[論文レビュー] Introducing a hybrid model of DEA and data mining in evaluating efficiency. Case study: Bank Branches

Sara Hosseinzadeh Kassani, Peyman Hosseinzadeh Kassani+1 more|arXiv (Cornell University)|Oct 10, 2018

Efficiency Analysis Using DEA参考文献 7被引用数 13

ひとこと要約

本稿では、データ包絡分析（DEA）、階層的クラスタリング、自己組織化マップ（SOM）、および低次元多変量多項式分類器を統合したハイブリッドモデルを提案し、銀行支店の効率を評価・分類する。まず、DEAに基づく効率スコアを計算し、統計的およびSOMベースの手法を用いて支店をクラスタリングした。その後、多項式モデルを用いて新しいデータポイントの効率クラスを予測し、高い正確性を達成した。このモデルは、支店レベルのパフォーマンス向上に向けた実行可能なインサイトを提供する。

ABSTRACT

The banking industry is very important for an economic cycle of each country and provides some quality of services for us. With the advancement in technology and rapidly increasing of the complexity of the business environment, it has become more competitive than the past so that efficiency analysis in the banking industry attracts much attention in recent years. From many aspects, such analyses at the branch level are more desirable. Evaluating the branch performance with the purpose of eliminating deficiency can be a crucial issue for branch managers to measure branch efficiency. This work not only can lead to a better understanding of bank branch performance but also give further information to enhance managerial decisions to recognize problematic areas. To achieve this purpose, this study presents an integrated approach based on Data Envelopment Analysis (DEA), Clustering algorithms and Polynomial Pattern Classifier for constructing a classifier to identify a class of bank branches. First, the efficiency estimates of individual branches are evaluated by using the DEA approach. Next, when the range and number of classes were identified by experts, the number of clusters is identified by an agglomerative hierarchical clustering algorithm based on some statistical methods. Next, we divide our raw data into k clusters By means of self-organizing map (SOM) neural networks. Finally, all clusters are fed into the reduced multivariate polynomial model to predict the classes of data.

研究の動機と目的

• 銀行業界における支店レベルの効率を評価する包括的なフレームワークを構築すること。
• パフォーマンス指標に基づいて、銀行支店を明確な効率クラスに分類すること。
• DEAをデータマイニング技術と統合し、効率評価における精度と解釈可能性を向上させること。
• 銀行マネージャーが効率が低い支店を特定し、的確な改善戦略を導く支援をすること。
• イランの銀行支店から得た実世界のデータを用いて、モデルの妥当性を検証すること。

提案手法

• まず、入力変数および出力変数を用いて、個々の銀行支店の効率スコアを計算するためにデータ包絡分析（DEA）を適用する。
• 次に、統計的妥当性手法に基づいて、最適な効率クラスの数を決定するため、凝集型階層的クラスタリングアルゴリズムを用いる。
• その後、非教師ありパターン認識を目的として、自己組織化マップ（SOM）ニューラルネットワークを用いてデータをk個のクラスタに分割する。
• 各クラスタに対して、低次元多変量多項式モデルを訓練し、新しいデータポイントの効率クラスを予測する。
• モデルは、DEAによる効率測定と、データマイニングによるパターン認識を統合することで、分類の正確性とマネジメントインサイトを向上させる。
• 実務的妥当性を確保するため、熟練者の判断を用いて効率クラスの範囲と数を定義する。

実験結果

リサーチクエスチョン

• RQ1 DEAをどのように効果的にデータマイニング技術と組み合わせることで、銀行支店の効率分類を改善できるか？
• RQ2 統計的およびクラスタリング妥当性に基づいて、銀行支店の最適な効率クラスの数は何か？
• RQ3 自己組織化マップは、効率プロファイルに基づいた銀行支店のクラスタリングをどのように向上させることができるか？
• RQ4 多項式分類器は、異なる効率クラスタにおいて予測正確性をどの程度向上させるか？
• RQ5 このハイブリッドモデルは、支店レベルのパフォーマンス向上に向けた実行可能なマネジメント意思決定をどのように支援できるか？

主な発見

• ハイブリッドモデルは、高い正確性を達成し、明確な効率クラスに銀行支店を分類した。これにより、的確なパフォーマンス改善対策が可能になった。
• DEAとクラスタリング、多項式分類の統合により、単独のDEAに比べて、効率評価の解釈可能性と正確性が向上した。
• 階層的クラスタリングとSOMベースの分割を用いることで、より一貫性があり意味のある効率クラスタが得られた。
• 低次元多変量多項式モデルは、各クラスタ内で優れた予測性能を示し、分類の信頼性が向上した。
• モデルは、効率が低い支店を特定し、主な非効率パターンを浮き彫りにすることで、支店マネージャーに実行可能なインサイトを提供した。
• 実世界のデータ（イランの銀行支店）を用いた応用において、本アプローチは実用的有効性を示した。