Probability-based efficiency analysis through machine learning

doi:10.1016/j.mlwa.2026.100920

Probability-based efficiency analysis through machine learning

2026-05-01

1

PRE

AI

G

Gonzalez-Moyano, Ricardo

DOI：10.1016/j.mlwa.2026.100920

原文链接

原文求助

摘要

En 中文

本研究提出了一种新颖的框架，将数据包络分析（DEA）与机器学习（ML）分类技术相结合，以提高效率评估的稳健性、可解释性和相关性。该方法将DEA重新解释为概率分类任务，利用机器学习来估计无效率得分以及决策单元（DMU）的效率概率。这种概率方法支持不确定感知的基准比较和决策支持。可解释人工智能（XAI）技术，特别是Shapley加性解释（SHAP），用于识别最有影响力的影响因素和产出变量，并指导资源再分配策略。这允许定义数据驱动的方向向量用于反事实分析。同行选择根据距离和效率概率阈值动态调整，增强了基准比较的相关性。该方法与算法无关，可以使用替代的机器学习分类器实现。应用于西班牙食品行业的917家企业，该框架取得了有趣的结果。在该研究中，神经网络达到了最佳预测性能，平衡准确率为87%，而支持向量机（SVM）为81%，随机森林为80%，逻辑回归为69%。概率方法还提高了与确定性DEA的区分度：虽然DEA识别出29家高效企业，但在概率阈值为0.85的情况下，只有25家保持高效。在行业层面，达到该阈值需要平均输入减少27%和产出增加59%。最后，企业被分为三组：已超过目标概率阈值的企业、可通过可行调整达到阈值的企业，以及受限于较低最大可达概率的企业。

Keyword:

Data envelopment analysis

Machine learning

Classification models

Neural networks

Variable importance

Probability-based efficiency analysis through machine learning

摘要

期刊

机构

引用论文