［提要］ 近几年，政府对于新能源汽车企业的补助正处于退坡期，说明政府不会无限制地补助新能源汽车企业，因此考虑政府补助对新能源汽车企业财务绩效的影响十分有必要。本文采用因子分析法对选取的14个财务绩效指标进行处理，提取出4个综合因子，通过对提取的综合因子进行计算分析，得到总财务绩效因子P，依据总财务绩效因子P对2012～2021年新能源汽车企业财务绩效总体趋势变化进行分析，同时提出政府补助对新能源汽车企业财务绩效有显著积极影响的假设，建立线性回归模型进行检验。
关键词：政府补助；新能源汽车企业；财务绩效；实证研究
中图分类号：F275 文献标识码：A
收录日期：2022年8月5日
近期，多家传统车企陆续宣布将停止燃油汽车的整车生产，传统燃油汽车的市场前景并不光明，而新能源汽车受到政府和广大消费者的青睐，不难预测，新能源汽车将逐步占据汽车市场。自2009年以来，我国陆续出台针对新能源汽车企业的利好政策，确保新能源汽车企业的健康发展。然而，新能源汽车研发难度大、技术不成熟等问题仍难以解决，企业对政府补助的依赖性较强，因此研究政府补助对新能源汽车企业财务绩效的影响十分必要。
本文基于现有财务指标评价体系，首先采用因子分析法从现有的14个财务绩效指标中提取出综合因子，并依据得到的综合因子对所选取的十家公司的财务绩效进行定量分析，同时提出政府补助对新能源汽车企业的财务绩效有显著积极影响的假设，建立线性回归模型，借助SPSS软件进行假设检验。
一、财务绩效评价指标确立
（一）财务绩效指标选取。现有的财务绩效评价指标体系对企业的财务绩效有比较全面且准确的描述，基于净资产收益率而言，该项财务指标可以反映股东权益的收益水平；基于流动比率而言，其可以用来考量企业短期偿债能力。然而，使用单一财务绩效指标对企业的财务绩效进行分析存在困难，且财务绩效评价指标过于繁琐冗杂，对企业财务绩效的描述虽然维度全面但描述重点不够突出，因此采用因子分析法对所选定的14个财务绩效评价指标进行重新排序分类，见表1。（表1）
（二）因子分析
1、样本选择与数据来源。本文从2012～2021年财务数据完整、获得了政府补助的A股上市新能源汽车企业中选取了10家市场份额占比较大且发展趋势较好的企业作为研究对象，收集了这10家公司2012～2021年的财务数据进行研究，数据来源于新浪财经、Wind数据库等。
2、描述性统计。根据所得到的财务绩效指标数据，采取因子分析法对选取的财务评价指标进行处理，可提取出综合因子，进而得到总财务绩效因子。利用SPSS26.0对数据进行因子分析前，首先需对现有样本数据进行标准化处理，防止数据的偏差过大。
3、因子分析可行性检验。本文使用SPSS26.0软件，对所选取的样本展开了因子分析，该方法可以将其进行细分，分为以下两种方法：主成分、共因子。本文采取主成分分析法，该方法借助于正交变换，从数据矩阵之间关联性的角度出发，将关联性突出的矩阵提取出来，改变为不存在关联性的矩阵。同时进行排序分类，从而将现有的指标重新组合为几个新的综合指标，得到的综合指标包涵原指标的所有信息且在数据分析中更具针对性。主成分分析法对数据矩阵的相关性有明确要求，分析前首先进行可行性检验，本文通过KMO球形检验法以及巴特利特检验法（Bartlett检验法）对现有样本数据进行检验，计算得到检验矩阵。
因子分析法要求在KMO球形检验法中，KMO取样适切性量数的数值在0.5以上，能够利用因子分析法对数据资料实施探究。根据检验矩阵计算结果，本文通过对KMO取样适切性量数展开分析，得出其具体的数值超过0.5，为0.68，符合KMO球形检验法的使用条件。经由巴特利特检验法，对所选取数据矩阵的相关性进行检验，近似卡方为241.063，数据矩阵自由度为91，显著性Sig.为0.000，以上结果说明初始数据矩阵具有显著的相关性，通过了因子分析法的适用性检验。
4、综合因子选取。主成分分析法把相关性较强的原始指标转变为不相关的综合指标对数据进行分析，原始单一指标数量较繁杂，且使用单一指标进行分析时无法得到准确全面的结论。因此，经主成分分析法得知，需要将初始指标进行梳理，系统整合为综合指标。所得综合指标互不相关且各自包涵原始指标的部分信息，确保了所得到的综合指标能够全面覆盖所有或者大部分初始信息且各不重叠，分析得到的结论的准确性和完整性能够得到保证。在运用该分析法时，常规的方式是选取以下两种方法：其一为特征根值法，利用了协方差特征根，其选取的数据信息来自于初始样本中，进而计算出综合因子数量，决定采用的准确数值；其二将累计方差贡献率同固定比值80%形成对照，用来判断综合因子。当在判断因子的特征根值时，其数值超过1，可以看作公因子，其小于1，则要去掉该因子，将所有因子的特征根值用图线表示出来即为碎石图，具体情况如图1所示。对比各因子对方差贡献率的累计数与80%的大小，可以确定因子。前4个因子对方差的贡献率累计值为81.178%，表示前4个因子包含了大部分初始指标的信息，且由碎石图可知，从第4个因子开始，各因子的特征根值在1以下，且碎石图曲线比较平滑，因此确定需提取的综合因子的数量为4个。（图1）
5、综合因子定义与取名。主成分分析法中，利用正交变换对原始数据进行转换，得到各初始因子与提取的综合因子的负荷，本文中提取了4个综合因子，分别以F1、F2、F3、F4表示，上述4个综合因子基于初始指标提取而得，且由4个综合因子的方差贡献率积累值大于80%所提取的综合因子包含整体的大部分信息。由于4个综合因子各不相关且包含整体的大部分信息，确定各个综合因子所包含的信息所代表的含义对后续的分析十分必要，由SPSS26.0软件计算可得各成分的负荷矩阵，如表2所示。（表2）
由表2中的计算结果可知，各初始成分的负荷系数相差不大，无法明确初始成分与各综合因子的关系。为明确各初始成分与综合因子的相关性，通过最大方差旋转法来最大限度地使初始成分的负荷系数差异性增大，根据旋转后的结果可发现，综合因子F1与流动比率、速动比率、资产负债率以及现金比率相关性较大，考虑这4个财务指标的内涵，将综合因子F1定义为偿债能力因子；综合因子F2与净资产收益率ROE、总资产净利率ROA以及营业利润率相关性较大，考虑这3个财务指标的内涵，将综合因子F2定义为盈利能力因子；综合因子F3与存货周转率、总资产周转率、流动资产周转率以及应收账款周转率相关性较大，考虑这4个财务指标的内涵，将综合因子F3定义为营运能力因子；综合因子F4与净资产增长率、总资产增长率以及营业收入增长率相关性较大，考虑这3个财务指标的内涵，将综合因子F4定义为成长能力因子。
6、确定总财务绩效因子。通过计算可得到各初始成分对各综合因子的得分系数，根据得分系数可以将综合因子表达为初始指标的线性组合，具体公式如下：
F1＝0.564×X1+0.876×X2+0.391×X3+0.853×X4+0.228×X5+0.467×X6-0.904×X7+0.895×X8-0.049×X9+0.554×X10+0.312×X11+0.215×X12+0.171×X13-0.049×X14 （1）
F2＝0.696×X1+0.334×X2+0.331×X3+0.366×X4+0.704×X5+0.766×X6-0.283×X7+0.266×X8-0.161×X9+0.664×X10+0.763×X11+0.799×X12+0.696×X13+0.030×X14 （2）
F3＝0.114×X1+0.004×X2+0.546×X3+0.062×X4+0.010×X5+0.059×X6-0.109×X7-0.137×X8+0.876×X9+0.324×X10+0.038×X11-0.241×X12-0.355×X13+0.173×X14 （3）
F4＝-0.121×X1-0.133×X2+0.369×X3-0.001×X4-0.011×X5+0.074×X6-0.143×X7+0.044×X8+0.096×X9-0.292×X10-0.008×X11+0.175×X12+0.414×X13+0.924×X14 （4）
式中各初始指标的系数为其对各综合因子的得分系数。
由4个综合因子对方差贡献率的权重可得总财务绩效因子P的表达式如下：
P＝0.381×F1+0.373×F2+0.126×F3+0.118×F4 （5）
由公式（1）～（5）计算可得各综合因子以及总财务绩效因子P的得分结果，根据计算结果绘制总财务绩效因子P的得分结果图线，如图2所示。由图2可知，2012～2021年新能源汽车企业的财务绩效总体变化趋势是：2014年前呈增长势头，这是由于从2009年开始国家陆续颁布了针对新能源汽车企业的补助政策；2014～2017年呈下降趋势，这是由于部分新能源汽车企业存在恶意骗补的行为，政府放缓了对新能源汽车企业的补助力度；到2017年，政府补助政策向促进新能源汽车企业技术发展倾斜，补贴基准逐年退坡，因此可以看出2017～2018年曲线出现大幅下降趋势；到2020年，由于疫情对全球经济大环境的冲击，国家调整了补助政策，在2020年延缓了补贴退坡的政策，因此2020～2021年整体趋势有所上扬。（表3、图2）
二、假设检验
（一）研究假设。新能源汽车作为新兴产业，由于技术积累和市场认可度等原因，目前对于政府补助的依赖性较大，由上文的分析也可知，政府补助对新能源汽车企业的财务绩效有较大影响。为确定政府补助与新能源汽车企业财务绩效的准确关系，本文提出假设：
H：政府补助对新能源汽车企业财务绩效有显著积极影响
（二）研究设计
1、变量定义。由大量文献研究可知，对于新能源汽车企业而言，影响其财务绩效的不光是政府补助，其他条件也能波及到企业的财务绩效。基于实证研究数据而言，为了检验其数据是否符合实际需求，本文参考大量的相关文献与研究，综合众多研究者对于协变量的选取，本文选取企业的总资产、成长因素、负债因素、股权因素以及年龄作为协变量。具体的各变量定义与符号见表4。（表4）
2、模型构建。根据本文提出的假设，通过对所选取数据的初步观察，建立线性回归模型对提出的假设进行检验，模型如下：
P＝α+β1Sub+β2S1+β3S2+β4S3+β5S4+β6S5+ε （6）
式中，S1～S5为本文选取的协变量，α为截距，ε为残差项，β1～β6为各变量的回归系数。
针对此模型进行质量检验，利用SPSS26.0对模型的拟合优度进行检验。所建立模型的R2为0.954，调整后的R2为0.818，即模型的拟合优度为0.954，调整后的拟合优度为0.818，说明所建立的模型对所选取数据的解释度较高，模型可信度较高。
3、模型检验。本文利用SPSS26.0，对所有样本数据进行皮尔逊相关性分析，对所建立的模型与提出的假设进行检验。计算结果如表5所示。（表5）
由表5中数据可知，政府补助与总财务绩效因子P的相关性在0.5%的水平上显著，且相关性系数为0.634，相关性系数大于0.6则认为二者的相关性为强相关，因此可以认为政府补助与总财务绩效因子P显著相关。同时，对相关系数展开计算，得到的符号是正，能够知晓两个因素呈现同向变化的趋势，因此假设H成立，即政府补助对新能源汽车企业的财务绩效有显著积极影响。
三、总结与结论
总的来说，政府补助对新能源汽车企业的财务绩效影响较大，由于现有的财务绩效评价指标体系过于繁杂，单一指标对财务绩效的描述不够全面，所以本文通过因子分析法对14个指标展开计算，并提取4个综合因子。通过对4个综合因子的计算分析得到总财务绩效因子P的变化，为研究政府补助对新能源汽车企业的财务绩效的影响，提出政府补助对新能源汽车企业的财务绩效具有显著积极影响的假设，建立线性回归模型，利用SPSS26.0软件进行检验，通过研究本文得到以下结论：（1）提取了4个综合因子，基于其累积方差贡献率而言，对其展开了具体的计算，得出结论，其比值为81.178%，大于80%，能够解释为涵盖了超过8成的数据信息。（2）通过与初始指标的相关性分析将4个因子分别定义为偿债能力因子F1、盈利能力因子F2、营运能力因子F3、成长能力因子F4。（3）利用综合因子开展回归分析，得到总财务绩效因子P的变化曲线，分析可得新能源汽车企业的财务绩效与政府补助力度密切相关。（4）本文通过检验，得出假设H成立的结论，认为政府补助对新能源汽车企业财务绩效有显著积极影响。
（作者单位：湖南农业大学商学院）
主要参考文献：
［1］韩兴国，许鑫.财税政策对企业财务绩效的影响研究——基于新能源客车产业链行业上市公司证据［J］.会计之友，2020（07）.
［2］王维，李昊展，乔朋华，桂嘉伟.政府补助方式对新能源汽车企业绩效影响研究——基于企业成长性的深入分析［J］.科技进步与对策，2017.34（23）.
［3］饶奕邦，熊勇清，徐文.双积分政策对新能源汽车上下游企业财务绩效的异质性影响研究［J/OL］.系统工程理论与实践，2022-06-23.
［4］张萌乔.基于政府补贴视角的新能源汽车企业产能投资与财务绩效的影响研究［D］.北京：北京交通大学，2020.
［5］吴佩孺.政府补助对新能源汽车企业财务绩效的影响研究［D］.郑州：中原工学院，2021.
［6］屈俊梅.政府补贴对新能源汽车企业绩效影响的分析［D］.赣州：江西理工大学，2020.
|
