基于主成分分析的中国物流上市公司绩效评估

      近年来，在国家加快转变经济增长方式和调整产业结构的大背景下，由于现代物流业作为生产性服务业的重要组成部分，对经济社会发展的支撑与引导作用越显突出，其产业地位得以逐步确立，迈入了难得的战略发展期，产业政策也在逐步完善。然而，产业快速发展与战略机遇的耦合是否带来了物流企业价值或绩效的绝对提升，则是企业管理者和投资者关注的焦点。为此，一些学者尝试运用模糊综合评价、成本指数、模糊聚类、熵权与灰关联分析、数据包络分析、主成分分析等方法定量评估物流企业的绩效，并论证了方法的可行性[1]。其中，应用最多的是主成分分析，且被认为简便科学。但是，通过梳理文献可以发现，在应用主成分分析评估物流企业绩效时仍然存在实证研究不充分和评估对象选择不科学的问题。例如，刘辉、焦癑、孙晓东等都遴选了相对较为全面的指标，并以示例的方式验证了借助主成分分析评价物流企业绩效的可行性，但评估结果不具有现实参考价值[2-4]；闫枫逸和毛海军、贺琼和万华丽均选取沪深两市的物流上市公司作为绩效评估对象进行实证研究[1，5]，虽然验证了主成分分析的可行性，但所选取的部分上市公司(如南方航空、海南航空、赣粤高速、中原高速、厦门机场、长运股份等)较少涉及物流业务，样本不具典型性。有鉴于此，作者拟在科学遴选评估对象的基础上，利用公开的上市公司信息，借助主成分分析，对沪深两市的物流上市公司绩效进行重新评估，以跟踪市场变化，为物流企业管理和投资决策提供更为科学的依据。

      一、样本与评估指标的选取

      (一)样本的选取

      不同于现有文献简单地以不完整的行业板块为依据选择样本的做法，本文通过查阅上市公司公开财务数据，依据公司主营业务收入构成，并剔除ST公司和信息不完整公司，最终在运输物流、交通设施、港口水运等多个板块遴选出40家以货物运输、仓储、装卸搬运、货运代理等典型物流业务为主营业务的上市公司作为绩效评估对象。同时，依据其业务范畴，将40家物流上市公司归为港口类、水路运输类、铁路运输类及综合类。具体样本情况见表1。

      (二)评估指标的选取

      

      

      二、数据处理与计算

      (一)主成分分析及其基本原理

      主成分分析也称为主分量分析，是由霍特林于1933年首先提出来的。主成分分析是利用降维的思想，在损失较少信息的前提下把多个指标转化为几个综合指标的多元统计方法。转化生成的综合指标即称为主成分，其中每个主成分都是原始变量的线性组合，且各个主成分之间没有相关性[6]。

      

      

      (二)数据处理与计算

      依据主成分分析的通用方法，借助Stata统计分析软件，对样本公司的数据做如下处理与计算：

      (1)对原始数据进行标准化处理。将选取的样本公司各类财务指标进行量纲为1处理，使其具有可比性。在Stata软件中，可以直接利用描述性统计过程得到标准化的数据。

      (2)计算指标特征值及贡献率。运用Stata软件对标准化后的财务指标进行主成分分析，得到指标的特征值、贡献率及累计贡献率(表2)。

      主成分提取一般依据2个标准，即指标特征值大于1或累计贡献率大于85%。表1中前3个指标的特征值均大于1，而且累计贡献率达83.66%，说明前3个指标基本包含了全部指标具有的信息，故选择这3个指标作为主成分，分别记为。

      (3)KMO与SMC检验。为了保证指标选取的科学性，本文对所遴选的14个财务指标进行了KMO与SMC统计检验。KMO抽样充分性测度是用于测量变量之间相关关系强弱的重要指标，可通过比较2个变量的相关系数与偏相关系数得到。KMO值介于0～1之间，KMO越高，表明变量的共性越强。如果偏相关系数相对于相关系数比较高，则KMO比较低，主成分分析不能起到很好的数据约化效果。Kaiser曾经给出的判断标准如下：0.00～0.49，不能接受；0.50～0.59，非常差；0.60～0.69，勉强接受；0.70～0.79，可以接受；0.80～0.89，比较好；0.90～1.00，非常好[7]。Squared-Multiple-Correlation(以下简称SMC)是一个变量与其他所有变量的复相关系数的平方，也就是复回归方程的可决系数。SMC值越高，表明变量的线性关系越强，共性越强，主成分分析就越合适。运用Stata软件对所选取的财务指标进行KMO与SMC检验(表3)，可见各指标均可接受或符合要求[8]。