Dự đoán hiệu quả hoạt động của doanh nghiệp vừa, nhỏ và siêu nhỏ: Một phương pháp kết hợp DEA và học máy

Các doanh nghiệp vừa, nhỏ và siêu nhỏ (MSMEs) với hơn nửa triệu người lao động chiếm tỷ trọng lớn trong khu vực kinh tế tư nhân toàn cầu. Một câu hỏi quan trọng được đặt ra là làm thế nào sử dụng các công cụ tiên tiến như học máy để cải thiện hiệu suất cho các doanh nghiệp này.



Các doanh nghiệp vừa, nhỏ và siêu nhỏ (MSMEs) với hơn nửa triệu người lao động chiếm tỷ trọng lớn trong khu vực kinh tế tư nhân toàn cầu. Một câu hỏi quan trọng được đặt ra là làm thế nào sử dụng các công cụ tiên tiến như học máy để cải thiện hiệu suất cho các doanh nghiệp này.

Nghiên cứu này đề xuất một phương pháp mới để ước tính một tập trọng số chung (CSW) cho phân tích bao dữ liệu (DEA) dựa trên phân tích hồi quy. Nhóm tác giả cũng sử dụng một số kỹ thuật kinh tế lượng và học máy (như Tobit, LASSO và Random Forest) để giải thích và dự đoán hiệu suất của hơn 5.400 MSMEs tại Việt Nam trong giai đoạn 2010-2016.

Điểm mới của nghiên cứu là nó cho phép đánh giá hiệu quả và xếp hạng MSMEs, đồng thời giúp khắc phục vấn đề tính toán dữ liệu lớn của các phương pháp trọng số chung bao dữ liệu khác. 

Kết quả nghiên cứu cho thấy các mô hình học máy hiệu quả và chính xác hơn so với các mô hình kinh tế lượng. Do đó, nghiên cứu của nhóm tác giả đã đưa ra cái nhìn mới về DEA, đặc biệt là trong việc dự đoán hiệu quả hoạt động dựa trên dữ liệu lớn.

 

>>> THÔNG TIN BÀI BÁO

Boubaker, S., Le, T. D. Q., Ngo, T., & Manita, R. (2023). Predicting the Performance of MSMEs: a Hybrid DEA-Machine Learning Approach. Annals of Operations Research

>> https://doi.org/10.1007/s10479-023-05230-8

>>> THÔNG TIN TÁC GIẢ TRƯỜNG ĐẠI HỌC KINH TẾ

PGS.TS. Ngô Đăng Thành là giảng viên Khoa Kinh tế Chính trị, Trường Đại học Kinh tế – ĐHQGHN. Hướng nghiên cứu và giảng dạy chính của ông gồm: Phân tích năng suất và hiệu quả kỹ thuật, phương pháp bao dữ liệu (DEA), phương pháp biên ngẫu nhiên (SFA), tài chính - ngân hàng.


Trường Đại học Kinh tế