【《基于DEA的企业并购绩效评价的案例分析》6900字】

基于DEA的企业并购绩效评价的案例分析目录TOC\o"1-3"\h\u21249基于DEA的企业并购绩效评价的案例分析 1264951.1评价思路和步骤 1671.2构建评价指标体系 1144411.2.1输入指标提取 2146111.2.2基于因子分析法的输出公因子提取 5272491.2.3基于因子分析法的指标体系建立 7287241.3基于DEA-Malmquist的MD并购绩效评价分析 8137041.4基于DEA的横向绩效比较 9136021.5评价体系应用结果分析 1033941.6基于DEA的并购绩效评价体系保障措施 111.1评价思路和步骤基于本文的理论基础，采用DEA-Malmquist指数模型，一次来构建并购绩效评价体系，具体操作步骤如下：（1）明确评价对象及样本本研究旨在构建体系对MD集团的并购绩效进行评价。此外，为了进行绩效的横向对比，本文选取电器制造业的非ST公司中规模相近的多家企业，作为横向对比的样本。评价的样本是依据初始选择的一系列指标，获取MD集团以及行业内其他企业每一年的年度数据。（2）确定决策单元本文以2013年到2019年这10年的MD集团数据表现作为MD并购绩效评价的纵向评价决策单元，以2019年MD和多家家电制造业上市公司的输入输出指标数据作为MD横向绩效评价的决策单元。（3）确定指标体系本文将根据MD集团近年来的实际数据，使用SPSS软件进行因子分析、计算因子的得分、运行标准化处理，确定MD集团并购绩效评价体系中，每一年输入输出指标的具体数值。（4）计算效率值提取的公因子输入到DEA-Malmquist指数模型中，本研究采用DEAP2.1软件执行此步操作。（5）评价结果对比对得到的结果进行横向以及纵向的对比。分析并购取得的成果。1.2构建评价指标体系在收集到了MD自2014年到2019年的财务指标数据后，用SPSS软件对这些数据对输入、输出指标运行因子分析，对指标进行降维，将其凝练为两个输入和两个输出指标，最终构建出MD并购绩效评价指标体系，然后测算因子得分，针对存在负值的情况进行标准化处理。1.2.1输入指标提取表4-1输入指标适用性检验KMO取样适切性量数0.736巴特利特球形度检验近似卡方382.402自由度36显著性.000运用SPSS软件对MD集团2014年至2020年的偿债和营运能力指标实施输入指标的公因子提取，期中2020年的数据为三季度数据。第一个环节需要展开KMO和Bartlett的检验，结果体现在表4-1当中。根据表中数据可知，输入指标的KMO值为0.736，大于0.6，对于因子分析法的适用性较为理想。显著性为0，表明可以运用因子分析。表4-2输入指标公因子方差初始提取流动比率1.000.910速动比率1.000.942经营活动产生的现金流量净额／流动负债1.000.900存货周转率1.000.833现金及现金等价物周转率1.000.764应付账款周转1.000.968总资产周转率1.000.966营运资金（资本）周转率1.000.697流动资产周转率1.000.951从表4-2可以看出，经过提取后的因子方差基本都大于0.8，说明提取出的公因子代表了大部分指标。提取过程中信息损失不大，保证指标对原始数据具备良好的解释力。表4-3输入指标总方差解释成分初始特征值提取载荷平方和旋转载荷平方和总计方差百分比累积%总计方差百分比累积%总计方差百分比累积%15.35659.50959.5095.35659.50959.5095.34559.39459.39422.57428.59788.1062.57428.59788.1062.58428.71288.1063.4935.47493.5804.2292.54796.1275.2122.35298.4796.1171.30399.7827.012.13699.9198.005.05399.9719.003.029100.000通过表4-3可以看出，因子1和因子2的特征值分比我为5.356和2.574，均大于1，提取的载荷平方何继伟88.106%，说明因子的解释效果很高，具有不错的可信度，记为F1、F2。每个因子的反映变量如表4-4。表4-4成分矩阵成分12流动比率-.024.954速动比率-.099.966经营活动产生的现金流量净额／流动负债.940.123存货周转率.911.053现金及现金等价物周转率.864-.132应付账款周转率.979.094总资产周转率.982.041营运资金（资本）周转率.105-.828流动资产周转率.975.023根据表4-4的成分矩阵，可以看到两个因子对各个指标都具备一定的即使能力，但两者之间差异不明显，在多数指标上的解释能力基本相同，所以需要进一步处理。将模型进行旋转，经过旋转后的指标能得到更好的提取。旋转后成分矩阵见表4-5，旋转在3次迭代后收敛。表4-5输入指标旋转后的成分矩阵成分12流动比率X1.034.953速动比率X2-.040.970经营活动产生的现金流量净额／流动负债X3.946.066存货周转率X4.913-.002现金及现金等价物周转率X5.854-.184应付账款周转率X6.983.034总资产周转率X7.983-.019营运资金（资本）周转率X8.054-.833流动资产周转率X9.975-.036从表4-5可以看出，各个指标可以用成分来分解解释，即用公因子来表示每个指标变量，如下所示X1=0.034F1=0.953F2X2=-0.040F1=0.970F2X3=0.946F1+0.066F2X4=0.913F1-0.002F2X5=0.854F1-0.184F2X6=0.983F1+0.034F2X8=0.054F1-0.833F2X9=0.975F1-0.036F2对因子实施旋转之后，9个输入指标的因子负荷有所变化，可根据表4-5解释公因子，并对公因子进行命名。因子1在X4、X5、X7、X9上的负荷比较大均超过0.8，较为集中地代表了营运能力，可以作为营运能力指标。因子2在X1、X2上的载荷都超过了0.9，能够很好地反应偿债能力，可以作为偿债能力指标。进行SPSS的过程分析，可以得到输入指标的陈芬得分系数矩阵，具体如表4-6所示。表4-6成分得分系数矩阵成分12流动比率.018.370速动比率.004.376经营活动产生的现金流量净额／流动负债.178.037存货周转率.171.010现金及现金等价物周转率.158-.061应付账款周转率.185.025总资产周转率.184.005营运资金（资本）周转率.000-.322流动资产周转率.182-.002经过SPSS软件处理后，从输入指标中提取了两个公因子，假设得分系数矩阵为aij，指标变量为xjF1=0.018X1+0.004X2+0.178X3+0.171X4+0.158X5+0.185X6+0.184X7+0.182X9F21.2.2基于因子分析法的输出公因子提取首先对选取的输出指标进行KMO和Bartlett检验，结果如下表4-7。表4-7输出指标KMO和巴特利特检验KMO取样适切性量数。.778巴特利特球形度检验近似卡方567.723自由度36显著性.000根据上面表格的数据显示，输出指标的KMO值达到了0.778，代表其比较适用于因子分析法进行公因子提取。显著性为0，远小于0.5，同样表示可以进行因子分析。表4-8输出指标公因子方差初始提取净资产收益率增长率1.000.957净利润增长率1.000.961利润总额增长率1.000.951营业收入增长率1.000.788资产报酬率1.000.924总资产净利润率1.000.938净资产收益率1.000.953营业毛利率1.000.923投资收益率1.000.874运用主成分分析法对公因子进行提取，提取后的公因子方差见表4-8。在保证出事的方差等于1的同时，经过提取后的方差也大都在0.8以上。表明提取后的公因子能够很好地代表原指标，信息损失不大，具备良好的解释力。总方差结果见表4-9.表4-9总方差解释成分初始特征值提取载荷平方和旋转载荷平方和总计方差百分比累积%总计方差百分比累积%总计方差百分比累积%16.76775.18375.1836.76775.18375.1836.59173.23473.23421.50316.70391.8871.50316.70391.8871.67918.65391.8873.4151.60796.4934.2002.22098.7135.084.92899.6416.025.27799.9187.005.06099.9798.001.01499.9939.001.007100.000根据表4-9显示的数据可以看到，提取出来的两个因子的特征值分别达到了6.767和1.503，均大于1.5，总贡献率达到了91.887%，分清楚提取的两个因子具有很强的解释能力和很好地可信度，将这两个因子记为F3、F4。为了使得两个因子具有更好的指向性和解释能力，对其进行旋转，得到旋转后的成分矩阵如表4-10。经过旋转后，得到了解释指标权重，使得每一个指标都可以被两个公因子解释，如下所示：Y1=0.972F1+0.110F2Y2=0.973F1+0.124F2Y3=0.963F1+0.157F2Y4=0.886F1+0.054F2Y5=-0.951F1-0.141F2Y6=-0.966F1-0.060F2Y7=-0.973F1-0.081F2Y8=-0.18F1+0.953F2Y9=-0.435F1-0.827F2表4-10旋转后的成分矩阵成分12净资产收益率增长率A.972.110净利润增长率A.973.124利润总额增长率A.963.157营业收入增长率A.886.054资产报酬率A-.951-.141总资产净利润率（ROA）A-.966-.060净资产收益率A-.973-.081营业毛利率-.118.953投资收益率-.435-.827提取方法：主成分分析法。旋转方法：凯撒正态化最大方差法。a.旋转在3次迭代后已收敛。通过上表和公式可以看出，因子1在Y1、Y2、Y3、Y4、Y5上表现都很好，负荷超过了0.8，关注的是企业获取利润、进一步盈利的能力，因此更倾向于反映盈利能力；因子2在Y8、Y9两个指标上的载荷较大，超过了0.9，因此主要反映了MD的发展能力。采用SPSS执行分析过程后，输出了成分得分系数矩阵，最终的得分可参照表4-11。表4-11成分得分系数矩阵成分12净资产收益率增长率.150-.019净利润增长率.149-.010利润总额增长率.144.013营业收入增长率.141-.047资产报酬率-.144-.003总资产净利润率-.154.051净资产收益率-.153.038营业毛利率-.108.629投资收益率.005-.496从输入指标中提取了两个公因子，假设得分系数矩阵为aij，指标变量为yF因此根据得分系数公式可以计算出F1、F2。F1=0.150Y1+0.149Y2+0.144Y3+0.141Y4-0.144Y5-0.154Y6-0.1537-0.108Y8+0.005Y9F2=-0.019y1-0.010y2+0.013Y3+-0.047y4-0.003Y5+0.051Y6+0.038Y7+0.629Y8-0.496Y91.2.3基于因子分析法的指标体系建立经过因子分析法的处理之后，从一系列的输入指标当中提取出了4个公因子，对企业的偿债能力、营运能力、发展能力和盈利能力具有较为良好的代表性，之后将这些指标运用到Malmquist指数模型中，因子的得分如表4-12所示。表4-12公因子得分DMU营运能力偿债能力盈利能力发展能力20147.040111925-6.890948137-0.239115009-0.09195336820157.565578247-3.543593551-0.2831382730.02787624920161.630414245-2.137096512-0.2629385880.10643144620171.261162939-1.590219935-0.302687076-0.00435896220181.837138331-1.818417662-0.3490471940.10785623920193.841779178-0.8516151-0.3503078270.190322524选定输入和输出指标之后，结合公式（4-1）和（4-2）得出每个公因子的具体数值。在运用DEA-Malmquist指数进行分析之前，由于部分因子得分小于零，还需要对其进行进一步处理才可以进行运算。本研究采用极值法，对因子得分进行标准化处理，其公式如下：y在运用了Excel对指标进行处理之后，保证了所有输入和输出的指标的值都大于零且小于等于1。得到的结果如下表所示。表4-13标准化处理后的输入输出指标DMU营运能力偿债能力盈利能力发展能力20140.87300050.10000001.00000000.100000020150.99999980.59883310.64367360.482061220160.29060410.80843360.80717080.732524220170.20136030.88993080.48544460.379283420180.34056700.85592410.11020360.737067020190.10000001.00000000.10000001.00000001.3基于DEA-Malmquist的MD并购绩效评价分析对因子进行了标准化处理之后，将其带入数据模型进行运算，计算出每一年的全要素生产率指数、技术效率指数、技术进步指数。其中全要素生产率指数反映的是经济总体的整体的生产率变动情况，可以将其分解为技术进步指数和技术效率指数，这两项指标分别比较了T期和T+1期实际产出与最优产出的水平距离，和两期最优产出的变化情况。由于DEA-Malmquist指数需要在第二年才能求解出效率值结果，故效率值从2015年开始显示。结果如表4-14所示：表4-14生产效率指数及分解年份EffchTechchPechSechTpfch20151.0001.4871.0001.0001.48720161.0000.4541.0001.0000.45420171.0001.5651.0001.0001.56520181.0001.9201.0001.0001.92020191.0000.5281.0001.0000.528其中effch是技术效率指数，techch是技术进步指数，pech是纯技术效率指数，sech代表规模效率指数，tpfch为全要素生产率指数。Tpfch=techch*effchEffch=pech*sech根据表4-2的数据我们可以了解到，自2015年至2019年的这段时间中，纯技术效率指数和规模效率指数均等于1，使得技术效率指数也一直为1。表明在这些年份之中，技术效率和规模效率没有发生明显的变动。并购并未在这两方面产生显著的影响。所以2015-2019年之间企业的全要素生产率指数变动情况仅取决于技术进步指数。在并购发生的前一年，技术进步指数达到了较高的1.487，表明并购前MD正处于技术进步的阶段，且进步十分明显。在并购当年的2016年，技术进步指数出现大幅下滑，仅为0.454。说明在2016年这一年，虽然主要的并购案基本完成，但是并没有直接促进企业的技术进步，而是有所倒退。其原因可能在于，被并购吸收的企业本身技术进步指数较低，导致集团整体的技术进步指数出现大幅度下滑。在随后的2017年和2018年，技术进步指数又重新恢复了高速增长。这两个年份的全要素生产率指数均超过1，且在2018年达到了1.920的水平，表明这一年MD的技术水平显著增长，并购带来的红利得到了较为充分的吸收。但是在最近的2019年情况又有所恶化，这一年的技术进步指数仅有0.5，大幅度小于1。这一年MD的效率出现了比较大的下滑。全要素生产率的变动情况如表4-15所示。表4-15全要素生产率变动情况1.4基于DEA的横向绩效比较在完成对MD的并购绩效进行评价之后，本研究还在A股市场选择了另外选择了额外六家家电行业中规模较大，在行业中排名较为靠前的企业数据进行对比。在这些企业的指标选取上，同样遵照前文的原则，从偿债能力和营运能力中个选择一个指标输入指标，在发展和盈利两大能力中个选择一个指标作为产出指标。评价家电行业在这些指标上的变动情况,对MD的绩效进行横向对比，进一步判断并购对其产生的影响，数据如表4-16所示。根据表4-16的数据，可以大致观察2019年，该行业的各项效率值的大致情况。可以看到在2019年，行业的全要素生产率指数在1左右，表明行业的全要素生产率没有发生很大的变动。由于出技术效率变化指数和规模效率变指数均小于1，使得技术效率变化指数也小于1.表明行业内的技术水平总体变差。同时，由于MD在这两项的得分均为1，表明其技术效率相对行业总体而言有所进步。但行业的techch值略大于1，而MD的这一指标仅有0.528、说明MD2019年的技术进步指数大幅度落后于行业水平。这对MD在行业内的地位会产生一定的不良影响。表4-16横向绩效对比DMUEffchTechchPechSechTfpchTCL科技1.171.21211.171.418格力电器1.0011.07711.0011.078苏泊尔0.7920.9810.7920.776九阳股份0.7921.020.79210.807老板电器11.077111.077海尔智家0.8121.1650.81210.945平均0.9278331.08850.9340.9938331.0168331.5评价体系应用结果分析（1）从并购绩效评价的结果角度出发从MD近几年的并购绩效评价结果来看，通过连续的并购活动，在过去的几年内既有比较明显的提升作用，但在2019年的腿部较为明显，说明其在后续整合方面仍需付出更多的努力。企业并购作为一项极为重要的战略部署，在方案的制定上应当贴近自身的发展目标，是希望通过横向并购提升市场份额的增长还是希望通过吸收先进的技术打破行业壁垒实现转型升级。只有在并购方向上保证符合起自身的战略需要、并购的目标符合预期，才能保障并购产生正面的影响。MD近些年在并购目标的选择上较为贴合自身的战略的发展需要，但总体而言还有一定的提升空间。举起自身而言，同时选择了扩张海外市场和技术升级的战略可能反而会限制自身的发展。在实际战略执行时，还是应当有所侧重，设立优先级，更好的促进企业的发展。并购的选择和并购的完成仅仅是并购初始阶段，后续的整合阶段则更为关键。从长远的角度来看，MD在此方面仍有很大的改善空间。虽然并购取得了很多技术型企业，但技术进步指数却未能持续保持增长。这一点则需要管理层进行深入分析，查找其中原因，是技术遇到瓶颈还是在技术吸收上存在。审慎的应对并购中存在文体，有效的保障企业向好发展。（2）从并购绩效评价体系应用的角度出发在新体系的构建和应用上，整个研究过程比较流畅，依据企业的实际情况对初始选取的指标进行了提炼，构建了全新的并购绩效评价体系。DEA-Malmquist指数模型，具有更加可学、更加高效和更加直观的特点。相比仅仅对财务指标分析而言，优越性不言而喻。从指标的构建而言，DEA方法可以根据企业自身的实际情况对数据进行调整。本研究的指标体系，基于DEA方法构建，涵盖了MD偿债能力、营运能力、发展能力和盈利能力四个方面，输入和输出各9个，共计18个指标。保证了指标的过养性，既有长期指表也有短期指标，对绩效的体现能力大大加强。在指标的选择上，不同指标的单位不同，不会影响系统的有效性，同时，也无需对指标进行权重的计算，排除了主观偏好对并购绩效评价结果的影响。从结果的输出而言，线性规划测算出的结果更为可观。企业还可根据自身的评价需要，改变决策单元的设计原则，也方便和行业内性质类似的企业进行横向对比，可以帮助管理者更直观的了解企业的绩效变动水平和在行业内的地位。同时，采取因子分析法，可以将更多的指标运用到评价体系之中，保证了指标之间不存在线性相关关系，具有良好的代表性。既提高了数据的处理效率，使其适用于模型进行评价，也保证其能够满足并购绩效评价体系构建的需要。此外DEA模型不仅数据的计算结果更加科学，也更加注重对取得结果的分析。与财务指标的直接罗列有所不同，DEA-Malmquist指数模型能够更直观的对并购绩效进行评价，也能更好地判断MD在行业内所处的水平。只需将提炼出的指标输入到模型中，就会自动得到当前年度的小履职评价，还可以直观的了解到规模效率和技术效率的具体变动情况，方便管理者了解在并购整合过程中的问题所在，可以有针对性的进行改进。使得并购绩效评价取得