《广义数据包络分析方法Ⅱ》主要是在《数据包络分析第二卷·广义数据包络分析方法》的基础上，对广义数据包络分析方法体系给出进一步拓展和完善，包括给出基于面向输出的广义DEA模型体系，面向输入及输出的广义DEA模型的性质探讨，以及广义DEA模型体系的延伸。第1章对传统与广义DEA方法的相关问题的进展进行了简要介绍。第2章从面向输入和面向输出两个角度给出了基于C2R，BC2，ST和FG模型的基本广义DEA方法。第3章给出了基于C2W模型的广义DEA方法。第4章给出了基于C2WY模型的广义DEA方法。第5章给出了只有输入（输出）的传统BC2模型中决策单元效率的几何刻画。第6章给出了广义与传统DEA模型中决策单元相对效率差异及其几何刻画。第7章给出了广义DEA方法中决策单元相对于不同样本前沿面移动的有效性排序方法。第8章给出了基于C2R模型的广义链式网络DEA方法。第9章给出了具有阶段最终产出的广义链式网络DEA方法。第10章给出了聚类分析在确定广义DEA方法样本单元集中的应用。第11章给出了带有随机因素的广义随机DEA方法。第12章给出了具有非期望输出的广义DEA方法。

目录
前言
第1章 DEA模型的研究进展 1
1.1 传统DEA方法与广义DEA方法的研究背景 1
1.2 传统DEA模型的研究进展 1
1.3 广义DEA模型的研究进展 3
第2章 基于样本评价的基本广义数据包络分析方法 4
2.1 基于样本评价的基本广义数据包络分析模型 4
2.1.1 样本生产可能集的构造与广义DEA有效性的定义 4
2.1.2 基本广义数据包络分析模型 6
2.2 基本广义数据包络分析模型的性质 8
2.3 广义DEA有效与相应多目标规划Pareto有效之间的关系 19
2.4 决策单元在样本生产可能集中的投影性质 26
2.5 决策单元的广义DEA有效性排序方法 29
2.6 算例 30
2.7 结束语 31
第3章 基于C2W模型的广义数据包络分析方法 32
3.1 基于C2W模型的广义数据包络分析模型 32
3.1.1 样本生产可能集构造与样本有效性的定义 32
3.1.2 基于C2W模型的广义数据包络分析模型及其性质 34
3.2 无效决策单元的投影 54
3.3 利用广义数据包络分析的排序方法 57
3.4 算例 58
3.5 结束语 59
第4章 基于C2WY模型的广义数据包络分析方法 60
4.1 综合的广义数据包络分析模型 60
4.1.1 样本生产可能集的构造与广义DEA有效性 61
4.1.2 广义数据包络分析模型 63
4.2 综合的广义DEA模型与传统DEA模型之间的关系 68
4.3 广义数据包络前沿面与决策单元的投影性质 69
4.4 应用举例 81？
4.5 结束语 84
第5章 只有输出（输入）的传统BC2模型中决策单元效率的几何刻画 85
5.1 只有输出的传统BC2模型效率值的几何刻画 85
5.2 只有输入的传统BC2模型效率值的几何刻画 89
5.3 结束语 94
第6章 广义与传统DEA模型相对效率差异及其几何刻画 95
6.1 只有输出的广义与传统DEA模型相对效率差异及其几何刻画 95
6.2 只有输入的广义与传统DEA模型相对效率差异及其几何刻画 102
6.3 结束语 108
第7章 广义DEA方法中决策单元的有效性排序 109
7.1 相对于输出的基于样本前沿面d移动的有效性排序 109
7.2 相对于输入的基于样本前沿面b移动的有效性排序 116
7.3 利用样本前沿面移动排序的几种情形 122
7.4 相对于输入输出的基于样本前沿面b+d移动的有效性排序 124
7.5 样本前沿面移动排序与其他排序方法比较 127
7.6 结束语 128
第8章 基于C2R模型的广义链式网络DEA方法 129
8.1 传统链式网络DEA简介 129
8.1.1 链式网络结构 129
8.1.2 传统链式网络DEA方法 129
8.2 基于C2R模型的广义链式网络DEA模型 131
8.3 算例 135
8.4 结束语 138
第9章 具有阶段最终产出的广义链式网络DEA方法 139
9.1 具有阶段最终产出的传统链式网络DEA简介 139
9.1.1 具有阶段最终产出的链式网络结构 139
9.1.2 具有阶段最终产出的传统链式网络DEA方法 140
9.2 具有阶段最终产出的广义链式网络DEA模型 142
9.3 算例 147
9.4 结束语 148
第10章 聚类分析在确定广义DEA方法样本单元集中的应用 149
10.1 广义DEA方法中决策单元集与样本单元集的关系 149
10.2 聚类分析在确定样本单元集中的应用 150
10.3 带有虚拟决策单元的聚类分析在确定样本单元集中的应用 154
10.4 中国各省份人均经济发展状况的综合评价 155？
10.5 结束语 160
第11章 广义随机数据包络分析方法 161
11.1 基于C2R和BC2模型的广义与传统DEA模型回顾 161
11.2 基于期望值模型的广义随机DEA方法 165
11.3 基于机会约束规划的广义随机DEA方法 169
11.4 广义随机DEA模型举例 174
11.4.1 基于期望值模型情形下决策单元有效性的评价与排序 175
11.4.2 基于机会约束规划情形下决策单元有效性的评价与排序 175
11.5 结束语 176
第12章 具有非期望输出的广义DEA方法 17

　　《广义数据包络分析方法Ⅱ》：
　　第1章 DEA模型的研究进展
　　1.1 传统DEA方法与广义DEA方法的研究背景
　　数据包络分析（Data Envelopment Analysis，DEA）是一种相对效率评价方法，将单输入单输出的工程效率概念推广到多输入多输出同类决策单元相对效率评价中，是运筹学、管理科学和数理经济学研究的交叉领域[1-5]。DEA方法极大丰富了微观经济学的生产函数理论及其应用技术，扩大了对生产函数理论的认识，为多目标评价提供了有效途径，使研究生产函数理论的主要技术手段由参数方法发展到参数方法与非参数方法并重，同时在避免主观因素、简化算法、减少误差等方面具有很大的优势。从第一个DEA模型C2R模型[1]产生以来，DEA方法在理论研究和实际应用方面都得到了迅速的发展，已经成为运筹学、管理学、系统工程、决策分析和评价技术领域常用的并且重要的分析工具和研究手段[6-8]。
　　依据DEA方法评价决策单元相对效率的参照集的不同，可将DEA方法分为传统DEA方法和广义DEA方法[9]。传统DEA方法相对于决策单元全体（实质上是相对于有效决策单元全体）对决策单元进行相对效率评价，即传统DEA方法评价决策单元的参照系为决策单元集。但是在现实中，许多评价问题并不需要相对于有效决策单元去比较。比如大学期末考试，某些学生不关心考试成绩与高分同学的差距，更关心是否达到及格线。如果将评价的参考集分成决策单元集和非决策单元集两类，那么传统DEA方法只能给出相对于决策单元集的信息，而无法根据任何非决策单元集进行相对效率评价，这使得传统DEA方法在众多评价问题中受到限制。应用传统的DEA方法可以根据决策单元集进行评价，却不能根据非决策单元集进行评价。基于样本单元集评价的广义DEA方法的提出，解决了传统DEA方法不能相对于非决策单元集的评价问题，广义DEA方法可以相对于任意参照集进行相对效率评价，包括决策单元集和非决策单元集。
　　下面从传统和广义的角度简述DEA模型的研究进展。
　　1.2 传统DEA模型的研究进展
　　1978年，Charnes，Cooper和Rhodes提出了第一个传统DEA模型C2R模型，将单输入单输出工程效率概念推广到多输入多输出的相对效率评价中[1]。C2R模型满足规模收益不变，该模型下的DEA有效决策单元同时满足规模有效和技术有效。1984年，针对相对效率评价问题中生产可能集的锥性假设有时不满足的问题，Charnes和Cooper等给出了规模收益可变的DEA模型BC2模型[10]，该模型下的DEA有效决策单元为技术有效，未必满足规模有效。C2R模型和BC2模型是DEA方法中最基本的两个模型，在此基础上派生出一系列新的DEA模型。1985年，Fare和Grosskopf给出了满足规模收益非递增的DEA模型FG模型[11]。1990年，Seiford和Thrall给出了满足规模收益非递减的DEA模型ST模型[12]。C2R模型、BC2模型、FG模型和ST模型完善了具有不同规模收益条件下的DEA模型，构成了一个完整的规模收益评价体系。1986年，Charnes，Cooper和魏权龄利用半无限规划理论给出了C2W模型[13]，将C2R模型从有限个决策单元推广到无限多个决策单元的情形。1989年，Charnes，Cooper，魏权龄和黄志民将偏好锥引入DEA方法中，给出了C2WH模型[14]，通过偏好锥的选择可以体现出决策者的偏好，解决了以上模型把决策单元的输入输出指标同等对待的问题。同年，Charnes，Cooper，魏权龄和岳明给出了一个综合的DEA模型C2WY模型[15]，包含了C2R模型、BC2模型和C2W模型。C2R，BC2，FG，ST，C2W，C2WH和C2WY模型都是经典的传统DEA模型。
　　以上的经典传统DEA方法中把生产过程看作一个“黑箱”，评价决策单元相对效率时，只考虑生产的最初输入和最终输出，不考虑生产的中间过程，无法刻画中间过程对整个生产过程相对效率的影响。针对这个问题，Fare等于1996年提出了网络DEA[16]的概念，打开“黑箱”考虑生产过程的各个环节对决策单元进行评价。此后网络DEA方法的理论体系逐渐发展和完善，研究了多种形式的网络DEA模型的效率评价[17-27]、投影问题[28]以及灵敏度分析[29]等。
　　对传统DEA模型及其相关理论的研究不断丰富。其中包括对DEA有效性的研究[30-33]，有效决策单元集结构[34-37]，如何改变非有效决策单元输出使之变为有效[38，39]，灵敏度分析[40-44]，要素在有限范围变化的DEA模型及其投影问题[45，46]，只有输出或只有输入的DEA模型[47]，博弈论与DEA方法相结合解决固定成本分摊问题[48-50]，决策单元相对效率排序[51-68]等。
　　马占新将DEA方法与偏序集理论联系起来，建立了新的基于偏序集的DEA理论基础[69]，证明了C2R和BC2模型刻画的DEA有效性实际就是经验状态下决策者偏好的极大[70]，应用偏序集理论讨论了DEA方法的数据变换性质[71]，证明了C2R，BC2，C2W，C2WH和C2WY模型中的DEA有效决策单元的本质特征就是相应偏序集的极大元[72，73]，探讨了偏序集理论在DEA相关理论中的应用[74]。基于偏序集理论的DEA理论体系，从偏序