多路径关联DEA模型下的模糊数据效率分析.docVIP

应用数学科学，2009年3月，编号52，2603-2618页 多路径关联DEA模型下的模糊数据效率分析 【摘要】在这篇论文中，我们首先介绍一种用于模糊输入输出的多路径关联DEA模型（MNFDEA），然后我们在严格的限制条件下使用该模型。这种多路径关联DEA的目标函数使用的是向量的距离。因此我们对这一目标函数加以限制。这之后我们使用一种带有特定功能的排序函数将它转化为一种在精确数据条件下使用的多路径关联模型。在论文的最后我们将证明这样一个定理：如果一个DMU在模糊关联模型中是无效率的，那么它在精确输入输出的关联模型中也是无效率的，反之亦然。 【关键词】数据包络分析、多路径关联、模糊输入输出 引言 数据包络分析（DEA）是一种衡量决策单位相对效率的数学规划方法。在DEA模型中我们假设各个决策单位是一致的，但现在我们假定输入和输出可以是不一致的。 在大部分的实际案例中，决策单位或者产出过程自身包含着一些通过关系网络相互关联的子单位。这意味着一个子单位的输出可能是另一个子单位的输入，这些作用与反作用最终形成了系统的最后结果。Fare R所写的Grrosskopf就是基于这一过程。DEA模型的基本模型可以衡量一个决策单位的作用效果。实际上决策单位（DMU）或者产出过程被视为一个黑匣子，DUM并不是评价的一部分。但是在关联DEA模型中我们可以考虑对在过程中发生的变化进行评价。在关联DEA模型中一个DMU包括不同类型的产出过程，有些输入只与一个产出过程想关联，而有些输入与不止一个产出过程想关联，这种模型就是所谓的多路径关联DEA模型。 MNDEA与DEA的一个很重要的区别就在于，在MNDEA模型中，在两个或多个子过程中共同使用的输入并不先验于只与一个子过程相关联的输入。这使得使用两个子过程的输出作为另一个子过程的输入成为可能。 目前使用数学规划技术对多个DMU评价在作业研究（OR）领域展现出广泛的多样性。DEA就是这些研究技术中的一种，它最早是由Charnes等人提出的。在DEA著作中可以找到许多模糊数学规划方法来评价DMU。Kao和Liu提出了模糊的概念，并通过引入α ?截的方法把一个模糊DEA模型变为精确DEA模型。Jahanshahloo, soleimani -damaneh, Leonand和Lertworasirikul等人也使用可能的规划方法建立了一些模型。 在这篇论文中我们首先介绍一种使用模糊输入输出的多路径关联DEA模型（MNFDEA），然后使用一种具有特定功能的排序函数来将其转化为一种精确条件下的多路径关联模型。 方法阐述 定义2.1模糊数就是一个模糊集满足： 1．是上半连续的。 2．在区间[c,d]以外的。 3.存在实数使得： 3.1. 在[c,a]内单调递增。 3.2. 在[b,d]内单调递减。 3.3 我们把全部模糊数记做F(R)。 定义2.2模糊数是一个满足下列条件的函数对： 1. 是单调递增的左连续函数。 2. 是单调递减的右连续函数。 3. 一种常用的模糊数是可变区间[a,b]内的四边模糊数，左边界为α，右边界为β。如果它是一个具有以下形式的函数，那么我们就把它记为：。如果a=b，那么四边模糊数就变为了三边模糊数，我们把所有三边模糊数记为FT(R)。 排序函数 在这里我们介绍一种类似于排序函数的线性排序函数。对任意模糊数，我们使用排序函数如下： 对于三边模糊数，上式变形为： 因此对于三边模糊数我们有： 当且仅当 我们用表示模糊输入，表示模糊输出。一种运算可以使模糊输入集产生对应的模糊输出集。这一将模糊输入转化为模糊输出的运算可由模糊输入函数或模糊输出函数来说明。其中是模糊输入向量的子集，是模糊输出向量的子集。映射过程可表示为 定义为： 函数满足无便利条件的常规情形下是封闭的凸面的，有非自由可能的模糊输出。对于给定的方向向量。效率可用向量距离函数进行测量。参考文献14将这种方向距离函数扩展到了精确输入输出情况。但在这里我们将只考虑模糊输入输出。 多路径关联模糊DEA模型（MNFDEA） DEA是一种用来评价DMU将模糊输入转化为模糊输出相关效率的方法。在大部分实际应用中，一种用DEA衡量产出效率的单一方法已成为了一种合适而有用的比较运作效果并识别最优程序的方式。然而，在一些案例中，一个DMU可能参与多条路径的活动，这样在每一条路径中的影响必须同时决定才能决绝效率分析的问题。Beasley和Mar Molinero提出了使用多路径DEA模型评估大学中的教学和科研轰动的效率。而且，DMU中的产出活动还包含了一些阶段，这些阶段的某些输出是在前面的阶段产生的。因此Fare和Grosskopf提出了一种关联DEA模型来衡量在多阶段的产出过程中都用到的DMU的效率。 考虑在两个阶段使用的DMU，它在生产阶段的