数据包络分析方法介绍.pptVIP

数据包络分析（DEA）方法介绍 同济大学经济与管理学院 杜娟 DEA方法简介 数据包络分析（data envelopment analysis, DEA）是评价一组具有多种投入与多种产出的同质决策单元（decision making units, DMU）相对效率的数学规划方法，是一种非参数的评估方法。 主要优点：(1) 利用有效决策单元来定义生产可能集的前沿面，并使用输出变量与输入变量的加权和之比来度量相应决策单元的效率，无需考虑投入与产出之间的生产函数关系； (2) 不需要预先估计任何参数或权重，投入与产出变量的权重通过求解相应的DEA模型而获得，结果比较客观，可以在很大程度上避免主观因素对于效率评价的影响。 基本假设 假设一个生产系统中有独立而同质的n个决策单元，用 表示。每个决策单元都消耗同样m种投入制造同样s种产品，投入和产出向量分别记为： 和 。 由上述n对投入-产出向量组成的集合T称为参考集。 集合 称为所有可能的生产活动构成的生产可能集。 在不同的公理假设下（包括平凡公理，凸性公理，锥性公理——收缩性和扩张性公理，无效性公理，最小性公理），常见DEA模型包括CCR模型，BCC模型，FG模型和ST模型，其中最常用也比较具有代表性的是CCR模型（CRS模型）和BCC模型（VRS模型）。 CCR模型与BCC模型 CCR模型 BCC模型 CCR模型与BCC模型的对偶模型 CCR对偶模型 BCC对偶模型 Additive模型 多层次DEA模型 其它DEA模型 交叉效率模型（cross-efficiency） 超效率模型（super-efficiency） 不可控变量模型 非期望投入/产出模型，等等。 DEA方法的研究成果在各行各业均有广泛运用，据文献统计，排在前列的应用领域包括银行、医疗、农业、交通运输、教育、能源、制造等。 DEA方法的主要应用