發(fā)布時間：2023-09-04 16:40:29
序言：寫作是分享個人見解和探索未知領域的橋梁，我們?yōu)槟x了8篇的資產的相關系數樣本，期待這些樣本能夠為您提供豐富的參考和啟發(fā)，請盡情閱讀。
（一）理論模型分析假設信用資產關聯(lián)系統(tǒng)由2家企業(yè)組成，第1家企業(yè)是下游企業(yè)，第2家企業(yè)是上游企業(yè)。第1家企業(yè)向第2家企業(yè)采購原材料，第2家企業(yè)向第1家提供商業(yè)信用；模型時間分為2期，第t期2家企業(yè)正常經營，第t+1期第1家企業(yè)受到外部流動性沖擊，發(fā)生違約，第2家企業(yè)受損。設企業(yè)信用資產為RA；非信用資產為URA；短期負債為STD；長期負債為LTD；凈資產為NA。企業(yè)i（i=1，2）在t時刻的資產負債表平衡關系。假設資本市場是理性的，市場均衡的估值市凈率在第t、t+1期是不變的，不妨設定為常數c。在t+1第1家企業(yè)信用違約而股價下降，并引發(fā)第2家企業(yè)股價隨之下降，形成了股價聯(lián)動[7]68-78。
（二）實證方法構建多變量金融時序Copula函數的關鍵在于，建立單變量金融時序分布模型與選擇合適的多元Copula函數[32]。多元正態(tài)Copula函數不能反映變量之間的聯(lián)合厚尾特征[33-34]。多元t-Copula函數可以用于研究變量之間的聯(lián)合厚尾特征，其自由度越小，表明聯(lián)合厚尾特征越明顯[35]。1.邊緣分布的確定金融資產收益率序列具有異方差、尖峰厚尾、時變、右偏與杠桿效應，適合用AR（1）-GJR（1,1）模型擬合邊緣分布。2．Copula函數的選用多元t-Copula函數尾部較厚，能很好地擬合尾部相關關系[37-39]。因此，從理論上可以推斷，多元t-Copula函數能夠更好地度量股價的聯(lián)動關系。本文使用Q-Q圖、K-S檢驗判斷單個多元Copula函數的擬合情況。同時，引入經驗分布函數，構建反映擬合誤差大小的平方歐式距離指標。該平方歐式距離反映了多元Copula函數擬合原始數據的誤差情況。該指標值越小，說明偏差越小。3．Copula函數的時變過程與估計對于C-藤分解結構下的時變條件相關系數，Engle（2002）提出了比較常用的描述其時變過程的DCC（1，1）模型其中，ρt是t時刻的條件相關系數；向量εt是由選定的時變Copula函數邊際分布逆函數轉換得到的標準化殘差；Q軒t是一個p×p矩陣，該矩陣對角線上的元素是Qt的平方根，其他元素為0；Qt和R分別是殘差項的樣本協(xié)方差與相關系數；rt是在項數為m（m>p）的移動窗中殘差的相關系數。該時變Copula函數的參數估計可以由兩步極大似然估計法完成[43]。第一步先利用最大似然估計法，估計邊際分布AR（1）-GJR（1，1）模型中的參數；第二步對殘差做概率積分轉換，再利用最大似然估計法，估計時變Copula函數的參數。4.基于Copula函數的相關性分析選擇合適的Copula函數后，擬合估計出其參數值，就可以利用表1中的計算式，計算出各相關系數值。在靜態(tài)Copula函數中，其參數是不變的，計算出來的是靜態(tài)總體相關性；如果采用時變Copula函數，參數ρt（t=1，2，…，T）是時變參數，就可以利用表1中公式，一一對應地計算出總體線性相關系數、非線性相關系數及尾部相關系數的動態(tài)時變過程。
二、計算結果與分析
（一）研究樣本根據企業(yè)之間存在的信用關聯(lián)，選擇寶鋼股份（BGGF）、必和必拓（BHP）、力拓（RIO）、上海汽車（SHQC）、上港集團（SGJT）、山西煤電（SXMD）、青島海爾（QDHE）和中國船舶（ZGCB）在內的幾家企業(yè)作為研究樣本，研究這些企業(yè)從2001年1月2日至2011年4月28日之間的股價聯(lián)動。列出了6個樣本企業(yè)股價收益率序列數據的描述統(tǒng)計指標。由表2可知，6個變量的峰度都在10以上，呈現(xiàn)尖峰分布，其中，SGJT收益率分布最尖；BHP、RIO、SHQC、SGJT的偏度都大于0，其中，SGJT收益率分布右偏程度最大；BGGF、XSMD的偏度小于0，說明與正態(tài)分布、t分布相比較，適合選用左偏的t分布擬合樣本收益率數據。
（二）邊際分布擬合檢驗根據white檢驗結果可知，3個統(tǒng)計量的P值都拒絕“不存在異方差”的原假設，說明異方差比較突出。表明收益率序列適合選用ARCH模型。本文中的邊際分布選用帶有杠桿效應的AR（1）-GJR（1，1）-Skewt模型。其模型估計的參數值如表3所示。從AIC、BIC、LL值看，AR（1）-GJR（1,1）-Skewt模型的有效性好于AR（1）-GJR（1，1）-t模型①。8個序列的自由度估計值都比較小，說明它們的分布都具有厚尾特征，其中上港集團的尾部最厚。另外，使用時變Copula函數估計時變條件相關系數時，需要把序列數據通過概率積分轉換為U（0，1）分布序列。本文對邊際分布擬合情況還進行了獨立性檢驗與同分布檢驗。拉格朗日乘數檢驗結果表明，在5%顯著水平下，這8個序列都不存在自相關，可以認為轉換后的序列相互獨立；非參數K-S檢驗結果表明，轉換后的8個序列在5%顯著水平上服從U（0，1）分布。這些結論表明，邊際分布采用AR（1）-GJR（1，1）-Skewt模型非常合理。
（三）利用多元t-Copula函數靜態(tài)度量股價的聯(lián)動效應常用的固定參數多元Copula函數包括多元正態(tài)Copula函數和多元t-Copula函數。在這兩個函數的Q-Q圖中，本文無法區(qū)分其擬合優(yōu)劣；而由多元正態(tài)Copula函數的K-S檢驗可知，在0.01顯著水平上拒絕原假設，說明多元正態(tài)Copula函數不能很好地擬合多元時序數據；而多元t-Copula函數擬合該的多元數據序列。從Copula函數與經驗分布函數之間的平方歐式距離來看，多元正態(tài)分布Copula函數的平方歐式距離為0.3873，多元t分布Copula函數的平方歐式距離為0.0568，多元t-Copula函數可以較好擬合該股價原始數據的經驗分布情況，與理論分析一致。根據各樣本收益率序列的條件邊際分布，利用多元Skewt分布函數與多元t-Copula函數之間的關系，信用資產關聯(lián)各企業(yè)股票收益率之間的多元t-Copula函數非線性相關系數如表4所示。從表4可以看出，受中外股市之間的一體化約束，寶鋼股份（BGGF）與必和必拓（BHP）、力拓（RIO）之間，必和必拓（BHP）、力拓（RIO）與上海汽車（SHQC）、上港集團（SGJT）、山西煤電（SXMD）、青島海爾（QDHE）、中國船舶（ZGCB）之間的相關系數都很低，但其他信用資產關聯(lián)企業(yè)之間的相關系數都在0.5左右，存在中等程度的正相關聯(lián)動現(xiàn)象。
（四）利用時變多元t-Copula函數度量股價的聯(lián)動效應不同邊際分布下時變t-Copula函數的相關系數時變方程參數估計值如表5所示。從AIC、BIC、LL值看，對于條件相關系數的時變過程G-DCC、t-DCC，邊際分布選用AR（1）-GJR（1，1）-Skewt模型最合理，但時變G-DCC過程擬合效果最差，t-DCC過程則最好。本文選用AR（1）-GJR（1，1）-Skewt模型作為邊際分布，選用時變過程為t-DCC的多元t-Copula函數為多元連接函數，動態(tài)擬合計算動態(tài)條件相關系數，得到8個按照C-藤結構分解的pair-copula函數的時變無條件相關擬合的AIC、BIC、LL值分別是-7158.6、-7141.7、3582.3。利用這28個時變Copula相關系數的時間序列數據，計算出相對應的時變等級相關系數、秩相關系數與尾部相關系數的時間序列，如表6所示。從表6可以看出，4個相關系數都顯示出，股價呈現(xiàn)低度正相關性，具有弱板塊效應；時變Copula相關系數的集中趨勢值最大，尾部相關系數最小。但是，時變Copula相關系數的絕對離散波動程度、波動幅度最大；從離散系數、極差/平均值的結果可以看出，尾部相關系數的相對離散波動程度最大。從時變Copula相關系數可以看出，在C-藤結構下條件相關系數的均值在0.0583~0.7376之間，呈現(xiàn)出弱相關關系，因為條件相關系數有正值、負值，相關方向存在轉換，正負抵消導致簡均值的結果較小。其他16個條件相關系數均為正值，平均值在0.5左右，呈現(xiàn)出中等強度的相關性。從條件相關系數值的離散指標可以看出，標準差從0.0573~0.1042，絕對變化范圍從0.2628~0.5706，最大相對幅度變化范圍從0.4899~6.2644，說明條件相關系數的時變性較強。為了觀察條件相關系數的時變特征，本文也分別在標準差最小與最大、離散系數最小與最大、波幅最小與最大等6種情況下，計算了時變Copula函數度量的4個時變相關系數，均表現(xiàn)出相同的變化趨勢，而且在常態(tài)相關性走強時，股價板塊效應的作用愈加強大，同時暴跌暴漲的相關性走強；在常態(tài)相關性走弱時，股價板塊效應的作用減弱，由一家企業(yè)股價大幅漲跌引發(fā)的信用資產關聯(lián)企業(yè)同時暴跌暴漲的相關性走強。
三、結論
關鍵詞：飼料行業(yè)上市公司 經營績效 典型相關分析
一、 引言
我國飼料行業(yè)經過多年的發(fā)展，連續(xù)20多年穩(wěn)居世界第二，2012年全國飼料總產量達到1.91億噸。隨著我國經濟的快速增長、人均消費的不斷提高、飼料的工業(yè)化程度不斷增強，我國飼料行業(yè)的市場發(fā)展空間非常廣闊，然而飼料行業(yè)的現(xiàn)狀卻是市場結構分散、行業(yè)集中度低。隨著我國加入WTO，中國飼料業(yè)也在向國際化發(fā)展，飼料業(yè)的對外開放已成為必然趨勢，將面臨前所未有的挑戰(zhàn)，所面臨的不僅是國內同業(yè)的競爭，還有國際同行的挑戰(zhàn)，尤其是中外企業(yè)的競爭將更加激烈，能否在競爭中取勝，關鍵在于市場集中度（市場份額）、企業(yè)規(guī)模、抵御風險能力等方面的影響，經營績效是競爭力的集中體現(xiàn)，提高飼料業(yè)的經營績效，是防范經營風險、對外開放的關鍵，是推動行業(yè)可持續(xù)發(fā)展的根本前提。因此，針對飼料行業(yè)上市公司進行經營績效及其影響因素的分析，對推進飼料行業(yè)改善經營管理、提高經營與決策水平、建立健全現(xiàn)代企業(yè)制度具有很實際的意義。因此，本文試圖在相關研究的基礎上，根據飼料行業(yè)上市公司2012年的年報數據，利用典型相關分析的多元統(tǒng)計方法，構建飼料行業(yè)上市公司經營績效及其影響因素的典型相關模型，對影響飼料行業(yè)上市公司經營績效的各因素進行實證分析，定量判別各因素的影響程度，為飼料行業(yè)上市公司經營績效的持續(xù)穩(wěn)定增長提供幫助。
二、 研究方法和指標選擇
（一）典型相關分析方法
1936年，霍特林（Hotelling）提出了典型相關分析的思想。典型相關分析是由主成分分析和因子分析發(fā)展而來，是研究兩組變量間的整體的相關關系，兩組變量中一組變量為自變量，另一組變量為因變量，在兩組變量中各生成一個典型變量，然后研究這兩個新的變量之間的相關，使其這一對典型變量達到最大程度相關，即生成第一對典型相關變量。如此繼續(xù)下去，可以類似的求出第二對、第三對……，這些對典型變量之間互不相關。一般情況，設X=（X1，X2，X3…Xp）、Y=（Y1，Y2，Y3…Yq）是兩個相互關聯(lián)的隨機變量，分別在兩組變量中選取一對相互關聯(lián)的典型變量Ui和Vi，使得這對典型變量是原變量的線性組合，即：
并研究它們之間的相關系數p（U，V）。在所有的線性組合中，找一對相關系數最大的線性組合，用這個組合的單相關系數來表示兩組變量的相關性，叫做兩組變量的典型相關系數，而這兩個線性組合叫做一對典型變量。設求到的第一對典型變量為：
用相同的方法，可以逐一地求出各對之間互不相關的許多對典型相關變量，例如（U2，V2）（U3，V3）等等，這些對典型相關變量如實地反映了X、Y之間的線性相關情況。
（二）指標的選擇與樣本數據處理
本文選取我國上市公司中以飼料行業(yè)為主業(yè)的新希望、唐人神、通威股份、大北農等21家公司作為研究對象，以其2012年報中披露的數據作為樣本數據，各指標來源于巨潮咨訊網，并運用SPSS 16.0完成數據的分析。經過加工整理選取兩組指標變量，第一組為經營績效的影響因素組變量，即“影響組”，第二組為經營績效組變量，即“績效組”。
經運算后的各指標數據見下頁表3。
三、典型相關分析和模型建立
將表3中的數據輸入計算機，研究第一組指標X與第二組指標Y，這兩組指標內部以及兩組指標間一對一的相關程度，應用軟件SPSS 16.0的典型相關分析cancorr過程和MANOVA命令，基于顯著水平0.05，兩組指標的分析結果如下：
（一）典型相關系數及其檢驗
由下頁表4中數據結果可知，影響組與績效組共提取了4 對典型相關變量，其典型相關系數分別是0.98026、0.61826、0.36209、0.05170，前兩個典型相關系數均較高，分別為0.98026、0.61826，且典型變量的典型相關性比較顯著，表明前兩個相應典型變量之間相關程度高。
從下頁表5可以看出，只有第一對典型變量檢驗的顯著性水平小于等于0.05，表明第一對典型變量之間相關關系顯著，而且相關系數也比較高，達到了98.026%，因此可以通過第一對典型相關系數的研究來反映兩組變量之間的相關性。
（二）典型相關方程
典型相關系數是原始變量轉化為典型變式的權數，所反映的是組內變量在形成典型函數時的相對作用。第一對典型變量（U，V）的累積特征根已經占了總量的96.95313%，而第二對典型變量（U，V）的特征根僅為總量的2.44102%（見下頁表4），而且只有第一對典型變量通過F統(tǒng)計量檢驗（Sig值小于0.05），所以，第一個典型相關方程可大體上說明問題。由于原始變量的計量單位不同，不宜直接比較，為了消除原始變量量綱和單位的影響，我們采用標準化的典型相關系數，由典型相關系數構建典型相關方程。
我們得出典型相關方程，如下：
從方程中的典型權重來看，影響組U1的影響因素從大到小依次是X2（銷售成本費用率）、X3（資產總額）、X1（資產風險率）以及X4（市場占有率），相關系數分別為-0.946、0.162、-0.069、-0.016。根據第一組典型相關方程，在第一典型變量U1 中發(fā)揮主導作用的是X2（銷售成本費用率），典型載荷是-0.946?？冃ЫMV1的主要影響因素是Y4（加權平均凈資產收益率），其次是Y1（銷售凈利率）以及Y2（主營業(yè)務現(xiàn)金含量）和Y3（總資產現(xiàn)金回收率）。在第一典型變量V1 中發(fā)揮主導作用的是Y4（加權平均凈資產收益率），典型載荷是0.623。其余指標對典型變量的貢獻程度不顯著?？紤]到指標X2和Y4所代表的含義，第一典型變量U1 可以用來反映企業(yè)的經營風險，第二典型變量V1可以用來反映股東投入資金的盈利能力?？紤]到兩者符號相反，因此，可以得出銷售成本費用率對于加權平均凈資產收益率具有反面的影響。但是，利用典型權重來解釋變量的相對重要性我們應審慎對待。比如，權重小的可能代表該變量之間沒什么關聯(lián)，也可能是因該變量與其他變量具有共線性而造成的。因此，必須進一步進行典型結構分析。
（三）典型結構分析
典型結構分析依據典型變量與原始變量之間的相關系數值，反映典型變量和績效組及影響組的各變量之間的影響程度和方向。實際上討論的是典型負載系數和交叉負載系數。典型負載系數是典型變量與同屬于本組的原始變量之間的相關系數。
典型結構分析的計算結果如表6所示。由表6可知，影響組的第一典型變量Ul與X2具有高度相關性，與X3、X4表現(xiàn)中度相關，與X1低度相關。說明銷售成本費用率（X2） 、資產總額（X3）、市場占有率（X4）與經營績效的影響因素相關程度較高，其中X2最為顯著。資產風險率（X1）與經營績效的影響因素相關程度較低，貢獻量最小，但也有一定的影響力。
由表7可知，績效組的第一典型變量U1與Y4、Y1的相關系數都比較高，分別為0.994、0.987，屬高度相關，與Y3的相關系數也達到了0.718，說明加權平均凈資產收益率（Y4）、銷售凈利率（Y1）、總資產現(xiàn)金回收率（Y3）的影響都比較大。與其他典型變量比較，Ul反映了上市公司經營績效的成分更多一些。
由表6和表7可知，由于第一典型變量之間的高度相關，績效組內大部分原始變量與本組的第一典型變量相關程度較高，而影響組內的原始變量與本組的第一典型變量之間也呈較高的相關關系，這種一致性從數量上體現(xiàn)了經營績效的影響因素對上市公司的經營績效的本質影響作用。說明典型相關分析結果具有較高的可信度。
交叉負載系數是某一組中的典型變量與另外一組的原始變量之間的相關系數。交叉負載系數的平方表示本組原始變量的變異量被另一組的典型變量解釋的比例。
從表8可知，影響組的第一典型變量V1與X2的交叉負載系數為 -0.967，這個數值的平方為0.935，表示V1可以解釋影響組的一個變異量的93.5%。
從表9可知，績效組的四個變量與第一典型變量V1的交叉負載系數為0.967、0.552、0.704、0.974，取平方得到0.935、0.305、0.500、0.949，表示V1可以解釋績效組的四個變量變異量的93.5%、30.5%、50%和94.9%。
（四）典型冗余和解釋能力分析
第一典型冗余表示第一組原始變量總方差中本組變式解釋的百分比，第二典型冗余表示第一組原始變量總方差中由第二組的變式所解釋的平均比例。典型相關系數的平方表示兩組典型變量間享有的共同變異的百分比，將第一典型冗余乘以典型相關系數的平方， 即為第二典型冗余。
從表10中可以看出，第一對典型變量U1和V1均較好地預測了對應的那組變量，第一典型冗余分別為29.7% 和69.9% ，交互解釋能力比較強；第二典型冗余分別達到28.5%和67.1%，也具有較強的解釋能力；第二對典型變量U2和V2的預測能力和交互解釋能力比較弱，第一典型冗余分別為31.9%和2.4%，第二典型冗余分別為12.2%和0.9%，也具有一定的解釋能力。尤其是第一對典型相關變量具有較高的解釋百分比（0.960），說明第一對典型變量較好地預測了對應的那組變量，同時，也較好地預測了對方組的變量，同時也說明了影響組與績效組不僅能夠被其自身的典型變量解釋，同時也能被其對應的典型變量所解釋，可以得出影響組與績效組之間具有顯著的相關性。
四、結論
本文選取了飼料行業(yè)上市公司為研究樣本，通過典型相關分析方法研究經營績效及其影響因素之間的相關性?？梢缘贸鲆韵陆Y論：
在典型相關方程中，“績效組”中的加權平均凈資產收益率的典型載荷最顯著，強于其他指標，對上市公司的經營績效具有一定的影響。進而體現(xiàn)了加權平均凈資產收益率是一個綜合性最強的財務比率，最能反映股東投入資金的盈利能力，是績效組中最有代表性的一個指標。其次是銷售凈利率典型載荷低于加權平均凈資產收益率，也表現(xiàn)出了較強的相關性?！坝绊懡M”中的資產風險率、銷售成本費用率均與經營績效具有一定的負相關性，即資產風險率、銷售成本費用率越高，經營績效的值越低，這兩個因素對企業(yè)的績效水平起到抑制的作用。而資產總額、市場占有率均與經營績效具有顯著的正相關關系。即資產總額、市場占有率越高，公司的經營績效水平也越高。另一方面，資產風險率和銷售成本費用率是影響組中典型相關系數最高的變量，典型變量的典型相關性比較顯著，因此在上市公司制定戰(zhàn)略時要重視這兩者的變化，盡量降低資產風險率和銷售成本費用率的指標，使飼料行業(yè)上市公司的經營績效達到理想目標。
參考文獻：
1.張力庠，譚智心.我國飼料產業(yè)區(qū)域競爭力評價分析[J].農業(yè)技術經濟，2007，（2）.
2.張淑輝，陳建成，張立中，張新偉.農業(yè)經濟增長及其影響因素的典型相關分析[J].經濟問題，2012，（5）.
3.姚公安，李琪.企業(yè)績效與創(chuàng)新資金投入的相關性：基于電子信息產業(yè)百強企業(yè)的研究[J].系統(tǒng)工程，2009，27（7）.
4.于明潔，郭鵬.基于典型相關分析的區(qū)域創(chuàng)新系統(tǒng)投入與產出關系研究[J].科學學與科學技術管理，2012，（6）.
5.王雷，黨興華.R&D經費支出、風險投資與高新技術產業(yè)發(fā)展：基于典型相關分析的中國數據實證研究[J].研究與發(fā)展管理，2008，（8）.
6.王發(fā)友.典型相關分析的基本思想和方法步驟[J].科技信息，2007，（12）.
作者簡介：
[關鍵詞]農村公共產品；相互關系；供給結構
[作者簡介]寇艷春，江蘇科技大學人文社科學院教師，碩士，江蘇鎮(zhèn)江212003
[中圖分類號]F294 [文獻標識碼]A [文章編號]1672-2728(2008)10-0016-03
近年來，在農村公共產品供給研究領域，學界普遍認為應該建立一個需求導向型的供給制度。許多學者通過調查研究，在了解和掌握農村居民公共產品需求意愿的基礎上，根據農村居民公共產品需求意愿，對農村居民公共產品需求進行了排序，得出了基于需求的農村公共產品供給結構，但很少有基于公共產品相互關系進行的研究。因此，本文從相互關系的角度對農村公共產品供給結構進行一些分析。
一、理論分析
農村公共產品內容豐富，種類繁多。為了便于對農村公共產品供給結構開展研究，筆者從眾多的農村公共產品中，選擇了農村基礎設施(主要包括農村水利灌溉系統(tǒng)、農村道路建設、鄉(xiāng)村電網建設、農村人畜飲水、農村電信服務等)、農村基礎教育(主要是指農村義務教育)和農村醫(yī)療衛(wèi)生(主要是指農村醫(yī)療服務和公共衛(wèi)生)三個部分作為本文農村公共產品供給結構研究的內容。這三者的相互關系表現(xiàn)為：
1 基礎設施是教育醫(yī)療衛(wèi)生事業(yè)發(fā)展的前提和基礎。英國、美國、日本以及其他國家發(fā)展的經驗告訴我們，無論是基礎設施在區(qū)域內的配置，還是在空間上的擴展，都是以生產性基礎設施配置為主，以生產性基礎設施配置為先。只有當生產性基礎設施配置達到一定規(guī)模，經濟發(fā)展到一定水平后，生活性基礎設施以及教育醫(yī)療衛(wèi)生服務配置才會逐步展開。不但如此，基礎設施必須在時間上先于其他直接生產性投資。由于基礎設施建設周期長，因此，必須在建設上先行一步?；A設施(特別是交通運輸業(yè))的發(fā)展速度普遍高于國民生產總值的增長速度。因為在工業(yè)化初期，只有運輸業(yè)等基礎設施超前發(fā)展，才能有助于消除各地區(qū)自然條件上的差異，促進統(tǒng)一市場的形成，促使生產向具有比較優(yōu)勢的區(qū)域集中，推動工農業(yè)生產發(fā)展，提高國民經濟發(fā)展水平。
2 教育醫(yī)療衛(wèi)生事業(yè)發(fā)展推動了基礎設施建設?；A設施是教育醫(yī)療衛(wèi)生事業(yè)發(fā)展的前提和基礎，但是，教育醫(yī)療衛(wèi)生事業(yè)并不是基礎設施的附屬物，教育醫(yī)療衛(wèi)生事業(yè)一旦產生，就具有相對的獨立性，有自己的運行規(guī)律，并對基礎設施建設產生巨大的推動作用。首先，教育事業(yè)的發(fā)展為基礎設施建設培養(yǎng)有知識、懂技術的勞動者；其次，教育事業(yè)的發(fā)展為基礎設施建設培養(yǎng)生產技術的創(chuàng)造者；最后，醫(yī)療衛(wèi)生事業(yè)的發(fā)展為基礎設施建設提供了身體健康的勞動者。今天，我們很難想象在一個交通不暢、信息閉塞、缺乏水源、沒有“電、煤、氣”設施的地方能居住生活。正因為如此，“那些雙重身份者(具有消費者和投票者雙重身份)將選擇最能符合他們對公共產品的偏好模式的社區(qū)”。因此，基礎設施完善的地方一定是工農業(yè)生產發(fā)展的地方，也必然是人群聚居的地方。伴隨著人群聚居數量的不斷增加，人們對教育醫(yī)療衛(wèi)生事業(yè)的需求日益增加，必然推動該地區(qū)教育醫(yī)療衛(wèi)生事業(yè)的發(fā)展。而教育醫(yī)療衛(wèi)生事業(yè)的發(fā)展又會吸引越來越多的人來到該地區(qū)接受教育和醫(yī)療衛(wèi)生服務，從而對基礎設施產生更大的需求，有力地推動基礎設施的發(fā)展。
二、實證分析
如前所述，從理論上說，基礎設施、基礎教育和醫(yī)療衛(wèi)生是相互聯(lián)系、相互影響、相互制約的。那么，我國農村基礎設施、基礎教育和醫(yī)療衛(wèi)生是否存在著相互聯(lián)系、相互影響、相互制約的關系呢?我們以1982～2004年農村集體固定資產投資、教育經費、醫(yī)療衛(wèi)生費用為依據，利用Granger因果檢驗對三者之間的關系進行實證分析。
1 Granger因果檢驗。建立一般回歸模型：
依次將集體固定資產投資(G)、教育經費(J)、醫(yī)療衛(wèi)生費用(Y)三個變量帶入模型，得到如下檢驗結果(見表1)：
2 Grange因果檢驗結果與分析。通過Granger因果檢驗，我們可以看出農村集體固定資產投資、教育經費、醫(yī)療衛(wèi)生費用三者之間存在著因果關系。也就是說，農村基礎設施、基礎教育和醫(yī)療衛(wèi)生之間存在著因果關系，如表1所示。這說明，農村基礎設施、基礎教育與醫(yī)療衛(wèi)生是相互對立、相互聯(lián)系、相互影響、相互制約的，是互為因果的關系。因此，在優(yōu)化農村公共產品供給結構的過程中，在優(yōu)先發(fā)展某種或某些公共產品的同時，還應該統(tǒng)籌兼顧，注重協(xié)調發(fā)展
三、偏相關關系分析
經過Granger因果檢驗，我們不難發(fā)現(xiàn)，農村公共產品各個組成部分之間存在著因果關系。那么，農村基礎設施、基礎教育與醫(yī)療衛(wèi)生之間的相關關系程度如何，這就需要通過三者之間的偏相關系數加以說明。
1 偏相關系數。偏相關系數的具體算法是：分別固定農村基礎設施、基礎教育和醫(yī)療衛(wèi)生三個變量中的一個變量，然后計算出其他兩個變量的偏相關系數，以此類推，計算出農村基礎設施、基礎教育和醫(yī)療衛(wèi)生三個變量偏相關系數(見表2、表3、表4)。
從表2、表3、表4來看，偏相關關系分析結果表明：集體固定資產投資與教育經費之間的偏相關系數是0.607；集體固定資產投資與醫(yī)療衛(wèi)生費用之間的偏相關系數是0.170；醫(yī)療衛(wèi)生費用與教育經費之間的偏相關系數是0.673。也就是說，農村基礎設施與農村基礎教育之間的偏相關系數是0.607；農村基礎設施與農村醫(yī)療衛(wèi)生之間的偏相關系數是0.170；農村基礎教育與農村醫(yī)療衛(wèi)生之間的偏相關系數是0.673。
2 農村公共產品供給排序。從偏相關關系分析結果來看，農村基礎教育與農村醫(yī)療衛(wèi)生之間的偏相關系數是0.673，是最大的，說明農村基礎教育與農村醫(yī)療衛(wèi)生之間的關系最為密切，聯(lián)系也最為緊密。農村基礎教育與農村基礎設施之間的偏相關系數是0.607，位于次席。而偏相關系數最小的是農村基礎設施與農村醫(yī)療衛(wèi)生，它們二者之間的偏相關系數為0.170。由農村基礎設施、農村基礎教育與農村醫(yī)療衛(wèi)生之間的偏相關系數可以看出：
一是農村基礎教育最為重要。對農村基礎設施而言，農村基礎設施與農村基礎教育的偏相關系數為0.607，而農村基礎設施與農村醫(yī)療衛(wèi)生的偏相關系數為0.170，因而農村基礎教育比農村醫(yī)療衛(wèi)生重要；對農村醫(yī)療衛(wèi)生而言，農村醫(yī)療衛(wèi)生與農村基礎教育的偏相關系數為0.673，而農村醫(yī)療衛(wèi)生與農村基礎設施的偏相關系數為0.170，因而農村基礎教育比農村基礎設施重要。由此，我們可以得出農村基礎教育最為重要。
二是農村醫(yī)療衛(wèi)生比農村基礎設施重要。對于農村醫(yī)療衛(wèi)生與農村基礎設施來說，二者之間的偏相關系數為0.170。在農村醫(yī)療衛(wèi)生與農村基礎設施偏相關系數既定的情況下，要討論農村醫(yī)療衛(wèi)生與農村基礎設施在農村公共產品供給中的重要程度，只能通過比較農村基礎設施、農村醫(yī)療衛(wèi)生與同一個公共產品偏相關系數，即通過比較農村醫(yī)療衛(wèi)生與農村基礎教育、農村基礎設施與農村基礎教育的偏相關系數，哪一對偏相關系數大，說明哪一個相對重要一些；哪一對偏相關系數小，說明哪一個相對弱一些。由于農村基礎設施與農村基礎教育的偏相關系數0.607小于農村醫(yī)療衛(wèi)生與農村基礎教育的偏相關系數0.673，所以，農村醫(yī)療衛(wèi)生比農村基礎設施更重要。
關鍵詞：創(chuàng)業(yè)板市場；中小板市場；動態(tài)相關性；DCC-GARCH模型；Copula模型
中圖分類號：F830.9 文獻標識碼：A 文章編號：1672-3104（2013）06?0086?05
創(chuàng)業(yè)板市場是專門為成長性好、發(fā)展?jié)摿Υ蟮母呖萍脊咎峁┤谫Y的平臺，是我國多層次資本市場建設的重要組成部分。中小板市場是我國特有的，為滿足中小企業(yè)發(fā)展需要而設立的過渡資本市場。相對于主板市場而言，創(chuàng)業(yè)板與中小板具有上市公司規(guī)模小、價格波動大、市場風險高等特點，且二者均為為中小企業(yè)融資服務的資本市場平臺。
根據國務院“九條意見”①精神，我國建立多層次資本市場的條件正逐步成熟，創(chuàng)業(yè)型企業(yè)上市在股本總額和持續(xù)盈利記錄等方面的限制將有所放寬，在條件成熟時，中小企業(yè)板塊將從現(xiàn)有的市場中剝離，并與目前的創(chuàng)業(yè)板市場合并，最終建立正式的創(chuàng)業(yè)板市場。由此可以看出，中小板市場是創(chuàng)業(yè)板市場的過渡產物。理論上，創(chuàng)業(yè)板市場有別于中小板市場，實際上，創(chuàng)業(yè)板市場與中小板市場表現(xiàn)出較強的趨同性。在這種背景下，通過計算兩市場間的相關系數來考察二者間的動態(tài)相關性，對于投資者在兩市場間進行資產配置或風險評估，都具有重要的現(xiàn)實意義。
靜態(tài)相關系數無法反應不同市場間的資產價格或收益率的互動變化，而DCC-GARCH模型和Copula模型計算的動態(tài)相關系數均能較好地描述市場間的動態(tài)相關關系。Engle[1]提出了DCC-GARCH模型，我國學者游家興等人[2]基于DCC-GARCH模型對中國與亞洲、歐美7個股票市場的聯(lián)動性進行分析，得到了自1991年至2008年間市場間聯(lián)動性變化的動態(tài)過程，并得出了市場間聯(lián)動性逐漸增加的結論；徐有俊等[3]基于DCC-GARCH模型，通過運用1997年1月至2009年3月的數據，研究了中國股市與國際股票指數（MSCI印度指數、MSCI世界指數、MSCI亞太指數和MSCI亞洲新興市場指數）之間的聯(lián)動性，結果發(fā)現(xiàn)中印兩國和亞洲新興市場的聯(lián)動性大于其與國際發(fā)達市場，且中國與世界股票市場的聯(lián)動性逐漸增強；近年來，Copula理論和方法在金融等相關領域的運用取得了明顯的進展。Patton[4]構建了馬克兌美元和日元兌美元匯率的對數收益的二元Copula模型，結果顯示Copula模型可以較好地描述外匯市場間的相關關系；韋艷華、張世英[5]運用Copula模型對上海股票市場各行業(yè)板塊動態(tài)相關性進行了相關的研究；Bart ram、Taylor & Wang[6]運用高斯時變Copula對歐元引入歐洲17個國家或地區(qū)的股票市場之間的相關性進行了研究；張自然、丁日佳[7]采用時變SJC-Copula模型較好地描述了人民幣匯率境內SPOT市場、DF市場和境外NDF市場之間的相依關系。
從已有研究文獻來看，DCC-GARCH模型和
Copula模型均能較好地刻畫金融市場間的動態(tài)關系，但Copula模型效果要好于前者。目前，運用以上兩模型對于創(chuàng)業(yè)板市場與中小板市場間的動態(tài)相關關系的研究文獻鮮見，尤其是基于兩方法的比較視角更是尚未看到，本文基于兩方法比較視角對創(chuàng)業(yè)板市場與中小板市場間的動態(tài)相關性進行研究，對于厘清兩市場間的關系，尋找測度市場間的相關性更適宜的方法都具有重要的現(xiàn)實意義。
一、相關理論與方法
（一） DCC-GARCH模型
設rt是一組白噪聲隨機變量組成的向量，滿足以下條件：
（1）
其中：It?1為rt在時刻t?1時刻的信息集，Ht為條件協(xié)方差矩陣，表示為：
Ht=DtRtDt （2）
從單變量GARCH模型可以得到時變標準差矩陣Dt=diag{σi， t}，Rt={ρij}t為動態(tài)條件相關系數矩陣。
如果能夠準確地估計Ht，Dt，代入上式（2），就可以計算出動態(tài)條件相關系數Rt。Rt的計算公式轉化為：
（3）
其中：
（4）
（5）
將式子代入上面的式子便可求出動態(tài)相關系數。
（二） Copula模型
根據Copula函數的相關理論，確定一個合適的邊緣分布是構建多變量金融時間序列Copula模型的重中之重，根據金融時間序列的波動特征和分布的“尖峰厚尾”性，選取GARCH-t模型來刻畫兩市場收益率的波動特征。
Rnt=μn+εnt， n=1， 2， …， T （6）
（7）
（8）
（9）
其中：CN（?）表示二元正態(tài)Copula函數，Tv1（?）、Tv2（?）分別表示均值為0，方差為1，自由度為v1和v2的正規(guī)化t分布函數。
二元正態(tài)Copula函數常用來描述兩個變量間的相關關系，其分布函數為：
（10）
其中：表示標準正態(tài)分布函數的逆函數，ρ （）為相關參數。相關參數可以有兩種形式：一為常相關參數，二為時變相關參數。隨著外部條件的變化，變量之間的相關系數也有可能發(fā)生波動，Patton（2001）提出了可以由一個類似于ARMA（1， q）的過程來描述，他把時變相關參數演進方程擴展為一般形式：
（11）
其中：函數Λ（?）定義為，它是為了保證ρt始終處于（?1， 1）之間，，是觀測序列進行概率變換后得到的序列。滯后階數q可以根據研究對象的特點自行選取，一般q小于等于10。
二、實證分析
（一） 數據來源及解釋
為研究創(chuàng)業(yè)板市場與中小板市場之間的動態(tài)關聯(lián)性，本文選取創(chuàng)業(yè)板指數（399006）和中小板指數（399005），分別以cybr和zxbr表示創(chuàng)業(yè)板指數收益率和中小板指數收益率。時間窗口為2010年6月1日至2012年5月31日，共484個數據數據，運用eviews6.0、winrats8.0和MATLAB等軟件進行計算。
（二） 數據描述及處理
根據日收益率公式：
Rt=ln St?ln St?1 （12）
其中：Rt表示市場指數收益率，St為第t日的市場指數收盤價，St?1為第t?1日的市場指數收益率。求得兩市場指數日收益率的描述性統(tǒng)計表1。
由表1可知，創(chuàng)業(yè)板指數及中小板指數收益率均值很小，幾乎接近于0，且為負的，表明在此期間，投資兩市的投資者均是虧損的。且兩市股指收益率的分布均有左偏性，收益率的峰度值均大于正態(tài)分布的峰度值，通過JB統(tǒng)計量檢驗知，兩市場指數收益率均不服從正態(tài)分布，具有“尖峰后尾”特征，在此基礎上分析知兩市場指數收益率均存在序列自相關和ARCH效應，并依據AIC及似然函數準則選用GARCH-t 模型來擬合樣本數據，表2是參數估計結果。
α的估計值均大于0，且α+β
（三） DCC-GARCH模型估計結果
現(xiàn)在利用DCC-GARCH模型估計兩市場的動態(tài)相關性，運用winrats8.0得到兩市場之間的動態(tài)相關系數序列的描述性統(tǒng)計量如表3。
由表3可以看出，創(chuàng)業(yè)板市場與中小板市場之間的相關系數均大于零，均值為0.888 427，最大值為0.945 926，最小值為0.729 338，兩市場表現(xiàn)出較強的正相關性。另外，兩市場的動態(tài)相關系數的標準差為0.037 687，表現(xiàn)出兩市場相關性的波動較小，也從一定程度上表明兩市場變化的一致性。
DCC-GARCH模型下，兩市場間的動態(tài)相關系數變化可以通過圖1表示。
由圖1可以看出，2010年底到2011年上半年，創(chuàng)業(yè)板市場與中小板市場之間的相關關系有比較大的波動，從2011年下半年開始，二者相關關系趨于穩(wěn)定。且兩年的時間內，兩市場的相關系數在2010年7月份、10月份及2011年的5月份有一較大幅度的下跌，前一時間點大幅下跌的原因在于創(chuàng)業(yè)板指不久，樣本股調整導致的結果，后兩時間點大幅下跌的原因與2010年7月份創(chuàng)業(yè)板的解禁潮及2011年5月份的創(chuàng)業(yè)板高管大幅度減持有關。
（四） Copula函數估計結果
表4為常相關的二元正態(tài)Copula函數的參數估計結果。由表3的常相關參數可知，創(chuàng)業(yè)板市場與中小板市場指數收益率序列間均具有較強的正相關關系，相關系數為0.882 11（見表4）。
金融時間序列間的相關關系一般是時變的，這里我們選取q=10來考察兩市場間的的動態(tài)相關關系，表5為參數估計的結果（見表5）。
由表5可知，創(chuàng)業(yè)板市場與中小板市場指數收益率序列的持續(xù)性參數βp=0.135 43，說明這兩個序列的時變相關參數受前一期影響，但不是太大。實際上，圖2也能表明兩市場間的動態(tài)相關性受前期影響。
由圖2可以看出，創(chuàng)業(yè)板市場與中小板市場之間的時變相關系數波動稍大，但也僅限于狹窄的區(qū)間內[0.862， 0.925]，相關系數出現(xiàn)的高點、低點等異常值與DCC-GARCH模型估計結果基本一致（見圖2）。
表6為利用Copula模型，運用MATLAB計算得到的兩市場之間的動態(tài)相關系數序列的描述性統(tǒng)計量（見表6）。
表1 創(chuàng)業(yè)板及中小板市場指數日收益率基本統(tǒng)計量
樣本 均值 中值 最大值 最小值 標準差 偏度
cybr ?0.000 583 0.001 076 0.065 948 ?0.078 435 0.019 930 ?0.403 484
zxbr ?0.000 221 0.000 791 0.049 282 ?0.065 047 0.015 953 ?0.375 436
樣本 峰度 JB統(tǒng)計量 伴隨概率P cybr zxbr
cybr 3.797 036 25.890 07 0.000 002 1.000 000 0.888 278
zxbr 3.603 655 18.680 16 0.000 088 0.888 278 1.000 000
表2 GARCH-t模型下兩市場參數估計結果
參數 μ ω α β ν 對數似然值
cybr（399006） ?0.000 315 6 2.535 3×10?5 0.058 19 0.875 34 13.161 1 217.4
zxbr（399005） ?9.351×10?5 1.585×10?5 0.056 374 0.880 56 15.08 1 322.4
表3 DCC-GARCH模型下創(chuàng)業(yè)板市場與中小板市場收益率序列相關系數描述性統(tǒng)計量
樣本 均值 中值 最大值 最小值 標準差 偏度 峰度 JB統(tǒng)計量 伴隨概率P
cybr-zxbr 0.888 43 0.898 51 0.945 93 0.729 34 0.037 69 ?1.316 62 4.941 79 214.982 0.000 002
圖1 DCC-GARCH模型下兩市場間的動態(tài)相關系數走勢
表4 常相關二元正態(tài)Copula函數的參數估計結果
樣本 ρ 對數似然值
cybr-zxbr 0.882 11 ?363.61
表5 時變二元正態(tài)Copula函數的參數估計結果
樣本 ωρ βρ αρ 對數似然值
cybr-zxbr ?1.731 3 0.135 43 5 ?364.87
圖2 Copula模型下兩市場間的時變相關系數走勢
表6 Copula模型下創(chuàng)業(yè)板市場與
中小板市場收益率序列相關系數描述性統(tǒng)計量
樣本 均值 中值 最大值 最小值 標準差
cybr-zxbr 0.885 4 0.885 0.924 3 0.863 2 0.010 25
由表6可以看出，Copula模型下創(chuàng)業(yè)板市場與中小板市場之間的時變相關系數均大于零，均值為 0.885 4，這與常相關系數0.882 11、靜態(tài)相關系數 0.888 3、DCC-GARCH估計的動態(tài)相關系數均值 0.888 4相差無幾，說明不管是基于線性考慮還是非線性考慮，兩市場間確實存在較強的正相關關系。另外，時變相關系最大值為0.924 3，與DCC-GARCH模型估計的相關系最大值0.945 926也相差不大，但最小值0.863 2較DCC-GARCH模型估計的0.729 338要大一些，這主要是由于Copula函數考慮了收益率隨時間變化而導致的結果。再者，兩方法估計的動態(tài)相關系數的標準差均較小，DCC-GARCH模型下為0.037 687，Copula模型下為0.010 25，表明兩市場相關系數的波動性較小，具有較強的穩(wěn)定性，說明兩市場表現(xiàn)確實相差不大。
三、結論與建議
通過線性和非線性模型考察創(chuàng)業(yè)板市場與中小板市場收益率之間的相關性，可以得出以下結論與建議：
（1） 創(chuàng)業(yè)板市場與中小板市場指數收益率靜態(tài)相關系數為0.888 2，DCC-GARCH動態(tài)相關系數均值為0.888 4，Copula常相關系數為0.882 11，Copula時變相關系數均值為0.885 4，無論是靜態(tài)相關系數，還是動態(tài)相關系數，無論是線性相關系數，還是非線性相關系數，均表明兩市場間存在較強的正相關關系。
（2） DCC-GARCH模型下，兩市場間的動態(tài)相關系數在一個狹窄的區(qū)間[0.729， 0.946]波動，除了2010年7月、10月及2011年5月因股票解禁和高管減持造成的動態(tài)相關系數大幅度下跌外，其他時間估計的GARCH動態(tài)相關系數均表現(xiàn)出較強的穩(wěn)定性；Copula模型下，兩市場間的動態(tài)相關系數也在一個狹窄的區(qū)間[0.862， 0.925]波動，但會在時間窗口期內有異常值出現(xiàn)，這是因為市場間的非線性影響因素所致，所以，Copula模型要優(yōu)于DCC-GARCH模型。
（3） 似然函數值表明，時變Copula模型因捕捉了資產收益率的持續(xù)性，估計兩市場間的相關系數效果要優(yōu)于常相關Copula模型。
總之，創(chuàng)業(yè)板市場與中小板市場指數收益較強的相關性和穩(wěn)定性表明，兩市場表現(xiàn)出較強的趨同性，這為中小企業(yè)上市和資產配置提供了有益建議，同時，也表明創(chuàng)業(yè)板市場與中小板市場合并將是必然趨勢。
注釋：
① 2004年國務院下發(fā)的《關于推進資本市場改革開放和穩(wěn)定發(fā)展的若干意見》。
參考文獻：
Engle R F. Dynamic conditional correlation simple class of Multivariate GARCH models [J].Journal of Business and Economic Statistics， 2002（20）： 339?350.
游家興， 鄭挺國. 中國與世界金融市場從分割走向整合――基于DCC-MGARCH模型的檢驗[J]. 數量經濟技術經濟研究， 2009（12）： 96?107.
徐有俊， 王小霞， 等. 中國股市與國際股市聯(lián)動性分析――基于DCC-MGARCH模型研究[J]. 經濟經緯， 2010（5）： 124? 128.
Patton A. Modeling time-varying exchange rate dependence using the conditional copula [Z]. Department of Economics， University of California， San Diego， 2001.
韋艷華， 張世英. Copula理論及其在金融分析上的應用[M]. 北京： 清華大學出版社， 2008（8）： 35?50.
Bartram S M， Taylor S J， Wang， Y H. The Euro and European financial market dependence [J]. Journal of Banking & Finance， 2007（31）： 1461?1481.
張自然， 丁日佳. 人民幣外匯市場間不對稱匯率變動的實證研究[J]. 國際金融研究， 2012（2）： 85?95.
高鐵梅. 計量經濟分析方法與建模： Eviews應用及實例[M]. 北京： 清華大學出版社， 2006（1）： 249?278.
金龍， 王正林. 精通MATLAB金融計算[M]. 北京： 電子工業(yè)出版社， 2009（6）： 254?257.
The Empirical Research of the Dynamic Correlation Between the Second Board Market And the Small and Medium-sized Board Market in China ――Based on Comparative Perspective of Different Methods
GENG Qingfeng
（Department of Public Economics and Finance， Minjiang University， Fuzhou 350108， China）
Abstract： The DCC-GARCH model can describe the linear dynamic correlation between financial markets， while the time-varying normal Copula model is mainly used for nonlinear dynamic correlation study between financial markets. This paper aims to study the dynamic correlation between the second board market and SME board market by building models to the return series of the two boards’ indexes and calculating dynamic correlation coefficient of the two markets on the basis of DCC-GARCH model and Copula model. The results show as as follows： ① there is positive correlation between the second board market and SME board market and the correlation is very strong； ② time-varying Copula model is better than constant correlation Copula model in describing the correlations among financial markets as it captures market return’s feature of time-varying； ③ except for a little time-points， dynamic correlation coefficient calculated on the basis of DCC-GARCH model is in a stable interval. Whereas， there are abnormal values in the dynamic correlation coefficients calculated on the basis of Copula model as a result of taking nonlinear factors into consideration. Hence the latter is better than the former.
Key Words： Growth Enterprise Market； Small and medium-sized market； Dynamic Correlation； DCC-GARCH Model； Copula model
收稿日期：2013?05?21；修回日期：2013?11?22
全球化資產配置必要性
在此之前，我們將從風險——收益的角度為投資者揭示全球化資產配置的必要性。我們選取了2003年至2012年上證綜指與其他各國市場代表性指數的月度收益率進行了比較分析。
從上表中可以看出不同國家或地區(qū)都不同的風險收益特征。其中，收益率最高的國家或地區(qū)是印度尼西亞，月平均收益率為2.19%，波動率為6.75%。恒生國企是波動率最高的指數，月平均標準差是9.54%，收益率為1.92%。
目前QDII基金主要投資的兩大市場分別是中國香港和美國。從風險收益來看，和上證綜指相比，香港恒生指數收益率高，風險低。但是香港恒生指數與上證綜指的相關性較大，相關系數為0.53，僅次于恒生國企指數的0.61，較強的相關性使得大比例配置香港股市可能無法起到QDII基金分散A股的作用。相比之下，美股與上證綜指的相關性較低，雖然月平均收益率較低，但是波動率也遠遠低于國內股市。根據馬科維茨投資組合理論，將資產的三分之二跟蹤香港股市，剩余三分之一資產配置美國股市，得到的資產組合的收益率為0.80%和國內股市收益率相等，但是其波動率為5.35%。也就是說通過區(qū)域配置，可以得到一個收益率和國內股市相同但是風險小于國內股市的組合。
QDII基金全球化配置效果
股票型
六只以全球化配置為投資主題的股票型QDII基金在美國和香港兩大市場的投資比例幾乎全部在六成以上，工銀瑞信全球配置甚至達到了78.06%。直觀上來看，“全球化”效果相對較好的是交銀環(huán)球精選和工銀瑞信全球精選，分別將24.57%、28.69%的資產配置在了美國、香港以外的國家或區(qū)域上，分布的地區(qū)分別達到了12、13個。
國家或地區(qū)配置情況
但是配置區(qū)域分散并不意味著全球化配置效果好，如果選擇的個股集中于中國概念股，那么其全球配置效果也會大打折扣。根據四季報顯示，上述六只QDII基金中僅工銀瑞信全球精選基金的前十大重倉股中沒有中國概念股，而工銀瑞信全球配置、建信全球機遇前十大全部為中國概念股。從相關系數來看，工銀瑞信全球精選與上證綜指相關性非常弱，相關系數僅為0.03。長盛環(huán)球景氣行業(yè)雖然投資區(qū)域較為集中，除了香港、美國僅投資了加拿大和法國兩個國家，并且配置的比例較低，但是由于該基金相對配置的中概股較少，因此和上證綜指呈現(xiàn)弱相關性，相關系數為0.27。
FOF型
現(xiàn)有以“全球化”為投資主題的FOF型QDII基金主要配置的是給類型的ETF基金。一方面，ETF基金可以在二級市場上買賣，交易方便，費用便宜。另一方面，持有ETF基金繞開了個股選擇的問題，可以較為直接地進行區(qū)域配置。
關鍵詞：負債融資 企業(yè)績效 負債結構 負債類型
目前國內學者關于融資方式對公司影響的研究日益增多，其中對公司績效影響以及產生的治理效應的理論研究和實證研究比較多，融資方式選擇中主要偏向于股權融資方面的研究，而相對的負債融資方面的實證研究還比較少。因此，本文主要從負債融資對公司運營產生的治理效應的大小，從而影響公司業(yè)績這一角度來研究負債融資結構對公司績效的影響。
一、研究設計
（一）研究假設 根據委托理論，短期負債能夠約束投資過度行為，促使管理者在償付本息的壓力中作出更有效的投資決策，相較于長期負債，短期負債的治理效應更強；另一方面根據信號傳遞假說，經營業(yè)績好而債務定價被低估的高品質的公司傾向短期負債，經營業(yè)績差而債務定價被高估的低品質公司傾向發(fā)行長期負債。基于以上觀點，本文提出假設：
假設1：短期負債與公司經營業(yè)績正相關，長期負債與公司經營業(yè)績負相關
根據委托理論，我國商業(yè)信用對債務人的軟約束以及我國破產機制的缺陷，使股東易于侵害商業(yè)信用債權人的利益，相機治理作用較為薄弱；銀行貸款一般金額大期限長，債權人是專業(yè)的借貸機構，對企業(yè)的項目投資監(jiān)督能力較強，有能力對企業(yè)進行干涉和對債券資產進行保護，相機治理作用相對較強。基于以上觀點，本文提出假設：
假設2：商業(yè)信用與公司經營業(yè)績負相關，銀行貸款與公司經營業(yè)績正相關
（二）樣本選擇和數據來源 本文在選取樣本公司時遵循以下原則：（1）剔除金融類上市公司；（2）為了避免公司上市初期股價表現(xiàn)不穩(wěn)定的因素，故選擇2001年12月31日以前在上海證券交易所上市的公司；（3）僅發(fā)行A股股票的上市公司；（4）剔除ST、PT類上市公司；（5）剔除房地產類上市公司，現(xiàn)階段我國房地產上市公司泡沫經濟較嚴重，受政策影響變動較大，資本結構不能反映正常的公司運營；（6）剔除數據殘缺、不正常、處于極限狀態(tài)的上市公司。按以上原則本文篩選了上海證券交易所2001年12月31日以前上市的100家企業(yè)作為研究樣本，研究時間跨度為2008年至2011年。本文運用Excel、SPSS17.0數據分析軟件對樣本數據進行處理。
（三）變量定義 本文選取變量如表（1）所示。（1）因變量：衡量一個公司的經營業(yè)績常用的指標有：總資產收益率、凈資產收益率、主營業(yè)務利潤率、EVA評價法、托賓Q等。EVA評價法更能反映公司為股東創(chuàng)造的價值，但是這種方法操作過程中需要加入很多調整事項，可操作性不強；我國非流通股所仍占的較大的比例不能對其準確估值，因此托賓Q并不是衡量我國上市公司經營業(yè)績的指標選擇。而凈資產收益率是反映資本收益能力的國際通用指標，但容易被人為操縱，失去了一定的可信度。因此，本文選取總資產收益率作為衡量公司業(yè)績的指標，因為采用單個指標衡量公司業(yè)績顯得不夠全面，而主營業(yè)務成績突出的公司才能快速健康成長，因此還選取了主營業(yè)務利潤率作為另一個績效指標。（2）自變量：從負債期限結構和負債類型結構對負債融資結構進行了細分，進而考察負債融資對公司經營業(yè)績的影響。（1）債務期限結構對經營業(yè)績的影響指標：短期負債比率（SFZ）、長期負債比率（LFZ）；負債的類型結構對經營業(yè)績的影響指標：商業(yè)信用融資比率（SYXY）、銀行貸款融資比率（LLOAN）。目前我國發(fā)行企業(yè)債券的上市公司數只占了全部上市公司數很小的比例，發(fā)行參與者還不夠普遍，不具有統(tǒng)計意義。因此本文僅從商業(yè)信用和銀行貸款融資兩方面分析負債的類型結構對經營業(yè)績的影響。為了更具有可比性，以上五個自變量均以企業(yè)的總資產為分母。（3）控制變量：本文設置的控制變量有：公司規(guī)模（SIZE），即公司年末總資產的對數。預測一個企業(yè)未來經營狀況的重要指標——公司的成長性（GROWTH）。因為一般成長性好的公司主營業(yè)務比較突出，所以在這里選取主營業(yè)務增長率。
（四）模型建立
二、實證檢驗分析
（一）描述性統(tǒng)計 表（2）表示樣本公司2008年至2011年短期負債的融資情況，其均值分別為37.87%、36.02%、36.90%、36.43%，融資規(guī)模比較穩(wěn)定。觀測期四年來短期負債比率均值為36.81%，明顯高于表3長期負債率（均值為10.48%），前者是后者的3倍，需要注意的是，過高的短期負債會減弱負債的治理功能，最終影響到企業(yè)的經營業(yè)績。表（3）顯示樣本公司2008年至2011年長期負債的融資情況，均值分別為8.71%、10.85%、10.99%、11.35%，四年來均值為10.48%，處在一個較低水平，需要注意的是觀測期四年期間均有一部分公司在某一年度甚至四年間的長期負債為0，短期負債卻保持較高的水平，負債期限結構是不合理的。
負債類型主要分為銀行貸款、商業(yè)信用、企業(yè)債券。其中銀行貸款和商業(yè)性用占負債總額的70%以上。企業(yè)債券在近年來得到快速發(fā)展，所以一并列入分析，對上文的變量選擇中不將其納入負債類型結構的自變量的原因進行補充說明，從以下數據中做出有力說明。表（4）顯示樣本公司2008年至2011年企業(yè)通過銀行貸款的融資情況，均值分別為22.32%、22.22%、21.02%、20.35%，四年的均值為21.41%，比值有些許滑落，這可能是因為近幾年受國家宏觀調控政策的影響緊縮銀根，為企業(yè)放貸規(guī)?？s小的原因造成的，但銀行貸款在總資產中仍占到了20%以上的比例，相對與以下的商業(yè)信用和企業(yè)債券，仍然是企業(yè)融資的主要方式。表（5）顯示樣本公司2008年至2011年企業(yè)通過商業(yè)信用融資的情況，均值分別為14.49%、15.16% 、15.76%、15.04%，四年的均值為15.11%，負債類型中融資能力僅次與銀行貸款，與短期負債率四年的均值36.81%相比，商業(yè)信用占了整個短期（流動）負債的41.05%，也說明了商業(yè)信用在負債融資中有著不可忽視的作用。表（6）顯示樣本公司2008年至2011年企業(yè)通過發(fā)行債券融資的情況，均值分別為0.98%、0.67%、0.66%、1.79%，四年的均值為1.03%，雖然也呈現(xiàn)出了上升的姿態(tài)，但融資能力明顯低于銀行貸款和商業(yè)信用。近幾年我國企業(yè)債券發(fā)行額度有了明顯提高，08年后甚至超過股票籌資額，有了“量”的改變，但“質”還是不足的，樣本公司中，2008年至2011年發(fā)行企業(yè)債券的上市公司數分別是9家、8家、7家和19家，發(fā)行數量最多的是2011年，但也僅占樣本公司數的19%，說明我國企業(yè)債券市場要達到普及的程度還有一大段距離，且從樣本數據看，發(fā)行企業(yè)債券的融資規(guī)模和所占樣本公司的比例太小，不具有研究意義。
（二）回歸分析 回歸模型分析結果見表（7）和表（8）。從回歸結果可以看出，短期負債率（SFZ）、長期負債率（LFZ）、銀行貸款融資比率（LLOAN）與反映公司經營業(yè)績的總資產收益率的回歸系數在顯著性水平上都通過了T檢驗；而商業(yè)信用融資比率（SYXY）、銀行貸款融資比率（LLOAN）與反映公司經營業(yè)績的主營業(yè)務利潤率的回歸系數在顯著性水平上都通過了T檢驗。（1）自變量短期負債率（SFZ）與總資產收益率的回歸系數在顯著性水平上通過了T檢驗，相關系數在1%范圍內顯著不為0（t=-3.287，p=0.001），上市公司的總資產收益率與短期負債率之間存在高度顯著的負相關關系，但與主營業(yè)務利潤率的相關系數總資產收益率的相關系數在10%以上的水平不顯著，說明短期負債率對主營業(yè)務利潤率基本上沒有影響，但表明短期負債率對總資產收益率的解釋能力更強，短期負債率每增長1%，總資產收益率下降0.105%，短期負債在對公司的治理效應起到了消極作用。其原因分析為我國的現(xiàn)狀是短期負債比率過高，上市公司普遍存在投資短視，經理人將資金投資收益不高的項目，對投資長期資產的資金空缺，影響公司的盈利性，抑制了公司經營的正向發(fā)展，這與前面的假設相反。（2）長期負債率（LFZ）與總資產收益率的回歸系數在顯著性水平上通過了T檢驗，相關系數在1%范圍內顯著不為0（t=-3.796，p=0.000），上市公司的總資產收益率與長期負債率之間存在高度顯著的負相關關系，但與主營業(yè)務利潤率的相關系數總資產收益率的相關系數在10%以上的水平不顯著，也說明長期負債率對主營業(yè)務利潤率基本上沒有影響，表明長期負債率對總資產收益率的解釋能力更強，長期負債率每增長1%，總資產收益率下降0.149%，長期負債對我國上市公司經營業(yè)績產生了消極效應，這與假設1相一致。（3）商業(yè)信用融資比率（SYXY）與總資產收益率的相關系數在10%以上的水平不顯著，說明商業(yè)信用對總資產收益率基本上沒有影響；但與主營業(yè)務利潤率的回歸系數在顯著性水平上通過了T檢驗，相關系數在1%范圍內顯著不為0（t=-3.589，p=0.000），上市公司的主營業(yè)務利潤率與商業(yè)信用融資比率之間存在高度顯著的負相關關系，表明商業(yè)信用融資比率對主營業(yè)務利潤率的解釋能力更強，商業(yè)信用融資比率每增長1%，那么主營業(yè)務利潤率下降0.349%，商業(yè)信用融資對我國上市公司經營業(yè)績產生了消極效應，這與之前的理論假設結果相一致。（4）在自變量中，銀行貸款融資比率（LLOAN）與總資產收益率（ROA）和主營業(yè)務利潤率（ROC）的回歸系數均在顯著性水平上通過了T檢驗，與總資產收益率的相關系數在10%范圍內顯著不為0（t=-1.813，p=0.071），說明上市公司的總資產收益率與銀行貸款融資比率之間存在較顯著的負相關關系，銀行貸款融資比率每增長1%，總資產收益率下降0.062%，與主營業(yè)務利潤率的相關系數在1%范圍內顯著不為0（t=-3.447，p=0.001），說明上市公司的主營業(yè)務利潤率與銀行貸款融資比率之間存在高度顯著的負相關關系，銀行貸款融資比率每增長1%，主營業(yè)務利潤率下降0.306%。以上結果均表明，銀行貸款融資比率對我國上市公司經營業(yè)績起到了抑制作用，其原因主要為我國國有銀行與政府和國有企業(yè)間存在一定同質性，并未很好發(fā)揮其監(jiān)督作用和發(fā)揮相機治理效應，最終對上市公司經營業(yè)績起到消極效應，這與理論假設結果相反。（5）控制變量中公司規(guī)模與總資產收益率和主營業(yè)務利潤率均存在顯著正相關關系，相關系數在1%的水平內顯著不為0；成長性與總資產收益率存在顯著正相關關系，相關系數在1%的水平內顯著不為0，但對主營業(yè)務利潤率基本上沒有影響。同時，上文模型檢驗結果中，同一自變量（如期限結構自變量）對不同因變量間反映出的關系和結果的不同（對主營業(yè)務利潤率基本沒有影響，但是與總資產收益率均存在明顯的負相關關系），事實證明了采用單個指標衡量公司業(yè)績顯得不夠全面，采用兩種因指標相互補充才能使得結果分析更準確。
三、結論
本文研究發(fā)現(xiàn)：（1）不同的負債期限結構對公司業(yè)績的影響均起到負面效應。短期負債并沒有對公司經營業(yè)績的提升起到積極效應，相反地過高的短期負債反而對公司的經營業(yè)績起到了抑制作用。一方面原因是企業(yè)再融資的可能因為門檻高，主要或只能通過銀行提供的短期借款獲得，而用于長期資產投資的資金空缺，使得上市公司普遍存在短期借款長期占用的情況，以新還舊的惡性循環(huán)，長短期負債實質上的無差別使得短期負債的治理效用無效；同時過多的短期負債使公司存在的投資決策短視現(xiàn)象，公司擔心錯過未來更好的投資機會而加速投資，將其投資在凈現(xiàn)值小而回收期短的項目，而放棄回收期長而凈現(xiàn)值高的項目，影響了公司的盈利水平，同樣的長期負債為公司業(yè)績的提高也起到了的負面效應。（2）不同的債務類型表現(xiàn)出與公司績效產生較顯著的負面影響，即銀行貸款和商業(yè)信用對公司經營業(yè)績的提升起到了抑制作用。可能的原因：一是在我國為上市公司提供貸款的往往是國有銀行，經營活動受到國家體制、政策指令的干預，對國有上市公司表現(xiàn)出信貸軟約束的現(xiàn)象，而我國目前的上市公司大部分是國有或國有控股的企業(yè)，銀行對其貸款可能并不因為其投資的項目具有可行性和經濟意義，而是因為國家和政府對此類公司的保護心態(tài)，因此總體上銀行貸款并沒有對上市公司的經營業(yè)績起到促進作用；二是我國目前的商業(yè)信用體系并不健全，商業(yè)信用債權人對債務人基本上不存在約束，造成了事前無保障，事中難控制，事后難維權的形態(tài)，上市公司對這種幾乎無成本的短期融資方式存在侵占的可能性就會很大，造成了兩者之間利益沖突嚴重，同時破產法制不完善，不利于保護債權人的利益，因此，商業(yè)信用對公司的經營業(yè)績起到了負面效應。
參考文獻：
[1]李雙飛：《上市公司債務融資與公司價值的實證研究》，《金融教學與研究》2007年第5期。
[2]王滿四：《負債融資、債權治理與公司績效》，《中山大學博士學位論文》2007年。
企業(yè)生命周期理論認為企業(yè)具有生命性，企業(yè)的發(fā)展過程均大致需經過初創(chuàng)期、成長期、成熟期、衰退期四個階段。
資本結構有廣義與狹義之分：廣義的資本結構是指所有資本的構成及比例關系，它不僅包括長期資本和短期資本的構成比例關系，而且包括債務結構與權益結構；狹義的資本結構一般是指公司長期資本中債務資本與權益資本的構成及其比例關系，也通常指公司總債務資本與所有者權益資本的比例關系或公司總債務資本與總資產的比例關系，本文是以狹義的資本結構為研究對象。
無論是早期資本結構觀點還是現(xiàn)代資本結構理論體系及新資本結構理念其核心思想是統(tǒng)一的，只是其對企業(yè)資本結構研究前提情況不同所得出的不同結論。資本結構MM無關論是在一系列的市場假設情況下得出的企業(yè)資本結構與企業(yè)價值是不相關的；而修正MM理論是假設是在比較切合實際考慮所得稅情況下得出的企業(yè)價值與資本結構相關結論；新資本結構是出于企業(yè)治理角度、控制權角度、融資角度等等方面研究得出的結論，所以無論對企業(yè)資本結構進行什么樣的研究，均不能脫離資本結構核心思想，所不同的只是研究前提假設情況及研究角度的不同。
由于企業(yè)在整個生命周期過程中的社會價值貢獻是由企業(yè)初創(chuàng)期、成長期、成熟期及衰退期四個階段社會價值貢獻總和決定的，所以為了使得企業(yè)價值最大化就必須對不同的生命周期階段進行不同的合適的資本結構配合，使得四個階段總體價值最大化。正因為存在此問題而企業(yè)生命周期是一個連續(xù)不斷的過程，并四個階段并不是完全不相關、互相脫離的，所以在不同的生命周期階段過度時存在資本結構過渡優(yōu)化環(huán)節(jié)。例如，企業(yè)在初創(chuàng)期負債比例很小甚至為零，而在成長期、成熟期、衰退期資產負債比例慢慢提高，致使資本結構大不相同，所以在對不同生命周期階段配合不同的資本結構時，需要將資本結構不斷地進行適當地調整與優(yōu)化，使得企業(yè)總體價值達到最大化。
二、企業(yè)價值最大化模型構建
企業(yè)在生命周期中的價值貢獻是由初創(chuàng)期、成長期、成熟期、衰退期四個階段的價值折現(xiàn)值決定，也就是說企業(yè)在不同階段的價值等于這四個階段的價值貢獻在不同時點上的折現(xiàn)值。因為在衡量企業(yè)價值的同時，存在對不同階段上企業(yè)價值進行折現(xiàn)的問題，所以如何采取折現(xiàn)模型與怎么采取折現(xiàn)率將成為對企業(yè)價值評估的核心。
（一）折現(xiàn)率選擇 由于企業(yè)資本一般分為債權資本與股權資本，所以對于不同的資本采用的折現(xiàn)率也不盡相同。對于債券資本，可以按照債券籌資中發(fā)生的成本來衡量其折現(xiàn)率；而對于股權部分，采用的折現(xiàn)率由資本資產定價模型決定，模型如下：
Ks=Rf+?茁×（Rm-Rf）
其中，Rf為無風險報酬率，一般采取長期債券利率，例如國庫券利率進行衡量；?茁為股票的貝塔系數；Rm為平均風險股票報酬率。其中的式中Cov（RiRm）為該股票的收益與市場指數之間的協(xié)方差，?滓2m為市場指數的方差。
（二）模型構建 企業(yè)的資源來源于股權籌資與債券籌資，而企業(yè)的價值又是由企業(yè)的整體價值（實體價值）決定的，所以企業(yè)的整體價值就等于股權價值加上企業(yè)的凈債務價值來衡量，股權價值可以通過企業(yè)股權現(xiàn)金流量按照股權成本折現(xiàn)來決定，債券價值可以通過債券現(xiàn)金流量按照債券籌資成本折現(xiàn)來衡量，故在評估企業(yè)價值時可以分別對股權價值與債券價值進行評估然后計算總和，模型如下：
企業(yè)實體價值=股權現(xiàn)金流量現(xiàn)值+債權現(xiàn)金流量現(xiàn)值
企業(yè)價值的衡量可以用企業(yè)資產賬面價值或者市場價值來代替，雖然企業(yè)的賬面價值并不能代表企業(yè)的真實價值，但是房地產上市公司的市場價值存在較大的市場溢價倍數且遠遠脫離了企業(yè)的實際價值，所以采用賬面價值來代替企業(yè)價值比較合適。出于上述原因的考慮，以下涉及的企業(yè)價值均用公布的年報數據中資產負債表中的總資產賬面價值代替。另外，需要說明是總資產賬面價值中已經考慮了部分資產的壞賬損失、累計折舊、固定資產減值準備、長期股權投資減值準備、累計攤銷等后的凈額。
三、實證分析過程
（一）房地產行業(yè)總體情況 具體如下：
（1）營業(yè)利潤總額。 從我國房地產上市公司126家樣本在2006 年~ 2009 年的營業(yè)利潤額進行分析， 近四年營業(yè)利潤總額分別為18719687258.80元、 33202041227.97元、 33075841840.16元、
46691649816.99元，營業(yè)利潤總額變化趨勢向上發(fā)展，見圖1：
（2）資產規(guī)模。從我國房地產上市公司126家樣本在2006年~2009年度的資產賬面價值來看，我國房地產行業(yè)除了10家ST及6家數據資料不缺的上市公司，其余126公司在2006年~2009年的資產賬面價值總計分別為416706392679.06元、639907628104.14元、839379510724.23元、1109475613082.00元，資產規(guī)模變化趨勢穩(wěn)步向上發(fā)展，趨勢如圖2所示：
（二）實證檢驗 具體包括以下方面：
（1）樣本選取及分類。通過對我國142家房地產上市公司數據資料的搜集與分析，剔除6家年報數據不全或上市期間小于3年及一家境外上市公司新城B股，故以剩余136上市公司為總體樣本，然后再剔除136家上市公司之中的10家ST企業(yè)，將剩余126家上市公司作為研究樣本。
樣本的具體分類標準為：0.1≤營業(yè)利潤變化比率≤0.2或者-0.2≤營業(yè)利潤變化比率＜-0.1時，企業(yè)處于初創(chuàng)期階段；-0.1≤營業(yè)利潤比率＜0.1時，企業(yè)處于穩(wěn)定階段；營業(yè)利潤變化比率＜-0.2時，企業(yè)處于衰退期階段；營業(yè)利潤變化率>0.2時，企業(yè)處于成長階段。從理論上講，企業(yè)在初創(chuàng)期、成長期、穩(wěn)定期及衰退期的營業(yè)利潤變化率應當一致，要么全部為正數要么為負數，但是企業(yè)不同的會計年度經營期間內可能由于某一或多種因素的影響，導致企業(yè)在初創(chuàng)期可能表現(xiàn)出衰退期的特征，所以在考慮這一偶然因素后將一定范圍內營業(yè)利潤的小幅度波動率排除在外，也就是說處于初創(chuàng)期的企業(yè)營業(yè)利潤變動率不一定必然為正數。
（2）描述性統(tǒng)計檢驗。通過對126家樣本資產負債率數據的整理然后經過SPSS軟件統(tǒng)計分析，得出資本結構統(tǒng)計表如表1所示：
從表1來看，總體上我國房地產上市公司資本結構差別較大，負債融資規(guī)模在不同的上市公司之間差別特別大。在2007年最高上市公司負債程度達到了資不抵債情況，最低為零；在2008年負債比例最低的上市公司與最高的上市公司差距達到了77.15%，最低與最高融資相差特別大；在2009年負債融資比例最低與最高相差為89.09%，也是非常高。
（3）相關性分析。具體過程如下：
第一，成長階段分析。分析結果如表2所示。
從變量之間相關性來看，我國房地產行業(yè)上市公司資本成本函數值、每股凈資產收益、資本結構三者之間緊密相關，資本成本函數值與每股凈資產收益率之間相關系數為0.021，資本結構與每股凈資產收益率之間相關系數為0.383，資本成本函數與資本結構之間相關系數為0.032。
結合此時71家樣本來看，每股凈資產收益率在10%以上的上市公司資產負債率全部處于40%至70%區(qū)間，但是數據特征表明處于40%至70%區(qū)間的資本結構不一定就能夠使得企業(yè)價值最大化。所以上述的情況表明，企業(yè)資本結構處于40%至70%區(qū)間是企業(yè)價值最大化的必要條件，但不是充分條件，也就是說企業(yè)的價值最大化還得結合其它情況而定，但是要使得其企業(yè)最大化，適當的債務融資是必不可少得，且應該處于40%至70%這個區(qū)間。
第二，初創(chuàng)階段分析。分析結果如表3所示。
從變量之間相關性來看，我國房地產行業(yè)上市公司資本成本函數值、每股凈資產收益、資本結構三者之間緊密相關，資本成本函數值與每股凈資產收益率之間相關系數為0.407，資本結構與每股凈資產收益率之間相關系數為0.263，資本成本函數與資本結構之間相關系數為0.032。
結合此時18家樣本來看，每股凈資產收益率在10%以上的上市公司資產負債率全部處于30%至70%區(qū)間，但是數據特征表明處于30%至70%區(qū)間的資本結構不一定就能夠使得企業(yè)價值最大化。所以上述的情況表明，企業(yè)資本結構處于30%至70%區(qū)間是企業(yè)價值最大化的必要條件，但不是充分條件，也就是說企業(yè)的價值最大化還得結合其它情況而定，但是要使得其企業(yè)最大化，低度的債務融資是必不可少得，且應該處于30%至70%這個區(qū)間。
第三，穩(wěn)定階段檢驗。結果如表4所示：
從變量之間相關性來看，我國房地產行業(yè)上市公司資本成本函數值、每股凈資產收益、資本結構三者之間緊密相關，資本成本函數值與每股凈資產收益率之間相關系數為-0.109，資本結構與每股凈資產收益率之間相關系數為-0.321，資本成本函數與資本結構之間相關系數為0.410。
結合此時10家樣本來看，每股凈資產收益率在10%以上的上市公司資產負債率全部處于50%至75%區(qū)間，但是數據特征表明處于50%至75%區(qū)間的資本結構不一定就能夠使得企業(yè)價值最大化。所以上述的情況表明，企業(yè)資本結構處于50%至75%區(qū)間是企業(yè)價值最大化的必要條件，但不是充分條件，也就是說企業(yè)的價值最大化還得結合其它情況而定，但是要使得其企業(yè)最大化，中等的債務融資是必不可少的，且應該處于50%至75%這個區(qū)間。
第四，衰退階段檢驗。相關性分析結果如表5所示。
從變量之間相關性來看，我國房地產行業(yè)上市公司資本成本函數值、每股凈資產收益、資本結構三者之間緊密相關，資本成本函數值與每股凈資產收益率之間相關系數為-0.330，資本結構與每股凈資產收益率之間相關系數為-0.052，資本成本函數與資本結構之間相關系數為0.090。
結合此時41家樣本來看，每股凈資產收益率在10%以上的上市公司資產負債率全部處于60%至90%區(qū)間，但是數據特征表明處于60%至90%區(qū)間的資本結構不一定就能夠使得企業(yè)價值最大化。所以上述的情況表明，企業(yè)資本結構處于60%至90%區(qū)間是企業(yè)價值最大化的必要條件，但不是充分條件，也就是說企業(yè)的價值最大化還得結合其它情況而定，但是要使得其企業(yè)最大化，高度的債務融資是必不可少得，且應該處于60%至90%這個區(qū)間。
四、研究結論
（一）房地產部分上市公司資本結構與生命周期階段不匹配 研究數據表明我國房地產行業(yè)上市公司在依據營業(yè)利潤指標作為企業(yè)生命周期階段劃分，結合資本成本函數與企業(yè)價值最大化衡量指標及資本結構指標情況下，雖然房地產行業(yè)中部分上市公司在資本結構處于生命周期階段的初創(chuàng)期、成長期、穩(wěn)定期或者衰退期的最優(yōu)資本結構區(qū)間范圍內，但是其企業(yè)價值并沒有實現(xiàn)價值最大化。這種情況表明，企業(yè)可能從財務特征上表現(xiàn)出了最優(yōu)的資本結構，但是企業(yè)并沒有在此良好的平臺上創(chuàng)造出最好的業(yè)績，這樣就導致其并沒有實現(xiàn)其價值的最大化。從企業(yè)價值最大化角度來看，企業(yè)要實現(xiàn)其價值最大化則其必須借助一定程度的債務融資，也就是說最優(yōu)的資本結構是企業(yè)價值最大化的必要條件而非充分條件。
（二）房地產上市公司生命周期階段呈現(xiàn)跳躍式的特點 依據我國房地產上市公司營業(yè)利潤作為企業(yè)生命周期階段劃分的標準，通過對房地產行業(yè)126家上市公司樣本2006年~2009年年報數據的分析研究，研究成果表明房地產行業(yè)上市公司現(xiàn)在雖然處于房地產行業(yè)發(fā)展階段之中，但是各個上市公司情況各不相同且呈現(xiàn)出生命周期階段跳躍性的特點。
（三）房地產上市公司最優(yōu)資本結構是一個區(qū)間范圍 從理論上講，如果各個上市公司的常量數據一致，那么各個上市公司的最有資本結構應該是一個具體的點，為一定值。通過對我國房地產行業(yè)上市公司中的126家樣本數據的分析研究，研究表明因為房地產行業(yè)上市公司得常量數據不一且差別較大，所以我國房地產行業(yè)最有資本結構呈現(xiàn)出一個區(qū)間范圍而不是一個特定的值。另外，通過對對2007年成長階段、2008年初創(chuàng)階段與穩(wěn)定階段、2009年衰退階段的資本成本函數、每股凈資產收益率及資本結構數據的對比分析研究，表明處于成長階段最優(yōu)資本結構區(qū)間為40%至70%，初創(chuàng)階段為30%至70%，穩(wěn)定階段為50%至75%，衰退階段為60%至90%。
（四）最優(yōu)資本結構在不同生命周期階段之間緩慢過渡 通過對不同生命周期階段最優(yōu)資本結構區(qū)間（初創(chuàng)期30%至70%、成長期40%至70%、穩(wěn)定期50%至75%、衰退期60%至90%）的分析，得出企業(yè)在生命周期的初創(chuàng)期、成長期、穩(wěn)定期及衰退期四個階段之間逐漸過渡，區(qū)間下限與上線逐漸上升，初創(chuàng)期下限為30%而在成長期下限上升至40%，成長期下限為40%而在穩(wěn)定期上升至50%，穩(wěn)定期下限為50%上升至衰退期的60%，在下限上升的同時，最有資本結構區(qū)間的上限也在上升。
（五）資本結構與企業(yè)價值在初創(chuàng)期及成長期正相關，在穩(wěn)定期與衰退期負相關 通過對126家房地產上市公司的數據研究，表明我國房地產行業(yè)內的上市公司資本結構與企業(yè)價值在初創(chuàng)期及成長期正相關，在穩(wěn)定期與衰退期負相關。在初創(chuàng)階段資本結構與企業(yè)價值正相關，相關值為0.263；成長階段資本結構與企業(yè)價值正相關，相關值為0.383；穩(wěn)定階段資本結構與企業(yè)價值負相關，相關值為-0.321；衰退階段資本結構與企業(yè)價值負相關，相關值為-0.052。
【關鍵詞】上市公司 資本結構 影響因素 相關性
一、研究背景
資本結構問題涉及到股東、管理者及債權人三方的利益和沖突，影響著企業(yè)的融投資行為、資源配置效率及其經營活動，研究影響企業(yè)資本結構的影響因素，對提升企業(yè)價值以及市場的資源配置效率具有重要的現(xiàn)實意義。本文就滬市2007年上市公司按不同行業(yè)分組，計算資本結構的有關統(tǒng)計指標。然后控制行業(yè)因素進行多元回歸分析。以滬市2007年制造業(yè)A股上市公司中食品、飲料業(yè)的企業(yè)，共計36家為樣本，利用EVIEWS統(tǒng)計軟件做實證分析。
二、研究方法與數據選取
1.研究假說假說1：行業(yè)因素對資本結構具有顯著影響。假說2：獲利能力與資本結構((長期)負債比率)負相關。假說3：企業(yè)規(guī)模與資本結構正相關。假說4：資產擔保價值與資本結構正相關。假說5：成長性與資本結構正相關。
2.變量設定因變量：負債比率：Y1=總負債/總資產(期末數)
長期負債比率：Y2=長期負債/總資產(期末數)自變量：獲利能力：X3=凈利潤/主營業(yè)務收入規(guī)模：LNS=主營業(yè)務收入之自然對數(主營業(yè)務收入單位：萬元)
資產擔保價值：X3=(存貨+固定資產)/總資產(期末數)
成長性(率)：X4=(期末總資產-期初總資產)/期初總資產
3.樣本及數據資料的來源
數據資料主要取自上海證券交易所公布的上市公司年報，以滬市2007年制造業(yè)A股上市公司中食品、飲料業(yè)的企業(yè)，共計36家做為樣本。
4.研究限制(1)受數據資料限制，對影響因素的考察限于四個，模型的解釋能力受一定影響。(2)只就2007年的數據進行橫截面數據分析，可能存在異方差現(xiàn)象。(3)由于數據資料的限制，控制行業(yè)因素時，只就食品、飲料業(yè)進行實證研究，研究結果不一定能推廣至其他行業(yè)。
三、實證結果
1.基本的統(tǒng)計分析
根據上海證券交易所（2007）的行業(yè)分類，選取有10家企業(yè)以上的行業(yè)，進行基本的統(tǒng)計分析和計算得到表1：（滬市2007年不同行業(yè)之負債比率）
由表1，不同行業(yè)的資本結構有著明顯的差異。在負債比率的“最大值”中，最高與最低相差11.5699；在負債比率的“最小值”中，最高與最低相差0.2490；在負債比率的“平均值”中，最高與最低相差0.9625。出現(xiàn)差異是由于不同行業(yè)的資產結構、營運周期、發(fā)展前景等各不相同。 轉貼于
2.食品飲料行業(yè)樣本之相關系數分析
由相關系數分析可以發(fā)現(xiàn)：(1)各自變量之間的相關系數均不顯著，不存在多重共線性的問題；(2)就負債比率Y1來說，LNS與Y1正相關（與假說3符號相同），X3與Y1呈負相關（與假說2符號相同），X3與Y1負相關（與假說4符號相反），這三個變量與Y1的相關系數小于0.3，相關性不很明顯。同時， X4與Y1正相關（與假說5符號相同），并且相關系數為0.4056，相關性比較明顯；(3)就長期負債比率Y2來說，X3與Y2正相關（與假說2符號相反），LNS與Y2負相關（與假說3符號相反），X3與Y2負相關（與假說4符號相反），X4與Y2正相關（與假說5符號相符），這四個變量與Y2的相關系數小于0.3，相關性均不很明顯。
3.對Y1之回歸分析對Y1進行回歸分析得到
Y1＝-0.20-0.03X3+0.04LNS+0.15X3+0.07X4
(-0.51) (-0.49) (1.47) (0.99) (2.42)
R2=0.23， D.W.=1.87， F＝2.36
由回歸發(fā)現(xiàn)：(1) LNS、X3、X3與Y1的估計系數均無法通過α=0.05顯著水平下的t檢驗，故就2007年滬市食品、飲料業(yè)來說，規(guī)模、獲利能力、資產擔保價值對負債比率沒有顯著影響，這否定了假說2、假說3和假說4；(2) X4與Y1的估計系數可以通過t檢驗，故進一步做回歸分析得到：
Y1=0.41+0.05X4(2.59)R2=0.16， D.W.=1.91， F=6.70
通過回歸分析得知：在單獨以X4對Y1做回歸時，其估計系數可以通過t檢驗，F(xiàn)檢驗的效果也比較理想，說明X4對Y1有顯著影響（正相關），證實了假說5。
4.對Y2之回歸分析對Y2之回歸分析得到：Y2＝0.20+0.001X3-0.01LNS-0.06X3-0.02X4
(1.34) (0.07) (-1.04) (-0.96) (-0.20)R2＝0.07， D.W.＝2.13， F＝0.55
說明就長期負債比率Y2來說，各自變量的估計系數均無法通過顯著性水平為α=0.05的t檢驗，F(xiàn)檢驗的效果也不理想，各自變量與Y2之間的相關性也并不顯著，屬于弱相關范圍。
四、研究結論
1.不同行業(yè)的資本結構有著明顯的差異，進行實證研究應該盡量控制行業(yè)因素。
2.就2007年滬市食品、飲料業(yè)上市公司來說(下同)，成長性對資本結構有顯著影響。
3.獲利能力、規(guī)模、資產擔保價值、等因素對資本結構的影響不顯著。
4.獲利能力、規(guī)模、資產擔保價值、成長性等四個因素對長期負債比率的影響不顯著。
參考文獻：
[1]Sheridan Titman and Roberto Wessels.TheDeterminants of Capital Structure Choice.TheJournal of Finance，VOL.XLIII，No.1，March1988.
[2]黃慶堂，黃蘭英.資本結構對企業(yè)合并績效影響之研究[J].臺灣銀行季刊，1997，46(4).
[3]陸正飛.企業(yè)適度負債的理論分析與實證研究[J].經濟研究，1996.
