基于灰色DEA模型的河南省科技创新投入产出效率研究

构建了科技创新投入产出效率评价指标体系,为减弱不确定性因素对实验结果的影响,提高测算结果的精确度,将灰色理论与DEA模型相结合,运用灰色DEA模型对河南省18地市2011—2015年科技创新效率进行测算.结果表明,河南省各地市科技创新效率处于中等水平,开封等6地市的效率达到相对最优,其他各地市均存在资源闲置和产出不足情况.根据测算结果并结合实际情况,提出了优化创新氛围,建立长效机制,促进科技创新链和创新成果产业链有效结合等建议.     

数据包络分析模型评述与分类

DEA模型具有种类繁多、应用领域广泛的特点,对近三十年来DEA模型方面的主要研究成果进行了综述,对常用的DEA模型进行了系统地分析和归纳,阐述了各类模型的特点和适用范围.     

一种求解DEA决策单元有效性的算法

为了降低求解DEA模型决策单元有效性的误差及简化求解DEA模型决策单元有效性运算,在传统DEA模型线性规划的基础上,首先,消除了传统DEA模型线性规划中的非阿基米德无穷小,将传统DEA模型的线性规划转化为无非阿基米德无穷小的线性规划.其次,引入Poset集合,将无非阿基米德无穷小的线性规划转化为简约线性规划.最后给出一个数值实例,用新算法对实例进行计算.结果表明,新算法消除了非阿基米德无穷小,能够降低计算误差,而引入Poset集合降低了DEA模型的运算次数.     

辽宁老工业基地信息产业与先进制造业关联度分析

当前辽宁老工业基地处于新型工业化建设的关键时期,信息产业与先进制造业的融合互动对于制造业的发展甚至对于辽宁老工业基地的转型升级具有重大的导向作用和推动作用,因此,研究信息产业与先进制造业之间的关联性具有重要的现实意义。本文为了克服属性权重难以客观确定的问题以及灰色关联分析的权重系数均一化计算问题,构建了超效率DEA—灰色关联模型。用这一模型对辽宁省进行实证分析,并与经典灰色关联模型的分析结果进行比较,结果证明超效率DEA—灰色关联模型有效。[1]最后,针对辽宁省提升先进制造业的信息化水平,促进信息产业与先进制造业的关联互动发展提出相应的建议。     

基于AHP-DEA的中小企业低碳运营绩效评价指标体系研究

以中小企业为研究对象,根据低碳型企业内涵,将企业经济效益与环境效益密切结合,构建了一套包含经济、技术、能源、设施、环境五个维度的中小企业低碳运营绩效评价指标体系.通过建立AHP模型计算出AHP指标权重以及通过建立DEA模型计算出DEA指标权重,在此基础上建立基于AHP-DEA的灰色关联评价模型,进而对五家具有代表性的中小企业低碳运营绩效进行了评估.对五家企业的低碳运营绩效排名以及各指标评分所反映出的问题,提出相应的改进意见.     

区间超效率DEA模型及其应用

将一种改进的DEA模型-超效率DEA(SE-DEA)模型[1]拓展到区间投入产出情形,得到区间SE-DEA模型.基于此给出了求解每个DMU的区间超效率值的上限和下限的确定型DEA模型.该区间超效率值较传统的区间DEA模型更具区别性,能对所有DMU进行充分排序.在此基础上,将所有DMU分为三类.最后给出区间SE-DEA模型在建筑业效率评估中的应用算例分析.     

基于DEA与灰色关联模型的河南省物流效率评价研究

以河南省18地市为对象,研究物流业资源配置效率并分析对资源配置效率影响较大的投入或产出指标,为未来河南省物流业的良好发展提供决策支持.首先,运用DEA模型对河南省2011—2017年物流业相关数据进行分析评价.然后运用灰色综合关联分析法,找出对河南省物流效率影响较大的指标.结果表明,豫中和豫北地区资源配置效率相对较高,豫南和豫西等地资源配置效率较低,存在资源浪费等情况.货运总量和等级公路里程对河南省物流投入产出效率具有较大的影响作用.     

广义区间DEA模型及其有效性研究

根据样本单元和待评价决策单元的区间投入、区间产出定义最大广义生产可能集,建立基于最大广义生产可能集的广义区间DEA模型,然后定义了待评价决策单元基于广义区间DEA模型的区间效率,并对待评价决策单元进行了有效性分类,最后通过实例表明了广义区间DEA模型的实用性.     

矩阵型网络DEA模型解的存在性及其性质

通过建立矩阵型网络DEA模型解决了矩阵型网络结构的相对有效性评价问题. 证明了新模型解的存在性, 并讨论了决策单元弱DEA有效与相应多目标规划弱Pareto解的关系. 结果表明, 新模型在矩阵型网络结构相对有效性评价方面可行、 有效.     

基于DEA算法的科研项目评审方法应用研究

提出了一种基于DEA算法的科研项目评审方法.根据DEA的C2R模型建立了科研项目评审模型,并将模型应用于科研项目评审工作中,结果证明评审方法和结果更加科学、公正.     

一个判断决策单元有效性的算法

数据包络分析方法(DEA)是一种重要的效率评价方法,它已经被广泛应用于经济和管理的众多学科.而正确、高效的软件系统则是实现DEA方法应用的基本前提和重要保障.因此,首先分析了应用线性规划软件求解DEA模型存在的问题和开发DEA专用软件的必要性.然后,给出了判断DEA有效性的方法和求解步骤.最后,给出了判断DEA有效性的算法及其流程.     

物流联盟伙伴选择模糊优化研究

运用AHP,DEA和模糊规划的方法研究如何选择物流联盟伙伴组建供应链。首先应用AHP方法结合DEA方法对供应链各环节的不同企业进行有效评价,然后根据评价结果初选出少量企业,最后以最小化供应链物流总成本和总运作时间为目标,应用模糊规划选出各环节最佳物流企业组建供应链。应用本方法选择物流企业联盟伙伴可以有效降低供应链作业时间和作业成本。     

决策单元取数一致准则下的灰区间DEA效率研究

当决策群体的输入输出变量为区间灰数时,假设各决策单元在同一指标下的灰区间变量取数一致。基于取数一致灰数大小比较的相关结论,建立了求解DEA效率区间上、下界的线性规划方程。灰区间DEA效率求解方法有两个优点:一方面,取数一致的假设体现了被评价决策单元和参考决策单元的竞争公平性;另一方面,求得的DEA效率区间长度较小,不确定性低,提高了信息不完全条件下采用灰区间DEA模型对决策单元进行有效性评价和效率评估时的分辨力。     

Stochastic DEA model with undesirable outputs: An application to the prediction of anti-HIV therapy efficiency

This paper proposes a stochastic prediction DEA model with undesirable outputs and simplifies the process using chance-constrained techniques in order to obtain an equivalent linear programming formulation. The existence and stability of the optimal solutions have been proved. And the model is used to describe and predict the efficiency of anti-HIV therapy in AIDS patients.     

数据包络分析(DEA)模型及其在绩效评价中的应用综述

近年出现很多新的生产绩效评价方法,大多考虑到评估系统的整体性,从而克服了单纯依靠财务指标评价的很多弱点.然而,随之而来的是评价过程和指标系统的复杂化,以及实施成本大大增加.数据包络分析(Data Envelopment Analysis,DEA)是一种基于线性规划理论的模型,它将多输入指标和多输出指标综合成为单个评价指标.同时,该模型形成一个优化的效率前沿面,为评价者提供了提高绩效的目标,旨在综述数据包络分析模型的发展及其在绩效评价中的应用案例,以此作为论证,将DEA有效地引入制造企业生产管理过程中的可行性的理论准备,用以指导数据包络分析方法在制造生产领域的实际实施.     

上海市基础设施投入产出效率分析

数据包络分析(DEA)是一种评价相对有效性的线性规划方法,在投入-产出效率分析中被广泛应用,尤其适用于具有多输入、多输出以及评估对象多元性等特征的资源配置评估中。对DEA方法在基础设施投入产出效率评价中的应用进行了阐述,并利用数据包络分析方法,对上海市主要年份基础设施投入产出相对有效性进行了评价,对决策单元的结果进行了分析评价,提供了有效决策信息。     

DEA方法在企业经营绩效评价中的应用

一、引言经营绩效(即经济效益)是企业谋求生存和发展的核心问题。科学评价企业经营绩效不仅有利于给企业提供改进工作的管理信息和决策依据,而且有助于上级公司对下属企业进行客观、公正的考核。因此,有效而客观的评价方法就成为企业经营绩效评价的关键因素。DEA是Date Envelop     

一种特殊结构的DEA模型

根据锥比率的Ｃ２ＷＨ模型推导出一种体现偏好结构的ＤＥＡ模型，同时给出了这种情形下偏好对有效性影响的结果，并用具体例子加以说明．     

Analysis of regulatory architectures in BST

Based on the data envelopment analysis (DEA) theory, the optimal pathway of metabolic reaction networks in biochemical systems is studied. After calculating the mixed-integer linear programming (MILP) model given by Bailey et al. twice, the decision making units (DMU) and the prediction model of DEA are constructed, where the inputs are levels of manipulated parameters (enzyme) and outputs are concentrations of metabolites. When the metabolic networks are reconstructed, the data are obtained by calculating MILP framework twice and the optimal levels of the manipulated parameter at different regular loops are predicted, thus simplifying the calculations of Bailey's.