DEA là gì? Mô hình, biến đầu vào đầu ra và cách kiểm định

Mô hình DEA là gì

DEA là viết tắt của Data Envelopment Analysis, thường được dịch là phân tích bao dữ liệu. Đây là phương pháp định lượng dùng để đánh giá hiệu quả tương đối của nhiều đơn vị ra quyết định, gọi là DMU, khi mỗi đơn vị sử dụng một hoặc nhiều đầu vào để tạo ra một hoặc nhiều đầu ra.

Ví dụ, bạn có thể xem mỗi ngân hàng là một DMU, với đầu vào là số lao động, chi phí hoạt động và vốn, còn đầu ra là doanh thu hoặc lợi nhuận. Trong nghiên cứu giáo dục, mỗi trường đại học có thể là một DMU, với đầu vào là số giảng viên, ngân sách và diện tích, còn đầu ra là số sinh viên tốt nghiệp hoặc kết quả nghiên cứu.

DEA không chỉ hỏi đơn vị nào có kết quả cao nhất. Mô hình xây dựng một biên hiệu quả từ các DMU tốt nhất trong chính bộ dữ liệu, sau đó so sánh những đơn vị còn lại với biên này. Vì vậy, điểm DEA thường là hiệu quả tương đối trong mẫu, không phải một tỷ lệ tuyệt đối có thể áp dụng cho mọi ngành.

Khi tìm kiếm “DEA là gì”, bạn sẽ gặp cả hướng phân tích DEA bằng Stata. Đây là một lựa chọn phù hợp nếu dữ liệu của bạn là dữ liệu dạng bảng hoặc dữ liệu chéo giữa nhiều DMU. DEA khác với ARDL, ARIMA và các mô hình dự báo chuỗi thời gian, vì trọng tâm của DEA là đo hiệu quả tương đối giữa các đơn vị.

Trong DEA, mỗi DMU được gán một điểm hiệu quả. Với cách diễn giải phổ biến, điểm bằng 1 cho biết DMU nằm trên biên hiệu quả của mẫu. Điểm nhỏ hơn 1 cho thấy DMU có thể giảm đầu vào hoặc tăng đầu ra theo hướng của mô hình. Điểm bằng 1 không có nghĩa là đơn vị đó hoạt động tối ưu trong mọi điều kiện, cũng không tự động chứng minh quan hệ nhân quả.

Các thành phần trong mô hình DEA

Bạn nên xác định các thành phần của DEA trước khi mở Stata. Nếu chọn sai DMU hoặc đưa vào quá nhiều biến, kết quả có thể khiến phần lớn đơn vị đều có điểm hiệu quả bằng 1, khi đó mô hình khó phân biệt được năng lực giữa các đơn vị.

DMU phải có khả năng so sánh

Các DMU cần thực hiện chức năng tương tự và dùng những nguồn lực có ý nghĩa tương đồng. So sánh các ngân hàng thương mại với các công ty bảo hiểm trong cùng một mô hình có thể tạo ra vấn đề về công nghệ, quy trình và mục tiêu hoạt động. Bạn nên ghi rõ tiêu chí đưa một đơn vị vào mẫu, thay vì chỉ chọn các đơn vị có dữ liệu dễ tải.

Số lượng DMU cũng cần đủ so với số lượng input và output. Khi mô hình có quá ít DMU nhưng quá nhiều biến, biên DEA trở nên rộng và nhiều đơn vị có thể được xếp là hiệu quả. Đây là lý do bạn cần cân nhắc gộp những biến có nội dung gần nhau hoặc giữ lại biến thật sự gắn với câu hỏi nghiên cứu.

Input và output phải gắn với cơ chế tạo hiệu quả

Input là nguồn lực được tiêu hao hoặc sử dụng. Output là kết quả mà DMU tạo ra. Doanh thu thường được xem là output, trong khi chi phí lao động thường là input. Tuy nhiên, cách phân loại còn phụ thuộc vào lý thuyết ngành và mục tiêu nghiên cứu.

Bạn không nên chọn biến chỉ vì biến đó có sẵn trong báo cáo tài chính. Mỗi biến cần có lời giải thích: tại sao nó là nguồn lực, tại sao nó là kết quả, và tại sao nó có thể so sánh giữa các DMU. Nếu một biến vừa là input vừa là output trong cùng mô hình, bạn cần giải thích rõ logic và kiểm tra độ nhạy của kết quả.

Orientation và returns to scale

Input-oriented DEA trả lời câu hỏi: DMU có thể giảm bao nhiêu input mà vẫn duy trì mức output hiện tại. Output-oriented DEA hỏi: DMU có thể tăng bao nhiêu output với nguồn lực hiện tại. Nếu nhà quản trị kiểm soát chi phí tốt hơn kiểm soát doanh thu, input-oriented thường dễ giải thích hơn.

CRS, hay Constant Returns to Scale, giả định quy mô đầu vào tăng theo tỷ lệ sẽ tạo ra mức tăng đầu ra tương ứng. VRS, hay Variable Returns to Scale, cho phép hiệu quả thay đổi theo quy mô. Với các ngân hàng hoặc bệnh viện có quy mô rất khác nhau, bạn nên cân nhắc VRS để tránh đánh đồng bất lợi do quy mô với kém hiệu quả quản trị.

Mô hình gốc và các mở rộng phổ biến

Mô hình DEA cơ bản thường được trình bày theo hai cách: CCR và BCC. Trong đó, CCR gắn với giả định CRS, còn BCC gắn với giả định VRS. Khi chạy nghiên cứu, bạn không nên chọn mô hình chỉ vì phần mềm mặc định một tùy chọn. Hãy bắt đầu từ câu hỏi nghiên cứu và đặc điểm hoạt động của DMU.

Mô hình CCR cho bạn một điểm hiệu quả tổng thể trong điều kiện quy mô không đổi. Mô hình BCC tách ảnh hưởng của hiệu quả kỹ thuật thuần khỏi ảnh hưởng của quy mô. Từ hai kết quả này, nghiên cứu có thể xem xét hiệu quả quy mô bằng cách so sánh điểm CRS và VRS, nhưng công thức và cách báo cáo phải nhất quán với phần mềm bạn sử dụng.

Một mở rộng khác là lựa chọn orientation. Nếu nghiên cứu tập trung vào khả năng tiết kiệm chi phí, bạn có thể dùng input-oriented. Nếu mục tiêu là đánh giá khả năng mở rộng sản lượng từ nguồn lực đang có, output-oriented có thể phù hợp hơn.

DEA cũng có thể được mở rộng theo thời gian bằng chỉ số Malmquist để xem năng suất thay đổi giữa các kỳ. Tuy nhiên, đây là một bước khác với DEA chéo thông thường. Bạn cần có cùng hệ thống biến và cùng logic đo lường qua các năm. Nếu chỉ có dữ liệu của một năm, không nên gọi kết quả là tăng trưởng năng suất theo thời gian.

Bạn có thể tham khảo thêm FEM và REM cho dữ liệu bảng nếu bộ dữ liệu có nhiều DMU qua nhiều năm. FEM và REM ước lượng quan hệ giữa các biến, còn DEA xây dựng biên hiệu quả. Hai nhóm phương pháp có thể phục vụ những câu hỏi khác nhau, nhưng không nên thay thế lẫn nhau chỉ vì đều dùng dữ liệu bảng.

Thang đo thường dùng cho từng khái niệm

DEA không sử dụng thang đo Likert theo cách Cronbach's Alpha, EFA hoặc CFA sử dụng. Các biến input và output thường là biến định lượng quan sát được, lấy từ báo cáo tài chính, cơ sở dữ liệu ngành hoặc thống kê hành chính. Vì vậy, bảng dưới đây là bản đồ biến thường gặp để bạn bắt đầu thiết kế mô hình, không phải một bộ thang đo đã được kiểm định cho mọi đề tài.

Nếu dữ liệu của bạn là khái niệm tiềm ẩn như sự hài lòng hoặc chất lượng cảm nhận, DEA không phải công cụ đo thang đo trực tiếp. Bạn có thể dùng bảng hỏi để tạo chỉ số tổng hợp, nhưng cần mô tả cách tính và lý do đưa chỉ số đó vào input hoặc output. Với một mô hình PLS-SEM, bạn có thể xem thêm GARCH là gì để phân biệt DEA với mô hình xử lý biến động trong dữ liệu tài chính.

Trước khi chạy, hãy kiểm tra đơn vị đo. Nếu một biến là triệu đồng còn biến khác là tỷ đồng, kết quả có thể bị hiểu sai khi bạn diễn giải. DEA ít nhạy với một số phép biến đổi tỷ lệ, nhưng việc thống nhất đơn vị vẫn cần thiết cho bảng mô tả và khả năng tái lập phân tích.

Áp dụng vào đề tài của bạn

Giả sử đề tài của bạn đánh giá hiệu quả hoạt động của 20 chi nhánh ngân hàng trong cùng một năm. Mỗi chi nhánh là một DMU. Bạn chọn ba input gồm số nhân viên, chi phí hoạt động và tổng tài sản, cùng hai output gồm doanh thu dịch vụ và lợi nhuận trước thuế.

Mô hình khái niệm có thể viết như sau: nguồn lực của chi nhánh gồm lao động, chi phí và tài sản; các nguồn lực này được chuyển hóa thành kết quả tài chính. DEA sẽ tạo biên hiệu quả từ những chi nhánh có tổ hợp input và output tốt nhất trong mẫu, sau đó tính điểm tương đối cho các chi nhánh còn lại.

Bạn có thể đặt các giả thuyết nghiên cứu theo hướng quản trị như sau:

• H1: Hiệu quả kỹ thuật của các chi nhánh ngân hàng khác nhau giữa các DMU.
• H2: Hiệu quả theo giả định VRS cao hơn hoặc bằng hiệu quả theo giả định CRS đối với từng DMU.
• H3: Hiệu quả quy mô có sự khác biệt giữa các nhóm chi nhánh có quy mô khác nhau.
• H4: Các yếu tố thuộc môi trường hoạt động có mối liên hệ với điểm hiệu quả DEA trong bước phân tích tiếp theo.

H1 đến H3 phù hợp với phần mô tả và so sánh điểm DEA. H4 cần thận trọng hơn, vì nếu bạn dùng điểm DEA làm biến phụ thuộc trong hồi quy, điểm số thường bị giới hạn và có thể có nhiều giá trị bằng 1. Bạn cần chọn mô hình hồi quy và cách xử lý phù hợp, thay vì chạy hồi quy tuyến tính rồi kết luận ngay.

Nếu đề tài của bạn là đánh giá hiệu quả các tỉnh, DMU có thể là tỉnh hoặc thành phố. Input có thể gồm vốn đầu tư, lao động và chi ngân sách. Output có thể gồm GRDP, số doanh nghiệp hoạt động hoặc một chỉ tiêu xã hội. Bạn cần kiểm tra rằng các tỉnh có cùng phạm vi đo lường và cùng thời kỳ, đặc biệt khi số liệu được lấy từ nhiều nguồn.

Cách viết vào luận văn

Bạn có thể điều chỉnh đoạn sau: “Nghiên cứu sử dụng phương pháp DEA để đánh giá hiệu quả tương đối của [số lượng] DMU. Các input gồm [danh sách input], các output gồm [danh sách output]. Mô hình [CRS hoặc VRS] và định hướng [input hoặc output] được lựa chọn vì [lý do gắn với câu hỏi nghiên cứu]. Kết quả DEA được sử dụng để [mục đích mô tả, so sánh hoặc phân tích tiếp theo].”

Trong chương phương pháp, hãy trình bày bảng định nghĩa biến, đơn vị đo, nguồn dữ liệu và lý do phân loại input hoặc output. Trong chương kết quả, báo cáo số DMU hiệu quả, phân phối điểm hiệu quả, các DMU tham chiếu và những kết quả bất thường. Đừng chỉ đưa một bảng điểm rồi gọi đó là phân tích DEA hoàn chỉnh.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

DEA thường được chạy bằng Stata, R, Python hoặc phần mềm chuyên dụng hơn là SPSS và SmartPLS. SPSS có thể hỗ trợ làm sạch dữ liệu, thống kê mô tả và kiểm tra tương quan. SmartPLS phù hợp với mô hình đo lường và mô hình cấu trúc PLS-SEM, không phải công cụ chính để dựng biên DEA.

Chuẩn bị file dữ liệu

Mỗi dòng nên là một DMU trong dữ liệu chéo, hoặc một DMU ở một thời điểm nếu bạn có dữ liệu bảng. Mỗi cột cần có mã ngắn, không dấu, không chứa ký tự đặc biệt. Bạn nên giữ riêng cột nhận diện DMU, năm, các input và các output.

Kiểm tra giá trị thiếu, giá trị âm, giá trị bằng 0 và các quan sát ngoại lệ. Một số biến như lợi nhuận có thể âm, nhưng cách xử lý giá trị âm trong DEA phụ thuộc vào mô hình và phần mềm. Không tự động cộng một hằng số vào mọi giá trị âm nếu chưa giải thích ảnh hưởng của phép biến đổi.

Thực hiện phân tích DEA bằng Stata

Trong Stata, lệnh và gói mở rộng có thể khác nhau theo phiên bản và cách bạn cài đặt. Vì vậy, hãy kiểm tra help file của lệnh đang dùng trước khi chạy chính thức. Quy trình thực tế thường gồm nhập file, mô tả dữ liệu, xác định biến input và output, chọn CRS hoặc VRS, chọn input-oriented hoặc output-oriented, rồi lưu điểm hiệu quả.

Sau khi chạy, bạn cần lưu lại do-file, phiên bản Stata, tên lệnh, tùy chọn mô hình và ngày chạy. Bảng kết quả tối thiểu nên có mã DMU, điểm hiệu quả CRS, điểm hiệu quả VRS và biến giải thích nếu có bước hồi quy tiếp theo.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật:

Không nên kết luận CN01 là chi nhánh tốt nhất trên thị trường chỉ vì điểm bằng 1. Kết luận đúng hơn là CN01 nằm trên biên hiệu quả được tạo bởi các DMU trong mẫu và các biến đã chọn. Với CN02, điểm 0.820 trong mô hình input-oriented có thể được diễn giải theo hướng còn khả năng giảm đầu vào trong điều kiện giữ output, nhưng mức giảm cụ thể còn phụ thuộc kết quả slack và cấu hình mô hình.

Đối chiếu với SPSS và SmartPLS

SPSS hữu ích khi bạn cần xem Mean, Standard Deviation, Minimum, Maximum, phát hiện dữ liệu bất thường hoặc tạo bảng mô tả trước DEA. SmartPLS chỉ phù hợp nếu đề tài có thêm mô hình PLS-SEM, chẳng hạn kiểm định ảnh hưởng của năng lực quản trị đến hiệu quả DEA. Khi đó, bạn phải trình bày rõ DEA và PLS-SEM là hai giai đoạn phân tích khác nhau.

Các chỉ số CFI, TLI, RMSEA và SRMR thuộc nhóm đánh giá độ phù hợp của CB-SEM, không phải thước đo thay thế cho điểm DEA. Bạn cũng không nên đưa Cronbach's Alpha vào để đánh giá chất lượng của một biến tài chính đơn lẻ. Thang đo và biên hiệu quả trả lời hai câu hỏi phương pháp khác nhau.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là gọi mọi chỉ số hiệu quả bằng DEA. Nếu bạn chỉ lấy doanh thu chia chi phí, đó là một tỷ số hiệu quả đơn giản, chưa phải DEA. DEA cần nhiều DMU, tập hợp input và output, cùng một lựa chọn về orientation và returns to scale.

Lỗi thứ hai là đưa quá nhiều biến vào một mẫu nhỏ. Khi số input và output tăng, mô hình có thể xếp quá nhiều DMU là hiệu quả. Bạn nên xây dựng mô hình cơ sở, sau đó kiểm tra độ nhạy bằng một số cấu hình hợp lý thay vì chạy hàng chục mô hình rồi chỉ chọn bảng đẹp.

Lỗi thứ ba là trộn DMU không đồng nhất. Một bệnh viện tuyến trung ương và một phòng khám nhỏ không nên được so sánh mà không có lập luận về chức năng và quy mô. Nếu không thể làm cho các DMU có tính so sánh, bạn nên thu hẹp phạm vi mẫu.

Lỗi thứ tư là bỏ qua outlier. Một DMU có doanh thu cực lớn có thể tạo biên hiệu quả và kéo điểm của các đơn vị khác xuống. Hãy kiểm tra thống kê mô tả, biểu đồ và nguồn dữ liệu trước khi quyết định giữ hay loại quan sát. Mọi loại bỏ dữ liệu cần được ghi lại.

Lỗi cuối là viết kết luận nhân quả từ điểm DEA. DEA cho biết hiệu quả tương đối theo cấu hình đã chọn. Nếu muốn giải thích yếu tố liên quan đến hiệu quả, bạn cần một thiết kế phân tích bổ sung, lý thuyết rõ và kiểm tra các vấn đề thống kê của biến phụ thuộc bị giới hạn.

Đọc thêm: ardl là gì, arima là gì, định giá ngẫu nhiên cvm là gì, fem rem dữ liệu bảng là gì, garch là gì.

Câu hỏi thường gặp

DEA là gì và dùng để làm gì?

DEA là phương pháp đánh giá hiệu quả tương đối của nhiều DMU với nhiều input và output. Phương pháp này phù hợp khi bạn muốn so sánh ngân hàng, bệnh viện, trường học, chi nhánh, doanh nghiệp hoặc tỉnh thành có chức năng tương đồng.

Điểm DEA bằng 1 chỉ cho biết DMU nằm trên biên hiệu quả của mẫu. Bạn vẫn cần xem biến đầu vào, đầu ra, giả định mô hình và độ nhạy trước khi đưa ra kết luận quản trị.

Phân tích DEA bằng Stata có khó không?

Khó khăn lớn thường nằm ở khâu thiết kế dữ liệu, không phải ở việc gõ lệnh. Bạn cần xác định đúng DMU, input, output, orientation, CRS hoặc VRS, sau đó kiểm tra dữ liệu thiếu, giá trị âm và outlier.

Stata có thể thực hiện DEA nếu bạn dùng đúng lệnh hoặc gói mở rộng tương thích với phiên bản đang cài. Hãy lưu do-file và tài liệu hướng dẫn của lệnh để người khác có thể tái lập kết quả.

Điểm DEA bao nhiêu là đạt?

DEA không có một ngưỡng đạt chung giống Cronbach's Alpha hay p-value. Điểm bằng 1 thường biểu thị hiệu quả tương đối trên biên của mẫu, còn điểm nhỏ hơn 1 cho thấy DMU có khoảng cách nhất định so với biên theo orientation đã chọn.

Bạn cần báo cáo phân phối điểm, số DMU đạt hiệu quả và cách diễn giải của mô hình. Không nên áp dụng một ngưỡng tùy ý rồi chia DMU thành tốt và kém nếu chưa có cơ sở phương pháp.

Có thể dùng SPSS để chạy DEA không?

SPSS có thể hỗ trợ nhập dữ liệu, thống kê mô tả và kiểm tra sơ bộ, nhưng không phải lựa chọn chính để chạy DEA. Stata, R, Python hoặc phần mềm chuyên dụng thường phù hợp hơn cho bước dựng biên hiệu quả.

SmartPLS cũng không thay thế DEA. Bạn chỉ dùng SmartPLS khi nghiên cứu có thêm mô hình biến tiềm ẩn hoặc mô hình cấu trúc, và cần tách rõ kết quả của hai phương pháp.

DEA có dùng được cho dữ liệu bảng không?

Có thể dùng DEA cho dữ liệu nhiều DMU qua nhiều năm, nhưng bạn phải phân biệt DEA theo từng năm với phân tích thay đổi năng suất theo thời gian. Dữ liệu cần có cách đo nhất quán qua các kỳ và mã DMU ổn định.

Nếu mục tiêu chính của bạn là ước lượng tác động của một biến lên biến khác trong dữ liệu bảng, hãy cân nhắc các mô hình hồi quy dữ liệu bảng riêng. DEA có thể là bước đo hiệu quả, nhưng không tự động thay thế FEM, REM hoặc các mô hình động.

Bạn hãy mở file dữ liệu, tạo bảng gồm mã DMU, input, output và năm, sau đó ghi rõ lý do chọn orientation cùng giả định CRS hoặc VRS trước khi chạy vòng đầu tiên. Khi cần kiểm tra cấu trúc mô hình và quy trình phân tích trên chính file .sav hoặc .csv, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.