基于DEA和StoNED的两阶段网络结构效率分析研究

发布时间：2017-12-11 12:08

  本文关键词：基于DEA和StoNED的两阶段网络结构效率分析研究

  更多相关文章： 数据包络分析 随机非参数包络数据 前沿面函数 两阶段网络结构 多投入多产出 凸函数

【摘要】：传统的数据包络分析(Data Envelopment Analysis,简称DEA)模型有两个重要的潜在预设条件,一是将决策单元(Decision Making Unit,简称DMU)看成一个“黑盒子”而忽视其内部结构,另一是假设决策单元在完全确定性的环境中运行。前者使得效率评估局限于“黑盒子”的投入产出权重比,而不能察觉所评估出来的非有效部分来源于内部哪个子单元。后者则是一方面使得DEA模型缺乏统计特性,另一方面将随机因素造成的影响也归入相对效率。针对第一个预设条件,Liang et al. (2008)提出了基于博弈论的DEA模型分析严格串行两阶段网络结构效率,本文我们将Liang et al. (2008)的模型拓展到第一阶段有最终产出或者第二阶段有外部投入的一般两阶段网络结构,这使得模型的应用范围扩大并为解决任意网络结构效率分析问题提供了基础。针对第二个预设条件,本文首先提出两种多投入多产出前沿面估计方法,然后,将其中基于最大似然估计的随机非参数包络数据(Stochastic Non-parametric Envelopment of Data, StoNED)方法应用到随机环境下两阶段网络结构的前沿面估计和效率分析。本文首次同时考虑了决策单元的内部结构和随机因素。本文分为五章,主要内容如下：第一章绪论,首先介绍DEA的基本概念和基本模型,以及StoNED的基本方法和步骤。然后,概括了拓展的两阶段网络结构DEA模型研究现状和研究意义以及基于StoNED的两阶段网络结构前沿面估计和效率分析的研究现状和研究意义。Liang et al. (2008)提出了基于博弈理论的DEA模型对严格串行两阶段网络结构进行效率评估和效率分解,所谓严格串行,即是第一阶段的所有产出都是第二阶段的投入,第一阶段的产出是第二阶段投入的唯一来源。在第二章中,我们拓展了Liang et al. (2008)的模型,假设第一阶段有最终产出或者第二阶段有外部投入。我们提出了两种方法来评价这种一般化的两阶段网络结构效率。一个是非线性的集中决策模型,我们通过一个启发式搜索算法得到此模型的全局最优解。另一个是非合作博弈模型,在模型中,某个子阶段被当作领导者(leader),而另一阶段则被当作跟随着(follower)。最后,上述新提出的模型被应用到中国大陆区域研发(Research Development, RD)效率评估的案例,模型的实用性得到验证。第三章研究随机环境下多投入多产出生产前沿面估计问题,首先证明产出导向型前沿面是一个随着投入单调不减、随着其它产出单调不增的凹函数,投入导向型前沿面是一个随着产出单调不减、随着其它投入单调不增的凸函数。然后提出两种方法估计此前沿面函数,一是带约束的最大似然估计模型,另一是基于最大似然估计的StoNED方法。我们证明在随机错误的方差为零的情况下,本章提出的方法等于DEA。两个Monte Carlo实验被设计来检验估计模型的准确性。最后,本章提出的模型被用来估计中国大陆商业银行的生产前沿面和运作效率。第四章研究考虑随机因素的两阶段网络结构前沿面估计和效率分析问题。在中间变量和最终产出各有一个指标同时包含服从半正态分布的非有效部分和服从正态分布的随机错误的假设条件下,我们首先利用上一章提出的基于最大似然估计的StoNED方法估计各个子阶段的非有效部分和生产前沿面,并以此估计两阶段网络结构的整体生产前沿面。接着,我们提出将非有效部分转化为传统DEA模型中比率效率和评估两阶段网络结构整体效率的关系模型,并讨论整体效率和子阶段效率之间的关系。最后我们将上述方法应用到中国商业银行生产前沿面估计和效率分析。第五章我们总结本文的主要工作和创新之处,指出其中存在的一些问题,并列出几条未来进一步研究的可能和方向。本文最主要的创新之处为：(1)提出拓展的两阶段网络结构DEA模型；(2)提出随机多投入多产出前沿面估计模型：(3)证明了在随机错误部分方差为零的情况下,最大似然估计与DEA相等；(4)提出随机两阶段网络结构前沿面和效率估计方法。
【学位授予单位】：中国科学技术大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：F224;F273.1;F832.33

【相似文献】

中国博士学位论文全文数据库 前1条

1 谢建辉;基于DEA和StoNED的两阶段网络结构效率分析研究[D];中国科学技术大学;2016年

，

本文编号：1278386