进行DEA分析的步骤与方法

如何来做DEA分析

数据包络分析（Data Envelopment Analysis，简称DEA）是一种非参数化的评估方法，主要用于评价具有相同类型投入和产出的决策单元（Decision Making Units，简称DMU）的相对效率。DEA通过构建一个线性规划模型，比较各DMU偏离生产前沿面的程度来评估其效率，非常适合于多投入多产出的复杂系统的效率评价。以下是进行DEA分析的基本步骤：

一、明确分析目的与确定DMU

在进行DEA分析之前，首先要明确分析的目的。分析目的是评价DMU的效率、识别低效DMU的改进方向，还是进行决策支持等。根据分析目的，确定评价的DMU集合。DMU是具有相同类型投入和产出的实体或项目，如不同的企业、部门、地区或同一时期的不同政策方案等。确保DMU之间的可比性是DEA分析的前提。

二、选择投入与产出指标

投入指标反映DMU为达到某种产出所消耗的资源和努力，而产出指标则衡量DMU产生的成果和效果。选择指标时，应遵循以下原则：

1. 重要性：指标应能反映DMU的主要特征和核心目标。

2. 相关性：投入与产出指标之间应具有直接的因果关系。

3. 可操作性：指标数据应易于获取、量化且准确可靠。

4. 多样性：避免指标间的冗余，确保评价体系的全面性。

通过专家咨询、文献回顾、实地考察等方法，筛选出符合上述原则的投入与产出指标。

三、数据收集与处理

收集各DMU的投入与产出指标数据，确保数据的完整性和一致性。数据预处理包括数据清洗（处理缺失值、异常值等）、数据转换（如对数转换以消除量纲影响）和数据标准化（使不同指标具有相同的可比尺度）。

四、选择合适的DEA模型

DEA模型有多种，常见的有CCR模型和BCC模型。CCR模型假设规模收益不变，适用于评价DMU的技术效率；BCC模型则假设规模收益可变，能同时评价DMU的技术效率和规模效率。根据分析目的和数据特点，选择合适的DEA模型。

1. CCR模型：适用于评价DMU在固定规模下的效率。它构建了一个包含所有DMU的凸多面体生产前沿面，通过比较各DMU到生产前沿面的距离来评估其效率。效率值为1的DMU位于生产前沿面上，被认为是有效率的；效率值小于1的DMU则位于生产前沿面内部，被认为是相对无效率的。

2. BCC模型：在CCR模型的基础上，引入了一个规模收益变量，使得模型能够区分技术效率和规模效率。BCC模型通过构建一个包含所有DMU的凹多面体生产前沿面，来评估DMU在不同规模下的效率。它不仅能判断DMU是否有效率，还能识别其规模收益状态（递增、递减或不变），为DMU提供改进建议。

五、构建DEA模型并求解

根据选定的DEA模型和收集的数据，构建线性规划模型。利用专业的DEA软件（如DEAP、MAXDEA等）或编程软件（如MATLAB、R等）求解模型，得到各DMU的效率值（包括技术效率、规模效率和纯技术效率等）以及规模收益状态。

六、结果分析

1. 效率值分析：根据求解得到的效率值，对各DMU的效率进行排序和分类。识别出高效率DMU和低效率DMU，分析它们之间的差异和原因。

2. 投影分析：对于无效率的DMU，通过投影分析找出其改进方向。投影分析能够计算出无效率DMU达到生产前沿面所需调整的投入和产出量，为DMU提供具体的改进建议。

3. 规模收益分析：根据规模收益状态，判断DMU是否处于最优规模。对于规模收益递增的DMU，建议增加投入以扩大规模；对于规模收益递减的DMU，则建议减少投入以缩小规模。

4. 敏感性分析：分析投入与产出指标的变化对效率值的影响，以评估指标选择的稳健性和模型的适用性。

七、撰写报告与提出建议

将分析结果整理成报告，包括分析目的、方法、数据、模型、结果和结论等部分。根据分析结果，提出针对性的改进建议和政策建议。报告应清晰、准确、易于理解，便于决策者参考。

八、持续监测与反馈

DEA分析是一个动态过程，应定期对DMU的效率进行监测和评估。通过持续收集数据和分析结果，及时调整改进策略，确保DMU的持续改进和发展。同时，建立反馈机制，收集决策者和其他利益相关者的意见和建议，不断优化DEA分析方法和流程。

通过以上步骤，可以系统地进行DEA分析，评估DMU的效率，识别改进方向，为决策提供科学依据。DEA分析不仅适用于企业和部门，还可广泛应用于政策评价、项目评估、区域发展等多个领域。