《1 引言》
1 引言
1978年, 著名运筹学家A.Charnes提出了基于相对效率的多投入多产出分析法——数据包络分析法 (DEA, data envelopment analysis) 。DEA的原型可以追溯到1957年, Farrell在英国农业生产力进行分析提出的包络思想
DEA方法以相对效率概念为基础, 用于评价具有相同类型的多投入、多产出的决策单元是否技术有效的一种非参数统计方法。其基本思路是把每一个被评价单位作为一个决策单元 (DMU, decision making units) , 再由众多DMU构成被评价群体, 通过对投入和产出比率的综合分析, 以DMU的各个投入和产出指标的权重为变量进行评价运算, 确定有效生产前沿面, 并根据各DMU与有效生产前沿面的距离状况, 确定各DMU是否DEA有效, 同时还可用投影方法指出非DEA有效或弱DEA有效DMU的原因及应改进的方向和程度。由于DEA方法不需要预先估计参数, 在避免主观因素和简化运算、减少误差等方面有着不可低估的优越性
《2 数学模型[2]》
2 数学模型[2]
设有n个单位DMU, 每个DMU都有m种类型的输入 (表示对资源的耗费) 以及s种类型的输出 (表明成效的信息量) , 其形式为
其中每个决策单元j (j=1, 2, …, n) 对应一个输入向量Xj = (x1j, x2j, …, xmj) T 和一个输出向量Yj = (y1j, y2j, …, ymj) T。xij为第j个决策单元对第i种类型输入的投入总量, xij>0;yrj为第j个决策单元对第r种类型输出的产出总量, yrj>0;vi为对第i种输入的一种度量;ur为对第r种类型输出的一种度量;i=1, 2, …, m;j=1, 2, …, n;r=1, 2, …, s。
DEA模型有两种形式, 一种是分式规划, 另一种是线性规划。这两种形式是等价的, 前者是通过比率定义得到, 而后者是基于一系列的生产公理假设获得。出于计算上的原因, 人们通常采用后者。因此, 笔者主要以线性规划形式来介绍DEA方法。
传统的CCR模型由Charnes, Cooper和Rhodes于1978年提出的, 用于评价DMU的规模且技术有效性, 对于第j0个决策单元DMUj0的DEA投入和产出有效的两种模型如下:
1) min{θ},
对式 (1) 引入松弛变量S- 和S+, 化为:
min{θ},
其中Xj0表示第j0个DMU输入向量, Yj0表示第j0个DMU输出向量, θ表示投入缩小比率, λ表示决策单元线性组合的系数。带*表示最优解。
若θ*=1, S-*=S+*=0, 则称j0单元为DEA有效;若θ*=1, S-*, S+*存在非零值, 则称j0单元为DEA弱有效;若θ*<1 , 则称j0单元为DEA无效。
2) max{α},
对式 (2) 引入松弛变量S- 和S+, 化为
max{α},
其中α 表示扩大比率。
若α*=1且S-*=S+*=0, 则称j0单元为DEA有效;若α*=1, S-*, S+*存在非零值, 则称j0单元为DEA弱有效;若α*>1, 则称j0单元为DEA无效。
投入和产出的CCR模型评价结果一致, 即θ*=1/α*。
《3 DEA方法的应用步骤》
3 DEA方法的应用步骤
DEA方法的应用步骤如图1所示
《4 DEA的发展》
4 DEA的发展
《4.1BCC模型的改进》
4.1BCC模型的改进
1) 原BCC模型[6]
min{θ},
max{α},
如果关于输入和输出CCR模型DEA有效, 则该决策单元一定关于输入和输出BCC模型DEA有效。
BCC模型:当θ*=1, 则α*=1;但当θ*<1时, 很可能α*≠1/θ*, 即j0决策单元的投入技术效率与产出效率通常不相等。
2) BCC模型的改进[7]
实际应用中, 人们只有从投入或产出角度去研究决策单元的相对技术效率, 并没有综合考虑投入缩小比率和产出扩大比率, 一般有两种方法:
a. 分别寻求投入缩小比率和产出扩大比率, 将得出的两种技术效率代入综合技术效率指数
此法计算过程复杂, 但原理简单。
b. 在缩小投入的同时, 尽可能扩大产出, 然后将投入缩小比率和产出扩大比率代入式 (5) 和式 (6) 。文献
max {α-θ},
为此, 文献
min η=θ*/α*,
《4.2对决策单元进行排序》
4.2对决策单元进行排序
DEA方法存在一个缺陷, 由于各个决策单元是从最有利于自己的角度分别求权重的, 导致这些权重是随DMU的不同而不同的, 从而使得每个决策单元的特性缺乏可比性。所以DEA方法只能够判断决策单元是否是DEA有效的, 它们分为有效和非有效两大类。另外, 用这种方法进行评价时容易出现大量的、甚至全部决策单元都为有效的情形, 这都是由于传统的DEA方法总是强调单个被评价单元的优势所致。因此, 传统的DEA方法不能对决策单元进行排序, 从而要做更进一步的分析评价。
在实际生产活动中, 对决策单元按一定的标准排序也是进行分析评价时很重要的一个方面。现在已有不少关于对决策单元进行排序的DEA方法的研究, 尤其是对DEA有效的决策单元进行排序的研究。现有的研究多是将DEA方法与其他方法结合起来。
在文献
《4.3DEA方法与其他方法结合使用》
4.3DEA方法与其他方法结合使用
单一评价方法有其自身的优缺点, 几种方法的结合使用可以取长补短。现在已有不少关于对决策单元进行排序的DEA方法研究, 多是将DEA方法与其他方法结合起来。如在文献
《4.4应用领域》
4.4应用领域
《4.4.1 技术和生产力进步以及技术创新》
4.4.1 技术和生产力进步以及技术创新
文献
《4.4.2 关于成本、收益、利润的问题》
4.4.2 关于成本、收益、利润的问题
利用DEA模型的基本公理假设, 可以得到一个生产可能集, 它能代替一般生产关系 (如生产函数) 求出最小成本、最大收益和最大利润
《4.4.3 资源配置》
4.4.3 资源配置
文献
《4.4.4 金融投资》
4.4.4 金融投资
文献
《4.4.5 非生产领域》
4.4.5 非生产领域
DEA方法可以处理多输入、多输出的生产系统, 而且还可以处理诸如医院、学校等非生产性系统。通过同等规模高校的有效前沿面的分析, 可以为制定合理的学校管理定额提供依据, 通过对有效前沿面各点规模效益的分析, 确定效果最佳的规模
《4.4.6 灵敏度分析与随机DEA》
4.4.6 灵敏度分析与随机DEA
自1985年第一篇关于DEA灵敏度分析的论文问世以来
《4.4.7 其他》
4.4.7 其他
文献
以上介绍仅对DEA的一些重要研究成果, 从中可以看到, DEA确实有广泛的运用前景。
《5 展望》
5 展望
DEA的主要发展趋势将有如下几个方向:
1) 理论上的扩展 主要体现在几个方面:DEA的随机性
2) 计算方面的发展 主要表现在DEA软件的设计、计算效率问题和退化问题。目前, 可以利用DEA软件进行计算, 也可以自己利用Matlab进行编程计算。只需输入数据, 选择模型, 就可得出结果。随着计算机技术的发展, DEA的计算也就越来越简单、快速、方便, 更新的DEA软件将问世。
3) 新的应用方向 DEA方法的发展使之渗透更多的应用领域, 同时也由于实际需要促进了方法研究。这进一步显示DEA的优越性, 例如将DEA权重确定的思想推广多目标决策的算法中去, 将DEA应用到存在大量的不确定性的评价与决策问题的领域。CCR模型问世之后, 先后又出现了CCW模型、CCWH模型、CCGSS模型及CCWY模型, 这些模型都是确定型的, 模型所涉及的指标体系是确定的, 所涉及的输入、输出数据也都是确定已知的。众所周知, 许多领域的评价与决策问题都存在大量的不确定性, 如随机性、模糊性、灰色性等, 在处理这类问题时, 确定型DEA模型就显得无能为力。就需要新的DEA模型来解决此类问题。