KNOWECON WIKI

ARTICLE

数据包络分析

数据包络分析 (Data Envelopment Analysis, DEA) 数据包络分析（Data Envelopment Analysis，简称 DEA）是一种基于线性规划的非参数效率评价方法，用于评估一组具有多投入、多产出特征的决策单元（Decision Making Units，DMU）之间的相对效率。该方法由 Charnes、Cooper 和 R

浏览 0 更新 2025-01-21

数据包络分析 (Data Envelopment Analysis, DEA)

数据包络分析（Data Envelopment Analysis，简称 DEA）是一种基于线性规划的非参数效率评价方法，用于评估一组具有多投入、多产出特征的决策单元（Decision Making Units，DMU）之间的相对效率。该方法由 Charnes、Cooper 和 Rhodes 于 1978 年在运筹学框架下首次提出，其核心思想是：以观测到的投入—产出数据为基础，构造一个分段线性的生产前沿面（Production Frontier），凡落在前沿面上的决策单元被视为有效率，而偏离前沿面的单元则存在不同程度的无效率。

与传统的随机前沿分析（Stochastic Frontier Analysis, SFA）不同，DEA 不需要预先设定生产函数的具体形式，也不需要对误差项的概率分布做出假设，因此属于典型的非参数方法。这一特性使 DEA 在处理多产出情形时具有天然优势——无需通过价格信息将多产出汇总为单一产出指标，而是直接处理多维投入-产出向量。

基本模型

一、CCR 模型（规模报酬不变）

Charnes、Cooper 和 Rhodes 提出的 CCR 模型假设所有 DMU 均处于规模报酬不变（Constant Returns to Scale, CRS）的生产阶段。对于第 k k 个待评价决策单元，其技术效率（Technical Efficiency）可通过求解如下线性规划获得。设有 n n 个 DMU，每个 DMU 使用 m m 种投入 xij x_{ij} 生产 s s 种产出 yrj y_{rj} ，则 DMUk _{k} 的效率值 θk \theta_{k} 由以下输入导向型（Input-Oriented）乘数形式给出：

max⁡∑r=1suryrk\max \quad \sum_{r=1}^{s} u_{r} y_{rk}

约束条件：

\begin{align} \[ \sum_{r=1}^{s} u_{r} y_{rj} - \sum_{i=1}^{m} v_{i} x_{ij} &\leq 0, \quad j = 1, 2, \ldots, n \\ \] \[ \sum_{i=1}^{m} v_{i} x_{ik} &= 1 \\ \] \[ u_{r}, v_{i} &\geq 0 \] \end{align}

其中 vi v_{i} 和 ur u_{r} 分别为投入和产出的权重。若最优目标值等于 1，则 DMUk _{k} 为 DEA 有效；若小于 1，则为 DEA 无效，其效率值即为 θk \theta_{k} 。

二、BCC 模型（规模报酬可变）

Banker、Charnes 和 Cooper 于 1984 年将 CCR 模型扩展为 BCC 模型，引入规模报酬可变（Variable Returns to Scale, VRS）的假设。BCC 模型在 CCR 模型的约束中增加凸性条件 ∑j=1nλj=1 \sum_{j=1}^{n} \lambda_{j} = 1 （在包络形式中），从而将 CCR 的综合技术效率（Technical Efficiency, TE）分解为两个部分的乘积：

TECRS=TEVRS×SE\text{TE}_{\text{CRS}} = \text{TE}_{\text{VRS}} \times \text{SE}

其中，TEVRS _{\text{VRS}} 为纯技术效率（Pure Technical Efficiency），反映管理或技术水平导致的无效率；SE 为规模效率（Scale Efficiency），反映 DMU 是否在最优规模上运营。规模效率 SE 等于 1 时表明 DMU 处于最优生产规模（Most Productive Scale Size, MPSS），小于 1 则表明存在规模无效率——可能处于规模报酬递增或递减阶段。

导向选择与对偶形式

DEA 模型按导向分为两种基本类型。投入导向（Input-Oriented）在保持产出不变的前提下，寻求投入的最大比例缩减，回答"在现有产出水平下，投入最多可以减少多少"。产出导向（Output-Oriented）则保持投入不变，寻求产出的最大比例扩张，回答"在现有投入水平下，产出最多可以增加多少"。在 CCR 模型下，两种导向得到的效率值是倒数关系；在 BCC 模型下则未必。选择何种导向取决于决策者对投入或产出的控制能力——若投入要素可灵活调整而产出受外部约束（如公共部门的服务需求），多选用投入导向；反之亦然。

上述乘数形式可通过对偶理论转化为包络形式（Envelopment Form），后者在计算上更为常用。以投入导向型 CCR 模型为例，其包络形式为：

min⁡θk\min \quad \theta_{k}
s.t.∑j=1nλjxij≤θkxik,i=1,…,m\text{s.t.} \quad \sum_{j=1}^{n} \lambda_{j} x_{ij} \leq \theta_{k} x_{ik}, \quad i = 1,\ldots,m
∑j=1nλjyrj≥yrk,r=1,…,s\sum_{j=1}^{n} \lambda_{j} y_{rj} \geq y_{rk}, \quad r = 1,\ldots,s
λj≥0,j=1,…,n\lambda_{j} \geq 0, \quad j = 1,\ldots,n

其中 λj \lambda_{j} 为权重变量，当 ∑λj=1 \sum \lambda_{j} = 1 时即为 BCC 模型。包络形式的经济学直觉清晰：它试图寻找一个由有效率 DMU 加权组合成的"虚拟 DMU"，该虚拟 DMU 使用不多于 DMUk _{k} 的投入，却产出不少于 DMUk _{k} 的产出。θk \theta_{k} 即为投入可同比例缩减的最大幅度。

应用领域与实例

DEA 自诞生以来已在众多领域获得广泛应用。在银行业，研究者以固定资产、员工人数、存款总额为投入，以贷款总额、非利息收入为产出，评估银行分支机构的运营效率。在医疗卫生领域，以病床数、医护人员配置为投入，以门诊量、手术例数、治愈率为产出，比较不同医院的资源利用效率。在教育评价中，以教师数、教学经费为投入，以毕业生人数、科研发表为产出，衡量高校院系的相对绩效。在农业经济、能源效率、供应链管理和公共政策评估等方向，DEA 同样展现出强大的适用性。

以三家同类型医院为例：A 医院投入 100 张床位、200 名医护人员，产出年门诊量 50,000 人次、手术 3,000 例；B 医院投入 120 张床位、220 名医护人员，产出门诊 55,000 人次、手术 3,500 例；C 医院投入 80 张床位、180 名医护人员，产出门诊 45,000 人次、手术 2,800 例。DEA 计算后可能发现 B 医院和 C 医院共同构成前沿面（效率值为 1），而 A 医院的投入中有 10\% 未有效转化为产出，效率值为 0.9。

扩展模型与前沿方向

DEA 方法论持续演进，衍生出多种重要扩展。超效率模型（Super-Efficiency DEA）允许有效率的 DMU 获得大于 1 的效率评分，从而在有效率单元之间进一步排序，避免传统模型无法区分多个有效率 DMU 的局限。交叉效率评价（Cross-Efficiency）通过引入"同行评价"机制——每个 DMU 不仅以自身最优权重评价，还接受其他 DMU 最优权重下的效率评分，克服了传统 DEA 权重过于灵活、DMU 可能在非关键维度赋零权重以抬高自身效率的问题。

Malmquist 指数是 DEA 在面板数据分析中的重要延伸，它将 DMU 在不同时期的效率变化分解为效率变化指数（Efficiency Change，追赶效应）和技术进步指数（Technical Change，前沿面移动效应）：

M=[Dt(xt+1,yt+1)Dt(xt,yt)×Dt+1(xt+1,yt+1)Dt+1(xt,yt)]1/2M = \left[ \frac{D^{t}(x^{t+1}, y^{t+1})}{D^{t}(x^{t}, y^{t})} \times \frac{D^{t+1}(x^{t+1}, y^{t+1})}{D^{t+1}(x^{t}, y^{t})} \right]^{1/2}

其中 Dt D^{t} 和 Dt+1 D^{t+1} 分别为第 t t 期和第 t+1 t+1 期的距离函数。Malmquist 指数大于 1 表示全要素生产率提升，小于 1 则表示退步。该方法在宏观经济增长源泉分析、行业生产率比较等领域有重要应用价值。

此外，网络 DEA（Network DEA）将 DMU 内部结构打开，通过串联或并联的子过程刻画多阶段的效率传导机制，适用于供应链效率分析等场景。动态 DEA（Dynamic DEA）引入跨期结转变量以刻画投资或存货的动态效应。方向距离函数（Directional Distance Function）能够灵活设定投入缩减与产出扩张的方向，特别适用于包含非期望产出（如污染排放）的环境效率评价。

优势、局限与使用建议

DEA 的主要优势包括：（1）无需预设生产函数形式，避免函数形式误设导致的偏误；（2）天然处理多投入多产出，不需要价格信息进行加权汇总；（3）不仅给出效率评分，还能通过松弛变量分析识别每个无效率 DMU 的具体改进方向与幅度；（4）权重由数据内生决定，避免主观赋权的争议。

其主要局限有：（1）对极端值和测量误差敏感，少数异常点可能显著改变前沿面的位置，导致其他 DMU 的效率被系统性低估或高估——通常建议结合稳健性检验（如 Jackknife 或 Bootstrap DEA）审慎使用；（2）当 DMU 数量相对于投入产出维度较少时，多数 DMU 可能被评价为有效率，丧失区分能力——经验法则是 DMU 数量应不少于投入产出变量总数的三倍；（3）DEA 测定的是相对效率而非绝对效率，即便所有 DMU 实际表现不佳，DEA 也会将其中表现最好的单元评为有效率；（4）传统 DEA 未考虑随机噪声，将所有偏离前沿面的部分归因于无效率，这在数据噪声较大的场景中可能高估无效率程度。

在实践中，研究者应根据数据特征和问题背景，在 DEA 与随机前沿分析等参数方法之间审慎选择。对于大样本、多产出且对生产函数形式缺乏先验知识的效率评价任务，DEA 是一种功能强大且适用性广泛的工具。