Upload
amal
View
36
Download
0
Embed Size (px)
DESCRIPTION
Preferenssi-informaatio DEA-malleissa + sovellus. Mat-2.4142 Optimointiopin seminaari Kevät 2013 Esitelmä 5 Juuso Saarnikko. Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin kaikki oikeudet pidätetään. Johdatus. - PowerPoint PPT Presentation
Citation preview
Preferenssi-informaatio DEA-malleissa + sovellusMat-2.4142 Optimointiopin seminaariKevät 2013
Esitelmä 5Juuso Saarnikko
Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin kaikki oikeudet pidätetään.
Johdatus
• Aikaisemmin DEA-mallien painoja ja kertoimia ei selkeästi rajoitettu– Oletettiin esimerkiksi vain painojen ei-negatiivisuus
• Tämä esitelmä tuo siihen uutta näkökulmaa
• Lähestytään ongelmien tavoitteiden keskinäisiä suhteita ja mietitään miten päätöksentekijä näitä ”preferoi”– Esiteltävät menetelmät antavat mahdollisuuden vertailla eri
tuotoksia ja panoksia ja niiden merkitystä
• Suuret erot ja nollaksi/ykköseksi menevät kertoimet ongelma tähän asti– Tuodaan rajoite estämään tällaiset tapaukset
Mallinnetaan DEA-ongelmaa rajoitteiden avulla• 2 päänäkökulmaa
– Assurance region method (Varmistusaluemenetelmä)– Cone-ratio method (Kartiosuhdemenetelmä)
• Menetelmien avulla tuodaan kerroinvektoreille v ja u rajoitteita– Rajoitteet voidaan muodostaa esimerkiksi asiantuntija-
arvioiden perusteella• Ei tarvittu vielä aikaisemmissa menetelmissä
Sisältö
• Teoriaosuus– AR-metodi– Cone-ratio metodi
• Kaksi keskeistä sovellusta– Energiateknisen laboratorion maantieteellinen sijainti Texasissa– Texasilaisten pankkien tehokkuuden analysointi
• Harjoitustehtävän #5 esittely
Preferenssi-informaatio
• Tuodaan päätöksentekijöiden näkökulmia mukaan ongelmanratkaisun määrittelyyn– Esimerkiksi rajoitetaan tuotosten ja panosten suhteita jollekin
määrätylle välille antamalla minimi- ja maksimirajat AR-metodin käyttö
• Halutaan verrata päätöksentekoyksikköjen tuotos/panos suhteita ja tehokkuutta joihinkin hyväksi havaittuihin vertailuyksikköihin– Kuinka tuotosten ja panosten painot voidaan/halutaan näin
määrittää ja rajoittaa Cone-ratio metodin käyttö
ASSURANCE REGION METHOD (VARMISTUSALUEMENETELMÄ)
Assurance region method (Varmistusaluemenetelmä)
• Painojen rajoitus suhteellinen
• Josta voidaan johtaa lineaariset rajoitteet
Source: (1) Cooper, William W., Seiford, Lawrence M., Tone Kaoru: Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References
and DEA-Solver Software (2007), sivut 177-213
(1)
(1)
Mitä tämä tarkoittaa matemaattisesti?
• CCR
• CCR-AR
(1)
Source: (1) Cooper, William W., Seiford, Lawrence M., Tone Kaoru: Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References
and DEA-Solver Software (2007), sivut 177-213
(1) (1)
Duaalin ja slackien puolella huomataan vastaavat muutokset• CCR
• CCR-AR
Source: (1) Cooper, William W., Seiford, Lawrence M., Tone Kaoru: Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References
and DEA-Solver Software (2007), sivut 177-213
(1)
(1)
AR-tehokkuus
• Vastaavasti kuin aikaisemminkin, DMU tehokas jos– tehokkuus θ*=1– ja slackit
• Vastaavasti AR-epätehokkaille yksiköille saadaan duaaliratkaisun kautta projektiot:
Source: (1) Cooper, William W., Seiford, Lawrence M., Tone Kaoru: Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References
and DEA-Solver Software (2007), sivut 177-213
(1)
AR:n hyödyt
• AR-metodi usein pienentää tehokkuuslukemaa ja aikaisemmin tehokkaaksi tunnistetut DMU:t voivat rajoitteiden vallitessa muuttua epätehokkaiksi– Helpompi saada eroavaisuutta eri DMU:n välille ja näin tukea
päätöksentekoa
• Halu määrittää eri panoksien tai tuotosten suhteellista tärkeyttä– Koska tarkkoja arvoja ei välttämättä etukäteen tiedetä on suhteellinen
rajoite hyvä tapa– Saadaan näin myös enemmän järkeenkäypiä vastauksia
• Kertoimien arvot taipuvat usein rajoille tulee valita siis tarkasti
Tehokkaassa rintamassa tapahtuvat muutokset graafisesti• Tehokkaassa rintamassa tapahtuu muutoksia AR-
metodin käytöstä johtuen – Kirjan esimerkki:
– Lähtötiedot:
– Ratkaisut:
Source: (1) Cooper, William W., Seiford, Lawrence M., Tone Kaoru: Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References
and DEA-Solver Software (2007), sivut 177-213
(1)
(1)
Esimerkki jatkuu
Source: (1) Cooper, William W., Seiford, Lawrence M., Tone Kaoru: Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References
and DEA-Solver Software (2007), sivut 177-213
(1)
(1)
(1)
Esimerkki jatkuu
Source: (1) Cooper, William W., Seiford, Lawrence M., Tone Kaoru: Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References
and DEA-Solver Software (2007), sivut 177-213
(1)
Esimerkki jatkuu
• Lisätään tehtävään rajoite
Source: (1) Cooper, William W., Seiford, Lawrence M., Tone Kaoru: Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References
and DEA-Solver Software (2007), sivut 177-213
(1)
CONE-RATIO METHOD (KARTIOSUHDEMENETELMÄ)
Cone-ratio kartiosuhdemalli
• Kartiosuhdemenetelmä tuo toisenlaisen näkökulman painojen rajoittamiseen/muodostamiseen
• Ei suoria suhderajoitteita kuten AR-mallissa– Sallittu alue painoille u,v rajataan kartion muotoiseksi alueeksi
suuntavektoreista muodostuvan matriisin avulla
– Suuntavektoreiden oikea määrääminen tärkeää• Katsotaan tarkemmin lisää sovelluksen avulla
Cone-ratio kartiosuhdemallin esitys
Source: (1) Cooper, William W., Seiford, Lawrence M., Tone Kaoru: Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References
and DEA-Solver Software (2007), sivut 177-213
(1) (1)
(1)
Cone-ratio-mallin primaali ja duaali
• Tavallinen CCR-mallin esitys
• Sijoitetaan u:n ja v: paikalle ratkaisut edelliseltä kalvolta
• Saadaan CR-primaali
• Sekä CR-duaali
• Jossa CR-rajoitteiden avulla saadut panos/tuotosmatriisit
Source: (1) Cooper, William W., Seiford, Lawrence M., Tone Kaoru: Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References
and DEA-Solver Software (2007), sivut 177-213
(1)
(1)
(1)
(1)
Cone-ratio-malli
• Rajoitteiden parametrien valinta: – Ekspertit– Tavallinen CCR mallinnuksen tueksi
• Hyödyt:– Tietyille muuttujille/painoille ei tarvitse asettaa rajaa– Voidaan valita benchmark-joukko, jonka avulla voidaan
muodostaa tarvittavat suuntavektorit• Näin voidaan muodostaa rajoitteet painovektoreille ilman niiden
suhteellisuuden analysointia
SOVELLUKSIA
#1 Texasin pankit
• DEA:n avulla haluttiin kartoittaa pankkien toimintaa vuosien 1984 ja 1985 välillä– Laman uskottiin vaikuttavan heikentävästi pankkien toimintaa ja
tätä haluttiin myös tutkia
• Cone-ratio-malli valittiin menetelmäksi selvittää pankkien toiminnan tehokkuutta– Ongelma liian monimutkainen AR-mallille
• Ongelma haluttiin pitää tarpeeksi yksinkertaisena, joten valittiin 4 panosta ja 4 tuotosta pankin toimintaan liittyen
Käytetyt metodit
• Valittiin viranomaisten konsultaation perusteella ns. verrokkipankit joihin muiden pankkien toimintaa verrattiin
• Nämä käytiin läpi vielä CCR-mallin avulla ennen kuin lopulliset verrokit päätettiin
• Pyrittiin tarkkailemaan, mitkä pankit ovat näiden valossa tehokkaita/tehottomia
• Sovelluksessa haluttiin siis määrittää mm. eri pankkien riskisyyttä taseen ja tuloslaskelman lukujen perusteella
Tuotokset ja panokset
Source: (1) Cooper, William W., Seiford, Lawrence M., Tone Kaoru: Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References
and DEA-Solver Software (2007), sivut 177-213
(1)
Suoritettu analyysi
• Asiantuntija-arviot löysivät 5 verrokkipankkia• Näistä kuitenkin vain 3 selvisi CCR-analyysin
läpi verrokkipankeiksi
• Ja tämän menetelmän avulla saatu data mallinnettiin kerroinmatriiseihin A ja B
Source: (1) Cooper, William W., Seiford, Lawrence M., Tone Kaoru: Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References
and DEA-Solver Software (2007), sivut 177-213
(1)
Tulokset
Source: (1) Cooper, William W., Seiford, Lawrence M., Tone Kaoru: Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References
and DEA-Solver Software (2007), sivut 177-213
(1)
#2 Energiateknologialaboratorion sijoittaminen Texasissa• Ongelmana oli kartoittaa optimaalinen sijainti korkean
teknologian laboratoriolle Texasin osavaltiossa
• Mallinnettiin AR-mallin avulla
• Datan analysoinnin ja oikeiden tuotosten ja panosten määrittämisen jälkeen pystyttiin oikeasti löytämään optimaalinen sijainti AR-mallin avulla
• AR-mallien sovelluksien “äiti”
Muuttujia
• Inputteja– Läheisyys lentokentälle– Läheisyys yliopistoihin– Teknologian ja asumisalueiden läheisyys– Rakennus- ja kokonaiskustannukset– Ympäristötekijät– yms
• Päätöksentekokriteereitä– Sosiaalisen hyvinvoinnin maksimointi– Hyötyjen ja haittojen erotuksen maksimointi– yms
Vaikeuksia, ja DEA:n tuoma ratkaisu
• Kaikkia muuttujia päätöksenteossa ei pystytty mallintamaan rahassa
• DEA:n ja AR:n avulla tämä ei ole vaatimus Pystyttiin hyödyntämään niitä mallinnuksessa
• Ongelmanratkaisuna ei ollut tarkoitus löytää yhtä optimia sijaintia, vaan mallintaa miten yksittäisiä mallit suhtautuvat toisiinsa
• Muodostettiin AR-mallien avulla päätelmiä, minkä päätöksentekokriteereiden kanssa mikäkin sijainti vaikuttaa parhaalta– Näin pystyttiin antamaan suosituksia löydettyjen painosuhteiden avulla jokaiselle
tekijälle siitä, mikä sijainti olisi optimaalisin
• DEA:n perusteella analysoitua optimisijaintia testattiin myös muilla arviointimenetelmillä ja sen tulokset osoittautuivat soveltuviksi
YHTEENVETO + KOTITEHTÄVÄ #5
Yhteenveto
• Assurance region- ja Cone-ratio-metodi esiteltiin keinoina ratkaista DEA-ongelmia tiettyjen rajoitteiden vallitessa
• AR-mallilla pystytään antamaan ylä- ja alarajat tuotosten ja panosten painojen suhteille
• CR-mallin avulla saadaan määritettyä mahdolliset joukot painoille v ja u suuntavektoreiden avulla (käyttäen esim. verrokkiyksiköitä)
• Molempiin malleihin liittyvät sovellukset esitettiin
Kotitehtävä
• Tehtävän lähtötiedot on annettu seuraavilla kalvoilla
1. Tehtävänäsi on määrittää, mitkä CCR-mallin ratkaisun tehokkaat DMU:t säilyvät tehokkaina myös AR-mallissa kun tehtävään liitetään rajoite on
2. Mikä on tehottomaksi (u<1) jääneen DMU:n tehokkuus AR-mallissa?
• Apua tehtävän ratkomiseen löydät kirjan kappaleen 6.2.3 avulla
Kotitehtävä
Source: (1) Cooper, William W., Seiford, Lawrence M., Tone Kaoru: Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References
and DEA-Solver Software (2007), sivut 177-213
(1)
Kotitehtävä
Source: (1) Cooper, William W., Seiford, Lawrence M., Tone Kaoru: Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References
and DEA-Solver Software (2007), sivut 177-213
(1)
Lähteet
• Cooper, William W., Seiford, Lawrence M., Tone Kaoru: Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References and DEA-Solver Software (2007), sivut 177-213
• Thompson, Russell G., Singleton, F.D., Jr., Thrall, Robert M., Smith, Barton A.: Comparative Site Evaluations for Locating a High-Energy Physics Lab in Texas, The Institute of Management Sciences (1986)
• Allen, R., Athanassopoulos, A., Dyson, R. G., Thanassoulis, E.: Weights restrictions and value judgements in Data Envelopment Analysis: Evolution, development and future directions, Annals of Operations Research 73 (1997)