Socialinių inovacijų doktorantūros mokykla

2020-06-30

Sveikiname

sergei-kornilov-disertacijos-ginimas-3623

Sergei Kornilov (Ekonomikos ir verslo fakultetas), 2020 m. birželio 30 d. eksternu apgynusį ekonomikos mokslo krypties (S 004) daktaro disertaciją „Assessing organizational efficiency under macroeconomic uncertainty in decision support systems: ensemble methods in machine learning with two-stage nonparametric efficiency models“ (liet. k. „Sistemų, padedančių priimti sprendimus, organizacinio efektyvumo vertinimas esant makroekonominiam neapibrėžtumui: apibendrinti mokymosi metodų algoritmai taikant dviejų pakopų neparametrinius efektyvumo modelius“).

SISTEMŲ, PADEDANČIŲ PRIIMTI SPRENDIMUS, ORGANIZACINIO EFEKTYVUMO VERTINIMAS ESANT MAKROEKONOMINIAM NEAPIBRĖŽTUMUI: APIBENDRINTI MOKYMOSI METODŲ ALGORITMAI TAIKANT DVIEJŲ PAKOPŲ NEPARAMETRINIUS EFEKTYVUMO MODELIUS

Šiuolaikinė aplinka, kurioje mes visi gyvename, laikui bėgant nuolat keičiasi. Tiek žiniasklaidoje, tiek moksle yra duomenų, kad šiuolaikinei ekonominei aplinkai būdingas didėjantis informacijos srautas, renkamas sprendimų priėmimo procesui, auganti pasaulinė konkurencija makroekonominiame lygmenyje ir riboti fiziniai ištekliai. Tobulėjant technologijoms, alternatyviosios sąnaudos sparčiai didėja. Taigi efektyvumo vertinimas vaidina didžiulį vaidmenį priimant sprendimus. Daugybė tyrimų rodo, kad efektyvumo analizės vertinimas tapo svarbia operacijų tyrimų, viešosios politikos, energetikos ir aplinkos valdymo bei regionų plėtros tema. Akivaizdžiai pereinama prie intelektualesnių sprendimų palaikymo sistemų, naudojančių daugybę informacijos šaltinių, pradedant finansiniais rodikliais, finansinėmis ataskaitomis ir baigiant matematiniu modeliavimu ir vertinimais. Disertacijoje naudojami tyrimo metodai apima mokslinės literatūros analizę, apibendrinimą ir palyginimą neapibrėžtumui ir efektyvumui apibūdinti. Dėl augančio susidomėjimo mašininio mokymosi metodais ir „BigData“ duomenimis pagrįsti metodai tampa labai svarbūs daugelyje mokslo sričių ir taikyme realiame pasaulyje. Pagrindinis disertacijos tyrimo tikslas yra sukurti neparametrinio efektyvumo vertinimo metodiką, panaudojant ekonomikos mokslo žinias ir mašininio mokymosi algoritmus, kad būtų sukurtas patikimas vertinimo rezultatas.

ASSESSING ORGANIZATIONAL EFFICIENCY UNDER MACROECONOMIC UNCERTAINTY IN DECISION SUPPORT SYSTEMS: ENSEMBLE METHODS IN MACHINE LEARNING WITH TWO-STAGE NONPARAMETRIC EFFICIENCY MODELS

The modern environment, where we all live in, is the subject of constant changes over time. There are evidences both from mass-media and science, that the modern economic setting is characterized by increasing information flow gathered for decision making process, growing global competition on the macroeconomic level and limited physical resources. With developing of technologies, the opportunity cost is getting higher at the explosive scale. Thus, the assessing of effectivity plays enormous role in the decision-making process. The large number of studies shows that assessment of efficiency analysis has become an important topic in operational research, public policy, energy-environment management, and regional development. There is a clear shift to more intelligent decision support systems adopting a wide range of information sources from financial ratios, financial statements to mathematical modeling and evaluations. The research methods used in the study comprise analysis, synthesis and comparison of scientific literature to characterize uncertainty and efficiency. Due to the growing interest in the machine learning techniques and BigData, data-driven approaches are becoming very important in many scientific areas and real-world applications. The main focus of the study is to elaborate approaches to carry out a framework for nonparametric efficiency assessment, which is from one hand is reinforced by economic science and on another hand take advantage of the machine learning algorithms to create plausible estimation result.