周靜，楊保華

（江蘇師范大學，江蘇 徐州 221000）

0 引言

財務績效評價方法常見的有平衡記分卡[1]、財務綜合分析[2]、杜邦分析法[3]以及EVA[1]等。近年來多位學者對財務績效評價方法進行了改進，如陳一君，等[4]對傳統(tǒng)TOPSIS法進行改進，結合BSC和灰色關聯(lián)法綜合評價白酒企業(yè)的財務績效；楊秀瓊[5]在對上市商業(yè)銀行的財務績效評價中，引入三角模糊數(shù)建立模糊DEA模型；朱和平，等[6]基于TOPSIS方法構建改進因子分析跨年度評價模型，將其運用于制造業(yè)財務可持續(xù)發(fā)展評價中；王婧[7]為評價金融企業(yè)財務績效提出了一種基于主成分分析法和數(shù)據(jù)包絡法的評價方法。

近年來電子商務的高速發(fā)展為物流產業(yè)的發(fā)展帶來了新的機遇，物流業(yè)逐漸成為國民經濟的重要組成部分。現(xiàn)有的相關物流業(yè)研究有：李曉津，等[8]在對快遞型物流企業(yè)的財務績效評價研究進行總結分析的基礎上，構建了BWM-GRA模型；馮建海[9]建立了一套煙草商業(yè)物流財務績效指標體系，運用熵權法確定指標權重和綜合得分，以此發(fā)現(xiàn)了物流作業(yè)中的薄弱環(huán)節(jié)；徐楠，等[10]基于BP神經網(wǎng)絡評價了物流上市公司財務績效；王振東[11]通過FCM模糊聚類研究了鐵路物流園區(qū)規(guī)劃；王玉富[12]在完成多車輛路徑優(yōu)化系統(tǒng)中使用了K均值聚類算法。關于聚類方法的研究還包括李因果，等[13]提出了面板數(shù)據(jù)聚類方法并進行了實證分析；左超文[14]提出了灰色面板聚類方法等。已有的聚類方法大多通過聚類分析截面數(shù)據(jù)的靜態(tài)特征，而灰色面板數(shù)據(jù)聚類方法從三個時空特征屬性綜合分析面板數(shù)據(jù)的動態(tài)特征，使得數(shù)據(jù)分析更具可靠性。灰色面板數(shù)據(jù)聚類方法還提出了多指標自適應權重法，引入灰靶決策理論改進了灰色聚類方法。本文通過灰色面板數(shù)據(jù)聚類方法對18家物流上市公司進行財務績效分析，并提出改進建議。

1 財務績效指標體系構建與樣本選取

以傳統(tǒng)財務績效指標為準，分別從償債能力、盈利能力、營運能力和成長能力四個方面選取財務指標構建指標體系，見表1。物流行業(yè)作為多元化經營的新興產業(yè)，市場上并沒有具體的行業(yè)劃分標準。故本文以巨潮資訊為標準搜索物流公司，并進行篩選。將ST、*ST以及近五年數(shù)據(jù)缺失的物流上市公司剔除，最終獲得18家物流上市公司，以其2016-2020年相關數(shù)據(jù)作為研究樣本。

表1 物流上市公司財務績效指標體系

2 基于灰色面板數(shù)據(jù)聚類方法的物流上市公司財務績效評價

2.1 確定灰色面板數(shù)據(jù)

本文將18家物流上市公司作為聚類評估對象，綜合考慮絕對量、變動量以及波動量三個時空特征屬性。樣本屬性包括表1的12個指標，研究時間囊括2016-2020年，由此確定N=18，M=12，T=5的灰色面板數(shù)據(jù)，用 xij(t)表示時間t( t=1,2,...,T)時對象i( i =1,2,...,N)的指標j(j=1,2,...,M)的指標值的無量綱測度。2020年物流上市公司財務指標數(shù)據(jù)見表2。

表2 物流上市公司2020年度財務指標數(shù)據(jù)

2.2 數(shù)據(jù)處理，計算時空特征屬性水平矩陣

2.2.1 無量綱化處理

同理可計算出2016-2020年面板數(shù)據(jù)的無量綱化數(shù)值。

本文的適中值D選自文獻[15]，其中資產負債率取區(qū)間值的均值。

2.2.2 計算時空特征屬性水平矩陣

定義1設xij(t)為t( t=1,2,...,T)時對象i( i =1,2,...,N)的指標j(j=1,2,...,M)的指標值的無量綱測度，如果分別稱xi(t)、μi(t)、ηi(t)為對象i在t時面板數(shù)據(jù)下的絕對量水平矩陣、變動量水平矩陣、波動量水平矩陣。其中將定義1運用到2020年無量綱化處理后的財務數(shù)據(jù)中，得出2020年的水平矩陣：

同理得出2016-2019年的絕對量水平矩陣和波動量水平矩陣，以及2017-2020年的變動量水平矩陣。

2.3 時空特征正理想矩陣度量

定義2設γijl(t)表示對象i在t時關于指標i時空特征l的測度值，如果或，則分別稱矩陣為對象i和正理想對象在t時刻關于指標i的時空特征l的測度值矩陣。由于絕對量和變動量越大越好，波動量越小越好，根據(jù)定義2，可得：

根據(jù)定義2可知，如xmax1(2020)即為2020年絕對量水平矩陣中第一個屬性（流動比率）的最大值，同理可得2016-2020年的時空特征l測度值矩陣，分別為：

2.4 時空特征屬性聚類對象間距離測度

將對象i和正理想對象在t時刻關于指標i的時空特征l測度值代入式（1），計算結果見表2。

2.5 確定自適應權重

根據(jù)熵權思想，結合樣本特征屬性，構建了自適應特征熵權法，確定綜合距離的權重。熵權法的原理在于能夠有效表征數(shù)據(jù)中蘊含信息的多寡，然后根據(jù)信息蘊含量確定權重的大小。因此，運用改進的熵權法對算法的權重進行求解，得出各時空特征屬性權重分別為w1=0.4,w2=0.3,w3=0.3。

2.6 時空特征屬性差異下的灰類理想靶心確定

定義4設dli表示對象i與正理想對象關于時空特征l的距離，如果則分別稱為對象關于時空特征屬性的上、下極值向量。

定義5如果kl表示基于時空特征屬性l(1,2,...,q)分類的第kl個類別，則稱k=(k1,k2,...,kq)為對象時空特征差異的灰類。

根據(jù)物流上市公司在絕對量水平、變動量水平以及波動量水平上的表現(xiàn)，可將三個時空特征屬性均分為兩個灰類，則一共表現(xiàn)為8個灰類，如下所示：

根據(jù)定義6計算時空特征屬性差異下k類灰類理想靶心，如絕對量水平矩陣的灰類計算為取d1i的max=6.171和min=4.625，則灰類好=min=4.625，灰類差=max-(max-min)/2=5.398。

同理可得其余時空特征屬性灰類，計算結果如下：

2.7 計算對象i與k類理想靶心關于時空特征屬性差異的靶心距離

根據(jù)對象i關于k灰類理想對象關于時空特性屬性Gl的測度距離，可計算靶心距離為：

根據(jù)聚類對象i的靶心距，dki越小，表明聚類對象i越可能隸屬于灰類k，由可以判定聚類對象i屬于k灰類。如順豐控股的灰類判斷，將時空特征距離（5.225，17.784，3.729）和第一灰類（4.625，5.987，0.309）代入式（2），得出順豐控股到第一灰類的靶心距離，同理得出到第二灰類到第八灰類的靶心距離，最后比較八個靶心距離，靶心距離最小的則是順豐控股的灰類。同理得出其余17家物流上市公司的聚類結果，計算結果見表3。

2.8 聚類結果分析

由表3可知，我國18家物流上市公司主要分布在5個灰類中：

表3 物流上市公司特征屬性的距離和聚類結果

第一灰類包括圓通速遞和嘉友國際。此灰類財務績效具有絕對量水平較好，變動水平較好，但波動量較大的特點。造成這種特征的主要原因可能在于企業(yè)多項經營活動的財務績效碰撞，比如圓通速遞借殼上市、嘉友國際發(fā)行股份等活動對企業(yè)財務績效產生影響。針對此種情形，企業(yè)應不斷完善公司治理機制，合理利用自身優(yōu)勢，借助行業(yè)政策的機遇，推動企業(yè)進一步發(fā)展。

第二灰類包括恒基達鑫、宏川智慧、普路通。此灰類財務績效具有絕對量水平較差，變動水平較好，且波動幅度較小的特點。出現(xiàn)這種特征的原因可能是企業(yè)人力資源、物力資源及技術資源等內部資源配置不足。對此類企業(yè)可以引入大量相關人才，提高企業(yè)競爭能力，還可以有效配置企業(yè)內部資源，將有限資源效用最大化。

第三灰類包括順豐控股、物產中大、建發(fā)股份、海晨股份、華貿物流、東方嘉盛、嘉誠國際、密爾克衛(wèi)，此灰類財務績效具有絕對量水平較差，變動水平較好，且波動量較大的特點。造成這種特征的主要原因可能在于企業(yè)經營風險較大，如財務風險和戰(zhàn)略風險等。企業(yè)可以通過建立或完善企業(yè)風險預警機制來降低風險。

第四灰類包括淮河能源、飛力達、廈門象嶼，此灰類財務績效具有絕對量水平較差，變動水平較差，波動幅度較小的特點。出現(xiàn)這種現(xiàn)象的企業(yè)可以調整企業(yè)發(fā)展策略，使之與企業(yè)內部資源和外部資源相適配，同時可以結合提升企業(yè)社會形象等方面促進企業(yè)的發(fā)展。

第五灰類包括中國外運、暢聯(lián)股份，此灰類財務績效具有絕對量水平較差，變動水平較差，且波動幅度較大的特點。對于此類特征的企業(yè)，人才募集和培養(yǎng)至關重要，是企業(yè)發(fā)展的動力源泉。企業(yè)可以建立一套合理的人才培養(yǎng)機制，同時可以借助國家政策扶持的力量逐步發(fā)展企業(yè)。

整體來看，18家物流上市公司主要分布在第三灰類中，財務績效具有絕對量水平較差，變動水平較好，且波動量較大的特點。針對該聚類結果提出三點建議：第一，引進相關技術人員，建立人才培養(yǎng)機制，提高企業(yè)核心競爭力；第二，建立與完善企業(yè)風險預警機制，降低企業(yè)經營風險；第三，關注行業(yè)發(fā)展動態(tài)，抓住國家政策扶持機遇，推動企業(yè)進一步發(fā)展。

3 結語

針對靜態(tài)聚類方法不能做到分析面板數(shù)據(jù)的動態(tài)特征，本文采用改進的灰色面板數(shù)據(jù)聚類方法動態(tài)分析18家物流上市公司的財務績效情況。根據(jù)聚類結果將企業(yè)分為5個灰類，并針對各灰類屬性特征對企業(yè)提出建議。本文的灰色面板數(shù)據(jù)聚類分析既豐富了動態(tài)聚類方法的研究內容，也為解決物流業(yè)上市公司發(fā)展中的問題提供了一定的參考思路。