Empirical Study of Integrated EVA Performance Measurement in China1/ÉTUDE EMPIRIQUE SUR EVA INTÉGRÉE DE MESURE DU RENDEMENT EN CHINE
Notice bibliographique
Résumé
Abstract: Traditional performance measurement has some limitations. Economic Value Added (EVA) is a real method to measure the company's true value. This paper discussed on how to improve traditional performance measurement with EVA. It presented the integrated EVA performance measurement (IEPM) model. The superiority of IEPM model to traditional performance measurement was empirically analyzed with BP neural network and the data from China's listed companies. The results showed that the measurement ability of IEPM model was superior to that of traditional performance measurement. Its prediction ability was also proved to be better than that of traditional measurement. It suggests that introducing EVA to performance measurement well reflects the company's real profit. So it is effective and reasonable to use IEPM model to evaluate and predict the company's performance. Key words: Economic value added, IEPM model, Neural network, Performance measurement Resume: Traditionnels de mesure du rendement a quelques limitations. Economic Value Added (EVA) est une vraie methode pour mesurer la vraie valeur de l'entreprise. Ce document discute sur la maniere d'ameliorer la mesure du rendement traditionnel avec EVA. Il a presente les mesures de la performance integree EVA (IEPM) modele. La superiorite de l'IEPM modele traditionnel de la mesure du rendement a ete empiriquement analysees avec BP de reseaux de neurones et les donnees provenant de la Chine societes cotees. Les resultats ont montre que la mesure de la capacite IEPM modele a ete superieure a celle de la traditionnelle mesure de la performance. Sa capacite de prevision a egalement ete revelee meilleure que celle de la mesure traditionnelle. Il suggere que l'introduction de l'EVA a la mesure du rendement reflete bien la societe profit immobilier. Ainsi, il est efficace et raisonnable d'utiliser IEPM modele pour evaluer et prevoir les resultats de la societe. Mots-Cles: Economic value added, IEPM modele, Neural network, Mesure de la performance (ProQuest: ... denotes formulae omitted.) 1. INTRODUCTION Performance measurement is a very important factor for solving agency problem. The performance measurement system used in China usually relies on traditional accounting measures. It measures the company's performance from such aspects as accounting profit, assets operation ability, debt paying ability, and growth ability. Traditional accounting measures are easy to be quantized and the data are also easy to be obtained. But there are still some problems With traditional performance measurement. First, its evaluation indices are mainly from the Company's financial report based on Generally Accepted Accounting Principles (GAAP). Many kinds of preparations, goodwill, deferred taxes and some other items are deduced directly from the income account. So the legal capital is considered to be reduced and some unnecessary financing or investment behavior occurs. Second, debt cost has been reflected in traditional performance measurement, but capital cost is not yet. So the cost calculation is not exact. It couldn't reflect the investors' required minimum attractive rate of return. Third, performance measurement system used in China mostly relies on subjective weighting method. The weights may be influenced by some subjective factors. So the inherent relationships of evaluation indices may be distorted and the results could not reflect the company's real performance. Last, the interests of manager and shareholder couldn't be unified effectively. So manager may pay more attention to short-term achievements and give up those projects that will be good for company's long-term development while may have some negative influence on current profit. The company's future development would also be influenced. In order to solve the problem, we need performance measures, which could well reflect the shareholder's interest. Economic value added (EVA) is such a method that is viewed as an effective measure reflecting both the value of company and the interest of shareholder4. …
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».