1. <form id='UFnUBv'></form>
        <bdo id='UFnUBv'><sup id='UFnUBv'><div id='UFnUBv'><bdo id='UFnUBv'></bdo></div></sup></bdo>

            基于交叉效率DEA模型的智能制造企业管理绩效评价研究

            来源: www.zsalud.com 作者:lgg 发布时间:2018-01-14 论文字数:35614字
            论文编号: sb2018011319414719247 论文语言:中文 论文类型:硕士毕业论文
            本文是管理论文,本文以我国 25 家智能制造上市企业 2015 年的年报数据为例,针对其企业绩效进行测算和评价,并找出影响企业绩效的关键因素,进而为智能制造企业提高企业绩效。
            第 1 章 绪论
             
            1.1 研究背景
            决策是管理的重要职能之一,而评价是决策的重要依据和密切关联因素。在高速发展的现代经济社会中,企业、政府、经济实体等决策单元的决策者做出决策前需要对决策单元进行系统和准确的评价。因此,国内外学者对评价方法进行了长期的探索和改进。数据包络方法作为其中一种评价方法,因其可以适用于具有多个输入和输出的决策单元间的相对效率评价,而受到了学者普遍的认可和推广。以企业为例,企业的经营、运作、生产、销售以及管理均应以企业效率为根本目标,企业效率的提升和企业绩效的提高是企业可持续发展的前提。由于数据包络分析法是一种非参数方法,且不必假设产出和投入之间存在关系,因此避免了较大的主观性干扰,从而被普遍应用在评价实践中。伴随研究的深入和评价方法的不断完善,数据包络分析方法得到了进一步的改善,其中交叉效率数据包络分析方法就是对该方法的典型改进,并得到了广泛地推广和应用。制造业是一个国家的经济发展支柱,是主导一个国家经济增长和经济转型的重要因素。近年来我国制造业正从传统制造业向现代制造业加速转型,制造业领域也发生着重大变革,如 3D 打印、C2M、敏捷制造、绿色制造、云计算、大规模定制等,其中智能制造作为工业化和信息化创新结合的产物,更是受到了世界范围内的广泛重视及关注[1]。基于此环境,中国提出“中国制造 2025”,依靠创新驱动,推广“智能制造”,全面推进实施制造强国战略,实现从“制造”向“智造”的新突破。目前中国智能制造处于初级发展阶段,经过几十年的快速发展,虽然在一定领域取得了核心技术的突破,但大部分仍处于研发起步阶段。据中投顾问产业研究中心发布的《2016-2020 年中国智能制造行业深度调研及投资前景预测报告》可知,仅 16%的企业进入智能制造应用阶段;在智能制造企业创造的利润和价值方面,有 52%的企业的在智能制造方面的收入率低于 10%,60%的企业在智能制造方面的利润率低于 15%。因此推进智能制造企业生命周期阶段进程,提高智能制造企业的经营效率,需要全面了解智能制造企业绩效,并且知道影响智能制造企业绩效的重要因素,从而调整智能制造企业关注和投入的方向,为我国政府支持智能制造行业提供新思路和政策建议,促进我国智能制造企业的飞速发展。因此,本文以我国 25 家智能制造上市企业 2015 年的年报数据为例,针对其企业绩效进行测算和评价,并找出影响企业绩效的关键因素,进而为智能制造企业提高企业绩效、提升企业利润提供决策支持,实现智能制造行业的稳速发展。
            ........
             
            1.2 研究意义
            第一,本文从智能制造企业角度出发,评价有代表性的国内上市智能制造企业的绩效。智能制造业作为制造业新兴的一类行业,在我国未来的绿色发展和创新驱动战略的推进发挥着重要的作用,智能制造企业的发展是我国国民经济发展的根基,也是科技创新的重要基地和驱动力。而纵观目前的研究现状,对于制造业的研究存在如下问题:一方面,有的学者从制造业的大范畴进行企业绩效评价,由于制造业的范围广泛、分支繁多,易造成研究结果笼统且不具有针对性;另一方面,一些学者以传统制造企业如钢铁、煤炭、装备制造业等为研究对象,而对新兴智能制造企业的经营绩效研究尚少。因此,本文将评价智能制造企业的绩效,不仅将更清晰地了解智能制造企业的运行状况,也对智能制造企业的企业绩效研究有长远的战略意义和实践价值。第二,企业绩效评价的评价内容弥补了当前研究内容的空白。目前针对智能制造业的学术研究集中于我国智能制造的发展现状、模式、发展路径和趋势、产业转型升级和企业集成等方面的理论研究,针对智能制造企业的经营绩效相关研究较少[2]。部分绩效评价常以财务评价作为企业绩效评价,不能全面地反映企业经营绩效情况,因此本文针对智能制造企业的经营绩效,给予全面综合的评价研究,具有较大的理论意义。第三,本文创造性地改进了交叉效率 DEA 这一评价方法,对智能制造企业的经营绩效进行更加准确的评价。企业绩效评价的常用方法有层次分析法、平衡记分卡法(BSC)、关键绩效指标法(KPI)、经济分析法、沃尔比重法、经济增加值法、灰色综合评价法等[3]。然而这些方法存在主观性和模糊性等缺陷,而传统 DEA 方法却具备无须假设产出与投入之间的关系、避免主观性、降低误差等独特优势,且 DEA 方法研究的核心问题是对决策单元进行效率评价和排序,因此用其进行效率评价更加科学准确。但是传统的 DEA 方法又存在输入和输出变量数目关系受限、效率值较易受变量间相关性影响等局限[4]。因此本文创新性地将交叉效率 DEA 模型引入企业绩效评价中,根据输入和输出变量的相关性来确定变量个数,使得传统 DEA 模型的应用局限变小。通过运算样本的投入与产出数据,可全面地评价企业的投入产出效率,不再拘泥于权重的前提假设,无须局限于财务指标,弥补其他常用传统企业绩效评价方法的不足。但目前的交叉效率 DEA 方法仍存在解不唯一性等不完善的问题,本文对于交叉效率 DEA 方法进行理论角度的完善,进而提出改进的交叉效率 DEA 方法。
            ........
             
            第 2 章 理论基础与模型构建
             
            2.1 国内外智能制造企业经营绩效评价理论基础
            2.1.1 智能制造企业概述
            智能制造是未来新一轮产业变革的核心,作为新兴产业,智能制造将很大程度上提高柔性水平,也将带来企业商业模式和生产方式的重大变革,是我国工业化转型的新方向。因此本文选择以智能制造企业作为研究对象,具有深远的研究意义和实践价值。智能制造是传统制造业由数字化制造向智能化制造发展的产物,它是智能化机器和人类专家相互结合的人机一体化智能系统,通过加强人机间的协同工作,使智能制造渗透到生产制造的各阶段和过程,逐步扩大、发展和局部替代人类在制造生产过程中需要付出的脑力劳动,将由原始的自动化状态向生产的智能化、柔性化和高级集成转变[83]。智能制造企业是使用智能科学的方法、理论和技术以及物联网、大数据、云计算、移动互联、智能化、自动化等技术途径,以实现产品的研究开发、设计、生产与装备、经营管理、服务和决策等全生命周期的智能化、环保化、网络化,实现信息资源与工业资源的优化与整合,形成资金流、业务工作流、信息流和物流的融合与集成的制造企业[84]。典型的智能制造企业有新时达、三丰智能、科大讯飞、天奇股份等。智能制造在企业中的具体形态有工业云系统、大数据系统、工艺系统及协同机制、并行工程、全球虚拟制造、计算机集成智能设计系统、全能制造系统、构建支付的第三方系统及云物流公共服务平台[85]。
            .......
             
            2.2 智能制造企业经营绩效评价模型构建
            DEA 的基本模型可分为规模收益不变的 C2R 模型和规模收益变化的 BC2模型,它们可以评估多个评价对象的相对有效性[86]。传统 DEA 模型的决策单元大多以自评的方式评价企业绩效,各决策单元的效率值为本身的产出项目所赋权数和除以本身的投入项目所赋权数和所得的值,并计算它们的线性规划式子,以此使得自身的效率值达到最大值。交叉效率 DEA 评价方法可以消除传统 DEA 模型只凭借被评对象内部评价体系来评价其效率的缺陷。在被评单元的效率评价中,其最终交叉效率值的确定同时受本身最优权数和余下被评对象最优权数的共同作用。通过对智能制造企业构建交叉效率的 DEA 模型,不仅可以全面地评价智能制造企业的经营绩效情况,还可以将其相对于其他智能制造企业进行排序。假设有 n 个评价对象,每个评价对象使用 m 种输入项目,形成 s 种输出项目。对第 j 个决策单元 DMUj(j=1,2,…,n),记其第 i 种输入和第 r 中输出分别为 xij(i=1,…,m)和 yrj=(r=1,…,s)。对于可被随便评估的第 d 个被评对象 DMUd,其在 DEA-CCR 模型下的效率值 Edd可经以下的线性规划问题求得
            ...........
             
            第 3 章 智能制造企业绩效的测算.........23
            3.1 样本的选取 ............ 23
            3.2 指标的选取 ............ 24
            3.3 基于传统 DEA 模型的智能制造企业绩效测算 .... 25
            3.4 基于交叉效率 DEA 模型的智能制造企业绩效测算...... 30
            3.5 基于改进交叉效率 DEA 模型的智能制造企业绩效测算 ....... 31
            3.6 对比分析评价结果 .......... 32
            3.7 本章小结 ...... 35
            第 4 章 智能制造企业绩效的影响因素分析 ...........36
            4.1 构建 Tobit 回归模型........ 36
            4.1.1 基本思想....... 36
            4.1.2 选取影响因素........ 37
            4.1.3 建立 Tobit 回归模型 ...... 38
            4.2 基于 Tobit 回归模型的企业交叉效率影响因素分析 ..... 39
            4.3 本章小结 ...... 42
            第 5 章 对中国智能制造业发展的建议 ..........43
            5.1 对智能制造企业的建议............ 43
            5.2 对政府的建议 ........ 44
            5.3 本章小结 ...... 45
             
            第 5 章 对中国智能制造业发展的建议
             
            从前文对我国智能制造企业绩效的测算结果中,可以发掘出很多问题。尽管近年来我国智能制造企业发展迅猛,但由于我国的智能制造业起步晚、发展时间短,仍存在核心技术短缺、基础设施建设不足、资本输入输出比重不合理等问题,因此,中国智能制造业在微观和宏观层面仍有许多问题值得重点关注。
             
            5.1 对智能制造企业的建议
            着重改善关键影响因素,有效提高企业绩效水平 从中国智能制造企业的交叉效率分析来看,我国智能制造企业的整体绩效水平情况不容乐观,综合效率值为 1 的有效企业只占 12%,其中重度 DEA 无效的企业高达 40%,因此提高企业的绩效水平是我国智能制造业普遍面临的问题。经过对影响企业绩效因素的分析可得出本科以上学历员工比例、销售收入成本率、资产负债率和资产周转率是四项关键影响因素,有针对性地改善关键影响因素,才能利用有效的资源有效提高企业绩效水平。其中负向影响绩效的关键因素销售收入成本率和资产负债率的影响程度更大,应该首先重点关注。对于销售收入成本率这项影响程度最大的关键因素要最为着重改善,在节约成本的同时,更要增加销售收入,销售收入的增加主要从企业的盈利产品着手。一方面,要提高产品科技水平,从而在根本上增加产品收益率。对于技术创新可在引入技术的基础上再创新和自主研发自创新,结合企业具体实际安排合理比例,同时在招聘、晋升、激励等相关人才机制上要做到吸引人才、留住人才和发展人才,营造良好的技术创新激励氛围,以人才推动技术的更迭;另一方面,推动企业的供给侧改革,通过个性化定制、提高产品质量、产品深加工、客户委托协议式生产等方式将客户的需求和产品生产对接,避免投入冗余,提高资源利用率,通过提升产品的整体质量和满足客户的需求从而增加销售收入。其次正向影响绩效的关键因素本科以上学历员工比例和资产周转率的影响程度差不多,对于资产这个在资产负债率和资产周转率双重出现的指标要重点关注。尤其是上市公司要注重交易性金融资产的管理,避免股价的大幅震荡,其次由于智能制造企业对于固定资产的投入较大,要通过提高自身科研水平从而减少固定资产外部引进的依赖、降低成本,也要提高固定资产的周转速度和变现能力。
            ........
             
            结 论
             
            制造业是一个国家的重要经济发展支柱,自“中国制造 2025”计划提出以来,我国的智能制造业得到了广泛的关注,然而只有 16%的企业处于智能制造的成长应用阶段,大多数智能制造企业仍在初级开始阶段,因此推动智能制造企业的发展进程、提高智能制造企业的经营绩效对于促进我国经济结构转型和经济增长至关重要。企业绩效的评价可以体现企业的资源使用情况,对于衡量企业的生产运营情况有着重大作用。企业绩效评价方法也在随着时代的发展不断更新和完善,主要经历了以成本绩效评价阶段、杜邦财务分析法和经济增加值法等为代表的财务绩效评价、以层次分析法、平衡记分卡、灰色综合评价、数据包络分析法等为代表的综合绩效评价阶段。交叉效率 DEA 方法,克服了传统绩效评价方法和传统数据包络模型的缺点,结合不同决策单元的互评和自评体系得到智能制造企业的效率值,使得测量过程灵活、科学和准确,该方法的突出优势使其应用的范围和领域不断扩大,成为了测量企业绩效的重要有效的模型工具。本文在交叉效率 DEA 模型的基础上,考虑进智能制造企业之间的关联性和权重信息,结合熵权法的思想进行了进一步的完善和改进。对中国智能制造业有代表性的 25 家上市企业的 2015 年相关财务数据进行绩效测算,分别运用传统 DEA 方法、交叉效率 DEA 方法、改进的交叉效率 DEA 方法测算我国智能制造企业的企业绩效,并通过改进的交叉效率 DEA 方法对我国智能制造企业的经营效率进行排序和分级。根据测算结果找出 DEA 无效的企业,并分析其资源投入冗余或产出不足的指标及数量,随后找出影响智能制造企业绩效的关键因素,得到以下研究结论:第一,从智能制造企业总体的绩效情况来看,中国智能制造企业整体发展状况较差,企业间差距较大。从绩效评价等级来看,企业绩效等级为良及以上的仅有 3 家企业,绩效较差及以下的有 12 家企业;从企业效率有效程度来看,企业效率无效企业占 88%,企业效率有效企业只存在 3 家,技术效率有效企业只存在 7 家,规模收益不变的企业只存在 3 家,严重企业效率无效的企业偏多。第二,上市企业 DEA 无效的情况是受纯技术效率和规模效率共同作用的结果。企业不仅应加强对现有资源的管理水平,更要着力改善经营范围。因为出现了一些纯技术效率有效却存在无效的规模效率,从而使得综合效率无效的企业,说明规模效率较低是制约企业经营绩效的主要要素。
            ..........
            参考文献(略)

            原文地址:/management/19247.html,如有转载请标明出处,谢谢。

            您可能在寻找管理论文方面的范文,您可以移步到管理论文频道(/management/)查找