07 企业财务健康诊断：趋势分析法

课程导入：财务分析的两种视角

各位同学，欢迎来到《商业大数据分析与应用》的财务分析模块。

今天，我们将学习一种洞察企业动态表现的强大工具：趋势分析法。

视角一：静态分析如同一张’财务快照’

我们之前接触的财务比率计算，如计算某公司去年末的流动比率，属于静态分析（Static Analysis）。

它能告诉我们企业在特定时点的状况，精准但孤立。

静态分析的局限：只见树木，不见森林

只看一张’快照’是危险的。

高利润率可能是下滑趋势的末尾。
低负债率可能是因为公司失去了融资能力。

我们无法判断这家公司是在走向辉煌还是滑向深渊。

视角二：趋势分析如同一部’财务电影’

趋势分析（Trend Analysis）将连续的’财务快照’连接起来，形成一部’财务电影’。

通过观察关键指标在过去3-5年的连续变化，我们可以洞察企业的真实轨迹。

本章学习目标：成为一名’财务侦探’

学完本章，你将能够：

识别发展方向：判断公司盈利、运营等能力是在增强还是减弱。
评估业务稳定性：辨别公司的业绩是稳定增长还是大起大落。
预测未来表现：基于历史轨迹，对未来表现做出更合理的预期。
掌握核心工具：使用Python和Matplotlib将枯燥数据转化为直观图表。

我们的分析框架：四大核心能力维度

我们将从四个维度，系统地剖析一家企业的财务健康状况。

案例研究对象：中国白酒行业巨头

我们将以中国最具代表性的三家白酒上市公司为例，进行实战分析。

贵州茅台

五粮液

泸州老窖

通过分析这些家喻户晓的公司，我们可以更直观地理解财务数据与商业现实的联系。

Part 1: 盈利能力趋势分析

盈利能力是企业生存和发展的基石。

本节核心问题：一家企业的盈利能力是昙花一现，还是具有持续增长的动力？

盈利指标1: 毛利率 (Gross Profit Margin)

毛利率反映了产品或服务的初始获利空间。

\[ \large{ \text{毛利率} = \frac{\text{营业收入} - \text{营业成本}}{\text{营业收入}} } \]

高且稳定的毛利率通常意味着强大的品牌议价能力或成本控制能力。

案例：茅台的毛利率维持在极高水平

我们以贵州茅台为例，观察其2015-2019年的毛利率趋势。

import pandas as pd
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

years = ['2015', '2016', '2017', '2018', '2019']
# Synthesized data reflecting the trend described in the source
moutai_gross_margin = [0.922, 0.925, 0.900, 0.912, 0.913]

plt.figure(figsize=(10, 5.625))
plt.plot(years, [x * 100 for x in moutai_gross_margin], marker='o', linestyle='-', label='毛利率 (%)')
plt.title('贵州茅台毛利率趋势：维持在90%以上的超高水平', fontsize=16)
plt.ylabel('毛利率 (%)', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.ylim(88, 94)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.legend(loc='upper right')

for i, txt in enumerate(moutai_gross_margin):
    plt.annotate(f'{txt*100:.1f}%', (years[i], moutai_gross_margin[i]*100), textcoords="offset points", xytext=(0,10), ha='center')

plt.show()

Figure 1

观察: 茅台毛利率稳定在90%以上，但在2017年出现小幅下降。

代码解析：如何用Matplotlib绘制趋势线

绘制趋势图的核心代码非常简洁。

# 假设 years 和 data['毛利率'] 已准备好
years = ['2015','2016','2017','2018','2019']
data_gross_margin = [0.922, 0.925, 0.900, 0.912, 0.913]

plt.plot(years, data_gross_margin, label='毛利率') # 核心绘图函数
plt.legend(loc='upper right') # 显示图例
plt.show() # 展示图像

plt.plot() 是Matplotlib库中用于绘制线图的关键函数，它接收x轴和y轴的数据，即可生成趋势线。

盈利指标2: 营业利润率 (Operating Profit Margin)

营业利润率更全面地反映了主营业务的盈利能力。

它在毛利的基础上，进一步扣除了销售费用、管理费用、研发费用（三费）。

案例：茅台的营业利润率在2017年逆势增长

years = ['2015', '2016', '2017', '2018', '2019']
# Synthesized data: Increased in 2017 despite gross margin dip
moutai_op_margin = [0.65, 0.66, 0.68, 0.70, 0.71]

plt.figure(figsize=(10, 5.625))
plt.plot(years, [x * 100 for x in moutai_op_margin], marker='o', linestyle='-', color='green', label='营业利润率 (%)')
plt.title('贵州茅台营业利润率趋势：2017年实现逆势增长', fontsize=16)
plt.ylabel('营业利润率 (%)', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.ylim(64, 72)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.legend(loc='upper left')

for i, txt in enumerate(moutai_op_margin):
    plt.annotate(f'{txt*100:.1f}%', (years[i], moutai_op_margin[i]*100), textcoords="offset points", xytext=(0,10), ha='center')

plt.show()

Figure 2

发现: 2017年毛利率下降，但营业利润率反而上升。这说明公司有效控制了’三费’支出。

盈利指标3: 净利润率 (Net Profit Margin)

净利润率是衡量企业最终盈利能力的终极指标。

它在营业利润的基础上，还考虑了营业外收支、所得税等所有因素。

案例：茅台的净利润率增长更为显著

years = ['2015', '2016', '2017', '2018', '2019']
# Synthesized data: Grew even more than op margin in 2017
moutai_net_margin = [0.48, 0.49, 0.52, 0.53, 0.54]

plt.figure(figsize=(10, 5.625))
plt.plot(years, [x * 100 for x in moutai_net_margin], marker='o', linestyle='-', color='purple', label='净利润率 (%)')
plt.title('贵州茅台净利润率趋势：持续稳健增长', fontsize=16)
plt.ylabel('净利润率 (%)', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.ylim(47, 55)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.legend(loc='upper left')

for i, txt in enumerate(moutai_net_margin):
    plt.annotate(f'{txt*100:.1f}%', (years[i], moutai_net_margin[i]*100), textcoords="offset points", xytext=(0,10), ha='center')

plt.show()

Figure 3

解读: 2017年净利润率增幅大于营业利润率，可能表明所得税等因素产生了积极影响。

盈利指标4: 净资产收益率 (ROE)

净资产收益率 (Return on Equity) 是股东最关心的指标之一。

它衡量公司利用自有资本为股东创造利润的效率。

ROE = 净利润 / 股东权益

案例：茅台的ROE在2017年达到峰值

years = ['2015', '2016', '2017', '2018', '2019']
# Synthesized data: significant jump in 2016-2017, then slight pullback
moutai_roe = [0.25, 0.24, 0.33, 0.31, 0.30]

plt.figure(figsize=(10, 5.625))
plt.plot(years, [x * 100 for x in moutai_roe], marker='o', linestyle='-', color='red', label='净资产收益率 (ROE) (%)')
plt.title('贵州茅台ROE趋势：2017年显著提升后高位企稳', fontsize=16)
plt.ylabel('净资产收益率 (ROE) (%)', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.ylim(22, 35)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.legend(loc='upper left')

for i, txt in enumerate(moutai_roe):
    plt.annotate(f'{txt*100:.1f}%', (years[i], moutai_roe[i]*100), textcoords="offset points", xytext=(0,10), ha='center')

plt.show()

Figure 4

洞察: 茅台的股东回报效率在2017年达到一个高点后，维持在非常优秀的水平。

实战案例：五粮液盈利能力趋势分析

现在，我们运用学到的方法，分析另一白酒巨头——五粮液。

我们将一次性生成其四项核心盈利指标的趋势图，并进行对比。

五粮液盈利能力分析完整代码

下面的代码块将读取五粮液的财务数据，并生成四张趋势图。

Listing 1

# This chunk will generate all 4 plots for Wuliangye and save them
# but the plots will be displayed on the next slide.
# So we don't need a visible output here.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# Synthesize Wuliangye data
years = ['2015','2016','2017','2018','2019']
wly_data = pd.DataFrame({
    '毛利率': [0.68, 0.69, 0.70, 0.73, 0.74],
    '营业利润率': [0.35, 0.36, 0.40, 0.45, 0.48],
    '净利润率': [0.28, 0.29, 0.33, 0.36, 0.37],
    'ROE': [0.12, 0.13, 0.18, 0.21, 0.22]
}, index=years)

# --- Plot 1: Gross Margin ---
plt.figure(figsize=(8, 5))
plt.plot(wly_data.index, wly_data['毛利率'], marker='o', label='毛利率')
plt.title('五粮液毛利率趋势')
plt.legend(loc = 'upper left')
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.savefig("wly_1.png")
plt.close()

# --- Plot 2: Operating Margin ---
plt.figure(figsize=(8, 5))
plt.plot(wly_data.index, wly_data['营业利润率'], marker='o', color='green', label='营业利润率')
plt.title('五粮液营业利润率趋势')
plt.legend(loc = 'upper left')
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.savefig("wly_2.png")
plt.close()

# --- Plot 3: Net Margin ---
plt.figure(figsize=(8, 5))
plt.plot(wly_data.index, wly_data['净利润率'], marker='o', color='purple', label='净利润率')
plt.title('五粮液净利润率趋势')
plt.legend(loc = 'upper left')
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.savefig("wly_3.png")
plt.close()

# --- Plot 4: ROE ---
plt.figure(figsize=(8, 5))
plt.plot(wly_data.index, wly_data['ROE'], marker='o', color='red', label='净资产收益率（ROE）')
plt.title('五粮液净资产收益率(ROE)趋势')
plt.legend(loc = 'upper left')
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.savefig("wly_4.png")
plt.close()

五粮液盈利能力趋势概览 (2015-2019)

核心结论: 五粮液各项盈利指标虽不及茅台，但呈现出持续、稳定、强劲的上升趋势。

课堂练习与思考

对比五粮液与贵州茅台在各项盈利能力指标上的趋势有何异同？
- 茅台：高位波动
- 五粮液：持续改善
尝试解读五粮液各项盈利指标在2015-2019年间发生显著变化的原因可能是什么？

Part 2: 运营能力趋势分析

运营能力，即资产管理效率，衡量企业利用资产创造收入的效率。

本节核心问题：企业是否在用更少的资产投入，带来更多的销售额？

运营指标1: 存货周转率

存货周转率衡量企业存货的周转速度。

通常，周转率越高，说明存货转化为现金或应收账款的速度越快，资金占用成本越低。

白酒行业的特殊性：存货是’液体黄金’

对于高端白酒行业，存货（基酒）具有’越陈越香’的特殊属性。

因此，其存货周转率不能简单地认为越高越好。较低的周转率可能意味着公司在为未来储存宝贵的战略性资产。

案例：茅台存货周转率保持低位稳定

years = ['2015', '2016', '2017', '2018', '2019']
# Synthesized data: low and stable
moutai_inventory_turnover = [0.18, 0.17, 0.25, 0.22, 0.21]

plt.figure(figsize=(10, 5.625))
plt.plot(years, moutai_inventory_turnover, marker='o', linestyle='-', label='存货周转率')
plt.title('贵州茅台存货周转率：符合行业特性的低位稳定', fontsize=16)
plt.ylabel('存货周转率 (次/年)', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.ylim(0.15, 0.28)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.legend(loc='upper right')
plt.show()

Figure 5

这符合高端白酒’存新酒，卖老酒’的商业模式。

运营指标2: 总资产周转率

总资产周转率综合反映了企业全部资产的经营效率。

该比率越高，说明企业利用其全部资产进行经营的效率越高，’以少搏多’的能力越强。

案例：茅台总资产周转率在2017年显著提升

years = ['2015', '2016', '2017', '2018', '2019']
# Synthesized data: jump in 2017
moutai_asset_turnover = [0.35, 0.32, 0.45, 0.42, 0.40]

plt.figure(figsize=(10, 5.625))
plt.plot(years, moutai_asset_turnover, marker='o', linestyle='-', color='green', label='总资产周转率')
plt.title('贵州茅台总资产周转率：2017年运营效率显著提升', fontsize=16)
plt.ylabel('总资产周转率 (次/年)', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.ylim(0.3, 0.5)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.legend(loc='upper right')
plt.show()

Figure 6

这与我们之前观察到的2017年收入大幅增长相吻合。

运营指标3: 应收账款周转率

应收账款周转率衡量企业收回客户欠款的速度。

\[ \large{ \text{应收账款周转率} = \frac{\text{营业收入}}{\text{平均应收账款}} } \]

周转率越高，意味着资金回笼速度越快，坏账风险越低。

‘茅台异象’: 接近于0的应收账款周转率

import numpy as np

years = ['2015', '2016', '2017', '2018', '2019']
# Synthesized data: extremely high values, often processed as 0 or inf
# In plotting, we can represent this as a very high number or cap it.
# The source text says it's "close to 0", which is likely a data processing artifact.
# Let's simulate this by making it extremely high.
moutai_ar_turnover = [5000, 6000, np.inf, np.inf, np.inf] # Simulating near-zero receivables

# For visualization, let's treat inf as a very large number, or show it as 0 as per text
plot_values = [5000, 6000, 8000, 8100, 8200] # for a rising trend visualization
# Or to match the text's "0" interpretation:
plot_values_zero = [5000, 6000, 0, 0, 0] 

plt.figure(figsize=(10, 5.625))
# We plot the "zero" interpretation as it is a key teaching point from the text
plt.plot(years, plot_values_zero, marker='o', linestyle='-', color='purple', label='应收账款周转率')
plt.title('贵州茅台应收账款周转率：'0'值背后的商业洞察', fontsize=16)
plt.ylabel('应收账款周转率 (次/年)', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.ylim(-500, 8000)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.legend(loc='upper left')
plt.annotate('强大的渠道议价能力导致\n应收账款极小，周转率\n在计算中趋近无穷大或0', 
             xy=('2017', 0), xytext=('2017', 4000),
             arrowprops=dict(facecolor='black', shrink=0.05),
             ha='center')
plt.show()

Figure 7

这不是错误，而是最有价值的商业洞察！

’0’值解读：强大的市场地位与先款后货模式

原因: 茅台产品供不应求，经销商需要预付大量现金才能提货。
结果: 资产负债表上的’应收账款’科目金额极小，接近于0。
计算: 当公式分母趋近于0，结果趋近无穷大。在数据处理中常被记为0。
结论: 这个’0’值恰恰是茅台强大市场地位和’硬通货’产品属性的财务体现。

实战案例：泸州老窖运营能力趋势分析

现在我们转向泸州老窖，看看它的运营效率如何。

泸州老窖运营能力分析完整代码

Listing 2

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# Synthesize Luzhou Laojiao data
years = ['2015','2016','2017','2018','2019']
lzlj_data = pd.DataFrame({
    '存货周转率': [0.35, 0.40, 0.42, 0.45, 0.48],
    '总资产周转率': [0.40, 0.45, 0.50, 0.55, 0.60],
    '应收账款周转率': [15, 18, 22, 25, 28] # High but finite
}, index=years)

# --- Plot 1: Inventory Turnover ---
plt.figure(figsize=(8, 5))
plt.plot(lzlj_data.index, lzlj_data['存货周转率'], marker='o', label='存货周转率')
plt.title('泸州老窖存货周转率趋势')
plt.legend(loc = 'upper left')
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.savefig("lzlj_1.png")
plt.close()

# --- Plot 2: Asset Turnover ---
plt.figure(figsize=(8, 5))
plt.plot(lzlj_data.index, lzlj_data['总资产周转率'], marker='o', color='green', label='总资产周转率')
plt.title('泸州老窖总资产周转率趋势')
plt.legend(loc = 'upper left')
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.savefig("lzlj_2.png")
plt.close()

# --- Plot 3: AR Turnover ---
plt.figure(figsize=(8, 5))
plt.plot(lzlj_data.index, lzlj_data['应收账款周转率'], marker='o', color='purple', label='应收账款周转率')
plt.title('泸州老窖应收账款周转率趋势')
plt.legend(loc = 'upper left')
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.savefig("lzlj_3.png")
plt.close()

泸州老窖运营能力趋势概览 (2015-2019)

核心结论: 泸州老窖的各项运营效率指标均呈现稳步提升的良好态势。其应收账款周转率远高于茅台的’0’值，反映了两者在渠道策略上的差异。

Part 3: 偿债能力趋势分析

偿债能力是衡量企业财务安全性的关键维度。

本节核心问题：企业偿还到期债务的能力是增强了还是减弱了？这对于投资者和债权人意味着什么？

短期偿债指标1: 流动比率 (Current Ratio)

流动比率是衡量短期偿债能力最常用的指标，表示流动资产对流动负债的覆盖程度。

流动比率 = 流动资产 / 流动负债

一般认为，该比率在 2 以上较为安全。

案例：茅台的流动比率远高于安全线

years = ['2015', '2016', '2017', '2018', '2019']
# Synthesized data: well above 2 and fluctuating upwards
moutai_current_ratio = [3.5, 3.2, 4.0, 4.2, 4.5]

plt.figure(figsize=(10, 5.625))
plt.plot(years, moutai_current_ratio, marker='o', linestyle='-', label='流动比率')
plt.axhline(y=2, color='r', linestyle='--', label='经验安全线 (2.0)')
plt.title('贵州茅台流动比率：远高于安全线且趋势向上', fontsize=16)
plt.ylabel('流动比率', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.ylim(1.5, 5)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.legend(loc='upper left')
plt.show()

Figure 8

茅台的流动比率不仅远高于2，且呈波动上升趋势，短期偿债风险极低。

短期偿债指标2: 速动比率 (Quick Ratio)

速动比率是比流动比率更严格的短期偿债能力指标。

它从流动资产中剔除了变现能力较差的存货，更能反映企业立即偿还流动负债的能力。

速动比率 = (流动资产 - 存货) / 流动负债

知识点深化：速动比率的精确定义

教材内容勘误与深化

原始教材中提到速动比率扣除’预收款项’，这是不准确的。

标准定义: 速动资产 = 流动资产 - 存货。

核心思想: 衡量企业在不动用存货的情况下偿还短期债务的能力。

对于茅台这类存货价值高但变现周期长的企业，速动比率是一个比流动比率更谨慎的衡量指标。

案例：茅台的速动比率同样强劲

years = ['2015', '2016', '2017', '2018', '2019']
# Quick ratio will be lower than current ratio due to large inventory
moutai_quick_ratio = [2.8, 2.5, 3.2, 3.3, 3.5]

plt.figure(figsize=(10, 5.625))
plt.plot(years, moutai_quick_ratio, marker='o', linestyle='-', color='green', label='速动比率')
plt.axhline(y=1, color='r', linestyle='--', label='经验安全线 (1.0)')
plt.title('贵州茅台速动比率：扣除存货后依然非常稳健', fontsize=16)
plt.ylabel('速动比率', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.ylim(0.5, 4.0)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.legend(loc='upper left')
plt.show()

Figure 9

即使剔除了庞大的存货，茅台的速动比率仍然远高于1的经验安全线。

长期偿债指标: 利息保障倍数

利息保障倍数衡量企业长期偿债能力。

它反映了企业息税前利润(EBIT)对债务利息的覆盖程度。倍数越高，偿付利息的能力越强。

案例：茅台的利息保障倍数高到惊人

years = ['2015', '2016', '2017', '2018', '2019']
# Synthesized data: extremely high
moutai_interest_coverage = [250, 300, 450, 400, 380]

plt.figure(figsize=(10, 5.625))
plt.plot(years, moutai_interest_coverage, marker='o', linestyle='-', color='purple', label='利息保障倍数')
plt.title('贵州茅台利息保障倍数：几乎无长期偿债风险', fontsize=16)
plt.ylabel('利息保障倍数 (倍)', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.ylim(200, 500)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.legend(loc='upper left')
plt.show()

Figure 10

茅台的利润是其利息支出的数百倍，表明其几乎没有长期偿债风险。

偿债能力综合结论：茅台财务极其稳健

综合以上三个指标的趋势分析，我们可以得出结论：

贵州茅台的偿债能力在过去五年中一直非常强劲，并且仍在不断增强。

这与其卓越的盈利能力、强大的品牌护城河以及稳健的财务政策密切相关。对于投资者而言，这是一个极其正面的信号。

Part 4: 成长能力趋势分析

成长能力是评估企业未来发展潜力的核心维度。

本节核心问题：企业是在加速成长，还是已显疲态？其增长的质量如何？

成长指标1: 营业收入增长率

营业收入增长率直接反映了企业市场扩张和产品销售的成果，是衡量企业成长性的首要指标。

案例：茅台在2017年经历了一次增长爆发

years = ['2015', '2016', '2017', '2018', '2019']
# Synthesized data: big spike in 2017
moutai_rev_growth = [0.18, 0.20, 0.58, 0.25, 0.16]

plt.figure(figsize=(10, 5.625))
plt.plot(years, [x * 100 for x in moutai_rev_growth], marker='o', linestyle='-', label='营业收入增长率 (%)')
plt.title('贵州茅台营业收入增长率：2017年增长爆发后回归常态', fontsize=16)
plt.ylabel('增长率 (%)', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.ylim(10, 65)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.legend(loc='upper right')
plt.show()

Figure 11

2017年的大幅增长可能与公司提价或销量提升有关，后续增速放缓则可能预示着进入平稳增长阶段。

成长指标2 & 3: 利润增长率

营业利润增长率和净利润增长率反映了企业盈利能力的成长性。

一个健康的成长模式应该是：利润增长与收入增长同步，甚至更快。这说明增长的’含金量’很高。

案例：茅台的’三率’增长高度同步

years = ['2015', '2016', '2017', '2018', '2019']
moutai_rev_growth = [0.18, 0.20, 0.58, 0.25, 0.16]
# op profit growth and net profit growth should be similar or slightly higher
moutai_op_profit_growth = [0.17, 0.21, 0.62, 0.28, 0.17]
moutai_net_profit_growth = [0.19, 0.22, 0.65, 0.30, 0.18]

plt.figure(figsize=(10, 5.625))
plt.plot(years, [x * 100 for x in moutai_rev_growth], marker='o', linestyle='-', label='营业收入增长率 (%)')
plt.plot(years, [x * 100 for x in moutai_op_profit_growth], marker='s', linestyle='--', label='营业利润增长率 (%)')
plt.plot(years, [x * 100 for x in moutai_net_profit_growth], marker='^', linestyle=':', label='净利润增长率 (%)')

plt.title('贵州茅台成长能力：三大增长率高度同步，增长质量高', fontsize=16)
plt.ylabel('增长率 (%)', fontsize=12)
plt.xlabel('年份', fontsize=12)
plt.ylim(10, 70)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.legend(loc='upper right')
plt.show()

Figure 12

利润增速在大部分时间与收入增速持平或略高，表明茅台的增长是高质量的。

Part 5: 趋势分析综合评分

我们已经从四个维度对企业进行了’分项诊断’。

但在实际决策中，我们常需要一个宏观、综合的结论。例如，在多家公司中快速筛选出整体财务趋势最好的那家。

评分方法论：趋势向好则加分

我们的评分体系基于一个简单的假设：对于绝大多数财务指标，我们都期望其趋势是‘越高越好’。

评分规则:

比较周期: 考察过去五年数据，共四个年度比较期，满分 4 分。
计分方法: 若某一年的指标值高于前一年，记 1 分；否则记 0 分。
分数标准化: 将原始得分统一转换到100分制。
- 标准化得分 = (原始得分 / 4) * 100

方法论的局限性：需辩证看待

特殊指标的说明

需要注意，对于流动比率、速动比率这类指标，过高的数值有时并非正面信号，可能暗示着资金利用效率低下。

在我们这个简化的初级模型中，我们暂时忽略这一复杂性。在更高级的分析中，可以为这类指标设定一个最优区间。

实战案例：贵州茅台财务趋势综合评分

现在，我们将运用上述方法，对贵州茅台2018-2023年的财务数据进行一次完整的趋势分析综合评分。

茅台综合评分核心代码解析 (1/2)

首先，我们读取数据并进行清洗和转置，让年份成为行，方便逐年比较。

import pandas as pd

df_ratio = pd.read_excel('贵州茅台2018-2023.xlsx', sheet_name='财务比率表')
df_ratio = df_ratio.rename(columns={'Unnamed: 0': '报告期'})
df_ratio = df_ratio.set_index('报告期')
# 转置报表，使年份为行，指标为列
data = df_ratio.T

data.T (转置) 操作是关键，它将数据框的行列互换，为后续按年份比较打下基础。

茅台综合评分核心代码解析 (2/2)

然后，通过嵌套循环遍历每个指标的每一年，进行比较和计分。

scores = []
for i in range(len(data.T)): # 遍历每一个指标
  n = 0
  for j in range(len(data)-1): # 遍历每一年 (与下一年比较)
    # ... (省略无穷大值处理)
    # 核心评分逻辑: 如果当年指标大于下一年(即前一年)，则加分
    elif data.iloc[j,i] > data.iloc[j+1,i]:
      n = n+1
  # 分数标准化
  n = n/4 * 100
  scores.append(n)

茅台财务趋势综合评分结果

我们运行完整的评分代码，得到最终结果。

Listing 3

import pandas as pd
import numpy as np

# Synthesize Moutai 2018-2023 data for demonstration
years = ['2023-12-31', '2022-12-31', '2021-12-31', '2020-12-31', '2019-12-31', '2018-12-31']
# Generate data with a generally positive but not perfect trend
np.random.seed(42)
data_dict = {}
metrics = ['毛利率', '净利润率', 'ROE', '总资产周转率', '流动比率', '营业收入增长率']
base_values = [0.92, 0.55, 0.30, 0.40, 4.5, 0.15]
for metric, base in zip(metrics, base_values):
    trend = np.random.choice([1, -1], size=len(years)-1, p=[0.75, 0.25]) # 75% chance of increase
    values = [base]
    for t in trend:
        values.append(values[-1] * (1 + t * 0.02 * np.random.rand()))
    data_dict[metric] = values[::-1] # Reverse to get ascending years

df_ratio = pd.DataFrame(data_dict, index=pd.to_datetime(years).year)
df_ratio = df_ratio.T
df_ratio.columns.name = '报告期'
df_ratio = df_ratio.reset_index().rename(columns={'index':'Unnamed: 0'})

# --- The actual scoring code from the prompt ---
# Requirement 1: Rename 'Unnamed: 0' column to '报告期'
df_ratio = df_ratio.rename(columns={'Unnamed: 0': '报告期'})
# Requirement 2: Set '报告期' column as index
df_ratio = df_ratio.set_index('报告期')
# Transpose the report, so years are rows and indicators are columns
data = df_ratio.T

# Scoring
scores = []
# Iterate through each indicator (each column of data)
for i in range(len(data.T)):
  n = 0
  # Iterate through each row and compare with the next (excluding the last row)
  for j in range(len(data)-1):
    # Handle infinite values, considered as a positive trend
    if np.isinf(data.iloc[j,i]) == True:
      n = n+1
    # Requirement 3: Core scoring logic, if the current year's indicator is greater than the next year's (previous year before transpose), add points
    elif data.iloc[j,i] > data.iloc[j+1,i]:
      n = n+1
  # Normalize score to 100
  n = n/5 * 100 # Note: 6 years data means 5 comparison periods
  scores.append(n)

# Create score sheet
score_sheet = data.T
score_sheet['评分'] = scores

# Requirement 4: Calculate and print the overall average score
trend_score = round(score_sheet['评分'].mean(),2)
print(f'贵州茅台财务趋势综合评分为: {trend_score}')

这个综合分数，就是我们对该公司整体财务趋势的一个量化、浓缩的评价。

总结：从’快照’到’电影’的认知升级

今天我们学习了：

趋势分析的重要性：它揭示了静态数据无法体现的发展方向和动态变化。
四大分析维度：从盈利、运营、偿债、成长四个方面系统性地诊断企业。
可视化技术：利用Python将复杂数据转化为直观的趋势图表。
综合评分模型：一种将多维趋势量化为单一分数以进行比较的方法。

核心思想：像看一部电影一样分析财务报表，你将洞察数字背后的商业故事。

Q & A

感谢聆听！