DEA中参考集的识别与规模报酬的度量：一种基于最小距离的框架
最优化与控制
2015-04-01 v1
摘要
在数据包络分析（DEA）模型中，尽管基于最大或最小距离的框架都可用于目标设定，但从管理角度看，后者因目标易于达成而往往比前者更相关。迄今为止，参考集识别和规模报酬（RTS）度量这两个依赖于投影的问题已在DEA文献中被广泛讨论。然而，据我们所知，仅有一项研究使用最近投影来识别参考集，并通过基于原始-对偶线性规划的方法完成此任务。受此启发，我们在基于最小距离的框架中研究上述两个问题。首先，我们提出一个字典序多目标规划问题，为低效决策单元（DMU）找到唯一的最近投影。然后，基于所得到的投影，我们通过建立包络形式的线性规划模型来识别所有可能的最近参考DMU。接下来，对于低效DMU，我们将其最小距离投影的规模报酬定义为最近规模报酬（CRTS），并分两个阶段度量CRTS。最后，我们通过数值例子说明所提方法，并将结果与基于最大距离框架中的结果进行比较。
引用
@article{arxiv.1503.09095,
title = {Identification of reference set and measurement of returns to scale in DEA: A least distance based framework},
author = {Mahmood Mehdiloozad and Mohammad Bagher Ahmadi},
journal= {arXiv preprint arXiv:1503.09095},
year = {2015}
}