论文部分内容阅读
数据包络分析(DEA)已被公认为一种用于评估决策单元(DMU)在多个领域的效率有效方法。最初,研究人员使用各种经济方法对绩效或效率进行了评估,但在衡量服务业和公共部门或非营利组织的效率和生产率方面,这些方法都没有令人满意。目前,研究人员提出大量的基于DEA的模型和应用。这些DEA方法在多个过程中使用DMU来评估各个单位,如国家,大学,医院,地区,城市和商业组织的绩效。在体育行业,DEA最近已被应用于衡量团队和球员的效率。开发并应用了几种DEA模型来评估体育产业的表现。 篮球是一种战术游戏。根据球队需求和球员的优势雇佣球员。大多数球员在比赛进行过程中总是尽力为自己的比赛和专业球员做出贡献。然而,考虑到他们在比赛中表现的技术效率最高的篮球运动员尚未得到认可。在像NBA这样的应用中,我们使用具有输出方向的黑盒子DEA模型(将)历史上NBA领导者的效率分解为纯技术和规模效率。这些模型用于评估NBA历史领导者的技术和规模效率(N=1160)。在所有三种效率中,平均规模效率(0.9326)最高,即技术效率(0.8360)和纯技术效率(0.8955)。结果表明,81名球员的规模效率(SE=1),而21%的球员具有高规模效率得分。还观察到大多数球员被置于高效率得分区间。与技术和纯技术效率相比,规模效率的得分规定了球员之间的稳定性和高度竞争。结果还证实,在规模效率的情况下,参与者的比例是最大的。此外,还提出了低效DMU的输出预测。本研究分析了效率和效率前治预测的重要结果。DEA的这一特性有助于未来对低效率玩家的预测。 传统的数据包络分析(DEA)模型仅考虑提供给系统的输入和系统在测量效率时产生的输出,忽略了所研究的DMU的内部过程和设置。由此获得的结果有时是模糊的。低效DMU的问题非常令人担忧,尤其是哪些方面会导致效率低下。可以通过分解整体效率来识别低效率的来源。效率分解使决策者能够识别导致系统效率低下的原因,并有效地提高系统的性能。与这些观点一致,我们在文中提出了并行DEA模型的效率分解。 继续我们的工作,体育运动员的表现被认为是球员薪水的重要因素。在这项研究工作中,采用了多种DEA模型(不同版本和形式)的系统应用。我们引入了研究球员的薪水和效率之间的关系一个框架,因为NBA已经成为世界上收入最高的职业体育联盟之一。体育行业参与者的工资是任何游戏中有效表现的重要决定因素。关于薪酬决定因素的重要变量的实证文献在体育产业尤其是NBA中是不足的。 这些方法被用于估计国家篮球协会(NBA)球员的效率。首先,我们提出了国家篮球协会(NBA)比赛非同质并行网络的数据包络分析(DEA)模型。为了概述薪水与球员效率之间的关系,我们(将)提出的方法应用干2005-2016赛季NBA球员的面板数据集。 确定最有可能促成NBA球员效率和表现的变量也是本研究的贡献。每个玩家消耗在两个并行子系统中作为共享输入的分钟,即进攻和防守游戏。效率被分解为两个子系统。评估NBA球员的进攻和防守效率的整体效率。此外,还测量了每个子系统的效率的最大值和最小值。此外,证明了当且仅当每个子系统都有效时,这两个效率值(最大值和最小值)是相同的。 结果表明,在过去十年中,所有参与者的总体平均效率较低(0.57%)。我们的研究结果表明,总体而言,整体效率存在增加趋势,而进攻性和防御性效率则呈现混合趋势。此外,发现所有三种效率都与薪水有显着关联。标准化系数表明,进攻效率对薪水有正面影响,而防守效率与薪水负相关,被认为是最不重要的类型。 此外,我们通过仅考虑总体效率高于平均值(0.57%)的球员来估算薪水对三种效率(整体,进攻和防守)的影响。只有攻击性和防御性效率与薪水显着相关。有趣的是,与进攻效率相比,防守效率起着最重要的作用。球员的防守效率只与薪水和薪水之间的关系有关,而防守效率仍然非常显着。近年来,公共政策研究中出现了一些与体育有关的突出主题,特别是球员的工资和表现。决策者必须解决几个问题,以满足其组织组件的需求。这项研究工作(将)有助干发展理论基础,不仅为体育管理从业者,也为这些组织和行业提供潜在的好处。