不确定数据包络分析：盒式不确定性
最优化与控制
2020-07-15 v1
摘要
数据包络分析（DEA）是一种非参数、数据驱动的技术，用于对一组可比较的决策单元（DMU）进行相对绩效分析。效率通过比较各 DMU 的投入与产出数据，借助线性规划来评估。传统 DEA 中，数据被视为精确的。然而在许多现实应用中，分析所用投入与产出数据的值很可能不精确。为此，我们针对盒式不确定性情形发展了不确定 DEA 问题。我们引入 DEA 距离的概念，以确定使某 DMU 被视为有效所需的最小不确定性量。对于小规模问题，可精确求得最小不确定性量；对于较大规模问题，此举计算量剧增。因此，我们提出一种迭代方法，逐步增大不确定性量。这导出一个可高效求解的鲁棒 DEA 问题。此项不确定性研究由肿瘤学中放疗计划过程固有的不确定性所驱动。我们将该方法应用于评估一组前列腺癌放疗计划彼此间的质量。
引用
@article{arxiv.2007.06972,
title = {Uncertain Data Envelopment Analysis: Box Uncertainty},
author = {Emma Stubington and Matthias Ehrgott and Omid Nohadani},
journal= {arXiv preprint arXiv:2007.06972},
year = {2020}
}