数据包络分析DEA方法.docx
- 文档编号:30252020
- 上传时间:2023-08-13
- 格式:DOCX
- 页数:109
- 大小:190.31KB
数据包络分析DEA方法.docx
《数据包络分析DEA方法.docx》由会员分享,可在线阅读,更多相关《数据包络分析DEA方法.docx(109页珍藏版)》请在冰豆网上搜索。
数据包络分析DEA方法
二、数据包络分析
(DEA)
方法
数据包络分析
(dataenvelopmentanalysis,DEA)是由著名运筹学家
Charnes,Cooper和
Rhodes于
1978
年提出的,它以相对效率概念为基础,以凸分析和线性规划为工具,计算比较具有相同类型的决策单元
(Decisionmakingunit,DMU)之间的相对效率,依此对评价对象做出评价
。
DEA方法一出现,就以其独
特的优势而受到众多学者的青睐,
现已被应用于各个领域的绩效评价中
[2],[3]
。
在介绍DEA方法的原理之前,
先介绍几个基本概念:
1.决策单元
一个经济系统或一个生产过程都可以看成是一个单位
(或一个部门)在一定可能范围内,通过投入一定
数量的生产要素并产出一定数量的
“产品”的活动。
虽然这种活动的具体内容各不相同,但其目的都是尽可
能地使这一活动取得最大的
“效益”。
由于从“投入”到“产出”需要经过一系列决策才能实现,
或者说,由于“产
出”是决策的结果,所以这样的单位
(或部门)被称为决策单元(DMU)。
因此,可以认为,每个
DMU(第i个
DMU常记作DMUi)都表现出一定的经济意义,它的基本特点是具有一定的投入和产出,并且将投入转化
成产出的过程中,努力实现自身的决策目标。
在许多情况下,我们对多个同类型的
DMU更感兴趣。
所谓同类型的
DMU,是指具有以下三个特征
的DMU集合:
具有相同的目标和任务;具有相同的外部环境;具有相同的投入和产出指标。
2.生产可能集
设某个DMU
在一项经济(生产)活动中有m项投入,写成向量形式为
x(x1,,xm)T;产出有s项,写
成向量形式为y
(y1,,ys)T
。
于是我们可以用(x,y)来表示这个DMU
的整个生产活动。
定义1.称集合T{(x,y)|产出y能用投入x生产出来}为所有可能的生产活动构成的生产可能集。
在使用DEA方法时,一般假设生产可能集
T满足下面四条公理:
公理1(平凡公理):
(xj,
yj)T,j
1,2,
n。
公理2(凸性公理):
集合T为凸集。
如果(xj
yj)
T,
1,
2,,n,且存在
n
j
j0满足j1j1
则
n
n
。
(j1jxj,
j1jyj)T
公理3(无效性公理):
若
x,y
?
?
?
?
T,xx,yy
T。
,
则(x,y)
公理4(锥性公理):
集合T为锥。
如果
x,y
T那么
(kx,ky)
T对任意的k
0。
若生产可能集T是所有满足公理
1,2,3和4的最小者,则
T有如下的唯一表示形式
n
n
n。
T
x,y|
xjj
x,
yjj
y,
j
0,j1,2,
j
1
j
1
3.技术有效与规模收益
(1)
技术有效:
对于任意的
(x,y)
T,若不存在
'
'
T为技术有效的生产
y
y,且(x,y)T,则称(x,y)
活动。
(2)
规模收益:
将产出和投入的同期相对变化比值
k
y/
x称为规模效益。
若
k
1,说明规模收益
y
x
递增,这时可以考虑增大投入;若
k
1,说明规模收益递减,这时可以考虑减小投入;若
k1,说明规
模收益不变,且称为规模有效。
(一)DEA方法原理与CCR模型
DEA
方法的基本原理是:
设有
n个决策单元
DMU
j(j
1,2,
n)
,它们的投入,产出向量分别为:
Xj
(x1j
x2j
xmj)T
0,,Yj
(y1j,y2j
ysj)T
0,
j
1,
n。
由于在生产过程中各种投入和产出的地位
与作用各不相同,因此,要对
DMU
进行评价,必须对它的投入和产出进行
“综合”,即把它们看作只有一
个投入总体和一个产出总体的生产过程,这样就需要赋予每个投入和产出恰当的权重。
假设投入、产出的
权向量分别为v
(v1,v2,
vm)T和u
(u1,u2,
us)T,从而就可以获得如下的定义。
s
T
uryrj
定义2.称
uYj
r
1
(j1,2,
n)为第j个决策单元DMUj的效率评价指数。
jT
Xj
m
v
vixij
i
1
根据定义可知,我们总可以选取适当的权向量使得
j1。
如果想了解某个决策单元,假设为
DMUo(o{1,2,
n})在这n个决策单元中相对是不是
“最优”的,可以考察当
u和v尽可能地变化时,
o的
最大值究竟为多少
?
为了测得
o的值,Charnes等人于1978年提出了如下的
CCR(三位作者名字首字母缩
写)模型:
s
uryro
Maximize
r1
m
o
vixio
i1
s
uryrj
subjectto
r1
1,j
1,2,
n,
(1)
m
vixij
i1
ur
0,vi
0,
r,i.
利用Charnes和Cooper(1962)[4]
m
vixio,
提出的分式规划的Charnes-Cooper变换:
t1/
i
1
rtur,(r1,
s),
i
tvi,(i
1,
m)变换后我们可以得到如下的线性规划模型:
s
Maximizeryroo,
r1m
subjectto
ixio
1,
(2)
i
1
s
m
r
yrj
i
xij
0,j
1,
n,
r1
i
1
r,
i
0,
r
1,
s;
i
1,,m.
根据线性规划的相关基本理论,可知模型
(2)的对偶问题表达形式:
Minimize
o
n
subjecttoij
jx
o
iox1,2i,
m
j1
(3)
n
yrj
j
y,ror1,2,
s,,
j
1
j
0,j
1,2,n,.
上述的模型是基于所有决策单元中
“最优”的决策单元作为参照对象,从而求得的相对效率都是小于等
于1的。
模型
(2)或者(3)将被求解n次,每次即得一个决策单元的相对效率。
模型
(3)的经济含义是:
为了
评价
DMUo
(
o
{1,2,
})
的绩效,可以用一组假想的组合决策单元与其进行比较。
模型(3)的第一和第二个
n
约束条件的右端项分别是这个组合决策单元的投入和产出。
从而,模型(3)意味着,如果所求出的效率最优
值小于1,则表明可以找到这样一个假想的决策单元,它可以用少于被评价决策单元的投入来获取不少于
该单元的产出,即表明被评价的决策单元为非DEA有效。
而当效率值为1时,决策单元为DEA有效。
有
关DEA有效根据松弛变量是否都为零还可以进一步分为弱DEA有效与DEA有效两类。
即通过考察如下
模型中的si(i1,m)与sr(r1,,s)的值来判别。
Minimize
subjectto
ms
o(sisr)
i1r1
n
xijjsioxio,i1,,m
j1(4)
n
yrjj
sr
yro,r1,,s
j1
j,si,sr
0,
i,j,r.
其中
为非阿基米德无穷小量。
根据上述模型给出被评价决策单元
DMUo(o{1,2,,n})有效性的定义:
定义3.若模型(4)的最优解满足
*
1,则称DMUo为弱DEA有效。
o
定义4.若模型(4)的最优解满足
定义5.若模型(4)的最优解满足
*
1
,且有si
0,sr
0成立,则称DMUo为DEA有效。
o
*
1
,则称DMUo为非DEA有效。
o
对于非DEA有效的决策单元,有三种方式可以将决策单元改进为有效决策单元:
保持产出不变,减
少投入;保持投入不变增大产出;减小投入的同时也增大产出。
CCR模型容许DMU在减小投入的同时也
增加产出。
对于CCR模型,可以通过如下投影的方式将其投向效率前沿面,从而投影所得的点投入产出
组合即为DEA有效。
?
*
*
xio
(1
*
)xio
si
*
xio,i1,,m
xio
oxio
si
o
?
yro
*
yro,r
1,
s.
yro
sr
上述投影所得值与原始投入产出值之间的差异即为被评价决策单元欲达到有效应改善的数值,设投入
的变化量为
xio,产出的变化量为
yro:
xio
xio
?
xio
*
xio
si
*
),i
1,
m
xio
(o
y
?
y
y
s
*
y
r
s
ro
y
ro
ro
ro
r
)
ro,
1,
(
.
(二)BCC模型
CCR模型是假设生产过程属于属于固定规模收益,即当投入量以等比例增加时,产出量应以等比增
加。
然而实际的生产过程亦可能属于规模报酬递增或者规模报酬递减的状态。
为了分析决策单元的规模报
酬变化情况,Banker,Charnes与Cooper以生产可能集的四个公理以及Shepard距离函数为基础在
提出了一个可变规模收益的模型,后来被称为BCC的模型[5]。
线性形式的BCC模型可表示为:
s
Maximizeryrouo,
r1
m
subjecttoixio1,
i1
sm
ryrjixijuo0,j1,,n,
r1i1
r,i0,r1,,s;i1,,m.
含松弛变量形式的BCC对偶模型
ms
Maximizeo(sisr)
i1r1
n
subjecttoxijjsioxio,i1,,m
j1
n
yrjjsryro,r1,,s
j1
n
j1
j1
j,si,sr0,i,j,r
1984年
(5)
(6)
其中为非阿基米德无穷小量。
根据BCC模型中的uo的取值大小,Banker和Thrall(1992)[6]提出如下判别
方法来判断模型(5)的规模收益。
定理1[6].假设含有投入产出组合(xo,yo)的DMUo是有效的,那么下面的条件可以判别模型
(1)之下DMUo
的规模收益:
(i)对于投入产出组合
(xo,yo)规模收益不变当且仅当在某个最优解情况下有
uo*
0;
(ii)对于投入产出组合
(xo,yo)规模收益递增当且仅当在所有最优解情况下都有
uo*
0;
(iii)对于投入产出组合
(xo,yo)规模收益递减当且仅当在所有最优解情况下都有
uo*
0。
其中uo*代表模型(5)中的最优解。
该定理的证明参见文献[6]。
CCR模型或者BCC模型计算出来的效率可能存在多个效率值为
1的情形,为了进一步区分这些有效
决策单元,常用的方法有超效率模型,交叉效率模型以及双前沿数据包络分析模型。
下面依次做个简单介
绍。
(三)超效率模型
CCR模型在计算效率值时,经常会出现多个有效的决策单元
(效率值为
1)的情形,从而使得有效决策
单元之间无法进行比较分析。
Andersen和Petersen(1993)[7]为了实现决策单元的完全排序,将被评价的决
策单元从效率边界中剔除,以剩余的决策单元为基础,形成新的效率边界,计算剔除的决策单元到新的效率边界的距离。
由于剔除的决策单元不被效率边界所包围,对于有效的决策单元而言,其计算出来的新效
率值就会大于1,而对于无效的决策单元而言,其所得的效率值不变,仍小于1,从而使得全体决策单元可以实现完全排序。
由于有效的决策单元效率大于1,从而就有了超效率(Super-efficiency)的概念。
基于
CCR
模型的超效率
DEA
模型为:
Minimize
n
subjectto
xij
j
xio
i
1,2,
m,
j1jo
n
(7)
yrjj
yro
r
1,2,
s,
j1
jo
j0,jo.
Banker和Chang(2006)[8]证实了超效率极易受离群值的影响,因此该方法可以用来检测数据集中是否存在离群值。
(四)交叉效率模型
为了解决
DEA
有效决策单元的排序和比较问题,
Sexton等人(1986)[9]提出了交叉效率评价的概念。
所
谓交叉效率评价就是每个
DMU
分别确定一组输入输出权重,供所有的
DMUs
评价使用,其中:
用
DMU
自身确定的权重评价自己的效率,称为自我评价效率;用其它
DMU
确定的权重评价自己的效率,称为交
叉效率或同行评价效率。
以
表5—1
为例,交叉效率评价的实质是对每个
DMU
同时进行自评和同行评价
,这样不仅考虑
DMU
自评的最好相对效率,而且还考虑了
DMU
同行评价给出的交叉效率,利用自我评
价和交叉效率的平均值作为衡量
DMU
绩效的综合指标,该指标不仅较好地解决了
DMUs
间排序和比较问
题,而且解决了CCR模型由于输入输出权重不一致性导致的不可比较问题。
Sexton等人(1986)通过引入二级目标来确定输入输出权重、消除权重的不唯一性。
随后
Doyle
和
Green(1994,1995)[10],[11]从同行评价的角度解释了交叉效率的含义,并给出了后来的到广泛引用的二级目标
函数-攻击型计算方式和仁慈型计算方式,下面两个模型依次为攻击型交叉效率模型和仁慈型交叉效率模型
:
表5—1
交叉效率示意表
交叉效率
决策单元
算术平均值
1
2
⋯
n
1
⋯
1
n
11
12
1n
j
1
1j
n
2
⋯
1
n
21
22
2n
j
1
2j
n
n
⋯
1
n
n1
n2
nn
j1nj
n
攻击型交叉效率模型:
s
n
Minimize
urk
yrj
r
1
j
1,jk
m
n
Subjectto
vik
xij
1,
i
1
j
1,j
k
s
urk
yrk
m
vixik
0,
(8)
kk
*
r
1
i
1
s
m
urk
yrj
vik
xij
0,j
1,
n;j
k,
r
1
i
1
urk
0,
r
1,
s,
vik
0,
i
1,
m.
仁慈型交叉效率模型
:
s
n
Maximize
urk
yrj
r
1
j
1,j
k
m
n
Subjectto
vik
xij
1,
i
1
j
1,j
k
s
urk
yrk
m
vixik
0,
(9)
kk
*
r
1
i
1
s
m
urk
yrj
vik
xij
0,j
1,
n;j
k,
r
1
i
1
urk
0,
r
1,
s,
vik
0,
i
1,
m.
然而,至今仍无一个准则来判别什么情况下使用攻击型或者是仁慈型。
为了避免目标函数选择上的两
难,Wang和Chin(2010a)[12]提出了一种中性交叉效率模型。
其模型形式如下所示:
Maximize
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数据 包络 分析 DEA 方法