基于L—R型模糊DEA模型改进.docVIP

基于L—R型模糊DEA模型改进 　　摘要： 本文首先介绍了前人建立的模糊DEA模型，考虑这些模型存在人为提高效率值、未充分利用模糊信息、计算量过大的问题，建立了一个新的L-R DEA模型，该模型基于α-截集的模糊数变换，将指标集分解为多个指标子集，分别对每个子集进行效率计算，最后应用熵值法确定决策单元（DMU）的最终效率值。该方法可以对DMU进行充分排序，扩大了DEA的应用领域。文末通过一算例来说明新模型的有效性。 Abstract： This paper first introduces the fuzzy DEA model which is created by predecessors. Considering the problems of increasing efficiency value， do not make full use of the fuzzy information and having large amount of calculation in these models， this paper sets up a new L-R DEA model of fuzzy transformation based on α-cut sets. The set is decomposed into several subsets indicators and efficiency is calculated separately for each subset， finally it uses entropy method to determine the final efficiency values of decision-making units. A numerical example is given to illustrate the effectiveness of the new model. 关键词： 模糊DEA；截集；区间效率；指标子集；熵权 Key words： fuzzy DEA；cut sets；interval efficiency；index subset；entropy weight 中图分类号：F224 文献标识码：A 文章编号：1006-4311（2013）29-0121-03 0 引言 数据包络分析（DEA）是由Charnes A.等创立的，该方法自被提出以来被广泛应用于生活中各个方面的评价决策[1]。这种方法的优点非常明显，如决策者无需知道评价对象的内部生产结构，数据无需量纲化和排除决策者主观影响等，并在很多科研领域取得成就。传统DEA模型及各种衍生DEA模型如超效率DEA、交叉效率DEA、非期望DEA、SBM-DEA以及分配DEA模型和网络DEA要求决策单元的输入输出数据是准确的。然而在实际生活中，很多情况下指标不能用精确的数字来表示，例如评价一个同学的思想道德水平可以用“优秀、良好、及格、不及格”来表示；评价一个产品的质量用“好、一般、差”来表示。面对以上遇到的情况，如果依然应用传统DEA对决策单元进行效率测度显然会出现问题，甚至有可能失去DEA模型原有的评价功能。针对指标数据不精确问题，相关研究人员考虑将模糊数学理论应用到DEA模型当中，建立了模糊DEA模型、区间DEA模型以及非精确DEA模型。具体采用的方法大概分为截集法、三角模糊数法以及求效率区间法等[2-4]，本文在对前人研究的以上方法和模型做了简要介绍的同时，考虑了这些方法所存在的不足之处，并建立了新的L-R DEA模型。 1 现有L-R模型及缺陷 文献[5]建立了投入型LR-DEA模型，此时决策单元（DMU）的投入产出数据都为L-R型模糊数，模型如下： min θ s.t.∑■■λ■x■？燮θx■ ∑■■λ■■？燮θ■ ∑■■λ■■？燮■ i=1，2，…，m ∑■■λ■y■？叟y■ （1） ∑■■λ■■？叟■ ∑■■λ■■？叟■ r=1，2，…，s λ■？叟0，j=1，2，…，n 其中m为DMU输入指标个数，s为输出指标个数，共有n个决策单元。原始DEA模型的约束条件仅含有模型（1）中∑■■λ■x■？燮θx■和∑■■λ■y■？叟y■（i=1，2，…，m；r=1，2，…，s）。将模型（1）与原始DEA模型进行对比可以发现，当DMU个数n不变的情况下，由于数据变为L-R模糊数导致模型（1）的约束条件个数变为原来的3倍，相当于指标个数扩大到三倍。指标数相对DMU个数变多会使DEA的区分效果减弱，尤其是当n 　　min θ s.t.∑■■λ■■■？燮■■θ ∑■■λ■■■？燮■■θ i=1