收入证明模板范文

收入证明模板篇1

其身份证号码为：

其平均月收入为人民币(大写) 元

填表人签字： 证明单位(盖公章)

单位联系电话：

单位营业执照编号：

单位办公地址：

本单位承诺该职工的收入证明真实。

本收入证明仅限于该职工办理贷记卡用途，我公司并不对该职工使用贷记卡可能造成的欠款承担任何责任。

填表日期： 年 月

企业收入证明模板二兹有我公司(XXXX公司)员工XXX，身份证号码：XXXXXX，在我司工作XX年，任职XX部门XX经理(职位)，年收入为人民币XXXXX元。

特此证明!

XXXX公司(加盖公章)

XXXX年X月X日

企业收入证明模板三兹证明_________为本单位职工，已连续在我单位工作____年，学历为__________毕业，目前在我单位担任________职务。近一年内该职工在我单位平均年/月收入为(税后) _______元，(大写：_______万______仟______佰______拾______元整)。

特此证明

单位名称____________

_______年_______月_______日

企业收入证明模板四兹证明________是我公司员工，在________部门任________职务。至今为止，一年以来总收入约为__________元。

特此证明。

本证明仅用于证明我公司员工的工作及在我公司的工资收入，不作为我公司对该员工任何形势的担保文件。

盖 章：

收入证明模板篇2

在平平淡淡的学习、工作、生活中，大家都有写证明的经历，对证明很是熟悉吧，证明可分为组织证明和个人证明。那么相关的证明到底怎么写呢?以下是小编整理的车贷收入证明，欢迎大家分享。

车贷收入证明1

兹证明____身份证号()为本公司职员，在本公司____岗位工作，并已经在本公司任职____年____月，年收入为______元;此证明只作为员工申办车贷专用，不做其他用途。

特此证明。

附注：

单位全称：

公司电话总机：

地址：

公司签章:

年月日

车贷收入证明2

XX银行：

兹证明XX先生(女士)是我单位职工，工作年限XX年，在我单位工作XX年，职务为XX，岗位为XX，工作性质为(正式制 ;合同制 ;临时制 ;其他 )，职称为XX，其平均月收入为XX人民币(大写) 元。

本收入证明仅限于该职工办理贷记卡用途，我公司并不对该职工使用贷记卡可能造成的欠款承担任何责任。

证明单位(盖公章)

单位联系电话：

单位营业执照编号：

单位办公地址：

填表日期： 年 月

车贷收入证明3

无收入证明

内容：本人xx-x，身份证号码为xx-xxx-xxx-xxx-xxx-xxx-x，现无工作，无收入来源，特此证明，车贷 无收入证明。

签章

2.为我街道办事处居民，与同志属夫妻关系，有个子女，姓名。在本市有私房，建筑面积平方米，租住(或借住)

同志或单位的房屋建筑面积平方米，该同志在本市其它地址有(或无)其它性质的住房，其父母是、(否)和其在一起生活居祝

需说明其它原因的

特此证明

盖章(公章)：地址：

经办人签字：联系电话：

年月日

收入证明模板篇3

上述情况属实，我单位愿意对此承担相应的法律责任。

单位盖章：

年 月 日

备注：

⒈单位全称：

⒉法定地址：

⒊人事部门负责人姓名：

收入证明模板篇4

关键词：新三板 GARCH 主板 创业板 相互影响

中图分类号：F830.91 文献标识码：A

文章编号：1004-4914（2015）09-110-04

一、文献综述

中国金融市场日益完善，不同功能的融资市场各自发挥着不容忽视的作用，主板市场主要服务于大型成熟的企业，而在全球经济回暖的大环境下，中国GDP增速放缓，一批新兴产业的出现可以激活市场，是被各大机构投资者看好的投资对象。为了充分解决中小新创企业融资难的问题，便利融投资双方的需求，全国中小企业股份转让系统应运而出，2012年扩容以来，新三板的星火已成燎原之势，在2015年，转板试点政策越发明朗，做市业务于2015年3月18日三板做市股指正式指数行情，做市业务快速展开，局面被打开。截至2015年第一季度，做市转让部分总市值1336.58亿元，不到协议转让部分的一半，但是成交额已经远超过协议转让部分。做市制度成功吸引更多投资者进入新三板市场。同时各类新三板产品积极入市，公募基金试水新三板获得成功后，正在积极准备新三板指数基金产品。新三板带来的巨大机遇，无疑将对中国金融市场带来一定的影响，本文主要就是为了研究新三板市场的运行特征以及与主板市场、创业板市场间的互动关系。

以往对于新三板市场的研究多是从制度角度出发，如柴颖（2012）就是从新三板转板制度入手，如何打通准入新三板的通道，吸引更多投资者，使新三板能够为更多退市企业及难以在中小板上市的企业提供融资平台。鲍珍慧（2012）主要从宏观角度出发，研究了新三板市场的构建，包括挂牌上市制度、发行相关制度以及操作秩序等。陆泱（2013从定量角度，运用多元线性回归模型，发现小企业在新三板市场的融资效果，并进一步总结出新三板融资功能有限、流动性差等问题。自Engle（1982）采用ARCH模型研究收益率以来，国外学者在股票股价收益的研究方面取得了大量研究成果，产生了GARCH（Bollerslev，1986），GARCH-M（Engle，et al，1987），TARCH（Zakoian，1990）等模型。罗阳（2013）认为，GARCH模型可较好地拟合股指波动变化所呈现的尖峰厚尾特征，并能有效消除股指波动的异方差性。以往的学者，如朱双婧（2014）试图通过进行Granger因果检验和协整分析来看新三板与创业板之间的相互影响关系，自行编制了新三板指数，并以此与创业板综进行对比研究，但是这其中，计算过于简单，忽视了企业分红等问题，以及没有把市场的反馈体现出来。

本文结合以上文献的思路，充分考虑到已有研究在新三板领域的缺失以及新三板领域的新动态，利用2014年5月19日上线的三板成指，一年多的数据进行研究，在新环境下，研究新三板的特征以及与主板、创业板市场的联系。本文创新性的内容，希望为后续研究提供借鉴。

二、新三板市场基本研究

为了能够充分、准确地反映新三板市场，拟采用自全国代办股份转让系统新交易结算系统切换上线，即2014年5月19日至2015年6月15日间所有交易日的数据来对新三板运行情况进行分析。所有的数据均来自Wind资讯金融终端。

为了反映新三板市场的波动，利用收益率的变化来反映波动以及风险。新三板市场的收益率，采用各个交易日收盘指数的对数差。公式为

RRt=lnpt-lnpt-1

其中Pt表示三板成指当天的收盘价，RRt表示新三板市场收益率。

新三板收益率有明显的波动集群现象（见图1），为了能够更加清晰地了解波动情况，我们对数据进行如下的统计分析（见图2）。

由分析情况可知，三板成指的峰度为12.10602，P值为0.000000，拒绝三板成值呈现正态分布的假设，峰值大，呈现尖峰厚尾的特征。厚尾特征的出现一般而言有两个方面的原因：（1）信息集中出现导致指数大幅波动;（2）信息的作用没有立即在期货市场显示出来，大量信息的积累导致了大幅的波动。

接下来对序列进行ADF单位根检验（全称为Augmented Dickey-Fuller检验），在Eviews中运行ADF单位根检验，可以得到以下结果（见表1）。

P值为0.0000，很显著，因此新三板收益率时间序列为平稳序列。

而做出的新三板收益率的自相关和偏自相关图并没有出现拖尾特征，并且Q统计量对应的P值都比较显著，P值较小，说明在1%的水平上，拒绝“序列不存在自相关性”的原假设，则序列存在自相关性。

自回归滑动平均模型（ARMA模型，Auto-Regressive and Moving Average Model）是研究时间序列的重要方法，由自回归模型（简称AR模型）与滑动平均模型（简称MA模型）为基础“混合”构成。选取ARMA（p，q）模型拟合序列，分别选取（p，q）为（1，1）（2，2）（3，3）（3，4）几个模型进行估计，观察各模型的P值。通过上面的分析结果可以看出，在选取P=3，Q=3时，所对应的P值最小，T统计量最大。

输出结果表达式为

RRt=-0.6120883ε-3+0.629361RRt-3+μt

（-5.600） （6.557）

R2=0.067 DW=2.2585

对序列进行ARCH-LM检验

通过ARCH检验，P值接近为0，拒绝原假设，即认为新三板收益率序列存在ARCH效应，并且由进行到5阶ARCH-LM检验结果，P值依然很小，即序列方程存在高阶ARCH效应，应考虑建立GARCH（p，q）模型。

为了确定GARCH模型的系数，结合不同系数下得出的AIC和SC进行判断，GARCH模型结果汇总表如表3。

通过比较不同GARCH（p，q）加入后的AIC、SC值，发现GARCH（2，2）、GARCH（1，1）的AIC、SC值较小，是可以选择的较优模型。

故在ARMA（3，3）的基础上加入GARCH模型来拟合，分别加入GARCH（2，2）、GARCH（1，1）模型，观察模拟效果。

GARCH（2，2）中不满足α、β非负的约束条件，加入GARCH（1，1）满足约束条件，将上述结果代入ARMA（3，3）-GARCH（1，1）可得RRt=-0.5536ε-3+0.5719RRt-3+μt

GARCH（1，1）方程是：σt2=0.27416+0.3397*μt-12+0.6585*σt-12

用EVIEWS生成拟合残差序列图与实际图，在ARMA（3，3）中加入GARCH（1，1）模型拟合效果较好，新三板收益率序列服从ARMA（3，3）-GARCH（1，1）模型。

加入GARCH（1，1）后，该序列不存在ARCH效应，说明GARCH（1，1）消除了方程残差序列的条件异方差。

在ARCH（3，3）-GARCH（1，1）中，ARCH项与GARCH项的系数之和近似为0.339676+0.658481<1，满足小于1的参数约束条件。由于参数非常接近1，表明条件方差所受的冲击是持久的。

三、新三板与主板、创业板市场的相互影响研究

本节选取创业板综合指数（简称：创业板综）、全国代办股份转让系统新交易结算系统切换上线（简称：三板成指）、上海证券交易所综合指数（简称：上证综指）分别代表创业板、新三板、主板市场的波动情况以及收益率特征。数据区间为2014年5月19日至今。

绘制主板市场波动情况的走势图可以看出，2006年新三板出现、2012年新三板扩容、2014年新三板指数出现，这三个标志性的时期，主板市场均出现向上震荡的特征。基于此，认为新三板和主板市场之间存在一定关系，继续深入研究。

根据相关系数矩阵可以看出，创业板综合三板成指之间相关系数为0.891109，创业板综与上证综指之间的相关系数为0.929867，上证综指与三板成指之间的相关系数为0.936828，三组市场指数之间的相关性都较高，且都呈现正相关。

分别对上证综指、三板成指和创业板综的数据进行ADF单位根检验，ADF检验并没有拒绝“序列不平稳”的原假设，所以三组数据的单位根检验结果显示，三组序列均不平稳。

接下来对三组数据的一阶差分构建新序列，进行ADF检验。

在1%的显著性水平上，新序列拒绝了“序列不平稳”的原假设，即上证综指、创业板综、三板成指一阶差分序列都是平稳的，所以原来的三组序列均为一阶单整序列，接下来可进行Johansen协整分析。

发现三板成指和创业板综序列之间存在一个协整关系，三板成指与上证综指之间不存在显著协整关系。

由结果可以看出，在5%的显著性水平上，拒绝“三板成指一阶差分不是上证综指一阶差分的Granger因果关系”的原假设，故三板成指一阶差分是上证综指一阶差分的Granger成因。但是上证综指一阶差分不是三板成指一阶差分的Granger成因。

由结果可以看出，在10%的显著性水平上，拒绝“创业板综不是三板成指一阶差分的Granger因果关系”的原假设，故创业板综一阶差分是三板成指一阶差分的Granger成因，但是三板成指一阶差分不是创业板综一阶差分的Granger成因。这里得出的结论与以往学者做出的结论有所不同，主要原因是新三板市场指数选择的不同，系以前的学者采用的是自行编制的指数，难免与市场供求实际情况有所偏离。

由结果可以看出，在5%的显著性水平上，拒绝“上证综指不是创业板综一阶差分的Granger因果关系”的原假设，故上证综指一阶差分是创业板综一阶差分的Granger成因，但是创业板综不是上证综指一阶差分的Granger成因。

四、脉冲响应分析

脉冲响应函数的概念在金融时间序列分析中有广泛的应用，可以用来刻画一个变量受到另一个变量正向或负向冲击后形成的动态路径和持续时间情况。为了观察新三板对主板市场和创业板市场的影响，利用Eviews做出主板市场、新三板市场、创业板市场脉冲响应分析示意图。

较明显的关系是创业板对于主板市场的正向冲击做出的反应，反应随时间增长而不断弱化;而创业板对主板市场几乎不造成大的冲击作用，这与Granger因果关系中的结果相符。同时，主板市场和创业板市场受到来自新三板市场一个正向冲击后，在2期之前达到一个高点，接着略微减弱后，随时间推移不断增长。相对于创业板市场的影响力，新三板市场的影响力更加稳定和持久。

五、方差分解

方差分解的基本思想是，把系统中的全部内生变量（k个）的波动按其成因分解为与各个方程相关联的k个组成部分，从而得到各个相关信息对模型内生变量的相对重要程度。

由方差分解结果可知：新三板市场总方差，当滞后期为1时，100%来自于自身，随滞后期增加，略有降低，只在之后10期时才有约0.65%来自创业板市场的影响，所以创业板市场对于新三板市场波动的贡献度低;但是对于创业板市场的总方差，约有4%来自新三板市场，说明相比而言，新三板市场对于创业板市场波动的贡献度较大。

同样，考虑主板市场与新三板市场，当滞后期为1时，新三板总方差100%来自于自身，随滞后期增加，略有降低，只在之后10期时才有约0.01%来自创业板市场的影响，所以创业板市场对于新三板市场波动的贡献度几乎为0;但是对于主板市场的总方差，约有6.33%来自新三板市场，新三板市场对于创业板市场波动的贡献度较大，影响较为显著。

六、研究结论

本文第一部分采用自2014年5月19日三板成指正式以来的所有交易日的最新数据，通过公式，将指数转化为收益率，利用Eviews对新三板市场的收益率、波动、风险等特征进行了分析，新三板市场收益率呈现较为显著的尖峰厚尾特征，有明显的波动集聚现象。通过建立ARMA（3，3）模型，并添加GARCH（1，1）项，使模型可以更好拟合新三板市场波动特征。由于ARCH项的系数小于GARCH项的系数，说明新三板市场自身的记忆性对于市场波动的影响要强于外部冲击，这一结论对后续的政策制定以及市场研究有很大的借鉴价值。

本文第二部分的研究主要集中于发现新三板市场与主板市场、创业板市场之间的相互影响关系。研究表明，新三板和主板市场之间不存在协整关系，主要是因为二者的功能定位差别较大，创业板综一阶差分是三板成指一阶差分的Granger成因，且新三板和创业板存在协整关系，说明功能相似的两个股票市场间，存在较明显的相互影响关系。进一步研究发现，新三板对于创业板市场和主板市场的影响较大，创业板市场对于主板市场的冲击远不如新三板，新三板市场在不断发展，其在整个金融体系中的地位不断上升，加之政策规范，新三板竞争创业板市场，是不争的事实。结合本文研究所得出的结论，在新三板制度制定过程中，应该充分考虑新三板与其他股票市场的相互影响，并且由于新三板的风险较大和越来越多公司以及投资者较易进入市场，应健全监督机制，为国内外投资者和投资机构营造较为规范安全的投资平台。

参考文献：

[1] 柴颖.我国新三板市场引入转板制度的研究[D].上海：华东政法大学，2012

[2] 鲍珍慧.新三板挂牌与交易法律制度研究[D].上海：华东政法大学，2012

[3] 陆泱.中小企业在新三板的融资效果分析[D].上海：上海交通大学，2013

[4] 张成思.金融计量学时间序列分析视角[M].北京：中国人民大学出版社，2012

[5] 罗阳，杨桂元.基于GARCH类模型的上证股市波动性研究[J].统计与决策，（12）：162-165，2013

[6] 任继勤，单晓彤，梁策.中国主板与创业板市场风险比较分析――基于GARCH-VAR方法[J].财贸研究，（3）：128-132，2015

[7] 闫杜鹃.主要股票市场与货币市场的关联性及协调性研究[D].广州：华南理工大学，2014

[8] 梁恒.基于GARCH族模型的我国沪深股市波动非对称性研究[D].安徽：安徽大学，2014

[9] 朱双婧.我国新三板市场与创业板市场运行特征比较[D].山东：山东大学，2014

[10] 张立，曾五一.中国股指期货市场、ETF市场与股票市场波动时变的联动效应研究[J].经济统计学（1）：145-154，2013

[11] 张婧.基于上证指数的中国股市ARCH效应分析[J].价值工程（3）：230-231，2014

[12] 韦艳华，张世英.金融市场的相关性分析―Copula-GARCH模型及其应用[J].系统工程（4）：7-12，2004

（作者单位：中央财经大学 北京 100000）

收入证明模板篇5

关键词：股票收益率 企业成长性 面板数据 净资产增长率 营业利润增长率

一、引言

股票收益率波动是股市运行的基础，也是投资者关注的焦点。股票收益率受各种经济因素和非经济因素、宏观因素和微观因素的影响。集中关注每种因素的影响程度可为投资者作出正确的投资决策提供一定的依据，同时对提高上市公司的自身素质、理性发展、使其真正发挥优化资源配置以及促进资本流动的功能具有积极深远的影响。因此，对股票收益率影响因素进行探究就成为国内外众多学者所关注的重要研究课题之一。国内学者王军波（2000）、李训（2006）、王振山（2008）、张玲（2004）、程文卫（2009）等分别对利率、分析师关注度、通货膨胀等不同角度对股票收益率的解释能力进行了实证研究。国外在研究股价波动的动因方面研究很早。1968年Ball和Brown（1968）对年度报告的盈利数据和股价进行实证研究时发现，存在超额盈利的公司其投资者就存在超额回报。Umstead（1977）和Fame（1981）的研究结果表明，股票价格与实际经济增长存在正相关关系，实际经济增长率可以解释48%的股票价格波动。Chen（1986）等在APT框架内建立了一个向量自回归模型，说明经济变量对股市收益率具有系统的影响，宏观经济变量通过这种机制成为股市风险因素之一。Campbell和Ammer（1993）用经典的统计过程对股票收益进行了方差分解，并运用分解出来的各个参数度量每个参数对股票价格有多大影响。很多因素会影响股票收益率，很多文献都研究了公司规模、会计盈余、公司财务状况、贝塔值、市盈率、通货膨胀率等对股票收益率的影响，这些研究一般运用线性模型、向量自回归模型、截面方法、因子模型进行分析。本文运用面板数据技术重点研究企业成长性与股票收益率之间的关系，以期为投资者投资决策提供一定的参考。

二、研究设计

（一）样本选取和数据来源 本文同时选择2006年至2009年上海股票市场与深圳股票市场中A股股票（金融类、ST类除外）作为研究对象，对总资产增长率、净资产增长率、营业收入增长率、营业利润增长率与股票收益率的关系进行实证分析。由于本文样本跨度较大，所以在上海证券市场与深圳证券市场选取样本区间为2006年1月1日到2009年12月31日所有A股上市公司中，剔除了ST类公司、金融类公司，资产增长过快、以及数据不完整的公司，最后得到了样本公司329家，即329支股票。由于时间跨度大，故文章所用数据均为年度数据。本文的所有数据都来自CCERDATA经济金融数据库。

（二）变量选取 考虑到数据的可得性问题以及更加贴近我国股票市场的特性，具体变量定义和计算原则如下：（1）股票收益率。年股票收益率（SR）的计算按照以下公式：Rt=（Pt-Pt-1+Dt）/Pt-1。

其中，Rt为某证券在时期t的收益率；Pt表示t时期的股价；Pt-1表示前一期的收盘价；Dt=每股现金红利+Pt×（送股比例+配股比例）-每股配股价×配股比例，这里t可以取日、周、月、年等，计算出的收益率分别为日收益率、周收益率、月收益率、年收益率。由于CCER经济金融数据库中有股票的复权价格，故可将收益率的计算公式简化为Rt=（Pt-Pt-1）/Pt-1。

（2）企业成长性。这里选择总资产增长率、净资产增长率、主营业务收入增长率、主营业务利润增长率4个指标来衡量企业的成长性，研究这4个指标与股票收益率的关系进行实证分析。总资产增长率（TAG）=（本年总资产-上一年总资产） /上一年总资产；净资产增长率（NAG）=（本年净资产-上一年净资产） /上一年净资产；营业收入增长率（RG）=（本年营业收入-上一年营业收入） /上一年营业收入；营业利润增长率（OPG）=（本年营业利润-上一年营业利润） /上一年营业利润

（三）研究假设 本文对选取的可能影响因素提出如下假设：

假设1：总资产增长率与股票收益率呈正相关关系

假设2：净资产增长率与股票收益率呈正相关关系

假设3：营业收入增长率与股票收益率呈正相关关系

假设4：营业利润增长率与股票收益率呈正相关关系

（四）面板数据基本模型 面板数据（Panel data）指在时间序列上取多个截面，在这些截面上同时选取样本观测值所构成的样本数据。平行数据含有时间和截面双向信息，利用面板数据模型可以构造和检验比以往单独使用横截面数据或时间序列数据更现实的行为方程，进行更加深入的分析。正是基于实际分析的需要，作为非经典计量经济学问题，时间序列/截面数据模型已经成为近20年来计量经济学理论方法的重要发展之一（白仲林，2008）。设因变量yit与k×1维解释变量向量 it=（x1,it，x2,it，?撰，xk,it）'，满足线性关系： it=αit+ 'it+ it+uit，i=1,2，?撰，N，t=1,2，?撰，T （式1）

式（1）是面板数据模型的概述，是考虑k个经济指标在N个个体及T个时间点上的变动关系。其中，N为个体截面成员的个数，T表示每个截面成员的观测时期总数，参数αit表示模型的常数项， it表示对应于解释变量向量 it的k×1维系数向量，k表示解释变量个数。随机误差项uit相互独立，满足零均值、等方差为?滓2u的假设。为了实现模型的估计，可以分别建立含有N个个体成员方程的面板数据模型和含有T个时间截面方程的面板数据模型。由于这两种模型在估计方法上类似，因此，下面主要介绍含N个个体成员方程的面板数据模型。根据截距向量α和系数向量 是否相同，可以将含N个个体成员方程的面板数据模型分为如下三种形式：第一，联合回归模型（Pooled Regression Model），又称混合模型，其单回归方程的形式可以写成： it=α+ it +ui，i=1,2，?撰，N（式2）。其中截距项α和k×1 维系数向量 均相同。第二，变截距模型，其单回归方程的形式可以写成： i=αi+ i +ui，i=1,2，?撰，N（式3）。该模型假设个体成员上存在个体影响而无结构变化，并且个体影响可以用截距项的差别来说明，即各个体成员方程的截距项 不同，而k×1维系数向量 相同，故称该模型为变截距模型。从估计方法角度，有时也称该模型为个体均值修正回归模型（individual-mean corrected regression model）。第三，变系数模型，其单回归方程的形式可以写成： i=αi+ i +ui，i=1,2，…，N（式4）。该模型假设个体成员上存在个体影响并存在结构变化，即个体影响可以用截距项的差别来说明，同时还允许k×1维系数向量 随个体成员而变化，用以说明个体成员之间的结构变化，因此该模型也被称为无约束模型（unrestricted model）。

三、实证结果分析

（一）描述性统计 本文使用2006年至2009年沪深两市上市公司的数据，选取样本329家上市公司，共有5个变量，1316个观察值（329*4）。变量观测值统计性描述结果如（表1）。

（二）F检验 面板数据模型可以分为三种。为了确定应该使用哪种模型，需要对以下两个假设进行检验：H1:?茁1=?茁2=…=?茁N；H2:α1=α2=…=αN。

首先需要检验H2：如果接受H2，则需采用联合回归模型；否则，继续检验H1。接受H1意味着需要采用变截距模型，而拒绝H1则需要建立变系数模型。为了检验这两个假设，需要根据以上三种模型下的残差平方和，计算得到两个F统计量F1和F2。其中， 服从自由度为 （N-1）（k+1）和N（T-k-1）的F分布，F1服从自由度为（N-1）k和N（T-k-1）的F分布。如果令S3表示模型（2）的残差平方和，S2表示模型（3）的残差平方和，S1表示模型（4）的残差平方和，那么有：

F2= ~F［（N-1）（k+1），N（T-k-1）］

F1= ~F［（N-1）k，N（T-k-1）］

本部分针对选取的样本，4年329只股票得到1316个数据，使用Eviews 6.0软件完成了对面板数据的处理。根据处理结果计算得到 F2=0.5870，F1=0.6780，由于N=329，k=1，T=4，查F分布表，在给定5%的显著性水平下，相应的临界值为：F2（656,658）≈1.00，F1（328，658）≈1.00。由于F2

（三）相关性和显著性检验

（1）净资产增长率与股票收益率之间的关系的分析。如（表2）所示，模型处理结果为：

SRit=1.067834-0.628795×NAGit

t=（17.88299）（-1.799249）

从上面的结果可以看出，截距项α通过了t检验（t=17.88299，Prob=0.0000），?茁未通过t检验（t=-17.88299，Prob=0.0722）；方程的R2=0.002458，并且Prob（F-statistic）=0.072209，即方程未通过显著性检验且不能很好地解释因变量SR。

（2）总资产增长率与股票收益率之间的关系的分析。由（表3）模型处理结果为：

SRit=0.901347+1.325837×NAGit

t=（16.02475）（3.727285）

从上面的结果可以看出，截距项α通过了t检验（t=16.02475，Prob=0.0000），?茁也通过了t检验（t=3.727285，Prob=0.0002）；方程的R2=0.010462，并且Prob（F-statistic）=0.000202，即方程通过了显著性检验但不能很好地解释因变量SR。

（3）营业收入增长率与股票收益率之间关系分析。由模型处理结果为：

SRit=0.954116+0.424292×NAGit

t=（1783902）（2.393341）

另外，检验结果也表明，截距项α通过了t检验（t=17.83902，Prob=0.0000），?茁也通过了t检验（t=2.393341，Prob=0.0168）；方程的R2=0.004340，并且Prob（F-statistic）=0.016835，即方程通过了显著性检验但不能很好地解释因变量SR。

（4）营业利润增长率与股票收益率之间关系分析。由模型处理结果为：

SRit=1.005903-0.000361×NAGit

t=（20.53452）（-0.198840）

检验结果看出，截距项α通过了t检验（t=20.53452，Prob=0.0000），?茁未通过t检验（t=-0.198840，Prob=0.842418）；方程的R2=0.00003，并且Prob（F-statistic）=0.842418，该方程未通过显著性检验且不能很好地解释因变量SR。

因此，总的来说，净资产增长率、营业利润增长率与股票收益率之间的模型未通过检验，换句话说就是净资产增长率、营业利润增长率与股票收益率之间不存在显著的相关关系，总资产增长率、营业收入增长率与股票收益率之间的模型通过了检验，因此通过以上分析，可以建立以下模型：总资产增长率与股票收益率之间的模型：SRit=0.901347+1.325837×NAGit；营业收入增长率与股票收益率之间的模型：SRit=0.954116+0.424292×NAGit。

（四）面板单位根检验面板数据是时间序列数据与截面数据的结合，必须通过单位根检验以判断数据的平稳性，否则就可能出现“伪回归”。面板单位根检验包括LTC（Levin-Lin-Chu）检验、崔仁检验（Fisher-ADF检验）、PP检验。（表4）是股票收益率的相关检验结果，其他指标的检验结果这里不全部列出。

四、结论

利用面板数据实证研究得出以下结论：总资产增长率、营业收入增长率与股票收益率存在微弱的正相关关系，而净资产增长率、营业利润增长率与股票收益率之间不存在相关关系。从回归方程来看，TAG每增加1%，SR将增加1.33%，RG每增加1%，SR将增加0.42%，NAG、OPG与SR之间无明显的相关关系。 可以看到我国股票市场并不能完全及时准确反映企业的经营业绩，说明我国证券市场本身并不很成熟，而投资者的不理是造成这种结果的重要原因。

参考文献：

［1］王军波、邓述慧：《关于利率对不同规模上市公司影响的讨论》，《系统工程学报》2000年第4期。

［2］李训、曹国华：《我国上市公司股票收益率影响因素的实证研究》，《重庆大学学报（自然科学版）》2006年第10期。

［3］王振山、姚秋：《分析师关注度与股票收益率――基于中国A股市场数据的经验研究》，《财经问题研究》2008年第4期。

［4］张玲、邓霄敏：《经济增加值和市场增加值对股票收益率解释力的实证研究》，《经济问题探索》2004年第12期。

［5］程文卫：《通货膨胀影响股票市场的实证分析》，《财经问题研究》2009年第6期。

［6］白仲林：《面板数据的计量经济分析》，南开大学出版社2008年版。

［7］高铁梅：《计量经济分析方法与建模：Eviews应用及实例（第二版）》，清华出版社2009年版。

［8］Ball，P．Brown．An empirical evaluation of accounting income numbers．Journal of Accounting Research，1968.

［9］Umstead，D．A．Forecasting Stock Market Prices．Journal of Finance，1977.

［10］Fama，E．F．Ft Stock Returns，Real Activity ,Inflation，and Money．American Economic Review, 1981.

［11］Chen，N．F．，Roll，R．，Ross，S．A．Economic Forces and the Stock Market．Journal of Business，1986.

收入证明模板篇6

【关键词】民航；雷达；模数转换；调整

引言

商用飞机在飞行过程中，地面管制人员需要对飞机进行有效的监视，空管部门现今使用了各类主被动的监视手段，其中使用最广泛的是一二次航管雷达。其中一次雷达使用电磁波回波来探测空中目标，能够发现二次雷达不能发现的目标，对机密度较大的终端区尤为重要。

SELEX ATCR-33S DPC是近年来引入国内的一种意大利生产的数字脉冲压缩雷达（digital pulse compression radar），能对终端区域进行有效的监视。该系统工作时发射2.7-2.9GHz的电磁波，经目标反射后通过高增益天线的高低波速分别接收，接收后的电磁波经由波导送至双通道的接收机，接收机进行下变频和放大滤波处理后送至信号处理器处理，信号处理器对接收信号进行模数转换并进行修正，转换后的信号进行进一步的目标录取等后续处理后送出目标信号。在整个工作过程中，信号模数转换显得尤为关键，它的工作性能将极大的影响系统的整体性能。

1.信号模数转换的过程和原理

1.1雷达接收处理流程

ATCR-33S DPC雷达在接收到回波后，由波导将回波信号送至前端接收机（FER），在前端接收机中进行低噪声放大，并与本振频率进行混频，得到第一次下变频后的640MHz信号，该信号被送至接收机后，首先到达波束选择开关（BEAM SELECTOR），经波束选择开关选择后，送入接收机的预中放模块（PIF-IF），在该模块中与670MHz频率混频，得到第二次下变频后的30MHz信号，该信号经放大后送至滤波器模块（FILTER）进行滤波，并分离出长短脉冲，之后送到相位检测模块（PHASE DETECTOR）中进行相位转换和修正，并将信号分离为I和Q分量送入信号处理器（SIGNAL PROCESSOR）中的模数转换板（CO2）进行模数转换。转换成12位的数字信号送至MA2板件进行检测和校准，经进一步处理并进行目标录取后送出。如图1.1所示为接收机的部分系统框图。

图1.1 ATCR-33S接收机系统简要框图

1.2模数转换板工作原理

图1.2 ATCR-33S接收机信号模数转换板部分框图

信号进入模数转换板后，经过偏置（BIAS）修正和增益（GAIN）调节后送入12位的模数转换芯片，该芯片将模拟信号转换为212个等级（Lev.）后通过总线输出至MA2板件。因此在总线上传输的数字信号等级为（0-4095）。总线在时钟信号的控制下，分配给I和Q信号分量分时共用。MA2板件会对总线上的数据进行再次的检测，如果需要修正，则会将需要修正的等级值通过数据处理器（DATA PROCESSOR）送给I/Q校准器件（I/Q CORRECTIOR），I/Q校准器件（I/Q CORRECTIOR）会将校准信号送入相位检测模块对信号进行校准，但是该校准功能只能提供最大20个等级（Lev.）的校准。图1.2所示为模数转换板（CO2）的部分框图。

2.信号模数转换板的调整步骤

如图1.2所示为信号模数转换板的简要框图，我们需要做四部分的工作。准备工作和调整工作，调整工作分三部分（目标和气象通道完全相同，I 和Q信号分量的处理过程也完全相同，此处以目标通道I分量为例介绍，其余通道和信号分量的处理过程均相同），分别为基准电压的调整，偏置调整，增益调整。

其中偏置调整和增益调整需要通过逻辑分析仪来观察结果，仪表的连接如图2.2所示。

图2.2 ATCR33S接收机模数转换板调整仪表连接图

其中，逻辑分析仪和机柜的连线如表2.1所示，MACOT01-12为12为数据总线上传输的信号名称，CLOCK-J为时钟信号。

表2.1 逻辑分析仪和接收机柜的总线连接表

线缆名称 逻辑分析仪接线 机柜接线

MACOT 01

MACOT 02

MACOT 03

MACOT 04

MACOT 05

MACOT 06

MACOT 07

MACOT 08

MACOT 09

MACOT 10

MACOT 11

MACOT 12

CLOCK - J POD 1 - 0

POD 1 - 1

POD 1 - 2

POD 1 - 3

POD 1 - 4

POD 1 - 5

POD 1 - 6

POD 1 - 7

POD 1 - 8

POD 1 - 9

POD 1 - 10

POD 1 - 11

POD 1-CLK XA40 P1 A11

XA40 P1 A12

XA40 P1 A13

XA40 P1 A14

XA40 P1 A15

XA40 P1 A16

XA40 P1 A17

XA40 P1 A18

XA40 P1 A19

XA40 P1 A20

XA40 P1 A21

XA40 P1 A23

XA14 P1 A21

2.1准备工作

准备工作首先要做的是准备调整过程要使用的测试信号（保证在模数转换板的输入口输入峰峰值为+4V的连续波信号）。通过对相位检测模块的J7口注入测试信号（30.02MHz，连续波，-30dBm），在模数转换板的输入口用RMS表（或示波器）耦合出信号观察，调节输入功率的大小保证RMS表的表值为+1.4142V（示波器峰峰值为+4Vpp）。为保证测试信号的稳定，建议热机10分钟左右，调整过程中调节输入信号，使得RMS表的表值始终保持为+1.4142V（示波器峰峰值+4Vpp）。

同时在雷达控制面板LCP上设置如下：

Main＼Beam：

TG Beam Selection Map = Low Beam

Main＼RF/IF＼Frequency Selection：

Frequency Selection Mode = FIX

Short Pulse Frequency = F1

Long Pulse Frequency = F1

Main＼Maintenance＼Setting＼RF/IF：

Receiver Protection - TR Gate = PROTECTION OFF

Main＼ Maintenance＼Setting＼Expander Receiver：

Expander＼Trigger Enable - Short = OFF / - Long = OFF

Dcrest - Weather = OFF / - Target = OFF

XA11 - Mode = Long / XA08 - Mode = Long

2.2基准电压的调整

模数转换板对信号的模数转换是否精准，首先取决于用来进行模数转换的电源，在模数转换板中，所有的芯片由一个+15V/+5V的电源转换器供电。因此，首先加延长板，通过E4测试点，调整R34电阻，保证所有输出电源为+5V。

2.3偏置（BIAS）调整

关闭射频信号发生器注入的信号，在逻辑分析仪连接的总线上观察总线数据值是否为2048±2，如果不是，调整XA40槽位模数转换板R30电阻至总线数据为2048±2。

2.4增益（GAIN）调整

开启射频信号发生器，注入信号，在逻辑分析仪连接的总线上观察总线数据最小值和最大值，通过调整XA40槽位模数转换板R29电阻保证总线数据最小值为8±4，最大值为4088±4。

3.结果观察

在雷达LCP控制面板执行I/Q校准测试，如果校准测试显示的I/Q Bias值均在1-19和4076-4094之间（越接近中间值表明修正的等级越小，CO2板调整的越好）。则说明I/Q校准能正常工作，CO2板的调整工作完成。如图3.1-a所示。

如果值为0或4095则表明信号过大，达到或者超出了校准功能的最大范围，信号的顶部或者底部不能得到有效的数字化转换。此时需要调整偏置到正中间，并稍微调小增益，使得信号顶部和底部在修正能力范围之内。如图3.1-a和图3.1-d所示。

如果值为20或4075则表明信号过小，顶部或底部没有达到校准功能所在的区间，那么，信号的数字化等级就没有得到充分的利用，会造成后续目标录取的时候丢失临近门限的小目标。此时需要调整偏置到正中间，并稍微调大增益，使得信号顶部和底部在修正能力范围之内。如图3.1-c和图3.1-d所示。

a b

c d

图3.1调整结果的观察

参考文献：

[1] ATCR33S DPC - RECEIVER GROUP TM-10M/E1564，2010；

作者简介：

姚 渊，男，1987年生，助理工程师，研究方向：民航监视技术。

收入证明模板篇7

关键词：R&D投入 企业绩效 创业板 实证研究

代经济增长理论认为，创新是经济增长的重要源泉。研发活动作为创新的重要环节，只有加强对研发活动的投入，才能真正地增强企业自身的竞争力。创业板市场是为了适应创业和创新的需要而设立的新市场，在创业板市场上市的公司大多从事的是高科技业务，具有较高的成长性。相较于其他企业，创业板上市公司的R&D活动的频率更高，R&D经费支出的信息披露更完整。本文以创业板上市公司为对象，依据创业板上市公司2012年年度报告中R&D等数据，探讨R&D投入对企业绩效的影响。

一、文献回顾

研发活动是创新的重要环节。1992年傅家骥在《技术创新――公司发展之路》中提出了广义技术创新的积累效应，体现为技术水平的宏观递进及国民经济的有效增长。而狭义技术创新则是技术创新的中心环节，并促进科技成果的转化。而R&D活动会引起新的“发明”（新的产品、工艺、生产经营和管理方法）。新的“发明”一旦进入某一生产经营过程、体系之中，即会完成狭义的技术创新。任何狭义的技术创新，一旦进入市场，都有可能被其他企业吸纳和模仿，即创新扩散。任何R&D成果，只有通过狭义的技术创新，才能转化为直接的、现实的、物质的生产力。通过狭义技术创新的扩散，才能提高宏观的技术水平。因此，又可以将“研究开发―狭义技术创新―创新扩散”的全过程称为“广义的技术创新”。广义创新的积累效应，体现为技术水平的宏观递进及国民经济的有效增长。

R&D投入理论逐步演变为当代西方众多经济学理论的两个分支。一是新古典经济学家将技术进步引入到新古典经济学的理论框架中，产生了新古典经济增长理论和内生经济增长理论。二是侧重研究R&D投入的扩散和R&D投入的轨道和范式等理论问题。其中，1986年罗默（Paul Romer）在《收益增长和长期增长》中，提出了一个与收益递减的传统模型不同的收益递增的增长模型。他把技术进步视为经济的内生变量和知识积累的结果，认为知识积累才是经济增长的原动力。罗默的新增长理论的贡献在于，它改变了我们关于增长途径的思维方式。如果技术水平的不同是导致各国生活水平差异的主要原因，并且假定技术知识是一个可以生产出来的要素，那么需要着重研究的方面就有：国家怎样才能提高技术水平，怎样有效地进行技术的转移、扩散和增值等。

国内的学者从不同角度对R&D投入对企业绩效的影响进行了分析，刘和东等人通过对我国西南和西北地区的企业R&D投入绩效研究，发现R&D投入与企业绩效存在高度的正相关。于珍等人以产业组织理论中的哈佛学派和芝加哥学派的争议为研究起点，分析了企业R&D投入和企业绩效的关系，研究表明R&D投入对企业绩效有显著正相关的关系。冒乔玲（2012）等人依据2007-2010年创新型上市公司的相关数据，实证分析了R&D投入对企业成长绩效的影响及其态势。研究表明R&D投入与企业的市场成长速度、成长效率正相关，与企业利润成长速度无关。由此我们可以看出，不同学者对于R&D投入对企业绩效的影响的相关关系的研究不尽相同。一般认为，这是因为研究的出发点和研究对象不同。

二、研究设计

（一）研究假设。组织创新有多种形式，学者们的主流观点是R&D投入是企业绩效的关键决定因素。因此，从企业绩效的角度考虑，增强企业的创新能力十分必要。通过参考已有的理论研究成果，本文就创业板上市公司R&D投入对企业绩效的影响提出如下假设：我国创业板上市公司R&D投入对企业绩效有正向影响。

（二）样本选取。本文选择创业板上市公司为研究对象，是因为创业板上市公司都是国家或者地方认定的高新技术公司，其R&D活动的意愿较大，相关R&D活动的信息披露也比较完全。本文初选样本为2012年财务数据披露齐全的356家上市公司，为了确保最终结果的准确性，按照如下原则对样本进行筛选：剔除不披露R&D经费支出的公司，再剔除有关财务数据异常的公司；剔除了净资产收益率为负的上市公司。通过以上筛选，本文最终选取了创业板308家上市公司2012年的财务数据作为研究样本。数据主要来源于深圳证券交易所及国泰安数据库。

（三）变量设定。

1.被解释变量。被解释变量为企业绩效。评价企业绩效的指标很多，本文选取了净资产收益率（ROE）作为评价创业板上市公司绩效的指标。因为净资产收益率综合性较强、具有代表性，能反映企业经营活动的最终结果和股东投入资金的盈利能力，充分体现企业追求价值最大化的目标。可以表示为：净资产收益率（ROE）=净利润/股东权益。

2.解释变量。解释变量为R&D投入。目前，理论界通常采用以下两种方法衡量企业R&D投入水平：（1）用创新投入来衡量，如R&D经费支出强度；（2）以创新产出来度量，如新产品数量等。由于R&D经费支出强度考虑了各个企业间的个体差异，具有很强的可比性，所以本文选取R&D经费支出强度作为解释变量衡量企业研发投入，进行实证分析。

另外，上市公司年报中R&D经费支出披露有四种情形：（1）董事会报告中披露；（2）财务报表无形资产、管理费用项目注释中披露；（3）同时在董事会报告和财务报表相关注释项目中披露；（4）不披露。本文使用前三种披露情形的R&D支出数据。可以表示为：R&D经费支出强度（RD）=（R&D经费支出/营业收入）×100%。

3.控制变量。影响企业绩效的因素有很多，企业规模与企业绩效的关系在众多实证检验中被采纳。熊彼特在他的两个著名假设中就提到大公司比小公司承担更大比例的创新份额。国外的以往研究也表明，规模经济很可能是导致企业R&D投入对企业绩效的影响莫衷一是的重要原因。为了控制公司规模对企业绩效的影响，本文选择公司规模作为主要控制变量。可以表示为：公司规模（SIZE）=ln（总资产）。

（四）模型建立。本文建立模型如下：

ROE=α+βRD+γSIZE+ε

其中，ROE代表企业绩效，RD代表R&D经费支出强度，SIZE代表公司规模，α代表常数项，β代表解释变量对应系数，γ代表控制变量的对应系数，ε代表随机误差项。

三、实证检验分析

（一）描述性分析。通过下页表1我们可以看出：在总计308家创业板上市公司中，净资产收益率最高为30.47%，最低为0.11%，净资产收益率均值为8.35481%；R&D经费支出强度的平均值为6.55942%；公司规模平均值为20.75233。

（二）多重共线性检验。本模型中，方差膨胀因子VIF为1.01，结果表明本模型选取的变量之间不存在严重的多重共线性，不需要对数据进行另外的处理。

（三）回归分析。通过STATA软件，对样本数据进行回归分析，由表3得出α=-0.1002，β=0.0089，γ=0.0088。检验结果如表3所示，各变量均通过1%的显著性检验，模型整体拟合水平较高。

R&D投入对企业绩效影响方面，R&D经费支出强度每增加1%，净资产收益率会相应提高0.0089%，即，创业板上市公司R&D投入对企业绩效有正向影响，此结果与本文的假设正好吻合。但R&D投入与企业绩效的相关性不是特别显著。

公司规模对企业绩效的影响方面，公司规模每增加1%，净资产收益率会相应提高0.0088%，即，创业板上市公司的公司规模对企业绩效有正向影响，符合规模效应。

四、研究结论及启示

（一）研究结论。

1.创业板上市公司R&D投入对企业绩效有正向影响，此结果与本文的假设吻合。但R&D投入与企业绩效的相关性不是特别显著。究其原因，可能是因为R&D投入在影响企业绩效方面具有滞后性。具体来说，R&D投入的探索性和创造性伴随着创新过程的复杂性和创新成果的不确定性，从研究开发到新产品的商业化，创新的过程通常需要较长的时间，因此由R&D投入带来的企业绩效表现出一定的滞后性，存在相应的递延期。

2.创业板上市公司规模对企业绩效有正向影响。熊彼特的创新理论认为公司规模和R&D投入有密切的关系，因为创新需要较高的固定成本，这只有大公司才有能力承担。而且，R&D作为一种风险投资，也只有大公司才能通过向不同的研究项目分散投资来降低风险。这也从另一个角度解释了创业板上市公司R&D投入对企业绩效有正向影响，但R&D投入与企业绩效的相关性不是特别显著，因为我国的创业板上市公司多为科技型中小公司，公司规模普遍不大，因而R&D投入带来的企业绩效表现出一定的滞后性，存在相应的递延期。

（二）政策性建议及启示。我国的创业板上市公司为科技型中小公司，其拥有旺盛的发展活力，面对创业板上市公司在R&D投入方面巨大的融资需求，政府应当促进R&D投入的投资制度、完善专利制度、适当引导创业板上市公司进行更加有效的融资。

本文通过实证研究揭示了R&D投入对企业绩效的影响。但也存在不少局限，有待进一步的深化。首先，由于样本来自创业板上市公司，而创业板上市公司尽管行业分布广泛，但多为科技型中小公司，研究结论能否适用于其他公司有待进一步的研究。其次，本文仅仅整理了2012年一年的财务数据作为研究样本，样本量偏少，有可能增加结论的误差。因此未来的研究需要进一步扩大样本量。S

参考文献：

1.冒乔玲，许敏.技术创新驱动公司成长的绩效分析――基于创新型上市公司的实证研究[J].企业经济，2012，（4）：17-23.

2.钟峥，郑欢，李剑虹.公司治理、技术创新和公司绩效的实证研究[J].统计与决策，2013，（2）：181-182.

3.臧维，艾静涛.规模对公司研发投入与绩效关系的影响研究：基于“中国电子信息百强公司”的实证研究[J].经济论坛，2009，（13）：98-101.

4.梁莱歆，严绍东.中国上市公司R&D支出及其经济效果的实证研究[J].科学学与科学技术管理，2006，（7）.

5.胡保亮.商业模式创新、技术创新与公司绩效关系：基于创业板上市公司的实证研究[J].科技进步与对策，2012，（3）：96-99.

作者简介：

许敏，男，南京工业大学教授，博士，北京大学工商管理博士后，硕士生导师。主持3项部级项目、4项省级项目、3项厅级项目及多项校内项目，发表学术研究论文70多篇，获得第十二届江苏省哲学社会科学优秀成果奖二等奖。研究方向：公司财务理论与实务、技术创新及评价。

收入证明模板篇8

【关键词】审计收费；创业板；主板

一、研究背景及意义

自1980年DAN A.SIMUNIC在其论文——The Pricing of Audit services：Theory and Evidence中首次提出simunic审计收费定价模型之后，国内外学者基于此模型，对审计定价问题进行了广泛而深入的研究。然而，由于2009年10月酝酿了近十年的创业板市场的姗姗来迟，和相关数据纰漏的滞后，使得审计定价领域内对创业板市场的研究还处于刚刚起步阶段。作为投资融资体系的必然产物，创业板的上市有着重要意义，它完善了金融资本市场多层次的市场结构和体系，以满足不同投资者的需求。本文的研究意义在于运用回归分析的方法，通过在相同影响因素下，主板与创业板之间审计收费差异的对比，凸显了创业板市场的特殊性，对相同影响因素对二者影响程度是否一致进行了初探，试图填充审计定价研究领域理论上的空白。

二、我国创业板市场现状

三、研究设计

（一）研究假设

假设：在仅考虑特定审计收费影响因素的情况下，主板上市的公司与创业板上市的公司审计收费存在显著的差异。

（二）样本选取与数据来源

1.样本选取

为了比较在相同影响因素分别对主板和创业板审计费用定价的影响，本文选取了2009年到2011年度深市主板A股与创业板上市公司作为研究的对象。对上述数据选择时遵循如下原则：剔除金融行业；剔除了未披露审计费用的上市公司；剔除了ST、*ST类上市公司样本。最终选择了深市的369家主板A股公司以及137家创业板上市公司年报中的数据作为本文的样本，总样本数为1515家，其中主板为1106家，创业板为297家。

2.数据来源

本文所涉及到的公司财务数据主要来源于国泰安数据库（CSMAR），并从最股网（）对缺失数据进行了补充。

（三）检验模型与变量说明

1.检验模型的选择

本文采用了多元线性回归的方法，在Simunic模型的基础上，结合国内对审计费用影响因素的研究，同时考虑到创业板上市公司的特殊性，选取变量，最终得出如下数学模型：

其中：为随机误差项。FEE：审计费用。ZC：为虚拟变量“主板上市”为1；“创业板上市”为0。ASSET：总资产。LEV：资产负债率。SWS：为虚拟变量“国内前会计师事务所”为1；“非国内前会计师事务所”为0。TR：营业总收入。

2.变量的说明

（1）被解释变量：本文根据国内学者的研究把审计费用的自然对数（LNFEE）作为模型中的被解释变量。

（2）解释变量：为了研究主板上市与创业板上市对审计收费的影响差异，因此本文采用的解释变量是ZC：主板上市则ZC=1；创业板上市则ZC=0。

（3）控制变量：考虑到创业板上市公司的特殊性，同时为了比较出主板与创业板对审计费用影响的差异，本文在国内对审计费用影响因素研究的基础上最终选择了总资产（ASSET）、资产负债率（LEV）、是否是国内前会计师事务所（SWS）和营业总收入(TR)为控制变量。选取原因分别如下：

第一，上市公司规模越大，相应的各种经济业务和需要处理的会计事项也就越多，这就导致了上市公司固有风险和控制风险的水平也相应提高，注册会计师在审计的时候为了调整审计风险测试的范围，必然要投入更多的时间和精力，花费的审计时间也就越长，审计费用随之提高，因此取总资产的自然对数来作为上市公司规模的一个指标。

第二，审计风险也是影响审计收费的一个重要因素。会计师事务所在收取审计报酬时会考虑由于审计风险所导致的预期诉讼风险，导致审计费用的增加。本文考虑的审计风险是指由经营风险和财务风险直接导致的会计师事务所所应承担的审计风险。上市公司的审计风险越大，所需要测试的审计范围就越大，审计时间就会延长，审计费用就会提高。基于此，本文采用了上市公司的资产负债率（LEV）作为审计风险的指标.。

四、实证分析结果

（一）描述性统计分析

（二）相关性检验

运用EVIEW6.0对本文模型中的各个变量进行相关性检验，检验结果见表4。由表4可知各个控制变量的相关性均比较低，只有总资产（ASSET）与资产负债率（LEV）的相关系数达到了0.5，即二者之间存在者中度的线性相关关系。但这并不能说明控制变量的选择在模型的回归产生了着严重的多重共线性，若在回归分析中多重共线性的影响程度不大，笔者认为即使二者之间存在着中度线性相关关系也不会造成严重的影响。

（三）回归分析

五、研究结论及不足

通过对2009年至2011年深市主板创业板相关数据进行回归分析，我们可以得出，在仅仅考虑影响审计收费的特定因素：公司规模、审计风险、事务所规模及声誉、经营业绩的情况下，主板上市公司与创业板上市公司审计收费存在明显差异。并且由回归分析结果可知，在这种特定情况下，创业板上市公司审计收费要高于主板上市公司。这与我们的描述性统计结果相背离。本文分析，这是由于没有考虑对主板审计收费影响更大的变量所致。这也是本文的一个重大缺陷。另外，我国创业板在2009年10月才正式上市，数据纰漏的滞后和不完善，本文的研究结论可能存在一定的偏差。在进一步研究中还应注意变量引入的全面性和适当性，以增加主板和创业板审计收费差异研究结论的说服力。

参考文献

[1]李爽,吴溪著.审计定价研究:中国证券市场的初步证据[M].北京:中国财政经济出版社,2004,1.

[2]李树华著.审计独立性的提高与审计市场的背离[M].上海:上海三联书店,2000,5.