周靜,楊保華
(江蘇師范大學(xué),江蘇 徐州 221000)
財(cái)務(wù)績(jī)效評(píng)價(jià)方法常見的有平衡記分卡[1]、財(cái)務(wù)綜合分析[2]、杜邦分析法[3]以及EVA[1]等。近年來多位學(xué)者對(duì)財(cái)務(wù)績(jī)效評(píng)價(jià)方法進(jìn)行了改進(jìn),如陳一君,等[4]對(duì)傳統(tǒng)TOPSIS法進(jìn)行改進(jìn),結(jié)合BSC和灰色關(guān)聯(lián)法綜合評(píng)價(jià)白酒企業(yè)的財(cái)務(wù)績(jī)效;楊秀瓊[5]在對(duì)上市商業(yè)銀行的財(cái)務(wù)績(jī)效評(píng)價(jià)中,引入三角模糊數(shù)建立模糊DEA模型;朱和平,等[6]基于TOPSIS方法構(gòu)建改進(jìn)因子分析跨年度評(píng)價(jià)模型,將其運(yùn)用于制造業(yè)財(cái)務(wù)可持續(xù)發(fā)展評(píng)價(jià)中;王婧[7]為評(píng)價(jià)金融企業(yè)財(cái)務(wù)績(jī)效提出了一種基于主成分分析法和數(shù)據(jù)包絡(luò)法的評(píng)價(jià)方法。
近年來電子商務(wù)的高速發(fā)展為物流產(chǎn)業(yè)的發(fā)展帶來了新的機(jī)遇,物流業(yè)逐漸成為國(guó)民經(jīng)濟(jì)的重要組成部分。現(xiàn)有的相關(guān)物流業(yè)研究有:李曉津,等[8]在對(duì)快遞型物流企業(yè)的財(cái)務(wù)績(jī)效評(píng)價(jià)研究進(jìn)行總結(jié)分析的基礎(chǔ)上,構(gòu)建了BWM-GRA模型;馮建海[9]建立了一套煙草商業(yè)物流財(cái)務(wù)績(jī)效指標(biāo)體系,運(yùn)用熵權(quán)法確定指標(biāo)權(quán)重和綜合得分,以此發(fā)現(xiàn)了物流作業(yè)中的薄弱環(huán)節(jié);徐楠,等[10]基于BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)了物流上市公司財(cái)務(wù)績(jī)效;王振東[11]通過FCM模糊聚類研究了鐵路物流園區(qū)規(guī)劃;王玉富[12]在完成多車輛路徑優(yōu)化系統(tǒng)中使用了K均值聚類算法。關(guān)于聚類方法的研究還包括李因果,等[13]提出了面板數(shù)據(jù)聚類方法并進(jìn)行了實(shí)證分析;左超文[14]提出了灰色面板聚類方法等。已有的聚類方法大多通過聚類分析截面數(shù)據(jù)的靜態(tài)特征,而灰色面板數(shù)據(jù)聚類方法從三個(gè)時(shí)空特征屬性綜合分析面板數(shù)據(jù)的動(dòng)態(tài)特征,使得數(shù)據(jù)分析更具可靠性?;疑姘鍞?shù)據(jù)聚類方法還提出了多指標(biāo)自適應(yīng)權(quán)重法,引入灰靶決策理論改進(jìn)了灰色聚類方法。本文通過灰色面板數(shù)據(jù)聚類方法對(duì)18家物流上市公司進(jìn)行財(cái)務(wù)績(jī)效分析,并提出改進(jìn)建議。
以傳統(tǒng)財(cái)務(wù)績(jī)效指標(biāo)為準(zhǔn),分別從償債能力、盈利能力、營(yíng)運(yùn)能力和成長(zhǎng)能力四個(gè)方面選取財(cái)務(wù)指標(biāo)構(gòu)建指標(biāo)體系,見表1。物流行業(yè)作為多元化經(jīng)營(yíng)的新興產(chǎn)業(yè),市場(chǎng)上并沒有具體的行業(yè)劃分標(biāo)準(zhǔn)。故本文以巨潮資訊為標(biāo)準(zhǔn)搜索物流公司,并進(jìn)行篩選。將ST、*ST以及近五年數(shù)據(jù)缺失的物流上市公司剔除,最終獲得18家物流上市公司,以其2016-2020年相關(guān)數(shù)據(jù)作為研究樣本。
表1 物流上市公司財(cái)務(wù)績(jī)效指標(biāo)體系
本文將18家物流上市公司作為聚類評(píng)估對(duì)象,綜合考慮絕對(duì)量、變動(dòng)量以及波動(dòng)量三個(gè)時(shí)空特征屬性。樣本屬性包括表1的12個(gè)指標(biāo),研究時(shí)間囊括2016-2020年,由此確定N=18,M=12,T=5的灰色面板數(shù)據(jù),用 xij(t)表示時(shí)間t( t=1,2,...,T)時(shí)對(duì)象i( i =1,2,...,N)的指標(biāo)j(j=1,2,...,M)的指標(biāo)值的無量綱測(cè)度。2020年物流上市公司財(cái)務(wù)指標(biāo)數(shù)據(jù)見表2。
表2 物流上市公司2020年度財(cái)務(wù)指標(biāo)數(shù)據(jù)
2.2.1 無量綱化處理
同理可計(jì)算出2016-2020年面板數(shù)據(jù)的無量綱化數(shù)值。
本文的適中值D選自文獻(xiàn)[15],其中資產(chǎn)負(fù)債率取區(qū)間值的均值。
2.2.2 計(jì)算時(shí)空特征屬性水平矩陣
定義1設(shè)xij(t)為t( t=1,2,...,T)時(shí)對(duì)象i( i =1,2,...,N)的指標(biāo)j(j=1,2,...,M)的指標(biāo)值的無量綱測(cè)度,如果分別稱xi(t)、μi(t)、ηi(t)為對(duì)象i在t時(shí)面板數(shù)據(jù)下的絕對(duì)量水平矩陣、變動(dòng)量水平矩陣、波動(dòng)量水平矩陣。其中將定義1運(yùn)用到2020年無量綱化處理后的財(cái)務(wù)數(shù)據(jù)中,得出2020年的水平矩陣:
同理得出2016-2019年的絕對(duì)量水平矩陣和波動(dòng)量水平矩陣,以及2017-2020年的變動(dòng)量水平矩陣。
定義2設(shè)γijl(t)表示對(duì)象i在t時(shí)關(guān)于指標(biāo)i時(shí)空特征l的測(cè)度值,如果或,則分別稱矩陣為對(duì)象i和正理想對(duì)象在t時(shí)刻關(guān)于指標(biāo)i的時(shí)空特征l的測(cè)度值矩陣。由于絕對(duì)量和變動(dòng)量越大越好,波動(dòng)量越小越好,根據(jù)定義2,可得:
根據(jù)定義2可知,如xmax1(2020)即為2020年絕對(duì)量水平矩陣中第一個(gè)屬性(流動(dòng)比率)的最大值,同理可得2016-2020年的時(shí)空特征l測(cè)度值矩陣,分別為:
將對(duì)象i和正理想對(duì)象在t時(shí)刻關(guān)于指標(biāo)i的時(shí)空特征l測(cè)度值代入式(1),計(jì)算結(jié)果見表2。
根據(jù)熵權(quán)思想,結(jié)合樣本特征屬性,構(gòu)建了自適應(yīng)特征熵權(quán)法,確定綜合距離的權(quán)重。熵權(quán)法的原理在于能夠有效表征數(shù)據(jù)中蘊(yùn)含信息的多寡,然后根據(jù)信息蘊(yùn)含量確定權(quán)重的大小。因此,運(yùn)用改進(jìn)的熵權(quán)法對(duì)算法的權(quán)重進(jìn)行求解,得出各時(shí)空特征屬性權(quán)重分別為w1=0.4,w2=0.3,w3=0.3。
定義4設(shè)dli表示對(duì)象i與正理想對(duì)象關(guān)于時(shí)空特征l的距離,如果則分別稱為對(duì)象關(guān)于時(shí)空特征屬性的上、下極值向量。
定義5如果kl表示基于時(shí)空特征屬性l(1,2,...,q)分類的第kl個(gè)類別,則稱k=(k1,k2,...,kq)為對(duì)象時(shí)空特征差異的灰類。
根據(jù)物流上市公司在絕對(duì)量水平、變動(dòng)量水平以及波動(dòng)量水平上的表現(xiàn),可將三個(gè)時(shí)空特征屬性均分為兩個(gè)灰類,則一共表現(xiàn)為8個(gè)灰類,如下所示:
根據(jù)定義6計(jì)算時(shí)空特征屬性差異下k類灰類理想靶心,如絕對(duì)量水平矩陣的灰類計(jì)算為取d1i的max=6.171和min=4.625,則灰類好=min=4.625,灰類差=max-(max-min)/2=5.398。
同理可得其余時(shí)空特征屬性灰類,計(jì)算結(jié)果如下:
根據(jù)對(duì)象i關(guān)于k灰類理想對(duì)象關(guān)于時(shí)空特性屬性Gl的測(cè)度距離,可計(jì)算靶心距離為:
根據(jù)聚類對(duì)象i的靶心距,dki越小,表明聚類對(duì)象i越可能隸屬于灰類k,由可以判定聚類對(duì)象i屬于k灰類。如順豐控股的灰類判斷,將時(shí)空特征距離(5.225,17.784,3.729)和第一灰類(4.625,5.987,0.309)代入式(2),得出順豐控股到第一灰類的靶心距離,同理得出到第二灰類到第八灰類的靶心距離,最后比較八個(gè)靶心距離,靶心距離最小的則是順豐控股的灰類。同理得出其余17家物流上市公司的聚類結(jié)果,計(jì)算結(jié)果見表3。
由表3可知,我國(guó)18家物流上市公司主要分布在5個(gè)灰類中:
表3 物流上市公司特征屬性的距離和聚類結(jié)果
第一灰類包括圓通速遞和嘉友國(guó)際。此灰類財(cái)務(wù)績(jī)效具有絕對(duì)量水平較好,變動(dòng)水平較好,但波動(dòng)量較大的特點(diǎn)。造成這種特征的主要原因可能在于企業(yè)多項(xiàng)經(jīng)營(yíng)活動(dòng)的財(cái)務(wù)績(jī)效碰撞,比如圓通速遞借殼上市、嘉友國(guó)際發(fā)行股份等活動(dòng)對(duì)企業(yè)財(cái)務(wù)績(jī)效產(chǎn)生影響。針對(duì)此種情形,企業(yè)應(yīng)不斷完善公司治理機(jī)制,合理利用自身優(yōu)勢(shì),借助行業(yè)政策的機(jī)遇,推動(dòng)企業(yè)進(jìn)一步發(fā)展。
第二灰類包括恒基達(dá)鑫、宏川智慧、普路通。此灰類財(cái)務(wù)績(jī)效具有絕對(duì)量水平較差,變動(dòng)水平較好,且波動(dòng)幅度較小的特點(diǎn)。出現(xiàn)這種特征的原因可能是企業(yè)人力資源、物力資源及技術(shù)資源等內(nèi)部資源配置不足。對(duì)此類企業(yè)可以引入大量相關(guān)人才,提高企業(yè)競(jìng)爭(zhēng)能力,還可以有效配置企業(yè)內(nèi)部資源,將有限資源效用最大化。
第三灰類包括順豐控股、物產(chǎn)中大、建發(fā)股份、海晨股份、華貿(mào)物流、東方嘉盛、嘉誠(chéng)國(guó)際、密爾克衛(wèi),此灰類財(cái)務(wù)績(jī)效具有絕對(duì)量水平較差,變動(dòng)水平較好,且波動(dòng)量較大的特點(diǎn)。造成這種特征的主要原因可能在于企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)較大,如財(cái)務(wù)風(fēng)險(xiǎn)和戰(zhàn)略風(fēng)險(xiǎn)等。企業(yè)可以通過建立或完善企業(yè)風(fēng)險(xiǎn)預(yù)警機(jī)制來降低風(fēng)險(xiǎn)。
第四灰類包括淮河能源、飛力達(dá)、廈門象嶼,此灰類財(cái)務(wù)績(jī)效具有絕對(duì)量水平較差,變動(dòng)水平較差,波動(dòng)幅度較小的特點(diǎn)。出現(xiàn)這種現(xiàn)象的企業(yè)可以調(diào)整企業(yè)發(fā)展策略,使之與企業(yè)內(nèi)部資源和外部資源相適配,同時(shí)可以結(jié)合提升企業(yè)社會(huì)形象等方面促進(jìn)企業(yè)的發(fā)展。
第五灰類包括中國(guó)外運(yùn)、暢聯(lián)股份,此灰類財(cái)務(wù)績(jī)效具有絕對(duì)量水平較差,變動(dòng)水平較差,且波動(dòng)幅度較大的特點(diǎn)。對(duì)于此類特征的企業(yè),人才募集和培養(yǎng)至關(guān)重要,是企業(yè)發(fā)展的動(dòng)力源泉。企業(yè)可以建立一套合理的人才培養(yǎng)機(jī)制,同時(shí)可以借助國(guó)家政策扶持的力量逐步發(fā)展企業(yè)。
整體來看,18家物流上市公司主要分布在第三灰類中,財(cái)務(wù)績(jī)效具有絕對(duì)量水平較差,變動(dòng)水平較好,且波動(dòng)量較大的特點(diǎn)。針對(duì)該聚類結(jié)果提出三點(diǎn)建議:第一,引進(jìn)相關(guān)技術(shù)人員,建立人才培養(yǎng)機(jī)制,提高企業(yè)核心競(jìng)爭(zhēng)力;第二,建立與完善企業(yè)風(fēng)險(xiǎn)預(yù)警機(jī)制,降低企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn);第三,關(guān)注行業(yè)發(fā)展動(dòng)態(tài),抓住國(guó)家政策扶持機(jī)遇,推動(dòng)企業(yè)進(jìn)一步發(fā)展。
針對(duì)靜態(tài)聚類方法不能做到分析面板數(shù)據(jù)的動(dòng)態(tài)特征,本文采用改進(jìn)的灰色面板數(shù)據(jù)聚類方法動(dòng)態(tài)分析18家物流上市公司的財(cái)務(wù)績(jī)效情況。根據(jù)聚類結(jié)果將企業(yè)分為5個(gè)灰類,并針對(duì)各灰類屬性特征對(duì)企業(yè)提出建議。本文的灰色面板數(shù)據(jù)聚類分析既豐富了動(dòng)態(tài)聚類方法的研究?jī)?nèi)容,也為解決物流業(yè)上市公司發(fā)展中的問題提供了一定的參考思路。