基于公共权重数据包络分析的军事训练绩效排序
时间：2021-05-23 16:00:38 来源：雅意学习网 本文已影响 人 
摘要：对军事训练绩效进行排序，是实施奖惩、资源优化配置的重要依据。针对传统数据包络分析（DEA）公共权重生成方法不同时具备线性、规模无关优点的问题，根据军事训练绩效评估需求，提出了一种新的DEA公共权重生成方法。该方法以DEA有效单位为计算基础，首先对训练数据进行归一化，然后运用多目标规划模型求解，绩效排序结果更加公平合理，并且同时具有线性、规模无关的优点。最后，通过一个军事应用，证明了该方法科学、有效。
关键词：军事训练；绩效；排序；数据包络分析；公共权重；线性；多目标规划
中图分类号：N945.16；E917
文献标志码：A
Abstract：Conventional approaches for Common Weights （CW） generation in Data Envelopment Analysis （DEA） are either nonlinear or scalerelevant. To solve this problem， according to the demand of military training performance evaluation， a new method was proposed to generate CW in DEA. The new method took DEA efficient units as the basis of calculation. Firstly， training data were normalized， and then multiobjective programing was employed for CW generation， which can lead to a fairer and more reasonable ranking of performances. The proposed method is not only linear， but also scaleirrelevant. Lastly， a military application illustrates that the proposed method is scientific and effective.
英文关键词Key words：military training； performance； ranking； Data Envelopment Analysis （DEA）； common weight； linear； multiobjective programing
0 引言
军事训练绩效是个人或组织在一定资源投入情况下，为达到预期目标，通过一系列军事训练活动所取得的成绩和效果，体现了军事资源向战斗力转换的效率。在当今大数据研究的热潮下，通过对部队训练数据进行有效采集，进而对军事单位训练绩效进行及时准确的评估，对有限军事资源的优化配置、训练单位战斗力的进一步提高具有重要的参考价值。
军事训练本身涉及因素众多，行为复杂，而数据包络分析（Data Envelopment Analysis， DEA）是一种“黑箱”评价方法，是运用输入输出数据进行绩效评价的有效工具，可有效回避军事训练行为建模困难的问题。自1978年Charnes等[1]提出DEA以来，该方法得到了迅猛发展，并被广泛应用于银行、医疗卫生、农业、交通、教育等领域[2]。
原始的DEA模型采取的是自我评价机制，每个单位都选取对自己最有利的一组权重，评价结果不具备可比性，而公共权重（Common Weight， CW）DEA是解决这个问题的一个有效途径。公共权重的概念首先由Cook等[3]在对公路养护单位进行评价时提出的，并不断得到扩展和完善[4-13]。
现有文献中，CW的生成方法主要可以分为基于投入产出比值和基于投入产出规模两种，但它们都不同时具有线性、与投入产出规模无关的特点。在基于投入产出比值模型[4-7]中，所有决策单元（Decision Making Unit， DMU）可以在同一规模上进行比较，但产出加权和与投入加权和的比值需要在模型中直接进行计算，在多投入多产出因素的情况下，这将不可避免地导致模型的非线性特征；与之相反，基于投入产出规模模型[8-13]直接计算的是投入加权和与产出加权和之间的差距，所用模型都是线性的，但对投入产出规模却是敏感的，所得结果偏好于规模较大的DMU。
本文一方面拓展了DEA的应用范围，将其运用于军事训练绩效评价领域；另一方面，根据军事训练绩效评估的需求，提出了一种新的DEA公共权重生成方法。
1 新的DEA公共权重确定方法
军事训练绩效排序，应着重关注军事资源向战斗力转化的效率，而尽量减小不同单位间投入产出规模的差异对评价结果造成的影响。本文通过对训练数据进行归一化，最大限度地消除了规模差异所带来的负面影响。再者，生成的公共权重要尽可能公平，本文选取DEA有效单位作为模型的计算基础，并在模型中设置两个目标函数：一是最优化这些单位的最差绩效，二是最优化整体绩效，从而达到公平的目的。
1.1 归一化
对现有数据同时进行横向和纵向的归一化，不会影响训练单位的投入产出结构，因此也不会影响训练绩效的排序结果。
纵向归一化是指在单个因素上进行归一化。Roll等[14]对这种归一化进行了说明。由于DEA具有与因素单位选取无关的特点，故可以通过纵向归一化，使得在各个因素上分配的权重大小得到一定程度的控制。归一化的方法为，在每个因素上对所有训练单位的观察数据进行缩放，使各个因素上都达到一个相同的统计量（比如平均值）。这种倍增的规模变化可以使得不同因素间的重要性得到一个清晰的比较，而不影响绩效排序的结果。
