论文摘要
效率是经济学研究的核心问题之一,也是公司竞争力的集中体现。因此,要全面提升公司的竞争力,应对中国市场全面开放和外资公司涌入给我国企业带来的巨大压力和挑战,就必须高度重视效率问题。高效率作为企业努力追求的目标之一,日益成为关注的焦点。对企业的综合经营效率分析正是围绕企业的生存和发展能力给予客观评价。本文秉承这样一个思路:将对企业综合经营效率的评价分成两个阶段:第一阶段从投入产出的角度来来判断企业经营效率的相对有效性,对于经营效率相对有效和弱有效的单位,再进行第二阶段的评价,即对这些综合经营效率相对有效和弱有效的单位进行评价排序,最后得出每个企业在所有被评价单位中的经营效率排名。依据这样的思路,本文建立了两个模型,分别用于两个评价阶段。并通过实例分析,对两种方法的有效性进行了分析。具体而言,主要工作及成果如下:（1）建立了一种基于偏好约束锥的SO-DEA模型。在建模过程中,将熵权法和离差最大化法运用到指标客观权重的求解中;根据矩估计的思想,通过建立优化模型並经专家打分得到的主观权重与客观权重集结成综合指标权重。利用得到的综合指标权重借鉴AHP方法,建立指标判断矩阵,同时根据该指标判断矩阵建立了偏好约束锥,最后在此基础上建立了基于偏好约束锥的SO-DEA模型。该模型主要用于企业综合经营效率评价的第一阶段。（2）建立了一种基于量子粒子群算法的神经网络模型。该模型将量子粒子群算法和神经网络相结合,使其既具有神经网络的广泛映射能力,又具有量子粒子群算法带来的高效率,全局收敛性等特点。该模型主要用于企业综合经营效率评价的第二阶段。（3）通过实例分析论证了所提出方法的有效性。针对第一阶段的评价,分别用传统的C2GS2模型和本文建立的SO-DEA模型对国内某行业的其中67家上市公司进行了总体评价,结果显示利用SO-DEA模型评价确实体现出了偏好约束锥的约束作用。该阶段得到了综合经营效率相对有效和弱有效的25家单位。针对第二阶段的评价,本文用经典粒子群算法和量子粒子群算法分别训练神经网络,发现基于量子粒子群算法的神经网络在保证训练速度的前提下,其全局搜索能力更好,而且训练误差更小。通过matlab7.0仿真计算,对综合经营效率相对有效和弱有效的单位进行了具体排序。