数据包络分析中的平衡输出效率：跨效率评估新策略

本文主要探讨了在数据包络分析（DEA）背景下，如何通过引入交叉效率评估来促进决策单位（DMU）输出效率的平衡。DEA作为一种常见的绩效评估工具，特别适用于多目标环境，因为它能够同时考虑多个投入和产出变量，以评估组织或个体在资源利用上的相对效率。然而，自我评估中的最优解并非唯一，这就需要引入次级目标以增强评估的全面性。 作者针对这一问题，提出了一个旨在提升平衡性的新型交叉效率评估模型。模型的核心思想是确保每个输出对自我评估效率的贡献相等，以此减少权重灵活性。这意味着在选择最佳解决方案时，模型会考虑如何使各输出的影响力尽可能均衡，避免过度依赖某些特定产出。这种平衡策略有助于决策者更全面地了解DMU的实际表现，特别是在那些强调多个输出同等重要的情境下。 模型的提出不仅提供了对现有次级目标理论的扩展，还通过实证例子展示了其有效性。通过与传统次级目标方法的比较，如VRS（Variable Returns to Scale）或IRS（Input-Oriented or Output-Oriented）模型，研究者展示了新方法如何在保持效率的同时，实现更理想的产出效率分布。 值得注意的是，该研究成果发表在《应用数学与物理杂志》上，具有较高的学术价值，其国际标准期刊号和DOI进一步证明了其在学术界的权威性和可引用性。通过这篇文章，读者可以了解到如何在实际应用中运用这种方法，以期在不同领域的组织和项目管理中提升效率评估的准确性和全面性。这篇论文为数据包络分析中的效率评估提供了一种创新且实用的策略，对于那些寻求平衡和优化多个输出的决策者来说，具有重要的参考价值。