因子分析法的汽车板块上公司综合业绩评价(附件)【字数：7892】
摘 要摘 要随着我国市场经济的发展，上市公司数目不断增加。而汽车产业是推动新一轮科技革命和产业变革的重要力量，是国民经济的重要支柱，因此，研究汽车板块上市公司综合业绩的评价致力于为决策者制定管理策略提供依据显得尤为重要。运用因子分析法作横向比较，目的是一方面使经营者明确公司在行业中的定位，另一方面探寻业绩的影响因子。本文首先阐述汽车板块上市公司综合业绩研究背景及意义，并回顾其发展历程和讨论因子分析法研究现状。然后，介绍因子分析模型理论，详细描述了因子分析的步骤。最后，结合汽车板块上市公司综合业绩的特征，进行案例的实证分析。本文主要以汽车板块上市公司业绩评价特征为变量选取依据，如参照其行业自身的特征，选取反映公司盈利能力的业绩指标总资产利润率、主营业务利润率、成本费用利润率、加权净资产收益率、存货周转率作为变量，共选取13个变量构建因子分析评价模型。根据已选变量数据和因子分析评价模型对20家汽车板块上市公司的业绩数据样本进行实证分析评价，并提出合理建议，为决策者提供量化管理的客观依据。关键词汽车板块上市公司；综合业绩评价；因子分析法；
目 录
第一章 绪论 1
1.1 研究背景 1
1.2 研究意义 1
1.3 汽车板块上市公司综合业绩评价现状与发展 1
1.3.1 常规方法对比及其局限性 1
1.3.2 国内外因子分析模型研究现状 2
第二章 因子分析模型 3
2.1 引言 3
2.2 因子分析模型的基本理论 3
2.3 因子分析步骤 3
2.3.1 抽取初始因子 3
2.3.2 旋转 4
2.3.3 建立因子尺度 5
第三章 实证分析 6
3.1 考察变量是否适合进行因子分析 6
3.2 提取因子 7
3.3 因子变量的命名解释 9
3.4 计算因子得分，构建综合评价模型 11
结 论 14
致 谢 15
参 考 文 献 16
绪论
研究背景
近年来，我国汽车行业发展迅速，形成了种类齐全、配套完整的产业 *好棒文|www.hbsrm.com +Q: #351916072#
体系。随着研发能力和制作工艺的逐步提高，国内品牌不断成长，带来了不错的效益，国际化发展能力也有所提升。但我国汽车产业大而不强，表现在关键核心技术、产业链、创新体系、国际品牌建设等方面，企业实力亟待提升，产能过剩风险显现，商用车安全性能有待提高。于此同时，全球汽车行业正经历深刻变革，我国汽车行业则正处于转型升级的发展机遇期。作为支柱性行业(汽车相关产业税收占全国税收比、从业人员占全国城镇就业人数比、汽车销售额占全国商品零售额比均连续多年超过10%)，如何能在当前抓住发展机遇，成功跻身世界汽车工业强国具有重大研究意义。
研究意义
目前我国汽车产业进入转型升级、由大变强的战略机遇期，为了发现我国汽车产业上市公司经营发展中存在的主要影响因素，有必要运用科学的方法对其综合业绩进行评价。本文运用因子分析（Factor analysis）对汽车板块的20家上市公司综合绩效进行研究。
通过因子分析法对复杂繁多的数据进行降维，并从多角度分析公司的业绩状况，从而精准地把握公司业绩的特点。同时进一步细化财务指标，使得样本数据更加客观，构建因子分析模型更加符合实际，这样因子分析的最终评价结果更加科学。
汽车板块上市公司综合业绩评价现状与发展
常规方法对比及其局限性
上市公司综合业绩评价的常规方法有层次分析法（AHP）、模糊综合评价法、功效系数法等。这些方法的局限性主要表现在：（1）要素选择随意性较大，主观赋权，缺乏客观性，评价结果不符合实际，存在较大偏差；（2）其实质为一种加权的加法合成，假设条件为各评价指标之间应是相互独立的，但显而易见，此假设条件在实际中通常难以满足。
国内外因子分析模型研究现状
1904年英国心理学家Charles Spearman第一次提出因子分析，此后，一大批心理统计学家继续致力于问题的研究，使因子分析的理论和应用都得到了长足的发展。国内因子分析法的相关研究始于1979年，在2013年达到最热。如今，因子分析不在局限于传统的心理学研究领域，而是广泛应用于社会、经济、管理等各个领域。
发展到现在的因子分析模型，公司业绩的评价工作大部分集中在关于经营业绩指标体系的设置和改进上，逐渐在形成一个包括盈利能力、偿债能力、发展能力、营运能力等的完善评价指标体系。因子分析法通过对业绩指标进行大量观测，收集数据进行分析，寻找潜在规律，从而全面、系统地评价公司业绩。但大量数据在提供丰富的信息的同时增加了数据处理和分析问题的复杂度。各个变量指标之间往往存在一定的相关关系，反映的信息在一定程度上有重叠部分，因此有必要综合各方面的信息提取公共因子。
因子分析模型
引言
如果原始变量间存在相关关系，则会出现判断公司业绩状况模糊甚至错误的问题。因此我们采用因子分析研究变量相关矩阵的内部依赖关系，提取原始变量所包含的潜在信息。在允许的信息损失条件下，可以获得少量反映主要信息的主成分，再对这几个主成分进行旋转，获得经济上可解释的综合因子即公因子（Common Factor）。
因子分析模型的基本理论
因子分析的数学模型：//
其中//为公因子（Common Factor），系数//为因子载荷(Loading)，//为特殊因子(Specific Factor)。
该模型用矩阵表示为：//，其中//
//，//，//，A为因子载荷矩阵，//是第i个变量在第j个因子上的负荷。
因子分析步骤
抽取初始因子
在探索性因子分析中，抽取因子这一步骤主要目的是决定公因子的最小数量，这些公因子能够产生可观察到的合适的变量间的相关关系。
首先，我们来介绍两种不同的解决方案。
主成分分析法，是将观察到的一组变量转换为另一组变量的方法。假设我们建立维度或坐标轴来表示每个个案的相对位置，一般来说，主轴用一条线来表示，各数据点到这条线的距离的平方和是最小的。因此，在寻找主轴（主成分）时，我们最小化数据点和轴之间的垂直距离。第一个成分被定义为包含最多的信息（解释了数据中最大的方差），第二个成分也用相似的方式定义，以此类推。在获得主成分的过程中，涉及到解特征方程RV=λV，其中R为要获得的矩阵，V为要确定的特征向量，λ为特征值。最大的特征值代表第一条主轴所解释的方差有多少，第二大的特征值代表第二条主轴所解释的方差有多少，以此类推，有：
一个成分所解释的百分比=（相应的特征值）/m
为了得到相关的特征向量，令其长度为1作为约束条件。主成分的负载可通过特征向量乘以相应特征值的平方根得到，反映相应数据所解释方差的多少。
目 录
第一章 绪论 1
1.1 研究背景 1
1.2 研究意义 1
1.3 汽车板块上市公司综合业绩评价现状与发展 1
1.3.1 常规方法对比及其局限性 1
1.3.2 国内外因子分析模型研究现状 2
第二章 因子分析模型 3
2.1 引言 3
2.2 因子分析模型的基本理论 3
2.3 因子分析步骤 3
2.3.1 抽取初始因子 3
2.3.2 旋转 4
2.3.3 建立因子尺度 5
第三章 实证分析 6
3.1 考察变量是否适合进行因子分析 6
3.2 提取因子 7
3.3 因子变量的命名解释 9
3.4 计算因子得分，构建综合评价模型 11
结 论 14
致 谢 15
参 考 文 献 16
绪论
研究背景
近年来，我国汽车行业发展迅速，形成了种类齐全、配套完整的产业 *好棒文|www.hbsrm.com +Q: #351916072#
体系。随着研发能力和制作工艺的逐步提高，国内品牌不断成长，带来了不错的效益，国际化发展能力也有所提升。但我国汽车产业大而不强，表现在关键核心技术、产业链、创新体系、国际品牌建设等方面，企业实力亟待提升，产能过剩风险显现，商用车安全性能有待提高。于此同时，全球汽车行业正经历深刻变革，我国汽车行业则正处于转型升级的发展机遇期。作为支柱性行业(汽车相关产业税收占全国税收比、从业人员占全国城镇就业人数比、汽车销售额占全国商品零售额比均连续多年超过10%)，如何能在当前抓住发展机遇，成功跻身世界汽车工业强国具有重大研究意义。
研究意义
目前我国汽车产业进入转型升级、由大变强的战略机遇期，为了发现我国汽车产业上市公司经营发展中存在的主要影响因素，有必要运用科学的方法对其综合业绩进行评价。本文运用因子分析（Factor analysis）对汽车板块的20家上市公司综合绩效进行研究。
通过因子分析法对复杂繁多的数据进行降维，并从多角度分析公司的业绩状况，从而精准地把握公司业绩的特点。同时进一步细化财务指标，使得样本数据更加客观，构建因子分析模型更加符合实际，这样因子分析的最终评价结果更加科学。
汽车板块上市公司综合业绩评价现状与发展
常规方法对比及其局限性
上市公司综合业绩评价的常规方法有层次分析法（AHP）、模糊综合评价法、功效系数法等。这些方法的局限性主要表现在：（1）要素选择随意性较大，主观赋权，缺乏客观性，评价结果不符合实际，存在较大偏差；（2）其实质为一种加权的加法合成，假设条件为各评价指标之间应是相互独立的，但显而易见，此假设条件在实际中通常难以满足。
国内外因子分析模型研究现状
1904年英国心理学家Charles Spearman第一次提出因子分析，此后，一大批心理统计学家继续致力于问题的研究，使因子分析的理论和应用都得到了长足的发展。国内因子分析法的相关研究始于1979年，在2013年达到最热。如今，因子分析不在局限于传统的心理学研究领域，而是广泛应用于社会、经济、管理等各个领域。
发展到现在的因子分析模型，公司业绩的评价工作大部分集中在关于经营业绩指标体系的设置和改进上，逐渐在形成一个包括盈利能力、偿债能力、发展能力、营运能力等的完善评价指标体系。因子分析法通过对业绩指标进行大量观测，收集数据进行分析，寻找潜在规律，从而全面、系统地评价公司业绩。但大量数据在提供丰富的信息的同时增加了数据处理和分析问题的复杂度。各个变量指标之间往往存在一定的相关关系，反映的信息在一定程度上有重叠部分，因此有必要综合各方面的信息提取公共因子。
因子分析模型
引言
如果原始变量间存在相关关系，则会出现判断公司业绩状况模糊甚至错误的问题。因此我们采用因子分析研究变量相关矩阵的内部依赖关系，提取原始变量所包含的潜在信息。在允许的信息损失条件下，可以获得少量反映主要信息的主成分，再对这几个主成分进行旋转，获得经济上可解释的综合因子即公因子（Common Factor）。
因子分析模型的基本理论
因子分析的数学模型：//
其中//为公因子（Common Factor），系数//为因子载荷(Loading)，//为特殊因子(Specific Factor)。
该模型用矩阵表示为：//，其中//
//，//，//，A为因子载荷矩阵，//是第i个变量在第j个因子上的负荷。
因子分析步骤
抽取初始因子
在探索性因子分析中，抽取因子这一步骤主要目的是决定公因子的最小数量，这些公因子能够产生可观察到的合适的变量间的相关关系。
首先，我们来介绍两种不同的解决方案。
主成分分析法，是将观察到的一组变量转换为另一组变量的方法。假设我们建立维度或坐标轴来表示每个个案的相对位置，一般来说，主轴用一条线来表示，各数据点到这条线的距离的平方和是最小的。因此，在寻找主轴（主成分）时，我们最小化数据点和轴之间的垂直距离。第一个成分被定义为包含最多的信息（解释了数据中最大的方差），第二个成分也用相似的方式定义，以此类推。在获得主成分的过程中，涉及到解特征方程RV=λV，其中R为要获得的矩阵，V为要确定的特征向量，λ为特征值。最大的特征值代表第一条主轴所解释的方差有多少，第二大的特征值代表第二条主轴所解释的方差有多少，以此类推，有：
一个成分所解释的百分比=（相应的特征值）/m
为了得到相关的特征向量，令其长度为1作为约束条件。主成分的负载可通过特征向量乘以相应特征值的平方根得到，反映相应数据所解释方差的多少。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/hxycl/jscl/59.html
