資料結構
網路
關係型資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝設計
法學公司效率分析的引數化和非引數化方法
效率分析的引數化方法與非引數化方法
效率測量的引數化方法和非引數化方法在過去十年中獲得了顯著發展。然而，選擇哪種效率管理方法一直是一個長期爭論的問題。引數化方法的優點是不受效率低下隨機噪聲的影響。然而，將真正的噪聲與過程分離可能是一個限制性的過程。
非引數化方法的優點是可以證明其公理特性。它也沒有引數化方法那樣多的限制性屬性。然而，非引數化方法不能區分真正的低效率和統計噪聲。因此，與引數化方法一樣，它也既有優點也有缺點。
與引數化方法相比，效率分析的非引數化方法基於這樣一個假設：效率是透過吸收最有效決策單元(DMU)和/或基準的經驗結果而產生的。
效率分析的非引數化方法的一些優點如下：
計算更容易估計
資料可以是定性格式，不需要是定量資料
資料可以是序數排序
該方法不像引數效率分析那樣有許多限制。
然而，效率分析的非引數化方法存在缺陷，因為它並非依賴於所有獲得的資料作為參考，它們沒有使用樣本中的所有資訊。
效率分析的引數化方法的性質和型別
引數效率技術可以分為三大類，所有這些都需要選擇性函式形式來獲得成本利潤邊界。
這些是：
無分佈方法 (DFA)
隨機前沿方法 (SFA)，以及
厚前沿方法 (TFA)。
在引數效率分析中，生產函式由一組解釋變數定義。迴歸的複合誤差項和低效率項的兩個組成部分也用於分析。
無分佈方法 (DFA)
無分佈方法用於面板資料，也用於放寬複合誤差項的分佈假設。
在這裡，核心低效率與任何隨機誤差區分開來，假設核心低效率隨著時間的推移而持續存在，而隨機誤差往往隨著時間的推移而變得司空見慣。
隨機前沿方法 (SFA)
隨機前沿方法處理來自生產函式的偏差，該偏差包括隨機誤差和低效率。這就是為什麼隨機前沿方法具有誤差的雙側分佈和低效率的單側分佈。
厚前沿方法 (TFA)
厚前沿方法不對複合誤差項施加限制，但它認為最高和最低效率四分位數的低效率是不同的。厚前沿方法還假設隨機誤差在這兩個四分位數中。
所有這些方法都存在潛在的規範錯誤，因為指定的成本利潤是其真實對應物的近似值。
效率分析的非引數化方法的性質和型別
非引數效率分析有兩種方法。它們如下：
資料包絡分析 (DEA) 和
自由處理包絡 (FDH) 方法。
資料包絡分析 (DEA)
資料包絡分析的開發是為了衡量各種非營利組織的績效。這些組織對傳統的績效計算技術具有很強的抵抗力。這是因為這些組織的投入和產出複雜且往往未知，並且必須考慮不可比的專案才能全面瞭解運營效率狀況。
在 DEA 的情況下，價格細節往往不可用或不可靠。然而，由於私營組織和公共組織的目標之間存在差異，因此檢驗其績效的共同點是技術效率。
DEA 模型是非隨機的，因此非引數效率模型的樣本中存在足夠的噪聲。
自由處理包絡 (FDH) 方法
用於測量效率的自由處理包絡 (FDH) 方法是一種非引數方法，它在很大程度上放寬了資料包絡分析 (DEA) 模型的凸性。它是使用最廣泛的效率測量分析非引數方法。
自由處理包絡法分為兩種型別：*輸入導向模型*和*輸出導向模型*。在保持給定輸出集的同時傾向於最小化輸入的版本稱為輸入導向模型。另一個版本旨在最大化輸出而不需要輸入，稱為輸出導向模型。
自由處理包絡法主要用於獲得農場效率的估計值。它是分析公共部門效率問題的特別有用的工具。此外，FDH 效率分析方法對生產技術的假設最少。
結論
效率分析的引數化方法和非引數化方法都很重要。然而，它們的使用取決於它們的屬性和特性，以便最適合樣本並最謹慎地利用資料。其目的是減少噪聲，並以最少的錯誤獲得最佳結果。
瀏覽量：573
