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。     

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.     

两个新的数据包络分析(DEA)模型的探讨

为了从输入与输出的各分量同时达到最优来评价和优化决策单元,本文在基于多目标规划和分式规划的DEA模型的基础上,给出了基于线性规模的DEA模型,并进行了讨论.     

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。     

基于多目标规划的模糊DEA有效性

传统的DEA模型是通过单目标的线性规划来处理刚性数据，为了更好地评价决策单元的相对有效性问题，在多目标规划的基础上，建立了模糊DEA模型，通过取截集的方法，得到相应的悲观规划和乐观规划，并分别求得与之相应的线性规划(P2)的最优值，由此可以得到更多的关于决策单元的投入和产出情况的信息，还讨论了它们的一些性质，并用数值实例加以说明。     

基于DEA方法的额外资源分配算法

研究基于DEA(数据包络分析)方法的资源分配问题.求解该类问题的难点在于:对于参与分配的决策单元来说,其分得的额外资源数不仅依赖于该决策单元的相对效率值,还依赖于它的规模大小,因此分配权重难以确定.根据输入、输出指标数的分布情况,建立了3种基本模型,分别是单输入单输出、多输入单输出、单输入多输出模型,给出了这3种模型的资源分配权重的确定算法.最后给出实例,并对给出的分配原则的合理性进行了分析讨论.     

输入和输出DEA模型中弱DEA有效与弱Pareto之间的等价性

使用带有三个双变量 0 -1参数的综合 DEA模型 ,讨论了弱 Pareto和输入 DEA模型 (包括 C2 R输入模型、BC2 输入模型、FG输入模型、ST输入模型 )、输出 DEA模型 (包括 C2 R输出模型、BC2 输出模型、FG输出模型、ST输出模型 )之下的弱 DEA有效之间的等价性 .这些结果对于理解和解释输入 DEA模型和输出 DEA模型之下的弱 DEA有效性的概念是很重要的 .     

r-逆DEA问题的一种计算方法

当被评价的决策单元的其输入向量增加后,其效率指数为原来的r倍时,极大化其输出向量,称这一问题是面向输出的r-逆DEA问题,它是通常的逆DEA问题的推广.通过构建两个特殊的线性规划模型,得到了r-逆DEA问题的一类特殊形式解的求法,并用数值实例加以说明.     

一类基于半自由处置变量的DEA模型

首先基于具有多输入(或输出)的决策单元的实际背景,将输入(或输出)变量区分为自由处置变量、非自由处置变量和半自由处置变量,并建立新DEA模型.新DEA模型既考虑被评决策单元在进行效率评价时,根据自身实际需要对不同输入(或输出)变量进行不同比例的分项控制,又考虑非有效的决策单元在效率改善时,使DEA评价结果形成的建议是切实可行的.最后通过商业银行数据以演示新模型.     

C2R模型的一种新的线性等价形式与强DEA有效

针对C^2R模型下DEA有效决策单元多重性问题，给出C^2R模型一种新的线性等价形式。根据该线性等价形式引入强DEA有效的概念，证明决策单元强DEA有效的一个等价性定理，该定理反映了决策单元强DEA有效的经济含义，指出强DEA有效是对DEA有效概念的精练(改进)。最后定义了多面凸锥的非劣锥极点，用以说明决策单元强DEA有效的几何意义，并给出一个算例。     

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.     

New approach to determine common weights in DEA efficiency evaluation model

Data envelopment analysis (DEA) is a mathematical programming approach to appraise the relative efficiencies of peer decision-making unit (DMU), which is widely used in ranking DMUs. However, almost all DEA-related ranking approaches are based on the self-evaluation efficiencies. In other words, each DMU chooses the weights it prefers to most, so the resulted efficiencies are not suitable to be used as ranking criteria. Therefore this paper proposes a new approach to determine a bundle of common weights in DEA efficiency evaluation model by introducing a multi-objective integer programming. The paper also gives the solving process of this multi-objective integer programming, and the solution is proven a Pareto efficient solution. The solving process ensures that the obtained common weight bundle is acceptable by a great number of DMUs. Finally a numeral example is given to demonstrate the approach.     

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。     

DEA有效的最速性

对非ＤＥＡ有效的决策单元，本文定义了其ＤＥＡ有效的最速性及相关概念，讨论了它的一些性质，给出了计算方法及实例。     

随机DEA模型及其应用

提出了一种新的随机数据包络分析模型 ,给出了评价单元随机 DEA有效的定义和随机 DEA有效的必要条件 .运用随机规划原理 ,可求解随机 DEA问题 .文中主要讨论了评价单元的投入、产出向量呈单因数对称随机分布时的 DEA模型 ,并用案例说明了随机 DEA的应用前景和具体用法.     

支配机会约束DEA模型

基于决策者的偏好结构和决策单元投入产出指标的概率分布,首次提出了一种新的随机数据包络分析模型－支配机会约束DEA模,给出了评价单元随机非支配DEA有效的定义和随机非支配DEA有效的必要条件,讨论了评价单元的投入、产出向量呈单因数对称随机分布时模型的确定性转换,并用算例说明了该随机DEA模型的应用前景和具体用法。     

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.     

DEA扩展有效的鲁棒性

通过给出决策单元为DEA扩展有效的几个等价命题，来研究扩展有效决策单元的鲁棒性。得到了当输入增加或输出减少后，它仍然保持扩展有效性的一些充分必要条件，还给出了保持扩展有效的判断方法和数值实例，而该方法不需要求文献[3]中的最优基矩阵的逆矩阵，也不需要求解文献[5]中的线性方程组。