R. González Moyano, J. Aparicio Baeza, V. J. España Roch, J. L. Zofio Prieto
En las últimas décadas, el análisis de eficiencia ha avanzado significativamente, especialmente en la evaluación de unidades de toma de decisiones (DMUs) en sectores como finanzas, salud, educación y manufactura. El Análisis Envolvente de Datos (DEA), un método no paramétrico para medir eficiencia relativa, enfrenta desafíos al modelar relaciones no lineales y manejar incertidumbre. El auge del aprendizaje automático (ML) ofrece una oportunidad para potenciar DEA, mejorando precisión, robustez e interpretabilidad. Nuestro artículo contribuye a este avance con un marco híbrido que integra DEA y técnicas de clasificación basadas en ML, específicamente Redes Neuronales, para un análisis probabilístico de eficiencia. Mostramos las implicaciones prácticas de este enfoque a través de un estudio empírico con datos de SABI (Sistema de Análisis de Balances Ibéricos).
Palabras clave: Análisis Envolvente de Datos, Aprendizaje Automático, Modelos de Clasificación, Redes Neuronales, importancia de las variables
Programado
Análisis Envolvente de Datos
10 de junio de 2025 11:30
Sala 3. Maria Rúbies Garrofé