基于数据包络方法的中小企业融资优势分析

来源:用户上传      作者:

　　 摘要：随着国际经济环境的不断变动，国际市场的萎靡和国内市场的逐渐饱和已经初现端倪。中小企业作为企业竞争中的弱势群体在竞争逐渐增大的同时还要面对转型的巨大压力。此时，资金链的保证成为了企业经营的生死线。通过公司上市，出售股票进行融资成为了越来越多公司的选择。文章运用Python爬虫技术获取数据，使用DEA方法构建CCR模型进行数据分析，对不同财务状况的中小企业在融资过程的优势做出比较，为企业融资提出建议。
　　 关键词：中小板上市企业;融资效率;优势比较;Python爬虫技术; DEA方法
　　 现阶段我国发展模式进入转型阶段，发展速度逐渐增快。在党的十九大报告中提出了“帮助民营企业越过三座大山”的发展目标，即：“市场的冰山”、“转型的火山”、“融资的高山”，报告指出，中小企业是中国发展的动力。中国中小企业数量占比超过70%，是中国经济发展的动力和源泉，对于我国民族资本发展起到了不可估量的作用。但是，随着国家经济转型，许多中小企业在技术转型的同时进入了阵痛期，这导致企业数量和比例都有所下降，其主要是由于中小企业资金管理体系的不完善和中小企业融资难度的逐渐增大。
　　 在众多融资方式中，很多公司选择了“上市”这种比较有效的融资方式。但对中小型企业来说，有限的企业信用和企业体量给其融资带来了很大的困难，过高的风险会使很多的投资者望而却步。但“上市”会带来相对强劲的流动资金支持，同时也会使得企业失去财务自由权，使得企业在竞争对手面前财务情况一览无余。
　　 在接受资金流带来的红利的同时，投资方也会失去未来25%的企业股权收益。对于中小型企业，持有资金或者技术股的员工是企业成长的骨干力量。但是，随着股权的分散，骨干员工的积极性下降而新员工则会失去一种有效的鼓励措施。
　　 观察我国近些年的新三板发展趋势，技术水平仍然是影响公司发展曲线的最重要的影响因素之一。与此同时，投资者对于公司财务数据的解读将决定着公司资金流的发展趋势，对于一个还处于发展中的公司，财务情况将会影响公司一切的发展走向，相似公司间的竞争有时就会演变为现金流的竞争。所以，根据描述公司经营财务情况的杜邦分析法和DEA方法的CCR模型，我们可以通过抽象数值观测到投资者所能观测到的企业平均发展情况和盈利情况，从而解读其架构对于投资者决策的影响，进而引导中小企业上市前的财务情况审查。
　　 一、文献综述
　　 国内关于学者用不同的方法对中小企业融资的困境、途径以及发展等都做了大量研究。梁榜和张建华基于“现金-现金流敏感性”模型，从数字普惠金融和互联网金融发展的角度，发现中小企业表现出明显的现金-现金流敏感性;李志浩等人通过构建博弈模型，发现加强对优势产能的支持力度，加快社会信用体系建设，促进商业银行提升中小企业信息管理水平，加强中小企业信息披露，能够在一定程度上缓解融资难问题，推动产业优化。
　　 国外方面，学者们也做了许多关于中小企业融资的研究，如Wang L 等人通过比较国内外的融资方式，发现了融资的困境，并提出政府应该建立一个完善的资助体系来支持中小企业，引导中小企业的发展方向;Joseph E.Stiglitz也认为政府在中小企业融资过程中担负着重要作用， 应积极干预。
　　 DEA方法被广泛地运用于各个领域，其首次被A.Charnes和W.W.Cooper提出。在物理学、地理学、经济学中被广泛运用。许珂，耿成轩利用DEA方法分析在外部资源变化的时候技术效率问题;谢闪闪和余国新的文章利用DEA模型说明了我国农业企业的研究效率。在使用DEA研究的方式中，或多或少存在样本量不足或者对样本效率系数研究不充分的问题。
　　 二、理论基础及实验设计
　　 （一）理论基础
　　 本文的财务数据获取是基于杜邦分析法的理论基础，杜邦分析法最早由美国杜邦公司使用，是用来衡量企业综合财务能力的一种方法，其显著特点是可以最显著的用若干个数据体现企业经营效率和财务状况。对于以数据的角度看待公司财务状况来说，杜邦分析法的分级数据表格为数据选取和影响关系提供了最直观的表示。
　　 DEA方法即数据包络分析，全称data envelopment analysis。该方法于1978年由美国著名运筹学家A.Charnes和W.W.Cooper提出，将线性规划的思维方式运用于多个变量相对有效性的评估。DEA方法被广泛用于微观经济模型的非参数统计中，用于分析多项输入输出数据间的效率问题。
　　
　　 其中θ为评价决策单元的有效值，可认为是输入向量的“压缩系数”;λ为输入输出值的权系数;m，n表示输入输出指标的个数;s+、s-为松弛变量，为模型可在更大的可行域内求解，为阿基米德无穷小量，取正数的最小值。
　　 （四）模型有效性的判断方法和经济意义
　　 数据包络分析方法检验过程中，決策单元在模型中是否DEA有效主要关注θ值和松弛变量之间的数值。
　　 在传统模型中，当θ=1，且s+=0、s-=0时，说明该CCR模型的决策单元符合DEA有效，并且该模型不存在规模效益变动的问题。此时融资效率达到最优效果。
　　 当θ=1，且s+≠0、s-≠0时，CCR模型的决策单元符合弱DEA有效，无需压缩输入量，但存在超量投入或量亏产出的问题。此时融资规模可以不变，相对应的投入配置应进行变更。
　　 当θ<1，说明该模型的决策单元未达到DEA有效，应按照的系数压缩投入资本量。
　　 在实际的企业融资分析过程中，不是所有的企业再投入产出关系上都像理论分析的结果一样，甚至会出现的情况，这种情况被称为超效率现象，即企业融资效率高于最优资产配置效率。在这种情况下的追加投资可以快速扩大生产规模，增加企业的市场竞争力。 　　 三、基于Python爬虫技术的数据获取
　　 （一）样本选取与数据来源
　　 以2017年度以前中小板上市的企业为研究样本，根据标志选取摘取了该系列企业2017年的财务数据。在样本选取过程中，遵从样本选取的随机性原则，按照中小板股票代码特点，利用Python random库随机生成该类数字进行随机抽样抽取数据。首先为保证研究样本的有效性，验证了其数据是否符合条件。为保证数据合理性和可处理性，剔除了其中数据不完善的公司和财务数据异常的公司，除此之外，在本年度停牌时间超过一个月、挂牌时间超过一年的企业也在筛选中进行了剔除。
　　 （二） 样本数据获取
　　 本次过程的样本来自于中小板上市公司，数据来自于东方财富网数据库。利用Python selenium库进行网页模拟并将其整理到本地资源中。
　　 1. Python selenium库介绍
　　 随着互联网技术和云计算技术的发展，很多软件产品都通过Web页面来实现客户端操作。Web软件的开发与测试已经成为软件开发过程中的重要组成部分。在常见的Web自動化测试工具中，Selenium是一款开源的、表现非常优秀的自动化测试工具。Selenium支持多种类型浏览器，可在多种操作系统上运行，支持多种语言的测试脚本。工作实践表明，采用Selenium进行Web软件测试，提高了测试效率，减少了测试工程师大量的重复测试验证工作。
　　 2. 具体步骤简介
　　 （1）预装selenium库，和相应的浏览器（本例中使用Firefox浏览器），在跟目录中添加webdriver作为自动化浏览器驱动。在实验前，对浏览器自动化过程进行调试。
　　 （2）由random库抽取取值范围为[002000，002999]的代码，在网站首页进行搜索，比对是否符合取值条件。如若符合，则添加进数据库文件;如若不符合或代码无效，则释放代码。由此获取了数据量为300的中小板股票代码。
　　 （3）导入预先整理好的数据，通过东方财富网查找股票公司数据的页面，利用click方法进入杜邦财务数据的部分，通过css选择器或者其class标签选择需求数据。通过selenium的内置函数选择css选择器的element，对其中的text的信息进行提取存入数据库。
　　 （4）再次对基础数据进行审查，排除数据不全的情况，所剩263条数据即为最后的样本框。
　　 四、实证研究
　　 （一）描述性分析
　　 如表2所示，通过统计计算得到了320个样本的描述性分析数据。
　　 其中包括这些公司数据的平均值，标准差，中值，最大值，最小值，偏度以及峰度。从中可以简单看到各公司数据集合所显现的基本特征，输出变量的总资产净利率（ROA）和主营业务收入（MBI）标准差都较适中，说明了我们研究问题的可变空间。输入变量中资产总额（TA）和融资成本（FC）的标准差较大，虽然通过中小板的上市规则规定了公司的体量，但是其资产规模还是具有相当大的差异。资产负债率（DAR）的方差并不大，其平均值和一倍标准差区间都在相对健康的范围内。就挑选的比率指标来看，输出变量的两个收益指标和资产负债率（DAR）等关键指标呈一定程度的右偏。
　　 对数据进行斯皮尔曼相关性检验（具体结果见表3），从中可以看出各数据之间的关系。在0.01的置信水平下，所有输入变量值都与输出变量值显著相关，这也符合DEA分析方法的前提假设，即输入变量与输出变量要有一定的相关性。其中所有者权益（PC）与主营业务收入（MBI）的相关性最大，而资产负债率（DAR）对总资产净利率（ROA）具有最大且为负向的相关性。
　　 （二）利用DEA分析方法数据处理
　　 将320家企业进行数据整理后，利用Python语言创建用于DEA分析方法CCR模型的库，该库使用numpy库和scipy库作数据处理。程序按照DEA分析方法对CCR模型进行拟合，输入m*n的输入变量矩阵和m*s的输出变量矩阵，可得到关于的列向量矩阵。可用于解决多变量输入、多变量输出的矩阵转化效率问题。
　　 分析得出包含320个数据的列向量，对该数据进行描述性统计分析。如表4所示。
　　 从表4中可以看到，绝大多数公司处于一种非DEA有效的情况。经过筛选θ≥1且松弛系数为0的中小企业达到DEA有效，从而仅有35家企业达到融资效率最优化，占调查总体10.93%。说明这些企业不存在投入冗余或者产出不足的现象。有13家企业出现超效率现象，其中科技型企业有5家，分布在新能源、互联网、精细材料等领域;农业畜牧业3家，主要专注于大型集中养殖项目。农业和科技型企业在近些年一直受到人们的关注和政策的支持，再加上其优良的成长性和强劲的竞争能力，再融资过程中就会出现超效率的现象。
　　 以θ作为参考值进行聚类，把θ≥1的满足DEA有效性的企业分为一组，把θ<1的企业分为一组。这样可以更加直观的探求影响企业融资效率的因素。
　　 （三）对影响企业融资效率因素探讨
　　 在对样本进行分组之后，对于不同组之间的相同变量进行t检验，检验不同组变量间是否存在显著差异（如表5所示）。
　　 当以0.05的置信水平判断其是否存在显著差异时，可以发现总资产净利率（ROA）和融资成本（FC）两个指标存在显著差异。资产总额（TA）和主营业务收入（MBI）存在弱显著差异。这样，根据各组描述性统计结果可以判定，资产总额（TA）、融资成本（FC）是影响融资效率的关键输入变量;主营业务收入（MBI）和总资产净利率（ROA）是影响融资效率的关键输出变量。虽然其他变量并不具有显著的差异，但也不能忽略其对于融资效率的影响能力。
　　 五、对策建议 　　 从总体上来看，虽然有一些企业存在超效率现象，但和总体样本相比其比例仅为不足3%，达到融资效率最优配置仅为不足11%。总体来讲，绝大多数中小企业还处于融资效率偏低的阶段。在对值的描述性统计中我们可以看到，效率评估变量是一个右偏的分布类型;结合实例来看，在320个样本中，仅有97个样本值达到0.5以上，甚至有负效率的情况存在。这说明，中小企业融资还存在很多的不足，需要及时的调整和改进来以提高融资效率。根据数据分析结构及社会融资现状，本文从企业、政策等方面提出几点用以提高融资效率的建议。
　　 （一）提高公司技术基础，打造品牌概念，关注国家政策方向
　　 纵观高融资效率的企业，其能达到融资高效率的基础前提就是有自己的核心竞争力。随着社会发展，科技型企业的发展势头与日俱增。虽然如今我国很多科技公司的总体市值还不能与房地产企业和基础能源企业相抗衡，但是其高增长高效率的发展特点必将吸引越来越多的投资者。除此之外，政策导向也是公司发展的重要影响因素，较为明显的就是国家对于農业畜牧业的关注，第一产业关系着国民生活的质量，政策对于第一产业的保护配合着如今集成农业和大型畜牧业的发展，使得很多农牧业企业对资金的使用效率相当可观。
　　 （二）优化融资结构
　　 上市公司偏好于股权融资的方式，负债率普遍偏低。在320家企业中，仅有95家企业达到50%的资产负债率，这样就很难利用财务杠杆来提高收益率。对于这些公司来说利用债券融资优化公司的股权结构来放大财务杠杆的效应对于企业发展有推动作用。
　　 （三）探索企业运营模式，扩大企业规模
　　 无论是向银行借款还是股权融资亦或是债券融资，投资者普遍更加认同市值相对较高的公司，毕竟大企业更加能够抵抗风险，具有更好的商业信用。如今的世界经济格局已经形成以大企业、大集团为中心，高度商业化的发展模式，很多传统的经营方式无法跟上市场的运行节奏，可能会在短时间内失去其市场。所以与时俱进，根据企业特点找到适合自己的发展运营方式对于提高融资效率，促进企业发展是有益处的。
　　 （四）出台相关政策，降低融资成本
　　 完善的法律法规是保证交易顺利进行的关键。我们应该建立更加完善的公司信用体系，促进银行与中小企业间的合作关系，减少信息不对称的现象发生。这样可以相对降低对于中小企业信息披露的要求，从而减少因信息披露而带来的融资成本。这笔资金一方面可以降低融资的门槛，一方面可以使得企业拥有更多的周转资金有利于公司的资金运作。
　　 参考文献：
　　 [1]梁榜，张建华.中国普惠金融创新能否缓解中小企业的融资约束[J].中国科技论坛，2018（11）.
　　 [2]李志浩，刘昭，裴亚辉，宋哲泉，庞飞，武帅峰.供给侧结构性改革下中小企业融资问题研究——基于非完全信息静态博弈视角[J].金融理论与实践，2018（04）.
　　 [3]Wang L ， Wang S . Small and Medium-Sized Enterprises Financing and Sustainable Development[C].International Conference on Computer Science.Springer，Berlin，Heidelberg，2011.
　　 [4]Stiglitz Joseph. Information and the Change in the paradigm in Economics[J].American Economic Review，2002（03）.
　　 [5]许珂，耿成轩.新一代信息技术产业股权融资效率研究——基于外部融资生态评价和三阶段DEA分析[J].技术经济与管理研究，2019（03）.
　　 [6]谢闪闪，余国新.我国农业上市公司融资效率研究——基于DEA模型和Malmquist指数法的实证分析[J].数学的实践与认识，2019（02）.
　　 [7]姜文，刘立康.基于Selenium的Web软件自动化测试[J].计算机技术与发展，2018（09）.
　　 [8]查奇芬，曹媛媛.融资约束、代理成本与企业绩效——基于中小板上市企业面板数据的实证分析[J].财务与金融，2017（06）.
　　 [9]王佳瑞，王博超.互联网金融下科技型中小企业融资模式创新研究[J].时代金融，2018（06）.
　　 [10]杨雪静，刘喜华，李聪.基于DEA模型的青岛市小微企业融资效率研究[J].青岛大学学报（自然科学版），2018（04）.
　　 [11]王雷.多因子模型在我国中小板市场选股研究中的应用[D].武汉纺织大学，2018.
　　 [12]方景欣.新型融资模式下中小企业投融资探究[J].现代经济信息，2018（12）.
　　 [13]郝丽萍，谭庆美.不对称信息下中小企业融资模型研究[J].数量经济技术经济研究，2002（05）.
　　 [14]周朝波.基于三阶段DEA法的生态农业上市公司融资效率研究[J].浙江金融，2019（02）.
　　 （作者单位：江苏大学）
转载注明来源:https://www.xzbu.com/2/view-15129061.htm