额外资源按需分配方法研究

王 恰

(中国社会科学院数量经济与技术经济研究所，北京 100732)

摘 要： 文献Wei Quanling等^[1]的最后一段提出了这样一类额外资源分配问题：假设有一些额外的投入资源将要分配给全部或者部分决策单元，如果我们希望分配结果对于整个系统(该系统由全部决策单元组成)来说是最有益的，那么应当如何分配这些额外的投入资源？他们同时还指出系统中哪些决策单元能够获得额外的投入资源，这不仅取决于决策单元的效率，还需要考虑规模报酬。针对此类问题，本文提出一种额外资源按需分配方法：首先，综合决策单元的技术效率与其投影点的规模弹性构建发展曲线，并由决策单元的发展曲线获知其投入变动与产出变动的对应关系；然后，把额外资源分成若干等份，依次分配每一个等份的额外资源，每次分配使系统的总产出增加实现最大，直至分配完全部的额外资源，或者分配某一份额外资源不再带来任何的产出增加，分配就会停止；最后，把决策单元在每一次分配过程中获得的额外资源进行累加，得到这个决策单元最终的分配结果。全文的最后分别在“一个投入一个产出”和“两个投入一个产出”情况下给出两个具体的分配算例。分配结果表明，这种按需分配方法不会缩减任意一个决策单元当前占有的投入资源数量，并且还可以有效地在辨识出某种额外资源在规模上和结构上存在的冗余，从而有效地避免不必要的分配。

关键词： 资源分配；任务分摊；数据包络分析(DEA)；弹性；规模收益

1 引言

资源分配问题是一类广泛且十分重要的问题，属于数学、经济学和管理学的交叉领域。近年来，伴随信息技术的发展，涌现出计算资源分配、存储资源分配、带宽分配、缓存区分配等一类新的分配问题。在这些问题中，硬件和软件资源是不仅有限的，还是实时变动的，随时可能需要增加一定数量的额外资源，或者需要缩减一定数量的资源占用。假设这些资源同时提供给n 个用户或单位(以下称作决策单元，简记为DMU)共同使用。这n 个决策单元具有可比性，他们通过占用并消耗m 种类型的资源(或称“投入”)，获得s 种类型的经济产出(或称“产出”)。如果把这n 个决策单元看作是一个系统，那么根据系统资源占用数量的实时增减需求，决策者应当如何在决策单元之间分配额外的资源投入，或者分摊既定的缩减任务？

为了加以区别，本文称第一类问题为额外资源分配问题，该问题最早提出于文献Wei Quanling等^[1]的最后一段。第二类问题为缩减任务分摊问题。由于资源的稀缺性，系统拥有的资源数量可能无法满足决策单元的全部需求。当系统即将获得一定数量的额外资源时，每一个决策单元都希望分配到尽可能多的额外资源，那么如何分配才能使额外资源发挥最大价值？或者，当系统即将缩减一定数量的资源占用时，每一个决策单元潜在的动机是希望承担尽可能少的缩减任务。如果希望分摊结果对于整个系统来说是最有益的，那么应当如何把资源缩减任务分摊给全部或者部分决策单元？

数据包络分析(DEA)方法是一种以数据为导向的、评价决策单元相对有效性的数学工具，该方法的突出特点是它尤其适应于决策单元具有多个投入和多个产出的复杂情况(魏权龄^[2])。在资源分配问题上，DEA方法也具有十分广泛的应用。Emrouznejad和Yang Guoliang^[3]对SCOPUS数据库中涉及DEA方法的文献进行了统计，发现“资源分配”是DEA领域文献常用的50个关键词之一，截止2016年年底以“资源分配”作为关键词的DEA文献数量达到176篇。

在现有研究中，分配原则通常体现在分配模型的目标函数上。根据目标函数的不同，基于DEA方法的资源分配模型大致可以分为两类。一类分配模型从最大化系统整体效率或者最大化系统总产出的角度，进行资源分配。Golany和Tamir^[4]以最大化所有决策单元的产出作为目标函数，建立资源分配模型。Athanassopoulos^[5]结合多目标规划和DEA方法提出了一种Go-DEA模型，并将该模型应用于政府资金分配。Färe等^[6]指出产出导向模型比投入导向模型更适用于解决资源分配问题，所以他们基于DEA产出导向模型建立分配模型。Yan Hong等^[7]在保持决策单元效率不变的前提下，基于逆DEA模型建立资源分配模型。Beasley^[8]以最大化平均效率为目标，建立资源分配模型。Korhonen和Syrjanen^[9]在投入和产出以等比例变动的前提下，以系统的总产出实现最大为目标函数，建立资源分配模型。Asmild等^[10]从使系统整体效率得到提高的角度考虑，提出一种只分配给无效决策单元的分配模型。Bi Gongbing等^[11]的分配模型则从每一个决策单元的角度考虑，允许每一个决策单元在分配后发生投入规模的增减变动。Nasrabadi等^[12]将提出系统表现的概念，并将其定义为分配资源后决策单元效率的凸组合，他们以系统表现最优为目标函数，建立资源分配模型。Cherchye等^[13]将系统整体效率分解为所有决策单元的产出效率，并据此分解结果进行资源分配。Fang Lei^[14]对非有效决策单元设置某一程度的效率进步，以使系统整体效率得到改进为目标函数，建立资源分配模型。

也就是说，“人工智能+教育”需要完善的教育管理运营体系，方能保障其最终的教学成效，而并非线上线下教学的简单叠加。因此，除课程设置、教育资源、教育模式、技术平台、学习机制、教学评价变革外，尚需建立线上线下同步管理的相应运行机制，对教育资源协作和教与学的各过程环节进行全方位的监督管理。

根据以上算法，这些决策单元最终分配到的额外资源数量分别为：

另一类分配模型是从公平性、折中以及决策单元交叉效率的角度出发，进行资源分配。Mandell^[15]指出分配模型需考虑公平性和有效性。Golany和Tamir^[16]进一步指出分配模型应同时考虑公平、有效和效率，他们称之为3E原则。为了实现公平分配，Athanassopoulos^[17]提出一种两阶段的TARBA模型：第一阶段采用DEA模型的线性形式为每个决策单元找到一组最佳的权重，第二阶段依据这一组权重进行分配。Karsu和Morton^[18]从分配对象相互制约平衡的角度，建立资源分配模型。李晓亚和崔晋川^[19]认为中央决策者在进行资源分配时需要考虑生产效率和规模回报两个因素，他们基于决策单元的折中权，建立资源分配模型。Du Juan等^[20]基于决策单元的交叉效率，建立资源分配模型。崔玉泉等^[21]基于决策单元的随机加权交叉效率和规模弹性，建立资源分配模型。

用北美或西欧等少数西方发达国家的实证和理论成果代表全世界休闲制约模式是片面的。随着中国国际地位的不断提升，中国文化背景下休闲制约研究对世界休闲制约研究有着独特贡献。与少数西方发达国家优越的物质环境条件和个人主义价值观形成鲜明反差，中国休闲研究以城市化进程和集体主义价值观为研究背景。而且，政府对休闲基础设施投入有限、休闲服务供给条件相对落后、公民休闲权力缺乏保障，这些宏观社会因素对休闲制约的影响也往往超越了个人层面。因此，深切关注中国文化背景下休闲制约研究，可为拓展国际休闲制约研究提供重要价值。

以上研究成果对于解决额外资源问题提供了很好的借鉴，但仍然存在以下不足。第一，现有的模型和方法大多从系统最优的角度出发，对系统拥有的全部资源进行重新分配，优化模型给出的分配结果可能会造成决策单元的资源占有数量发生大幅度的增减调整。比如，那些资源利用效率较低的决策单元可能在分配后反而失去了一定数量的投入资源，甚至是不再占有任何资源。或者，那些规模报酬递减的决策单元需要让出一部分原本占有的投入资源。第二，在多个投入多个产出的情况下，优化模型给出的分配结果甚至还可能使决策单元某种投入对应的松弛变量由零变为非零，造成决策单元由原本的强技术有效变为弱技术有效(Zhang Meng等^[22])。这意味着存在这样一种分配结果：某一种额外的投入资源已经全部分配完，而其它额外投入资源尚未分配完。倘若继续分配，那么系统总产出将不再增加。那么，应如何辨识出额外资源结构上的这种冗余，及时地停止分配？第三，现有研究对于额外资源数量几乎没有任何的限制。由于规模报酬效应的存在，额外资源并非越多越好，存在某些(可能不止一个)临界值，当额外资源数量超过这些临界值的时候，整个系统的全部产出将不再增加。那么，应如何辨识出额外资源规模上的这种冗余？系统总产出增加的极限是多少？这些问题仍然值得进一步探讨。第四，现有方法和模型对于决策单元技术效率和规模报酬的考虑并不充分。效率反映了决策单元的资源利用能力，效率越高(低)说明单位资源投入获得的产出越多(少)。规模报酬反映了决策单元的投入规模有效性，规模报酬递增(递减)说明投入规模的不足(冗余)。Wei Quanling等^[1]认为额外资源分配应充分考虑决策单元的技术效率和规模报酬，但是他们尚未建立分配模型。崔玉泉等^[21]的分配模型以交叉效率与规模弹性作为分配权重，但是由于交叉效率综合了决策单元的自评与他评，是多种评价结果之间的平均结果，所以该模型得到的是一种折中的、均衡的分配结果。那么，从额外资源带来最大化产出增加的角度，分配模型应如何综合考虑决策单元的技术效率和规模报酬？

另一方面，关于缩减任务分摊问题，现有研究对此类问题鲜有深入考虑。任务分摊问题与DEA领域中的公共成本分摊问题(Cook和Kress^[23]、Cook和Zhu^[24]、Beasley^[8]、Du Juan等^[20]、Lin Ruiyue^[25]、Li Yongjun等^[26]、雷西洋等^[27]、张冉等^[28])存在某些相似之处，但也有所不同。公共成本分摊问题考虑的是，如何把建设公共平台所需的公共成本分摊给每一个决策单元，并作为这个决策单元额外增加的投入^[20]。例如，把某一企业的广告费用支出分摊给每一个零售商^[23]。在这两类问题中，决策单元的动机是相同的，每一个决策单元希望自己承担的缩减任务或者公共成本越少越好。不同的是，公共成本分摊问题隐含的假设是，系统整体拥有的投入资源将有所增加，这部分增加的投入将用于公共成本支出；而任务分摊问题隐含的假设则是，系统整体拥有的投入资源将有所减少。尽管一些资源分配模型(例如，Golany和Tamir^[4]、Bi Gongbing等^[11]、Yan Hong等^[7])也可以用来解决任务分摊问题，但是这些模型得到的分配结果属于资源的重新配置，这很可能使系统整体的资源利用率得到提高，造成系统的总产出在分摊后反而有所增加。

本文认为额外资源分配和缩减任务分摊应按照系统资源占用数量的实时增减需求进行“按需分配”，即：对系统需要额外增加或减少的那一部分资源进行配置，并非对系统可占用全部资源进行重新配置。

该研发中心以科技项目合作研发机制为基础，结合技术合作交流方式开展运作。双方在研发中心的基础上实现资源共享合作，在条件成熟和许可的情况下逐步建立和共享技术专家、大型科研试验设备、科技文献、数据等资源，实现科研平台共建互用。

其次，从充分利用额外资源的角度，额外资源分配应使系统的总产出增加达到最大。当额外资源数量不足以满足系统内决策单元的全部需求时，分配结果应使有限的额外资源发挥最大的价值，即分配应实现产出增量的最大化。当额外资源投入在规模上、或者在结构上存在冗余时，额外资源分配应适可而止，即：在额外资源投入不再带来产出增加的时候及时地停止分配，而不必将全部额外资源分配出去。另一方面，解决任务分摊问题时应使系统的总产出减少实现最小。并且，一旦存在一种投入资源的缩减任务超过系统当前的拥有数量，分摊应及时地停止。

再有，不论是分配还是分摊，都应考虑到系统内每一个决策单元当前的资源占用情况。在额外资源分配问题中，系统内任何一个决策单元所占有的资源数量不应因此而被削减，即：决策单元的资源占有数量要么保持不变，要么有所增加。在任务分摊问题中，系统内任何一个决策单元也不应因此而拥有更多的资源，即：决策单元的资源占有数量要么保持不变，要么有所缩减。

最后，选择哪些决策单元进行分配或分摊，这取决于在增减资源投入后决策单元产出的变动情况。对于技术有效的决策单元而言，决策者能够依据规模可变生产前沿面进行判断。那么，对于非技术有效的决策单元而言，应该如何对他们的投入和产出变动关系进行估计？佘冰玲和崔晋川^[29]在“一个投入一个产出”情况下，综合决策单元的技术效率与规模弹性建立发展曲线。发展曲线概念的提出，对于估计决策单元(特别是非技术有效的决策单元)在投入规模扩大或缩小后产出数量的变动情况，提供了一种新的思路。那么，能否将其推广至“多个投入多个产出”情况？

综合以上，本文在“多个投入多个产出”情况下提出一种额外资源按需分配方法。首先，综合决策单元的技术效率与其投影点的规模弹性构建发展曲线，并由决策单元的发展曲线获知其投入变动与产出变动的对应关系。然后，把额外资源分成若干等份，每一等份尽可能的小，把每一份额外资源分配给产出增加最大的那些决策单元；重复这一过程，直至分配完全部的额外资源，或者任意一个决策单元的产出都不再增加。最后，把决策单元在每一次分配过程中获得的资源进行累加，得到这个决策单元最终的分配结果。本文称这种分配过程为按需分配，因为它能够按照系统实际的分配需求进行分配，分配结果不会缩减任意一个决策单元当前占有的资源数量，并且在发现额外资源存在冗余时能够及时地停止分配，避免不必要的分配。

关于缩减任务分摊问题，分摊时同样依据决策单元的发展曲线，并把每一份的缩减任务分摊给产出减小最少的那些决策单元，重复这一过程，直至完成分摊任务，或者决策单元拥有的资源已经全部被分摊。由于篇幅的限制，具体模型从略。

where Al1 is the amplitude distribution and α is the phase distribution. These distributions can be expressed as follows:

2 基本假设和基本模型

把这n 个决策单元分别记作：DMU ₁，DMU ₂，…，DMU _n 。对于任意的DMU _j (j =1,…,n )，他的投入为X _j =(x _1j ,x _2j ,…,x _mj )^T ，产出为Y _j =(y _1j ,y _2j ,…,y _sj )^T ，并且满足X _j >0,Y _j >0。分配前，系统拥有的资源数量为

假设系统获得了额外的m 种额外投入资源R ≧0，记作R =(r ₁,r ₂,…r _m )^T 。并且，额外资源R (m维)与系统在分配前拥有的资源数量(m维)在m 种投入上(在m 个维度上)所成的比例可能全部相同，也可能并不相同。不妨记，DMU _j 在分配后投入增加ΔX _j =(Δx _1j ,Δx _2j ,…,Δx _mj )^T ≧0，产出增加ΔY _j =(Δy _1j ,Δy _2j ,…,Δy _sj )≧0，见图1。分配后系统增加的资源数量将小于等于额外资源数量，即≦R 。

于是，额外资源分配问题转化为，求解出一组ΔX ₁,ΔX ₂,…,ΔX _n 使系统的总产出增加实现达到最大。在多个产出的情况下，这将是一个多目标优化问题，它的最优解是Pareto解。

图1 额外资源分配问题中，分配前后决策单元的投入与产出

2.1 基本假设

假设1：在额外资源分配问题中，不需要考虑额外投入资源的来源和成本。比如，这笔额外资源来自于政府补贴，额外资源的成本由政府承担。系统内任意一个决策单元都是理性的，希望分配到尽可能多的额外资源。

≧

假设3：额外资源分配不应缩减决策单元任意一种投入原本的占有数量，即满足ΔX _j ≧0。

假设4：额外资源分配需要综合考虑决策单元的发展曲线。分配过程中，选择那些能够产出增加最大的那些决策单元进行分配，从而保证每一次分配使系统总产出增加实现最大。

假设5：额外资源分配问题不考虑技术进步(假设生产可能集保持不变)，这意味着分配后决策单元的投入产出数据仍然落在原来的生产可能集中。

2.2 计算DMUs技术效率的模型：BCC模型

Banker等^[30]在规模收益可变假设下，提出了BCC模型。模型(1)是产出导向的BCC模型，它的最优值是DMU ₀(X ₀,Y ₀)的技术效率。

maxη ₀

应该说，随着电商法实施，代购行业、电商行业将面临一轮重新洗牌，不合规经营者会出局。而对消费者来说，今后在购买商品时不仅质量可以得到保障，同时在售后维权等环节的权益也会得到保护。展望未来，非法个人代购时代将会终结，海外代购市场则会在法律框架内实现良性有序发展。

λ _j ≧0,j =1,…,n

(1)

步骤1：如果那么分配结束，分配结果为

y =4，当5≦x 时。

综上所述，急性葡萄膜炎可能是唑来膦酸注射液引起的一种APR，在临床使用唑来膦酸时，应告知患者可能会出现眼部不良反应，一旦发生急性葡萄膜炎，有必要采取糖皮质激素治疗。唑来膦酸相关性急性葡萄膜炎的发病机制以及减少其发病率的具体有效措施，仍然有待进一步研究。

maxe _1×m s ^-+e _1×s s ⁺

λ _j ≧0,j =1,…,n

(2)

其中，e _1×m 和e _1×s 分别表示1×m 维和1×n 维的单位向量。模型(2)的最求解记为s ^-*和s ^+*，它们是一组最大的松弛变量。

DMU ₀是弱技术有效的，当且仅当是强技术有效的，当且仅当并且s ^-*=s ^+*=0。DMU ₀是技术无效的，当且仅当

令和由于点是强技术有效的，故称点为决策单元DMU ₀在生产前沿面强有效部分上的投影。

根据模型(1)和(2)，BCC模型的生产可能集为：

妻子过去不说粗鲁话，现在经常说。我吃惊地望着妻子，难道皮肤病里有毒，她的身上染上毒，她的心理一样染上毒？

2.3 计算DMUs规模报酬的模型：弹性模型

考虑决策单元的投影点沿着BCC生产前沿面，让投影点分别以固定比例α (α >1)和β (β ≧1)同时扩大DMU ₀的m 种投入和s 种产出，达到点点仍然在生产可能集之内，即满足：

投影点的右弹性等于当α →1⁺时，产出扩大的比例与投入扩大的比例两者比值的极限，即：由于BCC生产前沿面是凸包络面，这一极限等于两者比值的最大值。于是，DMU ₀的右弹性由下面的模型计算得到。

α >1,β ≧1

λ _j ≧0,j =1,…,n

(3)

模型(3)的前两个约束条件可以写为：≦和≧令模型(3)可以转化为以下线性形式。

≦

假设2：分配目标是使系统的总产出增加实现最大化。由于该问题需要计算既定额外投入增加时最大化的产出增量是多少。相比DEA投入导向的模型，该问题更适宜采用DEA产出导向的模型(Fare等^[6])，所以本文采用产出导向的模型。

ω _j >0,j =1,…,n

(4)

投影点的左弹性等于当α →1^-这一极限过程中，产出缩减的比例与投入缩减的比例两者比值的最小值。计算决策单元左弹性的数学规划模型，推导过程同上。

2.4 计算DMUs发展曲线的算法

根据Banker等^[30]，决策单元的规模报酬与其投影点的规模报酬类型相同。因而，发展曲线的基本假设是：决策单元在发展曲线上的右弹性与其投影点在BCC生产前沿面上的右弹性相等；决策单元在反方向发展曲线上的左弹性与其投影点在BCC生产前沿面上的左弹性相等。

在多个投入多个产出情况下，DMU ₀的发展曲线通过不断扩大DMU ₀的投入规模得到。不妨设，每次以数量ξ >0扩大第i 种投入(i =1,…,m )。

步骤1：以点(X ₀,Y ₀)为起点。由模型(1)和(2)计算得到点(X ₀,Y ₀)的投影点，再由模型(4)计算得到其投影点的右弹性

如果那么当α 由1趋向正无穷，点(αX ₀,Y ₀)的轨迹形成一条射线。迭代结束。

如果那么令ξ >0表示某一无穷小量，当α 由1趋向令令点的轨迹将形成一条线段。

步骤2：以点为起点，返回步骤1。

步骤3：把以上算法得到的线段和射线是相连的，它们共同构成DMU ₀的发展曲线。

教师可在元旦晚会或者迎新晚会之际，协调学校相关部门举行古诗歌朗诵大赛。这种大型的实践活动，是展示学生诵读水平的平台，也是提升学生诵读能力的一个契机，可充分调动师生的参与性与积极性。这就需要教师指导学生筛选参赛古诗文，并应用多元化的表演方式进行准备与排练，点燃学生的诵读热情，学生的诵读水平也能得到显著提升，同时学生家长的参与热情也高涨，为学生的参赛做准备。一次大型的实践活动，展示出学生的诵读水平，也是教师进行进一步诵读教学的主要依据。经典诵读，促进学生接受古典文化的洗礼；大型实践活动，促使学生积极主动地学习古典文化，形成了一个良好的互动循环。

重复上述步骤，计算出所有决策单元的发展曲线。为了便于使用，把DMU _j (j =1,…,n )的发展曲线记作F _j (X ,Y )=0。

3 额外资源按需分配算法

由于额外资源R 对于当前的系统来说可能是不足的，也可能过量的，所以本节给出的按需分配算法把额外资源分成若干等份，每次分配仅分配一个等份的额外资源，直至分配出全部的额外资源，或者某一份额外资源的分配不能带来任何的产出增加。

对于每一等份的额外资源，分配原则是依据决策单元的发展曲线，把这一份额外资源分配给产出增量最大的那些决策单元，从而确保这次分配使系统总产出增加达到最大。分配到额外资源的决策单元，他们的投入与产出将依据发展曲线的走势进行扩大，并进入到下一次分配。未分配到额外资源的决策单元，他们的投入与产出将保持不变，并进入到下一次分配。上述分配原则保证了最终的分配结果不会缩减任意一个决策单元原本占有的资源数量。

KALDI工具包为不同语料库提供了几个示例性数据准备。这些数据准备的功能包括LDA+MLLT、说话人自适应训练（SAT）、最大似然线性回归（MLLR），特征空间 MLLR（fMLLR）和最大互信息（MMI、FMMI）。Kaldi识别工具包还支持高斯混合模型（GMM）和子空间模型（SGMM）。进一步在基于受限玻尔兹曼机的分层预训练，基于每帧交叉熵训练和序列鉴别训练的GMM模型上对深度神经网络（DNN）进行训练，使用网格框架并优化状态最小值贝叶斯风险准则[12，13]。

假设把额外资源R 等分为M 份(M 为某无穷大常数)。以下算法在每次迭代的过程中，把R /M 的额外资源在决策单元之间进行分配。

以(X _j ,Y _j )为作为DMU _j 当前的投入和产出，令

其中，s ^-和s ⁺分别表示分别投入和产出的松弛变量。λ ₁,λ ₂,…,λ _n 分别表示DMU ₀赋予每个决策单元的权重。

如果≦R ，那么通过求解以下优化模型对额外资源R /M 进行分配。

s .t .F _j (X _j +ΔX _j ,Y _j +ΔY _j )=0,j =1,…,n

≦

ΔX _j ≧0, ΔY _j ≧0,j =1,…,n

(5)

记模型(5)的最优解为以及如果最优值的全部元素均为零，那么不进行分配，分配结束。否则，DMU _j 分配到的额外资源数量为ΔX _j ^*，分配后他的产出预计将增加ΔY _j ^*。

步骤2：进行额外资源分配，(符号:=表示把等式右面的值赋给等式左边)。同时，扩大决策单元的投入和产出，令(X _j ,Y _j ):=(X _j +ΔX _j ^*,Y _j +ΔY _j ^*)。返回步骤1。

“片区教研”是深入基层学校，更广泛地服务一线教师的有效教研活动。“片区教研”通过课堂展示和专题研讨，向与会一线教师传达课堂教学信息，有效促进区域学校教研成果的有效交流，对激励区域学校教研活动的开展起到极大的促进作用，尤其是有利于引导年轻教师热爱教学、研究教学，不断丰富和积累课堂教学经验，创新课堂组织形式，促进教师专业成长。

4 算例

4.1 算例1

本例在“一个投入一个产出”情况下考虑5个决策单元，见表1。其中，I(1)表示投入，O(1)表示产出。决策单元的技术效率由模型(1)计算得到。DMU ₁、DMU ₄和DMU ₅是强技术有效的，投影点分别是其自身。DMU ₂和DMU ₃是技术无效的，DMU ₂的投影点坐标为(14/5,13/5)，DMU ₃的投影点坐标为(3,3)，正好是DMU ₄的坐标。把投影点带入模型(4)，得到每一个决策单元在其发展曲线上当前坐标位置的右弹性。图2给出了由这5个决策单元得到BCC生产前沿线和BCC生产可能集。

表1 算例1中的5个决策单元

图2 BCC生产可能集

根据第2.4节发展曲线的迭代算法，得到这5个决策单元发展曲线的函数表达式：

DMU ₁:y =2x -3，当2≦x <3时；

y =(1/2)x +(3/2)，当3≦x <5时；

y =4，当5≦x 时。

DMU ₂:y =(12/13)x -18/13，当14/5≦x <3时；

观察组问卷由研究人员在我院接受家庭干预训练模式培训ASD儿童的符合纳入标准的母亲(主要养育者)中发放，对照组问卷由研究人员同期在儿保门诊中向符合纳入对照组标准的儿童的母亲发放，两组均使用统一指导语指导养育者填写，并讲解研究目的和保密原则，填写完毕，当场回收。

初始状态下，系统的总投入是15.8，总产出是11.2。利用第3节中的按需分配算法进行额外资源分配：

y =24/13，当5≦x 时。

DMU ₃:y =(1/3)x +1，当3≦x <5时；

综合考虑施工速度和安装稳定性的要求以及安装的可行性，确定在吊索距离安装位置约1m时方才开始分批张拉。结合试算结果，最终确定各类钢索的张拉顺序为：张拉吊索到剩2.5m→张拉谷索就位→张拉吊索到剩1m→分3批张拉吊索就位→张拉脊索就位。

y =8/3，当5≦x 时。

DMU ₄:y =(1/2)x +(3/2)，当3≦x <5时；

由于松弛变量的存在，在判断DMU ₀是否为技术有效时，还需要进一步求解模型(2)：

DMU ₅:y =4，当5≦x 时。

该设计选用STM32F103RCT6作为控制核心，需要调用几个片内外设，Nokia5110显示器需要一组连续的普通GPIO口资源，驱动定时器需要定时器的PWM输出，还需要一个串口USART用来调试。外部晶振采用了8MHz的无源晶振，另外还增加了22pF的补偿电容，作为系统时钟源。STM32F103RCT6的引脚数目能够满足要求。

y =(3/13)x +9/13，当3≦x <5时；

当0≦R ≦1时，最优的分配结果是：DMU ₁获得全部的额外资源。其他决策单元未获得任何额外资源。此时，系统总产出的最大增量

当1<R ≦1.2时，最优的分配结果是：DMU ₁分到额外资源数量为1，DMU ₂分到额外资源数量为R -1。其他决策单元未获得任何额外资源。此时，系统总产出的最大增量

当6/5<R ≦26/5时，最优的分配结果应满足：DMU ₁和DMU ₄分到的额外资源数量总和为R -0.2，并且DMU ₁分到的额外资源数量不低于1。从公平性的角度来看，应从R -0.4之中扣除1个单位的额外资源后，剩余的部分在DMU ₁和DMU ₄之间平均分配。于是，DMU ₁分配到的额外资源数量为0.5R +0.4。DMU ₄分到的额外资源数量为0.5R -0.6。DMU ₂分到的额外资源数量为0.2。DMU ₃和DMU ₅未获得任何额外资源。此时，系统总产出的最大增量

其余情况(当26/5<R ≦36/5时，当36/5<R ≦46/5时，当46/5<R 时)的分配结果见表2。

表2 算例1每一阶段额外资源分配方案

上述分配过程说明，随着额外资源R 不断增加，选择进行额外资源分配的决策单元不断发生着变化，分配次序依次为：DMU ₁≻DMU ₂≻DMU ₁,DMU ₄≻DMU ₃≻DMU ₂(≻表示优先于)。于是，决策单元的选择过程可划分为五个阶段，见图3中的①至⑤。在每一阶段，按需额外资源分配算法每次总是优先选择全部发展曲线之中斜率最大的一段折线段进行分配。

第一阶段的额外资源数量在0和1之间(0≦R ≦1)，此时额外资源R 只分配给DMU ₁。于是，单位额外资源投入带来的总产出增加，取决于DMU ₁发展曲线在点(2,1)到点(3,3)这一段折线段的斜率。所以，第一阶段系统总投入最大增量为1，系统总产出最大增量为2，边际总产出增加为2。

进入到第二阶段后，DMU ₁保持第一阶段获得额外资源(数量为1)，不再增加。余下的额外资源(数量为R -1)只分配给DMU ₂。在此阶段，单位额外资源投入带来的总产出增加，取决于DMU ₂发展曲线在点(14/5,6/5)到点(3,18/13)这一段折线段的斜率。所以，第二阶段系统总投入最大增量为1/5，系统总产出最大增量为12/65，边际总产出增加为12/13。

图3 分配过程中选择决策单元的先后次序

进入到第三阶段后，DMU ₂保持第二阶段获得的额外资源(数量为1/5)，不再增加。DMU ₁除了拥有第一阶段获得的额外资源(数量为1)，还将与DMU ₄均分余下额外资源(数量为0.5R -0.6)。在此阶段，单位额外资源投入带来的总产出增加，取决于DMU ₁和DMU ₄发展曲线在点(3,3)到点(5,4)这一段折线段的斜率。所以，第三阶段系统总投入最大增量为4，系统总产出最大增量为2，边际总产出增加为1/2。

同理可知，第四阶段的边际总产出增加为1/3，它取决于DMU ₃发展曲线在点(3,2)到点(5,8/3)这一段折线段的斜率。第五阶段的边际总产出增加为3/13，它取决于DMU ₂发展曲线在点(3,18/13)到点(5,24/13)这一段折线段的斜率。

由此可知，从第一阶段至第五阶段，单位额外资源投入带来的系统总产出增加不断降低，直至系统总产出增加为零。因此，随着额外资源不断增加，边际系统总产出增加是一种“台阶状”递减的。

图4给出了额外资源数量与系统总产出增量两者的数量关系。由于它们的关系表现为折线段形式，所以这条折线段的斜率(即边际系统总产出增加)是“台阶状”的，并且是递减的。当额外资源数量达到9.2时，系统总产出增量达到最大，为2+12/65+2+2/3+6/13≈5.313(①至⑤阶段的最大产出增量的累加)。当额外资源数量超过9.2时，系统总产出增量将保持5.313不变。

图4 额外资源数量与总产出对应关系图

4.2 算例2

本例在“两个投入一个产出”的情况下，考虑6个决策单元。他们的投入产出数据见表3。其中，I(1)表示第一种投入，I(2) 表示第二种投入，O(1)表示产出。决策单元的技术效率和右弹性由模型(1)(2)(4)计算得到。仅有DMU ₂是技术无效的，其他决策单元均为强技术有效的。由这6个决策单元得到的BCC生产可能集为三维凸多面体，见图5。

表3 算例2中的6个决策单元

注：表内技术效率和右弹性的数值为四舍五入近似值。本例采用软件Matlab2016b计算。

注：图中的空心圆点为DMU ₂的投影点。
图5 BCC生产可能集

取ξ =0.001(若精度要求更高，可在初始设置将ξ 取更小的值)，计算决策单元的发展曲线。如图6所示，只有DMU ₂的发展曲线保持在BCC前沿面以内，而其他决策单元的发展曲线都在BCC前沿面上。DMU ₅和DMU ₆的发展曲线上任意一点的右弹性均为零。

图6 决策单元的发展曲线

额外资源分配同样是优先对发展曲线中最陡峭的部分进行分配。随着额外资源的不断增加，分配次序依次为：DMU ₁≻DMU ₂≻DMU ₃≻DMU ₁≻DMU ₂≻DMU ₄，见图7。

图7 分配过程中选择决策单元的先后次序

图8给出了系统总产出增量与额外资源的三维图。额外资源数量越大，系统总产出增量越大。系统总产出增加存在极限，这一极限的数值四舍五入后为19.975。

图8 额外资源数量与总产出对应关系图

在这个算例中，由于具有两种投入，很可能出现一种额外投入资源已全部分配完，而另一种额外投入资源尚未分配完。相比以往的资源分配模型，按需分配算法的优势是这种算法能够辨识出这种由额外投入资源结构(两种投入的比例关系)上的冗余。

例如，考虑一种极端的情况：第一种额外投入资源是充足的，第二种额外投入资源是有限的。在图8中，令第二种投入保持某一既定数量不变，作一个平面，那么这个平面与图8中的凸多面体(BCC生产可能集)存在一条交线。这条交线反映出任意第一种投入资源数量对应的系统总产出增量，见图9。这条交线是边际递减的，并且它的极限值代表了系统总产出增量的极限(低于19.975)。尽管第一种额外投入资源是充足的，但是系统只需要有限数量的第一种额外投入资源，过量的第一种额外投入资源对于这个系统来说是不必要的。

图9 第一种额外投入资源数量与总产出对应关系图

5 结语

文献Wei Quanling等^[1]的最后一段提出了这样一类额外资源分配问题：假设有一些额外的投入资源将要分配给全部或者部分决策单元，如果我们希望分配结果对于整个系统(该系统由全部决策单元组成)来说是最有益的，那么应当如何分配这些额外的投入资源？

针对这类问题，本文提出一种额外资源按需分配方法。与现有方法相比，这种方法具有以下三方面特点。第一，该方法给出的分配结果不会缩减任意一个决策单元当前占有的资源数量，所以不会出现分配后某个决策单元的投入反而变小的情况。第二，该方法能够给出增加任意数量的额外资源，系统总产出最大能够增加多少，为决策者提供分配后系统预期的总投入与总产出，以及每一个决策单元预期的投入与产出。第三，这种方法还可以在发现额外资源的规模上和结构上存在冗余时及时地停止分配，从而避免不必要的分配。在多种投入的情况下，很可能出现这种情况：某种额外资源已经全部分配完，而其他投入尚未全部分配完，但是继续对尚未分配完的投入进行分配，系统总产出将保持不变。不能使系统总产出增加的分配，实际上是无效的分配。所以，分配算法能够自动地识别出额外资源存在的冗余并停止分配，这对于额外资源的有效利用尤为重要。

本文给出的方法仍然具有一定的局限性，仍然存在一些问题需要进一步的深入研究。首先，本文给出的计算决策单元发展曲线算法与额外资源按需分配算法在本质上都属于“步长法”。这种方法需要针对具体情况预先设定步长。当步长设置得过大，会带来估计偏差；步长设置得过小，会大大增加算法需要的循环次数。尽管存在着以上不足，但是“步长法”作为一种较为实用的估计方法，在对DEA生产前沿走势进行估计时取得了比较理想的估计结果，见Asmild 等^[31]和Khoshandam等^[32]。那么，除了“步长法”，是否存在其他的优化方法能够解决额外分配问题？

其次，在多个产出的情况，本文给出的分配模型是一个目标规划模型，最优解为Pareto解，最优解可能存在多个，所以分配方案可能并不唯一。例如，算例1中的第三阶段，存在一部分额外资源需要在DMU ₁和DMU ₄之间进行分配。从系统整体来看，这一部分资源全部分配给DMU ₁，或者全部分配给DMU ₄，或者以任意比例在DMU ₁和DMU ₄之间进行分配，系统的总产出增加是相同的。但是，对于决策单元个体来说，DMU ₁和DMU ₄都希望自己获得尽可能多的额外资源。为了使分配算法给出唯一的分配方案，可能需要参考Mandell^[15]、Golany和Tamir^[16]、李晓亚和崔晋川^[19]的做法，增添一些考虑分配公平性和折中性的约束条件。除此之外，分配模型最终得到的系统总产出增加，也可能不是唯一的。例如，某一种分配方案得到的系统总产出增加为另一种分配方案的得到的系统总产出增加为并且有和这两组结果均为分配问题的最优解，那么决策者应当如何取舍？此时可能需要参考偏好锥模型^[1]，通过建立带产出偏好权重的分配模型，得到唯一的分配方案。

再有，本文给出的额外资源分配方法仅适用于增加既定数量的系统总投入情况，例如增加某一行业的财政补贴、增加科研津贴，增加额外硬件资源，配置新入职人员，等等。缩减任务分摊问题面向减少既定数量的系统总投入情况，因篇幅限制本文对此未作展开。除此之外，还存在另外两类“按需配置”问题也值得深入探讨：1)假设决策者设定了某一系统总产出增加的目标(或任务)，现需要安排给全部或者部分决策单元完成，那么如何花费最小的代价(即使系统投入增加最小)使该目标得以实现？该问题面向增加既定数量的系统总产出情况，比如地方政府或者企业计划增加既定数量的某些经济产出。2)假设决策者计划压缩一定数量的现有产出规模，那么应当如何对每一个决策单元设置产出压缩目标？该问题面向减少既定数量的系统总产出情况，现实中对应于淘汰过剩产能这一类非常重要的经济问题。

参考文献：

[1] Wei Quanling, Zhang Jianzhong, Zhang Xiangsun. An inverse DEA model for inputs/outputs estimate [J]. European Journal of Operational Research, 2000, 121(1):151-163.

[2] 魏权龄.数据包络分析(DEA) [M].北京:科学出版社, 2004.

[3] Emrouznejad A, Yang Guoliang. A survey and analysis of the first 40 years of scholarly literature in DEA: 1978-2016[J].Socio-Economic Planning Sciences, 2018, 61: 4-8.

[4] Golany B, Tamir E. Evaluating efficiency-effectiveness equality trade-offs: A data envelopment analysis approach [J]. Management Science, 1995, 41(7): 1172-1184.

[5] Athanassopoulos A D. Goal programming & data envelopment analysis (GoDEA) for target-based multi-level planning: Allocating central grants to the Greek local authorities [J]. European Journal of Operational Research, 1995, 87(3): 535-550.

[6] Färe R, Grabowski R, Grosskopf S, et al. Efficiency of a fixed but allocatable input: A non-parametric approach [J]. Economics Letters, 2004, 56(2):187-193.

[7]Yan Hong, Wei Quanling, Hao Gang. DEA models for resource reallocation and production input/output estimation [J]. European Journal of Operational Research, 2002, 136(1):19-31.

[8] Beasley J E. Allocating fixed costs and resources via data envelopment analysis [J]. European Journal of Operational Research, 2003,147 (1):198-216.

[9] Korhonen P, Syrjanen M. Resource allocation based on efficiency analysis [J]. Management Science, 2004, 50 (8):1134-1144.

[10] Asmild M, Paradi J C, Pastor J T. Centralized resource allocation BCC models [J]. Omega, 2009, 37(1):40-49.

[11] Bi Gongbing, Ding Jingjing, Luo Yan, et al. Resource allocation and target setting for parallel production system based on DEA [J]. Applied Mathematical Modelling, 2011, 35(9):4270-4280.

[12] Nasrabadi N , Dehnokhalaji A , Kiani N A, et al. Resource allocation for performance improvement[J]. Annals of Operations Research, 2012, 196(1):459-468.

[13] Cherchye L, Rock B D, Dierynck B, et al. Opening the “Black Box” of efficiency measurement: Input allocation in multioutput settings[J]. Operations Research, 2013, 61(5):1148-1165.

[14] Fang Lei. Centralized resource allocation based on efficiency analysis for step-by-step improvement paths [J]. Omega, 2015, 51:24-28.

[15] Mandell M B. Modeling effectiveness-equity trade-offs in public service delivery systems [J].Management Science 1991; 37(4):467-482.

[16] Golany B, Tamir E. Evaluating efficiency-effectiveness-equality trade-offs: A data envelopment analysis approach [J]. Management Science, 1995, 41(7):1172-1184.

[17] Athanassopoulos A D. Decision support for target-based resource allocation of public services in multiunit and multilevel systems [J]. Management Science, 1998, 44(2):173-187.

[18] Karsu Ö, Morton A. Incorporating balance concerns in resource allocation decisions: A bi-criteria modelling approach [J]. OMEGA, 2014, 44: 70-82.

[19]李晓亚, 崔晋川. 基于DEA方法的额外资源分配算法[J]. 系统工程学报, 2007, 22(1):57-61.

[20] Du Juan, Cook W D , Liang Liang, et al. Fixed cost and resource allocation based on DEA cross-efficiency [J]. European Journal of Operational Research, 2014, 235(1): 206-214.

[21]崔玉泉, 张宪, 芦希, 等. 随机加权交叉效率下的资源分配问题研究[J]. 中国管理科学, 2015, 23(1):121-127.

[22] Zhang Meng, Wang Lili, Cui Jinchuan. Extra resource allocation: A DEA approach in the view of efficiencies [J]. Journal of the Operations Research Society of China, 2018(1):1-22.

[23] Cook W D, Kress M. Characterizing an equitable allocation of shared costs: A DEA approach [J]. European Journal of Operational Research, 1999, 119(3):652-661.

[24] Cook W D, Zhu Joe. Allocation of shared costs among decision making units: A DEA approach [J]. Computers and Operations Research, 2005, 32(8):2171-2178.

[25]Lin Ruiyue. Allocating fixed costs or resources and setting targets via data envelopment analysis [J]. Applied Mathematics & Computation, 2011, 217(13):6349-6358.

[26]Li Yongjun, Yang Feng, Liang Liang, et al. Allocatingthe fixed cost as a complement of other cost inputs: A DEA approach [J]. European Journal of Operational Research, 2009, 197(1):389-401.

[27] 雷西洋, 戴前智, 李勇军, 等. 考虑系统内部平行结构的DEA资源分摊方法[J]. 中国管理科学, 2015, 23(1):50-55.

[28] 张冉, 冉伦, 杜涛, 等.考虑满意度的两阶段DEA固定成本分摊方法[J]. 中国管理科学, 2019, 27(2):138-149.

[29] 佘冰玲,崔晋川.基于DEA和弹性的额外资源分配算法[J]. 运筹与管理, 录用.

[30] Banker R, Charnes A, Cooper W W. Some models for estimating technical and scale inefficiencies in Data Envelopment Analysis [J]. Management Science, 1984, 30(9):1078-1092.

[31] Asmild M, Paradi J C, Reese D N. Theoretical perspectives of trade-off analysis using DEA [J]. Omega, 2006, 34: 337-343.

[32] Khoshandam L, KazemiMatin R, Amirteimoori A. Marginal rates of substitution in data envelopment analysis with undesirable outputs: A directional approach[J]. Measurement, 2015, 68:49-57.

On -Demand Extra Resource Allocation

WANG Qia

(Institute of Quantitative and Technical Economics,Chinese Academy of Social Sciences, Beijing 100732, China)

Abstract ： The last paragraph of literature Wei Quanling et al. ^[1] raises an extra resource allocation problem: suppose there are some extra resources which can be given to all or only a part of DMUs, and if we want the allocation to be most beneficial to the whole system, how should the extra resources be distributed. They also point out that the extra resource allocation problem and the selection of DUMs should depend on not only DMUs’ efficiency, but also the returns to scale. An on-demand allocation method is proposed to deal with such problem.Firstly, on the basis of technical efficiency and scale elasticity,DMUs’development curves are established. Development curves are used to reveal the corresponding relationships between input change and output change. Secondly, extra resources are divided into several equal parts, and the allocation goal of each part is to achieve the maximum output increase.The allocation will stop once all extra resources are allocated or a part of extra resources does not result in any output increase. Finally, the extra resources obtained by DMU in each allocation process are accumulated to obtain the final allocation results.At the end of this paper, two examples are given to illustrate our method, in the case of ‘one input and one output’ and ‘two inputs, one output’ respectively.The allocation results show that the method proposed in this paper do not reduce the amount of input resources currently occupied by any DMU. Moreover, it can identify the redundancy of extra resources in scale or in structure, so as to timely avoid unnecessary distribution.

Key words ： resource allocation; task allocation; Data Envelopment Analysis (DEA); elasticity; Return To Scale (RTS)

中图分类号： C931

文献标识码： A

文章编号： 1003-207( 2019) 06-0206-11

DOI: 10.16381/ j.cnki.issn1003-207x.2019.06.019

收稿日期： 2017-01-15； 修订日期： 2019-03-15

通讯作者简介： 王恰(1986-)，女(汉族)，北京人，中国社会科学院数量经济与技术经济研究所，助理研究员,研究方向：资源技术经济,E-mail: wangqia@cass.org.cn.

标签：资源分配论文;  任务分摊论文;  数据包络分析(DEA)论文;  弹性论文;  规模收益论文;  中国社会科学院数量经济与技术经济研究所论文;