基于malmquist-index通信服务企业动态效率研究_毕业论文(编辑修改稿)

基于malmquist-index通信服务企业动态效率研究_毕业论文(编辑修改稿)内容摘要：

通信行业整体发展历程，然后分析说明通信行业发展过程中出现的行业内部重复建设现象严重，行业内竞争过度、合作不足，营销资源分配不均、卡号资源浪费严重等问题，以及运营商本身存在的问题 ， 最后提出通信 行业遇到的机遇和挑战以及如何更好地发展通信行业。 郑宁 [15](20xx)深入分析了我国移动通信产业的发展现状，指出当前移动通信市场所面临的问题和挑战，进一步提出了移动通信市场的营销对策：存量与增量市场并重的营销策略、客户需求导向的个性化营销策略 和 基于数据挖掘的精确型营销策略。 LI Xiangjun， WANG Guang[16](20xx)简要回顾了有关 DEA模型的研究进展 ；接着，介绍了 DEA 研究中常用的两个基本模型 ： CCR 模型及 BCC 模型，以及基于 CCR 模型的其他相关模型 ； 最后，对 CCR 模型和 BCC 模型做了比较分析，并指出 CCR 模型和 BCC 模型各自的生产可行性 /可能性集合是不同的，因此，CCR 模型的边界具有线性特征，而 BCC 模型的边界具有分段线性特征，并呈现凹特性。 Lam P L， Shiu A[17](20xx)研究了 在世界不同国家和地区的电信部门，电信的发展和生产力的增长。 特别是，本研究评估移动通信对经济增长的影响和电信生产力。 结果表明，对于欧洲和高收入国家来说，实际国内生产总值 (GDP)和电信发展 (电话普及率 )之间是一个双向的关系。 然而，当移动通信的发展对经济增长的影响进行单 独的测量之后发现，双向的关系不再局限于欧洲和高收入国家。 这项研究还发现，中等收入群体已达到一个较高与其他国家平均总要素生产率 (TFP)的增长。 在电信竞争和私有化的国家已经取得了比那些没有竞争和私有化更高的南京邮电大学通达学院 20xx 届本科生毕业设计 (论文 ) 8 全要素生产率的增长。 扩散的移动通信服务是一个重要的因素，提高了在欧洲中部和东部电信部门的全要素生产率增长 (CEE)。 Resende M[18](20xx) 研究了可以支持美国形式多样激励性规制实施的不同效率措施的鲁棒性在输出的方向，被认为是效率得分获得的数据包络分析(DEA)，距离函数 (与修正普通最小二乘 法和随机效应模型 )和距离函数嵌入在一个随机前沿框架 (随着时间的推移不变，时 间 效率或低效率的影响 )。 数据包络分析理论 (DEA) DEA 模型基础 数据包络分析法 (DEA)是由著名的运筹学家 ， ，(1978)提出 来 的，后来发展成为一种多指标投入和多指标产出的有效综合评价方法，主要用来评价同类型单元之间的相对有效性，是非参数的统计分析。 DEA 的是把每一个评价单位看做一个决策单元 (Decision Making Units，DMU)，再由众多决策单元构建评价群体，通过对决策单元投入和产出比率的综合分析，确定评价群体的有效生产前沿面，并根据每一个决策单元与有效生产前沿面的距离情况，确定决策单元是否 DEA 有效，同时指出非 DEA 有效决策单元的原因和调整方向和程度。 DEA 方法以相对效率概念为基础，以凸分析和线形规划为工具的一种评价方法，应用数学规划模型计算比较决策单元之间的相对效率，对评价对象做出评价，它能充分考虑对于决策单元本身最优的投入产出方案，因而能够更理想地反映评价对象自身的信息和特点 ， 同时对于评价复杂系统的多投入多产出 分析具有独到之处。 DEA 是研究同类型生产决策单元相对有效性的有力工具，在处理多输入多输出问题上具有特别的优势 ， 主要是由于以下两个方面 ：一是 DEA 以决策单元的输入输出权数为变量 ， 从最有利于决策单元的角度进行评价 ， 从而避免了确定各指标在优先意义下的权数 ；二是 DEA 不必确定输入和输出之间可能存在的某种显式关系 ， 这就排除了许多主观因素 ， 因此具有很强的客观性。 DEA 是 线性 规划模型 ， 表示为产出对投入的比率。 通过对一个特定单位的效率和一组提供相同服务的类似单位的绩效的比较 ， 它试图使服务单位的效 率最大化。 在这个过程中 ， 获得 100%效率的一些单位被称为相对有效率单位 ， 而另外的效率评分低于 100%的单位称为无效率单位。 这样 ， 企业管理者就能运用DEA 来比较一组服务单位 ， 识别无效率单位 ， 衡量无效率的严重性 ， 并通过对无效率和有效率单位的比较 ， 发现降低无效率的方法。 DEA 方法的模型分为投入导向模型和产出导向模型 ， 这两种模型的基本思想都是运用 线性 规划的方法对投入导向的 DEA 进行成本最优化和对产出导向的 DEA 进行产出最优化。 投入南京邮电大学通达学院 20xx 届本科生毕业设计 (论文 ) 9 导向的 DEA 方法测度的企业效率值是既定产出下的最小可能成本与实际成本之间的比率 ； 产出导 向的 DEA 方法测度的企业效率值是既定成本下实际产出与最大可能产出之间的比率。 DEA 的一个模型 是 CCR 模型。 CCR 模型同时对决策单元的规模有效性和技术有效性进行评价 ， 即模型中的有效决策单元既规模适当又技术管理水平高。 由于 CCR 模型实际上是假定规模报酬不变的 ， 因此又称为 CRS (Constant Returnsto Scale)模型。 CCR 模型基于固定规模收益假设，采用线性规划方法建立一个非参数的包络前沿面并计算每一决策单位的相对效率，凡是落在前沿面上的 DMU 都是有效率的，它的效率值为 1；而 未落在前沿面上的 DMU 则是无效率的，它的值介于0 和 1 之间。 具体的 CCR 模型如下：假设有 n 个企业，每个企业均使用 s 种投入和 m种产出。 满足的线性规划是： njYYtsXXtsjnjkjjnjkjj, . . . . . ,2,1,0....m i n11 () Yjk 表示第 k 家企业的第 j 个输出变量 (1≤j≤m) Xik 表示第 k 家企业的第 i个输入变量 (1≤i≤s) Xj 表示第 j 个决策单元的 s 维投入向量； Yj 表示第 j 个决策单元的 m维产出向量； 对上述线性规划进行求解，即可算出每个企业的效率值 θ，其是在固定规模报酬下的综合效率 (TE)，经济含义为当第 k 家企业的产出水平保持不变时，要实现整个经济系统 中最佳效率，实际所要投入的比例。 CCR 模型分析的 DMU0 的经济有效性的含义是：在保持 产 出 y0 不变的前提下，将投入 x0 的各个分量按同一比例 θ(θ≤1)减少。 如果这一点能够实现，则表明可以用比 DMU0 更少的投入而使产出不变，说明了 DMU0 的生产活动是非有效；反之，如果在保持产出 y0 不变的前提下，投入 x0 的各个分量都不能再减少，则表明 DMU0 的 生产活动是有效， DMU0 是有效的决策单元。 运用 DEA 进行评价的依据就是各个决策单元的输入数据和输出数据。 输入数据是指决策单元为了进行某种生产活动所消耗的某些资源 ， 如投入的资金总额 ，管理费用， 固定资产价值等 ； 输出数据是指决策单元经过一定量的资源投入南京邮电大学通达学院 20xx 届本科生毕业设计 (论文 ) 10 后 ， 产生的表明该投入效率的某些信息量 ， 如生产的产品数量、业务收入、净利润等。 DEA 优势及局限性 DEA 是以相对效率概念为基础的一种效率评价方法 ， 作为一种客观的研究方法它在处理多输入、特别是多输出问题的能力方面具有绝对的优势。 它能直接估算多个决策单元的 效率之间的相对有效性 ， 并能对非有效的决策单元提出改进的方向及具体目标。 近年来 ， 该方法被广泛应用到很多领域 ， 特别在经济系统的评价中 ， 使用 DEA 方法进行有效性分析。 相比于其他方法 ， 本文用 DEA 方法进行评价 ， 主要是考虑到它具有下述的诸多优势 ： (1)不需要确定输入输出指标之间的关系 ， 排除了很多主观因素的影响 ； (2)不受计量单位的影响 ， 不需事先对输入输出数据的计量单位进行标准化处理 ， 输入和输出指标既可以是绝对数又可以是比率、只要被评估的决策单元均使用相同的计量单位即可 ； (3) DEA 以决 策单元的输入输出数据的权重为变量 ， 不需要预先给出各指标的权重系数或通过实际做出一些判断来决定权重系数 ， 因此 DEA 方法在避免主观因素和减少误差等方面有着不可低估的优越性 ； (4)DEA 方法不仅能指出哪些决策单元有效 ， 哪些非有效 ， 还能指出非有效决策单元应该调整的方向及具体的调整值 ， 从而能为企业的管理决策提供很多有用的信息。 (5)由于 DEA 方法与市场价格无关 ， 是纯技术性的 ， 因此 ， 只要输入输出指标符合模型的公理体系就可使用 ， 从而扩大了实际应用中可采纳的数据范围 ， 增强了 DEA 方法的适用性。 虽然 DEA 方法有诸多优势，但是 在实际使用过程中也存在一些局限性 ， 主要表现在 ： (1)DEA 模型对决策单元有较多的限制 ： 一是所有的 DMU 应该是 “ 同类型 ”的 ； 二是研究对象的个数不小于输入输出指标总个数的两倍 ； (2)DEA 方法要求输入的数据为非零的正值 ， 零值和负值是不能被处理的 ， 因此 ， 对于净利润这类有可能为负值的指标是不适用的。 (3)DEA 模型只能粗略地把决策单元的效率分为有效、弱有效、非有效三个等级 ， 对于同为 DEA 有效的 DMU， 模型认为是的一样好 ， 不能进行比较分析。 所以在对通信业效率的 评价中，只需要选取适当的投入和产出指标，便可以对其进行相对效率的测度，并进行对比分析。 需要注意的是 DEA 模型存在方向选择，有投入方向 (InputOrientated)和产出方向 (OutputOrientated)的两类模型，投入方向即追求既定产出下的最少投入，产出方向即追求既定投入下的最大产出。 一般来说， DEA 模型的方向选择不会对结果产生重大影响，即使效率评价南京邮电大学通达学院 20xx 届本科生毕业设计 (论文 ) 11 结果存在差异也是微小的。 在许多 DEA 研究中，大都选择了产出方向模型，因为公司为满足目标产出通常把投入数量做为主要的决策变量，在这里的研究中同样选取 了产出方向的 DEA 模型。 Malmquist 指数模型 不管是 Charnes 等 (1978)提出的 CCR 模型，还是 Banker 等 (1984)提出的 BCC模型，当加入时间因素时，会造成各期的生产前沿面不同，使得各期缺乏纵向比较的基准，即 CCR 模型和 BCC 模型只能适用于截面数据来横向对比评价单元的效率，但是 Malmquist 指数可以有效弥补以上研究方法的缺陷。 Malmquist(1953 )构造了消费数量指数，用来分析不同时期的消费变化。 受Malmquist 消费指数启发， Caves， Christensen 和 Diewert 于 1982 年将这种思想运用到生产分析中，采用投入和产出距离函数构造生产率指数，并将这种指数命名为 Malmquist 生产率指数。 基于 DEA 方法， Fare 等 ( 1994) 将 Malmquist TFP 指数分解成技术效率变动、技术进步和规模效率变动，将 Malmquist TFP 指数度量问题转化为 Malmquist 指数分解的问题。 Malmquist 生产率指数有两个主要的优点 ： 不需要相关的价格信息 ； 可以对 TFP 进行分解，研究 TFP 增长源。 以产出导向 Malmquist TFP 指数为例，产出导向型的生产率度量是在给定生产技术和生产投入的情况下，最大产出水平与所观察的产出水平的比较。 Malmquist 指数分解与数据包络方法 ( DEA) 的结合为生产率变动的度量及其分解提供了一种新的分析工具。 基于产出的 M模型可以表示为： 211111111112111111111),(),(*),(),(),(),(*),(*),(),(*),(),(ttttttttttttttttttttttttttttttttttyxDyxDyxDyxDyxDyxDTCT E CyxDyxDyxDyxDxyxyM () 其中， (xt+1， yt+1)和 (xt， yt)分别表示 t+1 期和 t 期的投入和产出向量； Dt 和Dt+1 分别表示以 t 时期技术 Tt 为参照，时期 t 和时期 t+1 期的距离函数。 使用 Malmquist 指数可以衡量通信 企业 在 t 期至 t+1 期。