《数据包络法详细介绍》由会员分享，可在线阅读，更多相关《数据包络法详细介绍（22页珍藏版）》请在金锄头文库上搜索。
1、目录一 数据包络法的起源二 数据包络法简介三 数据包络法的预备知识1. 基础知识2. C2R模型预备知识四 数据包络法的步骤1确定评价目的2.选择DMU考集）3建立输入输出指标体系4. DEA真型的选择5评价工作的设计与表述五 数据包络模型（又称为 DEA真型）描述六 数据包络法的案例七 数据包络法的应用八 数据包络法的优缺点1. 数据包络法的优点2. 数据包络法的缺点九 总结数据包络法一数据包络法的起源1978年由着名的运筹学家 ACharnes（查恩斯）、WWCooper（库伯）及E.Rhodes（罗 兹）首先提出了一个被称为数据包络分析（Data Envelopment analysis
2、 简称DEA真型）的 方法，用于评价相同部门间的相对有效性（因被称为DEA有效）。他们的第一个模型被命名为C2R模型。从生产函数的角度看，这一模型是用来研究具有多个输入，特别是具有多个输出的“生产部门”，同时是为“规模有效”与“技术有效” （ 即：总体有效性 ） 的十分理想且卓有成效的方法。 1985年查恩斯 库伯、 格拉尼 （B Golany） 、赛福德 （L Seiford）和斯图茨（J. Stutz）给出另一个模型（称为C2GS2真型），这一模型用来研究生产部门问的“技术有效性”。 1987年查恩斯、 库伯、 魏权龄和黄志明又得到了称为锥比率的数据包络模型C2W根型。这一模型可用来处理具
3、有过多的输入及输出的情况，而且锥的选取可以体现决策者的“偏好”，灵活地应用这一模型，可以将C2R模型中确定出的DEAT效决策单元进行分类或排队。二数据包络法简介数据包络分析（Data Envelopment Analysis ,简称DEA方法是运用数学工具评价经济系统生产前沿面有效性的非参数方法，它适应用于多投入多产出的多目标决策单元的绩效评价。这种方法以相对效率为基础，根据多指标投入与多指标产出对相同类型的决策单元进行相对有效性评价。数据包络分析是运筹学的一个新的研究领域。它不需要以参数形式规定生产前沿函数，并且允许生产前沿函数可以因为单位的不同而不同，不需要弄清楚各个评价决策单元的输入与输
4、出之间的关联方式， 只需要最终用极值的方法，以相对效益这个变量作为总体上的衡量标准。三数据包络法的预备知识1. 基础知识（ 1）决策单元（DMU）:我们把具有相同类型的部门、企业或者同一企业不同时期的相对效率进行评价，这些部门、企业或时期称为。评价的依据是决策单元的一组投入指标数据和一组产出指标数据。（ 2）投入指标：指决策单元在经济和管理活动中需要耗费的经济量，例如固定资产原值、流动资金平均余额、自筹技术开发资金、职工人数、占用土地等。（ 3）产出指标：指决策单元在某种投入要素组合下，表明经济活动产生成效的经济量，例如总产值、销售收入、利税总额、产品数量、劳动生产率、产值利润率等。（ 4）指
5、标数据：指实际观测结果，根据投入指标数据和产出指标数据评价决策单元的相对效率，即评价部门、企业或时期之间的相对有效性。2. C2R模型预备知识设有n个部门（企业），称为n个决策单元，每个决策单元都有p种投入和q种产出，分别用不同的经济指标表示。这样，由 n 个决策单元构成的多指标投入和多指标产出的评价系统，可以做如下表示：设：n个决策单元（j 1,2,3,.n ）,每个决策单元有相同的p项投入（输入）（i 1,2,., p ）,每个决策单元有相同的q项产出（输出）（r = 1 , 2,，q）xij 第j 决策单元的第 i 项投入yrj 第 j 决策单元的第 r 项产出Ui yikUq yqkh
6、k Vi XlkVp Xpkuj yjkj 1, k 1,2, ,npVi Xki 1k个决策单元多指标投入Max h0uj yjk。 j 1u1yk。u2 y2k。uqyqkcpViXik。i 1V1X1k。V2 X2k。VpXpk。q(2)即：效率指标hk等于产出加权之和除以投入加权之和，表示第 和多指标产出所取得的经济效率。 可以适当地选择权系数u、V ,使得hk 1,建立评价第ko个决策单元相对有效性的C2R模型 设第k。个决策单元的投入向量和产出向量分别为：效率指标ho hk。，在效率评价指标hk 1(k=1,2,，n)的约束条件下，选择一组最优权 系数U和V,使得h。达到最大值，构
7、造优化模型(分式规划)上述模型中Xik, yrk为已知数(可由历史资料或预测数据得到)，Vi, Ui为变量。模型的含义 是以权系数Vj, Uj为变量，以ho所有决策单元的效率指标为约束，以第 k。个决策单元的 效率指数为目标。即评价第k。个决策单元的生产效率是否有效，是相对于其他所有决策单元而言的。UT YcMaxh。T一-(3)V X。作Charnes-Cooper变换，转化为一个等价的线性规划模型。四.数据包络法的步骤1 .确定评价目的例如我们的目的是为了评价学校的办学效益，则“教师人数”可当作系统输入，若 为了评价学校的发展情况，则“教师人数”应作为系统输出。这里所说的“评价”是广 义的
8、，它也可能是其他系统分析内容对系统进行的预测、预警以及对系统进行的控制。2 .选才? DMU考集)(1)用DMU勺物理背景来判别。即DMUI有相同的环境、相同的输入和相同的任务(相 同的残品和服务内容)等。(2)用DMUS动的时间问隔来构造。(3)通常认为参考元素的个数不少于输入、输出指标总数的二倍为好，例如有6个输入、7个输出时，参考集中的DMU数宜不少于26。(4)如果将较多的DMUfe在一起组成一个参考集时，“同类型”反映得不够充分。但 若将它们按一定特性分成几个子集，则我们可以分别对每个子集进行DM价析，再将分析结果或者独立地或者综合地进行再分析。3. 建立输入输出指标体系(1) 要考
9、虑到能够实现评价目的，也就是说输入向量与输出向量的选择要服务、服 务于我们确定的评价目的。(2) 要能全面反映评价目的。一般来说，一个评价目的需要多个输入和多个输出才能较为全面的描述。缺少某个或某些指标常会使评价目的不能完整地得以实现。(3) 要考虑到输入向量、输出向量之间的联系。(4) 要考虑输入输出指标体系的多样性。一个常用的方法就是我们可以在实现评价目的的大前提下，设计多个输入输出指标体系，在对各体系进行DEA分析后，将分析结果放在一起进行比较分析。4. DEA真型的选择(1)是选用基于输入的DEA真型，还是选用基于输出的DEA真型，这主要看对输入(出) 指标的可控性和可处理性。(2)由
10、于具有非阿基米德无穷小的DEA真型在判定DMU1否为(弱)DEA有效以及将原 来无效的DMU“投影”到相对有效面上均有方面之处。(3)就有效性本身而言，C2R模型是同时针对规模有效性和技术有效性而言的“总体”有效性，而C2GS2模型只能评价技术有效性。止匕外，C2R模型的生产可能集为闭凸锥，并且是建立在规模收益不变的假设下，而C2GS2模型则反映了规模收益可变的情况下，对应的生产可能集仅为凸集。(4) 如果生产可能集为凸锥、输入、输出指标数目较多，特别是由于决策者对输入、输出指标之间的相对重要性有所规定 ( 契约、限制、偏好) ，并要在评价中对此规定有所体现，选用具有锥结构的C 2WH 模型就
11、比较适合了。(5)为了得到不同侧面的评价信息，在可能情况下，尽量选用不同类型的DEA模型同时进行分析，再把分析结果相互比较，使结果更全面、更深刻、更准确。5评价工作的设计与表述(1)确定各DMU勺DEAt效性；(2) 了解各DMU勺相对规模收益情况；(3) 确定相对有效生产前沿面；(4)确定各DMUE有效生产前沿面上的“投影”；(5)分析各DMU勺相对有效Tt与各输入(输出)指标间的关系；(6)各DMU间相对有效性的关系；(7)不同指标体系对各DMUf对有效性的影响；(8) 其他。五.数据包络模型(又称为DEA莫型)描述数据包络分析(DEA)由美国着名运筹学家A. Charnes等人在1978
12、年以相对效率概念 为基础发展起来的一种新的绩效评价方法。这种方法是以决策单元 (Decision Making Unit ,简称DMU的投入、产出指标的权重系数为变量，借助于数学规划模型将决策单元 投影到DEA生产前沿面上，通过比较决策单元偏离DEA生产前沿面的程度来对被评价决策单元的相对有效性进行综合绩效评价。其基本思路是: 通过对投入产出数据的综合分析，得出每个DMUg合相对效率的数量指标，确定各 DMIM否为DEAt效。下面我们先 描述DEA真型。假设有n个待评价的对象（又称之为n个决策单元DMU ,每个决策单元都有m种类 型的投入 及 s 种类型的产 出， 它们所对应的权 重向量分别记
13、为:，这 n 个决策单元中第 j 个的投入和产出量用向量分别记作：其中： 为第 j 个决策单元对第 i 种类型输入的投入总量， 为第 j 个决策单元对第 r 种类型输出的产出总量，且第 i 种输入指标的权重系数，为第 r 种产出指标的权重系数率评价指数如下:。则每个决策单元DMUK入与产出比的相对效通过适当选取权重向量 V和U的值，使对每个j ,均满足现对某第个决策单元进行绩效评价，则以第个决策单元的效率指数为目标，以所有的待评个决策单元的决策单元的效率指数为约束，第简记为，故可以得到一般的DEAtt化模型如下：上面的模型是分式规划规划问题模型，为了方便计算，通过适当的变换，我们可以将其化为一
14、个等价的线性规划数学模型，并且引进阿基米德穷小量在实数范围内表示的是大于0 但小于任意正数的量），构成了具有非阿基米德无穷小量的模型。它的对偶线性规划问题模型如下:其中：s 维单位向量均为对偶变量，m维单位向量均松弛变量,模型是假定生产技术是固定规模报酬的。模型后来， Banker ， Chames and Cooper 又对进行推广，他们把固定规模报酬假设改为非递增规模报，则在上述的DEA模型的基础上需增加一个约束条件报酬时的技术效率为在此假设下非递增规模如果我们把固定规模报酬假设改为可变规模报酬(variable Returns to Scale ,简记VRS),则DEA真型中的上述约束条件应改为： 。 从而得到的如下新的
