基于数据挖掘的上市公司财务预警建模与分析.doc

《基于数据挖掘的上市公司财务预警建模与分析.doc》由会员分享，可在线阅读，更多相关《基于数据挖掘的上市公司财务预警建模与分析.doc（50页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、 本科毕业论文基于数据挖掘的上市公司财务预警建模与分析孙新苗201512080217指导教师 周燕 讲师学院名称数学与信息学院 专业名称统计学论文提交日期2019年4月27日 论文答辩日期2019年5月11日摘 要随着经济体制的改革，我国经济呈现出快速增长的态势，上市公司的数量也迅速增长。但是根据国际通用的衡量标准，我国上市公司的财务状况并不乐观，企业财务风险评估作为企业财务预警和帮助变更经营策略的关键，目前越来越受到政府、业界以及学术界的关注。一个好的财务风险评估模型，能够精准预测企业的财务风险，从而促进我国上市公司的经营和发展。因此，从企业的海量财务数据中提取出对企业财务风险具有预警作用的

2、信息，建立预测精度高的财务风险预警体系，成为我国上市公司亟待解决的问题。本文的上市公司财务风险建模分析是基于Logistic回归、神经网络和C5.0决策树这三种算法来实现的。首先，介绍财务预警的流程和研究方法，解释本文使用的三种数据挖掘方法。然后，结合前人的研究成果，根据我国企业实情，筛选财务指标，构建基于因子分析方法的财务风险预警指标体系。最后,使用SPSS22.0和R软件，对选取的样本数据进行财务风险预警的实证分析。模型结果表明，基于数据挖掘的上市公司财务预警结果更准确。就本文使用的三种算法来看，财务风险发生的时间越近，预测精度越高。从短期预警来看，预测准确率最高的是C5.0决策树算法；从

3、长远来看，相比较于Logistic回归和决策树算法，神经网络模型的预测能力更强。此外，模型的结果显示，盈利能力和偿债能力指标是企业在接下来的经营过程中应当引起重视，有利于帮助企业及时发现财务问题，调整经营策略和方法。关键词 财务预警 数据挖掘 Logistic回归 神经网络 决策树Modeling and Analysis of Financial Early Warning of Listed Companies Based on Data MiningSun Xinmiao(College of Mathematics and Information, South China Agricu

4、ltural University, Guangzhou 510642, China)Abstract: With the reform of the economic system, Chinas economy has grown rapidly, and the number of listed companies has also grown rapidly. However, according to the internationally accepted measurement standards, the financial status of Chinese listed c

5、ompanies is not optimistic. As the key corporating financial early warning and helping to change business strategies, corporate financial risk assessment is receiving more and more attention from the government, industry and academia. A good financial risk assessment model can accurately predict the

6、 financial risks of enterprises, thus promoting the operation and development of listed companies in China. Therefore, extracting information that has early warning effect on corporate financial risk from the massive financial data of enterprises, and establishing a financial risk early warning syst

7、em with high prediction accuracy has become an urgent problem for listed companies in China.The financial risk modeling analysis of listed companies in this paper is based on Logistic regression, neural network and C5.0 decision tree. First, introduce the process and research methods of financial ea

8、rly warning, and explain the three data mining methods. Then, based on the previous research results, according to the actual situation of Chinese enterprises, select financial indicators, construct a financial risk early warning index system based on factor analysis method. Finally, using SPSS22.0

9、and R software, the empirical analysis of financial risk warning is performed on the selected sample data.The model shows that the financial early warning results of based on data mining are more accurate. Acorrding to the three algorithms used in this paper , the closer the financial risk occurs, t

10、he higher the prediction accuracy. The C5.0 decision tree algorithm is the most accurate in short-term . In the long run, the neural network model has stronger predictive ability in long-term. In addition, the company should pay attention to the profitability and solvency indicators in the next busi

11、ness process, which helps the company to find financial problems and adjust business strategies in time.Key words: Financial warning Data mining Logistic regression Neural Networks Decision tree目 录1 前言11.1 研究背景及意义11.2 文献综述11.3 本文的研究方法31.3.1 本文的研究内容及方法31.3.2 本文的结构32 数据挖掘理论52.1 数据挖掘的步骤52.2 主要数据挖掘方法63

12、上市公司财务风险预警模型的构建63.1 财务风险预警模型的研究和设计73.2 财务风险预警指标体系的构建83.3 本文采用的数据挖掘方法93.3.1 因子分析93.3.2 Logistic回归103.3.3 神经网络103.3.4 C5.0决策树114 上市公司财务风险预警的实证分析134.1 数据准备134.1.1 数据样本的选取134.1.2 数据样本的描述分析134.2 因子分析174.2.1 Bartlett检验和KMO检验174.2.2 因子确定和解释184.2.3 确定公共因子表达式204.3 Logistic回归204.3.1 建立Logistic回归模型214.4 BP神经网络

13、234.4.1 模型建立234.4.2 模型结果分析234.5 C5.0决策树254.5.1 模型建立254.5.2 模型结果分析254.6 模型结果评价265 结论285.1 研究结论285.1.1 模型结果285.1.2 现实意义295.2 模型局限性29参 考 文 献31附 录32致 谢431 前言1.1 研究背景及意义随着改革开放和经济变革的发展，目前我国上市公司的数目约为3500家。经济变革和发展，给上市公司带来了机遇，同时也伴随着风险和挑战。我国证监会每年会对具有退市风险的上市公司进行特别处理（ST），绝大多数上市公司被特别处理是因为财务状况异常。目前，国际上已经有通用的会计准则衡

14、量，按照该通用准则，我国存在财务风险的上市公司的数目超过80%。结合我国的实际情况，降低标准，依然有超过20%的企业将面临财务危机。由此看来，目前我国的上市公司财务状况堪忧，企业的生存和发展受到财务风险的威胁。上市公司的财务问题，不仅对公司的生存和发展产生威胁，也损害了相关利益者的利益。投资者不能获取期望的收益；银行贷款不能按期收回；证券市场的秩序混乱，监管部门也面临着巨大的监管压力。因此，对于我国上市公司越来越深重的财务风险问题，急需行之有效的预警体系，对可能存在财务问题的上市公司提出预警，以尽快调整企业的经营和管理模式，摆脱财务问题。数据挖掘技术的发展，为开发有效的财务风险预警体系提供了可

15、靠的技术支持。企业在经营过程中会产生大量的财务数据，数据挖掘技术可以从这些海量数据中提取有用的信息并且自动进行分析，最后总结归纳，发掘上市公司财务数据背后的信息。数据挖掘得到的结果可以指导企业调整自己的战略计划、经营手段等，以规避风险，帮助企业更好地生存和发展。1.2 文献综述由于公司财务风险问题影响深重，研究者们一直致力于构建公司财务预警模型，目前已经有许多成果，并且这一课题的研究仍然十分火热。1966年，在当时比较成熟的单变量模型由研究者Beaver提出。79家破产的企业被选取为样本组，以相同数量的经营成功的企业为配对组，使用30 个财务指标，进行了一元判定预测。模型结果显示，离公司破产日

16、期越近，判别的正确率越高，在公司破产前一年的判别正确率高达87%。1977年，预测准确率更高的-ZETA模型由Altman 与Haldeman提出。两位研究者选取53 家破产公司为样本，配对样本为58 家经营成功的公司，建立财务风险的预警模型，模型的结果表明，单变量模型的预测效果不如-ZETA模型。由于Altman的-ZETA模型对预警变量的要求极为严格，在现实生活中，大部分的公司和企业的财务数据不能达到这样的要求，为此，Logistic回归模型被研究者Martin和Ohlson用来尝试构建企业的财务风险预警模型。在1977年， 58 家有财务问题的银行被选取为样本，一共8个财务指标被纳入财务

17、风险预警指标体系。这个基于Logistic回归方法的模型结果显示，它的预测精度是高于前面的模型。随着信息科学技术的发展，研究者们将目光从传统的分析方法转向数据挖掘技术。1987年，神经网络模型首次被应用于银行的信用进行评估和预测时。Lapedes 和 Fyaber建立的模型结果表明，神经网络这一数据挖掘技术的预测优于传统的统计学分析方法。除此之外，1985年Frydman运用决策树分类技术进行预警评估；1999年，多准则决策理论被研究者Zopounidis应用于财务预警模型的构建。2001年，Feng Yu Lin 和 Sally Mc Clean尝试将多种数据挖掘技术进行组合，构建混合模式的

18、财务风险预警模型，这其中就包括Logistic 回归、决策树、神经网络和判别分析。经过实证分析，基于数据挖掘技术的混合模式的预警模型预测能力高于单个模式的预警模型。在我国，2007年，赵芳芳在筛选财务指标时，采用了相关分析方法和 Logistic 回归，并且选则沪深两市的64 家上市公司作为样本。在对财务指标进行约简时，采用主成分分析法，最后构建基于神经网络技术的财务预警模型。上市公司财务预警建模的步骤主要有以下几个方面：界定财务风险、选择研究对象并搜集数据、构建预警指标体系、模型所使用的技术方法的选择、模型的评价。基于前人的研究，结合我国国情，本文对财务风险的界定标准为是否被证监会特别处理，

19、基于Logistic回归、神经网络和C5.0决策树这三种算法，选择15个财务指标，对上市公司的财务风险进行实证分析。1.3 本文的研究方法1.3.1 本文的研究内容及方法本文主要从以下几个方面对上市公司的财务状况进行研究：（1）阅读文献，找出衡量公司财务状况的指标，建立财务风险指标预警体系；（2）对被特殊处理的样本组和未被特殊处理的样本组做显著性T检验，目的是为了分析被特殊处理的样本组和未被特殊处理的样本组在财务指标上是否具有显著性差异；（3）进行因子分析，根据建模需要，将主因子提出，从而对财务指标进行约简；（4）基于Logistic回归、神经网络和C5.0决策树这三种算法进行实证分析；（5）

20、对研究的结果进行比较并且从模型和实际意义两个方面进行评价。本文不仅仅从理论上对上市公司财务预警进行建模分析，并且收集实际数据进行实证分析，运用Logistic回归，神经网络和C5.0决策树这三种数据挖掘方法，通过对三种方法评估结果的比较，选出最优挖掘策略。1.3.2 本文的结构本文的研究内容分为以下几部分：第一章，前言。对上市财务风险的研究背景及意义进行阐述，对国内和国外关于财务预警的研究成果进行总结归纳，从理论和实际两个方面确定本文的研究方法。第二章，数据挖掘理论，阐述数据挖掘技术的主要方法和流程，为本文的开展做技术铺垫。第三章，构建财务预警指标体系，并详细说明本文所运用的数据挖掘方法。第四

21、章，上市公司财务预警的实证分析。首先说明本文所选取的样本数据，接着运用前文阐述的三种数据挖掘技术进行实证分析，最后比较和评估三种挖掘技术的结果。第五章，结论。总结本文研究得出的结论，从模型结果和现实意义两个方面阐述本文得到的关于上市公司财务风险预警的结论。本文的研究结构如图1.1所示。图1.1 本文的结构流程图通过以上的分析，本文建立的模型预期结果如下。在对上市公司的财务预警进行实证分析后，比较三个挖掘技术的判断正确率和预测准确率，依此对三个挖掘技术的预警效果进行评价。通过对模型结果的分析，挖掘财务危机产生的原因，得到能够帮助制造业上市公司规避或减弱财务风险的建议。2 数据挖掘技术2.1 数据

22、挖掘流程根据数据挖掘的一般步骤，绘制了如图2.1所示的流程图。图2.1 数据挖掘流程图在进行数据挖掘的过程中，比起算法，对数据进行预处理更为关键。通常我们得到的一手数据是不规范的，如果直接使用原始数据进行分析，得到的结果可能和真实情况大相径庭，因此在数据挖掘之前进行数据预处理是非常必要的。2.2 主要的数据挖掘方法数据挖掘的主要目的是从数据中提取有效信息，得到研究所需要的结果。使用的数据挖掘技术需要针对不同的课题要求和不同类型的数据而变化。以下数据挖掘方法是经常被使用的。（1）统计学方法这是最传统和最基础的一部分，其中描述性统计帮助我们更清楚地认识数据。统计方法中的回归建模，在实际生活中有着广

23、泛地应用，其原理简单，易于操作，且建模效果良好。（2）关联规则关联规则是在挖掘数据相关性时最常使用的一种数据挖掘技术。关联规则的兴趣度度量方法有两种，一是支持度，二是置信度。支持度是集合A、B的并集在全部事务中的比例，置信度是集合A、B的交集在全部事务中的比例。Apriori算法和fp增长树是关联规则中最经常使用的两个算法。（3）决策树决策树是一个分类器，它是一种类似于流程图的树结构。决策树的顶部节点是根节点，每个内部节点表示一个属性上的测试，每个分支表示一个属性上的测试，每个叶节点存储一个类标签。（4）神经网络神经网络模型通过模拟人大脑的活动来分析解决问题。神经网络的主要部分包括输入层、隐藏

24、层和输出层。神经网络模型对数据分布要求低，模型拟合和预测结果良好，因此在实际中具有广泛的应用。（5）聚类分析聚类分析是把数据集划分为子集的过程，每个子集里的对象彼此相似。在实际生活中，使用聚类分析将相似的对象归为一类，极大地提高了方案的实施效率。常用的聚类分析方法是K-means聚类。3 上市公司财务风险预警模型的构建3.1 财务风险预警模型的研究和设计财务风险预警模型的步骤主要如下：（1）选择符合本文研究要求和研究目的的样本组及其配对组；（2）建立财务风险预警指标体系。对可以反映企业财务状况的财务指标进行筛选，并获取选择的样本公司的这些财务数据；（3）对样本组和配对组的数据进行显著性T检验，

25、检验ST公司和非ST公司的财务数据是否有区别；（4）因子分析法约简财务指标；（5）建立财务风险预警模型，基于Logistic回归、神经网络和C5.0决策树三种方法，并做实证分析；（6）对三种数据挖掘技术得到的模型结果进行比较和评价。图3.1-3.2展示了本文的研究流程。图3.1 模型研究流程图图3.2 模型实现和评价过程3.2 财务风险预警指标体系的构建财务指标的选取对模型的结果具有直接影响，本文参考前人的研究成果，将能够反映企业财务状况的指标分为5个方面，分别是公司偿债能力、经营能力、盈利能力、现金流状况和发展能力。基于这样的划分，选择了15个财务指标，具体的财务风险指标体系如图3.3所示下

26、面对本文选择的关于财务预警的这5个方面进行阐述。（1）偿债能力企业能够到期偿还债务，我们称该企业具备偿债能力。具备偿债能力的企业会有更高的信用，也就更容易获得借贷款。（2）经营能力上市公司的经营能力是衡量其素质的重要方面，它是企业对各种活动的管理能力和内部决策能力的总和，拥有良好的经营能力，企业才能稳步前进。（3）盈利能力盈利能力是企业的资本增值能力。分析企业的盈利能力，能够发现企业在经营方法和管理策略方面的问题。本文选取的衡量企业的盈利能力的三个财务指标分别为资产报酬率、总资产利润率和净资产收益率。（4）现金流状况公司利益的创造者是现金流，公司的财务状况的好坏不能只看公司的利润状况，流动现金

27、的匮乏会使公司难以运转和盈利。本文衡量公司现金流量状况的指标包括全部现金回收率、现金再投资比率和每股经营活动产生的现金流量净额。（5）发展能力如果公司具备发展潜能和未来有增值的趋势，称该公司具备一定的发展能力。图3.3 财务预警指标体系3.3 本文采用的数据挖掘方法3.3.1 因子分析因子分析是多元统计分析中的一种降维方法，它将数目众多的原始变量变换为少数几个因子，这些因子可以由原始变量线性表示。随机向量，且通常因子分析的模型为其中为公共因子，为特殊因子，写成矩阵形式为因子分析的过程如图3.4所示。图3.4 因子分析的过程3.3.2 Logistic回归记ST公司为Y=0，非ST公司为Y=1。

28、用P表示企业发生财务危机的概率，得到Logistic回归方程：为自变量，为回归系数，为截距。通常情况下，以P=0.5作为临界点。当P0.5时，我们认为该公司发生财务危机的概率大，可以判定该公司为财务危机公司；当P0.5时，我们认为企业发生财务危机的概率不大，判定该公司为非财务危机公司。3.3.3 神经网络神经网络分析是一种并行分布模式处理系统，通过模拟人大脑的活动来分析解决问题，它不仅适合离散的输入和输出，还适合连续的输入和输出，且对未经训练的数据的分类能力强。BP神经网络的结构如图3.5所示：图3.5 BP神经网络结构图每个神经元的训练过程如图3.6所示。图3.6 单个神经元的训练过程训练神

29、经网络，可以认为是调节神经网络中的各个参数，以最优化的过程；输入输出，就是指神经网络算法的执行。3.3.4 C5.0决策树决策树是一个分类器，它是一种类似于流程图的树结构。决策树的顶部节点是根节点，每个内部节点表示一个属性上的测试，每个分支表示一个属性上的测试，每个叶节点存储一个类标签。（1）决策树的分裂规则决策树节点上元组的划分是由分裂规则决定的。信息增益，增益率和Gini指标是被经常使用的分裂规则。信息增益记D中元组分类的预期信息是Info(D)，定义为其中，是D中的任意元组属于类别C的概率。假设将D中的元组按属性A划分，所需的信息量为则信息增益Gain(A)为增益率以增益率作为分裂准则的

30、方法适用于输出属性较多的测试。分裂信息的定义为增益率的表达式为Gini指标（2）树剪枝因为数据中存在噪声或者离群点，当使用决策树模型时，可能发生过拟合的情况。为了解决过拟合问题，需要对决策树进行剪枝，剪枝后的决策树模型分类更准确、更快速。常用的剪枝方法有先剪枝和后剪枝两种。4 上市公司财务风险预警的实证分析4.1 数据准备4.1.1 数据样本的选取（1）研究样本的选取本文选取20152017年沪深A股中因财务状况异常首次被特别处理的制造业上市公司为研究对象。下面陈述的两点内容是样本选取的原因： “财务状况异常”和“其他状况异常”是上市公司被特别处理的两个原因。“财务状况异常”指当公司经营连续两

31、年亏损时，证监会将对该上市公司股票交易进行特别处理。由于企业 “其他状况异常”的表现形式很多，难以进行分析，因此，本文选取因财务状况异常的上市公司为对象，进行上市公司财务风险分析和预警。在我国的上市公司中，制造业公司数量多，具有代表性，分析的结果具有普遍性。因此，本文选取被特别处理的制造业上市公司为研究样本，对上市公司的财务分析预警进行实证分析。（2）配对样本的选取本文选取样本组与配对组1：1的配比进行研究，配对组的选择准则如下：行业相同。选取相同行业的研究对象，研究结果更具可靠性。无亏损记录。配对组有良好的盈利状况，和样本组的财务指标形成差异。（3）时间跨度的选择记上市公司被特别处理的时间为

32、T年。因为企业提交T-1年的财务数据和被ST的时间差不多，用T-1年的财务数据对上市公司的财务状况进行分析没有实际意义，因此本文选取T-4年到T-2年的财务数据进行研究。综合上述分析，本文选取了2015-2017年沪深A股因财务状况异常首次被ST处理的78个制造业上市公司为ST组的样本，根据配对原则选取与之对应的2015-2017年沪深A股78个财务状况良好的制造业上市公司为非ST组样本。本文数据均来源于国泰安数据库，对样本数据进行预处理后的结果见下表。表4.1 ST公司与非ST公司各年财务指标均值指标T-4年T-3年T-2年ST非STST非STST非STX11.5303313.1056881

33、.6259092.7267412.1402952.599127X21.0275152.4672751.056222.0645451.4135371.967148X30.646940.4615120.6337630.4680270.5867870.44678X41.4258971.1797331.2628331.2720861.585951.513932X5156.0411415.7752371.7455893.534835.19113155.3871X62.7684052.5783632.478632.5736322.8187052.60837X71.5683935.516352.137172

34、4.3403584.1158353.859721X80.3526240.4830220.3235060.4650760.298550.433438X9-0.006820.0410030.0064360.039469-0.019460.036582X10-0.019080.038166-0.004880.036036-0.030810.033138X110.1703430.0526130.3330660.0542060.3795910.038236X12-0.119180.098286-5.638510.096372-0.310220.091544X130.9695011.0025231.117

35、7220.9880752.0140851.010541X140.0082840.030492-0.002620.030484-0.007150.032356X15-0.042980.0634660.1183740.060286-0.047910.074967X160.1434450.4186310.0595250.478977-0.016040.506065X170.0262230.1107070.0197570.0767870.0058120.092207X18-3.565430.5193915.1051040.773895-5.19385-0.1377X19-1.68353.580804-

36、1.57418-0.42625-4.235840.3606X20-0.296243.329698-3.04113-9.66686-0.942190.2916134.1.2 数据样本的描述分析本文利用SPSS22.0软件对ST公司和非ST公司进行显著性检验，比较两组样本各年财务指标的均值是否有显著差异。检验的原假设为：被特别处理的公司与未被特别处理的公司的财务指标的均值不存在显著差异，备择假设为：样本组与配对组的财务指标的均值存在显著差异。构造如下检验统计量对选取的15个财务指标做T检验，T检验的结果如表4.2所示。表4.2 配对样本T检验结果T-4年T-3年T-2年指标T值P值T值P值T值P值

37、X1-3.3780.001-2.6580.010-0.5800.564X2-3.3700.001-3.2310.002-1.1420.257X33.0860.0032.9550.0044.0020.000X4-0.6530.516-1.0770.285-1.1550.251X50.5070.613-0.2870.7750.3760.708X6-2.3280.023-3.0800.003-4.0490.000X7-5.8560.000-4.2870.000-13.1590.000X8-6.7360.000-5.1060.000-13.4390.000X90.7420.4605.1910.0003

38、.3020.001X10-2.8700.005-3.9620.000-4.5960.000X11-1.9610.0540.3570.722-2.0090.048X12-2.8870.005-3.5520.001-4.5210.000X13-2.2870.025-2.8300.006-3.8870.000X14-1.3520.1800.8860.378-0.4160.679X15-0.7150.4770.7300.468-0.6110.543从表4.2可知，样本组与配对组有60%的财务指标具有显著性差异。由此来看，样本组与配对组的财务指标具有显著性差异。从偿债能力来看，ST公司面临更大的偿债压力

39、。其中资产负债率和速动比率连续三年都具有显著差异。以资产负债率为例（图4.1），ST公司的资产负债率连续三年高于非ST公司，由此看来，ST公司面临更大的偿债压力。图4.1 配对样本资产负债率比较从经营能力分析，非ST公司的经营能力优于ST公司。应收账款周转率指标与总资产周转率指标存在显著差异。以总资产周转率为例（图4.2），连续三年ST公司的总资产周转率低于ST公司，并且均低于4%。根据以上分析，非ST公司的经营能力高于ST公司。图4.2 配对样本总资产周转率比较从盈利能力分析，非ST公司的盈利状况好于非ST公司，并且比非ST公司稳定。以资产报酬率为例（图4.3），ST公司的资产报酬率稳定在3

40、%至4%之间，非ST公司的资产报酬率忽高忽低，极其不稳定，并且出现了负值。资产报酬率高是衡量企业资产利用效率的指标。资产报酬率高，说明非ST公司在增加公司收入、节约资金使用等方面取得了良好的成效。图4.3 配对样本资产报酬率比较从现金流分析，ST样本组的现金流动性远低于非ST样本组。以现金再投资比率为例（图4.4），ST样本组的现金再投资比率持续下降，在T-2年甚至出现负值。而与此同时，非ST样本组的现金再投资比率逐年增长，这表明非ST公司的现金流状况更好。图4.4 配对样本再投资比率比较从发展能力分析，ST公司的发展状况不如ST公司。以总资产增长率为例（图4.5），资产是企业获得收入的本钱，

41、也是企业偿还债务的担保。企业发展的一个重要保证就是资产增长，发展能力强的企业通常能够保持稳定的资产增长。非ST样本组的总资产增长率远低于非ST公司，呈现逐年下降的趋势，非ST公司的资产增长率远高于ST公司，说明ST公司的发展能力不如非ST公司。图4.5 配对样本总资产增长率比较根据以上分析，认为本文选取的15个指标能够有效地反映ST组和非ST组财务状况的差异，是合理的。4.2 因子分析用上述选取的15个财务指标直接进行分析结果不够直观，且数据量较大，因此在确定财务指标后，本文对选取的财务指标进行约简，将15个财务指标总结归纳为几个可以反映财务状况的因子。4.2.1 Bartlett检验和KMO

42、检验在进行因子分析之前，需要检验数据是否适合进行因子分析。本文采用 Bartlett 检验和 KMO 检验来验证。Bartletts球状检验来检验各个变量是否相互独立，KMO 统计量来检验自变量之间是否存在相关性。结果如下表4.3，发现在显著性水平在 0.05 的基础下，KMO 以及 Bartlett 的 P 值小于 0.0001，拒绝原假设，因此有充分的理由相信，该数据合适做因子分析。表4.3 KMO检验和Bartlett球形检验指标名称T-2年T-3年T-4年KMO值0.5690.6090.569Bartlett值1151.9461319.9231630.984p值0.0000.0000.

43、0004.2.2 因子确定和解释本文运用SPSS22.0软件，采用主成分分析法来构造因子变量。T-4年的因子分析结果如表4.4所示。表4.4 T-4年特征值及贡献率成分特征值方差贡献率累积贡献率13.43922.92322.92322.49816.65439.57731.72311.48951.06641.4569.70760.77351.1077.37968.15260.9786.52374.67570.8915.9480.61580.8355.56886.18390.6814.54190.724100.5713.80494.529110.4062.70597.233120.2531.684

44、98.918130.130.8799.787140.0240.15799.944150.0080.056100本文选取5个公共因子，累积贡献率为68.152%，认为这5个公共因子能够较好地表达原始变量的信息，可以用这5个因子来代替原始的财务风险评估指标。利用方差最大法得到的旋转后的因子载荷矩阵如表4.5所示。表4.5 T-4年旋转后的因子载荷矩阵主因子12345X10.0570.9350.000-0.0150.032X20.0320.963-0.0110.0180.028X3-0.401-0.539-0.0670.0520.193X4-0.1410.0020.6530.084-0.082X5-0.0850.0440.0280.9090.022X60.306-0.1920.2360.707-0.194X70.9450.0830.1530.0170.123X80.9320.1650.1800.0040.107X90.017-0.014-0.0890.123-0.609X100.348-0.0070.8060.0690.033X110.0950.0180.563-0.0580.281X120.180-0.0100.9000.095-0.