在经济学和管理学领域，规模收益分析是一个重要的研究主题，它涉及评估企业或决策单元（DMUs）在扩大生产规模时的效率变化。传统的研究往往假设所有投入和期望产出之间存在固定比例关系，但这种假设在现实世界的复杂系统中可能并不总是成立。特别是当存在非期望产出时，例如环境污染、废品率等，传统的分析方法可能无法准确反映规模收益的真实情况。
为了解决这一问题，周忠宝、耿淑平等学者进行了深入的研究，并在论文中提出了新的方法。这种方法不再受限于传统的假设，而是允许投入和产出的变动比例不同，进而构建了包含非期望产出的生产可能集，并使用数据包络分析（DEA）模型来评估决策单元的方向规模收益。
DEA是一种非参数化的数学规划方法，用于评价具有多个输入和输出的决策单元的相对效率。它无需事先指定输入和输出之间的关系，是一种非常灵活和强大的工具。而方向规模收益（Directional Return to Scale, DRS）则描述了决策单元在某一特定方向上增加输入量时，其产出量的增加比率。DRS是规模收益研究的一个关键方面，有助于理解规模扩展对效率的影响。
周忠宝等学者的研究表明，通过在DEA模型中纳入非期望产出，可以更全面地分析决策单元的效率。在此基础上，他们提出了一种新的模型，并通过对36只开放式基金的规模收益分析验证了模型的有效性。这项研究对于理解和评价在考虑到非期望产出的情况下，企业如何在扩大生产规模时保持或提高效率具有重要意义。
关键词中提到的管理科学与工程，是非期望产出和方向规模收益研究的领域之一。非期望产出通常指那些在生产过程中不被期望产生的副产品，例如污染或废品，它们在生产效率评估中经常被忽略，但实际上对企业和环境都可能产生重要影响。方向规模收益分析则是评估决策单元在特定规模变动方向上的效率变化，它帮助管理者决定是否应该扩展或缩减生产规模。
数据包络分析（DEA）是一种评估生产效率的分析工具，它可以处理多投入和多产出的情况，而不需要将投入和产出转换成单一指标。DEA模型有多种类型，如CCR模型、BCC模型、FGL方法、Russell测度模型和加性DEA模型等，它们各有优劣和适用场景。周忠宝等学者提出的模型是对现有DEA模型的扩展和优化，使得该模型能更准确地分析存在非期望产出时的决策单元的方向规模收益。
此外，研究还特别指出，通过实际案例分析开放式基金的规模收益，验证了所提出方法的适用性和有效性。这表明所研究的方法具有一定的实际应用价值，可以为基金管理者在投资决策时提供参考，尤其是如何处理和评估非期望产出对基金效率的影响。
本研究的重要性在于其对传统方法的改进，打破了传统研究中的两个基本假设，并提出了更为灵活和现实的分析框架。这为解决在复杂生产过程中如何更准确地评估效率问题提供了新的视角和工具，对决策科学和实际的生产管理具有重要的理论和应用价值。
