Data Envelopment Analysis (DEA) - 长荣大学.PPT

Data Envelopment Analysis 資料包絡分析 序論 資料包絡分析法 (Data Envelopment Analysis, DEA)以「效率」的概念作為加總模式，而效率則等於總產出除以總投入，並以效率最大化為目標 。 DEA法另一個與其他多屬性決策分析模式不同之處，在於DEA不須預設屬性之相對權重，乃是由實證資料中推導產生，每個受評方案的效率衡量乃是分別採取對該受評方案最有利的權重組合。 AHP的權重則著重決策者的主觀判斷，用相同的權重來衡量所有的方案。 大綱 資料包絡分析法簡介(Data Envelopment Analysis, DEA) DEA基本模式 DEA?使用步驟 DEA之特性 DEA的分析工具 結論 績效評估 績效評估(performance evaluation)乃是評估組織或個人如何以較少的投入資源獲得較多之產出結果的多屬性評估，通常使用「成本效益分析」(cost effectiveness analysis；cost benefit analysis)之「投入產出比」來同時考慮對目標分別為負向影響與正向影響的投入屬性與產出屬性 評估企業的營運效率高低，可以營業額與員工人數作為屬性，成本效益分析通常以「效率」(efficiency)的概念來分析每單位投入可產生多少產出，故生產力可以「員工每人營業額」的比例式表達如下 員工生產效率分析 生產力的目標是望大，所以營業額越高越好而員工人數越少越好 其他議題的爭議 其他工廠可能會抗議說，他們的產品比較成熟所以單價低，因此產出不能光看營業額而必須考慮生產量 又有工廠抗議說他們的設備比較舊需要的操作人員多，因此投入不能只看員工人數而必須也考慮機器設備的特性 決策分析中均有適當的方法，類似的爭辯理由往往言之成理，可是也讓相對的比較無從進行，因為每個被評估的對象或候選方案的利害關係人都可以找到對自己有利的論點 資料包絡分析法簡介(1/2) 針對多個受評單位或備選方案的相對效率分析與比較，學者(Charnes et al., 1978；Banker et al., 1984)提出「資料包絡分析法」(Data Envelopment Analysis, DEA)的相對比較方式。 將屬性區分為投入項與產出項，不預先設定權重之方式分別加總產出屬性值和總投入屬性值，然後總產出除以總投入的比率作為相對效率。 DEA的應用目的為評估組織或單位的相對績效，因此將被評估的對象稱為「決策單位」(Decision Making Unit, DMU) 。 資料包絡分析法簡介(2/2) 以成本效益的角度，效率等於總產出除以總投入的比率，故每一個方案的效率如式所示： 生產邊界衡量效率(1/2) 早期的學者以經濟學觀點來闡釋效率，提出以生產邊界(production frontier)為衡量效率之基礎，估計主要有兩種方法 參數法 (parameter approach) 利用理論建構或實證推導的方式預先設定生產函數之形式。 無母數法 (non-parametric approach) 恰好相反 ， DEA法即為一種無母數的生產函數分析法不預設投入與產出屬性之相對權重，藉由實際投入產出的資料形成包絡面(envelopment surface)，推測出生產邊界 生產邊界衡量效率(2/2) 若固定某一種生產函數關係，只有B是最佳方案，若改變生產函數關，則只有C是最佳方案 營運效率分析為例 以營業額和生產量作為衡量產出的兩項屬性，而以員工人數作為唯一投入屬性，可將每個工廠按照其營業額、生產量與員工人數標示於座標中而構成生產曲線 DEA基本模式 本節將介紹資料包絡分析法中的兩種主要模式：CCR模式與BCC模式 CCR 模式 BCC模式 CCR 模式(1/2) Charnes、Cooper及Rhodes (CCR)於1978年將Farrell (1957)的效率評估觀念推廣至多項投入和多項產出，並推導出一模型名為CCR模式，並將之定名為資料包絡分析法 CCR模式假設固定規模報酬(constant return to scale)，也就是每一單位投入可得產出量是固定的，不會因規模大小而改變 有R個決策單位DUMk為R個決策單位中的一個，效率可定義如式 CCR 模式(2/2) 以向量的形式定義效率 Yk為DMUk產出向量， Xk為DMUk投入向量 數學規劃模式 DEA法之數學規劃模式乃是以一個決策單位DMUk的效率Ek最大化作為目標式，尋找最對DMUk最有利的投入項權重組合，以及產出項權重組合，使得Ek達最大值 ，但所有DMUk的效率Er必須小於等於1，故CCR模式的數學規劃式如右 分數規劃的形式 稱為「投入導向模式」， hk為投入導向效率(input-base