[论文解读] 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 13

一句话总结

本文提出了一种混合模型，整合了数据包络分析（DEA）、层次聚类、自组织映射（SOM）以及简化多变量多项式分类器，用于评估和分类银行分支机构的效率。首先计算基于DEA的效率得分，利用统计方法和SOM方法对分支机构进行聚类，随后应用多项式模型对效率类别进行高精度预测，为分支机构层面的绩效改进提供可操作的见解。

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.

研究动机与目标

• 开发一个全面的框架，用于评估银行业务部门层面的效率。
• 基于绩效指标，识别并分类银行分支机构为不同的效率类别。
• 将DEA与数据挖掘技术相结合，以提高效率评估的准确性和可解释性。
• 支持银行管理人员识别表现不佳的分支机构，并指导有针对性的改进策略。
• 使用来自伊朗银行分支机构的真实数据验证该模型。

提出的方法

• 首先，应用数据包络分析（DEA）利用投入和产出变量计算各银行分支机构的效率得分。
• 接着，采用凝聚式层次聚类算法，基于统计验证方法确定最优的效率类别数量。
• 然后，利用自组织映射（SOM）神经网络对数据进行k个聚类的划分，实现无监督模式识别。
• 在每个聚类上训练一个简化多变量多项式模型，以预测新数据点的效率类别。
• 该模型结合了DEA的效率度量与数据挖掘的模式识别能力，提升了分类准确性和管理洞察力。
• 专家判断用于定义效率类别的范围和数量，确保实际相关性。

实验结果

研究问题

• RQ1 如何有效结合DEA与数据挖掘技术，以提升银行分支机构效率分类的性能？
• RQ2 基于统计和聚类验证，银行分支机构最优的效率类别数量是多少？
• RQ3 自组织映射能否增强基于效率特征的银行分支机构聚类效果？
• RQ4 多项式分类器在不同效率聚类中对预测准确性的提升程度如何？
• RQ5 该混合模型在支持分支机构层面绩效改进的可操作管理决策方面发挥何种作用？

主要发现

• 该混合模型成功地将银行分支机构分类为具有高准确度的独立效率类别，支持有针对性的绩效干预措施。
• 将DEA与聚类及多项式分类相结合，显著提升了效率评估的可解释性和精确度，超越了单一DEA方法的局限。
• 采用层次聚类与基于SOM的划分方法，形成了更加一致且具有实际意义的效率聚类。
• 简化多变量多项式模型在各聚类内部表现出强大的预测性能，增强了分类的可靠性。
• 该模型通过识别表现不佳的分支机构并突出关键的低效模式，为分支机构管理者提供了可操作的见解。
• 该方法在使用伊朗银行分支机构真实数据的实际应用中表现有效，证明了其实际应用价值。