每股净资产与上市公司综合能力指标关系探析

一、引言

每股净资产是指股东权益与股本总额的比率。其计算公式为：每股净资产= 股东权益/股本总额

这一指标反映每股股票所拥有的资产现值。公司净资产代表公司本身拥有的财产，也是股东们在公司中的权益。因此，又叫股东权益。该指标是一个静态指标，反应现实条件下股票价格，在市场中投资者往往是将该指标与股票市价比较，判断股票价格与现行股票价格的偏离程度。

在实际问题中，随机变量Y往往与多个普通变量x1，x2，…，xp（p>1）有关，对于自变量x1，x2，…，xp的一组确定的值，Y有它的分布，若Y的数学期望存在，则它是x1，x2，…，xp的函数，记为u（x1，x2，…，xp），它就是Y关于x1，x2，…，xp的回归函数，如果u（x1，x2，…，xp）是 x1，x2，…，xp线性函数的情况则为多元线性回归模型：

公司的综合能力包括资本构成、经营能力、偿债能力、投资和收益。那么公司的股票收益与公司的综合能力有什么样的关系呢？他们之间是否有线性关系呢？

二、案例模型

样本的选取：以2008年为时间窗口，随机的选取上海证券交易所上市股票的（A股）的600000到600118号的上市公司作为样本。

样本的数据来源：全景网（www.省略）。

样本数据的处理：选取每股净资产做因变量，反应公司综合能力的部分指标（净资产收益率、流动比率、速度比率、应收账款周转率、资产负债比率、存货周转率、固定资产周转率、总资产周转率、净资产比率和固定资产比率）（不包括每股收益、每股净资产和扣除后每股收益，因为这三项作为研究对象）做自变量，用spss软件做多元回归分析。

从表1可以看到，第一步引入的变量是总资产周转率，第二步引入的变量是流动比率。变量进入和移出的方法是逐步筛选法，标准是以F统计量的理论值为标准判断自变量能否进入或剔除出回归方程。如果某个自变量的偏F统计量的概率p值小于0.05。则应拒绝其检验的零假设，认为该自变量对因变量的线性影响是显著的，应进入回归方程；如果某个自变量的偏F统计量的概率p值大于0.1。则不能拒绝其检验的零假设，认为该自变量对因变量的线性影响是不显著的，应剔除回归方程。

总资产周转率是指企业在一定时期主营业务收入净额同平均资产总额的比率。总资产周转率是综合评价企业全部资产经营质量和利用效率的重要指标。一般情况下，该数值越高，表明企业总资产周转速度越快。销售能力越强，资产利用效率越高。

总资产周转率=（主营业务收入净额/平均资产总额）*100%

流动比率可以反映公司的短期偿债能力，计算公式为：流动比率=流动资产/流动付债

流动比率过高并不一定表示公司财务状况良好，短期债权人可能对较高的流动比率表示欣赏，但过高的流动比率也可能是由于存货积压呆滞所引起的，这非但不能偿付到期债务，而且可能因存货跌价等原因遭受损失而危及财务状况，过高的流动比率也可能是拥有过多的货币资金而未加以有效地运用，进而影响上市公司的业绩，因此，这并不是一种良好的财务状况的反映。根据国外多数公司的经验，一般而言，生产类上市公司合理的最佳流动比率是2。这是因为在流动资产中，变现能力最差的存货，约占流动资产的一半，其余流动性较大的各类流动资产至少要等于流动负债，只有这样，公司的短期偿债能力才会有保证。一般情况下，公司的营业周期、流动资产中的应收账款数额和存货的周转速度是影响流动比率的主要因素。

流动比率越高，公司的偿债能力也就越强，但是流动比率没有考虑公司流动资产中个别资产项目的流动性。一家流动资产主要由现金和应收账款组成的上市公司，其资产流动性要比一家流动资产主要由存货组成的上市公司的资产流动性大。

从表2可以看出引入这些变量后，方程的复相关系数R分别有0.316增加到0.406，复相关系数的平方由0.1增加到了0.165，调整的相关系数由0.088增加到了0.143，这些数值都反应了自变量和因变量得相关性得强度，值越大，相关性越强。同时估计标准误差由1.8236159减少到1.7681104。

由表3可以看到，F分布的显著性概率为0.000，说明因变量和自变量的线性关系是显著的，可建立线性模型。

表4显示了回归模型中的常数项，非标准化的回归系数B值及其标准误差、标准化的回归系数B值、t值以及显著性水平。

从表4中可以得到回归模型的方程：

每股净资产=1.741+1.079总资产周转率+0.704流动比率

回归系数的显著性水平分别是0.005和0.017，其小于0.05，认为线性关系是显著的，可以建立线性模型。相关系数是0.406.复相关的平方系数是0.165，说明回归方程解释了整个因变变异程度的16.5%。

表5显示了所有的市场质量指标的B值、t值、显著性水平、偏相关系数和多重共线性分析的容忍度。

表6显示了预测值、标准预测值、预测值标准误差、调整的预测值、非标准化残差、标准化残差、学生化残差、剔除残差、标准化剔除残差、马氏距离、库克距离和中心杠杆值的最小值、最大值、平均值、标准差和观测量数目。根据概率 原则，标准化残差或学生化剔除残差的绝对值大于3对应的观测值为异常值。从表中可以看出。该样本数据中存在异常值。

在回归分析中，总是假定残差服从正态分布。图1是根据样本数据的计算结果显示残差直方图与其上得正态分布图得比较，可以认为该数据的残差是服从正态分布的。

图2学生化剔除残差-标准化预测值散点图中，纵坐标是学生化剔除残差，横坐标是标准化预测值。图中各点在纵轴零点对应的直线上下就基本均匀分布，因此，可以认为方差齐性的假设成立。

三、结论

上市公司是证券市场的灵魂所在，如何衡量上市公司的质量，仅仅靠独立的数据很难对上市公司做个横向地比较。同时也难以辨别数据的正确性和实际有效的价值。把这些分散的、内在联系密切的数据结合在一起，有助于发现上市公司的问题和提高上市公司的质量。让投资者在大量的数据面前更能直接、有效地理解其千丝万缕的联系和差异，从而对证券市场的投资做出理性和定量地判断，对保护投资者的利益有着重要的意义。当然对市场组织者和监管者也可以起到参考作用。

参考文献：

［1］盛骤、谢式千、潘承毅：《概率与数理统计》，高等教育出版社2008年版。

［本文系国家自然科学基金项目（编号：70871080）、教育部博士点基金项目（编号：20070252002）、上海市重点学科项目（编号：S30504）的阶段性研究成果］