자료포락분석(DEA)은 동시에 효률성점수와 비효률적인 DMU의 목표들을 제공하며 이 두 정보들은 보통 분리할수 없다. 만일 비효률적인 DMU가 목표로부터 멀다면 단일한 이동으로 그것에 도달하는것은 불가능하며 따라서 보다 합리적인 선택은 목표에 도달하기 위하여 단계별로 점차적으로 개선해나가는것이다.
이 연구집단에서는 CRS가정하에서 입력과 출력에 대한 학습이 아니라 생성함수의 학습으로서 개선단계를 고려하는 성능검사경로를 결정하는데 도움을 주는 방법을 제안하였다. 무엇보다도 효률적인 DMU들속에서 가장 가까운 목표를 발견하기 위한 모형을 제기하였다. 다음으로 비효률적인 DMU들에 대한 단계별개선을 결정하기 위하여 층화를 진행하였다. 마지막으로 전체 경로에 관하여 최종목표들을 향한 가장 짧은 경로들을 발견하기 위하여 Dijkstra알고리듬을 리용하였다. 이를 위하여 2개의 DMU들의 생성함수들사이 근접 정도를 반영하는 거리개념을 정의하고 방향을 가진 무게붙은 그라프를 구성하였으며 최단경로들을 발견하기 위한 알고리듬을 제시하였다.
이 연구에서 제안된 방법은 여러가지 형태로 적용될수 있다. 실례로 DMU들의 수가 작은 경우에 리력자료는 경로결정을 위한 중간 및 최종목표들을 설정하기 위하여 함께 리용될수 있다. 또한 한번에 다중준위로 뛰여넘을수 있는 능력을 가진 일부 DMU들에 대하여 무게붙은 방향그라프를 새롭게 구축하고 최단경로를 찾을수 있다.
이상의 연구결과는 《Expert Systems With Applications》에 《Stepwise benchmarking based on production function: Selecting path towards closest target》(https://doi.org/10.1016/j.eswa.2023.120308)라는 제목으로 출판되였다.
