首页 优秀范文 资产的相关系数

资产的相关系数赏析八篇

发布时间:2023-09-04 16:40:29

序言:写作是分享个人见解和探索未知领域的桥梁,我们为您精选了8篇的资产的相关系数样本,期待这些样本能够为您提供丰富的参考和启发,请尽情阅读。

资产的相关系数

第1篇

(一)理论模型分析假设信用资产关联系统由2家企业组成,第1家企业是下游企业,第2家企业是上游企业。第1家企业向第2家企业采购原材料,第2家企业向第1家提供商业信用;模型时间分为2期,第t期2家企业正常经营,第t+1期第1家企业受到外部流动性冲击,发生违约,第2家企业受损。设企业信用资产为RA;非信用资产为URA;短期负债为STD;长期负债为LTD;净资产为NA。企业i(i=1,2)在t时刻的资产负债表平衡关系。假设资本市场是理性的,市场均衡的估值市净率在第t、t+1期是不变的,不妨设定为常数c。在t+1第1家企业信用违约而股价下降,并引发第2家企业股价随之下降,形成了股价联动[7]68-78。

(二)实证方法构建多变量金融时序Copula函数的关键在于,建立单变量金融时序分布模型与选择合适的多元Copula函数[32]。多元正态Copula函数不能反映变量之间的联合厚尾特征[33-34]。多元t-Copula函数可以用于研究变量之间的联合厚尾特征,其自由度越小,表明联合厚尾特征越明显[35]。1.边缘分布的确定金融资产收益率序列具有异方差、尖峰厚尾、时变、右偏与杠杆效应,适合用AR(1)-GJR(1,1)模型拟合边缘分布。2.Copula函数的选用多元t-Copula函数尾部较厚,能很好地拟合尾部相关关系[37-39]。因此,从理论上可以推断,多元t-Copula函数能够更好地度量股价的联动关系。本文使用Q-Q图、K-S检验判断单个多元Copula函数的拟合情况。同时,引入经验分布函数,构建反映拟合误差大小的平方欧式距离指标。该平方欧式距离反映了多元Copula函数拟合原始数据的误差情况。该指标值越小,说明偏差越小。3.Copula函数的时变过程与估计对于C-藤分解结构下的时变条件相关系数,Engle(2002)提出了比较常用的描述其时变过程的DCC(1,1)模型其中,ρt是t时刻的条件相关系数;向量εt是由选定的时变Copula函数边际分布逆函数转换得到的标准化残差;Q軒t是一个p×p矩阵,该矩阵对角线上的元素是Qt的平方根,其他元素为0;Qt和R分别是残差项的样本协方差与相关系数;rt是在项数为m(m>p)的移动窗中残差的相关系数。该时变Copula函数的参数估计可以由两步极大似然估计法完成[43]。第一步先利用最大似然估计法,估计边际分布AR(1)-GJR(1,1)模型中的参数;第二步对残差做概率积分转换,再利用最大似然估计法,估计时变Copula函数的参数。4.基于Copula函数的相关性分析选择合适的Copula函数后,拟合估计出其参数值,就可以利用表1中的计算式,计算出各相关系数值。在静态Copula函数中,其参数是不变的,计算出来的是静态总体相关性;如果采用时变Copula函数,参数ρt(t=1,2,…,T)是时变参数,就可以利用表1中公式,一一对应地计算出总体线性相关系数、非线性相关系数及尾部相关系数的动态时变过程。

二、计算结果与分析

(一)研究样本根据企业之间存在的信用关联,选择宝钢股份(BGGF)、必和必拓(BHP)、力拓(RIO)、上海汽车(SHQC)、上港集团(SGJT)、山西煤电(SXMD)、青岛海尔(QDHE)和中国船舶(ZGCB)在内的几家企业作为研究样本,研究这些企业从2001年1月2日至2011年4月28日之间的股价联动。列出了6个样本企业股价收益率序列数据的描述统计指标。由表2可知,6个变量的峰度都在10以上,呈现尖峰分布,其中,SGJT收益率分布最尖;BHP、RIO、SHQC、SGJT的偏度都大于0,其中,SGJT收益率分布右偏程度最大;BGGF、XSMD的偏度小于0,说明与正态分布、t分布相比较,适合选用左偏的t分布拟合样本收益率数据。

(二)边际分布拟合检验根据white检验结果可知,3个统计量的P值都拒绝“不存在异方差”的原假设,说明异方差比较突出。表明收益率序列适合选用ARCH模型。本文中的边际分布选用带有杠杆效应的AR(1)-GJR(1,1)-Skewt模型。其模型估计的参数值如表3所示。从AIC、BIC、LL值看,AR(1)-GJR(1,1)-Skewt模型的有效性好于AR(1)-GJR(1,1)-t模型①。8个序列的自由度估计值都比较小,说明它们的分布都具有厚尾特征,其中上港集团的尾部最厚。另外,使用时变Copula函数估计时变条件相关系数时,需要把序列数据通过概率积分转换为U(0,1)分布序列。本文对边际分布拟合情况还进行了独立性检验与同分布检验。拉格朗日乘数检验结果表明,在5%显著水平下,这8个序列都不存在自相关,可以认为转换后的序列相互独立;非参数K-S检验结果表明,转换后的8个序列在5%显著水平上服从U(0,1)分布。这些结论表明,边际分布采用AR(1)-GJR(1,1)-Skewt模型非常合理。

(三)利用多元t-Copula函数静态度量股价的联动效应常用的固定参数多元Copula函数包括多元正态Copula函数和多元t-Copula函数。在这两个函数的Q-Q图中,本文无法区分其拟合优劣;而由多元正态Copula函数的K-S检验可知,在0.01显著水平上拒绝原假设,说明多元正态Copula函数不能很好地拟合多元时序数据;而多元t-Copula函数拟合该的多元数据序列。从Copula函数与经验分布函数之间的平方欧式距离来看,多元正态分布Copula函数的平方欧式距离为0.3873,多元t分布Copula函数的平方欧式距离为0.0568,多元t-Copula函数可以较好拟合该股价原始数据的经验分布情况,与理论分析一致。根据各样本收益率序列的条件边际分布,利用多元Skewt分布函数与多元t-Copula函数之间的关系,信用资产关联各企业股票收益率之间的多元t-Copula函数非线性相关系数如表4所示。从表4可以看出,受中外股市之间的一体化约束,宝钢股份(BGGF)与必和必拓(BHP)、力拓(RIO)之间,必和必拓(BHP)、力拓(RIO)与上海汽车(SHQC)、上港集团(SGJT)、山西煤电(SXMD)、青岛海尔(QDHE)、中国船舶(ZGCB)之间的相关系数都很低,但其他信用资产关联企业之间的相关系数都在0.5左右,存在中等程度的正相关联动现象。

(四)利用时变多元t-Copula函数度量股价的联动效应不同边际分布下时变t-Copula函数的相关系数时变方程参数估计值如表5所示。从AIC、BIC、LL值看,对于条件相关系数的时变过程G-DCC、t-DCC,边际分布选用AR(1)-GJR(1,1)-Skewt模型最合理,但时变G-DCC过程拟合效果最差,t-DCC过程则最好。本文选用AR(1)-GJR(1,1)-Skewt模型作为边际分布,选用时变过程为t-DCC的多元t-Copula函数为多元连接函数,动态拟合计算动态条件相关系数,得到8个按照C-藤结构分解的pair-copula函数的时变无条件相关拟合的AIC、BIC、LL值分别是-7158.6、-7141.7、3582.3。利用这28个时变Copula相关系数的时间序列数据,计算出相对应的时变等级相关系数、秩相关系数与尾部相关系数的时间序列,如表6所示。从表6可以看出,4个相关系数都显示出,股价呈现低度正相关性,具有弱板块效应;时变Copula相关系数的集中趋势值最大,尾部相关系数最小。但是,时变Copula相关系数的绝对离散波动程度、波动幅度最大;从离散系数、极差/平均值的结果可以看出,尾部相关系数的相对离散波动程度最大。从时变Copula相关系数可以看出,在C-藤结构下条件相关系数的均值在0.0583~0.7376之间,呈现出弱相关关系,因为条件相关系数有正值、负值,相关方向存在转换,正负抵消导致简均值的结果较小。其他16个条件相关系数均为正值,平均值在0.5左右,呈现出中等强度的相关性。从条件相关系数值的离散指标可以看出,标准差从0.0573~0.1042,绝对变化范围从0.2628~0.5706,最大相对幅度变化范围从0.4899~6.2644,说明条件相关系数的时变性较强。为了观察条件相关系数的时变特征,本文也分别在标准差最小与最大、离散系数最小与最大、波幅最小与最大等6种情况下,计算了时变Copula函数度量的4个时变相关系数,均表现出相同的变化趋势,而且在常态相关性走强时,股价板块效应的作用愈加强大,同时暴跌暴涨的相关性走强;在常态相关性走弱时,股价板块效应的作用减弱,由一家企业股价大幅涨跌引发的信用资产关联企业同时暴跌暴涨的相关性走强。

三、结论

第2篇

关键词:饲料行业上市公司 经营绩效 典型相关分析

一、 引言

我国饲料行业经过多年的发展,连续20多年稳居世界第二,2012年全国饲料总产量达到1.91亿吨。随着我国经济的快速增长、人均消费的不断提高、饲料的工业化程度不断增强,我国饲料行业的市场发展空间非常广阔,然而饲料行业的现状却是市场结构分散、行业集中度低。随着我国加入WTO,中国饲料业也在向国际化发展,饲料业的对外开放已成为必然趋势,将面临前所未有的挑战,所面临的不仅是国内同业的竞争,还有国际同行的挑战,尤其是中外企业的竞争将更加激烈,能否在竞争中取胜,关键在于市场集中度(市场份额)、企业规模、抵御风险能力等方面的影响,经营绩效是竞争力的集中体现,提高饲料业的经营绩效,是防范经营风险、对外开放的关键,是推动行业可持续发展的根本前提。因此,针对饲料行业上市公司进行经营绩效及其影响因素的分析,对推进饲料行业改善经营管理、提高经营与决策水平、建立健全现代企业制度具有很实际的意义。因此,本文试图在相关研究的基础上,根据饲料行业上市公司2012年的年报数据,利用典型相关分析的多元统计方法,构建饲料行业上市公司经营绩效及其影响因素的典型相关模型,对影响饲料行业上市公司经营绩效的各因素进行实证分析,定量判别各因素的影响程度,为饲料行业上市公司经营绩效的持续稳定增长提供帮助。

二、 研究方法和指标选择

(一)典型相关分析方法

1936年,霍特林(Hotelling)提出了典型相关分析的思想。典型相关分析是由主成分分析和因子分析发展而来,是研究两组变量间的整体的相关关系,两组变量中一组变量为自变量,另一组变量为因变量,在两组变量中各生成一个典型变量,然后研究这两个新的变量之间的相关,使其这一对典型变量达到最大程度相关,即生成第一对典型相关变量。如此继续下去,可以类似的求出第二对、第三对……,这些对典型变量之间互不相关。一般情况,设X=(X1,X2,X3…Xp)、Y=(Y1,Y2,Y3…Yq)是两个相互关联的随机变量,分别在两组变量中选取一对相互关联的典型变量Ui和Vi,使得这对典型变量是原变量的线性组合,即:

并研究它们之间的相关系数p(U,V)。在所有的线性组合中,找一对相关系数最大的线性组合,用这个组合的单相关系数来表示两组变量的相关性,叫做两组变量的典型相关系数,而这两个线性组合叫做一对典型变量。设求到的第一对典型变量为:

用相同的方法,可以逐一地求出各对之间互不相关的许多对典型相关变量,例如(U2,V2)(U3,V3)等等,这些对典型相关变量如实地反映了X、Y之间的线性相关情况。

(二)指标的选择与样本数据处理

本文选取我国上市公司中以饲料行业为主业的新希望、唐人神、通威股份、大北农等21家公司作为研究对象,以其2012年报中披露的数据作为样本数据,各指标来源于巨潮咨讯网,并运用SPSS 16.0完成数据的分析。经过加工整理选取两组指标变量,第一组为经营绩效的影响因素组变量,即“影响组”,第二组为经营绩效组变量,即“绩效组”。

经运算后的各指标数据见下页表3。

三、典型相关分析和模型建立

将表3中的数据输入计算机,研究第一组指标X与第二组指标Y,这两组指标内部以及两组指标间一对一的相关程度,应用软件SPSS 16.0的典型相关分析cancorr过程和MANOVA命令,基于显著水平0.05,两组指标的分析结果如下:

(一)典型相关系数及其检验

由下页表4中数据结果可知,影响组与绩效组共提取了4 对典型相关变量,其典型相关系数分别是0.98026、0.61826、0.36209、0.05170,前两个典型相关系数均较高,分别为0.98026、0.61826,且典型变量的典型相关性比较显著,表明前两个相应典型变量之间相关程度高。

从下页表5可以看出,只有第一对典型变量检验的显著性水平小于等于0.05,表明第一对典型变量之间相关关系显著,而且相关系数也比较高,达到了98.026%,因此可以通过第一对典型相关系数的研究来反映两组变量之间的相关性。

(二)典型相关方程

典型相关系数是原始变量转化为典型变式的权数,所反映的是组内变量在形成典型函数时的相对作用。第一对典型变量(U,V)的累积特征根已经占了总量的96.95313%,而第二对典型变量(U,V)的特征根仅为总量的2.44102%(见下页表4),而且只有第一对典型变量通过F统计量检验(Sig值小于0.05),所以,第一个典型相关方程可大体上说明问题。由于原始变量的计量单位不同,不宜直接比较,为了消除原始变量量纲和单位的影响,我们采用标准化的典型相关系数,由典型相关系数构建典型相关方程。

我们得出典型相关方程,如下:

从方程中的典型权重来看,影响组U1的影响因素从大到小依次是X2(销售成本费用率)、X3(资产总额)、X1(资产风险率)以及X4(市场占有率),相关系数分别为-0.946、0.162、-0.069、-0.016。根据第一组典型相关方程,在第一典型变量U1 中发挥主导作用的是X2(销售成本费用率),典型载荷是-0.946。绩效组V1的主要影响因素是Y4(加权平均净资产收益率),其次是Y1(销售净利率)以及Y2(主营业务现金含量)和Y3(总资产现金回收率)。在第一典型变量V1 中发挥主导作用的是Y4(加权平均净资产收益率),典型载荷是0.623。其余指标对典型变量的贡献程度不显著。考虑到指标X2和Y4所代表的含义,第一典型变量U1 可以用来反映企业的经营风险,第二典型变量V1可以用来反映股东投入资金的盈利能力。考虑到两者符号相反,因此,可以得出销售成本费用率对于加权平均净资产收益率具有反面的影响。但是,利用典型权重来解释变量的相对重要性我们应审慎对待。比如,权重小的可能代表该变量之间没什么关联,也可能是因该变量与其他变量具有共线性而造成的。因此,必须进一步进行典型结构分析。

(三)典型结构分析

典型结构分析依据典型变量与原始变量之间的相关系数值,反映典型变量和绩效组及影响组的各变量之间的影响程度和方向。实际上讨论的是典型负载系数和交叉负载系数。典型负载系数是典型变量与同属于本组的原始变量之间的相关系数。

典型结构分析的计算结果如表6所示。由表6可知,影响组的第一典型变量Ul与X2具有高度相关性,与X3、X4表现中度相关,与X1低度相关。说明销售成本费用率(X2) 、资产总额(X3)、市场占有率(X4)与经营绩效的影响因素相关程度较高,其中X2最为显著。资产风险率(X1)与经营绩效的影响因素相关程度较低,贡献量最小,但也有一定的影响力。

由表7可知,绩效组的第一典型变量U1与Y4、Y1的相关系数都比较高,分别为0.994、0.987,属高度相关,与Y3的相关系数也达到了0.718,说明加权平均净资产收益率(Y4)、销售净利率(Y1)、总资产现金回收率(Y3)的影响都比较大。与其他典型变量比较,Ul反映了上市公司经营绩效的成分更多一些。

由表6和表7可知,由于第一典型变量之间的高度相关,绩效组内大部分原始变量与本组的第一典型变量相关程度较高,而影响组内的原始变量与本组的第一典型变量之间也呈较高的相关关系,这种一致性从数量上体现了经营绩效的影响因素对上市公司的经营绩效的本质影响作用。说明典型相关分析结果具有较高的可信度。

交叉负载系数是某一组中的典型变量与另外一组的原始变量之间的相关系数。交叉负载系数的平方表示本组原始变量的变异量被另一组的典型变量解释的比例。

从表8可知,影响组的第一典型变量V1与X2的交叉负载系数为 -0.967,这个数值的平方为0.935,表示V1可以解释影响组的一个变异量的93.5%。

从表9可知,绩效组的四个变量与第一典型变量V1的交叉负载系数为0.967、0.552、0.704、0.974,取平方得到0.935、0.305、0.500、0.949,表示V1可以解释绩效组的四个变量变异量的93.5%、30.5%、50%和94.9%。

(四)典型冗余和解释能力分析

第一典型冗余表示第一组原始变量总方差中本组变式解释的百分比,第二典型冗余表示第一组原始变量总方差中由第二组的变式所解释的平均比例。典型相关系数的平方表示两组典型变量间享有的共同变异的百分比,将第一典型冗余乘以典型相关系数的平方, 即为第二典型冗余。

从表10中可以看出,第一对典型变量U1和V1均较好地预测了对应的那组变量,第一典型冗余分别为29.7% 和69.9% ,交互解释能力比较强;第二典型冗余分别达到28.5%和67.1%,也具有较强的解释能力;第二对典型变量U2和V2的预测能力和交互解释能力比较弱,第一典型冗余分别为31.9%和2.4%,第二典型冗余分别为12.2%和0.9%,也具有一定的解释能力。尤其是第一对典型相关变量具有较高的解释百分比(0.960),说明第一对典型变量较好地预测了对应的那组变量,同时,也较好地预测了对方组的变量,同时也说明了影响组与绩效组不仅能够被其自身的典型变量解释,同时也能被其对应的典型变量所解释,可以得出影响组与绩效组之间具有显著的相关性。

四、结论

本文选取了饲料行业上市公司为研究样本,通过典型相关分析方法研究经营绩效及其影响因素之间的相关性。可以得出以下结论:

在典型相关方程中,“绩效组”中的加权平均净资产收益率的典型载荷最显著,强于其他指标,对上市公司的经营绩效具有一定的影响。进而体现了加权平均净资产收益率是一个综合性最强的财务比率,最能反映股东投入资金的盈利能力,是绩效组中最有代表性的一个指标。其次是销售净利率典型载荷低于加权平均净资产收益率,也表现出了较强的相关性。“影响组”中的资产风险率、销售成本费用率均与经营绩效具有一定的负相关性,即资产风险率、销售成本费用率越高,经营绩效的值越低,这两个因素对企业的绩效水平起到抑制的作用。而资产总额、市场占有率均与经营绩效具有显著的正相关关系。即资产总额、市场占有率越高,公司的经营绩效水平也越高。另一方面,资产风险率和销售成本费用率是影响组中典型相关系数最高的变量,典型变量的典型相关性比较显著,因此在上市公司制定战略时要重视这两者的变化,尽量降低资产风险率和销售成本费用率的指标,使饲料行业上市公司的经营绩效达到理想目标。

参考文献:

1.张力庠,谭智心.我国饲料产业区域竞争力评价分析[J].农业技术经济,2007,(2).

2.张淑辉,陈建成,张立中,张新伟.农业经济增长及其影响因素的典型相关分析[J].经济问题,2012,(5).

3.姚公安,李琪.企业绩效与创新资金投入的相关性:基于电子信息产业百强企业的研究[J].系统工程,2009,27(7).

4.于明洁,郭鹏.基于典型相关分析的区域创新系统投入与产出关系研究[J].科学学与科学技术管理,2012,(6).

5.王雷,党兴华.R&D经费支出、风险投资与高新技术产业发展:基于典型相关分析的中国数据实证研究[J].研究与发展管理,2008,(8).

6.王发友.典型相关分析的基本思想和方法步骤[J].科技信息,2007,(12).

作者简介:

第3篇

[关键词]农村公共产品;相互关系;供给结构

[作者简介]寇艳春,江苏科技大学人文社科学院教师,硕士,江苏镇江212003

[中图分类号]F294 [文献标识码]A [文章编号]1672-2728(2008)10-0016-03

近年来,在农村公共产品供给研究领域,学界普遍认为应该建立一个需求导向型的供给制度。许多学者通过调查研究,在了解和掌握农村居民公共产品需求意愿的基础上,根据农村居民公共产品需求意愿,对农村居民公共产品需求进行了排序,得出了基于需求的农村公共产品供给结构,但很少有基于公共产品相互关系进行的研究。因此,本文从相互关系的角度对农村公共产品供给结构进行一些分析。

一、理论分析

农村公共产品内容丰富,种类繁多。为了便于对农村公共产品供给结构开展研究,笔者从众多的农村公共产品中,选择了农村基础设施(主要包括农村水利灌溉系统、农村道路建设、乡村电网建设、农村人畜饮水、农村电信服务等)、农村基础教育(主要是指农村义务教育)和农村医疗卫生(主要是指农村医疗服务和公共卫生)三个部分作为本文农村公共产品供给结构研究的内容。这三者的相互关系表现为:

1 基础设施是教育医疗卫生事业发展的前提和基础。英国、美国、日本以及其他国家发展的经验告诉我们,无论是基础设施在区域内的配置,还是在空间上的扩展,都是以生产性基础设施配置为主,以生产性基础设施配置为先。只有当生产性基础设施配置达到一定规模,经济发展到一定水平后,生活性基础设施以及教育医疗卫生服务配置才会逐步展开。不但如此,基础设施必须在时间上先于其他直接生产性投资。由于基础设施建设周期长,因此,必须在建设上先行一步。基础设施(特别是交通运输业)的发展速度普遍高于国民生产总值的增长速度。因为在工业化初期,只有运输业等基础设施超前发展,才能有助于消除各地区自然条件上的差异,促进统一市场的形成,促使生产向具有比较优势的区域集中,推动工农业生产发展,提高国民经济发展水平。

2 教育医疗卫生事业发展推动了基础设施建设。基础设施是教育医疗卫生事业发展的前提和基础,但是,教育医疗卫生事业并不是基础设施的附属物,教育医疗卫生事业一旦产生,就具有相对的独立性,有自己的运行规律,并对基础设施建设产生巨大的推动作用。首先,教育事业的发展为基础设施建设培养有知识、懂技术的劳动者;其次,教育事业的发展为基础设施建设培养生产技术的创造者;最后,医疗卫生事业的发展为基础设施建设提供了身体健康的劳动者。今天,我们很难想象在一个交通不畅、信息闭塞、缺乏水源、没有“电、煤、气”设施的地方能居住生活。正因为如此,“那些双重身份者(具有消费者和投票者双重身份)将选择最能符合他们对公共产品的偏好模式的社区”。因此,基础设施完善的地方一定是工农业生产发展的地方,也必然是人群聚居的地方。伴随着人群聚居数量的不断增加,人们对教育医疗卫生事业的需求日益增加,必然推动该地区教育医疗卫生事业的发展。而教育医疗卫生事业的发展又会吸引越来越多的人来到该地区接受教育和医疗卫生服务,从而对基础设施产生更大的需求,有力地推动基础设施的发展。

二、实证分析

如前所述,从理论上说,基础设施、基础教育和医疗卫生是相互联系、相互影响、相互制约的。那么,我国农村基础设施、基础教育和医疗卫生是否存在着相互联系、相互影响、相互制约的关系呢?我们以1982~2004年农村集体固定资产投资、教育经费、医疗卫生费用为依据,利用Granger因果检验对三者之间的关系进行实证分析。

1 Granger因果检验。建立一般回归模型:

依次将集体固定资产投资(G)、教育经费(J)、医疗卫生费用(Y)三个变量带入模型,得到如下检验结果(见表1):

2 Grange因果检验结果与分析。通过Granger因果检验,我们可以看出农村集体固定资产投资、教育经费、医疗卫生费用三者之间存在着因果关系。也就是说,农村基础设施、基础教育和医疗卫生之间存在着因果关系,如表1所示。这说明,农村基础设施、基础教育与医疗卫生是相互对立、相互联系、相互影响、相互制约的,是互为因果的关系。因此,在优化农村公共产品供给结构的过程中,在优先发展某种或某些公共产品的同时,还应该统筹兼顾,注重协调发展

三、偏相关关系分析

经过Granger因果检验,我们不难发现,农村公共产品各个组成部分之间存在着因果关系。那么,农村基础设施、基础教育与医疗卫生之间的相关关系程度如何,这就需要通过三者之间的偏相关系数加以说明。

1 偏相关系数。偏相关系数的具体算法是:分别固定农村基础设施、基础教育和医疗卫生三个变量中的一个变量,然后计算出其他两个变量的偏相关系数,以此类推,计算出农村基础设施、基础教育和医疗卫生三个变量偏相关系数(见表2、表3、表4)。

从表2、表3、表4来看,偏相关关系分析结果表明:集体固定资产投资与教育经费之间的偏相关系数是0.607;集体固定资产投资与医疗卫生费用之间的偏相关系数是0.170;医疗卫生费用与教育经费之间的偏相关系数是0.673。也就是说,农村基础设施与农村基础教育之间的偏相关系数是0.607;农村基础设施与农村医疗卫生之间的偏相关系数是0.170;农村基础教育与农村医疗卫生之间的偏相关系数是0.673。

2 农村公共产品供给排序。从偏相关关系分析结果来看,农村基础教育与农村医疗卫生之间的偏相关系数是0.673,是最大的,说明农村基础教育与农村医疗卫生之间的关系最为密切,联系也最为紧密。农村基础教育与农村基础设施之间的偏相关系数是0.607,位于次席。而偏相关系数最小的是农村基础设施与农村医疗卫生,它们二者之间的偏相关系数为0.170。由农村基础设施、农村基础教育与农村医疗卫生之间的偏相关系数可以看出:

一是农村基础教育最为重要。对农村基础设施而言,农村基础设施与农村基础教育的偏相关系数为0.607,而农村基础设施与农村医疗卫生的偏相关系数为0.170,因而农村基础教育比农村医疗卫生重要;对农村医疗卫生而言,农村医疗卫生与农村基础教育的偏相关系数为0.673,而农村医疗卫生与农村基础设施的偏相关系数为0.170,因而农村基础教育比农村基础设施重要。由此,我们可以得出农村基础教育最为重要。

二是农村医疗卫生比农村基础设施重要。对于农村医疗卫生与农村基础设施来说,二者之间的偏相关系数为0.170。在农村医疗卫生与农村基础设施偏相关系数既定的情况下,要讨论农村医疗卫生与农村基础设施在农村公共产品供给中的重要程度,只能通过比较农村基础设施、农村医疗卫生与同一个公共产品偏相关系数,即通过比较农村医疗卫生与农村基础教育、农村基础设施与农村基础教育的偏相关系数,哪一对偏相关系数大,说明哪一个相对重要一些;哪一对偏相关系数小,说明哪一个相对弱一些。由于农村基础设施与农村基础教育的偏相关系数0.607小于农村医疗卫生与农村基础教育的偏相关系数0.673,所以,农村医疗卫生比农村基础设施更重要。

第4篇

关键词:创业板市场;中小板市场;动态相关性;DCC-GARCH模型;Copula模型

中图分类号:F830.9 文献标识码:A 文章编号:1672-3104(2013)06?0086?05

创业板市场是专门为成长性好、发展潜力大的高科技公司提供融资的平台,是我国多层次资本市场建设的重要组成部分。中小板市场是我国特有的,为满足中小企业发展需要而设立的过渡资本市场。相对于主板市场而言,创业板与中小板具有上市公司规模小、价格波动大、市场风险高等特点,且二者均为为中小企业融资服务的资本市场平台。

根据国务院“九条意见”①精神,我国建立多层次资本市场的条件正逐步成熟,创业型企业上市在股本总额和持续盈利记录等方面的限制将有所放宽,在条件成熟时,中小企业板块将从现有的市场中剥离,并与目前的创业板市场合并,最终建立正式的创业板市场。由此可以看出,中小板市场是创业板市场的过渡产物。理论上,创业板市场有别于中小板市场,实际上,创业板市场与中小板市场表现出较强的趋同性。在这种背景下,通过计算两市场间的相关系数来考察二者间的动态相关性,对于投资者在两市场间进行资产配置或风险评估,都具有重要的现实意义。

静态相关系数无法反应不同市场间的资产价格或收益率的互动变化,而DCC-GARCH模型和Copula模型计算的动态相关系数均能较好地描述市场间的动态相关关系。Engle[1]提出了DCC-GARCH模型,我国学者游家兴等人[2]基于DCC-GARCH模型对中国与亚洲、欧美7个股票市场的联动性进行分析,得到了自1991年至2008年间市场间联动性变化的动态过程,并得出了市场间联动性逐渐增加的结论;徐有俊等[3]基于DCC-GARCH模型,通过运用1997年1月至2009年3月的数据,研究了中国股市与国际股票指数(MSCI印度指数、MSCI世界指数、MSCI亚太指数和MSCI亚洲新兴市场指数)之间的联动性,结果发现中印两国和亚洲新兴市场的联动性大于其与国际发达市场,且中国与世界股票市场的联动性逐渐增强;近年来,Copula理论和方法在金融等相关领域的运用取得了明显的进展。Patton[4]构建了马克兑美元和日元兑美元汇率的对数收益的二元Copula模型,结果显示Copula模型可以较好地描述外汇市场间的相关关系;韦艳华、张世英[5]运用Copula模型对上海股票市场各行业板块动态相关性进行了相关的研究;Bart ram、Taylor & Wang[6]运用高斯时变Copula对欧元引入欧洲17个国家或地区的股票市场之间的相关性进行了研究;张自然、丁日佳[7]采用时变SJC-Copula模型较好地描述了人民币汇率境内SPOT市场、DF市场和境外NDF市场之间的相依关系。

从已有研究文献来看,DCC-GARCH模型和

Copula模型均能较好地刻画金融市场间的动态关系,但Copula模型效果要好于前者。目前,运用以上两模型对于创业板市场与中小板市场间的动态相关关系的研究文献鲜见,尤其是基于两方法的比较视角更是尚未看到,本文基于两方法比较视角对创业板市场与中小板市场间的动态相关性进行研究,对于厘清两市场间的关系,寻找测度市场间的相关性更适宜的方法都具有重要的现实意义。

一、相关理论与方法

(一) DCC-GARCH模型

设rt是一组白噪声随机变量组成的向量,满足以下条件:

(1)

其中:It?1为rt在时刻t?1时刻的信息集,Ht为条件协方差矩阵,表示为:

Ht=DtRtDt (2)

从单变量GARCH模型可以得到时变标准差矩阵Dt=diag{σi, t},Rt={ρij}t为动态条件相关系数矩阵。

如果能够准确地估计Ht,Dt,代入上式(2),就可以计算出动态条件相关系数Rt。Rt的计算公式转化为:

(3)

其中:

(4)

(5)

将式子代入上面的式子便可求出动态相关系数。

(二) Copula模型

根据Copula函数的相关理论,确定一个合适的边缘分布是构建多变量金融时间序列Copula模型的重中之重,根据金融时间序列的波动特征和分布的“尖峰厚尾”性,选取GARCH-t模型来刻画两市场收益率的波动特征。

Rnt=μn+εnt, n=1, 2, …, T (6)

(7)

(8)

(9)

其中:CN(?)表示二元正态Copula函数,Tv1(?)、Tv2(?)分别表示均值为0,方差为1,自由度为v1和v2的正规化t分布函数。

二元正态Copula函数常用来描述两个变量间的相关关系,其分布函数为:

(10)

其中:表示标准正态分布函数的逆函数,ρ ()为相关参数。相关参数可以有两种形式:一为常相关参数,二为时变相关参数。随着外部条件的变化,变量之间的相关系数也有可能发生波动,Patton(2001)提出了可以由一个类似于ARMA(1, q)的过程来描述,他把时变相关参数演进方程扩展为一般形式:

(11)

其中:函数Λ(?)定义为,它是为了保证ρt始终处于(?1, 1)之间,,是观测序列进行概率变换后得到的序列。滞后阶数q可以根据研究对象的特点自行选取,一般q小于等于10。

二、实证分析

(一) 数据来源及解释

为研究创业板市场与中小板市场之间的动态关联性,本文选取创业板指数(399006)和中小板指数(399005),分别以cybr和zxbr表示创业板指数收益率和中小板指数收益率。时间窗口为2010年6月1日至2012年5月31日,共484个数据数据,运用eviews6.0、winrats8.0和MATLAB等软件进行计算。

(二) 数据描述及处理

根据日收益率公式:

Rt=ln St?ln St?1 (12)

其中:Rt表示市场指数收益率,St为第t日的市场指数收盘价,St?1为第t?1日的市场指数收益率。求得两市场指数日收益率的描述性统计表1。

由表1可知,创业板指数及中小板指数收益率均值很小,几乎接近于0,且为负的,表明在此期间,投资两市的投资者均是亏损的。且两市股指收益率的分布均有左偏性,收益率的峰度值均大于正态分布的峰度值,通过JB统计量检验知,两市场指数收益率均不服从正态分布,具有“尖峰后尾”特征,在此基础上分析知两市场指数收益率均存在序列自相关和ARCH效应,并依据AIC及似然函数准则选用GARCH-t 模型来拟合样本数据,表2是参数估计结果。

α的估计值均大于0,且α+β

(三) DCC-GARCH模型估计结果

现在利用DCC-GARCH模型估计两市场的动态相关性,运用winrats8.0得到两市场之间的动态相关系数序列的描述性统计量如表3。

由表3可以看出,创业板市场与中小板市场之间的相关系数均大于零,均值为0.888 427,最大值为0.945 926,最小值为0.729 338,两市场表现出较强的正相关性。另外,两市场的动态相关系数的标准差为0.037 687,表现出两市场相关性的波动较小,也从一定程度上表明两市场变化的一致性。

DCC-GARCH模型下,两市场间的动态相关系数变化可以通过图1表示。

由图1可以看出,2010年底到2011年上半年,创业板市场与中小板市场之间的相关关系有比较大的波动,从2011年下半年开始,二者相关关系趋于稳定。且两年的时间内,两市场的相关系数在2010年7月份、10月份及2011年的5月份有一较大幅度的下跌,前一时间点大幅下跌的原因在于创业板指不久,样本股调整导致的结果,后两时间点大幅下跌的原因与2010年7月份创业板的解禁潮及2011年5月份的创业板高管大幅度减持有关。

(四) Copula函数估计结果

表4为常相关的二元正态Copula函数的参数估计结果。由表3的常相关参数可知,创业板市场与中小板市场指数收益率序列间均具有较强的正相关关系,相关系数为0.882 11(见表4)。

金融时间序列间的相关关系一般是时变的,这里我们选取q=10来考察两市场间的的动态相关关系,表5为参数估计的结果(见表5)。

由表5可知,创业板市场与中小板市场指数收益率序列的持续性参数βp=0.135 43,说明这两个序列的时变相关参数受前一期影响,但不是太大。实际上,图2也能表明两市场间的动态相关性受前期影响。

由图2可以看出,创业板市场与中小板市场之间的时变相关系数波动稍大,但也仅限于狭窄的区间内[0.862, 0.925],相关系数出现的高点、低点等异常值与DCC-GARCH模型估计结果基本一致(见图2)。

表6为利用Copula模型,运用MATLAB计算得到的两市场之间的动态相关系数序列的描述性统计量(见表6)。

表1 创业板及中小板市场指数日收益率基本统计量

样本 均值 中值 最大值 最小值 标准差 偏度

cybr ?0.000 583 0.001 076 0.065 948 ?0.078 435 0.019 930 ?0.403 484

zxbr ?0.000 221 0.000 791 0.049 282 ?0.065 047 0.015 953 ?0.375 436

样本 峰度 JB统计量 伴随概率P cybr zxbr

cybr 3.797 036 25.890 07 0.000 002 1.000 000 0.888 278

zxbr 3.603 655 18.680 16 0.000 088 0.888 278 1.000 000

表2 GARCH-t模型下两市场参数估计结果

参数 μ ω α β ν 对数似然值

cybr(399006) ?0.000 315 6 2.535 3×10?5 0.058 19 0.875 34 13.161 1 217.4

zxbr(399005) ?9.351×10?5 1.585×10?5 0.056 374 0.880 56 15.08 1 322.4

表3 DCC-GARCH模型下创业板市场与中小板市场收益率序列相关系数描述性统计量

样本 均值 中值 最大值 最小值 标准差 偏度 峰度 JB统计量 伴随概率P

cybr-zxbr 0.888 43 0.898 51 0.945 93 0.729 34 0.037 69 ?1.316 62 4.941 79 214.982 0.000 002

图1 DCC-GARCH模型下两市场间的动态相关系数走势

表4 常相关二元正态Copula函数的参数估计结果

样本 ρ 对数似然值

cybr-zxbr 0.882 11 ?363.61

表5 时变二元正态Copula函数的参数估计结果

样本 ωρ βρ αρ 对数似然值

cybr-zxbr ?1.731 3 0.135 43 5 ?364.87

图2 Copula模型下两市场间的时变相关系数走势

表6 Copula模型下创业板市场与

中小板市场收益率序列相关系数描述性统计量

样本 均值 中值 最大值 最小值 标准差

cybr-zxbr 0.885 4 0.885 0.924 3 0.863 2 0.010 25

由表6可以看出,Copula模型下创业板市场与中小板市场之间的时变相关系数均大于零,均值为 0.885 4,这与常相关系数0.882 11、静态相关系数 0.888 3、DCC-GARCH估计的动态相关系数均值 0.888 4相差无几,说明不管是基于线性考虑还是非线性考虑,两市场间确实存在较强的正相关关系。另外,时变相关系最大值为0.924 3,与DCC-GARCH模型估计的相关系最大值0.945 926也相差不大,但最小值0.863 2较DCC-GARCH模型估计的0.729 338要大一些,这主要是由于Copula函数考虑了收益率随时间变化而导致的结果。再者,两方法估计的动态相关系数的标准差均较小,DCC-GARCH模型下为0.037 687,Copula模型下为0.010 25,表明两市场相关系数的波动性较小,具有较强的稳定性,说明两市场表现确实相差不大。

三、结论与建议

通过线性和非线性模型考察创业板市场与中小板市场收益率之间的相关性,可以得出以下结论与建议:

(1) 创业板市场与中小板市场指数收益率静态相关系数为0.888 2,DCC-GARCH动态相关系数均值为0.888 4,Copula常相关系数为0.882 11,Copula时变相关系数均值为0.885 4,无论是静态相关系数,还是动态相关系数,无论是线性相关系数,还是非线性相关系数,均表明两市场间存在较强的正相关关系。

(2) DCC-GARCH模型下,两市场间的动态相关系数在一个狭窄的区间[0.729, 0.946]波动,除了2010年7月、10月及2011年5月因股票解禁和高管减持造成的动态相关系数大幅度下跌外,其他时间估计的GARCH动态相关系数均表现出较强的稳定性;Copula模型下,两市场间的动态相关系数也在一个狭窄的区间[0.862, 0.925]波动,但会在时间窗口期内有异常值出现,这是因为市场间的非线性影响因素所致,所以,Copula模型要优于DCC-GARCH模型。

(3) 似然函数值表明,时变Copula模型因捕捉了资产收益率的持续性,估计两市场间的相关系数效果要优于常相关Copula模型。

总之,创业板市场与中小板市场指数收益较强的相关性和稳定性表明,两市场表现出较强的趋同性,这为中小企业上市和资产配置提供了有益建议,同时,也表明创业板市场与中小板市场合并将是必然趋势。

注释:

① 2004年国务院下发的《关于推进资本市场改革开放和稳定发展的若干意见》。

参考文献:

Engle R F. Dynamic conditional correlation simple class of Multivariate GARCH models [J].Journal of Business and Economic Statistics, 2002(20): 339?350.

游家兴, 郑挺国. 中国与世界金融市场从分割走向整合――基于DCC-MGARCH模型的检验[J]. 数量经济技术经济研究, 2009(12): 96?107.

徐有俊, 王小霞, 等. 中国股市与国际股市联动性分析――基于DCC-MGARCH模型研究[J]. 经济经纬, 2010(5): 124? 128.

Patton A. Modeling time-varying exchange rate dependence using the conditional copula [Z]. Department of Economics, University of California, San Diego, 2001.

韦艳华, 张世英. Copula理论及其在金融分析上的应用[M]. 北京: 清华大学出版社, 2008(8): 35?50.

Bartram S M, Taylor S J, Wang, Y H. The Euro and European financial market dependence [J]. Journal of Banking & Finance, 2007(31): 1461?1481.

张自然, 丁日佳. 人民币外汇市场间不对称汇率变动的实证研究[J]. 国际金融研究, 2012(2): 85?95.

高铁梅. 计量经济分析方法与建模: Eviews应用及实例[M]. 北京: 清华大学出版社, 2006(1): 249?278.

金龙, 王正林. 精通MATLAB金融计算[M]. 北京: 电子工业出版社, 2009(6): 254?257.

The Empirical Research of the Dynamic Correlation Between the Second Board Market And the Small and Medium-sized Board Market in China ――Based on Comparative Perspective of Different Methods

GENG Qingfeng

(Department of Public Economics and Finance, Minjiang University, Fuzhou 350108, China)

Abstract: The DCC-GARCH model can describe the linear dynamic correlation between financial markets, while the time-varying normal Copula model is mainly used for nonlinear dynamic correlation study between financial markets. This paper aims to study the dynamic correlation between the second board market and SME board market by building models to the return series of the two boards’ indexes and calculating dynamic correlation coefficient of the two markets on the basis of DCC-GARCH model and Copula model. The results show as as follows: ① there is positive correlation between the second board market and SME board market and the correlation is very strong; ② time-varying Copula model is better than constant correlation Copula model in describing the correlations among financial markets as it captures market return’s feature of time-varying; ③ except for a little time-points, dynamic correlation coefficient calculated on the basis of DCC-GARCH model is in a stable interval. Whereas, there are abnormal values in the dynamic correlation coefficients calculated on the basis of Copula model as a result of taking nonlinear factors into consideration. Hence the latter is better than the former.

Key Words: Growth Enterprise Market; Small and medium-sized market; Dynamic Correlation; DCC-GARCH Model; Copula model

收稿日期:2013?05?21;修回日期:2013?11?22

第5篇

全球化资产配置必要性

在此之前,我们将从风险——收益的角度为投资者揭示全球化资产配置的必要性。我们选取了2003年至2012年上证综指与其他各国市场代表性指数的月度收益率进行了比较分析。

从上表中可以看出不同国家或地区都不同的风险收益特征。其中,收益率最高的国家或地区是印度尼西亚,月平均收益率为2.19%,波动率为6.75%。恒生国企是波动率最高的指数,月平均标准差是9.54%,收益率为1.92%。

目前QDII基金主要投资的两大市场分别是中国香港和美国。从风险收益来看,和上证综指相比,香港恒生指数收益率高,风险低。但是香港恒生指数与上证综指的相关性较大,相关系数为0.53,仅次于恒生国企指数的0.61,较强的相关性使得大比例配置香港股市可能无法起到QDII基金分散A股的作用。相比之下,美股与上证综指的相关性较低,虽然月平均收益率较低,但是波动率也远远低于国内股市。根据马科维茨投资组合理论,将资产的三分之二跟踪香港股市,剩余三分之一资产配置美国股市,得到的资产组合的收益率为0.80%和国内股市收益率相等,但是其波动率为5.35%。也就是说通过区域配置,可以得到一个收益率和国内股市相同但是风险小于国内股市的组合。

QDII基金全球化配置效果

股票型

六只以全球化配置为投资主题的股票型QDII基金在美国和香港两大市场的投资比例几乎全部在六成以上,工银瑞信全球配置甚至达到了78.06%。直观上来看,“全球化”效果相对较好的是交银环球精选和工银瑞信全球精选,分别将24.57%、28.69%的资产配置在了美国、香港以外的国家或区域上,分布的地区分别达到了12、13个。

国家或地区配置情况

但是配置区域分散并不意味着全球化配置效果好,如果选择的个股集中于中国概念股,那么其全球配置效果也会大打折扣。根据四季报显示,上述六只QDII基金中仅工银瑞信全球精选基金的前十大重仓股中没有中国概念股,而工银瑞信全球配置、建信全球机遇前十大全部为中国概念股。从相关系数来看,工银瑞信全球精选与上证综指相关性非常弱,相关系数仅为0.03。长盛环球景气行业虽然投资区域较为集中,除了香港、美国仅投资了加拿大和法国两个国家,并且配置的比例较低,但是由于该基金相对配置的中概股较少,因此和上证综指呈现弱相关性,相关系数为0.27。

FOF型

现有以“全球化”为投资主题的FOF型QDII基金主要配置的是给类型的ETF基金。一方面,ETF基金可以在二级市场上买卖,交易方便,费用便宜。另一方面,持有ETF基金绕开了个股选择的问题,可以较为直接地进行区域配置。

第6篇

关键词:负债融资 企业绩效 负债结构 负债类型

目前国内学者关于融资方式对公司影响的研究日益增多,其中对公司绩效影响以及产生的治理效应的理论研究和实证研究比较多,融资方式选择中主要偏向于股权融资方面的研究,而相对的负债融资方面的实证研究还比较少。因此,本文主要从负债融资对公司运营产生的治理效应的大小,从而影响公司业绩这一角度来研究负债融资结构对公司绩效的影响。

一、研究设计

(一)研究假设 根据委托理论,短期负债能够约束投资过度行为,促使管理者在偿付本息的压力中作出更有效的投资决策,相较于长期负债,短期负债的治理效应更强;另一方面根据信号传递假说,经营业绩好而债务定价被低估的高品质的公司倾向短期负债,经营业绩差而债务定价被高估的低品质公司倾向发行长期负债。基于以上观点,本文提出假设:

假设1:短期负债与公司经营业绩正相关,长期负债与公司经营业绩负相关

根据委托理论,我国商业信用对债务人的软约束以及我国破产机制的缺陷,使股东易于侵害商业信用债权人的利益,相机治理作用较为薄弱;银行贷款一般金额大期限长,债权人是专业的借贷机构,对企业的项目投资监督能力较强,有能力对企业进行干涉和对债券资产进行保护,相机治理作用相对较强。基于以上观点,本文提出假设:

假设2:商业信用与公司经营业绩负相关,银行贷款与公司经营业绩正相关

(二)样本选择和数据来源 本文在选取样本公司时遵循以下原则:(1)剔除金融类上市公司;(2)为了避免公司上市初期股价表现不稳定的因素,故选择2001年12月31日以前在上海证券交易所上市的公司;(3)仅发行A股股票的上市公司;(4)剔除ST、PT类上市公司;(5)剔除房地产类上市公司,现阶段我国房地产上市公司泡沫经济较严重,受政策影响变动较大,资本结构不能反映正常的公司运营;(6)剔除数据残缺、不正常、处于极限状态的上市公司。按以上原则本文筛选了上海证券交易所2001年12月31日以前上市的100家企业作为研究样本,研究时间跨度为2008年至2011年。本文运用Excel、SPSS17.0数据分析软件对样本数据进行处理。

(三)变量定义 本文选取变量如表(1)所示。(1)因变量:衡量一个公司的经营业绩常用的指标有:总资产收益率、净资产收益率、主营业务利润率、EVA评价法、托宾Q等。EVA评价法更能反映公司为股东创造的价值,但是这种方法操作过程中需要加入很多调整事项,可操作性不强;我国非流通股所仍占的较大的比例不能对其准确估值,因此托宾Q并不是衡量我国上市公司经营业绩的指标选择。而净资产收益率是反映资本收益能力的国际通用指标,但容易被人为操纵,失去了一定的可信度。因此,本文选取总资产收益率作为衡量公司业绩的指标,因为采用单个指标衡量公司业绩显得不够全面,而主营业务成绩突出的公司才能快速健康成长,因此还选取了主营业务利润率作为另一个绩效指标。(2)自变量:从负债期限结构和负债类型结构对负债融资结构进行了细分,进而考察负债融资对公司经营业绩的影响。(1)债务期限结构对经营业绩的影响指标:短期负债比率(SFZ)、长期负债比率(LFZ);负债的类型结构对经营业绩的影响指标:商业信用融资比率(SYXY)、银行贷款融资比率(LLOAN)。目前我国发行企业债券的上市公司数只占了全部上市公司数很小的比例,发行参与者还不够普遍,不具有统计意义。因此本文仅从商业信用和银行贷款融资两方面分析负债的类型结构对经营业绩的影响。为了更具有可比性,以上五个自变量均以企业的总资产为分母。(3)控制变量:本文设置的控制变量有:公司规模(SIZE),即公司年末总资产的对数。预测一个企业未来经营状况的重要指标——公司的成长性(GROWTH)。因为一般成长性好的公司主营业务比较突出,所以在这里选取主营业务增长率。

(四)模型建立

二、实证检验分析

(一)描述性统计 表(2)表示样本公司2008年至2011年短期负债的融资情况,其均值分别为37.87%、36.02%、36.90%、36.43%,融资规模比较稳定。观测期四年来短期负债比率均值为36.81%,明显高于表3长期负债率(均值为10.48%),前者是后者的3倍,需要注意的是,过高的短期负债会减弱负债的治理功能,最终影响到企业的经营业绩。表(3)显示样本公司2008年至2011年长期负债的融资情况,均值分别为8.71%、10.85%、10.99%、11.35%,四年来均值为10.48%,处在一个较低水平,需要注意的是观测期四年期间均有一部分公司在某一年度甚至四年间的长期负债为0,短期负债却保持较高的水平,负债期限结构是不合理的。

负债类型主要分为银行贷款、商业信用、企业债券。其中银行贷款和商业性用占负债总额的70%以上。企业债券在近年来得到快速发展,所以一并列入分析,对上文的变量选择中不将其纳入负债类型结构的自变量的原因进行补充说明,从以下数据中做出有力说明。表(4)显示样本公司2008年至2011年企业通过银行贷款的融资情况,均值分别为22.32%、22.22%、21.02%、20.35%,四年的均值为21.41%,比值有些许滑落,这可能是因为近几年受国家宏观调控政策的影响紧缩银根,为企业放贷规模缩小的原因造成的,但银行贷款在总资产中仍占到了20%以上的比例,相对与以下的商业信用和企业债券,仍然是企业融资的主要方式。表(5)显示样本公司2008年至2011年企业通过商业信用融资的情况,均值分别为14.49%、15.16% 、15.76%、15.04%,四年的均值为15.11%,负债类型中融资能力仅次与银行贷款,与短期负债率四年的均值36.81%相比,商业信用占了整个短期(流动)负债的41.05%,也说明了商业信用在负债融资中有着不可忽视的作用。表(6)显示样本公司2008年至2011年企业通过发行债券融资的情况,均值分别为0.98%、0.67%、0.66%、1.79%,四年的均值为1.03%,虽然也呈现出了上升的姿态,但融资能力明显低于银行贷款和商业信用。近几年我国企业债券发行额度有了明显提高,08年后甚至超过股票筹资额,有了“量”的改变,但“质”还是不足的,样本公司中,2008年至2011年发行企业债券的上市公司数分别是9家、8家、7家和19家,发行数量最多的是2011年,但也仅占样本公司数的19%,说明我国企业债券市场要达到普及的程度还有一大段距离,且从样本数据看,发行企业债券的融资规模和所占样本公司的比例太小,不具有研究意义。

(二)回归分析 回归模型分析结果见表(7)和表(8)。从回归结果可以看出,短期负债率(SFZ)、长期负债率(LFZ)、银行贷款融资比率(LLOAN)与反映公司经营业绩的总资产收益率的回归系数在显著性水平上都通过了T检验;而商业信用融资比率(SYXY)、银行贷款融资比率(LLOAN)与反映公司经营业绩的主营业务利润率的回归系数在显著性水平上都通过了T检验。(1)自变量短期负债率(SFZ)与总资产收益率的回归系数在显著性水平上通过了T检验,相关系数在1%范围内显著不为0(t=-3.287,p=0.001),上市公司的总资产收益率与短期负债率之间存在高度显著的负相关关系,但与主营业务利润率的相关系数总资产收益率的相关系数在10%以上的水平不显著,说明短期负债率对主营业务利润率基本上没有影响,但表明短期负债率对总资产收益率的解释能力更强,短期负债率每增长1%,总资产收益率下降0.105%,短期负债在对公司的治理效应起到了消极作用。其原因分析为我国的现状是短期负债比率过高,上市公司普遍存在投资短视,经理人将资金投资收益不高的项目,对投资长期资产的资金空缺,影响公司的盈利性,抑制了公司经营的正向发展,这与前面的假设相反。(2)长期负债率(LFZ)与总资产收益率的回归系数在显著性水平上通过了T检验,相关系数在1%范围内显著不为0(t=-3.796,p=0.000),上市公司的总资产收益率与长期负债率之间存在高度显著的负相关关系,但与主营业务利润率的相关系数总资产收益率的相关系数在10%以上的水平不显著,也说明长期负债率对主营业务利润率基本上没有影响,表明长期负债率对总资产收益率的解释能力更强,长期负债率每增长1%,总资产收益率下降0.149%,长期负债对我国上市公司经营业绩产生了消极效应,这与假设1相一致。(3)商业信用融资比率(SYXY)与总资产收益率的相关系数在10%以上的水平不显著,说明商业信用对总资产收益率基本上没有影响;但与主营业务利润率的回归系数在显著性水平上通过了T检验,相关系数在1%范围内显著不为0(t=-3.589,p=0.000),上市公司的主营业务利润率与商业信用融资比率之间存在高度显著的负相关关系,表明商业信用融资比率对主营业务利润率的解释能力更强,商业信用融资比率每增长1%,那么主营业务利润率下降0.349%,商业信用融资对我国上市公司经营业绩产生了消极效应,这与之前的理论假设结果相一致。(4)在自变量中,银行贷款融资比率(LLOAN)与总资产收益率(ROA)和主营业务利润率(ROC)的回归系数均在显著性水平上通过了T检验,与总资产收益率的相关系数在10%范围内显著不为0(t=-1.813,p=0.071),说明上市公司的总资产收益率与银行贷款融资比率之间存在较显著的负相关关系,银行贷款融资比率每增长1%,总资产收益率下降0.062%,与主营业务利润率的相关系数在1%范围内显著不为0(t=-3.447,p=0.001),说明上市公司的主营业务利润率与银行贷款融资比率之间存在高度显著的负相关关系,银行贷款融资比率每增长1%,主营业务利润率下降0.306%。以上结果均表明,银行贷款融资比率对我国上市公司经营业绩起到了抑制作用,其原因主要为我国国有银行与政府和国有企业间存在一定同质性,并未很好发挥其监督作用和发挥相机治理效应,最终对上市公司经营业绩起到消极效应,这与理论假设结果相反。(5)控制变量中公司规模与总资产收益率和主营业务利润率均存在显著正相关关系,相关系数在1%的水平内显著不为0;成长性与总资产收益率存在显著正相关关系,相关系数在1%的水平内显著不为0,但对主营业务利润率基本上没有影响。同时,上文模型检验结果中,同一自变量(如期限结构自变量)对不同因变量间反映出的关系和结果的不同(对主营业务利润率基本没有影响,但是与总资产收益率均存在明显的负相关关系),事实证明了采用单个指标衡量公司业绩显得不够全面,采用两种因指标相互补充才能使得结果分析更准确。

三、结论

本文研究发现:(1)不同的负债期限结构对公司业绩的影响均起到负面效应。短期负债并没有对公司经营业绩的提升起到积极效应,相反地过高的短期负债反而对公司的经营业绩起到了抑制作用。一方面原因是企业再融资的可能因为门槛高,主要或只能通过银行提供的短期借款获得,而用于长期资产投资的资金空缺,使得上市公司普遍存在短期借款长期占用的情况,以新还旧的恶性循环,长短期负债实质上的无差别使得短期负债的治理效用无效;同时过多的短期负债使公司存在的投资决策短视现象,公司担心错过未来更好的投资机会而加速投资,将其投资在净现值小而回收期短的项目,而放弃回收期长而净现值高的项目,影响了公司的盈利水平,同样的长期负债为公司业绩的提高也起到了的负面效应。(2)不同的债务类型表现出与公司绩效产生较显著的负面影响,即银行贷款和商业信用对公司经营业绩的提升起到了抑制作用。可能的原因:一是在我国为上市公司提供贷款的往往是国有银行,经营活动受到国家体制、政策指令的干预,对国有上市公司表现出信贷软约束的现象,而我国目前的上市公司大部分是国有或国有控股的企业,银行对其贷款可能并不因为其投资的项目具有可行性和经济意义,而是因为国家和政府对此类公司的保护心态,因此总体上银行贷款并没有对上市公司的经营业绩起到促进作用;二是我国目前的商业信用体系并不健全,商业信用债权人对债务人基本上不存在约束,造成了事前无保障,事中难控制,事后难维权的形态,上市公司对这种几乎无成本的短期融资方式存在侵占的可能性就会很大,造成了两者之间利益冲突严重,同时破产法制不完善,不利于保护债权人的利益,因此,商业信用对公司的经营业绩起到了负面效应。

参考文献:

[1]李双飞:《上市公司债务融资与公司价值的实证研究》,《金融教学与研究》2007年第5期。

[2]王满四:《负债融资、债权治理与公司绩效》,《中山大学博士学位论文》2007年。

第7篇

企业生命周期理论认为企业具有生命性,企业的发展过程均大致需经过初创期、成长期、成熟期、衰退期四个阶段。

资本结构有广义与狭义之分:广义的资本结构是指所有资本的构成及比例关系,它不仅包括长期资本和短期资本的构成比例关系,而且包括债务结构与权益结构;狭义的资本结构一般是指公司长期资本中债务资本与权益资本的构成及其比例关系,也通常指公司总债务资本与所有者权益资本的比例关系或公司总债务资本与总资产的比例关系,本文是以狭义的资本结构为研究对象。

无论是早期资本结构观点还是现代资本结构理论体系及新资本结构理念其核心思想是统一的,只是其对企业资本结构研究前提情况不同所得出的不同结论。资本结构MM无关论是在一系列的市场假设情况下得出的企业资本结构与企业价值是不相关的;而修正MM理论是假设是在比较切合实际考虑所得税情况下得出的企业价值与资本结构相关结论;新资本结构是出于企业治理角度、控制权角度、融资角度等等方面研究得出的结论,所以无论对企业资本结构进行什么样的研究,均不能脱离资本结构核心思想,所不同的只是研究前提假设情况及研究角度的不同。

由于企业在整个生命周期过程中的社会价值贡献是由企业初创期、成长期、成熟期及衰退期四个阶段社会价值贡献总和决定的,所以为了使得企业价值最大化就必须对不同的生命周期阶段进行不同的合适的资本结构配合,使得四个阶段总体价值最大化。正因为存在此问题而企业生命周期是一个连续不断的过程,并四个阶段并不是完全不相关、互相脱离的,所以在不同的生命周期阶段过度时存在资本结构过渡优化环节。例如,企业在初创期负债比例很小甚至为零,而在成长期、成熟期、衰退期资产负债比例慢慢提高,致使资本结构大不相同,所以在对不同生命周期阶段配合不同的资本结构时,需要将资本结构不断地进行适当地调整与优化,使得企业总体价值达到最大化。

二、企业价值最大化模型构建

企业在生命周期中的价值贡献是由初创期、成长期、成熟期、衰退期四个阶段的价值折现值决定,也就是说企业在不同阶段的价值等于这四个阶段的价值贡献在不同时点上的折现值。因为在衡量企业价值的同时,存在对不同阶段上企业价值进行折现的问题,所以如何采取折现模型与怎么采取折现率将成为对企业价值评估的核心。

(一)折现率选择 由于企业资本一般分为债权资本与股权资本,所以对于不同的资本采用的折现率也不尽相同。对于债券资本,可以按照债券筹资中发生的成本来衡量其折现率;而对于股权部分,采用的折现率由资本资产定价模型决定,模型如下:

Ks=Rf+?茁×(Rm-Rf)

其中,Rf为无风险报酬率,一般采取长期债券利率,例如国库券利率进行衡量;?茁为股票的贝塔系数;Rm为平均风险股票报酬率。其中的式中Cov(RiRm)为该股票的收益与市场指数之间的协方差,?滓2m为市场指数的方差。

(二)模型构建 企业的资源来源于股权筹资与债券筹资,而企业的价值又是由企业的整体价值(实体价值)决定的,所以企业的整体价值就等于股权价值加上企业的净债务价值来衡量,股权价值可以通过企业股权现金流量按照股权成本折现来决定,债券价值可以通过债券现金流量按照债券筹资成本折现来衡量,故在评估企业价值时可以分别对股权价值与债券价值进行评估然后计算总和,模型如下:

企业实体价值=股权现金流量现值+债权现金流量现值

企业价值的衡量可以用企业资产账面价值或者市场价值来代替,虽然企业的账面价值并不能代表企业的真实价值,但是房地产上市公司的市场价值存在较大的市场溢价倍数且远远脱离了企业的实际价值,所以采用账面价值来代替企业价值比较合适。出于上述原因的考虑,以下涉及的企业价值均用公布的年报数据中资产负债表中的总资产账面价值代替。另外,需要说明是总资产账面价值中已经考虑了部分资产的坏账损失、累计折旧、固定资产减值准备、长期股权投资减值准备、累计摊销等后的净额。

三、实证分析过程

(一)房地产行业总体情况 具体如下:

(1)营业利润总额。 从我国房地产上市公司126家样本在2006 年~ 2009 年的营业利润额进行分析, 近四年营业利润总额分别为18719687258.80元、 33202041227.97元、 33075841840.16元、

46691649816.99元,营业利润总额变化趋势向上发展,见图1:

(2)资产规模。从我国房地产上市公司126家样本在2006年~2009年度的资产账面价值来看,我国房地产行业除了10家ST及6家数据资料不缺的上市公司,其余126公司在2006年~2009年的资产账面价值总计分别为416706392679.06元、639907628104.14元、839379510724.23元、1109475613082.00元,资产规模变化趋势稳步向上发展,趋势如图2所示:

(二)实证检验 具体包括以下方面:

(1)样本选取及分类。通过对我国142家房地产上市公司数据资料的搜集与分析,剔除6家年报数据不全或上市期间小于3年及一家境外上市公司新城B股,故以剩余136上市公司为总体样本,然后再剔除136家上市公司之中的10家ST企业,将剩余126家上市公司作为研究样本。

样本的具体分类标准为:0.1≤营业利润变化比率≤0.2或者-0.2≤营业利润变化比率<-0.1时,企业处于初创期阶段;-0.1≤营业利润比率<0.1时,企业处于稳定阶段;营业利润变化比率<-0.2时,企业处于衰退期阶段;营业利润变化率>0.2时,企业处于成长阶段。从理论上讲,企业在初创期、成长期、稳定期及衰退期的营业利润变化率应当一致,要么全部为正数要么为负数,但是企业不同的会计年度经营期间内可能由于某一或多种因素的影响,导致企业在初创期可能表现出衰退期的特征,所以在考虑这一偶然因素后将一定范围内营业利润的小幅度波动率排除在外,也就是说处于初创期的企业营业利润变动率不一定必然为正数。

(2)描述性统计检验。通过对126家样本资产负债率数据的整理然后经过SPSS软件统计分析,得出资本结构统计表如表1所示:

从表1来看,总体上我国房地产上市公司资本结构差别较大,负债融资规模在不同的上市公司之间差别特别大。在2007年最高上市公司负债程度达到了资不抵债情况,最低为零;在2008年负债比例最低的上市公司与最高的上市公司差距达到了77.15%,最低与最高融资相差特别大;在2009年负债融资比例最低与最高相差为89.09%,也是非常高。

(3)相关性分析。具体过程如下:

第一,成长阶段分析。分析结果如表2所示。

从变量之间相关性来看,我国房地产行业上市公司资本成本函数值、每股净资产收益、资本结构三者之间紧密相关,资本成本函数值与每股净资产收益率之间相关系数为0.021,资本结构与每股净资产收益率之间相关系数为0.383,资本成本函数与资本结构之间相关系数为0.032。

结合此时71家样本来看,每股净资产收益率在10%以上的上市公司资产负债率全部处于40%至70%区间,但是数据特征表明处于40%至70%区间的资本结构不一定就能够使得企业价值最大化。所以上述的情况表明,企业资本结构处于40%至70%区间是企业价值最大化的必要条件,但不是充分条件,也就是说企业的价值最大化还得结合其它情况而定,但是要使得其企业最大化,适当的债务融资是必不可少得,且应该处于40%至70%这个区间。

第二,初创阶段分析。分析结果如表3所示。

从变量之间相关性来看,我国房地产行业上市公司资本成本函数值、每股净资产收益、资本结构三者之间紧密相关,资本成本函数值与每股净资产收益率之间相关系数为0.407,资本结构与每股净资产收益率之间相关系数为0.263,资本成本函数与资本结构之间相关系数为0.032。

结合此时18家样本来看,每股净资产收益率在10%以上的上市公司资产负债率全部处于30%至70%区间,但是数据特征表明处于30%至70%区间的资本结构不一定就能够使得企业价值最大化。所以上述的情况表明,企业资本结构处于30%至70%区间是企业价值最大化的必要条件,但不是充分条件,也就是说企业的价值最大化还得结合其它情况而定,但是要使得其企业最大化,低度的债务融资是必不可少得,且应该处于30%至70%这个区间。

第三,稳定阶段检验。结果如表4所示:

从变量之间相关性来看,我国房地产行业上市公司资本成本函数值、每股净资产收益、资本结构三者之间紧密相关,资本成本函数值与每股净资产收益率之间相关系数为-0.109,资本结构与每股净资产收益率之间相关系数为-0.321,资本成本函数与资本结构之间相关系数为0.410。

结合此时10家样本来看,每股净资产收益率在10%以上的上市公司资产负债率全部处于50%至75%区间,但是数据特征表明处于50%至75%区间的资本结构不一定就能够使得企业价值最大化。所以上述的情况表明,企业资本结构处于50%至75%区间是企业价值最大化的必要条件,但不是充分条件,也就是说企业的价值最大化还得结合其它情况而定,但是要使得其企业最大化,中等的债务融资是必不可少的,且应该处于50%至75%这个区间。

第四,衰退阶段检验。相关性分析结果如表5所示。

从变量之间相关性来看,我国房地产行业上市公司资本成本函数值、每股净资产收益、资本结构三者之间紧密相关,资本成本函数值与每股净资产收益率之间相关系数为-0.330,资本结构与每股净资产收益率之间相关系数为-0.052,资本成本函数与资本结构之间相关系数为0.090。

结合此时41家样本来看,每股净资产收益率在10%以上的上市公司资产负债率全部处于60%至90%区间,但是数据特征表明处于60%至90%区间的资本结构不一定就能够使得企业价值最大化。所以上述的情况表明,企业资本结构处于60%至90%区间是企业价值最大化的必要条件,但不是充分条件,也就是说企业的价值最大化还得结合其它情况而定,但是要使得其企业最大化,高度的债务融资是必不可少得,且应该处于60%至90%这个区间。

四、研究结论

(一)房地产部分上市公司资本结构与生命周期阶段不匹配 研究数据表明我国房地产行业上市公司在依据营业利润指标作为企业生命周期阶段划分,结合资本成本函数与企业价值最大化衡量指标及资本结构指标情况下,虽然房地产行业中部分上市公司在资本结构处于生命周期阶段的初创期、成长期、稳定期或者衰退期的最优资本结构区间范围内,但是其企业价值并没有实现价值最大化。这种情况表明,企业可能从财务特征上表现出了最优的资本结构,但是企业并没有在此良好的平台上创造出最好的业绩,这样就导致其并没有实现其价值的最大化。从企业价值最大化角度来看,企业要实现其价值最大化则其必须借助一定程度的债务融资,也就是说最优的资本结构是企业价值最大化的必要条件而非充分条件。

(二)房地产上市公司生命周期阶段呈现跳跃式的特点 依据我国房地产上市公司营业利润作为企业生命周期阶段划分的标准,通过对房地产行业126家上市公司样本2006年~2009年年报数据的分析研究,研究成果表明房地产行业上市公司现在虽然处于房地产行业发展阶段之中,但是各个上市公司情况各不相同且呈现出生命周期阶段跳跃性的特点。

(三)房地产上市公司最优资本结构是一个区间范围 从理论上讲,如果各个上市公司的常量数据一致,那么各个上市公司的最有资本结构应该是一个具体的点,为一定值。通过对我国房地产行业上市公司中的126家样本数据的分析研究,研究表明因为房地产行业上市公司得常量数据不一且差别较大,所以我国房地产行业最有资本结构呈现出一个区间范围而不是一个特定的值。另外,通过对对2007年成长阶段、2008年初创阶段与稳定阶段、2009年衰退阶段的资本成本函数、每股净资产收益率及资本结构数据的对比分析研究,表明处于成长阶段最优资本结构区间为40%至70%,初创阶段为30%至70%,稳定阶段为50%至75%,衰退阶段为60%至90%。

(四)最优资本结构在不同生命周期阶段之间缓慢过渡 通过对不同生命周期阶段最优资本结构区间(初创期30%至70%、成长期40%至70%、稳定期50%至75%、衰退期60%至90%)的分析,得出企业在生命周期的初创期、成长期、稳定期及衰退期四个阶段之间逐渐过渡,区间下限与上线逐渐上升,初创期下限为30%而在成长期下限上升至40%,成长期下限为40%而在稳定期上升至50%,稳定期下限为50%上升至衰退期的60%,在下限上升的同时,最有资本结构区间的上限也在上升。

(五)资本结构与企业价值在初创期及成长期正相关,在稳定期与衰退期负相关 通过对126家房地产上市公司的数据研究,表明我国房地产行业内的上市公司资本结构与企业价值在初创期及成长期正相关,在稳定期与衰退期负相关。在初创阶段资本结构与企业价值正相关,相关值为0.263;成长阶段资本结构与企业价值正相关,相关值为0.383;稳定阶段资本结构与企业价值负相关,相关值为-0.321;衰退阶段资本结构与企业价值负相关,相关值为-0.052。

第8篇

【关键词】上市公司 资本结构 影响因素 相关性

一、研究背景

资本结构问题涉及到股东、管理者及债权人三方的利益和冲突,影响着企业的融投资行为、资源配置效率及其经营活动,研究影响企业资本结构的影响因素,对提升企业价值以及市场的资源配置效率具有重要的现实意义。本文就沪市2007年上市公司按不同行业分组,计算资本结构的有关统计指标。然后控制行业因素进行多元回归分析。以沪市2007年制造业A股上市公司中食品、饮料业的企业,共计36家为样本,利用EVIEWS统计软件做实证分析。

二、研究方法与数据选取

1.研究假说假说1:行业因素对资本结构具有显著影响。假说2:获利能力与资本结构((长期)负债比率)负相关。假说3:企业规模与资本结构正相关。假说4:资产担保价值与资本结构正相关。假说5:成长性与资本结构正相关。

2.变量设定因变量:负债比率:Y1=总负债/总资产(期末数)

长期负债比率:Y2=长期负债/总资产(期末数)自变量:获利能力:X3=净利润/主营业务收入规模:LNS=主营业务收入之自然对数(主营业务收入单位:万元)

资产担保价值:X3=(存货+固定资产)/总资产(期末数)

成长性(率):X4=(期末总资产-期初总资产)/期初总资产

3.样本及数据资料的来源

数据资料主要取自上海证券交易所公布的上市公司年报,以沪市2007年制造业A股上市公司中食品、饮料业的企业,共计36家做为样本。

4.研究限制(1)受数据资料限制,对影响因素的考察限于四个,模型的解释能力受一定影响。(2)只就2007年的数据进行横截面数据分析,可能存在异方差现象。(3)由于数据资料的限制,控制行业因素时,只就食品、饮料业进行实证研究,研究结果不一定能推广至其他行业。

三、实证结果

1.基本的统计分析

根据上海证券交易所(2007)的行业分类,选取有10家企业以上的行业,进行基本的统计分析和计算得到表1:(沪市2007年不同行业之负债比率)

由表1,不同行业的资本结构有着明显的差异。在负债比率的“最大值”中,最高与最低相差11.5699;在负债比率的“最小值”中,最高与最低相差0.2490;在负债比率的“平均值”中,最高与最低相差0.9625。出现差异是由于不同行业的资产结构、营运周期、发展前景等各不相同。 转贴于

2.食品饮料行业样本之相关系数分析

由相关系数分析可以发现:(1)各自变量之间的相关系数均不显著,不存在多重共线性的问题;(2)就负债比率Y1来说,LNS与Y1正相关(与假说3符号相同),X3与Y1呈负相关(与假说2符号相同),X3与Y1负相关(与假说4符号相反),这三个变量与Y1的相关系数小于0.3,相关性不很明显。同时, X4与Y1正相关(与假说5符号相同),并且相关系数为0.4056,相关性比较明显;(3)就长期负债比率Y2来说,X3与Y2正相关(与假说2符号相反),LNS与Y2负相关(与假说3符号相反),X3与Y2负相关(与假说4符号相反),X4与Y2正相关(与假说5符号相符),这四个变量与Y2的相关系数小于0.3,相关性均不很明显。

3.对Y1之回归分析对Y1进行回归分析得到

Y1=-0.20-0.03X3+0.04LNS+0.15X3+0.07X4

(-0.51) (-0.49) (1.47) (0.99) (2.42)

R2=0.23, D.W.=1.87, F=2.36

由回归发现:(1) LNS、X3、X3与Y1的估计系数均无法通过α=0.05显著水平下的t检验,故就2007年沪市食品、饮料业来说,规模、获利能力、资产担保价值对负债比率没有显著影响,这否定了假说2、假说3和假说4;(2) X4与Y1的估计系数可以通过t检验,故进一步做回归分析得到:

Y1=0.41+0.05X4(2.59)R2=0.16, D.W.=1.91, F=6.70

通过回归分析得知:在单独以X4对Y1做回归时,其估计系数可以通过t检验,F检验的效果也比较理想,说明X4对Y1有显著影响(正相关),证实了假说5。

4.对Y2之回归分析对Y2之回归分析得到:Y2=0.20+0.001X3-0.01LNS-0.06X3-0.02X4

(1.34) (0.07) (-1.04) (-0.96) (-0.20)R2=0.07, D.W.=2.13, F=0.55

说明就长期负债比率Y2来说,各自变量的估计系数均无法通过显著性水平为α=0.05的t检验,F检验的效果也不理想,各自变量与Y2之间的相关性也并不显著,属于弱相关范围。

四、研究结论

1.不同行业的资本结构有着明显的差异,进行实证研究应该尽量控制行业因素。

2.就2007年沪市食品、饮料业上市公司来说(下同),成长性对资本结构有显著影响。

3.获利能力、规模、资产担保价值、等因素对资本结构的影响不显著。

4.获利能力、规模、资产担保价值、成长性等四个因素对长期负债比率的影响不显著。

参考文献:

[1]Sheridan Titman and Roberto Wessels.TheDeterminants of Capital Structure Choice.TheJournal of Finance,VOL.XLIII,No.1,March1988.

[2]黄庆堂,黄兰英.资本结构对企业合并绩效影响之研究[J].台湾银行季刊,1997,46(4).

[3]陆正飞.企业适度负债的理论分析与实证研究[J].经济研究,1996.