信息技术和线上社交网络管理效率分析：基于DEA模型的评估外文翻译资料

 2022-09-01 18:07:25

英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

信息技术和线上社交网络管理效率分析：基于DEA模型的评估

文章信息：2013年7月31号收到

2014年5月13号修订

2014年5月20日通过

2014年7月2号发表

关键词：效率 引导 数据包络分析（DEA） Logistic回归 在线社交网络 web2.0技术 电信公司

摘要：本文分析了在西班牙电信公司里的生产效率和在线社交网络之间的关系。运用了数据包络分析，并且企业社会化媒体活动也作为主要指标被引入进来一起分析。阿超效率分析和引导技术分析用来辅助提高模型的稳健性和准确性。然后，逻辑回归模型亿被应用到表征因素和在线上社交网络中良好性能的驱动因素。结果反应了该公司在吸收和利用各种线上社交网络形式,并使之成为一个用来改善生产效率的关键因素这方面的能力。本文提供了一个模型用来评价线上社交网络活动存在的战略意义。

1、介绍

线上社交网络可以被理解成任何允许用户自己生产合作内容的应用，也营造出新的态度和哲学来看待这种面向用户的网站，企业越来越重视它。在线社交网络被看作是在近几年来突飞猛进的一种技术。在不到五年的时间，这些网站已经从专门的在线活动演化成了数以千万计互联网用户参与的一种普遍现象。

这些新的互动技术的逐步纳入会给企业带来各种各样的好处，比如降低客户服务成本，提高市场调研，使顾客参与到新产品的设计流程中来，提高产品的品牌知名度等等。因此，在线社交网络不仅仅是一种销售工具，在销售方面，他们还补充了网上配送服务。

在西班牙，消费者对社交网络的使用十分顺利，但是商家比较落后。传统商家渗透到web2.0时代的程度十分有效，在大多数情况下，都是很简单的出现在最流行的2.0站点和服务中。但是，并不是所有的行业都以同样的深度和速度参与到了web2.0中。事实上，使用社交技术的公司和没有使用社交技术的公司相比，自身获得的利益有着很显著的区别。在全世界范围内，电信领域中大多数公司通过web2.0至少都获得了一种可衡量的好处。电信领域被选定在这项研究中，是因为在西班牙它们是利用web2.0技术的重要领域。

在本文中，线上社交网络已经被视为一种交互是的技术资源，同时也被视为信息技术和通信（ICT）中特定的服务和应用。下面的web2.0技术已经被评估了，推特、脸谱、YouTube、博客以及其他技术已经被当做商务网站引入到公司里，以及一些开发平台比如：移动网络、mobi域名。本研究着重致力于web2.0技术管理，由于所有支持在线社交网络的平台都是公开的和免费的，任何公司都可以得到同样的情景模式和相同的连接功能，并用他们自己所希望的强度来使用它，除非是公司想要发展他们自己的技术解决方案。在线上社会网络中，活动参与者的行为都是完全可见并且可模仿的，创造了社交网络活动的极大的多样性。这种情况可以预测一系列不会影响企业效率水平的同质资源。

本文旨在分析构成西班牙电信行业的企业的生产效率，以及是否可以利用web2.0技术来改善生产效率。除此之外，本文还想要确定他们对这些技术的吸收能力，从而来判断这些技术能否被当做一种稀缺的、有价值的异质资源。由于web2.0技术的新颖性和不断发展变化，目前关于它们的研究和帮助管理者评估的可提供的经验数据指标十分缺乏。这篇文章的目的是填补这个空缺。

本文开始对DEA在电信领域以及信息和通信技术领域做了一个简短的背景介绍。在综合DEA模型被提出后，第4部分呈现了收集到的材料和数据。下一部分展示了不同模型所获得的结果，在第6部分里，结合具体的战略意义对这些模型所得出的结果进行课讨论和比较。第7部分描述了这项研究的局限性，并对未来给出了一些建议，在最后一部分得出了最后的结论。

  1. 背景

用数据交换协议通过财政资源在公司和市场水平上的运用来评估效率和生产率。国际上近几年兴起了比较公司间在通讯部的效率的研究。Debnath等。（21）印度。Mahdavi等（48）伊朗。Hisali等（38）乌干达，样等（79）台湾，Tsai等的著作研究了全球39个顶尖的公司的效率。

数据交换协议的运用随时间不断完善，现在已成为关联效率和组织设计特征的合适的方法。相对低效率的来源可以通过数据交换协议来测定。（44）

从这个角度看，有大量的研究通过引进来处理事业单位的行为，除了财政资源，其他可影响公司实施他们的策略的因素包括物理和人力资源。Durand等（25）法国，Majumdar（50）以及Majumdar和Venkataraman在美国的电信行业。

科技资源的运用和影响，如信息和通信技术与其他有形的人力资源的结合，在Ferna acute;ndez-Mene acute;ndez等研究中对西班牙制造业（68英国宾馆业，（66）和互联网及电子商业公司进行了分析。

近来，数据交换协议已经成为了资源分析的一部分，正如科技资源已成为市场的一部分。根据这些原则，Emrouznejad等提出了一种分析183个工业化国家的信息通信技术的使用的方法；Ceccobelli等人研究了信息通信技术的执行和使用与14个 经济合作及发展组织国家的提高的生产率之间的关系。

3．方法

这篇论文在方法上所做的贡献在于提出一种全新的以数据交换协议为基础的模型用来分析西班牙通信公司的生产效率和在线社交网络之间的关系。这种新的模型由以下几种方法组成。

  1. 数据包络分析法（DEA）用来分析效率。
  2. 超效率数据包络分析法敏感性分析可用来监测异常值并克服包络分析法显示异常值的缺陷。
  3. 包络数据分析法引导技术可用来改善数据包络分析法的确定性质。这一程序可使我们进行无精确的效率估计。
  4. 逻辑回归可探究在高效率公司中Web2.0 技术在应用和管理方面影响增强，驱动得到改善的因素。

3.1数据包络分析 （DEA）

在这项研究中，数据包络分析即DEA被视为非参数技术用来测量企业的相对效率。被开发的测量效率的技术要求被比较的生产边境的估计公司的表现也许被评估。非参数技术不详细说明边境的功能形式。相反，这些技术建立了一套段数，连接有效的单位（企业），并与其他单位作出比较[ 22 ]。选择DEA的主要原因是因为该技术不会限定生产函数的形式。此外，在原则上它不是财务导向，相反的目标是执行一个分析将输入转化为输出的过程产生一个测量或一组测量，这反映了关于这一转变过程的公司效率。它还具有另外一个优势：可以包含任意数量的输入和输出的分析，此外，这些输入和输出可以是任何性质的；唯一的必要是一个允许评估其幅度的可用性的测量单位[ 32 ]。

自其存在至今，[15]已有数种包络分析模型被开发，基于定位(输入或输出为导向)、常量或变量的存在规模收益(在后一种情况下,是否增加或减少)以及输入是否可控，纸片论文采用的第一个模型最初是由Charnes等人提出的，作者的首字母为CCR.该模型涉及常数返回到缩放并输入型。下面的文章摘自 Cooper等人[ 18 ]，它是基于传统定义的效率，输入输出的比例，它的目的是寻找权重等通过线性规划这一比例的最大化。因此,为了计算n单位的效率,n线性规划问题必须解决以获得与输入(xi)相关的权重(vi)及与输出(yr)相关的权重(mr)。输入为导向的CCR模型，假设输入m和输出确定了其乘数形式[ 18 ]，将分式规划转化为一个线性规划问题：

类似地，由于没有关于形状的信息生产前沿，我们使用如图（1）的模型，但其具有允许变量返回到缩放范围的属性。为了纪念作者，该模型被命名为BCC [ 5 ]。输入为导向时，BCC模型乘数形式的主题就变为

根据Banker 和 Thrall提出的定理，m0是变量，其中M0是可变的，使我们确定回归自然的规模的性质（增加，不变或减少），值得注意的是，该模型不需要变量m0的正面价值即它是一个自由变量。

在这一分析中我们采用输入型DEA模型，主要是因为输出是多种多样的，并且，如果这意味大量的生产，分销或组织成本，战略的努力是不可能长期成功的[ 78 ]。根据这些模型，如果它能用最小的可能投入量产出最大数量，那么这个单元将是有效且是最有效的。

3.2 超效率DEA灵敏度分析：异常值监测

由于DEA测量法对异常值的敏感性，需要一些额外的程序以使DEA预计效率更高。在本文中，为了监测异常值采用了一种名为超效率的计算方法[ 3 ]。这种方法的本质是利用杠杆的概念减少影响最有影响力的公司对最终效率的分数。一个被观测的单一的DMU杠杆可能会通过去除一个DMU数据集中的一个DMU以衡量其它所有DMU的效率得分的方法影响[ 3 ]。 原DEA适用于首先，原DEA被用于每个原始数据集的DMU，得到了一组效率{uk|k = 1, 2, . . ., K}.然后，DMU逐一被除去，每次都重新计算改组效率fu?kjk frac14; 1; 2; . . . ; K; k 6frac14; j，指数代表被删除的DMU。然后Th DMU的杠杆作用可能被定义为标准偏差：

这个超效率DEA分析使一个极有效的单位要达到一个比一个更大的效率（因此它被称为超级效率）。我们已经采用了一个保守的规则：单位的效率（超效率）为2或以上被视为异常值[ 4 ]。在这项工作中使用的样本数据中异常的DUMs（公司）已被排除。

利用由Andersen和Petersen 提出的超效率模型进行敏感性分析[ 3 ]也有助于DMU同质性。这种分析旨在寻找实际是DMU中的异常值，有效边界可能会使样本中的一些其他单位出现不切实际的效率值，对DMU的观测对于有效边界是极有效的。

3.3 DEA引导技术

DEA效率对数据中的错误及其敏感。鉴于DEA方法采用样本进行效率分析，某些估计上的差异可能是由于纯粹的采样噪声，而不是单位的效率差异。为了解决本篇论文中的这个问题，我们采用了DEA引导技术。由Efron 引进的引导法，[ 27 ]它是基于对一个原始的样本数据重采样以创建复制的数据集的想法，从这些数据集我们可以作出统计推断。 这项研究采用了Simar 和Wilson的引导法，[70]可以在Simar 和Wilson大量的著作中找到理论基础。这种方法背后的关键假设是已知的自助分布会模仿原未知分布如果已知数据生成过程（DGP）是未知的DGP的评价者。常用的方法是非参数估计其表现的原始密度，使用核平滑方法并结合反射法[ 69 ]。因此，引导过程产生的值会模仿由未观察到的和未知的DGP [ 71,72 ]产生的分布。引导过程可归纳如下：

  1. 用通过求解模型（1）获得的原始数据计算DEA的效率得分circ;ui; i frac14; 1; 2; . . . ;
  2. 用核密度估计和反射法处理原有的DEA效率得分˙circ;UI以产生随机样本；frac14;1；2；。..；

（3）用计算得到，其中，从标准正态分布中随机抽取，h为控制参数。

（4）通过以下方法得到

其中，和同为经验均值及值的变量。

（5）采用以下方法获得重采样的伪效率

（6）通过 获得一个新的数据样本

（7）通过数据计算DEA的效率分数，

（8）重复步骤2-7B次，对每个单位进行效率估计，对DEA乖离率的引导估计可通过以下方式获得

（9）一个可校正效率估计量的乖离率可通过如下方式获得

3.4 逻辑回归

最后，该模型拟描述在高效企业中，在Web2.0的使用和管理中，增强其影响和驱动程序的因素。为此，逻辑分析的的方法被采用。这一分析探讨了高效企业、商业活动变量和基于网络的技术活动指标之间的关系。以下几种模型由Diaz-Balteiro等人提出。这一分析的目的是模拟二进制响应变量（一个=效率，零=没有效率）和所选择的解释变量之间的关系。一个单变量逻辑回归使用二项分布模拟二进制响应[ 1,64 ]的变化。二项式分布的参数表示的概率是有效的。如果我们用Z代表效率反应变量，用代表所选择的解释变量，那么Z和P的关系如下：

为了增大其有效的概率，可建模如下：

这种模型适用于极大似然，拟合优度可通过分析该模型中异常值所占比例得到。这个值类似于R的平方所得到的数据。因此，如果p值小于0.05，那么效率（变量z）和在统计学上有关系密切。

二元逻辑斯蒂回归被选中是因为加强的逻辑回归预测变量的分布没有要求的这一假设（例如，通常分布，线性相关，等方差）。逻辑回归是一个非常灵活的回归分析，鉴于解释变量的种类，因为这些可以缩放或分类。在DEA文献中，由于DEA得分的有界性，逻辑回归模型是视为一种适用于DEA的进一步分析的方法[ 22,39,41,45,46,61,81 ]。

4 数据

根据西班牙国家经济活动分类，被分析的人群来自致力于通讯公司。我们采用了两个不同的信息来源。首先，有关Web2.0 技术的使用的信息以其活动的指标为基础，而活动指标是直接从Web2.0工具本身获得的。这些测量值在2011年五月到九月中被使用。其次，这些公司在一个商业数据库中的经济和金融数据也编辑成为补充信息（雇员人数、股权、债务、收入和税前利润[ 23 ]。尽管在数据包络分析中，有一些模型使用负值评估变量，如Cooper等人提出的BAM，但使负值正常

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[147618]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章