(2)补短板方面钢铁制企业是典型的重资产企业，这类企业的特点往往也是资产投入过重但对无形资产的投入占比较少，研发投入与营业收入的比值表示企业在研发投入方面的强弱，该比值越大代表企业越是想要解决行业短板问题，对于研发的投入占比越大。补短板一补短板4.53%4.19%3.77%3.60%3.05%3.24%2.57%2.57%20132014201520162017201820192020图4-3马钢股份供给侧结构性改革前后补短板的变化从图4-3可以发现，在供给侧结构性改革之前，2013-2015年马钢股份研发投入占无形资产比在上升，但由于其营业收入这几年出现连续下滑使得该比例在上升。2015-2017年研发投入/营业收入的比值出现了较大幅度的下滑，在供给侧结构性改革的前两年，马钢股份集中企业资源完成降成本和去产能，符合国家供给侧结构性改革的推进步骤，循序渐进。但是随着供给侧结构性改革地推进，2017年至2020年在营业收入大幅增长的前提下还在不断上升，并于2020年达到最大比重4.53%，在营业收入增长的情况下该比例的增加说明马钢股份开始对创新研发予以重视，可预见在今后的改革中马钢股份将逐步加大研发投入，会加强补短板任务的执行力度。4.3马钢股份改革前后财务绩效的同行业对比分析2016年马钢股份进行供给侧结构性改革，企业业绩是多种因素共同作用的结果，单一的企业业绩结果很难局限于某种单一的因素，为全面、客观以及合理地评价供给侧结构性改革对马钢股份财务绩效的影响，本文结合马钢股份同行业间各企业近几年财务状况，将马钢股份财务状况的变化与同行业进行比较，对比分析供给侧结构性改革对整个钢铁行业带来的影响，选用因子分析法进行横向对比分析。对马钢股份财务业绩因子在行业的排名情况进行重点的关注，希望通过数据分析找出公司未来仍需努力的方向。4.3.1数据来源说明本文结合马钢股份所处的钢铁行业，选择深沪A股上市公司的财务数据，结合整个钢铁行业上市的数量，按以下思路对所选样本进行了一定的剔除和筛选，包括：上市以来未发放过股利的企业：对应变量不完整和数据确实的企业：ST、ST类上市企业。通过筛选最后选出了35家上市多年的钢铁企业，表4-8列出了35家选定公司的样本。本文数据均来自国泰君安对应钢铁企业上市公司的年度财务数据，使用SPSS26.0软件对数据进行分类整理和因子分析，同时辅助使用EXCLE表格。表4-8钢铁企业样本公司名称公司代码公司名称公司代码安阳钢铁600569.SH柳钢股份601003.SH鞍钢股份000898.SZ马钢股份600808.SH八一钢铁600581.SH南钢股份600282.SH包钢股份600010.SH攀钢钒钛000629.SZ宝钢股份600019.SH三钢闽光002110.SZ本钢板材000761.SZ沙钢股份002075.SZ常宝股份002478.SZ山东钢铁600022.SH鄂尔多斯600295.SH韶钢松山000717.SZ方大特钢600507.SH首钢股份000959.SZ抚顺特钢600399.SH太钢不锈000825.SZ杭钢股份600126.SH武进不锈603878.SH河钢股份000709.SZ西宁特钢600117.SH河钢资源000923.SZ新钢股份600782.SH华菱钢铁000932.SZ新兴铸管000778.SZ金洲管道002443.SZ永兴材料002756.SZ久立特材002318.SZ中信特钢000708.SZ酒钢宏兴600307.SH重庆钢铁601005.SH凌钢股份600231.SH4.3.2KM0和Bartlett球形检验因子分析法是对已获取的原始数据进行统一化和正向化的整理，以此来发现数据中存在的关联性，这样就可以利用共性的少数因子来代表大多数的原始变量数据的研究方法。因子分析法在运用时要把能够获取的原始财务数据之间的关联程度的判断放在首位，这样才能判断后续是否可以利用因子分析法进行分析获取的财务数据。现在有很多数据模型可以验证已获取的原始数据之间的关联性是否可以利用因子分析法，比如利用KMO和Bart1ett球形对数据的相关性进行检验。若KM0值大于0.5说明数据之间的关联性比较好，可以利用因子分析法进行分析，但是值低于0.5时，则代表关联性较弱，不适合采用因子分析法，而且KM0值越大，代表数据之间的关联性越强，越是适合采用因子分析法。以下的结果来自对本文所选的样本进行因子分析检验所得。表4-9KM0与Bartlett球形检验KMO取样适切性量数0.691近似卡方1355.852Bartlett的球形度检验自由度df120显著性Sig0.000根据检验的结果我们可以看到，所选数据的KM0值是0.691大于0.5，表明获取的样本数据之间的关联性较强，能够利用因子分析进行分析数据。表中巴特利球形试验可以表明是否可以通过总相关的矩阵中提出共同因子，在显著性Sg值小于0.05时是可以提取出共同因子，通过表中的数据显示显著性Sig值为0.000，小于0.05，是可以提取出共同因子。4.3.3方差贡献率及公因子数的确定在进行KMO和Bart1ett的检验结果基础上，使用主成份分析的方法对数据进行运算，得到原始数据矩阵的特征值情况，根据样本信息矩阵的特征值情况，初始因子一般选用特征值大于1的数据，如表4-10所示的因子提取和因子旋转的结果。假定其中特征值大于1的说明选出的公因子至少携带1个以上变量的信息，满足特征值条件的因子共有六个。这六个因子旋转后的方差贡献率依次为19.736%、30.786%、40.759%、49.943%、58.369%、64.704%。公因子的重要程度可以通过贡献率来体现，两者是正向的关系，这样的公因子所蕴含的原始信息就多。因为满足条件的公因子累计方差贡献率达到64.704%，说明待研究问题的64.704%的信息可以用这六个因子解释表4-10总方差解释表初始特征值提取平方和载入旋转平方和载入成份合计方差的%累积%合计方差的%累积%合计方差的%累积%13.81523.84123.8413.81523.84123.8413.15819.73619.73621.65310.32934.1701.65310.32934.171.76811.05030.78631.3798.61842.7881.3798.61842.7881.5969.97340.75941.3708.56451.3521.3708.56451.3521.4709.18549.943