论文部分内容阅读
[摘 要]融资效率是对企业资本的筹集与运用水平的评价,而智能制造企业转型升级离不开对资本的运用。本文运用三阶段DEA模型对智能制造企业的融资效率进行了评估,并对数据处理结果进行了评价。
[关键词]融资效率; 三阶段; DEA模型 ; 2025计划
当前,全国乃至全球都在经历着制造业格局和经济环境的重大变化,欧美等发达国家相继提出了应对这场巨变的创新措施。美国提出了“再工业化”的制造概念,德国提出了“工业4.0”的新概念,2015年3月,李克强总理在《政府工作报告》中首次提出要实施“中国制造2025”,要实现由制造业大国向制造业强国的转变,坚持创新驱动、智能转型、强化基础、绿色发展的四位一体化发展模式。[1]
随着“2025计划”的提出,制造业转型升级成为我国经济增长新的重要驱动因素。其中,智能制造是指在数字化、自动化装置及系统应用的基础上,形成以存储、计算、逻辑、推理为特征的机器智能所驱动的产品制造技术。在制造过程的各个环节,通过计算机模拟人类专家的智能活动,进行分析、判断、推理、构思和决策,取代或延仲制造中人的脑力劳动,并对人类专家的制造智能进行收集、存储、完善、共享、继承与发展。[2]
因此,制造业企业要完成向智能制造的转型升级离不开对资本的运用,而融资效率正是衡量一个企业的资本筹措与使用水平的关键指标。
1融资效率的相关文献分析
国内宋文兵(1997)正式提出交易效率和配置效率是融资效率两方面的内容。前者是指为投资者提供融出资金渠道的能力及融入资金与其成本之间的关系;后者是指如何给进行最优化生产使用的融资者提供稀缺的资本。[3]
马亚军和肖劲(2004)对企业的融资效率研究,是从比较和动态的角度出发研究,认为企业的融资效率不仅包括企业是否能以较低的成本筹集到企业所需要的资金,还包括所融通的资金能否得到企业有效利用。[4]
高学哲(2005)在综合考虑企业融资与企业组织效率的双向互动的基础上,将企业的融资效率定义为能够创造企业价值的融资能力。在其研究中,高学哲主张将企业的融资能力、融资成本、融资的便利程度与企业组织自身的资产运营效率相结合。[5]
吴娟(2011)通过因子分析、方差分析和面板数据的回归模型对我国中小企业板上市公司的融资效率进行分析,研究结果表明,影响我国中小企业板上市公司融资效率的主要因素是资金成本和长期债务资本化程度。并指出我国中小企业板上市企业不光容易受到大环境即宏观经济的影响,也受到企业自身经营管理方面的影响,建议中小企业不断提高企业融资管理能力以便提高融资效率。[6]
陈孝明(2015)选取2011-2014年在上交所和深交所发行A股的文化行业上市公司为样本,运用DEA方法探讨我国文化产业的融资效率,研究发现其融资效率整体水平不高,也没有明显提升的趋势。 [7]
通过对相关文献的分析,我们发现评价公司融资效率的方法主要包括面板数据分析、数据包络分析法以及DEA法,本文选择采用三阶段DEA理论模型,这是因为三阶段DEA并不局限于单输出方式,可以有效克服其他分析方法中人为赋予主观权重的弊病;解决了其他分析方法中决策质量会由于所选要素不合理或要素间的关系不正确而降低的问题;克服了单阶段DEA、两阶段DEA不能使决策单元非经营因素(外部环境和随机误差)同质化等方面的不足,更能排除外在因素影响,让每个决策单元都处于相同环境和随机因素之下(Jondrow等,1982)。[8]
2研究设计
2.1指标体系构建
投入变量的选择:本文基于融资成本、企业规模、劳动要素、企业投资的角度。其中融资成本包括内部融资、债务融资、股权融资,而内部融资又包括总资产报酬率、留存收益率;债务融资包括短期负债率和长期资本负债率;股权融资包括股权比率和资本变化率。
企业规模、劳动要素、企业投资分别由总资产、全员劳动创造率、有形资产来衡量。
这些指标充分涵盖了融资效率的投入项目,同时也是反映融资效率投入项目中最准确的指标。
产出变量的选择:本文从盈利能力和营运能力两方面入手,其中盈利能力包括主营业务收入、净资产收益率、每股收益、成本利润率;营运能力包括总资产周转率。
采用这些指标更能准确反映样本公司的产出效率,尤其是盈利能力指标中经济成本利潤率的选择,是本文的创新点之一,大量研究结果表明,成本利润率是度量盈利能力的更為准确的指标之一,然而鲜有将其运用于融资效率的DEA模型研究之中,本文在这方面做了有益尝试。
环境变量的选择:本文参考了大量关于融资效率的研究文献,前述投入、产出变量可以充分反映样本公司融资效率水平,但由于融资效率受环境因素的约束影响很大,故本文从宏观经济方面与企业自身微观影响因素方面进行了环境变量的选择。
本文选择的环境变量包括股权扩容规模、企业债券发行规模和股权集中度。
2.2模型设计
本文采用三阶段DEA模型进行融资效率的测度,Fried(1999,2002)指出传统DEA模型没有考虑环境因素和随机噪声对决策单元效率评价的影响,其先后发表的两篇文章《Incorporating the Operating Environment Into a Nonparametric Measure of Technical Efficiency》、《Accounting for Environmental Effects and Statistical Noise in Data Envelopment Analysis》就探讨了如何将环境因素和随机噪声引入DEA模型。本文第一阶段选择投入导向的BCC(规模报酬可变)模型分析初始效率,第二阶段采用SFA回归函数剔除环境因素和统计噪声,再次用第一阶段BCC(规模报酬可变)模型测算各决策单元的效率,此时的效率已经剔除环境因素和随机因素的影响,数据真实客观反映了样本公司的融资效率水平。 2.3样本选取
因为智能制造是近些年新兴的概念,因此本文在样本选取方面选择在沪深股票市场上市的制造业企业2012-2015四个年度的数据。在剔除数据不全后,2012年至2015年度度符合指标体系条件的数据分别为662、2670、2781、1020个。
3实证结果及分析
3.1 一阶段DEA结果
剔除不符合指标体系条件的样本,共取得2012-2015年度中国制造业上市公司3133个样本数据,其投入、产出指标在一阶段DEA采用BCC模型数据统计后我们发现综合技术效率平均值为0.7573,最大值为1,最小值为0.3548,标准差为0.1762;规模报酬增长的有930个,持平的有940个,下降的有1263个。
由图1可以看出,由于第一阶段没有考虑环境变量与随机扰动因素,综合效率值较低,报酬规模递减的公司个数较多,指标间相关性不能客观反映上市公司融资效率的真实情况。
3.2 三阶段DEA
在考虑了环境变量及随机扰动因素后,采用随机前沿模型SFA得到回归数据,环境变量的取舍主要根据其是否对输入的松弛变量产生作用,而与其本身的单位没有关系,因此需将环境变量标准化。
考虑了环境变量与随机扰动因素后,综合技术效率平均值为0.9949,最大值为1,最小值为0.8529,标准差为0.0113规模报酬递增的样本增加至3090个,不变的减至43个,递减的则降为0个,揭示了样本的融资效率真实水平。
相对第一阶段DEA模型,第三阶段DEA模型的效率值明显提高,规模报酬递减的公司将降为0家,因此,第三阶段的综合技术效率数据揭示了样本上市公司融资效率的实际状况。
3.3 指标对融资效率的贡献度分析
依据第三阶段DEA模型的投入、产出指标的数据集,本文用R语言进行影响融资效率的主成分分析,数据处理结果如下表:
由表4可知,第一主成分F1的贡献率为21.95%,第二主成分F2的贡献率为20.09%,第三主成分F3的贡献率为15.08%,第四主成分F4的贡献率为9.08.%。前四个主成分的累计方差贡献率达到66.2%,因此最终选取4个主成分,其他8个舍去。主成分的碎石图中第四个主成分对应的方差由陡峭开始变得平坦,說明后面的8个主成分方差的贡献率很低,所以最终选择4个主成分即可。
各主成分的实际解释意义如下:
第一主成分F1是多个变量的线性组合,且各变量的系数大小相当,与x1、x7、y1、y5呈现较强的正相关,与x2、x6、y4呈现较强的负相关,这几个变量综合反映了样本公司盈利结构状况,据此可以认为第一主成分F1是反映样本公司融资效率水平的总体代表;
第二主成分F2与x1、x2、x3、x5、x7、y4呈现较强的负相关,与y1、y2、y3呈较强的正相关,反映了高的融资成本对融资效率具有抑制作用;
第三主成分F3与x1、x2、y1、y3、y4呈现较强的负相关,与x3、x6、y2呈较强的正相关,反映了过分依赖内部融资不利于融资效率提升,而盈利能力的提升则有助于融资效率。
由散点图4可知,散点处于高度集中处的样本公司,主成分对融资效率的作用越明显,离散点对应的样本公司,则主成分对则不显著,其融资效率水平较低或很低(图4内散点的数字序号表示数据集样本中对应的上市公司)。
4结束语
通过对3133个上市公司面板数据进行分析,本文得到以下结论:
(1)运用三阶段DEA模型,由于考虑环境变量与随机扰动因素,测度的融资效率的综合技术效率数据更加客观可靠。
(2)不同企业间融资效率水平存在着较大的差异。
(3)对企业融资效率贡献度较大的财务报表数据主要是总资产报酬率x1、有形资产x7、主营业务收入y1、总资产周转率y5、留存收益率x2、全员劳动创造率x6、成本利润率y4等指标。
通过对上述财务指标的影响因素的分析,笔者认为在生产经营过程中企业应当通过提高内部管理水平、加强技术创新、优化资本结构、提高资金使用效率等方面入手,从而提高企业的融资效率。
参考文献:
[1]郭朝先,王宏霞. 中国制造业发展与“中国制造2025”规划[J]. 经济研究参考,2015,(31):3-13.
[2]王焱,王湘念. 智能制造的基礎、组成及发展途径[J]. 航空制造技术,2015,(13):32-37.
[3]宋文兵. 对当前融资形势的理性思考[J]. 改革与战略,1997,(06):1-6.
[4]肖劲,马亚军. 企业融资效率及理论分析框架[J]. 财经科学,2004,(S1):337-340.
[5]高学哲. 企业融资效率:内涵及外延[J]. 生产力研究,2005,(06):205-207.
[6]吴娟. 我国中小板上市公司融资效率分析[D].哈尔滨工程大学,2011.
[7]陈孝明. 基于DEA方法的我国上市文化企业融资效率评价研究[J]. 科技与经济,2015,(04):66-70.
[8]James ,Jondrow, C. A. Knox Loyell, lean S. Materoy,Peter Schmidt.On the estimation of technical inefficiency in the stochastic frontier production function model.,Journal of Econometrics_1982,19(2-3):233-23R.
作者简介:
严复海,教授,兰州理工大学经济管理学院硕士生导师,中国注册会计师,研究方向:公司理财与内部控制;
郭聪,兰州理工大学经济管理学院在读研究生,研究方向公司理财与内部控制。
[关键词]融资效率; 三阶段; DEA模型 ; 2025计划
当前,全国乃至全球都在经历着制造业格局和经济环境的重大变化,欧美等发达国家相继提出了应对这场巨变的创新措施。美国提出了“再工业化”的制造概念,德国提出了“工业4.0”的新概念,2015年3月,李克强总理在《政府工作报告》中首次提出要实施“中国制造2025”,要实现由制造业大国向制造业强国的转变,坚持创新驱动、智能转型、强化基础、绿色发展的四位一体化发展模式。[1]
随着“2025计划”的提出,制造业转型升级成为我国经济增长新的重要驱动因素。其中,智能制造是指在数字化、自动化装置及系统应用的基础上,形成以存储、计算、逻辑、推理为特征的机器智能所驱动的产品制造技术。在制造过程的各个环节,通过计算机模拟人类专家的智能活动,进行分析、判断、推理、构思和决策,取代或延仲制造中人的脑力劳动,并对人类专家的制造智能进行收集、存储、完善、共享、继承与发展。[2]
因此,制造业企业要完成向智能制造的转型升级离不开对资本的运用,而融资效率正是衡量一个企业的资本筹措与使用水平的关键指标。
1融资效率的相关文献分析
国内宋文兵(1997)正式提出交易效率和配置效率是融资效率两方面的内容。前者是指为投资者提供融出资金渠道的能力及融入资金与其成本之间的关系;后者是指如何给进行最优化生产使用的融资者提供稀缺的资本。[3]
马亚军和肖劲(2004)对企业的融资效率研究,是从比较和动态的角度出发研究,认为企业的融资效率不仅包括企业是否能以较低的成本筹集到企业所需要的资金,还包括所融通的资金能否得到企业有效利用。[4]
高学哲(2005)在综合考虑企业融资与企业组织效率的双向互动的基础上,将企业的融资效率定义为能够创造企业价值的融资能力。在其研究中,高学哲主张将企业的融资能力、融资成本、融资的便利程度与企业组织自身的资产运营效率相结合。[5]
吴娟(2011)通过因子分析、方差分析和面板数据的回归模型对我国中小企业板上市公司的融资效率进行分析,研究结果表明,影响我国中小企业板上市公司融资效率的主要因素是资金成本和长期债务资本化程度。并指出我国中小企业板上市企业不光容易受到大环境即宏观经济的影响,也受到企业自身经营管理方面的影响,建议中小企业不断提高企业融资管理能力以便提高融资效率。[6]
陈孝明(2015)选取2011-2014年在上交所和深交所发行A股的文化行业上市公司为样本,运用DEA方法探讨我国文化产业的融资效率,研究发现其融资效率整体水平不高,也没有明显提升的趋势。 [7]
通过对相关文献的分析,我们发现评价公司融资效率的方法主要包括面板数据分析、数据包络分析法以及DEA法,本文选择采用三阶段DEA理论模型,这是因为三阶段DEA并不局限于单输出方式,可以有效克服其他分析方法中人为赋予主观权重的弊病;解决了其他分析方法中决策质量会由于所选要素不合理或要素间的关系不正确而降低的问题;克服了单阶段DEA、两阶段DEA不能使决策单元非经营因素(外部环境和随机误差)同质化等方面的不足,更能排除外在因素影响,让每个决策单元都处于相同环境和随机因素之下(Jondrow等,1982)。[8]
2研究设计
2.1指标体系构建
投入变量的选择:本文基于融资成本、企业规模、劳动要素、企业投资的角度。其中融资成本包括内部融资、债务融资、股权融资,而内部融资又包括总资产报酬率、留存收益率;债务融资包括短期负债率和长期资本负债率;股权融资包括股权比率和资本变化率。
企业规模、劳动要素、企业投资分别由总资产、全员劳动创造率、有形资产来衡量。
这些指标充分涵盖了融资效率的投入项目,同时也是反映融资效率投入项目中最准确的指标。
产出变量的选择:本文从盈利能力和营运能力两方面入手,其中盈利能力包括主营业务收入、净资产收益率、每股收益、成本利润率;营运能力包括总资产周转率。
采用这些指标更能准确反映样本公司的产出效率,尤其是盈利能力指标中经济成本利潤率的选择,是本文的创新点之一,大量研究结果表明,成本利润率是度量盈利能力的更為准确的指标之一,然而鲜有将其运用于融资效率的DEA模型研究之中,本文在这方面做了有益尝试。
环境变量的选择:本文参考了大量关于融资效率的研究文献,前述投入、产出变量可以充分反映样本公司融资效率水平,但由于融资效率受环境因素的约束影响很大,故本文从宏观经济方面与企业自身微观影响因素方面进行了环境变量的选择。
本文选择的环境变量包括股权扩容规模、企业债券发行规模和股权集中度。
2.2模型设计
本文采用三阶段DEA模型进行融资效率的测度,Fried(1999,2002)指出传统DEA模型没有考虑环境因素和随机噪声对决策单元效率评价的影响,其先后发表的两篇文章《Incorporating the Operating Environment Into a Nonparametric Measure of Technical Efficiency》、《Accounting for Environmental Effects and Statistical Noise in Data Envelopment Analysis》就探讨了如何将环境因素和随机噪声引入DEA模型。本文第一阶段选择投入导向的BCC(规模报酬可变)模型分析初始效率,第二阶段采用SFA回归函数剔除环境因素和统计噪声,再次用第一阶段BCC(规模报酬可变)模型测算各决策单元的效率,此时的效率已经剔除环境因素和随机因素的影响,数据真实客观反映了样本公司的融资效率水平。 2.3样本选取
因为智能制造是近些年新兴的概念,因此本文在样本选取方面选择在沪深股票市场上市的制造业企业2012-2015四个年度的数据。在剔除数据不全后,2012年至2015年度度符合指标体系条件的数据分别为662、2670、2781、1020个。
3实证结果及分析
3.1 一阶段DEA结果
剔除不符合指标体系条件的样本,共取得2012-2015年度中国制造业上市公司3133个样本数据,其投入、产出指标在一阶段DEA采用BCC模型数据统计后我们发现综合技术效率平均值为0.7573,最大值为1,最小值为0.3548,标准差为0.1762;规模报酬增长的有930个,持平的有940个,下降的有1263个。
由图1可以看出,由于第一阶段没有考虑环境变量与随机扰动因素,综合效率值较低,报酬规模递减的公司个数较多,指标间相关性不能客观反映上市公司融资效率的真实情况。
3.2 三阶段DEA
在考虑了环境变量及随机扰动因素后,采用随机前沿模型SFA得到回归数据,环境变量的取舍主要根据其是否对输入的松弛变量产生作用,而与其本身的单位没有关系,因此需将环境变量标准化。
考虑了环境变量与随机扰动因素后,综合技术效率平均值为0.9949,最大值为1,最小值为0.8529,标准差为0.0113规模报酬递增的样本增加至3090个,不变的减至43个,递减的则降为0个,揭示了样本的融资效率真实水平。
相对第一阶段DEA模型,第三阶段DEA模型的效率值明显提高,规模报酬递减的公司将降为0家,因此,第三阶段的综合技术效率数据揭示了样本上市公司融资效率的实际状况。
3.3 指标对融资效率的贡献度分析
依据第三阶段DEA模型的投入、产出指标的数据集,本文用R语言进行影响融资效率的主成分分析,数据处理结果如下表:
由表4可知,第一主成分F1的贡献率为21.95%,第二主成分F2的贡献率为20.09%,第三主成分F3的贡献率为15.08%,第四主成分F4的贡献率为9.08.%。前四个主成分的累计方差贡献率达到66.2%,因此最终选取4个主成分,其他8个舍去。主成分的碎石图中第四个主成分对应的方差由陡峭开始变得平坦,說明后面的8个主成分方差的贡献率很低,所以最终选择4个主成分即可。
各主成分的实际解释意义如下:
第一主成分F1是多个变量的线性组合,且各变量的系数大小相当,与x1、x7、y1、y5呈现较强的正相关,与x2、x6、y4呈现较强的负相关,这几个变量综合反映了样本公司盈利结构状况,据此可以认为第一主成分F1是反映样本公司融资效率水平的总体代表;
第二主成分F2与x1、x2、x3、x5、x7、y4呈现较强的负相关,与y1、y2、y3呈较强的正相关,反映了高的融资成本对融资效率具有抑制作用;
第三主成分F3与x1、x2、y1、y3、y4呈现较强的负相关,与x3、x6、y2呈较强的正相关,反映了过分依赖内部融资不利于融资效率提升,而盈利能力的提升则有助于融资效率。
由散点图4可知,散点处于高度集中处的样本公司,主成分对融资效率的作用越明显,离散点对应的样本公司,则主成分对则不显著,其融资效率水平较低或很低(图4内散点的数字序号表示数据集样本中对应的上市公司)。
4结束语
通过对3133个上市公司面板数据进行分析,本文得到以下结论:
(1)运用三阶段DEA模型,由于考虑环境变量与随机扰动因素,测度的融资效率的综合技术效率数据更加客观可靠。
(2)不同企业间融资效率水平存在着较大的差异。
(3)对企业融资效率贡献度较大的财务报表数据主要是总资产报酬率x1、有形资产x7、主营业务收入y1、总资产周转率y5、留存收益率x2、全员劳动创造率x6、成本利润率y4等指标。
通过对上述财务指标的影响因素的分析,笔者认为在生产经营过程中企业应当通过提高内部管理水平、加强技术创新、优化资本结构、提高资金使用效率等方面入手,从而提高企业的融资效率。
参考文献:
[1]郭朝先,王宏霞. 中国制造业发展与“中国制造2025”规划[J]. 经济研究参考,2015,(31):3-13.
[2]王焱,王湘念. 智能制造的基礎、组成及发展途径[J]. 航空制造技术,2015,(13):32-37.
[3]宋文兵. 对当前融资形势的理性思考[J]. 改革与战略,1997,(06):1-6.
[4]肖劲,马亚军. 企业融资效率及理论分析框架[J]. 财经科学,2004,(S1):337-340.
[5]高学哲. 企业融资效率:内涵及外延[J]. 生产力研究,2005,(06):205-207.
[6]吴娟. 我国中小板上市公司融资效率分析[D].哈尔滨工程大学,2011.
[7]陈孝明. 基于DEA方法的我国上市文化企业融资效率评价研究[J]. 科技与经济,2015,(04):66-70.
[8]James ,Jondrow, C. A. Knox Loyell, lean S. Materoy,Peter Schmidt.On the estimation of technical inefficiency in the stochastic frontier production function model.,Journal of Econometrics_1982,19(2-3):233-23R.
作者简介:
严复海,教授,兰州理工大学经济管理学院硕士生导师,中国注册会计师,研究方向:公司理财与内部控制;
郭聪,兰州理工大学经济管理学院在读研究生,研究方向公司理财与内部控制。