2.3 中外合作办学项目效率评价研究的其他相关理论

2.3.1 数据包络分析理论

DEA是1978年由美国著名运筹学家Charnes等人提出的。对于多输入多输出的同类决策单元,也就是Decision Making Unit,简称DMU的相对有效性评价来说,可以基于这个理论用单输入单输出的工程效率来进行处理[110]。DEA是一个线形规划模型,表示为产出对投入的比率。通过对一个特定单位的效率和一组提供相同服务的类似单位的绩效的比较,试图使DMU的效率最大化。在这个过程中,获得100%效率的一些DMU被称为相对有效率单位,而另外的效率评分低于100%的DMU称为无效率单位。

DEA的原始模型主要是解决分式规划问题的,称为C2R模型。从生产函数角度看,可以将这个模型应用到很多方面。如果生产部门是多输入和多输出的,那么,就可以用该模型来分析规模效率与技术效率。该模型使用简便,易于理解。该方法尽管提出的时间较晚,但它在对效率评价方面适用于不同行业,而且应用非常广泛。随后,在此模型的基础上,更多的改进模型被提出。1984年,R.D.Banker、A.Charnes和W.W.Cooper提出新的模型——BCC模型,也称为BC2模型。1985年,Charnes、Cooper和B.Golany、L.Seiford、J.Stutz提出了另外一种高效用模型CCGSS模型,即C2GS2模型。这两个模型非常实用,主要适合对生产部门的技术有效性进行深入分析。在诸多的效率评价方式和方法中,DEA方法的使用是最为广泛的。因此在第5章中,将以黑龙江省的中外合作办学项目为例,用DEA方法对合作办学项目的效率进行评价及优化研究。

2.3.2 战略联盟理论

战略联盟理论是简·霍兰德和罗杰·奈格尔最早提出的,基本思想是从企业发展战略角度,研究企业与企业间的长期合作关系。研究的不是独立企业的战略部署,而是企业与企业间的相互关系,因此与企业战略有本质区别。战略联盟是合作竞争战略的形式。联盟的思想改变了管理者的世界观也对理论与实践产生了影响。未来社会中的经济资源分布将取决于企业联盟集团间、联盟内部企业与单个企业的竞争,竞争形态发生了改变。因此战略联盟理论也开启了企业合作竞争的新篇章。该理论是6.2节的基础,为建立一套新的中外合作办学项目效率优化提供坚实的理论支撑。

2.3.3 支持向量机理论

支持向量机(Support Vector Machine,SVM)是在统计学习理论基础上由Vapnik发明的一种机器学习的理论,它集成了机器学习领域的若干标准技术,其中包括最大间隔超平面、Mercer核、凸二次规划以及稀疏解和松弛变量等技术,在这些技术基础上形成了目前性能最好的机器学习理论。美国的学术杂志将支持向量机评为机器学习领域最流行的方法和最受关注的方向。支持向量机的学习特点是作为分类判别的最佳基础,这样与粒子群优化算法(PSO)相结合,就可以对更多样本进行分类判别,找到最优的结果。粒子群优化算法又名微粒群优化算法,是由Eberhart博士和Kennedy博士发明,它是一种基于群体协作的随机搜索算法。这种算法通过模拟鸟群觅食行为发展演变而来,通常把它划分为群集智能的一种,用于解决优化问题。根据支持向量机理论,在第6章将用该理论来解决主体选择问题,找到适合参加中外合作办学的主体教师以及学生,从而优化中外合作办学项目的效率。

2.3.4 相关向量机理论

2001年,Tipping在贝叶斯框架的基础上提出了相关向量机(Relevance Vector Machine,RVM),它有着与支持向量机类似的稀疏概率模型函数形式,是一种新的监督学习方法。与支持向量机的主要差异是它是基于贝叶斯框架构建学习机的,而支持向量机是基于结构风险最小化原则构建学习机的;此外,它可以获得二值输出与概率输出两种。与SVM相比RVM更加稀疏,虽训练时间长但测试时间缩短,其泛化能力也优于SVM。因此,本书在最后章节中使用该方法判别适合进行合作办学的高校,从而优化中外合作项目的效率。