数据包络分析(DEA)

所属分类：综合评价

这个方法是做什么的

数据包络分析评的不是“谁的产出高”，而是“谁把投入换成产出的效率高”。它用本批决策单元（DMU）自己的数据包出一张效率前沿面，落在前沿上的效率值 θ=1，其余单元的 θ 是“在保持现有产出的前提下，投入最少能压到原来的百分之多少”。模型分两种：CCR 假定规模报酬固定，只给一个综合效率；BCC 假定规模报酬可变，把综合效率拆成技术效率×规模效率，还附带一张按 Σλ 判定规模报酬递增／固定／递减的表。两种模型的结论并不通约——同一份演示数据下 BCC 有 6 个单元达到 DEA 有效（占 40.0%），CCR 只有 5 个（33.3%）。

θ=1 并不是终点。第二张卡还看松弛变量：θ=1 且全部松弛为 0 才是强有效，θ=1 但存在松弛只是弱有效。第四张卡把松弛拆成逐项的投入冗余 S− 与产出不足 S+，直接告诉你“哪一项投入还能砍多少、哪一项产出还能提多少”，这是 DEA 最实用的产物。同一张卡还有交叉效率与 Maverick 指数：用每个单元的最优权重去评所有单元，得到 n×n 交叉效率矩阵，列平均就是“他评”成绩，Maverick =（自评−他评）／他评。

需要准备什么数据

• 放入投入指标 [定量]：定量变量（数值）
• 放入产出指标 [定量]：定量变量（数值）
• 放入评价对象 [定类]（可选）：定类变量（分组/标签）

数据要求

• 数据表至少 3 行。
• 单列缺失率不超过 20%。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 医院、学校、支行、工厂这类“同类机构，多投入多产出，没有价格可以折算”的效率比较
• 需要给非有效单元一份可执行的改进清单，而不只是一个排名
• 想区分“管理没做好”和“规模不合适”——用 BCC 把技术效率与规模效率拆开
• 投入与产出的量纲互不相同，不方便先合成一个总分

前提有三条，第一张卡逐条核：投入与产出必须全部为正数（有 0 或负值会被直接拒绝）；至少 1 个投入与 1 个产出；DMU 数应满足 max(投入数×产出数, 3×(投入数+产出数)) 这条判别力经验规则。另有一条等序性诊断，检查投入与产出是否同向变动。

什么时候不要用它

• 只有产出没有投入，你要的是多指标综合排名：用「优劣解距离法(TOPSIS)」或「秩和比综合评价法(RSR)」。
• 想给效率估计带上随机误差项和显著性检验：用「随机前沿分析(SFA)」，DEA 是确定性前沿，把噪声全部算成无效率。
• 只需要一套指标权重：用「熵值法」或「CRITIC权重法」。
• 两个子系统之间是否协调发展才是研究问题：用「耦合协调度」。
• 要衡量的是投入产出之间的数量关系而非效率边界：用「线性回归 (最小二乘法)」。
• 被评的只有一个单位，你想判断它属于哪个等级：用「模糊综合评价」，DEA 的前沿面必须由一批单元共同构成。

容易误读的地方

• DEA 有效不等于最优，更不是名次。 演示数据里 6 个单元的 θ 都等于 1，DEA 本身无法在它们之间排序——因为每个单元都用了对自己最有利的权重。第四张卡的交叉效率就是为此设的：“华东区”自评 1.0000 排第 4，交叉效率只有 0.7621、排到第 14，Maverick 指数 0.3122，报告直接判它“效率优势很可能来自极端权重偏好”。自评与他评排序的 Spearman ρ=0.7357，报告因此建议排名以交叉效率为准。
• DMU 太少时人人有效，而这与管理水平无关。 判别力规则要求 DMU 数 ≥ max(m×s, 3(m+s))；演示数据是 2 投入 2 产出，门槛为 12，15 个单元刚够。指标越多门槛升得越快——4 投入 4 产出就要 24 个单元。不达标时前沿面被少数单元撑满，有效比例虚高，效率值失去区分意义。
• “弱有效”那一行，卡②的松弛列可能显示成 0.000。 有效性判定用的是未经四舍五入的松弛原值，而表格显示到小数点后三位：演示数据里“辽中南”两列松弛都印着 0.000，却被判为 DEA 弱有效。看到这种行不要以为判错了，去第四张卡的投入冗余表与产出不足表逐项核对，那里才是真正可执行的改进量。
• 前沿面由本批单元构成，效率值不能跨期比较。 换一批 DMU，前沿就重画，所有 θ 都会变。报告卡⑤自己写明跨期比较应改用 Malmquist 指数，而产品内没有这个模块；可行的做法是各期分别做一次 DEA，只在期内解读名次与改进量，不要把不同年份的 θ 画到同一张折线图上。
• 一个录错的极端值会把前沿推走，连累所有人。 DEA 不含随机误差项，任何测量误差都会被当成真实的生产可能性。某个单元的投入少记一位，它会独自撑起前沿，其余单元的效率值全部被压低。上分析之前先核一遍投入产出的极值。

报告里有什么

1. 输出结果一：数据概览与前提检验
2. 输出结果二：效率评价主结果表（BCC 模型）
3. 输出结果三：可视化（效率分析图）
4. 输出结果四：效应量与事后分析（改进空间与交叉效率）
5. 输出结果五：结论与学术表述