DEA thực ra đo cái gì

Phần lớn nghiên cứu của mình dùng Phân tích bao dữ liệu (Data Envelopment Analysis, DEA), và khi giải thích cho bạn bè ngoài giới học thuật, mình thường bắt đầu bằng một hình dung đơn giản.

Hãy tưởng tượng một nhóm đơn vị tương tự nhau: chi nhánh ngân hàng, bệnh viện, trường học, hay các doanh nghiệp trong cùng một ngành. Mỗi đơn vị dùng một số đầu vào (nhân sự, vốn, năng lượng) để tạo ra một số đầu ra (doanh thu, số bệnh nhân được điều trị, số sinh viên tốt nghiệp). DEA đặt câu hỏi: so với những gì các đơn vị khác trong nhóm làm được, mỗi đơn vị chuyển đầu vào thành đầu ra tốt đến đâu?

Trong DEA, các đơn vị này gọi là đơn vị ra quyết định (DMU). Phương pháp dùng quy hoạch tuyến tính để dựng một "đường biên thực hành tốt nhất" từ những đơn vị hoạt động tốt nhất. Đơn vị nằm trên đường biên có điểm hiệu quả bằng 1. Đơn vị nằm dưới có điểm nhỏ hơn 1, cho thấy khoảng cách tới thực hành tốt nhất quan sát được.

Vài điểm khiến DEA hữu ích:

• Phi tham số. Không cần giả định trước một hàm sản xuất.
• Xử lý nhiều đầu vào và đầu ra cùng lúc, mà không cần giá hay trọng số cho từng biến.
• Chỉ ra đơn vị tham chiếu. Với một đơn vị chưa hiệu quả, DEA cho biết nên so với những đơn vị hiệu quả nào.

Và vài điều cần nhớ:

• Hiệu quả là tương đối. Điểm 1 nghĩa là "tốt nhất trong mẫu này", không phải "hoàn hảo".
• Chọn biến rất quan trọng. Thêm hay bớt một đầu vào có thể làm kết quả thay đổi đáng kể.
• Giá trị ngoại lai ảnh hưởng lớn. Vì đường biên dựng từ những đơn vị nổi trội nhất, lỗi dữ liệu có thể làm nó lệch.
• Cỡ mẫu quan trọng. Một quy tắc kinh nghiệm phổ biến là số đơn vị nên gấp nhiều lần tổng số đầu vào và đầu ra.

Hai mô hình kinh điển là CCR (Charnes, Cooper và Rhodes, 1978), giả định lợi suất không đổi theo quy mô, và BCC (Banker, Charnes và Cooper, 1984), cho phép lợi suất thay đổi theo quy mô. Nhiều mô hình sau này đều phát triển từ hai mô hình này.

---

Ảnh: mpmpix trên Pixabay, sử dụng theo Giấy phép Nội dung Pixabay. Đây không phải ảnh do mình chụp.