论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　一、引言
　　在经济全球化的条件下，资本的流动是国际性的。我国的市场十分广阔，为各种类型的企业提供了发展的可能。内资为主的企业具有独特的竞争优势，其发展的空间比较大的。汽车产业已成为拉动我国新一轮经济增长的龙头，并将会保持20至30年的快速增长。随着我国进入新一轮经济增长期，这一轮增长的出发点和归宿具有市场导向的基础，汽车产业已成为这一时期高增长产业群的龙头为最终消费主体，也成为了我国经济发展的主力军。自“八五”以来，由于我国收入水平显著提高，相关产业和配套设施不断发展，我国汽车制造业迅猛发展，体现为税后利润不断增加，企业规模不断扩大，竞争实力显著增强。但是，在这种情况下，仍有少数企业实现的可观的营业额是建立在高劳动耗费上的，代价极高，归其原因是未能做好企业经营绩效的分析和评价。由于企业经营绩效评价能全面反映企业真实的经营状况，企业内部和外部相关者常采用该方法对企业的业绩进行评估。这样，在肯定取得成绩的同时，不仅能发现其存在的问题，更有助于企业进行自我分析，促进企业成长。
　　目前常用的层次分析法、模糊综合评价法、功效系数法等的原理是选取相互间无联系的各个评价指标进行加权，这类型方法实质是一种对主观信息进行加法合成的多层次多准则的体系，但由于指标的选取和排序无法达到客观性和独立性，未能真实、全面地反映指标间的关联，因此，有必要使用一个综合的评价体系对企业进行评估。针对这种情况，本文采用多元统计分析中的因子分析方法、聚类分析方法和判别分析方法对样本进行处理和分析。具体来说，先采用因子分析将样本公司的众多指标综合成几个维数较小的因子指标，求出综合得分；再利用得出的因子指标对股票进行聚类，将股票初步分为几类并简单分析；最后使用所选的指标对这些股票进行判别，对聚类结果进行验证和修改，并给出判别函数，提供另一种对上市公司绩效的评价分析思路。
　　二、因子分析
　　因子分析是多元分钟数据缩减的一种的主要方法，其目标是将信息的损失减小到最小。通过对大量的指标进行综合归类，用尽可能少的指标，即指标因子，将原始信息反映出来。值得注意的是，这些因子虽然数量比原始信息少得多，但它们是具有代表性的综合，呈非线性关系，具有更高效的解释性。
　　（一）因子分析评价模型设计
　　（1）对样本观测量进行标准化。设需测评的企业数量为n，包含p个测量指标，设样本观测量为：
　　X=x11x12…xpx21x22…x2pxn1xn2…xnp
　　为了尽量降低不同指标间的正、逆指标的影响和量纲影响，按下式进行样本数据的标准化，推导出矩阵为得标准化后的矩阵为Y=（yij）n×p，yij=■，其中■=■■xij，？滓j=■。
　　（2）计算相关系数矩阵的特征值与特征向量。选取m（m可得模型，
　　x1=？琢11F1+？琢11F2+…+？琢1mFm+ε1x2=？琢21F1+？琢22F2+…+？琢2mFm+ε2……xp=？琢p1F1+？琢p1F2+…+？琢pmFm+εp
　　矩阵形式为：X=AF+ε，且满足：m≤p；cov（F，ε）=0即F与ε不相关；D（F）=Im即F1…Fm不相关且方差皆为1；
　　D（ε）？滓120…00？滓22…000…？滓22，即ε1，…，εp
　　其中，F=（F1，F2，…，Fm）'称为X的公共因子，A为因子载荷矩阵，？琢ij为因子载荷。数学上可以证明，因子载荷？琢ij就是第i变量与第j因子的相关系数，反映了第i变量在第j因子上的重要性。
　　（3）因子载荷的估计方法。要建立实际问题的因子模型，关键是要根据样本数据估计因子的载荷矩阵，其中使用最为普遍的方法是主成分法。设随机向量X的协差阵为∑，λ1≥λ2≥…≥λp>0为∑的特征根，e1，e2，…，ep为对应的标准正交化特征向量，则根据线性代数知识∑可分解为：
　　∑=■λieiei'=（■，…，■）■e1'■ep'
　　（4）当变量个数与因子数量个数相同，当方差因子为0时。因子模型为：X=AF
　　D（X）=D（AF）=AD（F）A'=AA'=？蒡=（■e1，…■eP）■e1'■eP'
　　假设■是因子载荷矩阵A的第j列，即除常数外，ej恰是第j列因子载荷的第j个主成分系数，则该方法称为主成分提取法。
　　因子个数的提取取决于因子的累计贡献率，一般来说，应达到75%以上。
　　（4）将k个主成分综合成单指标评价。将累计贡献率达到75%的m个因子F1，F2，…，Fm做线性组合，并以每个因子F1的方差贡献率？琢i琢i作为权数构造一个综合评价函数：
　　v=？琢1F1+？琢2F2+…+？琢mFm
　　以v为评估指数，依据对每个评价对象计算出的v值大小进行综合排序。
　　（二）因子分析过程与结果分析样本数据选取我国汽车制造行业2007年初34家上市公司的单项绩效指标数据（来自湘财证券软件）共12个，分别为每股收益X1，每股净资产X2，总股本X3，主营业务收入X4，销售毛利率X5，总资产周转率X6，总资产增长率X7，资产总额X8，流动比率X9，速动比率X10，净利润X11，投资收益X12。使用SPSS软件进行因子分析，得到指标相关系数矩阵的特征值与贡献率如表1所示：
　　由表1可知，前3个主成分的累积贡献率已达79.311%，因此选择前3个主成分就可近似代替原指标的所有信息。但是因子载荷矩阵不能很好的解释因子所包含的信息，这不符合因子分析的要求，所以要进行因子旋转，本文使用的是四次方最大旋转，得到了12个指标在3个因子上的新的因子载荷，如表2所示。
　　表2结果显示，因子1支配的指标有主营业务收入，总资产增长率，净利润，投资收益，同综合体现了盈利和扩长能力，可视为发展能力；因子2支配的指标有每股收益和总股本，可视为获利能力；因子3支配的指标有流动比率和速动比率，可以看作偿债能力的体现。
　　根据因子得分系数矩阵计算出3个公因子的因子得分，见表3：