南台科技大学　.pptVIP

南台科技大學 專題討論報告;壹、報告內容;整合DEA 與PCA 於績效改善之應用;資料包絡分析法（DEA）與主成份分析（PCA）分別為經濟指標與多變量統計分析應用於排名評估之方法，此兩者方法皆透過權重的加權表現於績效分數上。 DEA 利用每個DMU的input 與output來產生權重，以加強自己本身的優勢，而PCA 利用整體觀點給予所有受評單位的各變數一權重值。 本研究整合DEA 與PCA，經由PCA 的方法分析DEA 權重的成份特性，分析及評估DEA 權重影響績效排名之特性。同時本方法更能夠透過分析結果，提出各DMU 績效改善之方向。;一、介紹;在DEA 評估中，權重是影響分數的重要因素之一，一般而言有兩個方法可決定權重，即事前主觀方式與事後客觀方式。 Lidia 與Marcos（2002）發表的文章中指出DEA 鑑別度的問題， （1）權重值無法真正反應指標的重要性。 （2）評價指標與DMU 個數比過高時，有效率DMU 會過多。 （3）多個有效率的DMU 會得到多組權重的最佳解。 本研究將詳細探討權重在DEA 所扮演的角色、DEA 的權重如何影響分數、如何利用分析出來的權重結果做一些績效的改善。;PCA 是多變量統計分析的方法之一，它透過最大變異的原則給予每一個變數適當的權重，計算出總指標分數。 雖然DEA 與PCA 皆具權重與排名的共同性，但是其間有一些差異 （1）PCA 每一個DMU 的變數權重皆相等。DEA則有多組權重最佳解。 （2）PCA 不能同時存在輸入/輸出的變數，大部份都是只有輸入變數或只有輸出變數。 （3）PCA 產生權重是以全部DMUs 計算。DEA 每次只以單一DMU找出自己最有利的權重。 （4）PCA 能夠透過成份分析了解數據特性。;Zhu（1998）試圖利用此兩者皆透過客觀方式產生權重的共同性，來比較此兩種方法排名的結果是相似的，Zhu 利用單一輸出除以單一輸入將DEA 的資料型態轉變成PCA 的資料型態（表一），以解決差異（2）的問題。;Cinca 與Molinero（2004）利用Zhu 的18 個中國城市為例，將兩個輸入與三個輸出呈現成21 種模式（表二），並計算出21 種模式的DEA 分數，再利用PCA的方法分析，以了解模式選擇的問題。;例如，在d1 欄位DMU 6 有最大之值0.2096，如果將此值最大化為100，則DMU 1 的d1 值等於27 等於DMU 1 的 A1 之值，其值即為DEA 分數。;CCR 模式為固定規模報酬（constant returns to scale，CRS），BCC 為變動規模報酬（variable returns to scale，VRS），本研究將使用CCR 模式，假設產出與投入比為一固定規模報酬。其模式描述如下：;上述模型為分數型態的非線性規劃，不易求解，故轉換為線性規劃模式;主成份分析是一種尋找幾個解釋變數Xi 的線性組合，它們一方面要能保有原來變數資訊的代表性，且主成份間也不能重疊（獨立性），另一方面更能以少數幾個主成份代替原來較多的解釋變數（精簡性），它能夠充份反應變數的重要性。;假設有N 個樣本，每個樣本有P 個指標，並以矩陣方式表示（即原始變數為一隨機向量）：X=【x1,x2,…,xp】，相關矩陣R（或共變異矩陣S）之特徵值（Eigenvalues）經由|R-λIp|=0 求出R 的特徵值，為λ1,λ2,λ3,…λp ，且各特徵值所對應之特徵向量（Eigenvectors）為γ1,γ2,?γp，則可以定義由原始變數所組成的主成份為：;其中γ1,γ2,?γp 為R 中第i 個特徵向量γi 的各元素，而PC1，PC2，PCp 分別稱為第一主成份，第二主成份及第p 主成份。其解釋變異百分比M 為： 為達到簡化的目的，主成份只粹取Q 個來代替原來的P 個變數，一般解釋變異百分比只需超過80%（M80%）即具有代表性。而主成份可以表示為： ，其中wk = λk p;將原始資料代入DEA 數學規劃模式。DEA 方法每一次執行，只針對一個DMU 的投入與產出做為目標式的函數，過程須執行n 次，分別找出不同DMU 的最佳權重解（表四）。 將多組權重值分別代入各優先考量之DMU 可得到一分數矩陣（表五）。 Chen 及Ali（2002）的文章中指出快速檢視有效率DMU 的方法，在DMU 中如果其Output/Input具有最高的比值，必定是有效率的DMU。;透過DEA 權重矩陣（表四）可以觀察這些權重是各DMU 綜觀各變數值後，找到自己最有利的變數給予較高的權重。 ;權重優勢的不同，同時會產生一致性的問題，DMU2 僅認為自己及DMU10 效率值為1卻不認為DMU6 效率值為1，這將造成排名次序的