PCA-EWM模型下互聯網行業企業績效影響因素的研究

摘 要：隨著互聯網企業的興起，影響企業的績效水平因素逐漸成為國內外專家和學者關注的焦點。目前，大多數學者都是在既定的指標水平下研究影響企業績效的因素，但影響績效的許多因素是相互關聯和相互影響的。因此，文章構建了一個多維指標體系，綜合運用PCA降維、相關性檢驗、回歸分析，以及EWM（熵權法）等方法，構建PCA-EWM模型進行系統分析，旨在全面、系統地研究各種影響因素對企業活動結果的影響。研究結果表明：影響互聯網企業績效的因素主要有長期資產適合率、留存收益資產比、全部現金回收率、可持續增長率4項指標。其中，長期資產適合率與企業績效呈負相關，留存收益資產比、全部現金回收率、可持續增長率與企業績效呈正相關。文章豐富了企業績效相關研究，可以為我國互聯網企業上市公司提升企業績效提供參考。

關鍵詞：企業績效；長期資產適合率；熵權法；PCA

中圖分類號：F49文獻標識碼：A文章編號：1005-6432（2025）21-0061-05

DOI：10.13939/j.cnki.zgsc.2025.21.016

1 引言

第三次工業革命后，現代計算機和網絡通信等信息技術發展加速，出現了創新的商業模式。20世紀80年代，經濟和知識經濟等新經濟業態開始出現，投資、生產手段、工廠、原材料、勞動力和其他存儲產品等條件是企業創造剩余價值和實現生產力提高的重要預測因素，與過去的技術經濟不同。隨著數據的逐步分析，一種信息量更大、效率更高的基于房地產、勞動密集型和資本密集型的模式正在被一種新的經濟模式所取代[1]。

據研究，自進入新經濟時代以來，互聯網經濟的創新，如土地、勞動力、物質資本等不斷變化，企業競爭力增強。 增加企業收入，了解互聯網經濟并把它整合到業務管理和發展中，是組織轉型的關鍵[2]。

國外，Mahajan Pramod Sanjay（2024）通過分析庫存管理（IM）和全面質量管理（TQM）實踐的文獻計量學數據及其對企業績效的影響，量化用于構建理論模型的變量趨勢[3]。使用Scopus數據庫和 Web of Science （WoS）（包括 Elsevier、Emerald Group Publishing、Taylor and Francis、Wiley、IEEE、Informs 和 SAGE）查找相關文章。從1993年到2021年，對文章、綜述論文和會議論文集進行了篩選。對這些文章進行了分析，以解釋不同類型的IM實踐、TQM實踐及其對公司績效的影響。使用“R”（Biblioshiny）和VOSviewer的文獻計量包進行主題分析，以確定關鍵趨勢、方法和研究議程。研究結果：該研究涵蓋了 28 年的出版物，總結了 497 篇文章、評論論文和會議論文。研究人員得出結論，IM與存貨周轉率高度相關，與企業績效無關。此外，TQM對公司績效有積極影響。

國內，胡元林等（2024）以2007—2021年中國滬深A股制造業上市公司為研究樣本，從知識管理視角考察工業互聯網平臺應用對企業績效的影響及內在機理。研究發現，工業互聯網平臺應用能夠促進制造企業績效提升[4]；盧福財（2023）路徑分析表明，工業互聯網平臺應用提升企業績效主要是通過緩解信息不對稱、促進知識共享及提高企業創新質量三種渠道機制實現[5]。以上結論在考慮內生問題并在穩定性測試檢查后仍然成立。異質性分析發現，與管制性行業的企業、中小規模企業以及非國有企業相比，競爭性行業的企業、大規模企業及國有企業工業互聯網平臺應用對企業績效的影響更明顯。

綜上所述，國內外學者對企業績效影響的因素的研究中有眾多因素對企業績效有或正向或逆向的影響，文章主要通過企業綜合財務指標來分析影響企業績效的因素。

2 理論基礎及假設

2.1 企業績效

企業績效是指一個公司的運營效率和其運營操作者的效率。生產要素與最高生產力（經濟和社會）之間的關系越緊密，其效率越高。最終要達成投入與產出比率的最大化。

2.2 主成分分析法（PCA）

主成分分析法（PCA）是無監督線性縮放中常用和廣泛使用的經典方法[6]。PCA的一般思想是提取數據的關鍵特征，同時保留原始數據的大部分屬性，以便估計測量中數據的較小方差達到最大值，從而減少數據中的重復。簡單地說，選擇少量準確的數據進行統計分析[7]。PCA降維的基本原理是首先對MR/MS數據進行處理，計算矩陣的eGenvalues和eGenVectors，然后根據大小關系對eGen值進行排序。

假設存在向量w為目標子空間中的n維向量，樣本數據經過映射后使得方差最大化的x數學表達形式為：

maxw1m－1∑mi=1（wT（xi－x））2（1）

其中， m 是數據樣本的個數， xi是數據里實例i的向量表達，x是所有數據的平均向量。

PCA由X的原始維度降低到了k維，降維后的輸出結果為：

Y=wTx（2）

PCA的目的是使用數據的整體結構來衡量每次投影后方向的重要性和準確性，即有關數據內部特征的準確信息，圖像數據的大小，大小和分布減少。但投影后差異效果并不明顯。這主要是因為樣品之間的差異已被消除，在大多數情況下導致了PCA效果的不顯著。

2.3 熵權法（EWM）

“熵”于 1850 年由德國的物理學家引入。最早被應用在熱力學中，表示在一定的空間中其能量的分布是否均勻，以及均勻程度。依據信息論中對基本原理的解釋，信息，即對系統中有序（均勻）程度的一種衡量，熵是系統無序程度的一個度量[8]；根據信息熵的定義，數據的熵值越小，指數的分布越大，指數對總體評級（即權重）的影響就越大[9]。如果指標的值全部相等，則該指標將不適用于總體評級。所以，可以使用數據熵的手段計算每個指標的權重，這是對幾個指標進行全面評估的基礎。 之后，逐漸演變為熵值法。熵的導數用于評估相應指標的性能和價值。 熵是數據中異常程度的度量，數據的大小與可用數據量成反比。熵越高，系統就越有條理。

熵權法過程如下。

（1）設計分析矩陣。將選取的目標指標進行匯總并整理，經整理形成m×n的矩陣，建立評價分析原始矩陣，見式（3）：

x=x11x12...x1jx21x22...x2j............xi1xi2...xijm×n（3）

其中，xij是指第i年里第j個被評價指標的取值數據。

（2）被評價指標無量綱化的處理過程。因為不同指標的所屬重要性有所不同，所以，指標數據一般無法被直接相互加總，要先對不同類型的指標進行分類，分為正向指標與負向指標，接著進行無量綱化處理，無量綱化公式如下：

正向指標無量綱化處理，見式（4）：

x′ij=x（i，j）－xmin（i，j）xmax（i，j）－xmin（i，j）（4）

負向指標無量綱化處理，見式（5）：

x′ij=xmax（i，j）－x（i，j）xmax（i，j）－xmin（i，j）（5）

無量綱化后的矩陣，見式（6）：

x′=x′11x′12...x′1jx'21x′22...x′2j............x′i1x′i2...x′ij（6）

（3）正向化指標處理過程。將被評價指標進行無量綱化處理后，可能會導致指標數據較小，甚至為負值，所以，要對經無量綱化后的指標數據平移，以避免數值為0或者為負數的情況，見式（7）：

x′ij=H+x′ij（7）

其中，i=1，2，3，…，m；j=1，2，3，…，n；Ｈ是指對指標數據平移的程度，其取值可以依據經無量綱化后指標數據的最小值來進行確定，從而消除再次出現無法被計算的情形[10]。

（4）歸一化的處理過程。經以上三步的處理后，對被評價指標的數據進行歸一化處理，見式（8）：

yij=x′ij∑mi=1x′ij（8）

其中，i=1，2，3，…，m；j=1，2，3，…，n。

（5）計算各指標的熵值。各指標的熵值計算公式見式（9）：

ej=－1lnm∑mi=1yijlnyij（9）

其中，ej指的是第j個評價指標的熵值；其中i=1，2，3，…，m；j=1，2，3，…，n。

（6）計算差異系數。差異系數表示第j個評價指標第i年的效用值，見式（10）：

gj=1-ej（10）

其中，j=1，2，3，…，n。

（7）計算各指標的熵權。各指標的熵權計算公式見式（11）：

wj=gj∑nj=1gj（11）

其中，j=1，2，3，…，n。

（8）計算綜合得分。各指標的綜合得分計算公式見式（12）：

sj=∑mi=1wj×xij（12）

其中，wj是第j個指標的信息熵權重，xij是第i年在第j指標上的評價指標值。

3 研究設計

3.1 采樣和數據來源

文章通過國泰安CSMAR獲取A股市場81家互聯網上市公司2018—2023年的財務數據，剔除在行業存續不足五年或ST公司的數據后，剩余816條數據組樣本，對上述樣本先后進行PCA以及回歸分析兩次降維，確定最終對行業財務績效影響的關鍵指標，并對上述指標利用熵權法進行加權，對影響因素進行排序。

3.2 研究過程

3.2.1 PCA降維

通過國泰安數據庫獲取互聯網行業近五年所有財務指標，共388項，為滿足分析需要，在指標選取的過程中剔除絕對數指標，最終剩余102項相對數指標，對上述相對數指標進行PCA降維，剔除因子載荷絕對值小于0.5的項目，經降維后該102項指標共被分為26組。圖1為碎石。

圖1 碎石

3.2.2 相關性檢驗

對上述指標進行相關性檢驗，其中凈資產收益率（F050502B）為因變量，其余指標為自變量，剔除無相關性指標以及顯著性水平大于0.05，并在剩余指標中根據PCA分組情況保留相關系數R絕對值最大的指標，經剔除不具有相關性以及同組中不具代表性的指標后，剩余指標為9項，檢驗結果見表1。

3.2.3 回歸分析

對上述9項指標進行回歸分析，剔除顯著性大于0.05的未通過顯著性檢驗的指標，最終確定對F050502B具有直接影響的4項指標，回歸分析的系數結果見表2。

根據表2回歸系數可得企業績效與上述四個指標的回歸方程：

F050502B=0.031×F031201A-0.01×F031301A+0.2×F061701B+0.431×F082601B+0.024

3.2.4 EWM熵權法

根據上述回歸分析結果對指標區分正向影響指標以及負向影響指標，其中長期資產適合率（F031301A）的回歸系數為-0.099，與企業凈資產收益率（F050502B）呈負相關，記為負向指標；其余變量，例如：留存收益資產比（F031201A）、全部現金回收率（F061701B）、可持續增長率（F082601B）的回歸系數分別為0.095、0.122、0.403，與企業凈資產收益率（F050502B）呈正相關，記為正向指標。將上述指標按年進行熵權加權，對年度權重進行匯總，并計算綜合得分。表3、表4為熵權結果。

通過上述圖表可以看出，對于互聯網行業來說，影響企業權益凈利率的主要影響因素為長期資產適合率（F031301A）、留存收益資產比（F031201A）、全部現金回收率（F061701B）、可持續增長率（F082601B）。其中就單個指標影響權重來看，全部現金回收率（F061701B）對凈資產收益率（F050502B）的相對影響權重最高，五年平均權重為0.40；可持續增長率（F082601B）的影響次之，五年平均權重為0.22。但受公司規模，以及指標數據規模的影響，就綜合得分情況來看，長期資產適合率（F031301A）對凈資產收益率（F050502B）的影響最大，五年平均影響得分為22.46，全部現金回收率（F061701B）的影響次之，五年平均得分為20.35。

綜上所述，對于互聯網行業來說，影響企業凈資產收益率（F050502B）的主要財務指標為長期資產適合率（F031301A）、留存收益資產比（F031201A）、全部現金回收率（F061701B）、可持續增長率（F082601B），詳見表5。

4 實證檢驗結果及分析

根據上述分析可以看出：第一，長期資產適合率的回歸系數為-0.099，與企業績效呈負相關，占四個指標的平均熵權權重為0.20，綜合權重得分為22.46，綜合權重得分在四項指標中排名第一。主要是由于長期資產較其他資產來說金額較大，且比較穩定，其綜合負向影響較高，但企業績效對其的敏感性相對較弱。第二，留存收益資產比的回歸系數為0.095，占四個指標的平均熵權權重為0.18，綜合權重得分為18.09，綜合權重得分在四項指標中排名第三。主要是由于留存收益作為企業長期資本的主要來源，其是企業的積累，較為穩定，對企業的財務績效有一定的影響，但敏感性相對較弱。第三，全部現金回收率的回歸系數為0.122，占四個指標的平均熵權權重為0.40，綜合得分為20.35，綜合權重得分在四項指標中排名第二。主要是由于現金回收率能夠直接為企業帶來實際現金留存，是企業營運能力的直接體現，企業績效對其敏感性較強。第四，可持續增長率的回歸系數為0.403，占四個指標的平均熵權權重為0.22，綜合得分為12.42，綜合權重得分在四個指標中排名第四，主要是因為可持續增長率在數量級上與其他三個指標相比較小，企業進入可持續增長狀態后可持續增長率會長期處于穩定的狀態，企業績效對其的敏感性相對較弱，但可持續增長率高的企業發展前景以及盈利能力較強，與企業績效呈正相關。

5 結論與建議

經上述分析，可知影響互聯網行業企業績效的因素主要有長期資產適合率、留存收益資產比、全部現金回收率、可持續增長率4項指標。

5.1 研究結論

長期資產適合率、留存收益資產比、全部現金回收率以及可持續增長率系行業普遍影響指標，即行業的整體綜合企業績效受上述四項指標的影響。第一，長期資產適合率為負向指標，即長期資產適合率越高，企業績效越差。該指標在互聯網行業相對穩定，綜合影響程度最高，但企業績效對其敏感性較弱。第二，留存收益資產比為正向指標，即留存收益資產比越高，企業績效水平越高。其在企業績效的影響因素中的影響相對較弱。第三，全部現金回收率為正向指標，即全部現金回收率越高，企業績效水平越高。企業績效對其敏感性最強，是企業績效影響因素中最主要的因素之一。第四，可持續增長率為正向指標，即企業的可持續增長率越高，企業績效水平越高，該指標在企業績效影響因素中的綜合影響中相對較弱，但卻是企業營運能力的一個重要體現因素。

5.2 研究建議

綜上分析可以看出，互聯網行業目前處于瓶頸期，雖平穩但各項關鍵指標已隱現下降趨勢。第一，互聯網行業作為一個輕資產行業，保證足夠的流動比率至關重要，而互聯網行業現在普遍保持在高長期資產適合率的狀態，導致較大的杠桿，有較大的財務風險。所以，如何有效去杠桿系當前互聯網行業亟待解決的問題。第二，留存收益系企業的盈利留存的直接體現，當前互聯網行業的留存收益資產比在小規模下降，導致互聯網行業的風險抵抗能力不充足。如何有效提高互聯網企業的盈利營運能力成為第二解決問題。第三，現金回收率體現一個企業的變現能力，當前互聯網行業的全部現金回收率處于較低的狀態。那么完善信用政策，提高回款能力對于互聯網行業來說就迫在眉睫。第四，可持續增長率對各行各業來說都是至關重要的，對于互聯網行業來說，創新發展能力系關系到行業榮辱興衰的關鍵能力。

參考文獻：

[1]劉國武，李君華.數字經濟發展對產業結構轉型升級的影響——基于需求端視角[J].當代經濟科學，2024，46（1）：104-116.

[2]李曉華.制造業數字化轉型與價值創造能力提升[J].改革，2022（11）：24-36.

[3]MAHAJAN P S，RAUT R D，KUMAR P R，et al.Inventory management and TQM practices for better firm performance： a systematic and bibliometric review[J].The TQM journal，2024，36（2）：405-430.

[4]胡元林，吳語涵，朱雁春.工業互聯網平臺應用對企業績效的影響研究[J].昆明理工大學學報（自然科學版），2024，49（3）：309-321.

[5]盧福財，陳慧.工業互聯網、企業成長性與價值創造[J].經濟管理，2023，45（1）：5-24.

[6]鄭德生，孫涵明，王立遠，等.多元時間序列聚類算法綜述[J].計算機科學與探索，2025，19（3）：582-601.

[7]王一朵.基于PCA、LDA與SVM相結合的人臉圖像識別應用研究[D].蘭州：蘭州交通大學， 2023.

[8]李芊，雷歆，王臘銀.基于熵權法的裝配式建筑發展水平研究——以西部地區省會城市為例[J].經營與管理，2022（1）：169-176.

[9]胡雪萍，樂冬.綠色技術創新促進了經濟高質量發展嗎？——基于空間溢出效應的視角[J].福建論壇（人文社會科學版），2023（1）：69-83.

[10]雷碧瑩，石寶峰.農村信用社競爭力評價及其區域差異分析[J].東北農業大學學報（社會科學版），2022，20（5）：46-63.