一种用于科研绩效管理改进型DEA―BCC方法.docVIP

一种用于科研绩效管理的改进型DEA―BCC方法 　　[摘 要] 针对科研绩效管理中存在的实际问题，将核函数映射思想与传统DEA方法中的BCC模型结合，提出一种改进型DEA-BCC方法，以某单位下属科研机构年度科研投入、产出数据为蓝本，建立IDEA-BCC应用模型，通过实验数据证明了该方法的有效性。 　　[关键词] DEA；科研绩效；核函数；科研评估；管理 　　doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 19. 037 　　[中图分类号] F224 [文献标识码] A [文章编号] 1673 - 0194（2017）19- 0090- 03 　　0 引 言 　　数据包络分析（Data Envelopment Analysis， DEA）是以相对效率概念为基础的一种非参统计方法[1]，用于评价具有相同类型的多投入、多产出的决策单元（Decision Making Unit，DMU）是否“技术有效”。其基本思路是把每一个被评价单位作为一个决策单元，再由众多 DMU 构成被评价群体，通过对投入和产出比率的综合分析，以 DMU 的各个投入和产出指标权重为变量进行运算，确定有效生产前沿面（Production Surface），并根据各 DMU 与有效前沿面的距离状况，确定各 DMU 是否对 DEA 有效，以及给出各种意义下的评价指标。DEA客观性强、使用方便，广泛应用于生产[2-3]、金融[4-5]、商业[6-7]、RD[8]等多个领域，都能够很好的进行有效性分析，为决策者提供科学的决策依据。 　　DEA至今已发展出多种模型，最基础的是 CCR 和 BCC 两个模型，本文将核函数映射思想与DEA-BCC模型结合，提出一种改进的DEA-BCC方法，以某单位下属科研机构年度科研投入、产出数据为蓝本，建立IDEA-BCC应用模型，通过实验数据说明了该方法的有效性。 　　1 IDEA-BCC应用模型设计 　　Step1 设有n个决策单元DMUj（j=1，...，n），它们的投入，产出向量分别为： 　　X′j=（x′1j，x′2j，...，x′mj）T0，Yj=（y1j，y2j，...，ysj）T0，j=1，...，n。假设投入、产出的权向量分别为v=（v1，v2，...，vm）T和u=（u1，u2，...，us）T。 　　Step2 将投入向量X′j映射到数据分析空间Xj 　　Xj=Φ（x′ -c）=e 　　c= x′lk 　　σ= 　　Step3 构建BCC模型 　　Maximize =θo 　　subject to ≤1，j=1，2，…，n 　　ur≥0，vi≥0，？坌r，i 　　Step4 利用Charnes-Cooper变换，得到如下的线性规划模型： 　　Maximize μryro-uo 　　subject to ωixio=1 　　μryrj- ωixij-uo≤0，j=1，…，n 　　μr，ωi≥0，r=1，…，s；i=1，…，m 　　Step5 根据线性规划的相关基本理论，可知模型（2）的对偶问题表达形式： 　　Maximize θo-ε si-+ sr+ 　　subject to xijλj+si-=θoxio，i=1，…，m 　　yijλj-sr+=yro，r=1，…，s 　　λj=1 　　λj，si-，sr+≥0，？坌i，j，r 　　其中ε为非阿基米德无穷小量。 　　2 实验和结果分析 　　采用某单位下属5家科研机构（DMU1-DMU5）2012年科研绩效相关数据进行研究，建立科研投入指标体系包括，科研人员数量、科研经费、科研设备、课题数量；科研产出指标体系包括，成果奖项、工作完成分数。经数据标准化后，投入、?a出指标数据经标准化处理后如表1所示。 　　DMU1： 　　DMU1 的总效率θ=1，不必进行调整。 　　DMU2： 　　DMU2的总效率不是“技术有效”的，原因是科研投资参数 Sinv=（0， 8.42， 8.22， 3.83），所以科研人员数量不足，导致其他资源的浪费。 　　提高DMU2效率的方法如下： 　　=θx0-Sinv 　　=0.976×（46，422，28，6）-（0，8.42，8.22，3.83） 　　=（58，420，26，6） 　　=θy0-Sout 　　=0.976×（3，92）+（8.19，4.32） 　　=（11.2，95.86） 　　DMU2的均值应调整为（58， 420， 26， 6），输出可以提高到（11.2， 95.86）。 　　DMU3： 　　DMU3 的总效率θ=1，不须进行调整。 　　DMU4： 　　DMU2的总效率不是“技术有