基于因子分析法对互联网公司财务状况的综合评价*——以L公司为例

王 威 朱家明 石刚送

(安徽财经大学会计学院 安徽蚌埠 233030)

自改革开放以来，中国互联网公司飞速发展，在上市公司中特别是互联网上市公司的财务状况质量，一直都是投资者和社会各界关注的重点.在微观上，上市公司的财务状况质量不仅影响相关经营者的利益，更关乎广大投资者的利益；宏观上，一个国家的上市公司的整体发展质量，可以很大影响国家在世界经济中的地位.因此上市公司财务状况的综合评价在企业日常经营中具有核心的作用.为此，深入展开对中国上市公司财务状况评价的研究，特别是互联网公司的财务质量评级体系，对于推动中国财务状况评级体系的建立与完善，促进企业改革、中小企业稳步发展具有重要的意义.

为了更加合理地评价L公司的财务状况质量，文章通过建立一套针对互联网行业的财务状况评价体系，选取14个相关指标，运用因子分析法，对L公司财务状况质量进行综合评价.通过选取2015年A股市场(包括L公司在内的)26家“互联网+”行业的上市公司的财务进行因子分析，结合统计软件SPSS 19.0的运行结果表明，L公司2015年的总体财务状况处于行业中下游水平，其主要影响因子是偿债能力和盈利能力.通过深层次剖析，文章得出L公司的资金利用率达到了上限，虽给企业带来了一定的利润，但是偿债能力依旧较弱，财务风险控制较差；净利润(尤其是归母净利润)持续增长的背后是利用大量递延所得税资产和所得税费用调节盈余，使得其财务质量在不断恶化.

1 因子分析法对财务状况研究的背景

祁红全(2001)在对因子分析法的应用中认为，其可以看做主成分分析法的一种延伸，它可以给出样本在同行业的排名，进而分析影响排名的主要因素，这对分析企业财务状况有很大促进作用[1].常志飞(2010)认为传统财务评价方法由于存在指标之间相互影响的关系，很容易造成评价不准确，而因子分析法恰恰优化了这一弊端[2].郑明贵(2015)以聚类分析与因子分析相结合的方式，通过对46家钢铁企业的财务状况指标进行排名，得出行业内财务状况质量并提出了建议[3].杨玉秀(2015)应用因子分析研究石油公司的相关财务指标，进而得出盈利能力和营运能力对海油工程排名影响最大.陈茜(2017)将聚类分析和因子分析相结合，把林业上市公司财务状况分为良好、一般、高风险3类，并提出了财务质量改进方案.

2 互联网公司财务状况评价指标的建立

2.1评价指标的选取

根据巨潮网等对上市公司的财务评价指标，结合L公司近年来的经营状况，文章从影响企业财务状况的5大因素中选取了14个指标作为参考，见图1.

图1 指标评级图

⑴投资与收益.该指标主要考虑收益对公司财务质量的影响.主要选取每股收益(元)、每股净资产(元)、净资产收益率(%)、扣除后每股收益(元)4个指标.每股净资产与净资产收益率能够较好的衡量股东资金使用效率，进而间接反映公司投资与收益状况[4].

⑵偿债能力.偿债能力主要选取了速动比率(倍)、流动比率(倍)、资产负债率(%)3个指标来评价.速动比率相对于流动比率扣除了一些流动性非常差，不可能用来偿还债务的资产，例如存货、待摊费用等.资产负债率与速动比率反映企业的短期偿债能力互补，反映了企业的资本结构以及债权人发放贷款的安全程度.

⑶盈利能力.盈利能力表现了中小企业在一定时期获取的收益的水平高低，它是企业还贷的保障，企业没有盈利能力就谈不上偿债.主要选取净利润率(%)和总资产报酬率(%)来刻画企业的盈利能力.总资产报酬率作为杜邦分析体系的核心，代表了投资者净资产的获利能力，该比率不仅取决于资产报酬率，还取决于股东权益结构.净利润率是扣除了成本、费用和企业所得税后的利润率.

⑷营运能力.中小企业的营运能力反映了企业的经营运行能力，对资产的利用状况，企业资产周转的越快，企业的获取利润的速度就越快，偿债能力也就越强.营运能力主要以应收账款周转率(次)、固定资产周转率(次)、总资产周转率(次)来构建指标体系，体现中小企业通过有效率地利用资产来实现价值增值的能力.

(5)资产构成.企业的资产结构对企业财务状况质量有着重要的影响.文章选取体现互联网公司资产构成的净资产比率(%)和固定资产比率(%)指标来进行评价，净资产比率是指企业的资产总额减去负债以后的净额，而固定资产比率很大程度上能反映公司的资产结构.

3 实证分析

文章初始数据资料来源于上市公司年报，财务报表数据又要从深交所公开资讯获得.通过选取26家互联网A股上市公司数据，提取公共因子.在数据选取前课题组先通过主成分分析和KMO检验判断指标是否符合模型要求.然后根据SPSS和Excel软件对选取的26家互联网公司的14项相关指标进行处理，进而构建财务状况分析模型.

3.1关于原有变量是否适合进行因子分析的检验

在进行因子分析前，通过Bartlett球度检验和KMO 检验来测试选取的14个变量指标是否符合因子分析法相关指标，表1即为得到的检验结果.

表1 Bartlett 球度检验和KMO 检验的结果

由表1可知，Bartlett球度检验的伴随概率值远远小于0.05，而统计量观测值是517.019.这说明相关矩阵非单位矩阵，统计的相关变量之间存在共同因子，符合因子分析模型数据原则.同时KMO检验的检测值(0.727)大于0.5，这也说明统计的相关变量适合建立因子分析模型[5].

3.2提取共同因子并确定共同因子的数量

在共同因子的选择上，根据特征值准则来选取.表2是根据原有数据在SPSS的处理下整理出的原始因子方差表.

表2 公因子方差结果

表2说明了初始和提取的共同度.共同度可以解释提取因子与原有变量方差的相关程度，共同度靠近1时，原有变量的解释程度达到最高.表2中所有变量的提取度均大于0.6，这说明提取的公因子在解释原有变量时具有较高说服力.可以看出，指标中的总资产周转率和应收账款周转率信息完整度高达96.3%，净利润率信息完整度却只有63.1%，即前者在解释原有变量时说服力较高，后者较低.总体来说，选取的14个指标平均完整度在85%以上，说明原始变量信息丢失较少.

由数据绘制的碎石图如图2所示，从中可以发现，前5个因子特征值均大于1，后9个因子均小于1，选取的因子特征值连线基本上呈水平线状态.由于后9个因子特征值相差很小，根据特征值大于1的标准提取前5个因子进行分析.在涉及因子个数这一问题上，通过得分协方差矩阵进行下一步检验[6].

图2 碎石图

下一步，判断提取的5个因子的合适程度，这就要求完成对原始变量的解释程度的分析.表3应用到了提取平方和载入，它能够基本反映因子对原有变量方差的单一解释程度和累计解释程度.同时，也能说明旋转前的总的方差表.

表3 解释的总方差

由表3可见，因子1的方差为37.911%，这也就能够说明因子1可以解释原有变量的信息的37.911%.累计前5个因子总的解释方差结果，得出可解释原有变量信息高达88.501%，而后9个因子能够解释原有变量信息却只占到了11.499%，这足可以说明初步提取的5个指标很大程度上可以还原原有变量信息的真实度.同时，数据指标经过旋转处理后，每个因子单独的解释方差有所改变，但在总体上，前5个因子累计方差与旋转前累计解释方差基本保持一致.

最后，得出了选取前5个变量的协方差矩阵为0，这也说明了初步选取的5个因子变量之间的不相关性，如表4所示.

表4 成分得分协方差矩阵

3.3因子的定义解释

通过采取正交旋转法得到旋转后的因子载荷矩阵，建立起初步筛选的5个共同因子与原始财务指标的关联程度，这将使得共同因子解释原有变量的程度更加真实，如表5所示.

表5 旋转成份矩阵

注：提取方法：主成份*，旋转法：具有Kaiser标准化的正交旋转法*，a、旋转在7次先代后收敛*

因子载荷绝对值能够反映因子与变量的关联程度，前者绝对值越高，表明因子与变量关联程度越大.通过结合实际对载荷大于80%的因子进行定义，X1、X3、X4、X9都可以反映企业的盈利能力，且因子f1在4项指标中的载荷均大于85%，因此可将f1定义为盈利能力因子；X10、X12都可以反映企业的营运能力，且因子f2在两项指标中的载荷均大于80%，因此可将因子f2定义为营运

能力因子.同理，定义因子f3为偿债能力因子，定义因子f4为投资收益因子，定义因子f5为资本结构因子[6].

3.4计算各因子得分和综合得分

定义完5个因子后，需要计算出的提取因子与原始变量之间的线性关系，进而对各项因子进行打分.利用SPSS的回归分析功能计算出5个因子的得分系数矩阵，详见表6.

表6 成分得分系数矩阵

注：提取方法：主成份*，旋转法：具有Kaiser标准化的正交旋转法*，构成得分*

由表6的5个因子得分系数矩阵，得到各因子的得分函数：

f1=0.182X1-0.068X2+0.233X3+0.214X4+0.004X5+0.006X6+0.039X7+0.169X8+0.291X9-0.06310+0.157X11-0.011X12-0.027X13-0.076X14

f2=-0.001X1+0.064X2-0.066X3+0.001X4+0.122X5+0.126X6+0.155X7+0.124X8+0.123X9+0.273X10+0.362X11+0.301X12-0.168X13-0.023X14

f3=-0.017X1+0.003X2-0.053X3-0.031X4+0.420X5+0.422X6-0.181X7+0.043X8+0.055X9+0086X10+0.127X11+0.090X12+0.165X13-0.031X14

f4=0.207X1+0.767X2-0.169X3+0.058X4+0.027X7+0.236X8-0.315X9+0.110X10-0.030X11+0.022X12-0.023X13-0.080X14

f5=0.070X1-0.084X2-0.029X3+0.165X4-0.021X5-0.031X6+0.021X7+0.112X8-0.079X9+0.117X10-0.337X11+0.102X12-0.032X13+0804X14

F(综合得分因子)=29.148%*f1+22.553%*f2+18.570%*f3+9.435%*f4+8.795%*f5

4 L公司财务状况综合评价分析

按照构建的模型，运用SPSS 19.0可得出各因子得分以及综合得分，见表7.

表7 行业的因子得分表

根据表3，对26个样本互联网公司的各个因子得分和综合得分进行了排序，如表8所示.

表8 26家互联网公司的综合评价得分排序表

从盈利能力因子上看，L公司得分为-0.06568，排名第14位，这说明L公司的盈利能力在行业中等位置；从营运能力因子上看，L公司得分为0.31283，排名第5，处于行业领先水平.从偿债能力因子上看L公司排名26，偿债能力因子得分-1.32303，说明L公司的偿债能力在同行业中略显不足，劣势非常明显.从投资收益因子上看，L公司排名 19，处于行业中下游水平，也趋于行业末端.从资本结构因子上看，L公司排名11，位于行业中等水平.从综合财务因子上看，L公司综合得分(-0.24912)排名18，位于行业中下游位置(见表8).该结果与L公司光鲜的财务报告呈鲜明的对比，可以发现影响L公司财务状况主要影响因子在于偿债能力和盈利能力[7].结合L公司的财报案例，得出L公司的资金利用率达到了上限，虽给企业带来了一定的利润，但是偿债能力依旧较弱，财务风险控制较差；净利润(尤其是归母净利润)持续增长的背后是利用大量递延所得税资产和所得税费用调节盈余，使得其财务质量在不断恶化.

结合各互联网公司综合评价得分排名和公司实际财报可以得出，由因子分析法计算出的综合得分指标，可以客观反映上市公司财务报告存在的问题，能够合理反映企业在同行业某一时段财务控制水平.同时，该模型算法简易，直白明了，同样适合除互联网行业外其他公司财务状况的综合评价.