基于分组的两步DEA基准学习.pdf
《基于分组的两步DEA基准学习.pdf》由会员分享,可在线阅读,更多相关《基于分组的两步DEA基准学习.pdf(8页珍藏版)》请在咨信网上搜索。
1、 第2卷 第4期V o l.2 N o.4 2 0 2 3年8月 J o u r n a l o f A r m y E n g i n e e r i n g U n i v e r s i t y o f P L A A u g.2 0 2 3基于分组的两步D E A基准学习姚 佳,李俊桥,张 青(陆军工程大学,江苏 南京 2 1 0 0 0 7)摘要:数据包络分析(d a t a e n v e l o p m e n t a n a l y s i s,D E A)在为决策单元(d e c i s i o n m a k i n g u n i t,DMU)评估效率水平的同时,可为其中
2、的非有效单元提供消除低效的改进措施,即基准信息。但经典D E A模型为非有效单元提供的基准信息不易一步到位,缺乏对分组信息的充分利用。在依赖上下文的D E A框架内进行开发,提出了一种基于分组的两步D E A基准学习模型。模型使用加权L 1范式衡量待评估单元与相应目标的接近程度。通过最小化实际点到P a r e t o有效边界的距离,为每一个决策单元在组内和全局的最佳实践前沿上分别设立单独基准,解决了在实践中目标点难以一步实现的问题,模型的结果可以视为针对最佳实践的长期改进策略。由于充分考虑了分组信息,模型能够反映给定基准过程中涉及的DMU周围环境,并增强了组内DMU在设立目标上的灵活性。该模
3、型被用于评估西班牙公立大学的科研水平,通过对比实验验证了该模型的优势。关键词:数据包络分析;决策单元;基准学习;目标设定 中图分类号:C 9 3 4D O I:1 0.1 2 0 1 8/j.i s s n.2 0 9 7-0 7 3 0.2 0 2 2 0 9 0 6 0 0 1G r o u p-B a s e d T w o-S t e p B e n c h m a r k S t u d y w i t h D E A YAO J i a,L I J u n q i a o,Z HANG Q i n g(A r m y E n g i n e e r i n g U n i v e
4、r s i t y o f P L A,N a n j i n g 2 1 0 0 0 7,C h i n a)A b s t r a c t:Wh e n d a t a e n v e l o p m e n t a n a l y s i s(D E A)i s a p p l i e d t o a s s e s s t h e e f f i c i e n c y l e v e l o f t h e d e c i-s i o n m a k i n g u n i t(DMU),i t c a n p r o v i d e i m p r o v e m e n t m
5、e a s u r e s,i.e.,b e n c h m a r k i n g i n f o r m a t i o n,t o e l i m i n a t e i n e f f i c i e n c i e s f o r n o n-e f f e c t i v e u n i t s i n i t.H o w e v e r,t h e b e n c h m a r k i n g i n f o r m a t i o n p r o v i d e d b y t h e c l a s s i c a l D E A m o d e l f o r n o n
6、-e f f e c t i v e u n i t s i s n o t e a s y t o i m p l e m e n t i n o n e s t e p,a n d l a c k s t h e f u l l u s e o f g r o u p i n g i n f o r m a t i o n.T h i s p a p e r d e v e l o p s a n d p r o p o s e s a g r o u p-b a s e d t w o-s t e p b e n c h m a r k i n g m o d e l u n d e r
7、 t h e c o n t e x t-d e p e n d e n t D E A f r a m e w o r k.T h e m o d e l u s e s t h e w e i g h t e d L 1 p a r a d i g m t o m e a s u r e t h e p r o x i m i t y b e t w e e n t h e e v a l u a t e d DMU a n d i t s c o r r e s p o n d i n g t a r g e t.B y m i n i m i z i n g t h e d i s t
8、 a n c e f r o m t h e a c t u a l p o i n t t o t h e P a r e t o b o u n d a r y,s e p a r a t e b e n c h m a r k s a r e e s t a b l i s h e d f o r e a c h DMU o n t h e i n t r a-g r o u p a n d g l o b a l b e s t p r a c t i c e f r o n t i e r,w h i c h s o l v e s t h e p r o b l e m t h a
9、 t t h e t a r g e t p o i n t i s d i f f i c u l t t o a c h i e v e i n o n e s t e p i n p r a c t i c e.T h e r e s u l t s o f t h e m o d e l c a n b e v i e w e d a s a l o n g-t e r m i m p r o v e m e n t s t r a t e g y a i m e d a t b e s t p r a c t i c e.I n a d d i t i o n,d u e t o t
10、 h e f u l l c o n s i d e r a t i o n o f g r o u p i n g i n f o r m a t i o n,t h e m o d e l c a n r e f l e c t t h e s u r r o u n d i n g e n v i r o n m e n t o f DMU i n v o l v e d i n a g i v e n b e n c h m a r k i n g p r o c e s s a n d p r o v i d e f l e x i b i l i t y f o r s e t-t
11、 i n g u p t a r g e t s i n t h e g r o u p.F i n a l l y,t h e m o d e l w a s u s e d t o a s s e s s t h e l e v e l o f r e s e a r c h i n S p a n i s h p u b l i c u n i v e r s i t i e s,d e m o n s t r a t i n g t h e a d v a n t a g e s o f t h i s m o d e l t h r o u g h c o m p a r a t i
12、 v e e x p e r i m e n t s.K e y w o r d s:d a t a e n v e l o p m e n t a n a l y s i s;d e c i s i o n m a k i n g u n i t(DMU);b e n c h m a r k s t u d y;t a r g e t s e t t i n g 收稿日期:2 0 2 2-0 9-0 6基金项目:军内科研项目(KY J B J Q Z L 2 2 0 3)。第一作者:姚 佳,讲师,主要研究网络软件开发工具。通信作者:李俊桥,讲师,主要研究现代通信技术和网络设计开发。数据包络分
13、析(d a t a e n v e l o p m e n t a n a l y s i s,D E A)是以线性规划为基础,对同类型的多输入、多输出决策单元(d e c i s i o n m a k i n g u n i t,DMU)进行相对有效性评估的非参数系统分析方法1。其中,同类型条件要求所有的DMU具有相同的输入和输出指标、相同的任务和目标,以及相同的外部环境2。D E A根据各DMU的观测数据,判断各DMU的相对有效性,本质是判断DMU偏离生产前沿面的程度3。因此,D E A除了为每个DMU提供效率值以外,还将每个低效DMU在生产前沿面上投影,提供可用于提升DMU效率的基准信
14、息。这种基准信息使D E A具有超越其他评估方法的明显优势。当前,D E A已被证明是一种为生产过程中涉及的DMU提供基准学习的有用工具,并已在许多领域得到了较好的应用4-5。正如C o o k等6所指出的:在基准学习的情况下,D E A定义的高效DMU可能不一定形成生产前沿,而是导致最佳实践前沿。但部分学者7认为:D E A模型用于基准学习时,通常设定不切实际的目标,因为按照D E A分析结果制定的改进计划与实际表 现 相 差 太 远。为 了 解 决 这 一 问 题,A p a r i c i o等8提出了从DMU到D E A有效边界距离最小化模型。该模型在经典的加法D E A模型基础上取得
15、了显著进步,使DMU能够以更少努力达到技术有效,并广泛应用于之后的研究中9-1 1。在许多D E A应用中,被评估单元往往根据其所处的环境被划分为不同的组。这意味着同一组的DMU所经历的情况相似,而不同组之间DMU所经历的情况可能相差很大。为了解决这一特定场景下的评估问题,C o o k等1 2-1 3将基准学习通用框架应用于分组条件下的基准学习,假设每组DMU都有一个通用基准,并为每组建立了通用最佳实践。然而,对于一些效率低下的DMU,由于基准目标与实际生产的偏差过大,C o o k等1 2-1 3模型提供的最接近的基准目标在实践中仍然无法实现。此外,结合公共权重集(c o mm o n s
16、 e t o f w e i g h t s,C S W)为组内DMU建立共同基准,一方面会导致某些观察到的输入/输出水平恶化1 4-1 5;另一方面还将标准D E A中使用的技术效率概念转化为整体效率,忽略了组内个体之间的差异。R a m n等1 6将基准学习通用框架扩展为基于不同组最佳实践的“交叉基准学习”方法。目前关于这一特定场景下基准学习的研究仍然缺乏。Kw o n等1 7指出:基准学习的最终目标是追求改进,这种改进倾向于以连续且逐步的方式发生。从管理角度看,设定渐进和可操作的目标可以激励组织成员作出实现绩效目标的承诺。因此,分步基准学习已成为D E A研究的热点。现有的分步基准学习方
17、法可以大致分为两类:基于O n i o n-D E A的基准学习和基于DMU聚类的基准学习。基于O n i o n-D E A的基准学习通过设置一系列嵌套 有 效 前 沿 层 的 方 式 提 供 序 列 基 准。S e i f o r d等1 8将价值判断纳入进度度量扩展了基准学习模型,并用于评估3 2款打印机的 吸引力。B o u g n o l等1 9使用O n i o n-D E A完成了大学排名。J o h n s o n等2 0在 上 下 文 依 赖 的D E A方 法 中 开 发 了 一 个D E A辅助招聘过程。Kw o n等1 7将D E A与反向传播神经网络结合,提出了一种创
18、新的三阶段模型,以支持“更好的实践”基准学习,而不是传统的“最佳实践”基准学习。R a m n等7提出了一种基于上下文依赖的两步D E A基准学习模型,使所有DMU到D E A有效边界的距离之和最小。但上述分步都是在不断消除有效DMU的原则下进行的,在应用场景中缺乏可解释性。基准学习产生的层次结构没有相应的实际意义。基于DMU聚类的基准学习根据DMU的输入和输出对其进行分组,目的是为每个DMU找到最相似的单元或单元组,以便形成有效的联盟。A l v e s等2 1-2 2和F a e z y等2 3提出了一种“事前”DMU聚类方法,先 使 用 自 组 织 映 射(s e l f-o r g a
19、 n i z i n g m a p,S OM)将团队分成若干个同质簇,然后使用D E A对每个簇中的DMU进行评估。L u等2 4提出了一种“事后”DMU聚类方法,先使用改进的基于松弛变量度量法模型完成所有DMU的评估,然后根据评估分数和层次聚类结果逐步为每个DMU找到“学习基准”。这种基于DMU聚类的基准学习在一定程度上提供了分步的实际意义,但仍有不足之处。例如,模型为同一簇中不同DMU设置的目标相同的可能性更大,这就无法为每个DMU提供个性化建议。综合上述分析,本文假设DMU根据其经验的相似度被划分为不同的组,旨在建立分组假设下的分步基准学习模型。1 通用基准学习模型假设有n个同质决策单
20、元使用m项输入产生s项输出,用符号(Xj,Yj),j=1,n表示。其中,Xj=(x1j,x2j,xm j)0,Xj0;Yj=(y1j,y2j,ys j)0,Yj0。根据B a n k e r2 5提出的生产可能集的定义:T=(X,Y)|X c a n p r o d u c e Y,在满足凸性公理、无效性公理和规模收益可变假设条33第4期 姚 佳,等:基于分组的两步D E A基准学习件下,T可以表示为T=(X,Y)|Xnj=1jXj,Ynj=1jYj,nj=1j=1,j0。通过使用加权L 1范式最小化目标点到实际输入输出的距离,模型(1)为给定决策单元DMU0在T的P a r e t o有效边
21、界上找到最接近的目标。M i n(X0,Y0)-(X0,Y0)1s.t.jEEjxi j=xi0-sE-i0 i=1,m(1 a)jEEjyr j=yr0+sE+r0 r=1,s(1 b)jEEj=1(1 c)-mi=1vEixi j+sr=1uEryr j+uE0+dEj=0 jE(1 d)vEixi01 i=1,m(1 e)uEryr01 r=1,s(1 f)dEjM bEj jE(1 g)EjM(1-bEj)jE(1 h)sE-i00 i=1,msE+r00 r=1,sEj,dEj0 bEj0,1 jEuE0 f r e e(1)其中:(1)加权L 1范式,代表输入和输出松弛的加权和。(
22、X0,Y0)-(X0,Y0)1=mi=1xi0-xi0 xi0+sr=1yr0-yr0yr0=mi=1sE-i0 xi0+sr=1sE+r0yr0 (2)M是一个足够大的正实数。(3)E是T的最有效DMU集合2 6,需要在求解模型(1)之前被确定。模型(1)为每一个DMUj分别设置独立基准(Xj,Yj)。需要强调的是,加权L 1范式解决了经典D E A模型在投入产出之间可能存在的不可公度性问题8。式(1 a-1 c)确保基准点(Xj,Yj)位于生产可能集合T内;式(1 d)中,非零权重vEi、uEr构成了T的支撑超平面系数;式(1 e-1 f)是不变加法模型2 7的对偶式,确保模型(1)具有度
23、量单位不变性;式(1 g-1 h)是模型(1)中的关键限制,通过连接前两组约束条件,以确保基准点落在生产可能集T的P a r e t o有效边界上。若Ej0,式(1 h)表明bEj=0,由式(1 g)可以得到dEj=0。因此,如果一个属于E的有效决策单元DMUj是被评估单元DMU0的参考点,那么DMUj对应的空间坐标必定在所有参考点组成的超平面-mi=1vEixi j+sr=1uEryr j+uE0=0上,该超平面属于生产可能集T。结合模型(1)的最优解,被评估单元DMU0的基准点由式(2)确定。X*0=X0-SE-*0(=jEE*jXj)Y*0=Y0+SE+*0(=jEE*jYj)(2)式中
24、:SE-*0=(sE-*1 0,sE-*m0),SE+*0=(sE+*1 0,sE+*s0)。2 基于分组的两步D E A基准学习模型(1)给出了在不分组条件下的通用基准学习方案,该方案同样适用于分组条件下的基准学习,但在分组条件下使用该方案存在不能合理利用分组信息的弊端。针对分组的情况,C o o k等1 2提出了一种“组内通用基准学习”方案,该方案假定:基准是由整套DMU确定的P a r e t o有效边界,规划目标是最小化组内所有DMU到基准点的加权距离和。因此,该方案可以有效利用分组的信息,以组别为单位,为组内DMU在P a r e t o有效边界上寻找共同基准,最终同时投影组内的所有
25、DMU到求得的共同基准上。然而,该方案一方面不利于非有效单元改进,因为在实际情况中,非有效单元难以在一次评估周期内达到基准点的生产效果,尤其当基准点投入和产出与实际生产能力之间的改动很大时,DMU难以一步到位;另一方面,该方案实质是为同组的DMU求解一组C S W,并将同组单元投影到P a r e t o有效边界的由相同有效单元确定的单一超平面上,存在部分观察指标一定程度的水平恶化问题1 4-1 5。因此,受嵌套有效前沿层思想的启发,假定:基准学习应该分先组内学习再全局交流两步实现。正如C o o k等6指出,有效的DMU只能形成最佳实践前沿,而不是生产前沿。即在D E A理论中,生产前沿是未
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 分组 DEA 基准 学习
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。