作出评价。样本内预测的准确率为88.9%，样本外预测的准确率为75%。

案例执行形式：

单人上机

二、案例知识点

知识点1：

知识点名称：基于因子分析的财务指标的隐藏因素挖掘

知识点所属工作角色：

数据分析

知识点背景：

因子分析是一种从大量数据中由表及里、去粗取精寻找隐性解释变量的统计分析技术。

知识点描述

我们可以使用因子分析来对多个相关性比较强的指标进行数据降维、分析挖掘潜在变量。

知识点关键词：

因子分析

知识点所用软件：

Spss

操作目的：

对数据进行降维分析，将多个相关性比较强的指标浓缩为比较少的几个指标。

知识点素材（包括数据）：

caiwu.sav

操作步骤:

Ø 执行“分析”，“降维”，“因子分析”命令，弹出“因子分析”对话框；

Ø 将资产负债率变量到资本积累率变量拉入“变量”选择框里，点击“抽取”选项，保持默认设置，即公因子提取方法为主成分法。按照特征值大于1的原则来提取主因子个数，点击“继续”按钮；点击“旋转”选项，是对主因子进行旋转，目的是公因子的含义更加明确。选择“最大方差法”，勾选“载荷图”，点击“继续”按钮；

Ø 点击“得分”选项卡，勾选“保存为变量”，方法选择“回归”，勾选“显示因子得分系数矩阵”，可以看到因子的得分系数。也可以不看，我们这里不勾选，点击“继续”按钮；

Ø 点击“确定”按钮。

图4 总方差解释图

可以看到按照特征根大于1的原则来提取主因子，共提取了4个因子，但是在因子分析的过程中，提取的主因子的累计贡献率一般需要达到85%，但是在分析不同的问题时可以按照分析目的稍微调整，能够达到分析目的的要求即可。若是要求必须在85%以上，则在SPSS操作中可通过自行设置主因子的个数，使其累计贡献率达到85%。这里我们仅按照特征值大于1的规则提取四个因子。

图5 成分矩阵

图5输出结果是因子载荷矩阵，表示四个因子在各个变量上的载荷。数值绝对值越大说明这个因子负载的某个变量的信息越多。

图6 旋转后的成分矩阵

上述输出结果是旋转之后的各个变量与四个主因子之间的关系，前面已经提到，进行旋转的目的是为了是各个因子的系数尽量接近于0或者是1，以期能够得到含义更加明确的因子的意义。

图7 因子得分系数矩阵

上表为因子得分系数矩阵，是用来计算各因子的得分的，因为更多的时候我们需要将公因子表达为各变量的线形形式。主因子1就可表示为：F1= -0.271*流动负债率-0.094*流动比率-0.1*速动比率-0.382*产权比率+0.284*加权净资产收益率+0.075*摊薄总资产报酬率+0.038*毛利率+0.171*净利率+0.081*总资产周转率+0.054*应收账款周转天数+0.156*存货周转天数-0.191*营业收入增长率-0.196*总资产增长率+0.134*资本累积率

SPSS中勾选了“保存为为变量”这一选项，在原始的数据中，四个因子的名字自动存为FAC1_1、FAC2_1、FAC3_1、FAC4_1， 第一个因子可以定义为盈利能力因子，第二个公因子主要反映了公司未来增长和发展趋势的，因此可以定义为发展能力因子，第三个因子为公司资本结构因子，第四个因子定义为资本周转因子。

操作结果：

将上面生成的因子得分变量保存在文件夹中存为caiwu1.xlsx，以备后续使用。

知识点小结：

因子分析的目的主要是为了降维，把比较多的变量变成比较少的变量，如果变量之间的相关性比较强才适合进行因子分析。通过观察第一因子得分发现南宁化工股份有限公司、云南景谷林业股份有限公司、上海超日太阳能科技股份有限公司这三家公司的得分负值比较大，确实这几家公司的盈利能力比较差。

知识点2：

知识点名称：公司的盈利能力和发展能力的对应分析

知识点所属工作角色：

数据分析

知识点背景：

如果想要对两个分类变量或者是两个定序尺度变量的相关性进行分析则可以采用对应分析。

知识点描述

对应分析是研究两个分类变量之间的关系，主要是采用图形化展示结果。

知识点关键词：

度量尺度变量转化为有序尺度变量、对应分析

知识点所用软件：

SPSS

操作目的：

对两个定序尺度变量进行对应分析。

知识点素材（包括数据）：

Caiwu1.sav

数据中的FAC1_1、FAC2_1、FAC3_1、FAC4_1四个变量，分别为为盈利能力因子、发展能力因子、公司资本结构因子、资本周转因子。

操作步骤:

操作步骤：

Ø 打开caiwu1.sav

Ø 将度量尺度变量转化为名义尺度变量。

我们根据因子分析部分提取的公因子FAC1_1，对个案进行分类，共分成4类，FAC1_1<-0.5为类别1，-0.5=0.5为类别4。可以看到类别4的第一因子得分>类别3的第一因子得分>类别2的第一因子得分>类别1的第一因子得分。这是我们设定的第一个分类变量，起名为盈利能力。

我们根据因子分析部分提取的公因子FAC2_1，对个案进行分类，共分成4类，FAC1_1<-0.5为类别1，-0.5=0.5为类别4。可以看到类别4的第一因子得分>类别3的第一因子得分>类别2的第一因子得分>类别1的第一因子得分。这是我们设定的第二个分类变量，起名为发展能力。

Ø 执行“转换”，“重新编码为不同的变量”命令；

Ø 将FAC1_1选入右侧框中，将输出变量的名称框里写上盈利能力。然后点击“更改”

Ø 点击“旧值和新值”按照FAC1_1<-0.5为类别1，-0.5=0.5为类别4，将FAC1_1的输出变量名定义为盈利能力；

Ø 点击继续

Ø 将FAC1_1选入右侧框中，将输出变量的名称框里写上盈利能力。然后点击“更改”

Ø 

Ø 点击“旧值和新值”按照FAC2_1<-0.5为类别1，-0.5=0.5为类别4，将FAC2_1的输出变量名定义为发展能力，进行旧值与新值的替换。

Ø 点击“继续”

Ø 点击“确定”

Ø 可以看到盈利能力和发展能力两个变量生成成功。

Ø 执行“分析”，“降维”，“对应分析”命令；

Ø 将盈利能力变量选入“行”框里，发展能力选入“列”框里。

图10 对应分析

Ø 点开“行”下面的“定义范围”，最小值设定为1，最大值设为4，点击“更新”按钮；

Ø 点击“继续”按钮；

Ø 点击“列”下面的“定义范围”，最小值设定为1，最大值设为4，点击“更新”按钮；

Ø 点击“继续”按钮；

点击“statistics”选项，勾选“行点概览”及“列点概览”选项，其他默认，点击“继续”按钮，然后点击“确定”，输出结果如下：

图11 对应表

上述输出的是对应表，即两变量的行*列表。对应分析后续的计算就是基于这个表格进行的。

图14摘要

上述输出的是对应分析的结果汇总表，给出所提取的每个维度所携带的信息量，从而帮助确定需要使用多少个维度对结果进行解释。从左到右的前6个指标依次是维数、奇异值、惯量、总的卡方检验及P值、方差解释比例。

奇异值的平方就等于惯量，相当于因子分析中常说的特征根，用于说明对应分析各个维度的结果能够解释列表中两变量联系的程度。所有维度惯量的总和可以用来表示总信息量的大小。

卡方检验及P值用来检验行变量与列变量指甲是否存在关联，被看作是对应分析适用条件的检验，只有放行变量与列变量有关联时，才需要使用对应分析进行详细分析。这里我们的卡方统计量对应的相伴概率为0.19，说明两个变量的相关性不是很强，不是特别适合进行对应分析。

图 行点总览结果图

上述输出结果为行变量盈利能力的各类别的分析结果概况。上述输出结果为行变量（盈利能力）各类别的分析结果概况，主要给出了各类别在各维度上的评分，以及相应的信息贡献量两大类信息。Mass（质量）是指行变量各类别的构成比，例如类别1占总数的比为16.3%；Score in Dimension（维中的得分）给出行变量各类别在相关维度上的评分，也就是行变量各状态在二维图中的坐标值；Inertia（惯量）反映的是总惯量中分别由各行变量类别所提供的部分，数值越大，说明该类别对总惯量的贡献越大；Contribution（贡献）分为点对维数的惯量和维数对点的惯量。点对维数的惯量说的是行变量各类别对每一个维度特征值的贡献。维数对点的惯量说的是每一个维度对行变量各类别特征值的贡献。由此可以更好的理解维度的来源及意义。

比如从点对维数的惯量部分，我们看到第一维度的信息主要被2类别和4类别携带，即这两个类别在第一维度上的区分度较好。我们看到第二维度的信息主要被1类别和3类别携带，即这两个类别在第二维度上的区分度较好。

比如从维数对点的惯量部分，我们看到第一维度对3 4两个类别贡献比较大（或者说第3 4两个类别的大部分信息由第一维度解释），第二维度对2类别贡献比较大，2个维度对类别2总的解释度只能达到70.2%，可以考虑是否加入第三维度。两个维度对类别1的贡献度差异不大。

图列点总览表结果图

上述输出结果为列变量（发展能力）各类别的分析结果概况，主要给出了各类别在各维度上的评分，以及相应的信息贡献量两大类信息。

Mass（质量）是指列变量各类别的构成比，例如类别1占总数的比为34.7%；Score in Dimension（维中的得分）给出列变量各类别在相关维度上的评分，也就是列变量各状态在二维图中的坐标值；Inertia（惯量）反映的是总惯量中分别由各列变量类别所提供的部分，数值越大，说明该类别对总惯量的贡献越大；Contribution（贡献）分为点对维数的惯量和维数对点的惯量。点对维数的惯量说的是列变量各类别对每一个维度特征值的贡献。维数对点的惯量说的是每一个维度对列变量各类别特征值的贡献。由此可以更好的理解维度的来源及意义。

比如从点对维数的惯量部分，我们看到第一维度的信息主要被类别和4类别携带，即这两个类别在第一维度上的区分度较好。我们看到第二维度的信息主要被1类别和2类别携带，即这两个类别在第二维度上的区分度较好。

比如从维数对点的惯量部分，我们看到第一维度对3 4两个类别贡献比较大，第二维度对2类别贡献比较大。两个维度对类别1的贡献度差异不大。前两个维度对每个类别的解释程度都超过了95%，说明两个维度对各类别的解释度是比较大的，不需要加入第三维度。

散点图

上图中各类别散点在空间中的距离和位置就反映了各自间的关系，多数分析报告均只使用这张图进行描述。从上面的图形可以看出，盈利能力最高的公司，可能发展能力只是中上水平。盈利能力中上的企业，发展能力可能最差。盈利能力中下的企业可能发展能力最强。盈利能力最差的发展能力中下。

操作结果：

将上面整理的结果保存在文件夹中存为caiwu2.xlsx，以备后续使用。

知识点小结：

如果想对连续变量进行对应分析先要将变量转化为定序尺度变量或者名义尺度变量，再进行对应分析。如果两个变量本来就是名义尺度变量则可以直接进行对应分析操作。

知识点3：

知识点名称：净利率的影响因素分析

知识点所属工作角色：

数据分析

知识点背景：

想研究哪些因素对公司净利率有影响，可以进行回归分析建模。

知识点描述

研究多个变量对一个变量的影响分析。

知识点关键词：

回归分析   OLS  VIF  方差膨胀因子 多重共线性

知识点所用软件：

SPSS

操作目的：

对数据进行回归分析，并进行显著性检验。具体`来讲我们研究资产负债率，流动比率、速动比率、产权比率、总资产周转率、应收账款周转天数、存货周转天数对净利率的影响。

知识点素材（包括数据）：

Caiwu.sav

操作步骤:

操作步骤：

Ø 启动spss

Ø 打开caiwu.sav

Ø 执行“分析”,“回归”，“线性”命令； 

Ø 将净利率拉入“因变量”框里；

Ø 将“资产负债率、流动比率、速动比率、产权比率、总资产周转率、应收账款周转天数、存货周转天数”拉入“自变量”框里，其他默认；

Ø 点击“statistics”选项，选中“共线性诊断”，点击“继续”按钮。点击“确定”按钮。

图18 方差分析结果图

由上述分析结果可知，回归方程整体显著性的统计检验量F值为12.098，其相应的P值远小于0.05，表明在0.05的显著性水平下，整个回归方程是显著的。 

图19系数输出结果

上述的输出结果为各个变量的系数显著性t检验以及系数值。由输出结果可知，资产负债率、流动比率、速动比率、总资产周转率这几个变量都不显著，但是上一步的输出结果表明，整个方程又是显著的，分析原因可能是多重共线性引起的，因为这几个解释变量的方差膨胀因子（VIF）比较大，一般VIF值超过10，就表明存在共线性。解决的方案是：将变量速动比率、流动比率、总资产周转率按照VIF值的大小，首先将VIF值最大的变量从方程中去掉，重新估计方程，直到所有的变量都显著为止。除了直接删除变量之外，存在多重共线性的情况下，还可以使用偏最小二乘估计，岭回归、lasso等方法进行处理。我们在这里采用的是删除变量的方法。结合变量的经济意义，经过反复修改，我们最终得到的模型结果如下：

   图20 方差分析结果

图21 系数结果图

上述输出结果为最终的回归结果，可以看出，整个方程通过了显著性检验，所有的变量都通过了系数的显著性检验，资产负债率前面的系数为正，说明资产负债率越高，则净利率越高。产权比率前面的系数为负，说明产权比率越高，则净利率越低，应收账款周转天数越长，则净利率越低，存货周转天数越长，则净利率越高。系数的解释为：在其他条件不变时，每增加1单位的资产负债率，则净利率平均增加0.408个单位。其他变量的解释均可以以此类推。

操作结果：

该知识点的操作没有产生新的变量。

知识点小结：

如果解释变量是数值变量可以直接加入到回归模型中进行回归分析，如果模型存在严重的共线性问题，可以采用删除变量的方法克服共线性问题。

知识点4：

知识点名称：上市公司ST状态预测——Logistic回归

知识点所属工作角色：

数据分析

知识点背景：

如果模型被解释变量是0 1变量即被解释变量只有两个取值，则不适合建立普通回归模型，建议建立logistic回归模型。

知识点描述

如果被解释变量只有0，1两个取值，这样的离散被解释变量不再适合普通的回归，需要采用logistic回归进行分析，在本案例中，被解释变量为st状态，0表示非st状态，1表示st状态。

知识点关键词：

个案选择  logistic回归分析   二元选择模型  离散因变量模型 逐步回归 多重贡献性

样本外预测  样本内预测 模型预测 随机选择样本  过滤变量的生成

知识点所用软件：

SPSS

操作目的：

研究资产负债率、流动比率、速动比率、产权比率、加权净资产收益率、摊薄总资产报酬率、毛利率、净利率、总资产周转率、应收账款周转天数、存货周转天数、营业收入增长率、总资产增长率、资本积累率等指标对公司st状态的影响。

知识点素材（包括数据）：

Caiwu.sav

操作步骤:

Ø 启动spss

Ø 打开caiwu.sav

Ø 依次点击“数据”，“选择个案”，在选择栏的“随机个案样本”对话框中改为大约80所有个案的%，在输出栏中选择“过滤掉未选定的个案”，点击“确定”；

Ø 然后再次点击“数据”，“选择个案”，在选择栏中选择“全部个案”，点击“确定”；

Ø 依次点击“分析”，“回归”，“二元logistic回归”，将ST状态拉入“因变量”框里, “资产负债率、流动比率、速动比率、产权比率、加权净资产收益率、摊薄总资产报酬率、毛利率、净利率、总资产周转率、应收账款周转天数、存货周转天数、营业收入增长率、总资产增长率、资本积累率”拉入“协变量”框里。考虑到解释变量之间可能存在多重共线性问题，在“方法”选项框后选择“向前LR”方法，将“大约个案的80%(sample)[filter_$]”拉入“选择变量”框里，点击规则按钮，值改为1，点击“继续”；

Ø 点击“保存”按钮，勾选“概率”和“组成员”，点击“继续”

Ø 点击“确定”按钮。

回归经过4步的变量添加，最终得到的方程step3,模型中仅包含摊薄总资产报酬率、存货周转天数、营业收入增长率三个变量。回归结果见图23。

图23 方程式中的变量

我们只需要看图23步骤3对应的回归分析结果（因为从步骤0到步骤3是一个逐步添加变量的过程），从这个回归结果可以看出，最终选择的3个变量的系数2个通过了显著性检验，存货周转天数虽然没有通过显著性检验，但是也被保留下来，说明其在提高模型拟合度上起了一些作用。摊薄总资产报酬率前面的系数在1%显著性水平下显著为负，说明摊薄总资产报酬率越大，则被st的可能性越小。营业收入增长率前面的系数在1%显著性水平下显著为负，说明营业收入增长率越大，则被st的可能性越大。虽然有的变量前面的系数符号和单个变量的相关性的系数符号可能不一样，但是我们考虑的是方程的整体性，因此这种差异是可以接受的。

观察数据集会发现数据中多了一个变量PGR_1,这是对st状态的预测。我们还可以在输出结果部分看到模型的预测效果，见图24。

图24 模型预测效果

从图24可以看出,从步骤1到步骤3，模型的样本内预测效果不断提升，分别为84.4%、86.7%、88.9%。模型样本内的预测效果确是步骤1的准确率达到100%，步骤2和3准确率反而有所下降将为了75%。原因为我们的4个样本的挑选有一定的随机性，随着预测样本的增加，这种情况会明显好转的。整体来看，无论是样本内还是样本外我们的预测效果都是比较好的。        

操作结果：

将上面生成的过滤变量和预测结果变量保存在文件夹中存为caiwu4.xlsx，以备后续使用。

知识点小结：

如果被解释变量只有两个取值，则可以建立二元选择模型，如果模型存在严重的共线性问题，可以采用逐步回归的方法克服共线性问题。为了检验模型的样本外预测能力，可以将数据分成两部分，一部分作为训练集，一部分作为测试集，训练集用来估计模型参数，测试集用来检验模型的样本外预测效果。将数据分成两部分的时候可以用随机选择样本的方式生成一个过滤变量。