دانلود رایگان ترجمه مقاله راندمان بلندمدت و کوتاه مدت در یک کارخانه خودروسازی – الزویر ۲۰۱۴

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده
مقدمه
توصیف عملیات کارخانه مونتاژ، جمع اوری داده ها و ارزش داده ها
اندازه گیری متغیر ها
مدل های اقتصاد سنجی و نظری
تابع تولید بلند مدت
مدل اقتصاد سنجی کوتاه و بلند مدت
ویژگی های اماری داده های سری زمانی
براورد و نتایج ECM
بحث و مقایسه نتایج تجربی
نتیجه گیری

بخشی از ترجمه فارسی مقاله:

۱- مقدمه
این مقاله به مدل سازی و براورد اقتصاد سنجی فناوری تولید کارخانه مونتاژ خودرو در اولین سال تولید می پردازد. فناوری تولید در بر گیرنده دو رابطه کارکردی است: یک،رابطه بلند مدتف یک تابع تولید اقتصادی استاندارد می باشد که موجب تولید خروجی حداکثر در دوره زمانی از ترکیبی از خدمات سرمایه و نیروی کار می شود. دومین رابطه کارکردی، یعنی رابطه کوتاه مدت، تغییرات ماهانه را در تولید مدل سازی می کند که مطابق با تغییرات در خروجی فعلی یا گذشته، تصمیمات مدیریتی برنامه ریزی شده و شوک های تصادفی برنامه ریزی نشده می باشد. دو رابطه معمولا با استفاده از مکانیسم تصحیح خطای انکل و کرانگر(۱۹۸۷) با داده های ماهانه در زمینه ورودی و خروجی در سال های اولیه عملیات کارخانه براورد می شوند. این مقاله یک مطالعه موردی اقتصاد سنجی( جونز و همکاران ۲۰۰۶) در زمینه براورد تابع تولید از جمله اندازه گیری نرخ رشد در بهره وری عامل کل، به عنوان شاخص بهبود کارایی عملیات مونتاژ می باشد.
کارخانه اتومبیل متعلق به یک شرکت چند ملیتی با تجربه طولانی در صنعت می باشد. نتایج نوع تحقیقات ارایه شده در این مقاله، اطلاعات ارزشمندی را برای مدیران شرکت برای برنامه ریزی و کنترل تولید ارایه می کند. اولا به دلیل کمبود بودجه، مدیریت در صدد اگاهی از تعداد ساعات و هزینه کل نیروی کار و خدمات سرمایه ای براورد شده برای ظرفیت برنامه ریزی شده کارخانه است. دوما، سال های اولیه عملیات کارخانه، سال هایی است که کارایی با یادگیی از طریق عمل بدست می اید و انتظار می رود که بالاتر باشد.
نادیده گرفتن این افزایش بهره وری و کارایی اولیه می تواند منجر به افزایش استخدام نیروی کار در سال های با تولید ثابت شود. سوما، در عملیات کوتاه مدت کارخانه، تیم مدیریتی در صدد تفکیک اثرات تغییرات در تولید به دلیل شوک هاص تصادفی ناشی از اختلال در عملکرد طبیعی فرایند تولید است که از طریق اقدامات مدیریتی کنترل شود. آنها باید اطمینان حاصل کنند که انحراف از مرز فناوری نیروگاه ناشی از اشفتگی های روز مره می باشد و این که فرایند تولید در مسیر هم گرایی به سمت مرز ادامه می یابد. مقاله ما استدلال می کند که ECM یک روش اقتصاد سنجی معتبر برای کمک به مدیریت در برنامه ریزی و کنترل عملیات کارخانه است.
صنعت خودروسازی به عنوان نواور ترین صنعت قرن بیستم مطرح بوده است( ووماک و همکاران ۱۹۹۰) به طوری که نواوری هایی در زمینه فناوری تولید، سازمان دهی کار و سیاست های منابع انسانی وجود داشته است که توسط شرکت ها در سایر کشور ها پذیرفته شده است. نکته جالب این است که طیف وسیعی از تحقیقات وجود دارد که بر اندازه گیری نواوری مدیریت و اثرات آن ها بر بهره وری نیروگاه ها و شرکت ها در صنعت خودرو سازی و سایرین متمرکز می باشند. در حقیقت، بیشتر عملیات مدیریتی و نواوری های بررسی شده در این مطالعه موردی اولین بار در صنعت خودرو سازی معرفی شدند. بهره وری، یعنی نسبت بین خروجی تولید شده در دوره زمانی و حجم ورودی های تولید به عنوان یک شاخص اندازه گیری عملکرد برای محققان در اقتصاد، مدیریت و عملیات مطرح بوده است زیرا دارای اهمیت زیادی برای رقابت پذیری شرکت ها و کشور ها می باشد.
مقالات در زمینه بهره وری شامل تحقیقاتی در زمینه براورد تابع تولید و اندازه گیری بهره وری نیروگاه های مونتاز خودرو به صورت ساعت به ازای خودرو بوده است. تفاوت مطالعه ما از این حیث است که ما به مدل سازی و راورد تابع تولید اقتصادی یک کارخانه تولید یک مدل خودرو می پردازیم که در سرتاسر دوره مطالعاتی ثابت بوده است. ما از مشاهدات ماهانه داده های ورودی و خروجی استفاده کرده و خروجی ها را بر حسب واحد های فیزیکی اندازه گیری می کنیم. مقالات قبلی در زمینه براورد تابع تولید، از داده های شرکتی سالانه استفاده می کند و خروجی بر حسب واحد های پولی اندازه گیری می شود. ایچنیوسکی و شاو(۲۰۰۹) در مقاله روش شناسی خود یک اریبی تجمعی را مطرح کرده اند که با استفاده از داده های سطح شرکتی برای بررسی عملکرد فرایند و عملیات کارخانه و نیز محدودیت های استفاده از واحد های پولی در اندازه گیری کارایی بدست می اید. به علاوه ما از داده های ماهانه برای مدل سازی فرایند تولید به صورت یک رابطه ورودی- خروجی به هم پیوسته ، یک رابطه بلند مدت و یک رابطه کوتاه مدت دیگر استفاده می کنیم. گابیس(۲۰۱۱) خطا هایی را در براورد پارامتر های روابط کارکردی با استفاده از شیوه های اقتصاد کلان نشان داده اند. براورد اقتصاد سنجی سری های زمانی در این مقاله، پارامتر هایی را از رابطه بلند مدت ارایه می کند که پویایی در روابط ورودی و خروجی ناشی از شوک کوتاه مدت و اشفتگی ها کنترل کرده و موجب کاهش اریبی های مطرح شده توسط کابیاکس می شود.
شاخص اندازه گیری کارایی عملیاتی مورد استفاده در این مقاله، پارامتر TFP تابع تولید اقتصادی می باشد که متفاوت از شاخص بهره وری HPV، می باشد که توسط تحلیل گران و مدیران استفاده می شود. استوارد (۱۹۸۳) و قبادیان و هاسبند(۱۹۹۰) اهمیت شاخص های بهره وری چند عاملی را در مدیریت عملیات خاطر نشان کردند. بهره وری عملیات واحد تولید، ظرفیت تبدیل ورودی به خروجی ها را اندازه گیری می کند. بهره وری از یک سو، نسبت بین مقادیر ورودی و خروجی است. بهره وری کار بالاتر نمی تواند لزوما شاخص اندازه گیری کارایی عملیاتی برتر باشد به خصوص اگر واحد با بهره وری تولید فناوری سرمایه محور می شود. در صورتی که فرایند تولید یک کارخانه با تابع تولید اقتصاد سنجی مدل سازی شود، شاخص اندازه گیری کارایی عملیاتی ، TFP تابع تولید می شود. تغییرات در بهره وری کار شاخص اندازه گیری تغییرات در TFP می باشد به خصوص اگر نسبت سرمایه به کار ثابت باشد و فناوری نرخ بازگشت به مقیاس ثابتی را نشان دهد.
مقاله ما مربوط به تحقیقات انجام شده در زمینه اقتصاد سنجی است. برای مثال، ایکینوسکی و همکاران ۱۹۹۷، به مطالعه اثر کاربرد عملیات منابع انسانی خاص بر روی بهره ورری کارخانه های تولید فولادپرداختند. لیزر ۲۰۰۰ به بررسی اثرات بر روی بهره وری معرفی پرداخت مربوط به عملکرد پرداخت. همیلتون و همکاران ۲۰۰۳، به مطالعه بهره وری و کار تیمی پرداختند و جونز و همکاران ۲۰۱۰ یک مطالعه اقتصاد سنجی را بر روی اثرات بر روی بهره وری کار انجام دادند. مقاله ما جدید است زیرا فرایند تولید را در دو رابطه کارکردی به هم پیوسته مدل سازی می کند. به عنوان بخشی از این رابطه بلند مدت، ما مداخلات در زمان های مختلف را نظیر تغییرات در تعداد شیفت های تولید، زمان بندی و برنامه ریزی تعطیلات و اعتصاب های کاری در نظر می گیریم. به این ترتیب، اقتصاد سنجی ECM می تواند یک ابزار اقتصاد سنجی مفید در مطالعاتی باشد که با نواوری های مدیریتی سرو کار دارند.
در این مقاله، ما روابط کوتاه و بلند مدت را با ECM یک مرحله ای به کار برده شده به داده های سری زمانی تولید شده توسط یک کارخانه مونتاژ خودرو براورد می کنیم تصحیح مکانیسم براورد برای همبستگی های کاذب نیز در نظر گرفته می شود. هم چنین اریبی های متغیر حذف شده نیز اصلاح می شود این اریبی ها زمانی رخ می دهند که براورد رابطه بلند مدت، همبستگی بین ورودی ها و خروجی های ناشی از اشفتگی های کوتاه مدت در فرایند تولید نادیده می گیرد. این براورد نشان می دهد که آیا فرایند تولید به یک رابطه بلند مدت منتهی می شود یا خیر. در صورتی که همگرایی رد نشود، سپس براورد، یک براورد کارامد از پارامتر های تابع تولید ارایه می کند. در عین حال، از براورد کوتاه مدت، ما انحراف از رشد خروجی بلند مدت ناشی از اشفتگی های فرایند تولید را بدست می اوریم.

بخشی از مقاله انگلیسی:

۱٫ Introduction

This paper models and econometrically estimates the production technology of an automobile assembly plant in its first years of operation. The production technology involves two functional relationships: one, the long-term relationship, is the standard economic production function that gives the maximum output produced per period of time from a given combination of labour and capital services. The second functional relationship, the shortterm, models the month-by-month changes in production, matched with changes in current and past output and input services, with planned management decisions, and with unplanned stochastic shocks. The two relationships are jointly estimated using the Error Correction Mechanism (ECM) of Engle and Granger (1987), with monthly data on output and inputs in the early years of the plant operation. The paper is an econometric case study (Jones et al., 2006) on the estimation of a production function, including the measurement of the growth rate in total factor productivity (TFP), as an indicator of improvements over time in the efficiency of the assembly operations.1 The automobile plant in question belongs to a multinational corporation with long experience in the industry. The results of the kind of research presented in this paper provide plant and company managers with valuable information for production planning and control. First, for budgetary purposes, management will want to know the number of hours and total cost of labour and capital services estimated for the planned capacity of the plant. Second, the initial years of operation of the plant are those when the efficiency gains from learning-by-doing and the like are expected to be higher; ignoring these initial efficiency gains may lead to over-staffing in the years of steady state operation. Third, in the short-term operations of the plant, the management team will want to distinguish the effects of changes in production due to stochastic shocks from those perturbations of the normal functioning of the production process that can be controlled through management actions. They will also want to be sure that deviations from the technological possibilities frontier of the assembly plant that inevitably result from day-to-day perturbations are transitory, and that the production process continues on a convergence path to the frontier. Our paper argues that the ECM is a valid econometric technique to aid management in the planning and control of plant operations. The automobile industry has been acknowledged as the more innovative of the 20th century (Womack et al., 1990), with innovations in production technology, work organization, and human resources policies that have been later adopted by firms in other industries. Not surprisingly, there is a body of research on the measurement of management innovations and their effects on the productivity of plants and firms, in the automobile and in other industries. In fact, most of the management practices and innovations examined in insider and case study econometrics (team production, TQM, continuous improvement, pay for performance.) were first introduced in the automobile industry (see Hayes and Clark, 1986; Gunasekaran et al., 1994 for early work in the performance of production plants). Productivity, i.e. the ratio between output produced in a period of time and volume of production inputs, has been and continues to be a common measure of performance for researchers in economics, management, and operations, since it has well known implications for the competitiveness of firms and countries (see Syverson, 2011 for a review of productivity research). Papers on productivity related to ours include research on the production function estimation (Lieberman et al., 1990; Lieberman and Dhawan, 2005), and the measurement of the productivity (the inverse of) of automobile assembly plants as hours per vehicle, HPV (Weyer, 2011).2 Our work differs in that we model and estimate the economic production function of a plant producing a single car model that remains practically unchanged throughout the period of study. We use monthly observations of inputs and output data, and measure output in physical units. Prior papers on production functions estimation use annual company data from firms that produce several differentiated car models, and output is measured in monetary units. Ichniowski and Shaw (2009) in their methodological paper alert us to the aggregation bias that may result when using firm level data to examine the performance of process and plant operations, as well as the limitations of using monetary units of output in efficiency measurement, when output prices reflect the market power of firms. Moreover, we take advantage of our monthly data to model the production process as two interrelated input–output relationships, one a long-run relationship and the other short-term. Gabaix (2011) shows the errors in estimating parameters of functional relationships using macroeconomic aggregates that hide the heterogeneity and variability of input–output relationships at the firm level. The time series econometric estimation used in our paper gives the estimated parameters of the long-term relationship, controlling for the dynamics in output and input relationships resulting from short-term shocks and perturbations, thus minimizing aggregation bias of the kind pointed out by Gabaix. The measure of operating efficiency used in this paper is the TFP parameter of the economic production function, which differs from the (inverse) partial-labour productivity measure of HPV, used by industry analysts and managers. Steward (1983) and Ghobadian and Husband (1990) pointed out time ago the relevance of multi-factor productivity measures in operations management. The operating efficiency of a production unit measures the capabilities of transforming inputs into outputs. Productivity, on the other hand, is simply a ratio between output and input quantities. Greater labour productivity (lower HPV) will not necessarily be an indicator of superior operating efficiency if, for example, the unit with greater productivity produces with a more capital-intensive technology than the less productive one. If the production process of a plant is modelled with the economic production function, the measure of operating efficiency is the TFP term of the production function; variations in labour productivity are indicative of variations in TFP if the capital-to-labour ratio remains unchanged, and the technology shows constant returns to scale. Our paper is also related to research on insider and case-study econometrics. For example, Ichniowski et al. (1997) study the effect of the application of certain human resource practices on the productivity of steel finishing plants; Lazear (2000) investigate the impact on productivity of the introduction of performance-related pay; Hamilton et al. (2003) study team work and productivity, and Jones et al. (2010) produce a time series econometric study on the effects on worker productivity of a wide range of changes in compensation. Our paper is novel in that it models the production process in two interrelated functional relationships, one that captures the production technology embedded in the plant, and the other that accounts for the day-to-day operating conditions that cause deviations from the technological frontier. As part of this short-term relationship, we include interventions at different moments in time, such as a change in the number of production shifts, the schedule of vacation times, and a labor strike that – although these are not properly the managerial innovations examined by insider and case-study econometrics – from an econometric point of view, they are treated as if they were. Thus, ECM econometrics could also be a useful econometric tool in studies that deal with managerial innovations. In this paper, we estimate the long- and short-run relationships with a one-step ECM (Stock, 1987) applied to time series data generated by the assembly plant. The estimation mechanism corrects for spurious correlations that may appear when the economic variables in levels follow a common time trend (as often happens with inputs and outputs of a production process). It also corrects for omitted variable biases that can occur when the estimation of the long-term relationship (economic production function) ignores the correlation between inputs and outputs caused by short-term perturbations in the production process. The estimation will indicate whether the production process converges to the long-term relationship or not. If convergence is not rejected, then the estimation provides consistent and efficient estimates of the parameters of the production function (output-toinput elasticity and the growth rate in TFP). At the same time, from the short-term estimation, we obtain the deviations from the long-term output growth rate caused by the perturbations of the production process. The remainder of the paper is organised as follows: Section 2 offers a description of the automobile assembly plant and the data collected for the research study. In Section 3, we formulate the theoretical and econometric models of the production technology. Section 4 presents the results of our econometric estimation of the parameters that summarize the production technology. In Section 5, we compare the results of our research with other published papers on the automobile industry. Section 6 presents our conclusions and summarizes our main findings.