您现在的位置: 新晨范文网 >> 金融论文 >> 企业核算论文 >> 正文

浅析企业大数据影响与经济发展关系

2019/05/22 阅读:

摘要:文章以工业企业大数据影响因素1998—2016年的数据为样本,建立面板数据模型,分析不同的经济发展变量对不同的企业大数据的影响差异性。结果表明:人均国内生产总值对资产和利润,人均工业生产值对全部影响因素,城镇人口所占比例对利润、税费、成本和收入影响显著,其他影响则不显著;人均国内生产总值对企业资产、利润和税费,人均工业生产值对全部影响因素,GDP年均增长率对利润、成本和收入,城镇人口所占比例对利润、税费、成本和收入的影响是正向,其他影响则是负向。

关键词:企业大数据;经济发展;面板数据模型

引言

企业大数据影响因素是衡量一个企业的重要因素,如企业财务相关数据(资产、销售、所有者权益、成本等)都反映了一个企业经营的方方面面。企业大数据的好坏跟所处的社会坏境有关,如社会的政策环境和社会的经济坏境等[1-3]。研究企业大数据影响因素与经济发展水平的关系,可以有助于企业提升自身的竞争力,使企业越办越好。关于企业大数据影响因素的研究,主要集中于企业数据质量和影响企业数据质量的各种可能的因素方面[4],如董晓萌[5]认为统计流程、方法等因素导致了企业数据质量低下。Fernandes和Guedes认为上市公司自身数据较差,可能会影响到其在金融市场上的竞争力,因而公司可能要调整销售数据[6,7]。Cai和Liu发现工业企业调整收入数据,财务数据出现虚假是由于竞争和避税导致的[8,9]。Michalski和Stoltz认为企业、国家数据“作弊”有一定的策略目的,与国家的经济政策和制度环境有关。Gava和Vitiello以巴西的数据证实了宏观经济的发展对数据质量有一定的影响[10]。研究结果表明,外部和内部的因素可能会影响到企业的大数据,总体而言研究较少,并且主要采用了传统的统计、计量方式进行数据质量甄别[11]。本文利用面板数据模型对工业企业大数据影响因素与经济发展进行研究,选取资产、利润、税费、成本和收入5组作为工业企业大数据影响因素和人均国内生产总值、人均工业生产值、GDP年均增长率和城镇人口所占比例作为衡量经济发展的指标,建立面板数据模型,分析不同的经济发展的变量(人均国内生产总值、人均工业生产值、GDP年均增长率和城镇人口)对不同的工业企业大数据影响因素(资产、利润、税费、成本和收入)的影响及其影响的差异性。

1研究设计

1.1指标选取

(1)企业大数据影响因素(QY)。企业大数据影响因素有很多,一般而言分为财务和非财务,财务数据包括(资产、销售额、利润、成本等),非财务数据包括(成立年份、行业、地址等)。由于非财务数据与很多因素有关,因此选取财务数据为研究对象,本文选取财务数据中的资产(CAP)、利润(PRF)、税费(TAX)、成本(COST)、收入(SALE)5组作为企业大数据影响因素的数据。(2)经济发展。经济发展是指一个国家经济发展的规模、速度和所达到的水准。反映一个国家经济发展的常用指标有国民生产总值、国民收入、人均国民收入、经济发展速度、经济增长速度等等。本文选取人均国内生产总值(PERGDP)、人均工业生产值(PERIND)、GDP年均增长率(AAGR)、城镇人口所占比例(UPR)作为衡量经济发展的指标。

1.2模型构建

面板数据模型[12,13],即PanelData,是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。模型表示为:工业企业大数据影响因素与经济发展的函数为:其中,QY、PERGDP、PERIND、AAGR、UPR分别代表企业大数据影响因素、人均国内生产总值、人均工业生产值、GDP年均增长率、城镇人口所占比例。将两边同时取对数:将函数代入模型中:公式中,i=1、2、3、4、5,表示5个企业大数据影响因素的指标,t为时间,t=1998,1999,2000,…,2016。η、φ、ϕ、ϖ分别为人均国内生产总值、人均工业生产值、GDP年均增长率、城镇人口所占比例的系数,μit为残差项。截面截距则采取可变截距的固定效应。

2实证分析

本文以工业企业作为研究对象,选取1998—2016年的年度数据共19个样本容量。企业大数据影响因素、人均国内生产总值、人均工业生产值、GDP年均增长率、城镇人口所占比例所有原始数据均来源于《中国统计年鉴》,运用计量软件eviews构建模型。

2.1描述性统计分析

首先对各个变量进行描述性统计分析,结果如表1所示。时间跨度19年(1998—2016年),每个时间截面上有5个企业大数据影响因素,观测样本为19*5=95个。描述性统计分析能反映出各个数据的集中度,Std.Dev.表示一组数据的标准差,Std.Dev.越小说明数据集的离散程度越小,即数据集越集中,从表1中看,LNUPR的Std.Dev.值最小,说明LNUPR组数据的集中度最高,分布最为集中;LNQY的Std.Dev.值最大,说明LNQY的数据集离散程度最高,分布较散。

2.2变量的平稳性检验

要检验企业大数据影响因素与经济发展是否是长期稳定的,首先应检验变量的平稳性(见表2)。企业质量与经济发展水平的单位根检验结果如表2所示。单位根检验是否平稳主要是看是否通过5%的显著水平下的检验,若结果通过检验,则平稳,若结果未通过检验,则不平稳。从表2中可以发现,LNUPR的四个检验结果都通过了5%显著水平下的检验,因此变量LNUPR是平稳的,LN-PERGDP通过了四个检验中的两个,并不能判断LNPERG-DP是平稳的。同理,LNPERIND、LNAAGR和LNQ三个变量未平稳,故而要对这三个变量做一阶差分(见表3)。从表3中可以看出,△LNAAGR和△LNQY的LLC检验、IPS检验、Fisher-ADF检验和Fisher-PP检验都在5%显著性水平下拒绝原假设,因此LNAAGR和LNQY的一阶差分是平稳的。而变量LNPERGDP和LNPERIND的一阶差分均未通过四个检验中的任何一种,所以这两个变量要进一步判断是否平稳(见表4)。在二阶差分下,变量LNPERGDP和LNPERIND的上述4种检验结果趋于一致,通过了5%的显著性水平的检验,也就是说△2LNPERGDP和△2LNPERIND不存在单位根,这两个变量是平稳的。因此,二阶差分后所有变量都平稳,原序列是平稳序列。

2.3面板数据模型的协整检验

各个变量均平稳后,应对数据面板模型进行协整检验,从而能够有效地避免模型出现伪回归的情况,通常采用Pedro-ni(Engle-Grangerbased)面板数据协整检验(见下页表5)。在表5中,组内统计量Panelrho-Statistic在5%的显著性水平上存在协整关系;PanelPP-Statistic和PanelADF-Statistic在1%的显著性水平上存在协整关系,说明存在协整关系;且组间统计统计量也仅有Panelrho-Sta-tistic在10%的显著水平上存在协整关系,而其他两个统计量均通过1%的显著性水平的检验。因此,可以说建立的数据面板模型存在协整关系。

2.4面板数据模型

根据上述的分析,本文建立的是个体固定变系数面板模型,得出面板数据模型输出结果如表6所示。表6为变系数面板模型,模型中R2的值为0.99377与1很接近,F值为4346.562,数值也较大,由此来看说明模型的总体拟合效果较好,D-W的效果较好,说明经济发展能较显著地影响企业大数据影响因素。

2.5影响因素的差异性

从表6中可以看出人均国内生产总值(PERGDP)、人均工业生产值(PERIND)、城镇人口所占比例(UPR)和GDP年均增长率(AAGR)对衡量企业大数据影响因素的五种指标的相关系数、标准差、T-统计量和概率P值,这些数值直观的反应了经济发展对衡量企业大数据影响因素的五种指标的影响效应。(1)资产(CAP)人均国内生产总值(LNPERGDP)对企业资产的相关系数为1.214476,P值为0.0283,这说明人均国内生产总值对企业资产的影响显著,且为正相关。人均工业生产值(LNPERIND)与企业资产的相关系数为0.003546,P值是0.0045,P值小于0.05,意味着人均工业生产值的变动能够显著地影响着企业资产的变动。城镇人口所占比例(LNUPR)对企业资产的P值为0.6006,他们之间的相关系数为-0.339532,城镇人口所占比例即城镇化率对企业资产的影响并不显著。GDP年均增长率(LNAAGR)与工业企业资产的系数是-0.019569,P值0.7506,意味着GDP年均增长率对工业企业资产的影响是非显著的。(2)利润(PRF)人均国内生产总值(LNPERGDP)对工业企业利润的相关系数为3.034904,P值为0.0000,意味着人均国内生产总值的变动能够显著影响着企业利润的变动。人均工业生产值(LNPERIND)与企业利润的相关系数为3.011503,P值是0.0000,这说明人均工业生产值对企业利润的影响是显著的。城镇人口所占比例(LNUPR)对企业利润的P值为0.0000,他们之间的相关系数为8.157327,说明城镇人口所占比例即城镇化率对企业资产的影响是显著且负相关。GDP年均增长率(LNAAGR)与企业利润的系数是0.10588,P值0.0889,GDP年均增长率与企业利润之间不存在显著的联系。(3)税费(TAX)人均国内生产总值(LNPERIND)与企业税费的相关系数为0.821514,P值是0.9013,P值大于0.05,意味着人均国内生产总值的变动不能够显著地影响着企业资产的变动。人均工业生产值(LNPERGDP)对企业税费的P值为0.0373,相关系数是1.097917,这说明人均工业生产值对企业税费的影响显著且为正相关。

城镇人口所占比例(LNUPR)对企业税费的影响系数为0.773849,P值0.0348,意味着城镇人口所占比例对税费的影响是显著的,方向为正向。GDP年均增长率(LNAAGR)与企业税费的P值为0.9458,说明GDP年均增长率对企业税费产生的影响不是显著的,他们之间的系数为-0.002439。(4)成本(COST)人均国内生产总值(LNPERGDP)对企业成本相关系数是-0.849866,P值0.1214。人均工业生产总值影响企业成本的P值为0.0002,对企业成本的影响是显著的,系数为2.010553。城镇人口所占比例(LNUPR)对企业成本的影响系数为1.737741,系数不大,P值是0.0090,城镇人口所占比例能显著影响企业成本的变动。GDP年均增长率(LNAAGR)与企业成本的之间的P值是0.9458,系数为0.004186,GDP年均增长率不能显著影响企业成本。(5)收入(SALE)人均国内生产总值(LNPERGDP)对企业收入的相关系数和P值分别为-0.795487和0.1466,从P值来看,人均国内生产值对企业收入的产生的影响是不显著的,从相关系数来看,人均国内生产总值对企业收入的影响是负向的。人均工业生产值(LNPERIND)与企业收入的P值是0.00003,能通过显著性检验;系数为1.961847,数值为正,说明人均工业生产值能正向影响企业收入。城镇人口所占比例(LNUPR)对企业收入的P值为0.014,能通过显著性检验,相关系数是1.630506,城镇人口所占比例影响企业收入是正向的。GDP年均增长率(LNAAGR)与工业企业收入的系数是0.005676,P值0.7506,GDP年均增长率对企业收入的影响是不显著且为正的。

3结论

本文采取面板数据模型对企业大数据影响因素和经济发展的关系进行实证研究,在进行面板数据回归结果处理之前,对企业大数据影响因素和4组衡量经济发展的变量:人均国内生产总值、人均工业生产值、GDP年均增长率、城镇人口所占比例进行描述性统计分析,随后进行模型的回归结果处理,分析经济发展对5组企业大数据影响因素的变量产生的不同影响。从面板数据模型回归结果来看,经济发展对衡量企业大数据影响因素的5组变量:企业资产、企业利润、企业税费、企业成本、企业收入分别产生不同程度的影响,具体不同影响结果如下:(1)从影响的显著性来看,影响显著的有:人均国内生产总值对资产和利润,人均工业生产值对资产、利润、税费、成本和收入,城镇人口所占比例对利润、税费、成本和收入;影响不显著的有:人均国内生产总值对企业税费、成本和收入,城镇人口所占比例对资产,GDP年均增长率对资本、利润、税费、成本和收入。(2)从影响的方向来看,影响是正向的有:人均国内生产总值对资产、利润和税费,人均工业生产值对资产、利润、税费、成本和收入,GDP年均增长率对利润、成本和收入,城镇人口所占比例对利润、税费、成本和收入;影响反向的有:人均工业生产值对成本和收入,GDP年均增长率对资产和税费,城镇人口所占比例对资产。

参考文献:

[1]辛金国,严兴良.网络直报条件下企业统计数据质量影响因素分析[J].统计与决策,2013,(13).

[2]宗威,吴锋.大数据时代下数据质量的挑战[J].西安交通大学学报(社会科学版),2013,(5).

[3]程家瑛.提高工业企业统计数据质量的思考[J].中国统计,2012,(11).

[4]袁满,张雪.一种基于规则的数据质量评价模型[J].计算机技术与发展,2013,(3).

[5]董晓萌.基于通径决策分析的企业数据质量影响因素分析[J].统计与决策,2015,(1).

[6]杨小琛.企业统计数据质量影响因素研究[J].商场现代化,2015,(26).

[7]王丽云.企业统计数据质量的影响因素研究[J].现代经济信息,2015,(12).

[8]辛金国,张亮亮.大数据背景下统计数据质量影响因素分析[J].统计与决策,2017,(19).

[9]祝君仪.大数据时代背景下统计数据质量的评估方法及适用性分析[J].中国市场,2015,(29).

[10]邢迎秋.大数据背景下统计数据质量影响因素分析[J].中国集体经济,2018,(15).

[11]周建彬.大数据背景下统计数据质量影响因素研究[J].商场现代化,2018,(7).

[12]张玉喜,赵丽丽.中国科技金融投入对科技创新的作用效果——基于静态和动态面板数据模型的实证研究[J].科学学研究,2015,(2).

[13]芦锋,韩尚容.我国科技金融对科技创新的影响研究——基于面板模型的分析[J].中国软科学,2015,(6).

作者:左芊 洪波 单位:湖南大学

浅析企业大数据影响与经济发展关系

2019/05/22 阅读:

推荐度:

免费复制文章