Essay:

Essay details:

  • Subject area(s): Engineering
  • Price: Free download
  • Published on: 7th September 2019
  • File format: Text
  • Number of pages: 2

Text preview of this essay:

This page is a preview - download the full version of this essay above.

In het deel dat hier volgt, gaan we het hebben over de verschillende methoden die gebruikt worden om de efficiëntie van luchtvaartmaatschappijen te bepalen. We halen als eerste de Data Envelopment Analyse aan, vervolgens gaan we over op de Stochastic Frontier analyse, de Malquist Productivity index en tenslotte lichten we ook nog de Total Factor Productivity toe.

Data Envelopment Analyse

methode

Zoals aangehaald in bijvoorbeeld Poitras et al. (1996), is Data Envelopment Analyse ( DEA) een niet-parametrisch methode die gebruikt wordt binnen zowel de economie als binnen operationeel onderzoek. Het voordeel van niet-parametrische methoden is dat men op voorhand nog geen assumpties moet maken over de kansverdelingen van de parameters. Deze methode wordt voornamelijk gebruikt om de efficiëntie van de beslissingseenheden (DMU’s) te meten aan de hand van empirisch onderzoek. Hoewel DEA sterk verbonden is aan de productie theorieën in de economie, wordt ze ook gebruikt als benchmarkinginstrument in het operatiemanagement. Men selecteert hierbij een reeks van meetwaarden om zo de performantie van dienstoperaties te bepalen. In het geval van benchmarking is het ook mogelijk dat de efficiënte DMU’s een best-practice grens  vormen in plaats van een productiegrens (Cook, Tone en Zhu, 2014). Niet-parametrische modellen verschaffen een duidelijk verband tussen de verbruikte inputs, denk hierbij aan het gebruikte kapitaal en de arbeid, en de output.

Naast deze niet-parametrische modellen bestaan er ook parametrische modellen die gebruik maken van schattingen van productiegrenzen (Lovell en Schmidt, 1988). Bij deze soorten modellen is het noodzakelijk dat men op voorhand de grens schat aan de hand van een bijzondere functie met betrekking tot de gebruikte input en gerealiseerde output.

Men kan echter ook beide methoden combineren om zo tot een hybride model te komen                 (Tofallis, 2001). Hier worden in de eerste plaats de grenseenheden geïdentificeerd waarna op basis van het DEA-model de beste functie gekozen wordt. Op deze manier kunnen we de best-practice relatie te schatten tussen de verschillende inputs en outputs.

DEA in de literatuur

De op DEA-gebaseerde studies zijn veelvuldig. Tot de meest recente studies behoren onder meer Fare et al. (2007) onderzocht de effecten van de deregulering op de productiviteit van 13 Amerikaanse luchtvaartmaatschappijen.  Scheraga (2004), welke de data van 38 globaal actieve luchtvaartmaatschappijen over de periode 1995-2000 gebruikte, merkte op dat de relatieve efficiëntie bijna niet veranderd was. Oum en Yu (1995) gebruikte de DEA-methode om over de periode 1986-1993 23 maatschappijen te evalueren. Op basis van de bekomen resultaten concludeerde hij dat de efficiëntie van met name de Europese maatschappijen sterk verbeterd was.

Nadelen?

Een groot nadeel van de Data Envelopment Analyse methode is dat ze makkelijk beïnvloedt kan worden door verschillende vormen van “ruis”. Zo kunnen bijvoorbeeld de aanslagen op de WTC-torens en de financiële crisis ervoor zorgen dat de resultaten vervormd zijn. Omdat de DEA-methode een niet-parametrische methode is, heeft dit tot gevolg dat men de traditionele hypothesetoetsen niet kan toepassen. Ook moet de steekproef voldoende groot zijn om betrouwbare resultaten op te leveren. Dit kan een probleem vormen wanneer de regulatoren over onvoldoende gegevens beschikken (Coelli, Estache, Perelman en Trujillo, 2003).

Stochastic Frontier Analyse

methode

De Stochastic Frontier Analyse wordt gebruikt om economische problemen te modelleren. Deze methode is gebaseerd op de stochastische productiemogelijkhedenmodellen die tegelijkertijd werden geïntroduceerd door Aigner, Lovell en Schmidt (1977) en Meeusen en Van den Broeck (1977).

Het productiemogelijkhedenmodel kan geschreven worden onder de vorm van                    (Kumbhakar en Lovell, 2000):

y_i=f(x_i;β)*TE_i*exp'⁡'(v_i)

Hierbij staat yi voor de geobserveerde output van producent i, i= 1,…n; f(xi;β) is de functie dewelke de productiegrens (production frontier) weergeeft. Deze wordt enerzijds bepaalt door xi, een vector die de gebruikte inputs weergeeft en anderzijds door de vector β, welke staat voor de technologische parameters.

De technologische efficiëntie wordt weergegeven door de term TEi. Deze wordt gedefinieerd als de ratio van de geobserveerde output yi tot de maximaal haalbare output.

Als laatste heeft men ook nog de term exp(vi), dewelke de willekeurige schokken in het productieproces weergeeft. Denk dan in het concrete geval van de luchtvaartmaatschappijen bijvoorbeeld aan een stijging van de brandstofprijzen, 9/11 etc. Het zijn gebeurtenissen die niet rechtstreeks aan de producent of aan de onderliggende technologie toegewezen kunnen worden.

Deze methode is dus gebaseerd op de idee dat de te onderzoeken data vervormd worden door fouten en zogenoemde “ruis” (Bauer, 1990).

De Stochastic Frontier Analyse werd in het verleden ook al gebruikt voor het onderzoeken van de “kost” en “winst” efficiëntie van ondernemingen (Kumbhakar en Lovell; 2003). De “kosten frontier” analyse probeert bij benadering te meten hoe ver de onderneming zich van de volledige kostminimalisatie bevindt. De “winst frontier” analyse gaat uit van de idee dat producenten winst proberen te maximaliseren in plaats van kosten te minimaliseren.

SFA in de literatuur

De Stochastic frontier analyse wordt  maar in een beperkt aantal studies als methode aangehaald om de economische efficiëntie van luchtvaartmaatschappijen te analyseren.

Good et al. (1993): bij dit onderzoek maakte Good gebruik van de SFA-methode om de productiviteitstoename en de economische efficiëntie bij de 4 grootste Europese Luchtvaartmaatschappijen en de 8 overeenkomstige Amerikaanse concurrenten over de periode 1976-1986 te bepalen. Hij kwam tot de conclusie dat de Amerikaanse maatschappijen tot 15% efficiënter werkten dan hun Europese collega’s. Hij merkte ook op dat de efficiëntie over de bestudeerde periode zowel in Europa als in Amerika aanzienlijk toenam.

Michaelides, Belegri-Roboli, Karlaftis en Marinos (2009) baseerde zich voor hun paper over de economische efficiëntie bij internationale luchtvaartmaatschappijen op de gegevens van de 24 grootste maatschappijen ter wereld verkregen over de periode 1991-2000. Ze vergeleken de uitkomsten van de SFA-methode met die van de veelvuldig in de literatuur gebruikte DEA-methode.

De eerste belangrijke bevinding uit hun onderzoek was dat luchtvaartmaatschappijen, wereldwijd, over constante schaalvoordelen beschikken.

Ten tweede werd er ook op gemerkt dat de economische efficiëntie van de globale luchtvaartmaatschappijen varieerden tussen 51.20% en 96.80%. Er viel echter wel op te merken dat deze efficiënte sterk varieerde tussen de verschillende continenten. Zo scoorden de Amerikaanse luchtvaartmaatschappijen het hoogst met een gemiddelde economische efficiëntie van 92.55%. De Europese maatschappijen werden het minst efficiënt bevonden met een gemiddelde technische efficiëntie van maar 77.00%.

Tenslotte werden de resultaten van de SFA-methode vergeleken met die van de DEA-methode. Er werd geoordeeld dat deze voor het overgrote deel consistent waren tussen beiden.

Nadelen?

Ondanks het feit dat deze methode vele voordelen heeft zijn er echter ook een aantal nadelen aan verbonden. In de eerste plaats heeft men een zeer grote steekproef nodig om juiste schattingen. Belangrijk is ook te vermelden dat de splitsing van de algemene foutterm in een ruiscomponent en een efficiëntiecomponent beïnvloedt kan worden door de gespecifieerde verdelingen (Coelli, Estache, Perelman en Trujillo, 2003).

Low-cost vs Full-service maatschappijen

Dit onderwerp werd uitvoerig behandeld door Barbot, Costa en Sochirca (2008). Zij voerden een studie uit waarbij ze de DEA-methode en de Total factor productivity analyse gebruikten om de gegevens van 49, globaal verspreide, luchtvaartmaatschappijen te analyseren.  Wat hier volgt schetst algemeen de resultaten van deze studie.

Zoals we kunnen zien in tabel 1. bestaat  de omzet van de maatschappijen voor het grootste deel uit omzet van passagiers. De tweede grootste inkomstenstroom wordt gelinkt aan het vervoer van cargo. We merken op uit de gegevens van tabel 2 dat lage-kosten maatschappijen veel sterker afhankelijk zijn de passagiersomzet (gemiddeld 93.5%) dan hun full service collega’s (gemiddeld 78.1%). Dit kan geattribueerd worden aan het feit dat lage-kosten maatschappijen zich bijna uitsluitend richten op het vervoer van passagiers. Het vervoeren van cargo zou namelijk een negatief effect hebben op de rotatie van de vliegtuigen daar het langer zou duren voor het vliegtuig klaar is om op te stijgen. Bij de klassieke full service maatschappijen vormt dit een minder groot probleem omdat zij vaker op lange afstanden opereren en de rotatie een minder belangrijke rol speelt. Onder de andere inkomstenstromen verstaat men: de verkoop van onderhoud en engineering diensten, de leasing van eigen vliegtuigen, de verkoop van brandstof, de verkoop van goederen en tenslotte ook catering. Hoewel deze op de achtergrond staan in vergelijking met de hoofdactiviteiten kunnen zij toch een belangrijk deel van de omzet vertegenwoordigen (tot wel 27%).

Als input bij de DEA-methode en TFP-analyse gebruikt men kapitaal, arbeid, brandstof en andere. Deze laatste is afhankelijk van de strategie van het bedrijf namelijk of ze gebruik gaan outsourcing dan wel van internalisering van diensten.

Voor hun onderzoek naar de efficiëntie en effectiviteit maakten ze bij hun DEA-analyse gebruik van het input-georiënteerde Banker-Charnes-Cooper model (Banker et al., 1984).

Zoals men kan zien in de bovenstaande tabel, presteerde de lage-kosten maatschappijen over het algemeen beter dan hun full service concurrenten. We merken echter ook op dat er ook sterke geografische verschillen zijn. zo scoren de Aziatische maatschappijen over het algemeen beter op het vlak van efficiëntie dan hun Europese en Amerikaanse collega’s. Het tegenovergestelde is echter dan weer waar op het vlak van effectiviteit.

Voor de Total factor productivity analyse baseerde men zich op de 4 inputs die men in de eerste tabel kan terugvinden. Als output gebruikte men de Revenue Passenger Kilometers, Revenue Ton Kilometers en de ondersteunende output, waarbij deze laatste gebaseerd is op de methode uitgewerkt door Oum en Yu (1995). Uit de resultaten kon men afleiden dat de lage-kosten maatschappijen productiever waren dan verwacht. Dit kan men toeschrijven aan het eenvoudig bedrijfsmodel waarbij men een minimale hoeveelheid inputs gebruikt om een zo groot mogelijke productiviteit te bereiken (Hansson et al., 2003). De verschillen op het vlak van productiviteit tussen de verschillende regionale luchtvaartmaatschappijen kan men toewijzen aan de verschillen in de stand van de deregulatie en de heersende wetgeving.

Op basis van de aldus gebruikte methoden concludeerden Barbot, Costa en Sochirca (2008) dat de lage-kosten maatschappijen beter presteerden dan hun full service tegenhangers juist doordat hun hele businessmodel gebaseerd is op efficiëntie. De grote van de maatschappijen en hun inputmix is van ondergeschikt belang. Ook toonde ze met de DEA analyse aan dat men zeer moeilijk uitspraken kan doen over de correlatie tussen efficiëntie en effectiviteit. In sommige gevallen was er namelijk wel een sterk verband in andere veel minder. De geleverde resultaten waren solide onafhankelijk van de gebruikte methoden.

...(download the rest of the essay above)

About this essay:

This essay was submitted to us by a student in order to help you with your studies.

If you use part of this page in your own work, you need to provide a citation, as follows:

Essay Sauce, . Available from:< https://www.essaysauce.com/essays/engineering/2016-12-16-1481923817.php > [Accessed 23.10.19].