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

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 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 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：