SFA vs. DEA: Khi nào nên sử dụng Mô hình Biên ngẫu nhiên?

Описание: Mô tả về Stochastic Frontier Models (SFM) và thực hiện trên Stata

Mô hình biên ngẫu nhiên (Stochastic Frontier Models - SFM) là một khung phân tích kinh tế lượng mạnh mẽ dùng để ước lượng biên sản xuất, chi phí hoặc lợi nhuận và đo lường hiệu quả tương đối của các đơn vị kinh tế. Điểm cốt lõi của SFM là cấu trúc sai số hỗn hợp (composed error), phân tách phần dư thành hai thành phần riêng biệt: nhiễu thống kê ngẫu nhiên đối xứng (do sai số đo lường hoặc các cú sốc ngoại sinh) và thành phần phi hiệu quả một phía không âm (đại diện cho sự thất bại trong việc tối ưu hóa). Cách tiếp cận này vượt trội hơn các phương pháp phi tham số (như DEA) ở khả năng tách biệt nhiễu khỏi sự kém hiệu quả, giúp kết quả ước lượng vững hơn trước các giá trị ngoại lai.

Trong Stata, quy trình thực hiện SFM thường bắt đầu bằng việc chuyển đổi biến phụ thuộc và các biến đầu vào sang dạng logarit tự nhiên. Với dữ liệu chéo, lệnh frontier cho phép lựa chọn các phân phối của phần phi hiệu quả như nửa chuẩn (half-normal), chuẩn bị cắt cụt (truncated-normal) hoặc hàm mũ. Đối với dữ liệu mảng, lệnh xtfrontier hỗ trợ ước lượng mô hình hiệu quả không đổi hoặc thay đổi theo thời gian. Đặc biệt, các gói lệnh mở rộng như sfcross và sfpanel cung cấp các công cụ tiên tiến để xử lý tính không đồng nhất quan sát được thông qua các mô hình "true fixed/random effects". Sau khi hồi quy, nhà nghiên cứu sử dụng lệnh predict để trích xuất chỉ số hiệu quả kỹ thuật cho từng đơn vị.

Làm sao để chọn giữa phân phối half-normal và truncated-normal?

Việc lựa chọn giữa phân phối half-normal và truncated-normal trong mô hình biên ngẫu nhiên phụ thuộc vào giả định kinh tế về mức độ hiệu quả và các kiểm định thống kê cụ thể. Về mặt lý thuyết, phân phối half-normal là một trường hợp đặc biệt của truncated-normal với giả định tham số trung bình (mu) của phần phi hiệu quả bằng không. Điều này hàm ý rằng xác suất cao nhất tập trung tại điểm hiệu quả tuyệt đối, tức là phần lớn các doanh nghiệp đang hoạt động gần mức tối ưu. Giả định này phù hợp với các thị trường cạnh tranh gay gắt, nơi các doanh nghiệp kém hiệu quả bị đào thải nhanh chóng.

Ngược lại, phân phối truncated-normal linh hoạt hơn vì cho phép đỉnh của phân phối (mode) khác không. Cấu trúc này phù hợp khi đa số doanh nghiệp trong mẫu có xu hướng hoạt động kém hiệu quả, thường thấy ở các ngành mới cổ phần hóa, khu vực công, hoặc thị trường có rào cản gia nhập cao. Về mặt thực hành trên Stata, cách tiếp cận chuẩn mực là ước lượng mô hình tổng quát truncated-normal trước. Sau đó, nhà nghiên cứu kiểm tra ý nghĩa thống kê của tham số mu hoặc thực hiện kiểm định tỷ số log-likelihood (Likelihood Ratio test). Nếu tham số mu không có ý nghĩa thống kê hoặc kiểm định không bác bỏ giả thuyết mu bằng 0, mô hình half-normal nên được chọn vì tính tinh giản; ngược lại, truncated-normal sẽ phản ánh dữ liệu chính xác hơn.

Lệnh sfcross và sfpanel khác lệnh frontier cơ bản như thế nào?

Lệnh frontier là lệnh chính thức của Stata dành cho dữ liệu chéo, hỗ trợ các phân phối cơ bản của phần phi hiệu quả như nửa chuẩn (half-normal), hàm mũ (exponential) và chuẩn bị cắt cụt (truncated-normal). Tuy nhiên, sfcross và sfpanel là các gói lệnh mở rộng do người dùng phát triển (user-written commands) mang lại sự linh hoạt và nhiều tính năng nâng cao hơn.

Cụ thể, sfcross mở rộng khả năng của frontier bằng cách bổ sung phân phối Normal-Gamma (ước lượng qua mô phỏng) và cho phép ước lượng mô hình của Wang (2002), trong đó cả trung bình và phương sai của phần phi hiệu quả đều có thể phụ thuộc vào các biến ngoại sinh. Ngoài ra, sfcross còn hỗ trợ xử lý các đặc điểm dữ liệu khảo sát phức tạp mà frontier cơ bản chưa hỗ trợ.

Sự khác biệt lớn nhất nằm ở phân tích dữ liệu mảng. Trong khi lệnh gốc xtfrontier bị giới hạn ở các mô hình hiệu quả không đổi theo thời gian hoặc mô hình time-decay của Battese và Coelli, thì sfpanel cho phép ước lượng một dải mô hình rộng hơn nhiều. Điểm nổi bật của sfpanel là khả năng ước lượng các mô hình "True Fixed Effects" và "True Random Effects" của Greene (2005), giúp tách biệt tính không đồng nhất quan sát được (unobserved heterogeneity) khỏi sự phi hiệu quả kỹ thuật thay đổi theo thời gian. Bên cạnh đó, sfpanel còn hỗ trợ các mô hình linh hoạt của Cornwell et al. (1990) và Lee & Schmidt (1993).