Descripción
El análisis envolvente de datos (DEA) se basa en que las puntuaciones de eficiencia son relativas y, por lo tanto, la frontera de eficiencia se construye mediante un conjunto completo de unidades de toma de decisiones. En esta investigación se propone una técnica utilizando una muestra estadística de grandes conjuntos de datos, donde se demuestra que la frontera de eficiencia no es tan relativa ya que se puede calcular a partir de una muestra del conjunto de datos. Para ayudar a la técnica, también se emplean redes neuronales (NN). Además, se propone una técnica unificada para adquirir las puntuaciones de eficiencia sin el uso previo del DEA. Al obtener una muestra representativa, es más fácil sacar conclusiones sobre la estructura completa del conjunto de datos con una probabilidad de error y una precisión específicas. Se propone una metodología para adquirir una muestra basada en la técnica de muestreo aleatorio simple. La combinación DEA-NN se aplica a la muestra, mientras se ajusta el conjunto de datos de la muestra, para acumular la frontera de eficiencia. El NN se lleva al nivel óptimo, produciendo, por tanto, resultados fiables y prometedores. (Valiakos, A., & Vincent, C., 2017)
Referencia
Valiakos, A., & Vincent, C. (2017). Tuning data sample for data envelopment analysis. International Journal of Operational Research, 30(3), 407 – 420. doi.org/10.1504/IJOR.2017.087280 [Accepted: May 2015, Published: September 2017]
