초록
비모수적인 효율성 분석기법인 자료봉합분석(Data Envelopment Analysis) 은 현재 학교, 은행, 병원 등 여러 분야에서 각 조직의 효율성을 평가하는데 응용되고 있다. 그러나, 방법론 적용에 있어 상대적으로 비효율적인 의사결정단위의 참조집합이 1개 이상의 효율적인 의사결정단위로 구성되어 있어, 어느 방향으로 개선해야 할지 가이드라인을 제공하지 못하고 또한 효율성 크기에 따라, 비효율적인 의사결정단위의 단계적인 개선 방향을 제공하지 못한다는 불편한 점이 있다. 따라서, 본 연구에서는 이와 같은 불편한 점을 보완하기 위한 자료봉합분석과 기계학습을 이용한 하이브리드 방법론을 개발하고, 이를 국내 29개 생명보험사에 적용하여 타당성을 검증하였다.
Data Envelopment Analysis(DEA), a non-parametric productivity analysis tool, has become an accepted approach for assessing efficiency in a wide range of fields. Despite of its extensive applications and merits, some features of DEA remain bothersome. DEA offers no guideline about to which direction relatively inefficient DMUs improve since a reference set of an inefficient DMU, several efficient DMUs, hardly provides a stepwise path for improving the efficiency of the inefficient DMU. In this paper, we aim to show that DEA can be used to evaluate the efficiency of life insurance companies while overcoming its limitation with the aids of machine learning methods.