【摘 要】
：
在经济全球化趋势下,我国对外直接投资流量高速增长,其中跨国并购是对外投资的主要途径之一。越来越多的中国企业走出国门,在2016年前后掀起了海外并购热潮,成为跨国并购的主力军。家电行业由于国内市场饱和及扩展海外业务的需求,在海外并购中尤为活跃,本文选择其中具有代表性的海信视像并购东芝TVS案例作为研究对象,进行并购绩效评价研究,旨在真实地反映出并购绩效,同时为海信视像后续整合优化提供帮助。本文基于平
论文部分内容阅读
在经济全球化趋势下,我国对外直接投资流量高速增长,其中跨国并购是对外投资的主要途径之一。越来越多的中国企业走出国门,在2016年前后掀起了海外并购热潮,成为跨国并购的主力军。家电行业由于国内市场饱和及扩展海外业务的需求,在海外并购中尤为活跃,本文选择其中具有代表性的海信视像并购东芝TVS案例作为研究对象,进行并购绩效评价研究,旨在真实地反映出并购绩效,同时为海信视像后续整合优化提供帮助。本文基于平衡计分卡理论,结合财政部管理会计应用指引第603号-平衡计分卡,根据案例情况描述了并购绩效与企业战略的关系,理清了并购目标的实现路径,以此为依据从财务、客户、内部流程、学习与成长、社会责任五个层面选取指标,构建了并购绩效评价体系。运用设计的评价体系对案例并购前三年和后三年的绩效指标进行对比分析,评估并购目标实现程度和后续整合效果。采用层次分析法汇总所有维度指标进行综合评分,得分为6.7943分,得到了并购绩效介于一般与稍好之间的结论。海信视像一定程度上实现了并购目标,但并购绩效还存在很大的提升空间,针对评价过程中发现的问题对海信视像后续整合从各维度提出优化建议,以期帮助并购案例实现最佳的整合效果,同时为其他家电企业提升并购绩效提供参考。
其他文献
社会网络、电商网络和引文网络等网络结构数据广泛存在于现实世界中,考虑到网络数据的复杂性和不规则性,如何从网络中获取重要信息是数据挖掘领域中充满挑战的一类问题。网络表征学习（NRL）,又称图嵌入,旨在将高维且稀疏的网络（图）结构数据转化为低维且稠密的表征向量形式（即节点或全图嵌入）。因生成的嵌入能对信息有效压缩,网络表征学习在学术界和工业界都得到了广泛的应用。传统网络表征学习方法通常在静态网络上学习
人类社会正在从工业社会进入信息社会，乃至进一步进入智能社会。信息传播正在成为社会发展最重要的动力因素。在这一背景下，社会演化的逻辑也从“生产方式”导向转变为“信息方式”导向，策展这一专职人员从事的专业领域将跳出自身限制，转而成为一种有效理解社会运作规律的理念和方法，同时成为信息社会语境下社会实践成功的一项重要指标依据。大至社会空间成为“策展空间”，小至个人生活笼罩在“策展人姿态”之下，理解策展的逻
得益于深度学习的方法在计算机视觉方面的快速发展,当前与人脸识别紧密相关的任务一直备受各界关注。人脸识别广泛应用在人脸解锁、面部美颜、人脸重建等方面,其中关键点检测技术是这些任务的基础,因此,提高关键点的检测精度至关重要。目前,对于正面以及无遮挡的人脸图片,人脸关键点检测已经能够达到较高的检测精度,但是当处于遮挡、姿态、头部姿势、光照等因素的影响下时,已存在的方法往往得不到最理想的结果。另外,训练样
由于新药物的开发是一个既费时又昂贵的过程,人们开始为已获批准的药物寻找新的用途,进而缩短了药物研发时间和节约了科研费用。预测药物-蛋白质相互作用（Drug-Protein Interaction,DPI）是药物开发和重定位的重要步骤,应用计算的方法预测药物-蛋白相互作用可以缩小筛选范围,为生物学家提供高概率互作候选。因此,如何准确有效的预测DPI是一个在生物信息学领域值得研究和探索的问题。本文结合
20余年来，城市规划展览在中国逐步形成了规模和一些标准化的程式。在现有的规划策展中，行政、规划、策划、设计等各个专业有前后衔接式的合作交流，但尚未实现真正的纵向打通，难以为展览提供兼顾专业性和体验性的叙事。实现城市相关的多学科视野、促进展览相关的多专业协作，将是未来规划展览发展的趋势和方向。同时，关注“信息—规划（物）—观众（人）”中三个关键环节的策划与表达，始终保持叙事、内容、设计之间的互动，以
网络数据可以表达出物与物之间的联系,随着互联网的兴起,生活中充斥着形式各样的网络数据。在关于网络的研究中,如何有效的对网络信息进行表示,是一个亟待解决的问题。传统方法可以利用高维度稀疏向量表示网络中的一个节点,但局限在于难以度量节点之间的相似性并且还会增大模型的时间和空间复杂度。受益于自然语言领域的表示学习技术,相关的低维度稠密向量表示方法也被应用于网络数据中。网络表征学习（图嵌入）在一系列机器学
新药的研发过程是一段极为消耗时间和成本的过程并且失败率很高。因此,确定现有药物的新适应症（药物重定位）可有效促进药物开发效率,降低实验研发的成本。然而,如何更加准确高效的预测药物与疾病之间的关联是我们所要研究的重点内容。目前,已有的药物重定位方法都侧重于有关药物和疾病的多源数据,并未考虑不同层面的信息之间的联系。本文通过针对药物和疾病的不同层面的信息进行学习和构建模型,其中包括药物和疾病节点对层面
近年来,国内外汽车市场发生巨大变化。在国外,由于受经济发展停滞的影响,汽车需求出现萎缩趋势,各国各汽车企业的竞争加剧,汽车市场总体低迷。在国内,汽车市场在经历了比较长的快速增长期后,汽车消费也进入下滑趋势。此外,国内外的传统汽车市场受新能源汽车快速发展影响较大,新能源汽车对传统汽车形成了竞争优势,对传统汽车的冲击不断扩大。目前,新冠疫情在全球肆虐,也成为影响汽车市场的一个因素。在这样的背景下,作为
药物-靶标相互作用（DTI）的预测是研究和发现药物的关键步骤。药物-靶标相互作用的预测能够探索和识别药物与蛋白之前潜在关系的过程。与生化实验方法相比,传统的方法费力、耗时且极其昂贵,因为DTI可以有效识别潜在的DTI并且缩小生物学家和化学家的搜索空间。大多数预测DTI的传统方法,无论是用于药物发现还是重定位（将现有的药物重新用于新靶标）都是基于配体的方法。因此,准确有效的识别潜在的蛋白候选对于DT
过度拥挤和非预料死亡在急诊科是一种常见现象,可能给患者带来不良预后。通过临床电子健康记录,尽早发现患者的病情恶化,有效预防意外死亡,是当下急诊所面临的一项巨大挑战,这需依赖急诊医师丰富的临床经验和敏锐的洞察力。现今,数据驱动的机器学习算法有助于挖掘数据模式,在急诊医学领域中表现出巨大潜力,一方面通过量化患者危重度解决传统评分系统准确度低的缺点,另一方面可构建自动化预测系统辅助医生进行决策,实现更合