Applications of Machine Learning Procedures on Data Envelopment Analysis

Abstract

Veri Zarflama Analizi (VZA) ve Makine Öğrenmesi (MÖ), veriden anlam çıkarmayı amaçlayan ve yaygın olarak kullanılan iki metodolojidir. İki metodolojinin birlikte kullanıldığı çalışmalara ilişkin literatür incelendiğinde, genellikle MÖ algoritmalarının VZA metodolojisinin kısıtlarını aşmak için kullanıldığı görülmektedir. Bu çalışmanın amacı, bir MÖ algoritmasının VZA modeli kullanılarak birim ünite etkinliğinin değerlendirmesini geliştirmek için kullanılabilirliğini araştırmaktır. Bu tez, VZA üzerindeki MÖ prosedürlerinin uygulamalarını inceleyerek mevcut literatüre katkı yapmaktadır. ML algoritmaları ile bir VZA modelinden elde edilen etkinlik skorlarını tahmin etmeye yönelik daha önce yapılmış çalışmalar olmasına rağmen, bu çalışma, bazıları daha önce kullanılmamış olan ML algoritmalarını da kullanarak bu konudaki çalışmayı genişletmektedir. Karar ağacı tabanlı MÖ modelleri, hedef değişkeni tahmin etmede daha büyük etkiye sahip olan özellikleri belirleyebilir. Önceki çalışmalar, Karar Verme Birimi (KVB) verimliliğini etkileyen önemli değişkenleri belirlemek ve açıklamak için özellik önem skorlarını kullanmıştır. Öte yandan, yeni bir yaklaşım olarak, bu çalışma bir VZA modeli için bir ağırlık kısıtlaması olarak özellik önem sıralamasının kullanılmasını önermektedir. Önerilen yaklaşım, VZA modelinin bazı girdilere çok fazla ağırlık veren ve diğer girdilere sıfır ağırlık atayarak göz ardı eden bir sınırlamasının üstesinden gelmek için kullanılabilir. Bu yaklaşım gerçek bir veri seti ile kullanılarak VZA modelinin kalitesinin arttırdığı kanıtlanmıştır.

Data Envelopment Analysis (DEA) and Machine Learning (ML) are two widely used methodologies that aim to gain insights from the data. When the literature on studies that utilize two methodologies together, it can be seen that ML algorithms are generally used to overcome the limitations of the DEA methodology. The purpose of this study is to investigate whether an ML algorithm can be used to improve the evaluation of unit efficiency using a DEA model. This thesis adds knowledge to the existing literature by examining the applications of ML procedures on DEA. Although there are previous studies on predicting ES obtained from a DEA model with ML algorithms, this study extends ML algorithms used, some of which have not been employed before. Decision tree-based ML models can identify the features that have a greater impact on predicting the target variable. Previous studies have used feature importance scores to identify and clarify important variables that affect Decision Making Unit (DMU) efficiency. On the other hand, as a novel approach, this study proposes to use feature importance ranking as a weight constraint for a DEA model. The proposed approach can be used to overcome a limitation of a DEA model which is putting too much weight on some inputs and ignoring most of them by assigning zero weights. Using a real data set, we prove that the quality of the DEA model is improved by using this approach.