基于“专家打分法”的DEA交叉效率聚集方法

聚焦交叉效率的集结问题,考虑到交叉效率的差异性,提出使用"专家打分法"对他们进行集聚。此方法把交叉效率矩阵转换为一个专家打分矩阵,由于专家之间在教育背景、工作经验等方面的差异,他们的"打分"理应区别对待。他们差异性的度量依据他们对决策单元效率打分的差异程度,差异程度越大的专家其效率打分相应的会赋予较小的权重。最后运用算例分析说明此方法的有效性。

基于数据包络分析的高校科研绩效评价

应用数据包络分析(DEA)模型对我国50所重点院校的科研绩效进行了评价.结果表明,有70%的院校各项效率都达到0.8以上;有15所院校同时为技术有效和规模有效;有31所院校处于规模收益递增状态,所以还应适当地加大科研投入力度.通过计算交叉效率矩阵和相对有效决策单元被引用次数,对相对有效的院校进行了评价,其中有1所院校在两种方法下的效率都是最高的,说明该校科研绩效已经达到一个较高的水平.但也有一些相对有效的院校存在资源配置不均衡和产出不均衡问题,效率具有较大的"伪度".

基于广义梯形模糊数相似度的交叉效率集结

在不确定环境下,针对模糊数据的多样性和复杂性,本文结合广义梯形模糊数相似度理论将广义梯形模糊数的交叉效率矩阵转换为交叉互评相似度矩阵,并根据模糊信息检索系统中的布尔模型,以能最大程度还原信息本身为准则,构建满足"正相容性"的有序几何平均集结函数对交叉互评相似度矩阵进行集结,从而得到关于每个决策单元的同行评价综合相似度.根据决策单元的同行评价综合相似度,建立反映决策者偏好的模糊一致性偏好矩阵,并对决策单元进行集结权重的分配,根据分配结果计算决策单元的全局交叉效率值.本文的集结方法可以解决不确定环境下,交叉效率矩阵数据多样性的问题,有较高的适用性;并且其集结结果具有较高的一致性和稳定性.最后本文以梯形模糊数的交叉效率矩阵为算例,来说明该方法的合理性和适用性.