数据包络分析期望效率--DDF（方向距离函数）

文献介绍

文献名字是：Expected efficiency based on directional distance function in data envelopment analysis。

首先，这篇文章是在2018年$computerIndustrialEngineering$上发表的，还有李勇军老师!!!
这篇文章偏模型，是期望DDF模型，有兴趣的朋友可以看看。

内容介绍

方向距离函数DDF定义

首先，方向距离函数。也就是$DDF$函数，是一种不受径向限制的、沿预先确定的方向向量估计决策单元相对效率的方法。

比如说，有$n$个$DM{U}_s$，且投入变量与产出变量分别用矩阵表示为$X=(x_{ij})\in {\Re }^{m\times n}$和$Y=(y_{rj})\in {\Re }^{s\times n}$。本文假设规模报酬是可变的，即是$VRS$的，那么此时的生产可能集就变成：
$$T=⟮(x_i,y_r)|\sum _j{\lambda }_j{x}_{ij}\le x_i,i=1,\dots ,m,\sum _j{\lambda }_j{y}_{rj}\ge y_r,r=1,\dots ,s,\sum _j{\lambda }_j=1,{\lambda }_{}j\ge 0,j=1,\dots ,n⟯$$

把方向向量记作$g=(-g_x,g_y)\ne 0_{m+s},g_x\in R_{+}^m,g_y\in R_{+}^s$，那么这个方向距离函数可以表示成：
a ⃗ T ( x , y ； g ) = s u p { β : ( x − β g x , y + β g y ) ∈ T } \vec{a}_T(x,y；g)=sup\{\beta: (x-\beta{}g_x, y+\beta{}g_y)\in{}T\} a T​(x,y；g)=sup{ β:(x−βgx​,y+βgy​)∈T}

那么，接下来，给出最初始的$DDF$模型：
$$\begin{gathered} max\beta \\ s.t.\sum _{j=1} \end{gathered}$$