沪深股市大数据板块上市公司营运效率评价
沪深股市大数据板块上市公司营运效率评价[20200105103930]
大数据是传统数据库管理工具难以控制的大量、瞬时、多样化的数据。近年来由于人们对大数据处理产业的关注导致大数据产业股迎来了产业爆发周期。营运效率是衡量企业经营活动成果的一个非常重要的指标，对企业发展有着重要的意义，因此对大数据板块上市公司的营运效率进行客观合理的评价将对投资者、经营管理者、政府管理部门和其他利益相关者具有十分重要的意义。本文利用DEA方法中的CCR模型和BCC模型对我国大数据板块上市公司的营运效率进行评价研究。本文首先在前人的研究基础上建立投入产出指标。其次对CCR模型、BCC模型和Malmquist指数原理进行简要阐述。再次通过横向和纵向分析以及Malmquist指数分析指出我国大数据板块上市公司在营运效率方面存在的不足。最后结合实证分析，对改善我国大数据板块上市公司的营运效率提出参考性的理论建议。 *查看完整论文请+Q: 351916072
关键字:大数据板块上市公司,营运效率,DEA模型,Malmquist指数分析
目 录
1 引言 1
2 文献综述 1
2．1 国外文献 1
2．2 国内文献 2
3 评价指标体系的建立 3
3．1 投入指标 4
3.1.1 总资产 4
3.1.2 营业成本 4
3.1.3 营业税金及附加 5
3．2 产出指标 5
3.2.1 营业收入 5
3.2.2 净利润 5
4 模型的选取 5
4．1 CCR模型 5
4．2 BCC模型 6
4．3 Malmquist指数原理 7
5 实证研究 7
5．1 数据来源 8
5．2 结果 9
6 分析 9
6．1 横向分析 11
6.1.1 投入产出指标分析 11
6.1.2 效率值分析 11
6.1.3 投影分析 12
6．2 纵向分析 13
7 管理建议 15
7．1 提高上市公司管理水平 15
7．2 加强企业的成本控制 15
7.2.1 积极开展成本预测，建立正规预测制度 16
7.2.2 编制成本费用预算，实行成本分级归口管理 16
7．3 增强企业的核心竞争力 16
结 论 17
致 谢 18
参 考 文 献 19
附 录 21
附表 1 30家样本家电上市公司汇总 21
附表 2 2010年原始数据 22
附表 3 2011年原始数据 23
附表 4 2012年原始数据 24
附表 5 2013年原始数据 25
附表 6 2014年原始数据 26
表格 1 营运效率评价指标汇总表 4
表格 2 投入产出指标汇总表 5
表格 3 投入产出指标平均值（2010~2014年） 8
表格 4 30个决策单元的投影分析和DEA效率评价 10
表格 5 2010~2014年30家样本大数据上市公司Malmquist指数及其分解 14
图表 1 2010-2014年Malmquist指标图表分析 15
1 引言
大数据指的是是传统数据库管理工具难以控制的大量、瞬时、多样化的数据。比如我们在上网的时候，每点击一次都将被记录下来，企业就根据这些记录下来的数据进行分析，推测出用户的消费情况和其他有价值的相关信息，并推送相应的产品或服务。由于近年来网购的快速发展，进而产生了大批量的数据，所以物流和电子商务企业必须对它们进行处理。与此同时，伴随着金融业务的发展，如果金融行业的数据不突破原先的传统处理瓶颈，就很有可能遗失掉金融数据，甚至金融系统的安全运行也将受到影响。近年来，由于大数据处理产业受到了高度关注，致使其迎来了产业高峰期。因此，科学定量的评价大数据板块上市公司的营运效率，找出存在的问题，给出相关的建议，这对行业自身及其他利益相关者有着重要的意义。
第一，有利于企业自身经营管理水平的提高。通过对大数据板块上市公司营运效率的评价，每个企业可以明确了解自己企业在整个行业板块中所处的地位，正确认识到自己的现状，制定出合适的经营战略，使自己在激烈的竞争中得以健康地发展。
第二，有利于投资者的正确投资。投资者投资当然是选营运效率高的企业进行投资，因此对大数据板块上市公司营运效率的评价研究可以让投资者看清行业形势，做好投资规划，避免由于信息不对称而进行的盲目投资。
第三，有利于政府的监督。政府可以通过对该板块上市公司营运效率的综合评价从而了解该板块对国民经济的影响，进而可以正确的调整产业政策。
为了直观的体现企业的营运效率、做出客观的评价研究，本文选用数据包络分析方法（Data Envelopment Analysis，简称DEA）和Malmquist指数分析法，评价我国30家大数据板块上市公司2010~2014年的营运效率。
2 文献综述
2．1 国外文献
Debreu用构建模型的方法来阐述多投入多产出DUM的技术效率，即衡量多投入企业效率 [1]。随后由Malmquist为效率的测量提供了一种可行的方法，这种方法不需要预先设定行为目标，就可以描述一种多投入多产出的生产技术[2]。
Yu等基于 DEA的整合概念并结合了 Russell 度量构建了一个 DEA 模型，并通过对台湾机场的实证分析证明其有效[3]。
Zhao，Qiao和Zhang（2011）利用层次分析法和熵值法来分析影响中国移动支付企业的营运效率的因素，并且通过模糊综合评价法来评估三家中国移动支付企业的营运效率。从他们的结果可以发现顾客的消费水平和经济的发展水平是影响该类企业营运效率的主要因素[4]。
Wei Quanling主要介绍数据包络分析（DEA）研究的历史和现状，特别是评估过程[5]。同时也对一些DEA模型的延伸扩展作出了一定的说明。文章指出数学、经济学和管理学是DEA发展的主要力量，为DEA模型研究优化提供了基础方法，同时广泛的应用加强了DEA模型的快速发展。
Nakashima，Nose和Kuriyama提出了用数据包络分析的方法来评价企业环境业绩。通过从每个EMS业绩中获得投入和产出量，进而用DEA比较同种类型公司的业绩,并在系统中建立了一个PDC(Plan-Do-Check-Act)循环管理系统[6]。
营运效率是分析企业经营成果的重要指标，若要提高企业的营运效率则首先要对营运效率进行测量。既然营运效率是关于产出和投入的一个比率，那对它的测量也应从投入和产出两方面进行。对营运效率的测量评价有着各种方法，但传统的只是侧重于通过对投入指标的评价测量来评估企业的营运效率，没有将投入和产出结合起来考虑。由著名运筹学家Charnes，Cooper和Rhodes（1978）提出的数据包络分析方法（DEA）则可以将企业的投入和产出结合起来评价企业的营运效率[7]。Z.K.Wang（2011）利用DEA模型对中国商业银行的营运效率进行评价，指出非DEA有效的商业银行的改良措施：精简人员，提高管理水平等[8]； Duan，Liu和Wang（2012）利用改进的DEA模型对中国制造业的技术创新效率进行评价研究[9]。
2．2 国内文献
朱正伟运用主成分分析方法，对沪深两市35家钢铁类上市公司的经营业绩进行了综合评价，并进行了相关分析[10]。利用主成份分析方法来研究企业的营运效率是一个不错的选择，通过财务报表的数据建立模型，通过数字直观的描述企业的营运效率，但是它在数据的选择上有着较严格的约束条件。
大数据是传统数据库管理工具难以控制的大量、瞬时、多样化的数据。近年来由于人们对大数据处理产业的关注导致大数据产业股迎来了产业爆发周期。营运效率是衡量企业经营活动成果的一个非常重要的指标，对企业发展有着重要的意义，因此对大数据板块上市公司的营运效率进行客观合理的评价将对投资者、经营管理者、政府管理部门和其他利益相关者具有十分重要的意义。本文利用DEA方法中的CCR模型和BCC模型对我国大数据板块上市公司的营运效率进行评价研究。本文首先在前人的研究基础上建立投入产出指标。其次对CCR模型、BCC模型和Malmquist指数原理进行简要阐述。再次通过横向和纵向分析以及Malmquist指数分析指出我国大数据板块上市公司在营运效率方面存在的不足。最后结合实证分析，对改善我国大数据板块上市公司的营运效率提出参考性的理论建议。 *查看完整论文请+Q: 351916072
关键字:大数据板块上市公司,营运效率,DEA模型,Malmquist指数分析
目 录
1 引言 1
2 文献综述 1
2．1 国外文献 1
2．2 国内文献 2
3 评价指标体系的建立 3
3．1 投入指标 4
3.1.1 总资产 4
3.1.2 营业成本 4
3.1.3 营业税金及附加 5
3．2 产出指标 5
3.2.1 营业收入 5
3.2.2 净利润 5
4 模型的选取 5
4．1 CCR模型 5
4．2 BCC模型 6
4．3 Malmquist指数原理 7
5 实证研究 7
5．1 数据来源 8
5．2 结果 9
6 分析 9
6．1 横向分析 11
6.1.1 投入产出指标分析 11
6.1.2 效率值分析 11
6.1.3 投影分析 12
6．2 纵向分析 13
7 管理建议 15
7．1 提高上市公司管理水平 15
7．2 加强企业的成本控制 15
7.2.1 积极开展成本预测，建立正规预测制度 16
7.2.2 编制成本费用预算，实行成本分级归口管理 16
7．3 增强企业的核心竞争力 16
结 论 17
致 谢 18
参 考 文 献 19
附 录 21
附表 1 30家样本家电上市公司汇总 21
附表 2 2010年原始数据 22
附表 3 2011年原始数据 23
附表 4 2012年原始数据 24
附表 5 2013年原始数据 25
附表 6 2014年原始数据 26
表格 1 营运效率评价指标汇总表 4
表格 2 投入产出指标汇总表 5
表格 3 投入产出指标平均值（2010~2014年） 8
表格 4 30个决策单元的投影分析和DEA效率评价 10
表格 5 2010~2014年30家样本大数据上市公司Malmquist指数及其分解 14
图表 1 2010-2014年Malmquist指标图表分析 15
1 引言
大数据指的是是传统数据库管理工具难以控制的大量、瞬时、多样化的数据。比如我们在上网的时候，每点击一次都将被记录下来，企业就根据这些记录下来的数据进行分析，推测出用户的消费情况和其他有价值的相关信息，并推送相应的产品或服务。由于近年来网购的快速发展，进而产生了大批量的数据，所以物流和电子商务企业必须对它们进行处理。与此同时，伴随着金融业务的发展，如果金融行业的数据不突破原先的传统处理瓶颈，就很有可能遗失掉金融数据，甚至金融系统的安全运行也将受到影响。近年来，由于大数据处理产业受到了高度关注，致使其迎来了产业高峰期。因此，科学定量的评价大数据板块上市公司的营运效率，找出存在的问题，给出相关的建议，这对行业自身及其他利益相关者有着重要的意义。
第一，有利于企业自身经营管理水平的提高。通过对大数据板块上市公司营运效率的评价，每个企业可以明确了解自己企业在整个行业板块中所处的地位，正确认识到自己的现状，制定出合适的经营战略，使自己在激烈的竞争中得以健康地发展。
第二，有利于投资者的正确投资。投资者投资当然是选营运效率高的企业进行投资，因此对大数据板块上市公司营运效率的评价研究可以让投资者看清行业形势，做好投资规划，避免由于信息不对称而进行的盲目投资。
第三，有利于政府的监督。政府可以通过对该板块上市公司营运效率的综合评价从而了解该板块对国民经济的影响，进而可以正确的调整产业政策。
为了直观的体现企业的营运效率、做出客观的评价研究，本文选用数据包络分析方法（Data Envelopment Analysis，简称DEA）和Malmquist指数分析法，评价我国30家大数据板块上市公司2010~2014年的营运效率。
2 文献综述
2．1 国外文献
Debreu用构建模型的方法来阐述多投入多产出DUM的技术效率，即衡量多投入企业效率 [1]。随后由Malmquist为效率的测量提供了一种可行的方法，这种方法不需要预先设定行为目标，就可以描述一种多投入多产出的生产技术[2]。
Yu等基于 DEA的整合概念并结合了 Russell 度量构建了一个 DEA 模型，并通过对台湾机场的实证分析证明其有效[3]。
Zhao，Qiao和Zhang（2011）利用层次分析法和熵值法来分析影响中国移动支付企业的营运效率的因素，并且通过模糊综合评价法来评估三家中国移动支付企业的营运效率。从他们的结果可以发现顾客的消费水平和经济的发展水平是影响该类企业营运效率的主要因素[4]。
Wei Quanling主要介绍数据包络分析（DEA）研究的历史和现状，特别是评估过程[5]。同时也对一些DEA模型的延伸扩展作出了一定的说明。文章指出数学、经济学和管理学是DEA发展的主要力量，为DEA模型研究优化提供了基础方法，同时广泛的应用加强了DEA模型的快速发展。
Nakashima，Nose和Kuriyama提出了用数据包络分析的方法来评价企业环境业绩。通过从每个EMS业绩中获得投入和产出量，进而用DEA比较同种类型公司的业绩,并在系统中建立了一个PDC(Plan-Do-Check-Act)循环管理系统[6]。
营运效率是分析企业经营成果的重要指标，若要提高企业的营运效率则首先要对营运效率进行测量。既然营运效率是关于产出和投入的一个比率，那对它的测量也应从投入和产出两方面进行。对营运效率的测量评价有着各种方法，但传统的只是侧重于通过对投入指标的评价测量来评估企业的营运效率，没有将投入和产出结合起来考虑。由著名运筹学家Charnes，Cooper和Rhodes（1978）提出的数据包络分析方法（DEA）则可以将企业的投入和产出结合起来评价企业的营运效率[7]。Z.K.Wang（2011）利用DEA模型对中国商业银行的营运效率进行评价，指出非DEA有效的商业银行的改良措施：精简人员，提高管理水平等[8]； Duan，Liu和Wang（2012）利用改进的DEA模型对中国制造业的技术创新效率进行评价研究[9]。
2．2 国内文献
朱正伟运用主成分分析方法，对沪深两市35家钢铁类上市公司的经营业绩进行了综合评价，并进行了相关分析[10]。利用主成份分析方法来研究企业的营运效率是一个不错的选择，通过财务报表的数据建立模型，通过数字直观的描述企业的营运效率，但是它在数据的选择上有着较严格的约束条件。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jmgl/cwgl/6841.html
