| 目录 | 第1-4页 |
| 致谢 | 第4-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 第一章 引言 | 第10-24页 |
| ·研究背景 | 第10-18页 |
| ·数据包络分析理论应用的快速发展与评估问题 | 第10-15页 |
| ·研究现状 | 第15-18页 |
| ·研究内容 | 第18-19页 |
| ·数据包络分析博弈论理论与方法 | 第18页 |
| ·DEA中的集成比例分析模型研究 | 第18页 |
| ·处理带多子系统评估问题的DEA模型与实证研究 | 第18-19页 |
| ·数据包络分析与数据挖掘机器学习集成模型与实证研究 | 第19页 |
| ·研究方法 | 第19-20页 |
| ·本文的体系结构 | 第20-21页 |
| ·创新之处 | 第21-24页 |
| 第二章 DEA博弈模型 | 第24-34页 |
| ·Max-min DEA模型 | 第25-27页 |
| ·基于Max-min DEA模型的性质 | 第27-30页 |
| ·效率讨价还价解 | 第30-31页 |
| ·算例分析 | 第31-32页 |
| ·小结 | 第32-34页 |
| 第三章 DEA中的集成比率分析 | 第34-64页 |
| ·建模 | 第35-41页 |
| ·前沿面特征 | 第41-47页 |
| ·关于ARA有效决策单元的恒等式 | 第47-50页 |
| ·决策单元的增减对决策单元ARA有效性的影响 | 第50-57页 |
| ·新增加决策单元DMU_(n+1)后，决策单元ARA有效性的变化 | 第50-55页 |
| ·减少决策单元DMU_n后，决策单元ARA有效性的变化 | 第55-57页 |
| ·算例 | 第57-59页 |
| ·Monte Carlo模拟 | 第59-63页 |
| ·结语 | 第63-64页 |
| 第四章 带子系统的单元效率分析 | 第64-92页 |
| ·保险行业的情况分析 | 第64-65页 |
| ·数据包络分析简介 | 第65-67页 |
| ·分析保险业效率的模型方法 | 第67-70页 |
| ·概念模型 | 第67-68页 |
| ·数学模型 | 第68-70页 |
| ·保险业分析的结果讨论 | 第70-78页 |
| ·效率分析 | 第70-77页 |
| ·灵敏度分析 | 第77-78页 |
| ·效率及保险公司规模 | 第78页 |
| ·银行效率评估问题 | 第78-80页 |
| ·分析银行效率的模型方法 | 第80-83页 |
| ·模糊DEA模型 | 第80-82页 |
| ·概念模型 | 第82-83页 |
| ·银行效率分析结果与讨论 | 第83-90页 |
| ·原始数据 | 第83-85页 |
| ·经典DEA结果 | 第85-86页 |
| ·模糊DEA结果 | 第86-88页 |
| ·跨省效率分析 | 第88-90页 |
| ·小结 | 第90-92页 |
| 第五章 数据包络分析数据挖掘集成模型 | 第92-112页 |
| ·银行效率分析方法: DEA与神经网络 | 第93-94页 |
| ·神经网络与 DEA简介 | 第94-96页 |
| ·DEA神经网络模型与方法 | 第96-97页 |
| ·模型 | 第96页 |
| ·算法 | 第96-97页 |
| ·DEA-NN结果及讨论 | 第97-103页 |
| ·各分行效率分析 | 第98-102页 |
| ·短期效率的预测 | 第102-103页 |
| ·机器学习算法简介 | 第103-106页 |
| ·集成模型 | 第106-108页 |
| ·实例分析 | 第108-110页 |
| ·结论与展望 | 第110-112页 |
| 第六章 结论与展望 | 第112-118页 |
| ·本文的主要结论与创新 | 第112-115页 |
| ·进一步的研究 | 第115-118页 |
| 参考文献 | 第118-128页 |
| 攻读博士学位期间的科研成果与研究的课题 | 第128-134页 |
