基于DEA模型的我国创业板制造业上市公司绩效评价：现状、方法与提升策略

基于DEA模型的我国创业板制造业上市公司绩效评价：现状、方法与提升策略一、引言1.1研究背景在我国经济发展的进程中，制造业始终占据着至关重要的战略地位，是国家经济增长的重要引擎，也是推动科技创新、提升国家竞争力的关键力量。创业板市场的设立，犹如一场及时雨，为我国制造业企业，尤其是那些具有高成长潜力和创新能力的中小企业，开辟了一条全新的直接融资渠道，为它们的发展注入了强大的动力。创业板市场以其独特的定位和制度设计，与主板市场形成了鲜明的互补。它对企业的盈利要求相对更为宽松，更加注重企业的创新能力和成长潜力。这使得许多处于发展初期、尚未实现大规模盈利，但在技术研发、产品创新等方面具有突出优势的制造业企业，有了进入资本市场的机会。通过在创业板上市，这些企业能够迅速筹集到大量资金，用于技术研发、设备更新、市场拓展等关键领域，从而加速自身的发展壮大。从宏观层面来看，创业板市场的发展与完善，对于我国经济结构的调整和转型升级具有深远影响。它引导更多的资源向创新型制造业企业汇聚，推动这些企业在高端装备制造、新能源、新材料等战略性新兴产业领域快速崛起，促进产业结构的优化升级，增强我国经济的创新驱动发展能力。据相关数据显示，截至[具体年份]，创业板制造业上市公司的数量已达到[X]家，占创业板上市公司总数的[X]%，总市值超过[X]万亿元，在创业板市场中占据了举足轻重的地位。对于企业自身而言，绩效评价犹如一面镜子，能够清晰地反映出企业在经营管理、资源配置、创新能力等方面的表现。通过科学、全面的绩效评价，企业管理者可以深入了解企业的运营状况，精准定位企业的优势与不足，从而有针对性地制定战略规划和决策。例如，如果绩效评价结果显示企业在研发投入产出方面效率较低，管理者就可以加大对研发部门的资源投入，优化研发流程，提高研发效率；如果发现企业的市场份额在下降，就可以调整市场营销策略，加强品牌建设，拓展市场渠道。绩效评价还可以作为企业内部激励机制的重要依据，激励员工积极工作，提高工作效率和质量。从投资者的角度出发，绩效评价是他们做出投资决策的重要参考依据。在资本市场中，投资者总是希望将资金投入到那些绩效优秀、具有良好发展前景的企业中。通过对企业绩效的评估，投资者可以判断企业的投资价值和潜在风险，从而做出明智的投资决策。例如，一家企业的盈利能力强、资产运营效率高、创新能力突出，那么它往往会受到投资者的青睐，吸引更多的资金流入；反之，如果一家企业绩效不佳，投资者则可能会对其望而却步。因此，准确、客观的绩效评价能够帮助投资者降低投资风险，提高投资回报率。综上所述，无论是从我国经济发展的战略高度，还是从企业自身发展和投资者利益的角度来看，深入研究我国创业板制造业上市公司的绩效评价都具有极其重要的现实意义。1.2研究目的与意义本研究旨在运用数据包络分析（DEA）模型，构建一套科学、全面的绩效评价体系，对我国创业板制造业上市公司的绩效进行深入、系统的评价与分析，以揭示这些企业在资源配置、生产效率、创新能力等方面的真实状况，并提出针对性的改进建议。从企业管理角度来看，准确评估创业板制造业上市公司绩效具有多方面重要意义。一方面，通过DEA模型分析，企业能够精准定位自身在投入产出方面的优势与短板。例如，若在研发投入与专利产出的分析中，发现企业的专利转化率较低，即投入大量研发资源却未能产生相应数量和质量的专利成果，企业便可深入剖析原因，是研发方向偏差、研发团队效率不高，还是研发管理流程存在问题，进而有针对性地调整研发策略，优化研发资源配置，提高研发效率。另一方面，绩效评价结果能为企业战略决策提供有力依据。若企业在市场份额、营业收入等产出指标上表现出色，但成本控制不佳，导致利润增长缓慢，那么企业在制定未来战略时，可侧重于加强成本管理，通过优化供应链、降低生产运营成本等措施，提升企业的盈利能力和整体竞争力。对于市场投资者而言，DEA模型下的绩效评价同样具有不可忽视的价值。在资本市场中，投资者面临着众多的投资选择，而准确判断企业的投资价值和潜在风险至关重要。通过对创业板制造业上市公司绩效的评价，投资者可以筛选出绩效优良、发展前景广阔的企业，从而做出更为明智的投资决策。例如，一家企业在DEA分析中显示出较高的综合效率，不仅在盈利能力、资产运营效率方面表现突出，而且在技术创新、市场拓展等方面也具有较强的潜力，那么这样的企业往往更值得投资者关注和投资。相反，若企业绩效不佳，存在投入冗余、产出不足等问题，投资者则可以提前识别风险，避免盲目投资。1.3研究方法与创新点在本研究中，采用了多种研究方法，以确保研究的科学性、全面性和深入性。文献研究法是本研究的基础。通过广泛查阅国内外相关文献，涵盖学术期刊论文、学位论文、研究报告、行业资讯等多种来源，全面梳理了关于创业板制造业上市公司绩效评价以及数据包络分析（DEA）模型应用的研究成果。对相关理论进行了深入剖析，包括企业绩效评价理论、效率理论等，明确了不同理论的内涵、发展脉络以及在本研究中的应用基础。在梳理文献的过程中，总结了前人在研究视角、方法、指标选取等方面的经验与不足，为本文的研究提供了宝贵的借鉴，从而确定了本文的研究方向和重点，避免了研究的盲目性，使研究更具针对性和创新性。实证分析法是本研究的核心方法。以我国创业板制造业上市公司为研究对象，选取了[具体年份区间]的相关数据作为样本。数据来源广泛且可靠，包括上市公司的年报、国泰安数据库、Wind数据库等，确保了数据的全面性和准确性。运用DEA模型进行实证分析，该模型能够有效处理多投入多产出的复杂系统，无需预先设定生产函数形式，避免了主观因素对评价结果的影响，能够客观地评价企业的相对效率。在实证过程中，对输入输出指标进行了严格筛选，综合考虑了企业的财务指标、非财务指标，如资产规模、研发投入、营业收入、净利润、专利数量等，构建了科学合理的绩效评价指标体系。通过DEA模型计算出各上市公司的综合效率、纯技术效率和规模效率，并进行了深入的分析和比较，找出了绩效优秀和绩效不佳的企业，分析了其原因，为提出针对性的建议提供了有力的依据。本研究在多个方面具有创新之处。在研究视角上，将研究对象聚焦于创业板制造业上市公司这一特定群体。创业板市场具有高成长性、高创新性的特点，制造业又是我国国民经济的重要支柱产业，然而目前专门针对创业板制造业上市公司绩效评价的研究相对较少，本研究填补了这一领域的部分空白，为深入了解这一群体的绩效状况提供了新的视角和思路。在指标体系构建方面，本研究进行了大胆创新。打破了传统研究主要侧重于财务指标的局限，不仅纳入了反映企业财务状况的资产负债率、净资产收益率等指标，还充分考虑了非财务指标，如研发投入强度、专利转化率、新产品销售收入占比等。这些非财务指标能够更全面地反映创业板制造业上市公司的创新能力、技术水平和发展潜力，使绩效评价指标体系更加完善和科学，能够更准确地衡量企业的综合绩效。在研究方法的应用上，本研究将DEA模型与其他分析方法相结合，形成了独特的研究方法体系。在运用DEA模型进行绩效评价的基础上，引入了Malmquist指数分析，进一步研究了企业全要素生产率的变化情况，分析了技术进步和效率变动对企业绩效的影响。还结合了聚类分析方法，对创业板制造业上市公司进行分类，深入探讨了不同类型企业的绩效特征和影响因素，为企业制定差异化的发展战略提供了更有针对性的参考。二、相关理论与研究综述2.1DEA方法概述2.1.1DEA方法原理数据包络分析（DataEnvelopmentAnalysis，DEA）是一种基于线性规划的多投入多产出效率评价方法，由美国学者Charnes、Cooper和Rhodes于1978年首次提出。DEA方法以相对效率概念为基础，将每个被评价对象视为一个决策单元（DecisionMakingUnit，DMU），通过比较各DMU在相同投入产出指标下的相对效率，来判断其是否有效。DEA方法的基本原理是构建一个生产前沿面，将所有决策单元投影到该前沿面上，通过比较各决策单元与前沿面的距离来确定其相对效率。假设有n个决策单元，每个决策单元都有m种输入和s种输出。对于第j个决策单元，其输入向量为X_j=(x_{1j},x_{2j},\cdots,x_{mj})^T，输出向量为Y_j=(y_{1j},y_{2j},\cdots,y_{sj})^T，其中x_{ij}表示第j个决策单元的第i种输入量，y_{rj}表示第j个决策单元的第r种输出量。DEA方法通过线性规划模型来求解每个决策单元的效率值。在规模报酬不变的假设下，CCR模型的基本形式为：\begin{align*}\max&\theta\\s.t.&\sum_{j=1}^{n}\lambda_jx_{ij}\leq\thetax_{i0},\quadi=1,2,\cdots,m\\&\sum_{j=1}^{n}\lambda_jy_{rj}\geqy_{r0},\quadr=1,2,\cdots,s\\&\lambda_j\geq0,\quadj=1,2,\cdots,n\end{align*}其中，\theta为决策单元的效率值，\lambda_j为权重系数，x_{i0}和y_{r0}分别为被评价决策单元的第i种输入和第r种输出。当\theta=1时，表示该决策单元为DEA有效，即其在当前投入水平下实现了最大产出，或者在当前产出水平下实现了最小投入，处于生产前沿面上；当\theta<1时，表示该决策单元为非DEA有效，存在投入冗余或产出不足的情况，需要对投入产出进行调整以提高效率。2.1.2DEA模型分类DEA模型种类繁多，在实际应用中，最常用的是CCR模型和BCC模型。CCR模型（Charnes-Cooper-RhodesModel）由Charnes、Cooper和Rhodes提出，该模型假设决策单元处于规模报酬不变（ConstantReturnstoScale，CRS）的状态，即投入增加一定比例时，产出也会以相同比例增加。在CCR模型中，计算得到的效率值被称为综合技术效率（TechnicalEfficiency，TE），它综合反映了决策单元在技术和规模两方面的效率水平。当一个决策单元的综合技术效率值为1时，意味着该决策单元在技术和规模上都达到了最优状态，处于生产前沿面上，是DEA有效的；若综合技术效率值小于1，则表明该决策单元存在技术无效或规模无效的情况，需要进一步分析改进。BCC模型（Banker-Charnes-CooperModel）由Banker、Charnes和Cooper在CCR模型的基础上发展而来，该模型考虑了规模报酬可变（VariableReturnstoScale，VRS）的情况。在现实经济活动中，企业的规模报酬往往并非固定不变，随着企业规模的扩大或缩小，投入产出的比例关系可能会发生变化。BCC模型通过引入凸性约束条件，将综合技术效率进一步分解为纯技术效率（PureTechnicalEfficiency，PTE）和规模效率（ScaleEfficiency，SE），即TE=PTE\timesSE。纯技术效率主要反映决策单元由于管理和技术水平等因素所导致的生产效率，它衡量了决策单元在现有技术条件下，对投入资源的利用效率；规模效率则反映了由于规模因素对生产效率的影响，它衡量了决策单元的生产规模是否处于最优状态。当一个决策单元的纯技术效率值为1时，表示该决策单元在管理和技术层面达到了最优，投入要素得到了充分利用；若纯技术效率值小于1，则说明在管理和技术方面存在改进空间。对于规模效率而言，当规模效率值为1时，表明决策单元处于最优规模状态，规模报酬不变；若规模效率值小于1，且处于规模报酬递增阶段，意味着适当扩大生产规模可以提高效率；若处于规模报酬递减阶段，则需要缩小生产规模以提升效率。除了CCR模型和BCC模型外，还有超效率DEA模型、SBM模型等。超效率DEA模型可以对DEA有效的决策单元进行进一步排序，解决了传统DEA模型在评价多个有效决策单元时无法区分优劣的问题；SBM模型则考虑了非期望产出的情况，更适用于处理存在环境污染、资源浪费等负面产出的效率评价问题。不同的DEA模型适用于不同的研究场景和数据特征，研究者需要根据具体的研究目的和数据情况选择合适的模型。2.1.3DEA在绩效评价中的优势在多投入多产出的绩效评价体系中，DEA方法展现出诸多显著优势。DEA方法无需预先设定投入产出指标的权重。在传统的绩效评价方法中，如层次分析法（AHP）等，权重的确定往往依赖于专家的主观判断，不同专家的意见可能存在差异，从而导致评价结果受到人为因素的较大影响。而DEA方法通过线性规划技术，根据各决策单元的实际投入产出数据来确定权重，使得权重的分配更加客观合理，避免了主观因素对评价结果的干扰，能够更真实地反映决策单元的相对效率。DEA方法能够有效处理多投入多产出的复杂生产关系。在实际经济活动中，企业的生产过程涉及多种投入要素，如劳动力、资本、原材料等，同时会产生多种产出，如产品数量、销售收入、利润等。这些投入产出之间的关系往往错综复杂，难以用简单的函数形式来描述。DEA方法不需要明确设定投入产出之间的具体函数关系，它从整体上考虑各决策单元的投入产出情况，通过比较各决策单元与生产前沿面的相对位置来评价其效率，能够更好地适应复杂的生产系统，全面准确地评价企业的绩效。DEA方法对数据的要求相对较低，不需要对数据进行复杂的预处理。在绩效评价中，数据的收集和处理是一个重要环节。一些传统的评价方法，如回归分析等，对数据的分布、量纲等有严格要求，通常需要对数据进行标准化、无量纲化等预处理操作，这不仅增加了数据处理的难度和工作量，还可能在一定程度上损失数据的原始信息。DEA方法对数据的量纲不敏感，输入输出数据可以采用不同的量纲，不需要进行无量纲化处理，这使得数据的收集和使用更加便捷，能够充分利用原始数据所包含的信息，提高评价结果的准确性。DEA方法还可以提供丰富的管理信息。通过DEA模型的计算结果，不仅可以得到各决策单元的效率值，判断其是否有效，还可以进一步分析决策单元在投入产出方面存在的问题，如投入冗余、产出不足等，并给出相应的改进建议。例如，对于非DEA有效的决策单元，可以通过投影分析确定其在投入产出空间中的投影点，从而明确需要减少的投入量或增加的产出量，为企业管理者提供具体的决策依据，帮助企业优化资源配置，提高生产效率和绩效水平。2.2创业板制造业上市公司特点2.2.1企业规模与发展阶段创业板制造业上市公司普遍具有规模较小的显著特征。从资产规模来看，据相关统计数据显示，截至[具体年份]，创业板制造业上市公司的平均总资产为[X]亿元，而同期主板制造业上市公司的平均总资产达到[X]亿元，相比之下，创业板制造业上市公司的资产规模明显偏小。在营业收入方面，创业板制造业上市公司在[具体年份]的平均营业收入为[X]亿元，主板制造业上市公司则高达[X]亿元。这表明创业板制造业上市公司在资产和营收规模上与主板同类企业存在较大差距。这些企业大多处于成长初期阶段。在成长初期，企业的产品或服务可能刚刚进入市场，市场份额较小，品牌知名度相对较低。企业的生产规模尚未充分扩张，生产能力有限，难以实现大规模的生产和销售。许多创业板制造业上市公司专注于某一细分领域，致力于研发和生产具有创新性的产品，但由于成立时间较短，在市场拓展和客户积累方面还面临诸多挑战。企业的管理体系也可能不够完善，在战略规划、组织架构、财务管理等方面还需要不断优化和提升，以适应企业快速发展的需求。这些企业在市场竞争中往往需要投入大量资源用于技术研发、市场推广和人才培养，以增强自身的竞争力，实现持续快速发展。2.2.2技术创新与市场竞争创业板制造业上市公司在技术创新方面表现活跃，具有较强的创新意识和创新能力。为了在激烈的市场竞争中脱颖而出，这些企业高度重视技术研发，持续加大研发投入。相关数据显示，在[具体年份区间]，创业板制造业上市公司的平均研发投入强度（研发投入占营业收入的比重）达到[X]%，显著高于主板制造业上市公司的平均水平[X]%。较高的研发投入强度使得这些企业在技术创新方面取得了丰硕成果。例如，[企业名称1]在过去几年中，不断加大对新能源汽车电池技术的研发投入，成功研发出具有高能量密度、长续航里程的新型电池，该技术在行业内处于领先地位，为企业赢得了广阔的市场空间；[企业名称2]专注于高端装备制造领域，通过持续的技术创新，研发出一系列高精度、高性能的数控机床，产品性能达到国际先进水平，有效提升了企业的市场竞争力。这些企业积极申请专利，据统计，创业板制造业上市公司的平均专利数量达到[X]件，专利转化率（转化为实际生产或经济效益的专利比例）也在逐年提高，技术创新成果不断转化为实际生产力，推动企业快速发展。市场竞争激烈是创业板制造业上市公司面临的重要挑战。由于这些企业大多处于成长初期，规模相对较小，在资金实力、品牌影响力、市场渠道等方面与大型企业存在明显差距，导致其在市场竞争中面临较大压力。在同行业竞争中，不仅要面对国内众多企业的激烈竞争，还要应对来自国际企业的挑战。在智能手机零部件制造领域，众多创业板制造业上市公司面临着国内同行的价格竞争和技术追赶，同时还要与三星、苹果等国际巨头在高端市场展开竞争。市场需求的快速变化也给企业带来了巨大挑战。随着消费者需求的不断升级和技术的快速迭代，市场对产品的性能、品质、功能等方面的要求越来越高，企业需要不断调整产品策略，加快产品更新换代速度，以满足市场需求。如果企业不能及时跟上市场变化的步伐，就可能面临产品滞销、市场份额下降的风险。2.2.3对绩效评价的影响创业板制造业上市公司的上述特点对绩效评价指标选取和方法应用产生了多方面的重要影响。在指标选取方面，鉴于企业规模较小且处于成长初期，盈利能力和偿债能力指标虽然重要，但不能完全反映企业的真实绩效。因此，除了传统的财务指标如净利润、资产负债率等，还应重点关注企业的成长能力指标，如营业收入增长率、净利润增长率等。这些指标能够更直观地反映企业在成长初期的发展速度和潜力。由于企业技术创新活跃，创新能力指标也至关重要，如研发投入强度、专利数量、新产品销售收入占比等。研发投入强度体现了企业对技术创新的重视程度和投入力度；专利数量反映了企业的创新成果；新产品销售收入占比则表明了企业技术创新成果的市场转化能力，这些指标对于全面评估企业的绩效具有重要意义。在方法应用上，传统的绩效评价方法如杜邦分析法等，侧重于财务指标分析，难以满足创业板制造业上市公司多维度绩效评价的需求。数据包络分析（DEA）方法则具有独特优势，它能够有效处理多投入多产出的复杂系统，无需预先设定生产函数形式，避免了主观因素对评价结果的影响，能够客观地评价企业在技术创新、资源配置等方面的相对效率。DEA方法可以将研发投入、资金投入等作为输入指标，将专利产出、新产品销售收入等作为输出指标，全面评估企业的绩效。DEA方法还可以对企业的规模效率进行分析，判断企业在当前规模下是否实现了资源的最优配置，这对于处于成长初期、规模变化较大的创业板制造业上市公司尤为重要，能够为企业的规模扩张或调整提供科学依据。2.3国内外研究现状2.3.1国外研究进展国外在运用DEA等方法评价企业绩效方面开展了大量研究，取得了丰硕的成果。早期，国外学者主要将DEA方法应用于银行、教育、医疗等公共服务领域的效率评价。如Charnes、Cooper和Rhodes（1978）首次提出DEA方法，并将其应用于评价美国空军基地的效率，通过构建CCR模型，对多个空军基地在人力、物力等投入和服务产出方面的相对效率进行了评估，开创了DEA方法在实际应用中的先河。随后，Banker、Charnes和Cooper（1984）提出了BCC模型，考虑了规模报酬可变的情况，进一步拓展了DEA方法的应用范围。在银行效率评价方面，Sherman和Gold（1985）运用DEA方法对美国一家储蓄银行的分支机构进行绩效评估，分析了各分支机构在资金投入、人员配置等方面的效率，为银行的资源配置和管理决策提供了重要依据。随着研究的深入，DEA方法在企业绩效评价领域的应用逐渐增多。在制造业领域，Färe等（1994）运用DEA-Malmquist指数方法，对瑞典制造业企业的全要素生产率进行了分析，研究了技术进步和效率变动对企业绩效的影响。通过对不同时期企业投入产出数据的分析，发现技术进步是推动瑞典制造业企业全要素生产率增长的主要因素，而效率变动在不同企业和时期存在差异。在服务业领域，Thanassoulis（2001）运用DEA方法对英国铁路公司的绩效进行评价，选取了运营成本、员工数量等作为输入指标，客运量、货运量等作为输出指标，通过分析各铁路公司的效率值，找出了绩效较好和较差的公司，并提出了改进建议。近年来，国外学者不断对DEA方法进行创新和拓展，以适应不同的研究需求。一些学者将DEA方法与其他方法相结合，如模糊数学、神经网络等，以提高绩效评价的准确性和可靠性。如Emrouznejad和Yang（2018）将模糊DEA方法应用于企业绩效评价，考虑了评价指标的模糊性和不确定性，通过对传统DEA模型进行改进，使评价结果更加符合实际情况。还有学者从不同的研究视角出发，运用DEA方法对企业的社会责任绩效、绿色创新绩效等进行评价。如Schaltegger和Synnestvedt（2002）提出了企业社会责任绩效的概念，并运用DEA方法对企业在环境保护、社会公益等方面的投入和产出进行评价，分析了企业社会责任绩效与经济绩效之间的关系。2.3.2国内研究现状国内对于创业板制造业上市公司绩效评价的研究，在研究方法和视角上呈现出多样化的特点，且随着市场发展不断深入。在研究方法上，数据包络分析（DEA）模型是常用的方法之一。例如，学者[学者姓名1]选取[具体年份区间]的创业板制造业上市公司为样本，运用DEA-BCC模型，从投入产出角度构建绩效评价体系。投入指标涵盖固定资产、研发投入、员工数量等，产出指标包括营业收入、净利润、专利数量等。研究发现部分企业在技术创新投入产出方面效率较低，存在研发资源浪费现象，建议企业优化研发管理流程，提高研发资源利用效率。[学者姓名2]则运用DEA-Malmquist指数方法，对创业板制造业上市公司的全要素生产率进行动态分析。通过对比不同时期的效率值，发现技术进步是推动部分企业全要素生产率提升的关键因素，而部分企业由于管理水平和技术创新能力不足，导致效率下降，提出企业应加强技术创新投入和人才培养。除DEA模型外，层次分析法（AHP）也有应用。[学者姓名3]通过AHP确定各绩效评价指标的权重，如盈利能力、偿债能力、成长能力等指标的权重分配，再结合创业板制造业上市公司的财务数据进行综合评价。研究指出企业在注重盈利能力的同时，应关注偿债能力和成长能力的平衡发展，合理控制债务规模，加大对新兴业务的投入，以提升企业的综合绩效。主成分分析法（PCA）也被用于提取关键绩效因子。[学者姓名4]运用PCA对多个绩效指标进行降维处理，提取出反映企业绩效的主要成分，如经营效率因子、盈利质量因子等，进而对创业板制造业上市公司进行绩效评价和排名，为投资者提供了参考依据。在研究视角方面，除了关注企业的财务绩效，创新绩效也成为研究热点。[学者姓名5]从创新投入、创新产出和创新环境等维度构建创新绩效评价体系，运用灰色关联分析法研究创业板制造业上市公司创新绩效与企业价值的关系。结果表明，创新投入和产出对企业价值有显著正向影响，良好的创新环境能促进企业创新绩效的提升，企业应加大创新投入，营造良好的创新氛围。社会责任绩效也逐渐受到关注。[学者姓名6]基于利益相关者理论，构建包括股东、员工、客户、社会等方面的社会责任绩效评价指标体系，采用问卷调查和数据分析相结合的方法，对创业板制造业上市公司的社会责任履行情况进行评价，发现部分企业在员工权益保护、环境保护等方面存在不足，呼吁企业增强社会责任意识，积极履行社会责任。2.3.3研究述评当前国内外关于企业绩效评价的研究取得了显著成果，但在针对我国创业板制造业上市公司绩效评价方面仍存在一些不足。从研究方法来看，虽然DEA方法在企业绩效评价中得到了广泛应用，但部分研究在指标选取上存在一定的主观性和局限性。一些研究仅关注企业的财务指标，忽视了非财务指标如创新能力、市场竞争力、社会责任等对企业绩效的重要影响。而且，在DEA模型的选择和应用上，部分研究未能充分考虑创业板制造业上市公司的特点，如企业规模较小、处于成长初期、技术创新活跃等，导致评价结果不能准确反映企业的真实绩效。不同研究方法之间的融合应用还不够深入，未能充分发挥各种方法的优势，提高绩效评价的准确性和全面性。在研究视角方面，现有研究对创业板制造业上市公司的整体绩效评价较多，但对不同细分行业、不同规模企业的绩效差异研究相对较少。对于创业板制造业上市公司在不同发展阶段的绩效变化规律以及影响因素的研究也不够系统和深入。在探讨企业绩效与宏观经济环境、政策法规等外部因素的关系时，研究还不够全面和深入，未能充分揭示外部因素对企业绩效的影响机制。本文将针对上述不足，以我国创业板制造业上市公司为研究对象，在指标选取上，综合考虑财务指标和非财务指标，全面反映企业的绩效状况。在方法应用上，运用DEA模型，并结合Malmquist指数分析和聚类分析等方法，深入分析企业的绩效变化和影响因素。从不同细分行业、企业规模和发展阶段等多个视角进行研究，揭示创业板制造业上市公司绩效的差异和变化规律，探讨宏观经济环境和政策法规等外部因素对企业绩效的影响机制，以期为企业管理者、投资者和政策制定者提供更有价值的参考依据。三、我国创业板制造业上市公司绩效评价现状与问题3.1绩效评价现状分析3.1.1评价方法应用在我国创业板制造业上市公司绩效评价中，多种方法被广泛应用，各有其特点与适用场景。传统财务比率分析是较为基础且常用的方法之一。通过计算一系列财务比率，如盈利能力比率（净利润率、净资产收益率等）、偿债能力比率（资产负债率、流动比率等）、营运能力比率（总资产周转率、存货周转率等），来评估企业在财务层面的表现。以[企业名称]为例，在[具体年份]，该企业的净利润率达到[X]%，显示出较好的盈利能力；资产负债率为[X]%，表明其偿债风险处于可接受范围；总资产周转率为[X]次，反映出企业资产运营效率较高。这种方法计算简便，数据获取相对容易，能够直观地反映企业的财务状况，但它仅关注财务数据，忽视了企业的非财务因素，如创新能力、市场竞争力等，难以全面评价企业的绩效。经济增加值（EVA）方法也在部分研究中得到应用。EVA的核心在于考虑了企业的全部资本成本，包括债务资本成本和权益资本成本，其计算公式为EVA=税后净营业利润-资本总额×加权平均资本成本。通过计算EVA值，可以判断企业是否真正为股东创造了价值。例如，[企业名称]在[具体年份]的税后净营业利润为[X]万元，资本总额为[X]万元，加权平均资本成本为[X]%，经计算其EVA值为[X]万元，若EVA值大于0，说明企业在该年度为股东创造了财富；若小于0，则表示企业的经营业绩未能弥补资本成本，股东财富有所减少。EVA方法能够更准确地衡量企业的价值创造能力，但它对数据的准确性和完整性要求较高，计算过程相对复杂，且在实际应用中，资本成本的确定存在一定难度。数据包络分析（DEA）方法凭借其在处理多投入多产出问题上的独特优势，在创业板制造业上市公司绩效评价中逐渐受到重视。DEA方法无需预先设定生产函数形式，能够客观地评价企业的相对效率。在研究中，通常将企业的资本投入、劳动力投入、研发投入等作为输入指标，将营业收入、净利润、专利数量等作为输出指标，通过构建DEA模型来计算企业的综合效率、纯技术效率和规模效率。例如，在对[一批企业样本]的研究中，运用DEA-BCC模型分析发现，部分企业的综合效率较低，进一步分解发现是由于纯技术效率和规模效率不佳导致的，这为企业提升绩效指明了方向，即需要从改进管理技术和优化生产规模两方面入手。层次分析法（AHP）常与其他方法结合使用，用于确定绩效评价指标的权重。AHP通过构建层次结构模型，将复杂的问题分解为多个层次，通过两两比较的方式确定各指标的相对重要性，从而计算出权重。在构建创业板制造业上市公司绩效评价指标体系时，运用AHP确定盈利能力、偿债能力、成长能力、创新能力等指标的权重。如在一项研究中，通过专家打分和AHP计算，得出盈利能力指标的权重为[X]，创新能力指标的权重为[X]，这表明在该评价体系中，盈利能力和创新能力对企业绩效的影响相对较大，企业在经营过程中应重点关注这两个方面的提升。3.1.2评价指标选取在现有研究中，绩效评价指标的选取呈现出多样化的特点，但也存在一定的局限性。财务指标是绩效评价中不可或缺的一部分，被广泛应用。盈利能力指标如净利润、净利润率、净资产收益率等，直接反映了企业的盈利水平和经营效益。[企业名称1]在[具体年份]的净利润达到[X]万元，净利润率为[X]%，净资产收益率为[X]%，表明该企业在该年度盈利能力较强。偿债能力指标包括资产负债率、流动比率、速动比率等，用于衡量企业偿还债务的能力。资产负债率反映了企业负债占总资产的比例，[企业名称2]的资产负债率为[X]%，处于行业合理水平，说明其偿债风险相对较低；流动比率和速动比率则分别衡量企业流动资产和速动资产对流动负债的保障程度。营运能力指标如总资产周转率、存货周转率、应收账款周转率等，体现了企业对资产的运营管理效率。[企业名称3]的总资产周转率为[X]次，存货周转率为[X]次，应收账款周转率为[X]次，表明该企业资产运营效率较高，能够有效地利用资产实现销售收入的增长。非财务指标的应用逐渐受到关注，以弥补财务指标的不足。创新能力指标是其中的重要组成部分，包括研发投入强度、专利数量、新产品销售收入占比等。研发投入强度反映了企业对技术创新的投入力度，[企业名称4]的研发投入强度达到[X]%，远高于行业平均水平，显示出该企业对创新的高度重视；专利数量体现了企业的创新成果，[企业名称5]拥有专利数量[X]件，在行业内具有较强的技术优势；新产品销售收入占比则衡量了企业技术创新成果的市场转化能力，[企业名称6]的新产品销售收入占比为[X]%，表明其创新成果能够较好地转化为经济效益。市场竞争力指标如市场份额、客户满意度等，也被纳入评价体系。市场份额反映了企业在市场中的地位，[企业名称7]在其所在细分市场的市场份额达到[X]%，具有较强的市场竞争力；客户满意度则体现了企业产品或服务满足客户需求的程度，对企业的长期发展至关重要。然而，非财务指标在选取和量化过程中存在一定困难，部分指标的数据获取难度较大，且不同企业之间的可比性相对较弱。现有研究在指标选取上存在一定的局限性。一方面，部分研究对非财务指标的重视程度不够，仍然主要依赖财务指标进行绩效评价，导致评价结果无法全面反映企业的真实绩效。另一方面，在指标选取过程中，缺乏对创业板制造业上市公司特点的深入分析，未能充分考虑企业的高成长性、技术创新性等特征，使得一些重要指标被忽视。指标之间的相关性分析不够深入，可能存在指标冗余或相互矛盾的情况，影响了评价结果的准确性和可靠性。3.1.3评价结果分析已有的创业板制造业上市公司绩效评价结果呈现出一定的特征和趋势。从整体绩效水平来看，创业板制造业上市公司的绩效表现存在较大差异。部分企业绩效表现优异，在盈利能力、创新能力、市场竞争力等方面均表现出色。[企业名称8]在[具体年份]的净利润增长率达到[X]%，研发投入强度为[X]%，市场份额逐年扩大，其综合绩效在行业内名列前茅。这些企业往往具有较强的技术创新能力，能够不断推出具有竞争力的新产品，满足市场需求，同时具备高效的管理团队和完善的运营体系，能够有效地控制成本，提高生产效率。然而，也有部分企业绩效表现不佳，存在盈利能力较弱、创新能力不足、资产运营效率低下等问题。[企业名称9]在该年度出现亏损，研发投入较少，市场份额逐渐萎缩，综合绩效排名靠后，这些企业可能面临着激烈的市场竞争、技术落后、管理不善等困境，需要采取有效措施加以改进。在不同细分行业之间，绩效评价结果也存在明显差异。以高端装备制造和传统机械制造两个细分行业为例，高端装备制造行业的企业整体绩效水平相对较高。这是因为高端装备制造行业具有技术含量高、附加值高的特点，企业通常注重技术研发和创新，能够获得较高的利润回报。[高端装备制造企业名称]在[具体年份]的净利润率达到[X]%，研发投入强度为[X]%，拥有多项核心技术专利，产品在国内外市场具有较强的竞争力。而传统机械制造行业的部分企业绩效水平相对较低，该行业竞争激烈，产品同质化严重，企业利润空间较小，一些企业在技术创新和市场拓展方面投入不足，导致绩效表现不佳。[传统机械制造企业名称]的净利润率仅为[X]%，研发投入强度为[X]%，市场份额逐渐被竞争对手挤压。从时间趋势上看，随着市场环境的变化和企业自身的发展，创业板制造业上市公司的绩效呈现出动态变化的趋势。在经济形势较好、市场需求旺盛的时期，企业的绩效普遍有所提升，营业收入和净利润增长较快。然而，当经济形势下滑、市场竞争加剧时，部分企业的绩效会受到较大影响，出现盈利能力下降、市场份额减少等问题。一些企业通过不断加大技术创新投入、优化产品结构、拓展市场渠道等措施，实现了绩效的持续提升；而另一些企业由于未能及时适应市场变化，绩效逐渐下滑。3.2存在的问题3.2.1评价方法局限性传统绩效评价方法在评价创业板制造业上市公司时存在诸多不足。传统财务比率分析虽然能直观反映企业的财务状况，但仅依赖财务数据，忽视了非财务因素对企业绩效的影响。在评价[企业名称10]时，从财务比率看，其盈利能力指标如净资产收益率在[具体年份]达到[X]%，表现出色，但该企业在技术创新方面投入较少，近三年研发投入强度均低于行业平均水平，新产品推出速度缓慢，市场竞争力逐渐下降。仅依据财务比率分析，无法全面了解企业在创新能力、市场竞争力等方面的潜在风险，可能导致对企业绩效的误判。经济增加值（EVA）方法虽考虑了资本成本，但对数据的准确性和完整性要求极高，计算过程复杂，且在实际应用中资本成本的确定存在主观性。以[企业名称11]为例，在计算EVA值时，需要准确确定加权平均资本成本，而不同的计算方法和假设条件会导致资本成本的取值存在差异。若采用资本资产定价模型（CAPM）计算权益资本成本，其中无风险利率、市场风险溢价和β系数的取值都需要合理估计，不同的估计方法会使权益资本成本相差较大，进而影响EVA值的准确性，导致对企业绩效的评价不够客观。层次分析法（AHP）在确定绩效评价指标权重时，依赖专家主观判断，不同专家的意见可能存在较大分歧，导致权重分配不够客观。在构建创业板制造业上市公司绩效评价指标体系时，邀请不同领域的专家对盈利能力、偿债能力、成长能力、创新能力等指标的重要性进行打分，由于专家的专业背景、经验和认知不同，对各指标权重的判断存在显著差异。如有的专家认为创新能力对创业板制造业上市公司至关重要，应赋予较高权重；而有的专家则更看重盈利能力，认为盈利能力是企业生存和发展的基础，应给予更大权重。这种主观因素导致的权重差异会影响绩效评价结果的准确性和可靠性。3.2.2指标体系不完善现有评价指标体系在全面反映企业绩效方面存在问题。一方面，对非财务指标的重视程度不足。许多研究仍主要以财务指标为主，如净利润、资产负债率等，对创新能力、市场竞争力、社会责任等非财务指标的纳入不够充分。以[企业名称12]为例，该企业在财务指标上表现良好，净利润连续三年保持增长，资产负债率处于合理水平。但在创新能力方面，研发投入占营业收入的比重较低，仅为[X]%，且近三年没有新的专利申请，产品技术含量逐渐落后于竞争对手；在社会责任方面，企业在环保措施上投入不足，曾因环境污染问题受到相关部门的处罚。仅关注财务指标无法全面反映企业在创新和社会责任方面的不足，可能使投资者和管理者对企业的真实绩效产生误判。另一方面，在指标选取过程中，未能充分考虑创业板制造业上市公司的特点。这些企业具有高成长性、技术创新性等特征，但现有指标体系可能未突出反映这些特点的指标。如对于技术创新性，仅用专利数量来衡量不够全面，还应考虑专利的质量、专利的转化率以及技术创新对企业市场份额和盈利能力的实际贡献等。对于高成长性，营业收入增长率和净利润增长率等传统成长指标可能无法准确反映企业的成长潜力，还应考虑企业所处行业的发展前景、市场需求的增长趋势以及企业的创新产品储备等因素。此外，指标之间的相关性分析不够深入，可能存在指标冗余或相互矛盾的情况。如流动比率和速动比率在衡量企业短期偿债能力时存在一定的相关性，同时纳入这两个指标可能导致信息重复；而一些反映企业不同方面绩效的指标可能存在相互矛盾的情况，如企业为了提高市场份额，可能会加大营销投入，短期内导致成本上升，利润下降，此时市场份额指标和利润指标的变化趋势相反，若不能合理处理这些矛盾，会影响评价结果的准确性。3.2.3数据质量与可得性数据质量和获取难度对绩效评价产生显著影响。在数据质量方面，部分数据存在准确性和完整性问题。上市公司披露的财务数据可能存在粉饰或错误，如[企业名称13]曾因财务造假被证监会处罚，其在[具体年份]的年报中虚增营业收入和净利润，导致基于这些数据进行的绩效评价结果严重失真。一些非财务数据，如客户满意度、员工满意度等，由于调查方法和样本的局限性，数据的准确性难以保证。在获取客户满意度数据时，若调查样本仅选取了部分长期合作客户，而忽略了新客户和流失客户的意见，得到的客户满意度数据就无法真实反映企业的市场口碑和客户忠诚度。数据获取难度较大也是一个突出问题。一些非财务指标的数据获取渠道有限，如企业的社会责任履行情况，包括对社区的贡献、参与公益活动的情况等，这些数据往往没有统一的披露标准，企业可能不会主动公开，导致研究者难以获取准确的数据。对于一些新兴技术指标，如人工智能技术在企业生产中的应用程度、区块链技术对企业供应链管理的优化效果等，由于相关技术发展时间较短，缺乏成熟的统计和评估体系，数据获取难度极大。即使能够获取数据，数据的时效性也难以保证。市场环境和企业经营状况变化迅速，一些数据在收集和整理过程中可能已经过时，无法准确反映企业当前的绩效水平。如企业的市场份额数据，若收集时间间隔较长，在这期间市场竞争格局可能发生了重大变化，原有的市场份额数据就不能为绩效评价提供有效的参考。四、基于DEA的绩效评价体系构建4.1模型选择4.1.1传统DEA模型适用性分析传统DEA模型在评价我国创业板制造业上市公司绩效时具有一定的适用性，但也存在一些局限性。传统DEA模型能够有效处理多投入多产出的复杂系统，无需预先设定生产函数形式，这与创业板制造业上市公司的实际生产经营情况相契合。在评价[企业名称14]时，该企业涉及原材料采购、设备投入、劳动力投入等多种投入要素，同时产出包括产品销售收入、新产品研发成果等多个方面，传统DEA模型可以将这些多维度的投入产出数据纳入分析框架，客观地评价企业在资源配置和生产效率方面的相对有效性，避免了因主观设定生产函数而带来的偏差。传统DEA模型在区分有效决策单元方面存在不足。在对一批创业板制造业上市公司进行绩效评价时，可能会出现多个公司的效率值均为1，即同时处于DEA有效的情况。以[企业名称15]、[企业名称16]和[企业名称17]为例，它们在CCR模型下的综合效率值都为1，从传统DEA模型的结果来看，这三家企业的绩效表现相同，无法进一步区分它们之间的优劣。然而，在实际经营中，这三家企业在创新能力、市场拓展速度、成本控制等方面可能存在差异，传统DEA模型无法准确反映这些差异，导致对企业绩效的评价不够细致和全面。4.1.2超效率DEA模型优势超效率DEA模型在解决传统DEA模型无法区分有效决策单元的问题上具有显著优势。超效率DEA模型允许被评价的决策单元在计算效率值时，将其自身排除在参考集之外，从而使有效决策单元之间能够进行进一步的比较和排序。在评价上述三家DEA有效的创业板制造业上市公司时，超效率DEA模型可以分别计算出它们的超效率值。假设[企业名称15]的超效率值为1.2，[企业名称16]的超效率值为1.1，[企业名称17]的超效率值为1.05，通过这些超效率值，可以清晰地看出[企业名称15]在有效决策单元中表现更为突出，其资源利用效率和生产绩效相对更高，能够在投入增加一定比例的情况下，保持产出的高效增长。超效率DEA模型的应用能够为企业管理者和投资者提供更有价值的信息。对于企业管理者而言，超效率值可以帮助他们了解企业在同行业中的相对位置，发现自身与其他优秀企业的差距，从而有针对性地制定改进措施。如果一家企业的超效率值较低，管理者可以深入分析企业在哪些投入产出环节存在不足，是研发投入的产出效率不高，还是生产运营过程中的成本控制不佳，进而采取相应的优化策略，提高企业的绩效水平。对于投资者来说，超效率DEA模型的评价结果可以作为投资决策的重要参考。在选择投资对象时，投资者往往更倾向于选择超效率值较高的企业，因为这些企业通常具有更高的资源利用效率和更好的发展潜力，投资回报率相对更有保障。通过超效率DEA模型的分析，投资者可以更准确地筛选出具有投资价值的创业板制造业上市公司，降低投资风险，提高投资收益。4.2指标体系确定4.2.1指标选取原则在构建基于DEA的我国创业板制造业上市公司绩效评价指标体系时，需遵循一系列科学合理的原则，以确保指标体系的有效性和可靠性。科学性原则是指标选取的首要原则。指标的选取应基于科学的理论和方法，能够准确、客观地反映企业的绩效状况。在选取财务指标时，应依据财务会计理论和相关会计准则，确保指标的计算方法和数据来源准确无误。在选取反映企业创新能力的指标时，要以创新理论为指导，选择能够真正衡量企业创新投入、创新产出和创新效果的指标，如研发投入强度、专利转化率等。指标的定义和内涵应清晰明确，避免模糊和歧义，确保不同的研究者和使用者对指标的理解一致，从而保证评价结果的科学性和可比性。全面性原则要求指标体系能够全面涵盖企业绩效的各个方面。企业绩效是一个多维度的概念，不仅包括财务绩效，还涉及创新能力、市场竞争力、内部运营效率、社会责任等多个非财务层面。财务指标如净利润、资产负债率等，能够反映企业的盈利能力和偿债能力；创新能力指标如研发投入强度、专利数量等，体现了企业的技术创新水平；市场竞争力指标如市场份额、客户满意度等，展示了企业在市场中的地位和形象；内部运营效率指标如生产效率、供应链管理效率等，反映了企业内部运营的有效性；社会责任指标如环保投入、员工权益保障等，体现了企业对社会的贡献和责任。只有综合考虑这些方面的指标，才能全面、准确地评价企业的绩效。可操作性原则强调指标数据应易于获取和处理，评价方法应简便易行。在选取指标时，要充分考虑数据的可得性，优先选择那些能够从公开渠道获取或企业内部易于统计的数据指标。上市公司的年报、财务报表、行业统计数据等都是重要的数据来源。对于一些难以获取的数据指标，应尽量避免使用，以免增加研究的难度和成本。指标的计算方法应简单明了，避免过于复杂的计算过程，确保评价工作能够高效、准确地进行。评价方法也应具有可操作性，能够在实际应用中得到有效实施。相关性原则要求所选指标与企业绩效之间具有紧密的关联。指标应能够直接或间接地反映企业绩效的变化，对企业绩效的评价具有实际的指导意义。营业收入和净利润与企业的盈利能力密切相关，是衡量企业绩效的重要指标；研发投入与企业的创新能力和未来发展潜力相关，能够反映企业在技术创新方面的投入和努力程度。对于那些与企业绩效相关性较弱的指标，应予以排除，以确保指标体系的简洁性和有效性。独立性原则要求指标之间应相互独立，避免指标之间存在过多的重叠和相关性。如果指标之间存在高度的相关性，会导致信息的重复和冗余，影响评价结果的准确性和可靠性。流动比率和速动比率在衡量企业短期偿债能力方面存在一定的相关性，若同时纳入这两个指标，可能会使评价结果受到重复信息的干扰。在选取指标时，应通过相关性分析等方法，对指标之间的相关性进行检验，对于相关性较高的指标，应选择其中最具代表性的指标，以保证指标体系的独立性和有效性。4.2.2输入输出指标选取从财务、技术创新、市场等多维度选取输入输出指标，能够全面、准确地评价我国创业板制造业上市公司的绩效。在输入指标方面，资产总计反映了企业所拥有或控制的全部经济资源，是企业开展生产经营活动的物质基础，其规模大小在一定程度上影响着企业的生产能力和发展潜力。固定资产原值体现了企业在固定资产方面的投入，包括厂房、设备等，直接关系到企业的生产规模和生产效率。研发投入金额则是衡量企业对技术创新重视程度和投入力度的关键指标，充足的研发投入有助于企业提升技术水平，开发新产品，增强市场竞争力。员工总数代表了企业的人力资源投入，人力资源是企业发展的核心要素之一，不同数量和素质的员工对企业的生产经营和创新活动产生不同的影响。在输出指标方面，营业收入是企业在一定时期内通过销售商品、提供劳务等经营活动所取得的总收入，直接反映了企业的市场拓展能力和经营规模，是衡量企业经营成果的重要指标。净利润是企业在扣除所有成本、费用和税金后的剩余收益，体现了企业的盈利能力和经营效益，是投资者关注的重点指标之一。专利申请数量体现了企业在技术创新方面的成果，反映了企业的创新能力和技术水平。新产品销售收入则衡量了企业将创新成果转化为实际经济效益的能力，展示了企业技术创新的市场价值。以[企业名称18]为例，该企业在过去几年中不断加大研发投入，研发投入金额从[具体年份1]的[X]万元增长到[具体年份2]的[X]万元，同时，员工总数也随着业务的拓展有所增加。这些投入带来了显著的产出成果，专利申请数量从[具体年份1]的[X]件增加到[具体年份2]的[X]件，新产品销售收入占营业收入的比重也逐年提高，从[具体年份1]的[X]%提升至[具体年份2]的[X]%，营业收入和净利润也实现了稳步增长。这表明该企业通过合理的投入，在技术创新和市场拓展方面取得了良好的绩效。再如[企业名称19]，虽然资产总计和固定资产原值规模较大，但研发投入相对不足，导致专利申请数量较少，新产品销售收入占比较低，企业的市场竞争力和盈利能力受到一定影响。这说明在绩效评价中，输入输出指标之间存在着密切的关联，合理的投入结构对于企业获得良好的产出绩效至关重要。4.2.3指标筛选与优化运用相关性分析等方法对初步选取的指标进行筛选和优化，能够有效提高绩效评价指标体系的质量和有效性。相关性分析是指标筛选的重要方法之一。通过计算指标之间的相关系数，可以判断指标之间的线性相关程度。相关系数的取值范围在-1到1之间，当相关系数的绝对值越接近1时，表明两个指标之间的线性相关性越强；当相关系数的绝对值越接近0时，表明两个指标之间的线性相关性越弱。在对我国创业板制造业上市公司绩效评价指标进行相关性分析时，发现资产总计与固定资产原值之间的相关系数较高，达到了[X]，这说明这两个指标在一定程度上存在信息重叠。考虑到资产总计更全面地反映了企业的资源规模，而固定资产原值只是其中的一部分，因此在指标筛选过程中，可以保留资产总计，去除固定资产原值，以避免信息冗余，提高指标体系的简洁性和有效性。除了相关性分析，还可以运用主成分分析等方法对指标进行降维处理。主成分分析能够将多个相关的原始指标转化为少数几个互不相关的综合指标，即主成分。这些主成分能够保留原始指标的大部分信息，同时降低数据的维度，简化分析过程。在对反映企业创新能力的多个指标进行主成分分析时，将研发投入强度、专利申请数量、新产品销售收入占比等指标进行综合分析，提取出能够代表企业创新能力的主成分。通过这种方式，可以更全面、准确地衡量企业的创新能力，避免因单个指标的局限性而导致评价结果的偏差。在指标优化过程中，还应结合实际情况和研究目的，对指标进行进一步的调整和完善。对于一些数据获取难度较大或时效性较差的指标，可以寻找替代指标。如果某些企业的专利申请数量数据难以获取，可以考虑用专利授权数量作为替代指标，因为专利授权数量同样能够在一定程度上反映企业的创新成果。对于一些随着市场环境和企业发展变化而需要调整的指标，应及时更新和优化。随着技术的快速发展和市场竞争的加剧，企业的创新能力指标可能需要不断调整和完善，以更好地反映企业在创新方面的实际情况。通过相关性分析、主成分分析等方法对指标进行筛选和优化，能够构建出更加科学、合理、有效的我国创业板制造业上市公司绩效评价指标体系，为准确评价企业绩效提供有力支持。五、实证分析5.1样本选取与数据收集5.1.1样本公司选择为确保研究结果的可靠性和代表性，本研究对样本公司进行了严格筛选。以截至[具体年份]在我国创业板上市的制造业公司为初始研究对象，依据以下标准进行样本选取：首先，考虑到企业财务数据的稳定性和完整性，剔除了上市时间不足三年的公司，因为新上市企业在经营初期可能面临诸多不稳定因素，财务数据波动较大，难以准确反映其真实的绩效水平。其次，对于ST、*ST类公司，由于其财务状况异常，可能存在较大的经营风险和财务风险，为避免对研究结果产生干扰，也将其排除在样本之外。经过上述筛选，最终确定了[X]家创业板制造业上市公司作为研究样本，这些公司在行业分布、企业规模、技术水平等方面具有广泛的代表性，能够较好地反映我国创业板制造业上市公司的整体绩效状况。从行业分布来看，样本公司涵盖了多个制造业细分领域，包括高端装备制造、新能源汽车、电子信息、生物医药等战略性新兴产业，以及传统机械制造、化工、纺织等行业。在高端装备制造领域，纳入了[企业名称1]等企业，这些企业专注于研发和生产高精度、高性能的机械设备，在技术创新和市场拓展方面表现突出；新能源汽车领域选取了[企业名称2]等公司，它们在电池技术、智能驾驶等关键技术上不断突破，推动了我国新能源汽车产业的快速发展；电子信息行业的[企业名称3]等企业，致力于芯片研发、通信设备制造等核心业务，在全球产业链中占据重要地位。通过涵盖不同细分行业的企业，能够全面研究不同产业环境下创业板制造业上市公司的绩效特征和影响因素。在企业规模方面，样本公司既包括了具有一定规模和市场影响力的中型企业，也涵盖了处于快速成长阶段的小型企业。中型企业如[企业名称4]，其资产规模、营业收入和员工数量在行业内处于中等水平，具有较为成熟的生产经营体系和市场渠道；小型企业如[企业名称5]，虽然规模相对较小，但凭借其独特的技术优势和创新能力，在细分市场中崭露头角，具有较高的成长潜力。不同规模企业的纳入，有助于分析企业规模对绩效的影响，以及不同规模企业在资源配置、创新能力等方面的差异。5.1.2数据来源与处理本研究的数据来源广泛且可靠，以确保研究结果的准确性和科学性。财务数据主要来源于样本公司的年报，年报是上市公司对外披露财务信息的重要文件，包含了企业的资产负债表、利润表、现金流量表等详细财务数据，这些数据经过会计师事务所审计，具有较高的可信度。通过巨潮资讯网、深交所官网等官方渠道，获取了样本公司在[具体年份区间]的年报数据，涵盖了资产总计、固定资产原值、营业收入、净利润等财务指标。为了获取更全面的行业数据和市场数据，还参考了国泰安数据库、Wind数据库等专业金融数据库。这些数据库整合了大量的金融市场数据和企业信息，能够提供行业平均数据、市场份额、行业增长率等相关数据，为研究提供了丰富的背景信息和对比依据。对于非财务数据，如研发投入金额、专利申请数量等，同样通过多种渠道收集。研发投入金额数据主要从样本公司的年报中获取，部分公司在年报中会详细披露研发投入的具体情况，包括研发项目、研发人员薪酬、研发设备购置等方面的支出。对于一些年报中未详细披露研发投入的公司，通过查阅公司的招股说明书、企业官网发布的公告等资料进行补充收集。专利申请数量数据则来源于国家知识产权局官网，该网站提供了全面、准确的专利信息查询服务，能够获取样本公司在不同时间段的专利申请数量和授权情况。在数据处理方面，由于不同指标的数据量纲和数量级存在差异，为了避免数据量纲对分析结果的影响，对所有数据进行了标准化处理。采用Z-Score标准化方法，其计算公式为：Z_i=\frac{X_i-\overline{X}}{\sigma}，其中Z_i为标准化后的数据，X_i为原始数据，\overline{X}为原始数据的均值，\sigma为原始数据的标准差。通过标准化处理，将所有数据转化为均值为0、标准差为1的标准正态分布数据，使得不同指标的数据具有可比性，能够更好地应用于DEA模型的分析中。在数据处理过程中，还对数据进行了异常值检验和处理。通过绘制箱线图等方法，识别出可能存在的异常值，并对异常值进行了修正或剔除。对于一些明显偏离正常范围的数据，通过查阅相关资料、与同行业公司数据进行对比等方式，判断其是否为异常值。若确定为异常值，根据具体情况进行处理，如采用均值替代法、回归预测法等对异常值进行修正，以保证数据的质量和可靠性。5.2绩效评价结果5.2.1样本企业有效性判断运用超效率DEA模型对选取的[X]家我国创业板制造业上市公司样本进行绩效评价，通过对各企业在2019-2021年期间的投入产出数据进行分析，计算出各企业的超效率值，以此判断样本企业的有效性。在2019年，[企业名称1]的超效率值为1.25，表明该企业在同行业中处于领先地位，资源利用效率较高，能够在投入一定的情况下，实现较高的产出，处于生产前沿面，是DEA有效的。而[企业名称2]的超效率值仅为0.8，说明该企业存在投入冗余或产出不足的问题，未能达到生产前沿面，为非DEA有效。具体来看，[企业名称2]在资产总计、研发投入等输入指标上的投入相对过高，但在营业收入、净利润等输出指标上的产出相对较低，导致其效率值低于1。到了2020年，[企业名称3]的超效率值从2019年的0.9提升至1.05，实现了从非DEA有效到DEA有效的转变。这可能是由于该企业在2020年加大了技术创新力度，优化了生产流程，提高了资源利用效率，使得投入产出比得到改善。相反，[企业名称4]的超效率值从2019年的1.1下降到0.95，变为非DEA有效，可能是因为该企业在市场竞争中未能及时调整战略，市场份额下降，导致营业收入增长缓慢，而投入并未相应减少，从而影响了整体效率。在2021年，[企业名称5]一直保持着较高的超效率值，达到1.3，持续处于DEA有效状态，这显示出该企业具有较强的稳定性和竞争力，在资源配置和生产运营方面表现出色。但[企业名称6]的超效率值进一步下降至0.75，非DEA有效性更加明显，可能面临着更为严峻的市场挑战和内部管理问题，需要深入分析原因，采取有效措施加以改进。总体来看，在2019-2021年期间，样本企业中每年都存在一定比例的DEA有效企业和非DEA有效企业，且各企业的有效性状态存在动态变化。这反映出我国创业板制造业上市公司在绩效表现上存在较大差异，部分企业在资源利用和生产效率方面具有优势，而部分企业则存在改进空间。同时，市场环境的变化、企业自身的战略调整和管理水平的提升等因素，都会对企业的有效性产生影响。5.2.2松弛变量分析通过对超效率DEA模型计算结果中的松弛变量进行分析，可以深入了解样本企业在投入产出方面存在的具体问题，找出投入冗余和产出不足的企业及相应指标。以2020年的数据为例，[企业名称7]在资产总计方面存在投入冗余，松弛变量值为[X]，这意味着该企业的资产规模相对过大，未能得到充分有效的利用，可能存在资产闲置或运营效率低下的情况。在研发投入金额上也存在松弛变量值为[X]的冗余现象，表明企业的研发投入虽然较高，但可能存在研发方向不明确、研发资源配置不合理等问题，导致研发投入未能转化为相应的创新成果和经济效益。从产出角度来看，[企业名称7]的新产品销售收入存在产出不足的问题，松弛变量值为[X]，说明企业在将创新成果转化为市场收益方面存在困难，可能在市场推广、产品竞争力等方面存在不足。再看[企业名称8]，在员工总数这一投入指标上存在松弛变量值为[X]的冗余，可能企业存在人员结构不合理、人力资源浪费等问题，导致员工的工作效率未能充分发挥。在营业收入方面，松弛变量值为[X]，显示出企业在市场拓展和销售能力上有待提升，未能充分挖掘市场潜力，实现更高的销售收入。对于这些存在投入冗余和产出不足的企业，需要有针对性地进行改进。[企业名称7]应优化资产配置，提高资产运营效率，合理调整研发投入方向和资源分配，加强市场推广，提高新产品的市场占有率，以增加新产品销售收入。[企业名称8]则需要优化人员结构，提高员工素质和工作效率，制定合理的市场拓展策略，提升企业的销售能力，从而提高营业收入。通过对松弛变量的分析，为企业提供了明确的改进方向，有助于企业优化资源配置，提高绩效水平。5.2.3相对排名确定根据超效率DEA模型计算得出的超效率值，对样本企业进行相对排名，能够清晰地了解各企业在行业中的相对绩效水平，并深入分析排名差异的原因。在2019-2021年期间，[企业名称9]在三年中的超效率值始终名列前茅，分别为1.3、1.35和1.4，在样本企业中一直处于领先地位。深入分析发现，该企业在技术创新方面表现卓越，持续加大研发投入，研发投入强度远高于行业平均水平，每年的研发投入金额不断增长，从2019年的[X]万元增长到2021年的[X]万元。这使得企业拥有了多项核心技术专利，专利申请数量逐年增加，新产品不断推出，新产品销售收入占营业收入的比重也持续上升，从2019年的[X]%提升至2021年的[X]%。企业还注重市场拓展，积极开拓国内外市场，市场份额逐年扩大，营业收入和净利润实现了快速增长。与之形成对比的是[企业名称10]，在这三年中的排名较为靠后，超效率值分别为0.7、0.75和0.8。进一步探究发现，该企业在技术创新投入方面严重不足，研发投入金额较低，且增长缓慢，导致专利申请数量较少，技术创新成果匮乏，新产品推出速度缓慢，无法满足市场需求。在市场竞争中，企业的市场份额逐渐被竞争对手挤压，营业收入增长乏力，净利润也出现了下滑趋势。企业的内部管理也存在问题，成本控制不力，导致生产成本过高，进一步影响了企业的盈利能力和绩效水平。从行业角度来看，处于高端装备制造行业的企业整体排名相对较高，如[企业名称11]、[企业名称12]等。这些企业受益于行业的高附加值和技术密集型特点，能够在技术创新和市场拓展方面投入更多资源，从而取得较好的绩效表现。而传统制造业企业的排名相对较低，如[企业名称13]、[企业名称14]等，这些企业面临着激烈的市场竞争和较低的产品附加值，在技术创新和市场份额争夺上相对困难，导致绩效表现不佳。企业的规模也对排名有一定影响。规模较大的企业，如[企业名称15]，往往具有更强的资源整合能力和市场影响力，能够在研发投入、市场拓展等方面占据优势，从而在排名中较为靠前。而规模较小的企业，如[企业名称16]，由于资源有限，在面对市场竞争和技术创新需求时，可能会显得力不从心，导致排名相对靠后。5.2.4纵向比较对样本企业在2019-2021年期间的绩效进行纵向比较，能够清晰地分析其发展趋势，为企业的战略决策提供重要参考。[企业名称17]在这三年间呈现出良好的发展态势。2019年，其超效率值为1.05，处于DEA有效状态；到了2020年，超效率值提升至1.15，增长了约9.5%；2021年，超效率值进一步提高到1.25，较2020年增长了约8.7%。深入分析发现，该企业在技术创新方面不断加大投入，研发投入金额从2019年的[X]万元增加到2021年的[X]万元，研发投入强度也从[X]%提升至[X]%。这些投入带来了显著的创新成果，专利申请数量从2019年的[X]件增加到2021年的[X]件，新产品销售收入占营业收入的比重从2019年的[X]%提升至2021年的[X]%。企业在市场拓展方面也取得了良好的成绩，通过优化产品结构、加强品牌建设和拓展销售渠道，市场份额逐年扩大，营业收入和净利润实现了稳步增长。然而，[企业名称18]的绩效则呈现出下滑趋势。2019年，其超效率值为1.1，处于DEA有效状态；2020年，超效率值下降至1.0，刚好处于DEA有效边界；到了2021年，超效率值进一步降至0.9，变为非DEA有效。进一步探究发现，该企业在技术创新方面的投入逐渐减少，研发投入金额从2019年的[X]万元下降到2021年的[X]万元，研发投入强度也从[X]%降低至[X]%。这导致企业的创新能力逐渐减弱，专利申请数量减少，新产品推出速度放缓，市场竞争力下降。在市场竞争中，企业的市场份额逐渐被竞争对手抢占，营业收入和净利润出现了下滑，分别从2019年的[X]万元和[X]万元下降到2021年的[X]万元和[X]万元。从整体样本企业来看，在2019-2021年期间，约[X]%的企业绩效呈现出不同程度的增长，这些企业主要通过加大技术创新投入、优化产品结构和拓展市场渠道等措施，提升了自身的绩效水平。而约[X]%的企业绩效出现了下滑，主要原因包括技术创新不足、市场竞争加剧和内部管理不善等。这表明我国创业板制造业上市公司的绩效发展存在分化，企业需要根据自身情况，制定合理的发展战略，不断提升技术创新能力和市场竞争力，以实现可持续发展。5.3结果分析与讨论5.3.1整体绩效水平分析通过对样本企业的绩效评价结果进行分析，可清晰地了解我国创业板制造业上市公司的整体绩效水平及特点。从综合效率来看，在2019-2021年期间，样本企业的平均综合效率值为[X]，处于中等水平。这表明我国创业板制造业上市公司在资源利用和生产效率方面存在一定的提升空间，部分企业未能充分发挥自身的潜力，实现投入产出的最优配置。在这三年中，综合效率值达到1及以上（即DEA有效）的企业占比分别为[X]%、[X]%和[X]%，呈现出一定的波动。这说明每年都有一定数量的企业在资源利用和生产效率方面表现出色，达到了相对最优状态，但仍有相当比例的企业需要进一步改进。从纯技术效率角度分析，样本企业的平均纯技术效率值为[X]，相对较高。这意味着我国创业板制造业上市公司在技术和管理层面的效率表现较好，大多数企业能够有效地利用现有技术和管理水平，对投入资源进行合理配置。然而，仍有部分企业的纯技术效率值低于1，这可能是由于这些企业在技术创新能力、管理水平、生产流程优化等方面存在不足，导致资源利用效率不高。例如，一些企业的研发投入未能转化为有效的创新成果，或者生产过程中存在资源浪费、生产效率低下等问题。在规模效率方面，样本企业的平均规模效率值为[X]，表明部分企业在生产规模上尚未达到最优状态。处于规模报酬递增阶段的企业占比为[X]%，这些企业可以通过适当扩大生产规模，实现规模经济，提高生产效率和绩效水平。而处于规模报酬递减阶段的企业占比为[X]%，这类企业则需要调整生产规模，避免过度扩张，以提升规模效率。如一些企业在扩张过程中，未能有效整合资源，导致管理成本上升，生产效率下降，规模报酬递减。总体而言，我国创业板制造业上市公司的整体绩效水平存在差异，部分企