基于C2W模型的广义数据包络分析方法研究

如果将评价的参照集分成"决策单元集"和"非决策单元集"两类,那么传统的DEA方法只能给出相对于决策单元集的信息,而无法依据任何非决策单元集进行评价,这使得DEA方法在众多评价问题中的应用受到限制.针对传统数据包络分析方法无法依据指定参考集提供评价信息的弱点,给出了包含无穷多个样本单元的广义数据包络分析模型(Sam-C²W)和相应的Sam-DEA有效性概念.分析了(Sam-C²W)模型的性质以及它与传统DEA模型之间的关系,探讨了(Sam-C²W)模型刻画的Sam-DEA有效性与相应的多目标规划Pareto有效解之间的关系.进而,分析了决策单元在样本可能集中的分布特征、投影性质和模型含义等问题,(Sam-C²W)模型不仅具有传统C²W模型的全部性质,而且还能依据任意指定的参考单元集进行评价.     

基于多目标规划的扩展DEA有效性分析

为避免传统的DEA模型在评价决策单元的相对有效性存在的局限,建立了多目标规划的DEA模型(MP),讨论了MP的一些性质。在此基础上给出了关于决策单元的扩展DEA有效性的几个等价命题,并对决策单元扩展有效的灵敏度进行了讨论。     

基于C2W模型的广义数据包络分析方法

传统数据包络分析（data envelopment analysis，DEA）方法的参照系为决策单元全体，而许多实际问题的参照系可能会有多种形式，因此用传统DEA方法评价该类问题时遇到困难，广义DEA方法在评价该类问题时则存在一定的优势. 为了进一步完善广义DEA方法的理论体系，给出基于C²W模型的输出型广义DEA模型. 讨论基于C²W模型的输入型和输出型广义DEA模型中决策单元的Sam-DEA_d有效性的判别条件，广义DEA模型与传统DEA模型之间的关系，Sam-DEA_d有效性与相应的多目标规划的Pareto有效之间的关系，决策单元的投影性质，利用样本前沿面的d移动对决策单元进行有效性排序.     

带有偏好锥的样本数据包络分析方法研究

针对传统数据包络分析方法无法依据确定参考面提供评价信息的弱点,给出了带有偏好锥的样本数据包络分析模型(PSam-C2WH)和相应的SCDEA有效性及弱有效性概念。分析了(PSam-C2WH)模型的性质以及它与传统DEA模型之间的关系,探讨了(PSam-C2WH)模型刻画的SCDEA有效性及弱有效性与相应的多目标规划非支配解之间的关系。进而,分析了决策单元在样本可能集中的分布特征、投影性质和模型含义等问题。     

广义参考集DEA模型及其相关性质

由于传统数据包络分析（data envelopment analysis, DEA)方法的“评价参照系”是有效决策单元,即传统DEA方法只能获得和有效决策单元比较的信息,而实际上人们需要比较的对象不仅仅限于“优秀单元”,还可能是“一般单元”（如录取线）、“较差单元”（如可容忍的底线）或者某种特殊单元（如选定的样板、标准或某些特定对象）,而传统DEA方法无法评价这些问题。为此,给出一种适用于上述所有情况的广义DEA方法,并探讨其相关性质,主要包括基本的广义参考集DEA模型和广义DEA有效性概念;广义DEA有效性含义和广义DEA有效性的判断方法;广义参考集DEA方法与传统DEA方法的区别与联系。     

基于C2WY模型的广义数据包络分析方法

如果将评价的参照集分成"决策单元集"和"非决策单元集"两类,那么传统的DEA方法只能给出相对于决策单元集的信息,而无法依据任何非决策单元集进行评价,这使得DEA方法在众多评价问题中的应用受到限制.针对传统数据包络分析方法无法依据指定参考集提供评价信息的弱点,给出了综合的广义数据包络分析模型(Sam-C2WY)和相应的S...     

多层次复杂系统的资源优化配置方法

数据包络分析(data envelopment analysis,DEA)是一种重要的效率评价方法,特别适合复杂系统的评价问题.但由于复杂系统指标体系的复杂性使得DEA方法在评价复杂系统效率问题时也遇到了一些无法回避的困难,主要表现在评价结果过于强调次要指标的作用、常常出现多数单元有效、对投影的要求过于苛刻、指标集成后无法找到针对原始指标的改进信息等.为了解决上述问题,给出了一种用于复杂系统评价的数据包络分析模型,并对相应的DEA有效性含义、模型性质以及模型的求解方法等进行了探讨.通过实例比较可以看出,本文方法不仅具有传统DEA方法的优点,而且还很好地克服了上述缺点.     

基于VRS的SE-DEA模型可行性的研究

通过一种改进的DEA模型——SE-DEA模型可以对决策单元进行充分比较和排序，但在可变规模收益(VRS)条件下，这种模型可能不存在可行解，定义了超有效和强超有效决策单元，对基于VRS的SE-DEA模型的可行性进行了研究，证明了评价某决策单元的SE-DEA(VRS)模型是不可行的充分必要条件是该决策单元为超有效，给出了用SE-DEA(VRS)模型对决策单元进行评价与排序的方法步骤，将决策单元按强超有效、超有效、一般有效和非有效进行排序，最后将这些理论与方法应用于评价产业经济相对有效性的实际。     

混合规模收益类型决策单元的有效性评价方法

DEA方法要求被评价单元属于同类单元,其生产活动必须满足同样的规模收益类型.然而,现实中有些被评价决策单元的生产活动却可能服从不同的规模收益规律,原有的DEA方法并不能评价该类问题.为此,首先给出生产活动满足混合规模收益类型决策单元的有效性度量方法及相应的数学模型.然后,讨论了模型的相关性质.最后,应用该方法分析了某高校教师工作绩效评价问题.通过对比分析发现,本文方法在分析混合规模收益类型决策单元有效性方面具有一定优势.     

综合网络DEA模型有效性理论分析

针对综合DEA模型无法反映系统内部子过程的相互作用对绩效的影响,提出一种综合网络DEA模型,并给出该混合模型的相关定义及定理,得到综合网络DEA模型由参数取值不同,各(弱)网络DEA有效性间的关系;指出了综合网络DEA有效的决策单元,也为评价决策单元总体有效性的综合DEA有效,同时该单元内部子过程也均为综合DEA有效;证明决策单元为(弱)综合网络DEA有效时,评价决策单元总体有效性的综合DEA最优解与相应综合多目标规划的(弱)Pareto解之间的对应关系。这些结果进一步丰富了DEA有效性理论。     

有效区分决策单元的数据包络分析方法

针对传统数据包络分析模型不能区分有效决策单元以及不同决策单元的效率缺乏可比性问题,引入最优和最差两个虚拟决策单元,提出一种有效区分决策单元的DEA模型.该方法借助两个虚拟决策单元,建立模型,求出一组公共权重,并以此为基准计算每个决策单元的效率指数,实现决策单元的排序.通过实例,与其它方法比较,验证该方法在区分决策单元方面更有效.     

测算投入-产出型技术效率的DEA模型

探讨了先前 DEA研究中所存在的不足 ,如在决策单元的技术效率的测算中 ,投入型与产出型所测算的技术效率在数值上就存在差别 .这不仅会影响对决策单元技术效率的实际分析 ,而且对非有效决策单元的排序也有影响 .本文提出了同时基于投入和产出测算决策单元技术效率的 DEA模型 ,并讨论了模型求解、技术有效决策单元的识别和非有效决策单元的改进等问题.     

区间数据包络分析的决策单元评价

定义了区间数据包络分析(DEA)模型。讨论了DMU的最高效率值和最低效率值的求解,从而确定决策单元(DMU)的区间效率值,并依此对DMU进行分类。建立了一个后区间DEA模型,在此基础上定义评价DMU保持其最高效率值的稳定性的指标,实现了对DMU的进一步评价。     

基于多目标规划的DEA

单目标的传统ＤＥＡ只能从投入或产出角度测算决策单元的相对最高效率。本文将提出基于多目标的扩展ＤＥＡ，从而可通过投入及产出来测算决策单元相对的平均效率、最高效率及最低效率并研究其相对有效性.     

一种DEA效率概率占优方法研究

决策单元间的效率关系研究是效率研究中的重要领域.传统DEA模型通过计算决策单元各自最优权重情景下的效率最大值,来判断决策单元间的效率排序关系.而这种最优权重往往是极端权重,没有考虑其它权重情景.采用其它权重时,决策单元的效率值和排序往往会发生较大的变化.本文考虑了所有权重情景,提出了DEA效率概率占优模型,定义了决策单元的占优效率概率和被占优效率概率.该模型能够判断任意两个决策单元的效率概率占优关系;并将效率概率占优关系从两个决策单元扩展到决策单元与决策单元集.最后将其应用于决策单元效率排序.通过实证分析发现了两条重要结论:1)考虑所有权重情景的排序与采用极端权重的CCR效率值排序不一致;2)考虑所有权重情景时,一些无效单元的效率排序比有效单元的效率排序更高.     

基于虚拟包络面和TOPSIS的DEA排序方法

传统的DEA模型将决策单元简单地分为DEA有效或DEA无效两大类, 无法实现决策单元的完全排序. 为实现决策单元完全、合理的排序, 文献中出现多种DEA排序方法. 文章在文献总结的基础上, 对现有DEA排序方法的局限性进行了详细的探讨; 基于实际评价的决策单元, 提出了一种虚拟前沿面的DEA方法, 并给出了基于最优虚拟前沿面和最劣虚拟前沿面的效率评价模型; 然后基于TOPSIS排序思想, 构造了基于最优虚拟前沿面理想决策单元和基于最劣虚拟前沿面的负理想决策单元, 提出了一种集成的DEA排序方法. 该方法同时考虑决策单元的最优和最劣权重体系, 兼顾所有决策单元的效率信息, 能够获得较为合理的排序结果. 算例分析验证了所提出的方法的合理性和优越性.     

区间DEA的一种改进的充分排序方法

区间DEA中决策制定单元（DMU）的效率值是一个区间数，传统的区间DEA研究只能以区间效率值将DMU分为有效、部分有效和无效三类，而对区间DEA中DMU的排序研究较少。本文以两个区间数大小的可能度为基础，并且考虑了区间数退化为实数的情况。通过排序向量从而对输入输出中含有区间数的决策单元进行排序，通过将超效率DEA模型进行区间扩展，从而对同为有效的DMU进行排序，以迭到对所有的DMU进行充分排序的目的。最后给出了一个算例。     

基于误差传递和熵的区间DEA方法

传统的DEA(data envelopment analysis)模型只能用来处理精确数据,而在现实生活中,由于统计误差、信息不完全等原因,获取精确数据十分困难,数据往往只能以区间数的形式给出.因此,如何在不确定条件下利用DEA方法评价决策单元的相对效率一直是DEA理论的研究前沿.针对这一问题,文章在DEA传统模型的基础上,利用改进的交叉效率思想,使用误差传递和熵处理区间数据,求得每个决策单元全局交叉效率的误差分布形式(中点值和误差最大估计值),然后根据全局交叉效率,使用有向距离指数给决策单元排序.最后通过两个算例来说明本文提出的方法的可行性和有效性.     

不同决策环境下的区间属性决策单元效率全排序

建立了不同决策环境下区间属性决策单元效率全排序方法.本文结合超效率思想把不确定性的区间数据包络模型转化成一对确定性的超效率数据包络模型,以获得不存在效率拥挤的起效率区同;然后,根据不同决策环境的需要,分别借助赫威斯决策准则和区间数比较的可能度理论,建立了可供选择的决策单元区间效率水平的全排序方法.最后通过两个典型实例说明本文方法的优越性.