Trong lĩnh vực phân tích và tìm hiểu hiệu quả kỹ thuật, chúng ta sử dụng phân tích bao dữ liệu DEA để tìm hiểu về hiệu quả kỹ thuật trong nhiều lĩnh vực, bao gồm hiệu quả phân bón, hiệu quả hoạt động khai thác tàu, hiệu quả trong việc trồng khoai lang, dâu tây, nuôi dê núi và năng suất tổng hợp TFP. Chúng ta thường sử dụng hai phương pháp ước lượng, đó là Data Envelopment Analysis (DEA) và Stochastic Frontier Analysis (SFA). Trong bài viết này, chúng ta sẽ tìm hiểu về DEA qua ví dụ thực hiện trên phần mềm thống kê R.
- Noun Clause (Mệnh đề danh từ) trong IELTS
- Sữa hoàn nguyên có phải sữa "giả", ít dinh dưỡng: Chuyên gia phân tích bản chất sữa "tái chế", tiết lộ chỉ số gây ngạc nhiên
- Cosmos Network (ATOM) là gì? Phân tích kỹ thuật dự án
- Giọng mũi (Nasal) là gì? 4 bài tập giúp bạn sửa giọng mũi dễ dàng
- Chỉ số SPF và PA trong kem chống nắng là gì và cách lựa chọn phù hợp
1. Phân tích bao dữ liệu là gì?
Bài viết này nhằm mục đích giới thiệu về phương pháp phân tích bao dữ liệu (Data Envelopment Analysis – DEA) trong việc đánh giá và ước tính hiệu quả kỹ thuật của các đơn vị ra quyết định (Decision Making Unit – DMU) như doanh nghiệp, ngân hàng, trường học, vv. trong việc sử dụng tài nguyên đầu vào để sản xuất ra kết quả đầu ra. Đánh giá hiệu quả dựa trên phương pháp phân tích biên giới (frontier analysis), trong đó, các DMU hiệu quả nhất sẽ xác định đường biên giới sản xuất (production frontier), và các DMU khác sẽ được so sánh với đường biên giới này để xác định mức độ hiệu quả. Các DMU hiệu quả sẽ có điểm hiệu quả kỹ thuật bằng 1, trong khi DMU không hiệu quả sẽ có điểm hiệu quả kỹ thuật nhỏ hơn 1.
Bạn đang xem: Phân tích bao dữ liệu DEA Hiệu quả kỹ thuật
2. Phương pháp phi tham số của Data Envelopment Analysis DEA
Phương pháp phi tham số không yêu cầu một hình thức chức năng cụ thể cho biên giới, tuy nhiên nó không cung cấp một phương trình chung liên quan đến đầu ra và đầu vào. Ngoài ra, cũng có các phương pháp tham số được sử dụng để ước tính biên giới sản xuất. Điều này đòi hỏi giả định về hình dạng của biên giới thông qua việc chỉ định một chức năng cụ thể liên quan đến đầu ra cho đầu vào. Khi kết hợp các phương pháp này, chúng ta có thể ước tính mối quan hệ tốt nhất giữa nhiều đầu vào và đầu ra.
DEA xác định một “biên giới” đặc trưng như một phương pháp điểm cực đoan giả định rằng nếu một công ty có thể tạo ra một mức sản lượng nhất định sử dụng các mức đầu vào cụ thể, thì một công ty khác với quy mô tương đương cũng có khả năng làm như vậy. Các nhà sản xuất hiệu quả nhất có thể kết hợp lại để tạo thành một “nhà sản xuất hỗn hợp”, cho phép tính toán một giải pháp hiệu quả cho mọi cấp độ đầu vào hoặc đầu ra. Trong trường hợp không có công ty tương ứng trong thực tế, “nhà sản xuất ảo” được xác định để so sánh.
3. Ưu điểm và nhược điểm của DEA
Phân tích bao dữ liệu DEA là một phương pháp lập trình tuyến tính để đo lường hiệu quả của nhiều đơn vị ra quyết định (DMU) trong quy trình sản xuất với nhiều đầu vào và đầu ra.
Một số ưu điểm của phương pháp này bao gồm việc không yêu cầu đặc tả rõ ràng cho hàm sản xuất, có khả năng khám phá các mối quan hệ tiềm ẩn mà các phương pháp khác không thể làm được, có khả năng xử lý nhiều đầu vào và đầu ra, có khả năng sử dụng với bất kỳ phép đo nào cho đầu vào và đầu ra, và có thể phân tích và định lượng các đơn vị không hiệu quả trong quy trình đánh giá.
Tuy nhiên, có một số nhược điểm của DEA như kết quả rất nhạy cảm với lựa chọn đầu vào và đầu ra, không thể kiểm tra thông số kỹ thuật tốt nhất và số lượng công ty hiệu quả có xu hướng tăng theo số lượng đầu vào và biến đầu ra.
4. Lý thuyết kinh tế áp dụng DEA
Trong lý thuyết sản xuất kinh tế vi mô, các kết hợp đầu vào và đầu ra của một công ty được mô tả bằng hàm sản xuất. Sử dụng hàm sản xuất, ta có thể hiển thị đầu ra tối đa có thể đạt được với bất kỳ kết hợp đầu vào nào, và ta cũng có thể xây dựng một biên giới công nghệ sản xuất.
Dựa trên ý tưởng của Farrell (1957), Charnes, Cooper & Rhodes (1978) đã ứng dụng lập trình tuyến tính để ước tính biên giới công nghệ sản xuất dựa trên dữ liệu thực tế. Điều này đã dẫn đến sự phát triển của DEA và có nhiều nghiên cứu sử dụng phương pháp này cho các vấn đề khác nhau.
DEA cũng được sử dụng để so sánh hiệu quả giữa các công ty. Có nhiều loại DEA, trong đó CCR là loại cơ bản dựa trên công thức của Charnes, Cooper & Rhodes. Ngoài ra còn có DEA với các mức trả khác nhau: CRS (trả về hằng số theo tỷ lệ), VRS (biến), không tăng lợi nhuận theo tỷ lệ hoặc lợi nhuận không giảm theo quy mô (Ylvinger, 2000). DEA được phát triển chủ yếu vào những năm 1970 và 1980 (Seiford & Thrall, 1990).
5. Áp dụng phân tích bao dữ liệu trên R
5.1 Xây dựng ý tưởng:
Chúng ta có thể sử dụng hàm sản xuất Cobb-Douglas để xây dựng công thức sau:
LnGDP = LnK + LnL
Xem thêm : Star Anise là gì? Công dụng của Star Anise Hoa Hồi
Trong đó:
- GDP: Tổng giá trị GDP của tỉnh A
- K: Tổng vốn xã hội của tỉnh A
- L: Tổng nguồn lao động của tỉnh A
- TE: Giá trị hiệu quả kỹ thuật gốc
- TEE: Giá trị hiệu quả kỹ thuật sau khi Bootstrap
- Model: input: Tối thiểu hóa đầu vào
5.2 Sử dụng câu lệnh:
tinhDEA <- dea.robust(X = input, Y = output, model = “input”, B = 1000)
Xem thêm : Star Anise là gì? Công dụng của Star Anise Hoa Hồi
Trong đó:
- Tên dự án: tinhDEA
- Tên hàm: dea.robust
- Biến đầu vào: input
- Biến đầu ra: output
- Phương pháp ước lượng: input
- Số lần lặp trong bootstrap: 1000
- DMU: năm
5.3 Kết quả tính TE với các điều kiện trên
Qua bảng kết quả trên, chúng ta có thể khẳng định rằng hiệu quả kỹ thuật của tỉnh A luôn đạt ở mức cao qua các năm. Điều này cho thấy rằng sự tăng trưởng của GDP được ảnh hưởng chủ yếu bởi tài nguyên vốn và lao động của tỉnh này với mức hiệu quả kỹ thuật trung bình là 99,33%.
6. Đo lường hiệu quả của đơn vị ra quyết định
Data Envelopment Analysis (DEA) được công nhận là công cụ nghiên cứu và hỗ trợ quyết định thực tế. DEA không yêu cầu đặc điểm kỹ thuật hoàn chỉnh cho biên giới sản xuất và cũng không giả định việc phân phối sai số không hiệu quả từ biên giới. Thay vào đó, DEA yêu cầu những giả định sản xuất và phân phối chung. Tuy nhiên, nếu những giả định này yếu, mức độ thiếu hiệu quả có thể được đánh giá thấp trong các mẫu nhỏ. Do đó, việc thay đổi, kiểm tra và chọn giả định sản xuất là cần thiết trong quá trình nghiên cứu dựa trên DEA. Tuy nhiên, các mô hình DEA hiện có cung cấp một số hạn chế về giả định sản xuất thay thế.
Cảm ơn các bạn đã đọc bài viết này!
