【基于数据包络分析法的融资对光伏行业发展影响实证研究11000字（论文）】

基于数据包络分析法的融资对光伏行业发展影响实证研究摘要本文通过数据包络分析方法，基于DEAP2.1运行BCC模型，对中信行业分类下光伏行业16家公司的2020财年财务数据进行分析。对光伏行业企业的融资结构和融资成本的发展影响进行探究，并进一步进行效率评价和改进。同时，针对研究时产生的问题使用基于内生动力视角的线性规划进行补充分析。研究结果表明，约有50%的光伏企业融资效率不高，需要降低融资成本、提高账期效率。关键词：数据包络分析光伏融资效率内容目录1引言 页1 引言自改开至今五十年来，中国取得了卓有成效、世界瞩目的伟大经济建设发展成果。然而在高速发展的经济进程背后，发展的质量却仍有差距。特别是在能源方面，当前我国的能源结构仍然以化石能源，特别是煤炭为主，而其会造成较为严重的气体排放，包括含硫气体和二氧化碳，以及一些其他的微小固态颗粒，从而对我国的各项环境指标造成一定的不良影响。2005年，习近平总书记提出了“绿水青山就是金山银山”；之后，《可再生能源中长期发展规划》、《十三五能源发展规划》等多个政策也相继出台。2020年，我国首次提出了双碳目标，即争取在2030年之前实现碳达峰，2060年之前实现碳中和。而为了达成碳中和这一伟大目标，需要同时进行开源节流。我国的二氧化碳排放主要来自火力发电，因此使用清洁能源对传统火力发电进行一定程度的替代便成为了我国未来的发展方向和市场的热点。在清洁能源发电中，风能、核能、生物质能等能源各有其特点。其中，光伏行业则由于其快速降低的成本曲线、占地面小的高灵活普适性能，在众多竞争对手中成为最吸引人眼球的一种罚单方式。然而，光伏发电由于其产业自身性质，换代快、高投入、重资产、波动强的情况时有发生，而自从2018年的531新政之后，中国政府对于光伏行业的政策补贴也正在逐渐减少。“平价上网”成了此后的行业发展主旋律。而与此同时带来的，便是光伏行业需要的大量资金投入的需求缺口。幸运的是，创业板注册制试点、科创板、北交所等一系列直接融资渠道陆续开放，为光伏行业的发展提供了有力的资金渠道。此外，融资租赁，发行债券，通过私募信托等其他融资途径选择也十分丰富。但是，在过去国外对中国光伏行业进行双反调查时，整个中国光伏产业曾经历过极大的冲击，整体融资评价的降低、市盈率倍数的下降对光伏行业的融资渠道造成了非常重大的打击，也使得当时中国许多龙头光伏企业被迫破产，成为我国光伏行业发展历史上一段血淋淋的教训。由是，对光伏行业内融资境遇进行研究，发现融资对光伏企业经营、光伏行业发展的影响，以及此后对其水平进行评价就尤为重要。进一步的，如何提高光伏行业相关企业的融资效率，实现利用更低的融资成本、更少的金融资源，达成更好的成长的目的。2文献综述数据包络分析，即dataenvelopmentanalysis，后文称其简称DEA，是在针对于英国的农业生产研究时，由经济学家Farrell提出的包络思想，其通过线性回归的方法，尝试建立了最优效率曲线，即效率前沿面，并由此提出了对于农业生产综合效率的非参数统计的衡量方法。此后，由著名美国运筹学者W.W.Cooper和A.Charnes以及Rhodes在相对效率伪概念的基础上提出了第一个数据包络分析模型，该模型也由他们三位学者的名字首字母进行命名，即CCR模型。该方法可以更加优秀地处理在现实生活生产模型中广泛存在的多投入、多产出指标的问题。其中，每一个不同的决策单元被称作DMU(Decisionmakingunits)，他们具有相同的活动目标、相同的外部环境和内部性质，以及相同的评价指标。通过该模型可以对各个决策单元的相对效率进行评价和排序，同时给予了其改进的方向，为政策决定者和实际经营者提供可靠可行可信的相关决策信息。也由此，该理论在之后的几十年内得到了丰富的发展和开拓，比较常见的框架如基本的,基于CRS(规模收益不变)的CCR经典模型和基于VRS（规模收益可变）的BCC模型。此外，还有FG模型（Fare&Grosskopf），SBM模型（Slacksbasedmeasure）等变种模型。而在我国，魏权龄等学者于1989年引入了使用DEA模型对生产函数进行建模。叶世绮、王辉于2012年对多阶段DEA模型中各DMU的同质性问题做出研究。薛成于2019年使用三阶段DEA研究了新能源汽车企业的生产效率。史刘洁于2021年使用DEA模型对新能源企业经营效率进行研究等等。本文在前辈学者的研究成果的基础上，针对目前中国经济建设的新火热战场——光伏行业，使用DEA方法，从A股主板光伏上市公司中选取16家具有代表性的公司，从其财务数据角度出发，对其融资成本与企业成长做出评价。3数据包络分析（DEA）的基本原理所谓数据包络分析方法，是一种以相对效率为概念基础，通过线性规划和凸分析进行评价的一种复合型、多单元、非参数的统计方法。如果我们假设在一个共同的市场环境下，共有N个决策主体，假定这N个决策单元全部具有相同的条件和高度可比的性质，而同时有M个类型的输入或投入指标以及S个类型的输出或产出指标来分别对应每一个决策单元。我们探究问题的基本思路是，希望在最小的投入中达到尽可能大的产出效果。其中Xij是DMUj对第i个投入的具体投入数量，也因此Xij必然大于0.而对应的，Yij是DMUj对第I个产出的具体产出数量，同理，其也必然大于0。若以矩阵形式表述，则其形式为：&通过以上的产出矩阵和输入矩阵，可以形成一个非线性规划的模型，但由于其太过于难以求解，因此可以将其转换为线性规划，再引入代表投入和产出的松弛变量（S-和S+）以及非阿基米德无穷小ε，并且再增加一个约束条件∑λ_j*=1，便可以得到BBC模型：&通过该模型，便可以初步对各决策单元的投入产出有效性进行判定。若S+≠0，即意味着该DMU需要增加So+的产出便可以达到纯技术效率有效。而若S-≠0，则意味着该DMU需要相应的减少So-的投入以达到纯技术效率有效。通过该模型，便可以初步对各DMU的有效性进行判定。若S_0+≠0，即意味着该DMU需要增加So+的产出便可以达到纯技术效率有效。而若S_0^-≠0，则意味着该DMU需要相应的减少So-的投入以达到纯技术效率有效。4指标和数据选取在数据收集和指标选取上，笔者充分查阅了其他学者对于相关行业融资效率的研究，从而遴选出了四个输入指标和三个输出指标。具体的使用和选择内容如下：输入指标：为更全面和完整地评价融资的影响，笔者将融资主要分为融资成本，融资风险和潜在体量。其中，融资成本可以分为债权融资成本和股权融资成本。债权融资成本可以在利润表中找到财务费用中的利息支出，为了获得相对效率的概念，再除以其利息负债，即短期借款、长期借款和应付债券的总和.即，债权融资成本=利息支出/（应付债券+短期借款+长期借款）。而股权融资成本的计量则更加难以处理。王海荣于2020年使用两阶段DEA模型的评价研究中，使用资本资产定价模型对于股权融资成本进行定义。而笔者认为，由于期望收益率难以收集数据，笔者认为相对不可取。而笔者认为，由于A股上市公司自有其情况，其分红比例和实际分红情况远低于世界其他资本发达地区，甚至有部分企业长达数年甚至十数年不分红。因此，笔者引入分红/所有者权益作为调整股权成本。融资风险主要体现在引入过多投资会导致破产风险更高，因此笔者选取产权比率，即负债/权益作为融资风险指标。最后，潜在融资需求，由于公司光伏行业自身的特性，强周期、重投入，如光伏产业最上游的硅料制造，单GW硅料厂投资需要8-10亿元人民币成本，同时需要1.5-3年的建设和产能爬坡周期，因此扩产周期往往在五年甚至以上。若单一地截取某一年度的筹资活动现金净流入，显然无法代表产业真实融资需求。即使选取连续数年数据，由于光伏产业链自身上下游扩产周期错配问题，数据真实代表性也很难取信于人。因此，笔者直接选取企业自身市值作为潜在融资需求衡量指标。由于其数值在数千亿到数十亿之间波动，特别相较于前三个投入量的数量级差异过大，故笔者对其进行对数化处理，取其以10为底的对数值作为调整潜在融资需求。产出指标：笔者选取净利润率作为衡量盈利能力的指标，净利润增长率作为成长能力的指标。同时，ROE(净资产收益率)，作为巴菲特先生说的“如果研究公司时只可以看一个指标，我选择ROE”这样的重要指标，可以对公司的发展作一个最全面的衡量。因为他一方面可以衡量公司的赚钱效应，另一方面也可以近似的认为是在投资生产率，代表公司的发展能力。全部指标汇总如下表所示表1评价指标体系投入/产出指标名称指标变量计算公式投入指标融资成本债权融资成本利息支出/(短期借款+长期借款+应付债券)股权融资成本分红/所有者权益融资风险产权比率负债总额/股东权益总额融资需求调整市值log10（市值）中间指标负债融资额负债流动负债+非流动负债股权融资额所有者收益股东权益合计产出指标盈利能力净利率净利润/总收入成长能力净利润增长率本年净利润总额增长额/上年净利润总额发展能力ROE净利润/所有者权益数值方面，笔者选取了中信行业分类下光伏行业口径，共计23家A股上市光伏企业。为数据整理考虑，剔除其中7家2020年度营业利润为负的公司（兆新股份、中利集团、协鑫集成、爱康科技、易成新能、向日葵、亿晶光电），共留下16家A股上市公司，对2020财年相关数据整理如下表。本报告全部数据均来源于Choice金融终端、巨潮资讯网上公布的上市公司官方财务报告。由于数据收集困难较大，部分数据来源不一需要重新计算，故样本采集有所困难，样本容量有所限制。表二：中信光伏行业分类相关数据名称利息支出(亿元）利息负债（亿元）调整债务支出分红（元）每股权益（元）调整股权支出负债权益产权比率净利率净利润增长率ROE企业市值调整市值中环股份4.390129.1800.0340.6006.3380.095306.360280.8101.0910.0770.1610.0761484.0003.17143390094301拓日新能1.48013.3200.1110.3502.5020.14034.22030.9401.1060.1221.4790.05579.8401.90222052827931圣阳股份0.0501.4300.0350.0303.7680.0086.84017.1000.4000.0170.2140.02432.0401.5056925074122东方日升3.62053.0000.0680.2009.3670.021189.82084.4302.2480.015(0.630)0.020250.0002.39794000867204阳光电源2.61019.1600.1360.1407.1750.020171.380104.5601.6390.1021.0690.2041809.0003.25743856685981中来股份1.23015.4700.0800.3504.7050.07452.77036.6201.4410.029(0.600)0.028223.0002.34830486304816航天机电0.91017.9500.0510.0003.8130.00046.96054.6800.8590.0211.2280.032148.0002.17026171539496通威股份6.82086.4600.0790.2406.7850.035327.080305.4101.0710.0840.3700.1612033.0003.30813737863804隆基股份3.86078.9200.0490.2509.1290.027520.370355.9801.4620.1590.6200.2724418.0003.64522571153542上海电气20.750335.2000.0620.0704.3740.0162085.530664.0103.1410.0390.0730.058648.0002.81157500587059京运通4.26013.7400.3100.0003.8040.00091.73076.9701.1920.1109.2100.060191.0002.28103336724773芯能科技0.6408.6200.0740.0503.0650.01612.65015.3200.8260.1900.0920.05469.3501.8410464654093金辰股份0.0702.0000.0350.2409.3890.02611.3109.9301.1390.9190.3730.08683.3601.92095770595545振江股份0.6808.9700.0760.00011.2840.00021.09014.3101.4740.0291.5380.04836.0801.5572665288699清源股份0.2805.3400.0520.0503.4830.01410.2909.6001.0720.0782.2100.07438.8201.58905553105234福斯特0.09013.5500.0070.45011.7300.03825.16090.2500.2790.1870.6350.2091168.0003.06744284277638对相关数据的原始数据进行描述性统计结果，以检验是否存在异常值，检验结果如下表所示：表3描述性统计结果变量名样本量最大值最小值平均值标准差中位数方差峰度偏度变异系数（CV）净利率160.190.0150.0840.0590.0810.003-0.7420.5240.694调整债务支出160.310.0070.0790.0690.0650.0059.0262.7470.879调整股权支出160.1400.0330.0380.020.0013.1721.8341.159净利润增长率169.21-0.631.1792.2720.6285.1611.9543.2681.926ROE160.2720.020.0910.0770.0590.0060.6721.3320.843产权比率163.1410.2791.2770.6821.1220.4643.0491.3440.534调整企业市值163.6451.5062.4230.6992.3140.489-1.2750.3010.289通过以上描述性统计结果我们发现，在各个样本和变量中均存在一些异常数据。如净利润增长率中，东方日升和中来股份为负值，而与此同时，京运通的净利润增长率却高达9。那么我们是否可以通过一些数据处理，来去除这些异常数据呢？笔者的答案是否定的。因为光伏行业自身的特殊属性，利润在产业链内部进行分配。因此，一些企业利润的高增长，其直接原因恰恰是其上下游公司的利润大幅下降。如果我们为了进行相关的数据调整而删去这些异常值，反而会导致数据不能真实反映光伏产业真实的生产经营情况。其次，笔者已经剔除掉7家净利润为负值的公司，若在进行数据删改，难免有样本量过小的考虑。5DEA模型运行结果将处理后的相关衡量指标代入Deap2.1软件，选择BCC模型运行，测算出中信行业分类口径下光伏行业16家2020年营业利润为正的公司在2020财年下融资对公司发展的影响。模型运行结果如下表所示：表4有效性分析 DMU技术效益TE规模效益SE(k)综合效益OE(θ)松驰变量S-松驰变量S+有效性中环股份0.6830.5460.3730.2840.118非DEA有效拓日新能0.930.8190.7620.4080非DEA有效圣阳股份10.3260.3260.1330.041非DEA有效东方日升0.6280.688非DEA有效阳光电源0.9360.9980.9340.1090.019非DEA有效中来股份0.6520.2880.1870.2320.706非DEA有效航天机电11100DEA强有效通威股份0.790.8430.6670.0330.047非DEA有效隆基股份11100DEA强有效上海电气0.6360.5370.3420.5910.275非DEA有效京运通11100DEA强有效芯能科技11100DEA强有效金辰股份10.7170.7170.6350非DEA有效振江股份11100DEA强有效清源股份11100DEA强有效福斯特11100DEA强有效其中，综合技术效益(OE)反应的是决策单元在一定投入要素时的生产效率，是对该DMU的资源配置能力和效率等多方面能力的综合评价。当该值=1时，相对效率最优，当该值大于1时，代表进入超额效益模式，当该值小于1时，表示该DMU的效率没能达到最优，也代表其投入和产出结构不合理。而规模效益（SE）反应的则是由于规模的原因影响到的生产效率。当其值为1时，代表其规模报酬不变，已经达到最优。若规模报酬递增，则代表服务规模过小，需要扩大规模以增加规模效应。若规模报酬递减，则代表其规模过大，存在规模过度扩张风险。松弛变量S-（差额变数）是指为了达到目标效率应当减少的投入量；而对应的松弛变量S+（超额变数）则是指为了达到目标效率应当增加的产出值。由DEA模型运行结果可知，在16家光伏上市企业中，共有7家处于DEA强有效，综合效率为1，其余9家全部为非DEA有效。参照1991年Stocker&Norman对DMU效率的强度等级划分标准，综合效率值位于0.9-1的DMU可以视为边缘非效率单元，即对其指标稍做优化便可以达到OE=1的有效水平；而综合效率值小于0.9则被视为明显非效率单元，需要很大程度的优化。由此，非DEA有效的9个DMU中，只有阳光电源为边缘非效率单元，其余8个DMU均有较大程度的提升空间。图1DEA模型效益图综合效益的构成由图可见，由于规模效益曲线明显位于技术效益曲线下方，故作为二者乘积的综合效益曲线明显贴合规模效益曲线。16个DMU中，共有7个DMU规模报酬固定，1个DMU规模报酬递减，8个DMU规模报酬递增。即，有50%的光伏企业需要扩大投入规模，以达到更高的综合效益。那么，具体应当如何进行投入产出的优化，以期达到最优的配置效率呢？松弛变量分析可以帮助打开这个“黑箱子”。表5规模报酬分析 DMU规模报酬系数类型中环股份0.411规模报酬递增拓日新能0.688规模报酬递增圣阳股份0.11规模报酬递增东方日升0.088规模报酬递增阳光电源1.017规模报酬递减中来股份0.155规模报酬递增航天机电1规模报酬固定通威股份0.633规模报酬递增隆基股份1规模报酬固定上海电气0.354规模报酬递增京运通1规模报酬固定芯能科技1规模报酬固定金辰股份0.492规模报酬递增振江股份1规模报酬固定清源股份1规模报酬固定福斯特1规模报酬固定从松弛变量S-的角度，松驰变量S-（差额变数）指为达到目标效率需要减少的投入量；投入冗余率则是指“过多投入”与已投入的比值，该值越大意味着“过多投入”越多。不难看出，仅有7家投入不需缩减，其余9个DMU都需要不同程度的投入缩减。表6投入冗余分析DMU松驰变量S-分析投入冗余率调整债务支出调整股权支出产权比率调整企业市值汇总调整债务支出调整股权支出产权比率调整企业市值中环股份0.0060.0210.25700.2840.1630.2230.2360拓日新能0.0160.0950.29600.4080.1450.6780.2680圣阳股份0.001000.1320.1330.035000.088东方日升0.00500.17500.180.06700.0780阳光电源0.06400.04400.1090.47100.0270中来股份0.0120.0090.21200.2320.1510.1160.1470航天机电000000null00通威股份0.0290.004000.0330.3690.12200隆基股份000000000上海电气000.59100.591000.1880京运通000000null00芯能科技000000000金辰股份0.0140.0020.61900.6350.3870.0920.5430振江股份000000null00清源股份000000000福斯特000000000那么，在这四个投入量中，具体是哪一个最影响综合效率呢？对其求平均值后结果如下表。表7投入冗余平均值松驰变量S-分析投入冗余率调整债务支出调整股权支出产权比率调整企业市值汇总调整债务支出调整股权支出产权比率调整企业市值平均值0.00920.00820.13710.00830.16280.11180.09470.09290.0055从表中不难看出，最大的S-是产权比率，其平均S-达到了0.137，即所有企业平均需要下降13.7%的产权比率，即在所有者权益不变的情况下需要下降13.7%的负债率。但这并不意味着产权比率的过多投入是最多的，因为他们的对比基准不一样。由前描述性统计表可得，平均调整股权融资成本为0.033，而平均调整债券融资成本0.079，产权比率平均值则为1.277。因此，从投入冗余率的角度，调整债务支出是投入过剩最大的量，即投入冗余率最高。而从松弛变量S+角度，共有9个DMU的S+=0，即只有7个DMU需要提升产出。在三个产出指标中，ROE均不需要产出补足，净利润仅有两家需要产出提升，而净利润增长率共有6个DMU需要有所提升。表8产出不足分析 DMU松驰变量S+分析产出不足率净利率净利润增长率ROE汇总净利率净利润增长率ROE中环股份00.11800.11800.7330拓日新能0000000圣阳股份00.04100.04100.1940东方日升00.68800.6880-1.0930阳光电源0.019000.0190.18500中来股份00.70600.7060-1.1770航天机电0000000通威股份0.0220.02500.0470.2590.0690隆基股份0000000上海电气00.27500.27503.7660京运通0000000芯能科技0000000金辰股份0000000振江股份0000000清源股份0000000福斯特0000000相关平均数据如下表。表9产出不足平均值松驰变量S+分析产出不足率净利率净利润增长率ROE汇总净利率净利润增长率ROE平均数0.00260.115812500.1183750.027750.155750尽管产出不足的数据数量比投入冗余的数据数量少，但是从产出不足率角度，净利润增长率以15.58%的产出不足率超过了11.18%的调整债务成本投入冗余率。即在效率提升的路径上，净利润增长率的提升要比债务成本下降更重要。6综合分析那么，结论似乎已经很明显了。光伏行业尚有50%的上市公司并未达到DEA强有效，三个最主要的原因来自于净利润增长率的产出不足，调整债务成本、产权比率的投入冗余（以上排名分先后）。这样的解释是否已经足够可信，可以结束融资对于光伏产业发展影响的分析了？笔者认为并不尽然。主要有以下几个因素的考量：1.做为DEA模型的基本原理，最优的投入产出结构应当是尽可能多的产出和尽可能少的投入。尽可能多的产出我们可以理解，我们希望在同一水平下，ROE越高越好、净利润增速越快越好、净利率越大越好。然而，对投入而言，我们真的希望这四大投入指标越小越好吗？让我们回顾一下我们的四个投入变量：调整债权成本和调整股权成本构成了评价结构中的融资成本，产权比率代表了融资风险，调整市值代表了潜在融资需求体量。那么，最高效率的评价真的应当是以最少的融资需求、最低的融资风险和最低的融资成本获得最高的成长吗？显然不是。比如，当我们回归到调整股权成本，由于前人文献中使用CAPM模型对股权成本定价的不便以及中国A股市场粉红的特殊情况，笔者选取了分红/所有者权益作为调整股权成本。然而，尽管笔者已经在中信行业分类中剔除掉了所有当年净利润为负的公司，依然有三家企业当年没有选择分红，因此他们的调整股权成本为0。这三家公司分别是航天机电、京运通和振江股份。“巧合”的是，这三家企业同时全部是DEA强有效企业，在全部DEA强有效单元中占据了3/7。这是因为，在BCC模型中，由于考虑规模效应，其效率前沿面并不是来自于原点连接的前沿线，而是由最边界企业构成的效率前沿面，如下图所示（资料来自DEAP2.1指南，DepartementofEconometrics，UniversityofNewEngland，Armidale，NSW2351,Australia）。其中，CRS代表CCR方法，VRS代表BCC方法。图2CCR与BCC模型的差异由图片不难看出，BCC方法的效率前沿面的组成。由于这三家企业当年没有进行分红，当年的调整股权融资成本为0，自然很容易落在整个界面的外沿。然而，这显然不是一个正常的公司应当具有的股权融资成本，更不应当作为整个系统靠近的效率前沿。其中，振江股份是首次不分红，京运通连续两年不分红，而航天机电已经有足足五年没有分红。如果企业在保持盈利的情况下不愿意分红，作为投资者的根本权益将无法得到保障，建立在分红预期基础上的现代估值模型将大部分不能适用，更无从谈起对整个行业发展的有利影响了。2.是否应当追求更小的融资风险？在体系构建上，本文充分借鉴了前人学者的研究成果，而产权比率，也成为了最大的投入冗余数值，第二大的投入冗余率指标，依上文测算结果，光伏行业平均需要下调13.7%的负债以实现效率最优。然而，依据经典MM理论，由于债券特殊的税盾效应，公司的最优资本结构应当是债权负债相较于所有者权益越大越好，表现为产权比率越大越好。尽管，由于后续经济学家的研究指出，由于存在破产重组成本，并不是无限制的提升债权负债意味着最优的资本结构，并提出了调整的MM理论，但是仍需要注意的是，破产成本会在边界时陡峭上升，也就意味着在相当的范围之内依然是越大越好。尽管由于破产成本的计量难以进行，笔者水平有限，难以一一计算出最优的资产负债结构，但是至少从MM理论的角度出发（无论是调整的还是经典的），对于产权比率的要求都一定与本DEA模型中对于产权比率越小越好的要求相矛盾。7基于内生动力视角的补充模型由此，基于内生动力角度，笔者试图以相同参数作为研究对象，将其转换为一个线性规划模型，以期获得融资对光伏行业发展的一个补充角度。由于无法设置多产出，故将原DEA模型中三大产出抽离两项，仅保留ROE作为衡量企业发展的因变量，其余两项并入自变量中，即有六个自变量和一个因变量构成的数据体系。数据描述性结果于上图已付。由此，可以建立模型如下:&ROE=其中，ADC为调整债权成本（ajdusteddebtcost），AEC为调整股权成本（ajustedequitycost），D/E为产权比率，AQ为调整市值（ajustedquantity），NIR为净利率（netincomerate），GRNI为净利润增长率（growthrateofnetincome）。基于最小二乘法，进行线性回归结果如下：表10：线性回归分析结果(n=16) 非标准化系数标准化系数tpVIFR

²FB标准误Beta常数-0.0940.047--2.0220.074-0.803F

(6,9)=6.112,p=0.008调整债务支出-0.130.417-0.117-0.3110.7636.43净利润增长率00.0130017.223净利率0.5370.2480.4092.1610.0591.636产权比率-0.0130.022-0.119-0.6130.5551.707调整股权支出-0.4260.334-0.213-1.2730.2351.283调整企业市值0.0750.0190.6823.8480.004**1.434因变量：ROED-W值：2.018*

p<0.05**

p<0.01计算结果为&ROE=而对应的，R^2的值为0.803，即该模型可以在80.3%的程度上解释ROE，模型建立有效。同时，模型通过F检验，(F=6.112，p=0.008<0.05)。对于变量共线性表现，VIF全部小于10，因此模型没有多重共线性问题,模型构建良好。通过该内生动力视角下的建模，不难发现，影响ROE最大的因素是净利率，从ROE定义的角度很容易理解，净利率越大说明企业的赚钱能力越强，相同收入的水平下净利润越高，对应净资产回报率越高。而第二大的因素就是股权融资成本，为-42.6%，即调整股权成本越低，潜在的ROE水平越高。调整债务支出则位列第三，为-13%。结合之前的数据，将其乘以以上各参数的平均值，可得到平均意义上的影响程度，计算结果如下表11表11平均影响程度调整债务支出净利率产权比率调整股权支出调整企业市值-0.010270.045108-0.0166-0.014060.181725由表可知，平均意义上，调整股权支出的影响因素仍然大于调整债务支出。同时，产权比率成为平均意义上更重要的因素，其负值也意味着对于光伏企业的负债规模确实需要相对缩减，才能达到更高的企业发展水平。这个结论与DEA的模型结果高度相符，其与MM理论的冲突或因产权比率中的负债与MM理论中的有息负债有所区别。特别是在光伏行业中，由于行业的特殊性（部分需要长验证周期的产品具有长交付周期），应付账款成为了负债的主要组成成分。而对其有息负债在总负债中的占比进行统计如下，发现光伏行业平均的有息负债比仅占有32.2%。因此，这里产权比率的降低与其理解为对负债的缩减，不如理解为对于账期的把握，在更大的程度上其实是对企业资金流转效率的要求。表12有息负债比名称利息负债（亿元）负债有息负债比中环股份129.180306.3600.421661拓日新能13.32034.2200.389246圣阳股份1.4306.8400.209064东方日升53.000189.8200.279212阳光电源19.160171.3800.111798中来股份15.47052.7700.293159航天机电17.95046.9600.38224通威股份86.460327.0800.264339隆基股份78.920520.3700.151661上海电气335.2002085.5300.160727京运通13.74091.7300.149787芯能科技8.62012.6500.681423金辰股份2.00011.3100.176835振江股份8.97021.0900.42532清源股份5.34010.2900.51895福斯特13.55025.1600.538553平均50.144244.5980.3228分析结论与建议由以上的实证分析结果可表明，光伏行业中有约50%的企业处于DEA非有效情况，提升效率方法主要为提升净利润率、降低债权和股权成本、优化企业账期结构。融资对于光伏行业发展的影响仍在净利润率之后，表明优秀的产品力和超群的技术力带来的超额收益能力依然是影响光伏行业发展的最重要因素，而融资成本内部，股权融资成本相较于债权融资成本对于公司ROE的负相关性更大，很好的体现了税盾效应。同时，目前光伏行业公司的融资风险普遍偏高，需要对负债进行一定程度的控制。当然，本文的实证分析过程也有所不足，可能会导致评价不准确。具体来源于只选取了16个DMU的当财年财务数据，样本涵盖的范围有限，统计的结果可能有所偏差。为了实现更好的融资效果、更切身地帮扶光伏行业的高质量、高速度发展，笔者主要有以下几点建议：1. 对融资的渠道进行更深入的畅通工作，充分利用多种不同的融资方式以达到更低的融资成本。如可以通过发行可转换债券的方式，以更低的利息水平获取融资（以通威股份在2022年新发行的可转换债券为例，利息低至0.2%-0.5%。同时，由于光伏企业自身仍然具有相当程度的资金缺口，大量进行股利的发放对公司的ROE产生负面影响。同时，公司可以充分利用新的融资渠道，通过创业板、科创板上市，获得更低的股权融资成本。此外，积极引导产业基金、私募基金、风险投资基金、创业引导基金等融资方式，以原始股份的方式进行融资，降低融资需求和股权融资成本若有相关具有知识产权能力的企业，则可以酌情利用产权融资担保和研发去费用化、研发证券化的