英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

摘要

绩效评估旨在不断监测公司运营的效率和经济性，为企业决策提供信息。标杆是比较企业绩效的一种手段。今天的财务指标是企业绩效分析中常用的手段，但几乎不能用作复杂的测量工具。充分的绩效评估和可比性需要一种方法，一种可以以复杂的方式衡量企业绩效的衡量工具。需要一种方法，可以使用定性和定性两个特征;数据包络分析（DEA）是一种类似的方法。 DEA可以完成传统的指标分析，特别是如果目标是获得有关运营和技术效率的更多信息。基于对所选公司数据的分析，提出了DEA适用于盈利公司绩效的比较和分析。通过逐步回归选择评估中包含的变量。在计算中使用R统计的基准模块。

1绩效评估，标杆相关概念介绍

绩效评估和基准测试是广泛使用的有关企业流程改进的方法（Baacute;csneacute;-Nagy，2014），如果没有可用于评估的标准（基准）（2013年，Orbaacute;n），这尤其重要。 一般来说，基准测试是确保决策单元（DMU）进行比较的工具。 DMU可以是公司、单位，项目，决策单位或个人。

在过去二十年中，绩效评估发生了巨大变化。目前，评估基本上是关键的成功因素，大量的投入和产出使得企业绩效评估更加困难（Herczeg，2014年），传统上，会计数据计算的财务比率被用于绩效评估，今天仍然使用长期以来有效，不同的会计和财务指标对企业绩效的评估和比较是最适合的，从20世纪80年代起，传统方法的用户面临越来越多的问题，导致其他绩效评估的研究随着越来越多的人从20世纪90年代中期进行企业绩效评估，成为新的管理学科，绩效评估应用正确 - 为管理层提供机会，找出哪些企业活动确保比成本更多的收益（Neely，2004 ）绩效评估有助于投资者，特别是私募股权投资估计其非金融服务的附加值（Becsky-Nagy - Fazekas，2014）。性能评估中使用的前沿分析方法可以是参数化和非参数化，确定性和随机方法。本文介绍了非参数方法DEA（Data Envelopment Analysis）。目标是介绍如何衡量企业绩效 - 使用DEA方法 - 确定一个复杂的指标。

2 绩效评估中的数据包络分析

财务指标的最大问题之一是维度评估，所以他们不会向管理层和股东展示企业绩效的正确图像（Abdoli等，2011）。同时，一种方法，测量工具将是至关重要的，可以以适当和复杂的方式衡量企业绩效。所需的方法使得可以使用定量和定性特征。DEA是这样的方法它会产生相对的效率分数，同时考虑更多的输入和输出。DEA使用不需要输入和输出特性之间的特殊功能关系，并且不必为错误项分配任何统计分布。 DEA表示效率，低效率由0和1之间的值表示（Mohamad - Said，2013）。如今，DEA并不普及，匈牙利利润公司。匈牙利的相关文献主要介绍非公司部门的应用；然而，利润导向型应用的增长趋势仍然不大。本文旨在将传统财务指标与DEA结合在一起，进行绩效考核。

DEA模型由Chames，Cooper和Rhodes于1978年基于Farell（1957）前作品（Charnes等，1978）提出。 Farell提​​出了一种用于活动分析的方法来纠正传统指标的缺点。他的主要问题是创建一个一般使用的效率测量工具，这使得即使使用更多的输入和输出数据也可以进行测量（Farell，1957）。 DEA根据观察单位的输入和输出数据创建一个前沿。将所检查的数据集中的所有相等单位与边界进行比较，并提供了定义相对性能点的基础（Charnes等，1995）。详细的数学规划模型可以在所有参考文献中找到。至于Cooper等人（2007）DEA是一种面向数据的绩效评估方法，基于相等特征，形成计算效率点的DMU。 DEA倾向于集中倾向，而不是极端价值观。各方面的研究人员很快就认识到，DEA是一个优秀的操作过程建模方法任何业务领域，无论是在营利性还是非营利性行业（Cooper et al。，2007）。在国际文献中 - 从1978年的方法出发，DEA有一个重要的过去。塔瓦雷斯（Tavares）（2002年）收集了1978年至2001年期间3000多种与DEA有关的出版物，Emrouznejad等人（2008）代表30年的DEA提交了4000多篇出版物。 DEA相关出版物逐年增加，起初略有上升，但90年代中期以后每年出版的文章超过200-250篇，2004年这一数字几乎达到了400个。

在我的计算过程中，我们使用了一个开源的，免费的R统计系统的基准模块，它提供了不同DEA相关方法的应用（图1）。 图1所示的方法在效率和应用算法方面是不同的，而且它们的序列意味着一种等级（Zhu，2009）。 对于上述方式，DEA是一种基于线性规划的方法，除了FDH（可自由配置的船体）和FRH（自由可复制性船体）方法外，图1中的方法使用线性规划，而FDH和FRH 使用混合整数编程。

DEA根据支持规模假设的模型而不同。 通常应用两种尺度假设：常量回归（CRS）和可变回归（VRS）。 后者包括增加和减少的规模回报。 CRS假设输出以与输入相同的比例变化，而VRS假定返回比例可以增加，恒定或降低。 关于规模效率，以下方案在效率方面是可能的：

图1 在基准模块中计算DEA的方法

变化发生在输入或输出结果中都是直接成比例的变化。另一方面，随着输入结果的增加，输入结果中出现了缩小的CRS.Changes。 缩小的IRS规模越来越大，输入的增加也可能导致产出增加的比例降低。 这是所谓的减少的规模回报，缩写DRS（Bogetoft - Otto，2011）。

组织的RS（返回规模）特征可能取决于行业的性质，公司规模，经营方式等几个因素，这可能会限制效率寻求策略。 例如CRS假设只有在公司规模最大，没有完美竞争的情况下才能使用，没有交付，劳动或财务等限制。 如果存在限制，则可以避免应用VRS模型的规模效率和干扰的测量问题，否则会导致增长。 因此，VRS模型是最受欢迎的类型。

使用CRS（不断回报规模）可以被认为是大多数公司的不利选择，同时这个模型显示出效率最好，而且这个指标也存在于规模效率的分子中.DEA的不同方法 也适用于规模效率分析。 借助以下公式可以确定规模效率：

规模效率比显示公司目前规模达到最佳规模的程度。 SE比较接近是1，公司规模越小越好。

3 DEA方法在财务分析中的应用

DEA可以完成传统的财务比率分析，特别是如果要获得更多关于运营和技术效率的信息。 Feroz等 （2003）在其文章中介绍了财务指标与DEA效率分数之间的联系。根据他们的观点，财务指标仅对企业绩效进行了特别和部分评估，而增加DEA可能会使评估更为复杂。

DEA通过使用DMU的财务数据作为输入或者提供财务分析的现代机会产出，从而可以使用复杂的指标来评估单位的总体财务业绩（分数），这不能通过从财务报表中获得的单独指标来实现。分析期间DEA创建了财务效率前沿，财务效率得分分配给所有分析的DMU，这可以与分析中存在的单位进行比较。这种分析的优点在于财务绩效的方面不是以顺序的方式进行研究，而是以同时的方式进行研究。在我看来，我们在分析中可能面临两难。首先，选择输入和输出变量（财务

指标），其次，从财务报表中获得的数据可能包括差异目前应用的会计实务。第一个问题可以在不同统计的帮助下出售方法，而我们不得不承认第二个作为计算的潜在扭曲因素。该从匈牙利农业公司中选出分析的公司，其主要业务为表彰“谷物和其他作物生长”。公司的选择在OPTEN公司进行信息系统和分析数据，年度报告数据均从电子资料下载年报门户网站（e-beszamolo）。农业公司年度报告的数据收集在2008 - 2012年。分析样本的范围基于两个标准：第一，数量收入，二是员工人数。因此，分析只涉及有收入的公司1亿HUF以上，至少雇用10人。在230份年度报告中，减去了101份来自样本，因为他们是年度报告。根据其余129家公司的数据计算财务比率，然后在箱形图47的帮助下，公司有极端数据也从样品中淘汰。这样，82家公司的年度报告实际上提供了加工样品我创建了4组财务指标用于我的分析，如表1所示计算在R统计系统中进行。在使用DEA之前，为了选择变量正确地，向后型多元线性逐步回归完成了年度数据，显示应用指标之间的联系，并帮助挑选最有影响力的解释变量。

表1.分析中应用的指标

逐步回归有助于选择最显着影响结果变量的解释变量。逐步回归应用Akaike信息标准（AIC）对变量的决策（Rawlings等，1998）。 在计算期间，确定多元线性回归函数，然后在包括结果变量的对象的帮助下逐步回归。 所应用的模块（步骤）不对每个潜在模型评估AIC，而是使用比较模型的搜索方法（Varmuza-Filzmoser，2009）。

资产回报率（ROA）被用作结果变量，其余指标在回归中被用作自变量。 表2显示了不同年份（灰色细胞）中模型中剩余的变量，并且我建议每年在DEA模型中使用变量分别标记（较暗的细胞）。 仅考虑变量，在至少3年内逐步回归模型出现。 决定因素系数（R 2）表明，选择没有明显改变功能的解释性质。

表2.逐步回归的结果

逐步回归的结果用于DEA。 基于上述5个输入和1个输出变量将在模型中呈现，其结果如图2所示。

投入变量：负债/总资产; 经营杠杆程度; 财务杠杆程度; 存货周转率; 资产周转率; 产出变量：资产回报率 总结事实，根据我的观点，逐步回归有助于选择DEA模型的输入和输出变量，从而获得更可用的绩效衡量指标。 在分析过程中，针对使用各种方法的公司定义了效率分数。

表3详细列出了VRS效率比的主要统计特征，表明公司的平均效率在2009年至2012年间下降，低于1。同时，表3证实，效率比的相对偏差良好， 在两年内不到10％，另外两年不到15％。 该表还显示，第三个四分位数值相对较高，第一个四分位数的值不低，这意味着分析公司的上四分位数（3个四分位数 - 最大值）与 中位数。 四分之一四分位数的宽度（第三四分位数 - 第一四分位数）支持50％以内的企业考虑到效率并没有显着差异。

表3.年度和平均年度VRS效率比的统计特征

使用Welch的双样本t检验，我测试了每年的数据是否不同，即每年的结果之间是否存在实际差异。 完成测试后，关于VRS方法，每年至少在95％的水平上每年不同（表4）。 这意味着，在分析农业企业的情况下，可以确定年度效率的下降，并能在统计学上得到支持。

表4.使用VRS效率法的韦尔奇t检验的p值

在表5中，效率指标值按时间间隔分组列出，这导致我们得出与表3结果相同的结论。表5显示，分析农业公司的效率在第一 两年，但在过去两年中，观察到恶化。 这种变化可能与经济的总体状况趋势有关，投资大幅减少。

表5. VRS效率指标值的年度分布

为了有一个清晰的看法，我确定了公司在前两年和最少两年的平均排名，经过比较，我得出以下结果：排名恶化的情况下，43家公司（52.4％）和对39家公司（47,6％）有所改善。轻微的恶化为3.5，最大的回落了51位。至于改善企业，排名最低的是0.5，最大的是60.5。这些结果显示，2011 - 12年度分析公司的效率排名与2009-10年度相比有显着变化。只有一家公司在四年内基本没有显示变化，该公司排在第一，除了2010年，当它获得了第二名。如果我们来看看在年效率量表的基础上创造的四年平均水平，那么第一名和第二名得主之间就有13分的差距。比较2009年排名与2012年排名，显而易见，33例改善，49例恶化。

最后，使用DEA模型的结果，完成了规模效率分析，即计算出每年的SE比。 尺度效率比被确定为CRS和VRS的效率值的商。 分析公司的规模效率中位数在2009 - 2010年代表了相当低的价值，后来开始增加，2012年超过了0.7。 总体而言，可以说，效率比普通效率值更差，但效率大小越好，这种情况下效率就越高，表明这个结果是连续的。

表6.年均年平均比例的统计特征

上限50％的范围不断下降，2012年上25％的范围小（标准偏差）。 同时，为了看清楚，我认为重要的是引入规模效率的区间分布（表7）。 改进是显而易见的，但可以确定，考虑到规模效率，分析的公司处于比总体效率更差的情况。 表6显示，有0.9家公司的数量有增长的趋势，但是有一半的公司停滞不前。 结果支持表7的高标准值和相对偏差值。

表7.规模效率（SE）的年度值

为了有一个清晰的看法，我确定了公司在前两年和最少两年的平均排名，经过比较，我得出以下结果：排名恶化的情况下，43家公司（52.4％）和对39家公司（47,6％）有所改善。轻微的恶化为3.5，最大的回落了51位。至于改善企业，排名最低的是0.5，最大的是60.5。这些结果显示，2011 - 12年度分析公司的效率排名与2009-10年度相比有显着变化。只有一家公司在四年内基本没有显示变化，该公司排在第一，除了2010年，当它获得了第二名。如果我们来看看在年效率量表的基础上创造的四年平均水平，那么第一名和第二名得主之间就有13分的差距。比较2009年排名与2012年排名，显而易见，33例改善，49例恶化。

已经发现，分析的公司的总体效率不是多样化的，而不是规模效率。 公司应提高总体效益，因为其分析期间的价值不断下降。 规模效益比逐年提高; 大多数 - 关于选定的业务 - 需要采取认真的步骤。 认为规模效率的公

全文共9433字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[145772]，资料为PDF文档或Word文档，PDF文档可免费转换为Word