基于决策者偏好的体育产业上市公司竞争力的投影寻踪建模研究

虞玉华+楼文高

摘 要：应用基于群搜索群智能最优化方法建立初始投影寻踪（PPC）模型，建立由22个指标组成的体育产业上市公司竞争力综合评价精简的指标体系，根据样本投影值大小实现对体育产业上市公司竞争力的排序、分类及分析其发展趋势。在表征竞争力的7大方面中，增长能力最重要，其次是盈利能力。根据PPC模型结果，提出了更有针对性的提高上市公司竞争力的措施和建议：理论上讲，如果采取措施，能够整体上改善投影向量系数较大的指标值，就能整体上显著增强上市公司的竞争力；但对某一家具体的上市公司而言，必须根据自身的主客观条件，努力采取措施，在投影向量系数较大的指标中，挖掘出弱势指标，并积极创造条件，着力改进，往往能够达到事半功倍的效果。实证研究表明，作为一种新的评价方法，基于决策者偏好的MPPC模型，能较好地用于体育产业上市公司竞争力综合评价、排序与分类研究。

关键词：体育产业；上市公司；投影寻踪模型；竞争力；决策者偏好

中图分类号：G 80-052 文章编号：1009-783X（2017）04-0305-08 文献标识码：A

Abstract： Based on the application of swarm intelligent optimization search method， the initial projection pursuit cluster （PPC） model is established， which includes 22 indicators of sports industry listed companiescompetitiveness comprehensive evaluation index system according to the simplified sample， projection value， sorting and classification of sports industry listed companiescompetitiveness analysis of the size of its development trend. In the 7 aspects of competitiveness， the growth ability is the most important， followed by profitability. According to the result of PPC model， this paper puts forward some measures and suggestions for more targeted to improve the competitiveness of listed companies： In theory， if measures are taken， it can improve the index of projection vector coefficient of the value， enhance the competitiveness of the listed companies； but for a specific listed companies， it must be based on their own the subjective and objective conditions， to take measures in the projection coefficient of the index vector， dig out the vulnerable index， and actively create conditions to improve， a multiplier effect can be achieved. The empirical study shows that， as a new evaluation method， the MPPC model based on the decision-makers' preference can be applied to the comprehensive evaluation， ranking and classification of the competitive ability of the listed companies in the sports industry.

Keywords： sports industry； listed companies； projection pursuit clustering model； competitiveness； performance information of decision-makers

加强对体育产业尤其是其代表性企业——上市公司的竞争力研究具有十分重要的现实意义。企业竞争力涉及企业的发展理念、发展能力、盈利能力、获利能力、增长能力、营运效率和偿债能力等诸多方面，涉及企業的利润率、资产报酬率、流动比率、总资产增长率等众多指标；因此，采用不同的评价指标体系和综合评价方法，必定得到不尽相同的结果，一直以来都是研究的热点和关注的难点。国内外有大批专家学者致力于企业竞争力研究，但考虑到数据的可获得性和公开性，国内学者更多地集中于上市公司的竞争力研究，并取得了一定的成果。

1 文献回顾与述评

上市公司竞争力综合评价是一个多指标综合评价的过程，主要涉及3个关键方面：一是建立合理可靠的评价指标体系，二是合理确定各个评价指标的权重，三是采用合理的方法进行可靠的评价。这3个方面既相互独立，又相互联系和相互影响，有些评价方法（例如主成分分析法PCA等）同时涉及2～3个方面，既是一种评价方法，又同时能确定各个指标的权重。而且，3个方面迄今都还没有取得公认的结论，都在不断地探索和完善过程中。以题名中含有“上市公司”+“竞争力”检索中国知网，得到700多篇论文，因限于篇幅，以下阐述中仅列出少数几篇论文。关于建立合理的评价指标体系方面，目前差异还较大，少的只采用几个（9个）指标[1]，多的则采用几十个（60个）指标[2]。实际上，采用过少或者过多的指标都是不恰当的。从上市公司竞争力综合评价结果（例如得分）与指标之间存在的数学关系来看，不外乎是线性模型和非线性模型2大类，前者如层次分析法（AHP），后者如神经网络模型等，前者属于显性模型，而后者是隐性模型。从确定各个评价指标权重的方法属性来看，不外乎主观赋权重法和客观赋权重法2大类，前者如AHP，后者如信息熵法、PCA等。线性模型主要有主观赋权重（例如德尔菲法、AHP等）的（模糊）综合指数法[3-6]，客观赋权重法主要有信息熵法[1，7]、主成分分析法（PCA）[8-9]、因子分析法（FA）[10-11]和投影寻踪模型（Projection Pursuit Clustering， 简称PPC）等[12]，非线性模型主要有（灰色）关联法[13]、投入产出（DEA）模型[14]、突变级数法[15]、粗糙集法（RS）[16-17]、TOPSIS法[1，17]、神经网络模型（ANN）[2， 11， 18]等。非线性的隐性模型，无法直接观察和判断各个评价指标与评价结果之间的定量关系，也无法直接判断各个评价指标的重要性。主观赋权重方法虽然充分考虑了“人”的知识和主观能动性，但受专家自身水平、经验和偏好等的影响较大，不同学者不仅选取的指标有时存在较大的差异，权重大小差异可能更大[6， 13]，结果的客观性往往较差。PCA和FA等客观赋权重法的结果完全取决于样本数据的分布特征，但必须满足KMO值大于0.60，并且要求指标之间存在较明显的线性关系，以及样本数据量要超过评价指标个数的3～5倍等的建模条件，否则，评价结果的稳定性和可靠性难以得到保证[19]。显然，文献[2，8-11，18]都不满足上述建模条件。文献[2，11，18]根据FA的结果，再应用神经网络进行建模，并认为神经网络模型的结果更科学和可靠。实际上这几篇论文既不符合FA的建模条件，也不符合神经网络（BPNN）建模条件和避免出现“过训练”的要求，如文献[11]针对40个训练样本采用12-15-1的网络结构（网络权重个数为13×15+16=211个），文献[2]针对50个训练样本采用70-140-1的网络结构（网络权重个数为71×140+141=10 081个），文献[18]针对25个训练样本采用9-15-1的网络结构（网络权重个数为10×15+16=166个），显然都不符合BPNN建模要求训练样本数量至少要多于网络连接权重个数（一般要求3～5倍以上）的最基本要求，也没有采用检验样本实时监控训练过程以避免发生“过训练”现象；因此，这些文献采用神经网络建模训练时必定会发生“过训练”现象，建立的模型也不可能有泛化能力，建模结果是无效的 [20-24]。DEA方法用上市公司投入产出效率的少数几个指标衡量竞争力是不够确切的。灰色关联法、TOPSIS法和突变级数法等方法均存在问题[25]，本文不再一一说明。传统的PPC分类技术虽然尤其适用于高维、非线性和非正态分布数据的建模，但也存在PCA和FA等客观赋权重方法的缺陷——其结果完全取决于评价指标数据的分布规律，有时也会出现如正向指标的权重小于0等无法合理解释的结果，有些专家认为很重要的指标其权重却很小的情况等，不一而足。endprint

在体育产业上市公司研究方面，经检索中国知网等，国内未发现有关体育产业上市公司竞争力研究的文献，但发现不少有关体育产业上市公司经营效率及资金效率与绩效之间关系、成长性等方面的研究[26-34]。例如：胡效芳等[26]采用FA方法研究李宁、安踏体育等在香港证券交易所上市的6家国内体育品牌上市公司的产业竞争力；谭宏[27]等应用FA和DEA组合方法研究2010年港、深、沪股市11家体育产业上市公司的经营效率，FA过程中只保留了80%的原始信息；詹新寰[29] 以2010、2011年深市主板、中小企业板、创业板、沪市主板、香港主板及香港创业板的17家国内体育产业上市公司为研究对象，应用多元线性回归模型研究资金运营效率与企业绩效之间的关系。

综上所述，虽然众多学者已对上市公司竞争力进行了广泛的探索性研究，取得了不少成果，但仍然存在诸如上述列举的问题，需要开展更深入的研究，以提高评价结果的有效性、可靠性和客观性。而且，国内还没有见到有关体育产业（用品）上市公司竞争力方面的研究。基于此，本文尝试把决策者偏好（已有的研究成果和专家学者的意见）添加到投影寻踪模型的约束条件中，从而建立主观赋权重法与客观赋权重法有机结合的改进型投影寻踪模型，对体育产业上市公司竞争力综合评价进行探索性研究。

2 建立体育产业上市公司竞争力综合评价的MPPC模型

2.1 基于决策者偏好的投影寻踪分类建模技术

Friedman等提出的一维投影寻踪模型（PPC）通过从不同的投影方向研究样本数据的分布规律，从而寻找出能够最大程度揭示数据特征和规律的最优投影方向，求得高维数据结构特征的样本投影值（即样本综合评价值），从而实现对样本的排序和分类[35-37]。PPC建模过程无需人为确定权重，在高维、非线性、非正态分布数据处理中具有独特优势，克服了FA和PCA等传统综合评价方法主要适用于正态分布数据和需要大样本的缺陷，应用日益广泛。建模原理如下。

2.2 建立体育产业上市公司竞争力綜合评价指标体系

体育产业在服务业中占有越来越重要的位置，对其产业的典型企业——上市公司竞争力进行研究，对引领体育产业健康可持续发展具有重要意义。当前，已有学者开展有关我国区域体育产业竞争力和体育产业（用品）港、深、沪市及在美国、韩国、新加波、马来西亚等国证券交易所上市的上市公司经营效率（业绩）和投入产出效率、体育品牌上市公司竞争力、上市公司资金运营效率与绩效的关系、上市公司成长性等方面的研究[26-34]，但检索中国知网、万方数据库等还未见到有关体育产业上市公司竞争力研究的文献。

有关其他产业上市公司竞争力综合评价的指标体系通常由几个直至几十个评价指标组成，一般都由作者根据自己的经验、学识或者参照其他文献选取有关指标，通常也不对选取指标进行相关性、性质（是否确实是正向指标或者逆向指标）、有效性和显著性等的检验和筛选，主观性较大。本文在文献综述的基础上，在初选时选取尽可能多的指标，并考虑数据的可获得性，建立了体现上市公司盈利能力、偿债能力、获利能力、增长能力、规模能力、运营能力和现金流量管理能力7个方面的指标体系，由37个评价指标构成，见表1。在建模过程中，通过相关性分析删除了3个相关性很高的指标，投影寻踪建模过程中又删除了权重太小和性质错误的12个指标，最终建立了由22个指标组成的体育产业上市公司竞争力综合评价精简的指标体系，并据此进行竞争力综合评价、排序与分类研究。

2.3 样本选取、数据采集及其预处理

2.3.1 样本选取及其数据采集

考虑到数据的公开性和可获得性，本文数据来自锐思金融研究数据库（http：//www.resset.cn）。现有研究体育产业（用品）上市公司经营效率和投入产出效率的文献，主要针对的是体育产业概念（用品）的上市公司，不局限于主营业务是运动服装、鞋帽等品牌生产和经营的上市公司。例如中体产业，2011年房地产产值占总产值的73%，青岛双星2011年橡胶轮胎生产的产值占总产值的90%。大部分文献对国内上市公司与在美国、新加坡、韩国等证券交易所上市的公司一起进行横向比较研究[26-34]，符合“同类可比”要求；但笔者认为，囿于境内外证券交易所交易规则差异很大，上市条件和管理相差显著，不同国家证券交易所的运营环境差异更大，实践中这些上市公司的“同类可比”是难以实现的。尽管深市的主板、中小板、创业板上市公司与沪市主板的上市公司运营规则不完全相同，企业性质也存在一定差异，企业规模、资产等相差也较大，但研究国内体育产业（用品）上市公司的大多数文献，仍然都把深市的主板上市公司、创业板上市公司、中小板上市公司和沪市上市公司一起进行横向比较研究[27-31， 33-34]，取得了较好的效果。为此，本文只选取国内体育产业概念（用品）在深市主板、中小板、创业板和沪市上市的公司一起进行比较，但不作国际比较。按照大智慧软件中板块分类为“体育产业”概念的上市公司有27家，为了保持数据的多年连续性和持续性，本文选取2010年之前上市的体育产业上市公司20家（见表2），对其2010—2015年的竞争力进行综合评价、排序与分类研究。

2.3.2 样本数据及其预处理

表1中的37个指标中，既有正向指标，也有逆向指标和适度指标，不同指标间还可能存在明显的线性相关关系，而且，有些指标数据严重偏离正态分布规律，将导致指标区分度低和评价结果失真，必须对他们进行必要的预处理[38]。

1）逆向指标、适度指标的正向化。对逆向指标（X5、X6、X13和X15 ）通过取负值而正向化。对适度指标（X9和X10），通过取而正向化，其中q为适度值，本文取所有样本的平均值。

2）剔除线性相关性很高的指标。本文采用偏相关分析法判定指标间的线性相关程度，删除相关系数高于0.95的指标X8、X13和X33 3个指标。endprint

3）调整严重离群的数据，对部分指标进行非线性变换。虽然投影寻踪方法对高维非线性、非正态分布数据建模比其他方法更为有效，但如果个别数据严重偏离，将会显著降低指标的区分度[38]。例如存货周转率指标原始数据的频率分布如图1（a）所示，由于2个最大值非常离群，导致除2个最大值外，其他数据比较集中，区分度较低；图1（b）所示为数据取平方根后的数据频次图，虽然数据分布情况有所改善，但区分度还是较低；图1（c）所示为调整2个最大值后的频率图，数据分布依然较偏态；图1（d）所示是图1（c）数据取平方根后的频率图，虽然数据仍不符合正态分布，但区分度和分布态势明显改善，有利于提高建模结果的可靠性和有效性（其他建模方法也需要进行预处理）[38]；因此，根据上述原则，本文在对原始数据调整极个别异常大值或者小值后，对指标作如下变换：1）对X5、X15、X32～X36不作变换；2）对X10和X19作自然对数变换；3）对X24～X26作开3次方根变换；4）对其他指标作开平方根变换。对经过上述转换的指标数据再进行标准化预处理，转换为均值为0、方差为1（与PCA和FA等方法一致，数据的区分度较好）的样本数据。

至此，形成了20家体育产业上市公司2010—2015年期间经正向化、标准化处理的34个指标的120组样本数据。

3 建立体育产业上市公司竞争力综合评价投影寻踪模型MPPC

把20家公司、120组数据导入笔者编制的基于GSO的群智能最优化算法的投影寻踪PPC程序，求得了真正的全局最优解，但PPC建模结果有7个指标的权重仍然小于0。理论上讲，所有指标都已经进行了正向化和标准化预处理，也就是说，所有指标值越大，上市公司的竞争力也应该越大；但建模结果却是X2等7个指标的权重小于0，即实际情况是这7个指标的实际数据与其他指标数据之间呈负相关关系。这与已有的上市公司财务理论和竞争力理论相矛盾，在理论上较难解释，应该作为决策者偏好之一，即设定他们的权重大于0，作为约束条件加入到投影寻踪模型中。为此，设定所有指标的权重都必须大于0，重新建立了基于决策者偏好的MPPC，发现这7个指标的权重等于0，其他22个指标的投影向量系数为ɑ（j）=（0.2847、0.2372、0.3066、0.2481、0.0671、0.3024、0.1802、0.0671、0.0308、0.2042、0.1814、0.3247、0.2504、0.3077、0.1941、0.2679、0.2731、0.1816、0.0924、0.0780、0.0587、0.0295），它们的归一化权重均大于0.005，这个MPPC模型就是基于决策者偏好的体育产业上市公司竞争力综合评价的最终模型，评价指标体系由22个指标组成。

20家体育产业上市公司竞争力的PPC得分（以下简称得分）及其排名见表2，得分越大，表示上市公司竞争力越强。6年内各个上市公司竞争力的波动情况（PPC最大值与最小值之差）与竞争力变化（2015年与2010年PPC得分之差）、竞争力排名的波动（最高排名与最低排名之差）与排名变化（2015年与2010年的排名之差）情况均见表2。

4 结果与讨论

4.1 各评价指标、7大方面的重要性分析

根据PPC建模原则，投影向量系数越大的评价指标越重要；因此，在所有22个有效评价指标中，每股收益增长率（X18）最重要。其次是净利润增长率（X20），随后按重要性依次递减为X4、X7、X1、X23、X22、X19、X5、X3、X16、X21、X26、X17、X11、X28、X30、X14、X6、X31、X15和X37，投影方向系数的最大值与最小值之比为11.02倍，说明这22个指标的相对重要度比较均衡，都是重要的；但考虑到更精简，如果一定要减少评价指标个数，则可以删除权重较小的指标，而对评价结果的影响较小。根据有序样本最优分割法可把上述22个指标按重要程度分为极重要、重要、较重要和次重要4类，其中前5个指标X18、X20、X4、X7、X1为极重要指标，随后的X23、X22、X19、X5、X3为5个重要指标，X16、X21、X26、X17、X11为5个较重要指标，X28、X30、X14、X6、X31、X15、X37为7个次重要指标，其中极重要的5个指标占总权重的36.6%，5个重要指标权重占30.6%，5个较重要指标占24.8%，7个次重要指标权重仅占8.0%，即前15个指标占所有指标总权重的92%。在5个极重要指标中，2个是增长能力指标，3个是盈利能力指标；在10个极重要和重要指标中，有5个是增长能力指标，还有5个是盈利能力指标。在竞争力的7大方面中，增长能力最重要，占总权重的38.8%，其次是盈利能力，占总权重的34.7%，然后是获利能力、偿债能力、运营能力、规模能力和现金流量管理能力，分别占9.3%、6.7%、5.5%、4.4%和0.7%；因此，整体上讲，体育产业上市公司的竞争力主要取决于增长能力和盈利能力，而现金流量管理能力和规模能力的影响很小，甚至可以基本忽略不计。

4.2 改变决策者偏好对上市公司竞争力的影响

再次调用笔者编制的基于GSO的群智能最优化算法MPPC程序，得到投影向量系数真正的全局最优解，24个指标的权重分别为ɑ（j） =（0.2804 、0.2307、0.2989、0.2413、0.0594、0.2951、0.1783、0.0492、0.0439、0.1982、0.1696、0.3035、0.2416、0.2997、0.1836、0.2600、0.2648、0.0439、0.0439、0.1726、0.0893、0.1202、0.0992、0.2193 ）。因为决策者偏好要求7个方面的权重占总权重的比例都不低于5%，使X24（资产总额）和X25（主营业务收入）的投影向量系数都提高到0.0439，X37（现金获利能力）的投影向量系数提高到0.2193，从而使7个方面的权重占比分别为32.0%、6.2%、8.4%、35.4%、8.0%、5.0%和5.0%，即盈利能力、增长能力、获利能力方面的权重占比有所下降，規模能力和现金流量管理能力方面的权重占比有所提高。endprint

当然，针对研究不同产业的上市公司，根据已有的研究成果和专家知识，可以设定更多或者不同的决策者偏好，从而达到主观赋权重（决策者偏好）与客观赋权重（投影寻踪模型）的有机结合，得到更合理和有效的权重，从而得到更合理、有效的上市公司竞争力综合评价及排序和分类结果。

4.3 用FA、PCA和信息熵等客观法求得的各个评价指标的权重

1）FA建模确定的权重。采用FA进行建模，KMO=0.712，Bartlett球形度的检验值为5 209，说明本文数据可以采用FA和PCA进行建模。一共有8个主因子（成分）的特征值大于1.0，解释总方差的79.4%，第1次建模结果是X2、X12、X17、X23、X24和X29 6个指标的综合权重小于0，即这些指标的性质是错误的，删除这6个指标后重新建模，建立了由28个指标组成的评价指标体系，KMO=0.753，Barlett球形度的检验值为3 489，选取7个主因子，解释总方差的78.3%，上市公司竞争力综合评价得分中各个评价指标的归一化权重为？棕j =（ 0.0283、0.0507、0.0507、0.0124、0.0427、0.0333、0.0673、0.0608、0.0224、0.0366、0.0405、0.0433、0.0391、0.0255、0.0247、0.0259、0.0199、0.0103、0.0484、0.0448、0.0242、0.0346、0.0390、0.0406、0.0305、0.0309、0.0271、0.0455 ）。竞争力7大方面的归一化权重占比分别为21.8%、22.8%、4.3%、13.5%、10.4%、9.8%和17.5%。与投影寻踪建模结果相比，盈利能力、增长能力、获利能力的权重占比（重要性）大大降低了，而偿债能力、运营能力、规模能力和现金流量管理能力的重要性明显增强了。当然，各个指标的重要性及其排名和分类及各个上市公司的竞争力和排名等也必然会发生相应的变化。

2）PCA建模确定的权重。与FA建模相似，PCA经过2轮建模，删除了权重小于0的X2、X14、X15、X17、X35、X36及X8、X13和X33共计9个指标，建立了由28个有效指标构成的体育产业上市公司竞争力综合评价指标体系，各个评价指标的归一化权重分别为？淄j =（ 0.0214、0.0508、0.0413、0.0485、0.0156、0.0214、0.0347、0.0261、0.0377、0.0176、0.0423、0.0556、0.0418、0.0546、0.0480、0.0473、0.0283、0.0228、0.0428、0.0514、0.0187、0.0621、0.0110、0.0454、0.0415、0.0185、0.0205、0.0324 ）。竞争力7大方面的归一化权重占比分别为19.9%、11.6%、4.2%、27.6%、13.6%、17.8%和5.3%。与投影寻踪建模结果相比，盈利能力、增长能力和获利能力的重要性大大降低了，而偿债能力、运营能力和现金流量管理能力的重要性却大大增强了。PCA与FA相比，偿债能力和现金流量管理能力的重要性大大降低了，而增长能力和运营能力的重要性却大大地提高了。

3）信息熵法确定的权重。信息熵法无法判定实际数据之间是否呈负相关关系，即其评价指标体系由34个指标构成，求得各个评价指标的归一化权重为？灼j=（ 0.0156、0.0588、0.0178、0.0096、0.0109、0.0266、0.0142、0.0134、0.0073、0.0633、0.0239、0.0342、0.0151、0.0186、0.0345、0.0089、0.0252、0.0209、0.0390、0.0186、0.0249、0.0469、0.0457、0.0154、0.0530、0.0446、0.0859、0.0430、0.0462、0.0210、0.0113、0.0206、0.0363、0.0290 ）。競争力7大方面的归一化权重占比分别为15.3%、15.7%、5.3%、13.8%、10.8%、27.3%和11.8%。与投影寻踪建模结果相比，盈利能力、增长能力和获利能力的重要性大大降低了，而偿债能力、规模能力、运营能力和现金流量管理能力的重要性大大增强了，尤其是偿债能力、运营能力和现金流量管理能力增强显著。信息熵法的权重与PCA、FA方法的权重也有较大的不同。

尽管MPPC、FA、PCA和信息熵法都是客观赋权重方法，但MPPC、PCA和FA可以通过删除权重小于0（数据性质错误，应该是正向指标，实际数据呈现逆向特性）的评价指标来建立精简的评价指标体系，再求得各个评价指标的权重；但是，这3种方法删除的指标也不完全相同，删除的指标个数也不相同。整体上讲，上述4种客观方法求得的权重差异也较大。在上述4种方法中，只有基于决策者偏好的MPPC方法可以通过增加约束条件的办法，实现主观赋权重法与客观赋权重法的有机结合，从而得到更合理、可靠和有效的综合评价结果，其他3种确定权重的方法则完全取决于数据的分布规律。

4.4 体育产业上市公司竞争力分析

1）上市公司竞争力的成长力和稳定性。由表2可见，各上市公司2010—2015年竞争力的PPC得分，用2015与2010年PPC得分之差表示竞争力的“成长力”。在20家上市公司中，共有8家公司的成长力是“正”的，即这些公司2015年的竞争力比2010年强；同时，有12家公司的成长力是“负”的，即这些公司的竞争力是下降的。其次，用2010—2015年PPC得分的变化幅度表示上市公司竞争力的稳定性，变化幅度越小表示公司竞争力的稳定性越好。

2）体育产业上市公司竞争力的波动性。用2010～2015年期间PPC得分的极差来表示其竞争力的波动性。从表2可以看出，没有一家公司的竞争力是逐年增强的，期间都存在程度不同的波动起伏，而且规律性不是太强，有些上市公司波动很大，有些却较小。endprint

3）体育产业上市公司整体竞争力变化情况。从表2可见，2010—2015年PPC得分的均值、最大值和最小值可以看出，体育产业上市公司在2010年的整体竞争力最强，2011和2013年次之，2012、2014和2015年较低，尤其以2015年最低。

4）上市公司竞争力排名与竞争力强弱的关系。在2010—2015年，体育产业上市公司竞争力整体上存在较大的波动起伏，因此，竞争力排名的提高并不意味着竞争力的增强，反之亦然。根据不同年度的竞争力排名（如无论采用投影寻踪还是因子分析等，针对不同年度的数据分别进行建模，然后再进行竞争力排名）来判定上市公司不同年度的竞争力究竟是增强还是下降是没有意义的，也是不恰当的。

5）上市公司竞争力与企业规模大小（总资产）的关系。从建模过程和结果来看，资产总额、主营业务收入2个指标因为权重太小而被删除，而净利润的权重也不是很大，只占总权重的4.4%左右；因此，从整体上看，企业规模能力对体育产业上市公司的竞争力影响较小。随着企业规模迅速扩张，如果管理水平得不到有效提高，不能有效提高盈利能力、增长能力和获利能力等，也无法提高其竞争力，有时候中小规模公司的竞争力反而更强；中等规模公司或者小公司，如果不能有效提高管理水平和资金运营效率，其竞争力也不一定强；因此，体育产业上市公司的竞争力虽然直接表现为财务指标数据，但归根结底与企业的管理水平、技术水平、行业中的地位、资金运营效率和决策者的能力等密切相关，但与上市公司的规模大小没有直接关系。

6）上市公司业态和经营方式（是否多元化经营）对竞争力的影响。本文研究的20家体育产业上市公司中，有些上市公司涉及较多的概念和题材，另有一些上市公司经营方式相对简单，但它们两者之间，竞争力并没有必然的强弱之分，因此，竞争力与其是否采取多元化经营方式也没有必然的联系。同时，有些上市公司涉足足球产业、有些以服装业等为主，企业业态差异也很大，相同业态上市公司的竞争力差异也较明显；因此，可以这么说，体育产业上市公司的竞争力强弱并不取决于其业态和是否采取了多元化经营策略。企业采取多种业态和多元化经营方式，并不一定能达到分散风险、实现资源共享的目的，如果把握不好，反而有可能增加风险，降低管理效率，使盈利能力、增长能力等下降，从而降低企业在业界的竞争力。

7）不同板上市公司与竞争力的关系。在本文研究的20家上市公司中，10家在深市上市，其中中小板3家，创业板3家，另有10家在沪市上市。总体来讲，按照PPC得分的平均值来排名的话，在深市上市的公司中， 3家创业板上市公司总体排名较高；3家中小板上市公司排名居中；其他4家公司排名第12～16名。在沪市上市的10家公司中，既有排名第2、4、5、6的，也有排名第17、18和20位的；因此，除2家创业板上市公司竞争力比较强以外，其他上市公司的竞争力强弱与其是在深市上市还是沪市上市的关系并不大。在沪市上市的公司中，既有竞争力较强的，也有竞争力很弱的。

8）主营业务与上市公司竞争力的关系。在本文研究的20家体育产业上市公司中，多数上市公司或建有足球俱乐部，或者建有篮球俱乐部，有些主要从事体育转播和报道等，但与体育有关的收入占主营业务收入的比例都不高，并且多数上市公司在主营业务收入占比中都没有直接说明，只包含在其他收入中。从上市公司的主营业务收入构成与竞争力高低来看，主营业务与上市公司竞争力之间的勾稽关系并不强。

5 结论与建议

5.1 结论

应用PPC技术进行体育产业上市公司竞争力综合评价与分类排序研究，用基于群搜索（GSO）群智能最优化算法求得PPC模型真正的全局最优解——各个评价指标的客观权重（投影向量系数），并且可以把专家意见或者已有的研究成果等决策者偏好添加到投影寻踪模型的约束条件中，从而达到主观赋权重与客观赋权重方法的有机结合，求得更加合理、有效的各个评价指标权重，能挖掘出影响体育产业上市公司竞争力的主要指标及其重要度排序。根据某个上市公司在极重要指标和重要指标上的PPC得分，剖析其优势和劣势，从而提出针对性更强的提升其竞争力的有效措施和建议，往往可以起到事半功倍的效果。

在37个初始评价指标中，通过增加各个指标的归一化权重必须大于0.005作为决策者偏好增加到PPC模型的约束条件中，删除了X2和X7等12个指标，建立了精简的由22个指标构成的体育产业上市公司竞争力评价指标体系。采用基于GSO群智能最优化算法编制的MPPC程序，求得了真正的全局最优解，其中指标每股收益增长率（X18）最重要，X18、X20、X4、X7、X15为极重要指标，X23、X22、X19、X5、X35为重要指标，较重要指标和次重要指标分别有5个和7个。极重要的5个指标占总权重的36.6%，5个重要指标权重占比30.6%，前15个指标占所有指标总权重的92%。在竞争力的7大方面中，增长能力最重要，占总权重的38.8%，其次是盈利能力，权重占比达到34.7%，现金流量管理能力仅占0.7%，几乎可以忽略不计。

通过增加其他约束条件，可以很方便地求得基于其他决策者偏好（专家意见和已有研究成果）的投影寻踪模型和各个评价指标的权重和上市公司竞争力。同时，采用PCA、FA和信息熵等方法，也可以求得各个评价指标的权重。4种客观赋权重方法，由于求解原理不同，不同方法求得的权重也不同。在这些方法中，只有投影寻踪模型可以通过增加决策者偏好，从而达到主观赋权重与客观赋权重的有机结合，求得更合理的、更符合实际和有效的结果。

从20家体育产业上市公司竞争力分析发现：1）在20家上市公司中，共有8家公司的成长力是“正”的，即这些公司2015年的竞争力比2010年强；同时，有12家公司的成长力是“负”的，即这些公司的竞争力是下降的。其次，用2010—2015年期間PPC得分的变化幅度表示上市公司竞争力的稳定性，变化幅度越小表示公司竞争力的稳定性越好。2）没有一家公司的竞争力是逐年增强的，期间都存在程度不同的波动起伏，而且规律性不是太强，有些上市公司波动很大，有些却较小。3）体育产业上市公司在2010年的整体竞争力最强，2011和2013年次之，2012、2014和2015年较低，尤其以2015年最低。4）体育产业上市公司竞争力整体上存在较大的波动起伏，因此，竞争力排名的提高并不意味着竞争力的增强，反之亦然。根据不同年度的竞争力排名来判定上市公司不同年度的竞争力究竟是增强还是下降是没有意义的，也是不恰当的。5）体育产业上市公司的竞争力虽然直接表现为财务指标数据，但归根结底与企业的管理水平、技术水平、行业中的地位、资金运营效率和决策者的能力等密切相关，但与上市公司的规模大小没有直接的关系。6）体育产业上市公司的竞争力强弱并不取决于其业态和是否采取了多元化经营策略。企业采取多种业态和多元化经营方式，并不一定能达到分散风险、实现资源共享的目的，如果把握不好，反而有可能增加风险，降低管理效率，使盈利能力、增长能力等下降，从而降低企业在业界的竞争力。7）除2家创业板上市公司竞争力比较强以外，其他上市公司的竞争力强弱与其是在深市上市还是沪市上市的关系并不大。在沪市上市的公司中，既有竞争力较强的，也有竞争力很弱的。8）从上市公司的主营业务收入构成与竞争力高低来看，主营业务与上市公司竞争力之间的勾稽关系并不强。endprint

5.2 建议

理论上讲，如果采取措施，能够整体上改善投影向量系数较大的指标值，就能整体上显著增强上市公司的竞争力，但对某一家具体的上市公司而言，必须根据自身的主客观条件，努力采取措施，在投影向量系数较大的指标中，挖掘出弱势指标，并积极创造条件，着力改进，往往能够达到事半功倍的效果。因为竞争力差的公司并不是所有指标都是差的，与之对应，竞争力强的公司也不是所有指标都是很好的。

参考文献：

[1] 慈斌， 吕杰. 基于熵-TOPSIS法的农业上市公司竞争力评价[J]. 统计与决策， 2012（13）：73.

[2] 郭岚， 张祥建. 基于BP神经网络的企业核心竞争力评价[J]. 科学学研究， 2007， 25（1）：133.

[3] 王明夫. 企业竞争力：上市公司兴盛之道[M]. 北京：中国财经出版社， 2001：80-85.

[4] 刘艳春. 大企业竞争力评价理论、方法与实证研究[M]. 北京：经济管理出版社， 2014：64-65.

[5] 金碚. 中国企业竞争力报告（2013）[M]. 北京：社会科学文献出版社， 2013：368-369.

[6]许民强， 杜方林， 姚晔， 等. 基于层次分析法的上市公司竞争力评价[J]. 中国市场， 2015（30）：56.

[7]陈祖英. 金融危机对农业上市公司竞争力的影响： 基于30家农业上市公司面板数据的实证分析[J]. 中国农村经济， 2010（4）：71.

[8] 王友转. 基于主成分分析法的LED上市公司竞争力评价[J]. 情报探索， 2015（2）：53.

[9]张广宏. 上市公司竞争力及其评价分析：以中国农业上市公司为例[D]. 福州：福建农林大学， 2012.

[10]王崇彩. 我国零售行业上市公司竞争力因子分析 [J]. 工业技术经济， 2010， 29（1）：134.

[11] 王春丽， 王俊， 吴德燚. 上市公司竞争力的非线性评价：辽宁省例证[J]. 数学的实践与认识， 2010， 40（7）：97.

[12]楼文高， 冯国珍， 吴晓伟， 等. 基于竞争情报的企业竞争力投影寻踪实证建模[J]. 情报杂志， 2011，30（9）：25.

[13]谢江龙. 基于灰色关联分析的新材料上市公司竞争力比较及评价研究[D]. 西安：西北大学， 2013.

[14] 李义鹏. 银行类上市公司竞争力评价及提升路径研究 [D]. 大庆：东北石油大学， 2013.

[15] 王健. 基于突变级数法的零售上市公司竞争力动态评价[J]. 财会月刊， 2013（1下）：51

[16]赵智敏， 朱跃钊， 汪霄， 等. 粗糙集理论在建筑企业上市公司竞争力评价中的应用研究[J]. 工程管理学报， 2010， 24（3）：352.

[17]邹树梁， 武良鹏. 基于DRSA-TOPSIS法的我国核电上市公司竞争力评价[J]. 南华大学学报， 2015， 16（1）：2.

[18] 王俊. 金融保险类上市公司竞争力分析[D]. 大連：东北财经大学， 2010.

[19] TABACHNICK B G， FIDELL L S. Using Multivariate Statistics[M]. （6th Edition）. New Jersey： Pearson Education， 2013：618.

[20] HAYKIN S. Neural Networks and Learning Machines[M].3rd ed. Beijing： China Machine Press， 2009：165.

[21] ZHANG G， PATUWO E， HU M. Forecasting with artificial neural networks： the state of the art [J]. International Journal of Forecasting， 1998， 14（1）：55.

[22] STATSOFT. Electronic Statistics Textbook[EB/OL]. [2016-05-15]. http：//www.statsoft.com/textbook.

[23] 楼文高. 活性污泥工艺神经网络模拟与控制研究[D]. 上海：同济大学， 2005.

[24] 楼文高. 基于人工神经网络的三江平原土壤质量综合评价与预测模型[J]. 中国管理科学， 2002， 10（1）：81.

[25] 楼文高， 吴晓伟， 冯国珍. 我国零售业上市公司成长性的投影寻踪评价与实证研究[J]. 广东商学院学报， 2011， 31（6）：39.

[26] 胡效芳，焦兵，张文彬. 中国体育品牌产业竞争力比较研究[J]. 统计与信息论坛， 2012， 27（4）：68.

[27]谭宏， 曹国华， 陆宇嘉. 我国体育产业上市公司经营效率评价： 基于因子分析和数据包络分析模型[J]. 上海体育学院学报， 2013， 37（5）：18.

[28]陈颇. 中国体育产业上市公司经营管理绩效演变特征的实证研究[J]. 武汉体育学院学报， 2014， 48（3）：53.

[29]詹新寰. 中国体育产业上市公司营运资金结构对企业绩效的影响：基于对我国17家体育产业上市公司的实证研究[J]. 武汉体育学院学报， 2013， 47（9）：30.

[30] 杨光. 中国体育用品上市公司经营业绩评价研究：基于上市公司的财务数据分析[J]. 西安体育学院学报， 2013， 30（5）：561.

[31] 刘春华， 张再生， 李祥飞. 基于三阶段DEA模型的中、外体育上市公司效率评价[J]. 体育科学， 2012， 32（10）：21.

[32] 魏德样，雷雯. 中外体育用品上市公司经营效率的动态评价：基于DEA-Malmquist 全要素生产率指数[J]. 武汉体育学院学报， 2012， 46（2）：32.

[33] 杨光，张庆来，于秀艳. 我国体育用品上市公司经营效率评价与分析[J]. 首都体育学院学报，2015， 27（3）：208.

[34]吕庆华，龚诗婕. 中国体育用品上市公司成长性评价研究：基于2009-2013年数据的分析[J]. 体育科学， 2016， 36（1）：53.

[35] FRIEDMAN J H， TUKEY J W. A projection pursuit algorithm for exploratory data analysis [J]. IEEE Transactions on Computers， 1974， 23（9）：882.

[36] 付强， 赵小勇. 投影寻踪模型原理及其应用[M]. 北京： 科学出版社， 2006：46-50.

[37] 楼文高， 乔龙. 投影寻踪聚类建模理论的新探索与实证研究[J]. 数理统计与管理， 2015， 34（1）：49.

[38]郭亚军， 易平涛. 线性无量纲化方法的性质分析[J]. 统计研究， 2008， 25（2）：95.endprint