基于带有虚拟单元聚类分析的广义DEA方法

广义DEA方法是相对于样本单元对决策单元进行评价,如何选择样本单元对于评价的结果有一定的影响.有时可以选择决策单元集的子集作为样本单元集,这样更容易被决策者所接受.通过构造符合一定条件的虚拟决策单元与所有决策单元一起采取最短距离法进行聚类分析,用包含虚拟决策单元的类作为样本单元集,可以使评价结果与传统DEA方法相比能够进一步体现出相对效率之间的差异.     

带有随机决策单元的广义数据包络分析方法

广义DEA方法是一种相对效率评价方法,解决了决策单元相对于任意参考系(样本单元集)的效率比较问题.在实际中,有时评价标准是确定的,决策单元的生产具有不确定性,有必要在进行生产之前基于确定性样本单元对随机性决策单元进行相对效率评价.为了解决这个问题,研究样本单元为确定值,决策单元为随机变量的广义DEA模型,分别通过期望值和机会约束将随机模型转化为确定性规划,给出决策单元GEDEA有效和GCDEA有效的概念,GEDEA有效与多目标规划Pareto有效关系,以及利用移动因子对决策单元进行有效性排序方法.     

基于C~2R模型的广义链式网络DEA模型

传统网络DEA方法是将传统DEA方法评价过程中的"黑箱"打开,考虑输入到输出的中间环节,对生产过程中的各个环节分别评价。传统网络DEA方法获得的是相对于有效决策单元评价的结果,但有时可能要相对于非有效决策单元或者非决策单元进行评价,传统网络DEA方法无法解决该类问题。为此给出相对于非有效决策单元或者非决策单元进行评价的基于C~2R模型的广义链式网络DEA模型,并探讨相关性质.     

具有阶段最终产出的广义链式网络DEA模型

传统网络DEA方法通过打开生产过程中的"黑箱",考虑生产过程的中间环节,对生产过程进行相对效率评价.但是传统网络DEA方法只能相对于决策单元集而不能相对于非决策单元集进行相对效率评价.给出能够相对于任意参考集对决策单元进行相对效率评价的基于C2R模型的具有阶段最终产出的广义链式网络DEA方法,初步讨论相应性质并进行算例演示.     

数量差异较大决策单元的DEA有效性评价

传统DEA方法基于决策单元集对每个决策单元进行相对效率评价,如果决策单元之间在数量上存在较大差异,评价结果可能不尽合理.为了解决这个问题,首先利用聚类分析按一定标准将决策单元进行分类,然后计算每个决策单元相对其所在类的相对效率,最后根据决策单元集和每个类的数量规模进行赋权,给出决策单元的加权综合效率.     

聚类分析在确定广义DEA方法样本单元集中的应用

利用基于BC~2模型的只有输出的DEA模型(D-BC_O~2)来评价决策单元的有效性时,得到的效率值有时会与定性分析存在一定的差异.为了解决这类问题,引入只有产出的广义DEA模型(DG-BC_O~2),并利用聚类分析方法确定样本单元集,给出(DG_(cluster)模型来评价决策单元的有效性.最后通过2009年中国各省市人均经济发展数据进行演示,说明利用聚类分析方法确定样本单元集具有一定的可行性.     

基于样本评价的广义数据包络分析方法

传统DEA方法是一种依据自评体系评价的方法,而无法自主选择参照系.为了解决DEA方法可以同时依据自评体系和其它参照系进行评价问题,首先给出了广义DEA有效的概念.然后,给出了一类基于样本单元评价的广义数据包络分析模型,包括面向输入的广义DEA模型、面向输出的广义DEA模型以及加性广义DEA模型.最后,分析了上述这些模型与传统DEA模型之间的关系,探讨了广义DEA有效与相应多目标规划Pareto有效之间的关系,并给出了决策单元的投影性质以及决策单元的有效性排序方法.     

广义模糊DEA模型及其有效性研究

考虑到样本单元和待评价决策单元输入输出数据的模糊性,提出了广义模糊DEA模型,利用α-截集,将广义模糊DEA变换成以置信水平α为参数的参数规划,给出了待评价决策单元效率值θ~*的效率区间的计算方法,并在此基础上讨论了θ~*的隶属函数μ_(θ*).     

带有随机样本单元的广义数据包络分析方法

广义数据包络分析(Generalized data envelopment analysis)方法是一种相对效率评价方法,能够获得决策单元相对于样本单元的比较信息.研究了基于随机样本单元对确定性决策单元进行评价的广义DEA模型,利用期望值和机会约束,将其转化为确定性规划.给出了决策单元GEDEA有效和GCDEA有效的概念及其判别,与多目标规划Pareto有效关系,以及利用移动因子进行有效性排序.     

广义超效率区间DEA模型及其有效性研究

根据样本单元的区间投入、区间产出定义最大样本生产可能集,建立基于最大样本生产可能集的广义超效率区间DEA模型,然后定义了待评价决策单元基于广义超效率区间DEA模型的超效率区间,并讨论了待评价决策单元的有效性,最后通过实例表明了广义超效率区间DEA模型的实用性.     

链式网络DEA模型

数据包络分析(DEA)是评价决策单元(DMU)相对有效性的一种工具,现已得到广泛的应用.传统的DEA不考虑系统内部结构,而是将系统作为一个"黑箱"来度量效率.针对多阶段网络结构提出一个新的网络DEA模型—链式网络DEA模型.研究网络决策单元的网络DEA有效性及各个阶段的弱DEA有效性之间的关系,给出了网络DEA有效的充分必要条件.若网络决策单元不是网络DEA有效的,根据模型可以指出系统在哪些阶段是无效的.     

指标可取负值的基于输入与输出的DEA模型

有关基于输入与输出的DEA模型,本文与现有文献的不同之处,一是模型中的评价指标可取负值,二是被评的决策单元可以不是所给的n个决策单元之一,三是模型并非由多目标规划模型推得.此外,给出了有关此模型的三个定理.因此,可知有关此模型的最优解存在的充分条件;在求解此模型后就能在判断决策单元的DEA有效性的同时计算出其相对效率,并能计算出其在DEA相对有效面上的"投影".     

有关判断决策单元的DEA有效性的新方法的探讨

为了判断决策单元是否(弱)DEA有效并克服现有的模型及[1]中模型在解决上述问题时的不足之处,本文将讨论的新模型是由CCR模型与CCGSS模型变来的,且定理的证明不同于[1]．还讨论了文中新模型的最优解的存在性,此外,研究了所有决策单元的输入输出的变化对某决策单元有效性的影响．     

技术有效的决策单元与DEA有效性(C~2GS~2)

对李光金、阎洪先生所定义的技术有效的决策单元,证明了它是DEA有效(C~2GS~2)的,而且讨论了将非有效的决策单元转变为有效.     

The interval efficiency based on the optimistic and pessimistic points of view

Data envelopment analysis (DEA) is a data-oriented approach for evaluating the performances of a set of peer entities called decision-making units (DMUs), whose performance is determined based on multiple measures. The traditional DEA, which is based on the concept of efficiency frontier (output frontier), determines the best efficiency score that can be assigned to each DMU. Based on these scores, DMUs are classified into DEA-efficient (optimistic efficient) or DEA-non-efficient (optimistic non-efficient) units, and the DEA-efficient DMUs determine the efficiency frontier. There is a comparable approach which uses the concept of inefficiency frontier (input frontier) for determining the worst relative efficiency score that can be assigned to each DMU. DMUs on the inefficiency frontier are specified as DEA-inefficient or pessimistic inefficient, and those that do not lie on the inefficient frontier, are declared to be DEA-non-inefficient or pessimistic non-inefficient. In this paper, we argue that both relative efficiencies should be considered simultaneously, and any approach that considers only one of them will be biased. For measuring the overall performance of the DMUs, we propose to integrate both efficiencies in the form of an interval, and we call the proposed DEA models for efficiency measurement the bounded DEA models. In this way, the efficiency interval provides the decision maker with all the possible values of efficiency, which reflect various perspectives. A numerical example is presented to illustrate the application of the proposed DEA models.     

随机逆DEA模型的输出估计研究

逆DEA模型讨论了在保持决策单元的效率指数(即最优值)不变的情况下,当输入水平给定时估计输出值.在逆DEA模型的基础上研究了效率指数提高的输出估计,讨论了带有随机因素的情况,将该问题转化成机会约束的线性规划问题,并用数值算例加以说明.     

混合的DEA模型最优解的存在性

有ｎ个决策单元。设被评价的决策单元可以不是这ｎ个之一,且它们的输入或输出可以取负值,在这样情况下,给出了混合的ＤＥＡ模型存在最优解的必要条件或充分条件