基于修正后因子分析法和杜邦分析法的海洋公园财务预警系统创新.docx
《基于修正后因子分析法和杜邦分析法的海洋公园财务预警系统创新.docx》由会员分享,可在线阅读,更多相关《基于修正后因子分析法和杜邦分析法的海洋公园财务预警系统创新.docx(48页珍藏版)》请在冰豆网上搜索。
基于修正后因子分析法和杜邦分析法的海洋公园财务预警系统创新
海洋公园财务预警系统
摘要:
本文将从数学方法和财务方法分别为海洋公园建立财务预警系统,并提出问题和建议。
第一,我们从数学方法主要以降维为目标挖掘数据和特定指标,建立三维财务预警系统。
财务状况反映运行状况,运行状况体现在财务数据上,为直观反映海洋公园运行状况,本文通过对14年来海洋公园财务数据及指标进行处理分析,建立了基于因子分析法下动态加权的海洋公园财务预警系统,跨越时间及空间实现三维财务分析,较好地为海洋公园提供内部及外部的问题及相关建议。
通过对部分论文的研读和对实际数据进行共线性分析,发现多个传统财务指标存在着严重的共线性关系,因此用SPSS软件对一级指标进行Person相关性分析,结合相关论文,我们得出“没有必要对每个财务指标进行分析”的结论,剔除相关性大的相关指标,然后对剩余的指标数据进行无量纲化处理消除量纲实现标准化,再进行因子分析法实现降维,提取代表所有信息90%以上的因子,对狭义孤立的年份计算因子得分和总得分再进行比较,但考虑到财务数据是时间序列,运用修正后的动态加权法和结合香港GDP增速对广义的时间段进行评分分析,从而在时间上建立了基于因子法下动态加权修正后的财务预警系统,通过查阅相关数据,引用香港迪士尼相关数据代入系统,可以实现跨越时间空间的三维财务预警系统,为海洋公园更直观地提供了内部和外部信息。
第二,从财务的角度,利用已经相应的指标代入杜邦分析法,针对财务数据呈现的趋势并结合因素分析法对其进行改善。
第三,通过MATLAB运用GM(1,1)模型对海洋公园相关指标进行短期预测并进行检验,经检验得预测精度较好,相对误差小。
最后,结合数学方法和财务方法建立的财务预警模型,我们对海洋公园在财务上体现的问题作出了归纳并提出来相关建议。
关键字:
因子分析法动态加权法三维财务预警系统杜邦分析法因素分析法GM(1,1)
一.问题重述
通过海洋公园不同年份财务数据分析其运行状况,提出相关建议。
二.问题分析
首先,分析企业财务状况,不能局限于已有的数据,这样存在“滞后性”,而现代企业更注重的是“前瞻性”,因此,建立一个时间上二维财务预警系统对内部财务状况进行分析是必须的,其次由于现代企业受外力影响很大,因此对二维财务预警系统进行修正变为三维财务预警系统,让企业可以通过该系统发现内部问题和外部差距,更有利于促进企业的发展。
而根据已有的杜邦分析法,再结合因素分析法,分析三个因素变化对ROE的影响变化,较好地量化影响值,为海洋公园提供导致ROE变动的指标和影响较大的指标。
三.假设
1.假设在统计年鉴及财务报表伤所查数据准确
2.假设处理数据时没有失误
四.符号说明
符号
说明
加权因子
时间为离散时评价活动的离散数
财务系统得分
五.系统建立及求解
5.1系统建立
5.1.1.定义准备(财务危机)
国外:
主要把财物危机定义为企业履行义务受阻时候的状况,主要表现为流动性不足、债务拖欠、权益不足和资金不足四种形式
国内:
许多学者也发表了自己的看法。
谷祺和刘淑莲(1999)把财务危机定义为一种经济现象,即企业到期无力债务或支付费用,包括从资金管理的技术性失败到破产,以及处于两者之间的各种情况。
由于资金管理的技术性失败而导致的支付能力不足,一般是暂时的和比较次要的困难,通常可以采取一定的措施来加以补救,如通过协商,以求得债权人让步,争取延长偿债期限,或者通过资产抵押等借新债还旧债。
姜秀华和孙铮(2001)通过实证分析认为,公司治理的弱化是上市公司发生财务危机的重要因素,而财务危机反过来是公司治理弱化的财务表现,财务危机和治理弱化存在着辨证的关系。
这些定义不仅考虑了财务因素,还把公司治理等非财务因素也融入进来。
王艳(2007)认为财务危机有广义和狭义之分。
广义的财务危机是指在企业生产经营的过程中由于各种不利因素所导致的企业财务失败和经营失败,例如:
企业不能够按时地收回应收的投资款和销货款、不能够按期偿还债务的本金和利息、不能够有效地降低成本费用(包括税金)、不能够达到预期的销量和销售额、不能够获取新的借款或者延长原有的借款期限、不能够获取预期的收益、不能够有效地控制企业的现金流量等等。
狭义上的财务危机是指企业丧失偿付能力中最为严重的情况,即所谓的“资不抵债”,最终导致企业未能到期清偿债务而导致破产。
5.1.2指标筛选及数据处理
5.1.2.1指标选取:
在对企业财务危机进行实证研究的文献中,绝大部分是以财务指标作为因变量,即使引入了非财务指标,也是以财务指标为主。
朱家安和陈志斌(2007)通过对1995年到2005年间13本期刊进行实证研究,发现被引用最多的财务指标有资产负债率、资产净利率、流动比率和总资产周转率等。
5.1.2.2指标筛选
首先我们通过计算得出四个一级指标:
短期偿债能力,长期偿债能力,运营能力和运营能力,在四个一级指标下面有十五个二级指标,如图所示:
短期偿债能力
速动比率
负债比率
流动比率
现金流量比率
现金比率
长期偿债能力
资产负债率
产权比率
权益乘数
负债权益
盈利能力
毛利率
纯利率
净资产收益率(roe)
运营能力
非流动资产周转率
流动资产周转率
总资产周转率
表格1
5.1.2.3数据处理
A.共线性分析分析
通过相关论文[1][2]和图1的共线性分析可得,部分财务指标存在着严重的共线性,因此需要进行相关性分析以降低干扰(仅拿短期负债做例子),即没有必要对每个财务指标进行分析。
非标准化系数
标准系数
t
Sig.
共线性统计量
B
标准误差
试用版
容差
VIF
(常量)
.095
.034
2.792
.068
负债比率
-.023
.004
-.038
-6.442
.008
.498
2.007
流动比率
.940
.027
.964
35.171
.000
.023
43.015
现金流量比率
-.122
.012
-.060
-9.868
.002
.473
2.115
现金比率
.055
.024
.058
2.339
.101
.028
35.829
表格2
以速动比率为因变量,给出线性回归方程中回归系数的估计值和共线性统计量,表中除了现金流量比率和负债比率,其他变量容忍度都小于0.1,并且其方差膨胀因子VIF都大于10,说明速动比率和流动比率,现金比率之间存在严重的共线性,因此,在进行指标处理时我们需要对其相关性做Person相关性检验分析。
B.进行person相关性分析
由于变量设立的原因,可能会使得变量之间可能存在多重共线性,所以接下来将对所有解释变量进行Pearson相关性检验,以判定本文的解释变量之间多重共线性严重程度,以及解释变量之间的相关程度及符号。
短期负债比率
相关性
速动比率
负债比率修正后
流动比率修正后
现金流量比率
现金比率
速动比率
Pearson相关性
1
.571
.999**
.674
.979**
显著性(双侧)
.139
.000
.067
.000
N
8
8
8
8
8
负债比率修正后
Pearson相关性
.571
1
.584
.767*
.459
显著性(双侧)
.139
.128
.026
.253
N
8
8
8
8
8
流动比率修正后
Pearson相关性
.999**
.584
1
.702
.979**
显著性(双侧)
.000
.128
.052
.000
N
8
8
8
8
8
现金流量比率
Pearson相关性
.674
.767*
.702
1
.653
显著性(双侧)
.067
.026
.052
.079
N
8
8
8
8
8
现金比率
Pearson相关性
.979**
.459
.979**
.653
1
显著性(双侧)
.000
.253
.000
.079
N
8
8
8
8
8
**.在.01水平(双侧)上显著相关。
*.在0.05水平(双侧)上显著相关。
表格3
由表中可以看到,速动比率和流动比率,现金比率高度相关,流动比率和速动比率和现金比率高度相关,负债比率由于和后文的资产负债率一样,故没有比较意义,可舍去,为方便运算,在数据处理适剔除速动比率,现金比率和负债比率。
长期偿债
长期负债能力中,指标关系如下,由于其他指标可以通过资产负债率得到,故只用资产负债率作为代表指标
盈利能力
各个指标相关性如下
相关性
毛利率
纯利率
净资产利润率(roe)
毛利率
Pearson相关性
1
.118
.378
显著性(双侧)
.781
.356
N
8
8
8
纯利率
Pearson相关性
.118
1
.959**
显著性(双侧)
.781
.000
N
8
8
8
净资产利润率(roe)
Pearson相关性
.378
.959**
1
显著性(双侧)
.356
.000
N
8
8
8
**.在.01水平(双侧)上显著相关。
表格4
可以看出,roe和纯利率相关性很大,由于roe是杜邦分析的最终指标且分析纯利率和毛利率可以看出费用大小,因此不剔除净资产利润率
运营能力
相关性
非流动资产周转率
流动资产周转率
总资产周转率
非流动资产周转率
Pearson相关性
1
.816**
.971**
显著性(双侧)
.001
.000
N
12
12
12
流动资产周转率
Pearson相关性
.816**
1
.926**
显著性(双侧)
.001
.000
N
12
12
12
总资产周转率
Pearson相关性
.971**
.926**
1
显著性(双侧)
.000
.000
N
12
12
12
**.在.01水平(双侧)上显著相关。
表格5
由上可知,指标两两之间相关性很大,因此取总资产周转率代表运营能力
5.2系统求解
5.2.1二维财务预警系统建立和求解
由于变量之间存在一定的共线性,因此在接下来的研究中,本文选用因子分析法来降维。
该方法是通过将多个存在相关关系的变量通过线性变换,来选出较少个不相关的重要变量的一种多元统计方法。
在实际中,为了能够做到全面地分析问题,通常会设定许多个与实际问题相关的变量,因为每个变量都或多或少地包含与这个问题有关的某些信息。
然而,在运用数理统计的方法来研究问题时,变量的数量越多,问题的复杂性就越大。
通常在很多情况下,每个变量之间都是存在一定的相关关系的,如果某两个变量之间存在一定的相关关系时,我们就会认为这两个变量在反映所研究问题的信息时存在重叠。
因子分析法的原理是通过对原先设定的变量进行线性组合,通过去除重复信息来建立较少的新变量,从而使得这些新变量是两两不相关的,但仍尽可能保持原有信息。
关于因子分析,这里用最简单的三维数据来直观的解释主成分分析的原理。
假设现在有两个变量X1、X2,在坐标上画出散点图如下:
图1
可见,他们之间存在相关关系,如果我们将坐标轴整体逆时针旋转45°,变成新的坐标系Y1、Y2,如下图:
图2
根据坐标变化的原理,我们可以算出:
通过对X1、X2的重新进行线性组合,得到了两个新的变量Y1、Y2。
此时,Y1、Y2变得不再相关,而且Y1方向变异(方差)较大,Y2方向的变异(方差)较小,这时我们可以提取Y1作为X1、X2的主成分,参与后续的统计分析,因为它携带了原始变量的大部分信息。
至此我们解决了两个问题:
降维和消除共线性。
对于三维以上的数据,就不能用上面的几何图形直观的表示了,只能通过矩阵变换求解,但是本质思想是一样的。
5.2.1.1无量纲化处理
由上可知,我们取出四个一级指标,再通过剔除相关性较强的指标后,选取代表性较强的二级指标
短期负债
流动比率修正后
现金流量比率
长期负债
资产负债率修正后
盈利能力
毛利率
纯利率
运营能力
总资产周转率
表格6
在进行因子分析前,需要对各个指标的数据进行修正
1.流动比率基准值是2,因此对所有数据进行abs(x-2)的处理
2.负债比率是极小型指标,因此取倒数化为极大型指标
3.资产负债率是区间型指标,发达国家的大型企业在50%-70%之间,因此对数据进行如下处理:
再对所有指标进行无量纲化处理,得到
Z流动比率修正后
Z现金流量比率
Z资产负债率
Z毛利率
Z纯利率
Z总资产周转率
2007
0.999936542
0.883042
0
0.524927
0.880757
1
2008
1
0.751179
0.222685
0.637121
1
0.551522691
2009
0
0
0.222685
0
0.291599
0.098405941
2010
0.885993677
0.30271
1
0.233178
0.117861
0
2011
0.393602063
0.377679
0.988306
0.482742
0.124583
0.049712402
2012
0.971615009
1
0.984916
0.823663
0
0.249159011
2013
0.047715809
0.794737
0.998146
1
0.024682
0.398213719
表格7
5.2.1.2二维财务预警系统求解
将表3无量纲后的数据代入SPSS中进行因子分析,结果如图7,图8
公因子方差
初始
提取
Z流动比率修正后
1.000
.999
Z现金流量比率
1.000
.986
Z资产负债率
1.000
.975
Z毛利率
1.000
.975
Z纯利率
1.000
.930
Z总资产周转率
1.000
.951
提取方法:
主成份分析。
表格8
可以看到,提取每个指标的百分比基本都是93%以上,效果明显
解释的总方差
成份
初始特征值
提取平方和载入
旋转平方和载入
合计
方差的%
累积%
合计
方差的%
累积%
合计
方差的%
累积%
1
3.027
50.456
50.456
3.027
50.456
50.456
2.499
41.654
41.654
2
2.036
33.939
84.396
2.036
33.939
84.396
2.148
35.795
77.449
3
.753
12.542
96.938
.753
12.542
96.938
1.169
19.489
96.938
4
.133
2.215
99.153
5
.051
.842
99.995
6
.000
.005
100.000
提取方法:
主成份分析。
表格9
可以看出,前三个特征值累计贡献率已达95%以上,很好地阐述了整个样本总体
旋转成份矩阵a
成份
1
2
3
Z流动比率修正后
.197
.184
.962
Z现金流量比率
.144
.917
.352
Z资产负债率
-.965
.208
-.015
Z毛利率
-.145
.977
-.003
Z纯利率
.913
.001
.310
Z总资产周转率
.808
.525
.149
提取方法:
主成份。
旋转法:
具有Kaiser标准化的正交旋转法。
a.旋转在4次迭代后收敛。
表格10
可以看到,第一个因子主要代表了资产负债率,纯利率和总资产周转率,我们称作为流动盈余因子,第二个因子主要代表了现金流量比率,毛利率,因此可以称作为宏观指标因子,而最后一个指标称为流动比率因子,而随着数据的增多,因子代表的指标越趋稳定,系统也会越趋稳定。
然后根据旋转成分矩阵的比率和方差代表率给每个因子算分并算出不同年份总分
年份
2007
2008
2009
2010
2011
2012
2013
流动盈余因子
1.860163
1.35653
0.131
-0.67
-0.74
-0.53
-0.64
宏观指标因子
2.03247
1.83221
0.098
0.877
1.122
2.236
2.131
资产流动性因子
1.69323
1.613
0.1017
0.98
0.541
1.307
0.375
总分
1.89023
1.584
0.113
0.23
0.206
0.859
0.587
表格11
图3
图4
先看总分,我们可以看到,海洋公园狭义上每年的得分在2007-2008年处于最大值,而2009-2011年分值受到金融危机的影响,得分较低且不稳定,到了2012年有了起色,而到了13年得分又下降了。
但我们不能只看总分,再分析三个因子,且进行对比(如毛利率和纯利率越大则说明费用越大)
我们可以看到,例如13年分数突然降低是因为资产流动性因子分数突然降低,我们揣测,在2013年海洋公园进行了扩建而导致负债大大增加。
由于受到金融危机和时间滞后性及竞争对手影响,我们可以看到在09年之后,海洋公园资金周转力度和盈余力不是很好,同时,根据相关资讯可知,海洋公园也在进行扩建,因此,为了摆脱困境,资金流动速度降低,盈余减少也是情理之中;所以我们也会看到宏观指标因子上海洋公园是比较出色的,说明付出的费用所“牺牲”的纯利率导致毛利率也即是整体收入是增加的。
因此我们可以从系统的得分中得出这样的结论:
受到不利影响香港海洋公园采取了积极的措施,增加费用,虽然降低了毛利率和资产周转率,但是有效地提高纯利率,做到了未雨绸缪的作用。
同时也可以说明系统的合理性。
5.2.1.3系统修正——加入动态加权法
由于时间带有滞后性及香港报表特殊性(年中为始末点,如2006.6.30-2007.7.30是一个年度报表的时间区间),不能广义地给某段年份的因子进行评分,为了给解决这个问题,在此引入动态评价的二次加权法[3][4]来进行动态评价。
对于离散型数据,总分
其中
为时间因子,
为加权因子,
可有拉大差距法得到,而由周建伦先生指出,权因子可以简单地取
。
k表示为时间为离散时评价活动的离散数,而本文取k=2做二次加权法,加权法的一个重要思想就是“博古厚今”,突出时间的作用,就是认为越是接近目前对应的权重就应该越大。
在一定程度上,能够较好的解决一部分地区本身基础较高发展缓慢甚至倒退,但在单一年的综合评价值不能较好的表现出来的情况,而由于香港的财务报表制作方式遵循的是国际会计准则IAS(IFRS),年度报表的始末点为年中,如2006-2007年度报表起点为2006年6月30日至2007年6月30日,因此简单地用二次加权法“厚古薄今”的思想是不合理的,本文选择二次加权均值化处理,即要评价2007年的得分,时间因子t=1,而加权因子
,作为2007年时间段广义上(2006.6.30-2008.6.30)的得分,即
可得出进行处理后的年份和表现得分如下:
修正前
排名
分数
年份
1
1.823848
2007
2
1.691075
2008
3
0.816213
2012
4
0.500104
2013
5
0.287724
2011
6
0.272618
2010
7
0.130933
2009
表格12
对于修正前的数据,是狭义的以一年为区间的评分,如评价2007年只能参考以2006.6.30-2007.7.30为时间区间为报表,是不合理的。
修改后总分和单个因子得分(由于每个因子权重不同,因此因子得分进行二次加权之后的和和总分进行二次加权之后的数值大小不一样)
排名
分数
年份
1
5.727686
2007
2
2.797474
2008
3
2.384962
2012
4
1.756606
2011
5
0.721396
2010
6
0.567779
2009
表格13
图5
年份
2007
2008
2009
2010
2011
2012
流动盈余因子
5.836107893
2.496814
-0.91751
-2.83428
-3.2166
-3.33057
宏观指标因子
5.642030592
3.705761
1.999699
4.770953
7.483523
8.689654
资产流动性因子
5.970071196
2.897345
1.809333
2.468408
3.0144
2.898131
表格14
图6
修改后可以看到,基本趋势是和上面狭义单一年份是一致的,但是差别拉大了,问题也更加凸显起来。
我们可以明显看出,在2007-2008年三个因子得分虽然降低,但是是比较均衡的,金融危机过后,在2010年我们可以看到流动盈余因子是继续下降的,这说明费用不断增加,海洋公园财务了积极的措施借贷翻新设备增加吸引力,措施是及时到位的,采取增加费用刺激毛利率和运营资金流的方法,增强自身造血能力,但是需要注意随后几年资金流动性和费用(贷款利息)的增加。
根据相关文献[5][6]可知,GDP和旅游收入存在高度的正相关关系,中国统计局查到香港2007-2012年GDP增长率和排名如下:
排名
地区
中国香港
1
2010年
6.79
2
2007年
6.46
3
2011年
4.85
4
2008年
2.13
5
2012年
1.5
6
2009年
-2.46
图7
由于香港报表制作的特殊性,在分析的过程中带来一定困难,如2010年GDP增长率高居第一是因为经历了2009年金融风暴后海洋公园重新发展,但实际上其财务得分也仅仅高于2009年,因此在分析财务状况时应考虑大背景去挖掘数据。
结合GDP增长和海洋公园财务预警系统得分,我们可以看出,2007年得分和GDP增速都是比较好的,而2009年经历了金融风暴后,虽然香港GDP快速回升,但是海洋公园发展仍然缓慢,说明海洋公园的财务状况增长速度和香港整体经济运行水平速度相符,需要调整优化。
5.2.3三维财务预警系统
把迪士尼的数据也拉进来之后我们可以看看不同年份两个公园的分数比较
首先,还是对不同年份不同地区同一指标进行无量纲化,结果如表9。
海洋公园
2007
0.9999