上市公司派现能力的因子分析与检验

上市公司派现能力的因子分析与检验

随着我国证券市场的不断改革和完善，投资者逐步理性化，对上市公司分红派现也愈来愈关注，尤其是在当前证券市场股权分置改革的关键时刻。同时监管部门也在近年来相继推出一系列政策来规范上市公司的派现行为，以引导市场的理性投资。因此深入上市公司派发现金股利的因素可以从客观上提供一种判断上市公司派发现金股利能力大小的一种，也为投资者在投资过程中选择低风险高收益有良好派现能力的股票，进一步提高投资收益率提供一定的借鉴。根据股利政策的多因素可知派发现金股利的主要目的是实现股东财富的最大化，因此的盈利能力、成长能力、企业规模、负债水平、股权结构等都可能对制定股利政策产生影响。运用因子方法中有效降维和信息浓缩技术对上市公司派现能力进行分析，可以发现和公司派现能力相关的具体隐含因子，并运用后期数据进行可靠性和实用性方面的经验，以便投资者在投资过程中使用。

一、进行因子分析指标的选择

如上所述影响派现能力的因素是多方面的，具体表现为企业的各项财务指标。因为在进行实际分析过程中所涉及的财务指标较多，其中有些指标之间具有一定的相互影响关系，因此本文首先从所涉及到的十八个对企业派发现金股利产生影响的指标进行筛选。这些指标是：每股收益（X1）、净资产收益率（X2）、每股净资产（X3）、长期负债比率（X4）、每股收益增长率（X5）、净利润增长率（X6）、应收账款周转率（X7）、存货周转率（X8）、总资产周转率（X9）、每股经营活动

现金流量（X10）、总资产对数（X11）、总股本对数（X12）、流通股比率（X13）、法人股比例（X14）、国家股比例（X15）、市盈率（X16）、股价（X17）、每股资本公积金（X18）。毕业论文

因为要进行派现能力的分析，本文以每股现金股利为因变量，以上述各种影响因素为自变量进行多元线性回归分析，然后选取各变量系数显著的作为进一步因子分析所使用的变量。分析所用的样本从2002年度深沪两市派发现金股利的公司中选取，为保证所选样本的代表性和有效性，在选取过程中剔除了以下公司数据：本年度派现同时配股和送红股的公司；本年度新上市的公司；同时发行有B股、H股的公司；本年度为亏损而发放股利的公司。经过筛选共414家上市公司数据进入分析范围。统计分析软件spss13.0进行多元回归分析得到表1如下所示：

表1 多元回归分析结果

非标准化系数标准化系数T Sig. 共线性统计

B Std. Error Beta Tolerance VIF

(Constant) -3.348E-02 .058 -.574 .567

每股收益.535 .067 .951 7.976 .000 .104 9.588

每股资本公积金6.028E-02 .010 .674 6.054 .000 .120 8.351

每股净资产-5.362E-02 .011 -.680 -4.881 .000 .076 9.072

总股本对数3.573E-02 .010 .269 3.474 .001 .248 4.031

净资产收益率-.548 .194 -.307 -2.820 .005 .125 7.988

总资产对数-1.792E-02 .009 -.166 -2.052 .041 .228 4.387

从表中可以看出每股收益、每股资本公积金、每股净资产、总股本对数、净资产收益率和总资产对数的回归系数的T值的绝对值都大于其临界值1.96，且显著性水平小于0.05，说明它们是对企业派发现金股利能够产生实质性影响的指标，方差膨胀因子VIF均小于10，可以认为回归模型不存在多重共线性。因此所筛选出的变量可以作为进一步进行因子分析的变量。毕业论文

二、因子分析过程

通过以上回归分析所得到的变量对上市公司派发现金股利能力能够产生一定影响，但不能直接说明上市公司派发现金股利的能力大小。以因子分析方法可以得到这些变量所包含的潜在因子的影响，并可通过因子得分来出具体上市公司在派发现金股利方面的得分情况，更方便进行判断上市公司派现能力的大小。这里主要应用的是因子分析方法的高度综合概括能力，以再现指标中所隐含的更强解释力。在上述所选深沪两市414样本中进行巴特利球体检验（Bartlett’S Test of Sphericity），其显著性水平为0，通过检验即可以对所选样本进行因子分析。以下是通过计算机借助统计分析软件SPSS13.0所实现的分析过程，得到表2、表3、表4的结果。具体有关因子分析的原理在此不再赘述。

表2 因子提取(Total Variance Explained)

初始解对原变量的刻画情况公共因子对原变量的刻画旋转后对原

变量的刻画

因子特征值方差贡献率累计贡献率特征值方差贡献率累计贡献率特征值方差贡献率累计贡献率

1 2.253 37.558 37.558 2.253 37.558 37.558 2.111 35.190 35.190

2 1.99

3 33.219 70.777 1.993 33.219 70.777 1.817 30.286 65.476

3 1.493 24.887 95.66

4 1.493 24.887 95.664 1.811 30.188 95.664 毕业论文

4 .126 2.099 97.763

5 9.804E-02 1.634 99.397

6 3.616E-02 .603 100.000

从表2可以看出第一个因子变量解释了原有方差总量的37.56%，第二个因子变量解释了33.21%，第三个因子变量解释了24.89％，3个因子共累计解释了方差的95.66％，被放弃的其他3个因子解释的方差仅不到5％，这里提取的3个公共因子基本上反映了原有变量的绝大部分方差。

表3 主成分矩阵Component Matrix

因子

1 2 3

X1 .744 .283 -.578

X12 .394 .584 .668

X11 .696 .382 .555

X3 .729 -.664 -4.180E-03