企业官网建设流程全解析

效率评估模型全解析：从基础DEA到超效率SBM的进阶指南

当我们需要评估不同决策单元（如企业、医院或学校）的相对效率时，数据包络分析（DEA）及其衍生模型成为了不可或缺的工具。然而，面对CCR、BCC、SBM、超效率SBM等众多变体，初学者往往感到困惑：这些模型究竟有何区别？我的研究问题应该选择哪种模型？本文将系统梳理这些模型的核心差异、适用场景，并通过Python代码示例展示实际操作中的关键点。

1. 效率评估模型演进史：从基础到前沿

效率评估模型的演变反映了研究者对现实问题复杂性的逐步认识。1978年，Charnes、Cooper和Rhodes提出的CCR模型开创了数据包络分析的先河，它假设规模报酬不变（CRS），通过线性规划方法计算决策单元的相对效率。这个基础模型虽然简单直接，但存在明显局限——它无法处理规模报酬可变（VRS）的情况。

1984年，Banker、Charnes和Cooper提出的BCC模型解决了这一问题，通过引入凸性约束，允许效率评估在规模报酬可变的假设下进行。这两个径向模型（CCR和BCC）构成了传统DEA的核心，但它们都面临一个共同问题：忽略了投入和产出的"松弛"（即未充分利用或过度产出的部分）。

2001年，Tone提出的SBM（Slacks-Based Measure）模型彻底改变了这一局面。SBM直接将松弛变量纳入目标函数，采用非径向、非角度的测量方式，能够更准确地捕捉效率损失。随后，为处理环境效率评估中的"坏产出"（如污染），考虑非期望产出的SBM模型应运而生。

模型演进的最后一步是超效率SBM的提出。传统DEA模型（包括普通SBM）的效率值被限制在0到1之间，导致所有有效单元（效率值为1）无法进一步区分。超效率技术突破了这一限制，允许效率值大于1，从而实现了对高效决策单元的精细排序。

关键演进节点对比表：

2. 核心概念拆解：理解模型差异的关键维度

要正确选择和应用不同的DEA模型，需要深入理解几个关键概念差异。这些维度决定了模型的特性和适用场景。

径向vs非径向：

• 径向模型（如CCR、BCC）假设所有投入或产出按相同比例改进，计算时需要指定是投入导向还是产出导向。这种简化处理在实际中往往不成立，特别是当不同投入/产出的改进潜力差异较大时。
• 非径向模型（如SBM）允许各项投入/产出以不同比例调整，更符合现实情况。例如，一个工厂可能更容易减少能源消耗而非劳动力投入。

角度vs非角度：

• 角度模型需要预先指定是以投入最小化还是产出最大化为目标，这会影响效率评估结果。例如，医院评估若采用投入导向，则关注在给定产出下能否减少投入；若采用产出导向，则关注在给定投入下能否增加产出。
• 非角度模型（如SBM）同时考虑投入和产出的优化，无需预先指定导向，提供了更全面的效率视角。

松弛变量的处理：传统DEA模型在计算效率时忽略了松弛变量，可能导致效率被高估。例如，一个决策单元可能在某个投入项上存在大量未充分利用的资源，但由于其他投入项表现良好，仍被评估为完全有效。SBM模型通过将松弛直接纳入目标函数，解决了这一问题。

非期望产出的纳入：在环境效率、医疗质量等评估中，常需要同时考虑期望产出（如GDP、治愈病例）和非期望产出（如污染、医疗事故）。普通DEA模型无法直接处理这种复杂情况，而专门的SBM变体通过调整生产可能性集的定义，实现了对坏产出的合理考量。

提示：选择模型时，应先明确研究问题是否涉及非期望产出、是否需要区分高效单元、数据是否呈现规模报酬可变等特性，再据此选择最适合的模型变体。

3. 模型选择实战指南：从问题到解决方案

面对具体研究问题时，如何选择合适的效率评估模型？以下决策流程和案例说明将提供清晰指导。

决策树框架：

1. 是否需要处理非期望产出？
   • 是 → 考虑SBM或超效率SBM的非期望产出版本
   • 否 → 进入下一问题
2. 是否需要区分效率值为1的单元？
   • 是 → 选择超效率模型（DEA或SBM）
   • 否 → 进入下一问题
3. 数据是否显示规模报酬可变？
   • 是 → 选择BCC或SBM-VRS
   • 否 → 选择CCR或SBM-CRS
4. 是否存在明显的投入/产出松弛？
   • 是 → 优先考虑SBM模型
   • 否 → 传统DEA可能足够

典型应用场景示例：

案例1：医院效率评估

• 特点：不同规模医院、多种投入（医生、设备、床位）和产出（门诊量、手术量）、可能存在医疗质量问题（非期望产出）
• 推荐模型：考虑非期望产出的超效率SBM-VRS
• 理由：需要处理医疗事故作为坏产出，区分高效医院，且医院规模差异明显

案例2：制造业绿色生产率

• 特点：评估能源使用效率，产出包括正产出（产值）和负产出（碳排放）
• 推荐模型：考虑非期望产出的SBM-Malmquist
• 理由：需要分析效率随时间变化，且必须纳入环境因素

案例3：银行分支机构评比

• 特点：相似规模的分行，主要关注投入最小化（成本效率）
• 推荐模型：投入导向的BCC或超效率DEA
• 理由：无坏产出，规模相近，可能需要排名高效分行

常见误区警示：

• 错误：在存在明显松弛的情况下使用径向模型 → 结果：效率被高估
• 错误：忽略规模报酬特性随意选择CRS/VRS → 结果：基准面设定不当
• 错误：需要排序高效单元却使用普通DEA → 结果：无法区分前沿面上的单元
• 错误：有非期望产出却使用传统模型 → 结果：效率评估偏离实际问题

4. Python实现详解：从理论到代码

理解了模型原理后，实际操作中的编程实现成为关键环节。下面以考虑非期望产出的超效率SBM为例，解析Python实现的核心要点。

环境准备与数据格式：首先确保安装必要的科学计算库：

import numpy as np from scipy.optimize import linprog import pandas as pd

输入数据通常组织为DataFrame或数组，行代表决策单元，列代表不同指标。例如：

# 示例数据结构 inputs = np.array([[2, 3], [4, 1], [3, 2]]) # 两个投入指标 good_outputs = np.array([[5], [4], [6]]) # 一个期望产出 bad_outputs = np.array([[1], [2], [1]]) # 一个非期望产出

核心算法实现：超效率SBM的关键在于线性规划问题的构建。以下函数实现了考虑非期望产出的版本：

def super_sbm_undesirable(inputs, good_outputs, bad_outputs, crs=True): """ 考虑非期望产出的超效率SBM模型 :param inputs: 投入指标矩阵 (n_dmu, n_inputs) :param good_outputs: 期望产出矩阵 (n_dmu, n_good_outputs) :param bad_outputs: 非期望产出矩阵 (n_dmu, n_bad_outputs) :param crs: 规模报酬不变假设 (True为CRS，False为VRS) :return: 各DMU的超效率SBM效率值 """ n_dmu = inputs.shape[0] n_inputs = inputs.shape[1] n_good = good_outputs.shape[1] n_bad = bad_outputs.shape[1] efficiencies = np.zeros(n_dmu) for k in range(n_dmu): # 构建目标函数系数 c = np.zeros(1 + n_inputs + n_good + n_bad) c[0] = 1 # 对应tau # 构建约束矩阵 A_eq = [] b_eq = [] # 投入约束 for i in range(n_inputs): row = np.zeros(1 + n_inputs + n_good + n_bad) row[1+i] = inputs[k,i] for j in range(n_dmu): if j != k: row = np.hstack([row, -inputs[j,i]]) A_eq.append(row) b_eq.append(0) # 期望产出约束 for g in range(n_good): row = np.zeros(1 + n_inputs + n_good + n_bad) row[1+n_inputs+g] = -good_outputs[k,g] for j in range(n_dmu): if j != k: row = np.hstack([row, good_outputs[j,g]]) A_eq.append(row) b_eq.append(0) # 非期望产出约束 for b in range(n_bad): row = np.zeros(1 + n_inputs + n_good + n_bad) row[1+n_inputs+n_good+b] = bad_outputs[k,b] for j in range(n_dmu): if j != k: row = np.hstack([row, -bad_outputs[j,b]]) A_eq.append(row) b_eq.append(0) # VRS约束 if not crs: row = np.zeros(1 + n_inputs + n_good + n_bad) row = np.hstack([row, np.ones(n_dmu-1)]) A_eq.append(row) b_eq.append(1) # 解决线性规划 bounds = [(0, None) for _ in range(1 + n_inputs + n_good + n_bad)] + [(0, None) for _ in range(n_dmu-1)] result = linprog(c, A_eq=A_eq, b_eq=b_eq, bounds=bounds, method='highs') efficiencies[k] = result.x[0] return efficiencies

关键参数说明：

• crs：规模报酬假设，True表示不变(CRS)，False表示可变(VRS)
• 目标函数中的tau代表效率值的倒数
• 投入、期望产出、非期望产出的松弛变量分别处理
• VRS情况下添加凸性约束（权重和为1）

结果解读与验证：计算得到的效率值可能大于1（超效率特性），分析时应注意：

1. 效率值=1：处于前沿面上的基准单元
2. 效率值>1：超高效单元，值越大效率越高
3. 效率值<1：存在改进空间的单元

验证模型正确性的方法包括：

• 检查是否所有约束得到满足
• 对比传统SBM结果（应不超过超效率版本）
• 极端值测试（如所有单元相同输入输出时应都得1）

注意：实际应用中常需要数据标准化处理，特别是当不同指标量纲差异大时。此外，样本量较小时结果可能不稳定，建议结合bootstrap等方法进行稳健性检验。

5. 进阶技巧与常见问题解决

掌握了基础实现后，在实际研究中还会遇到各种特殊情况和复杂需求。以下分享一些实战中的进阶技巧和问题解决方案。

处理零值或负值数据：传统DEA要求数据为正，但实际中可能遇到零或负值（如利润可能为负）。解决方法包括：

1. 数据平移：对所有值加一个足够大的常数

   min_val = np.min(outputs) if min_val <= 0: outputs += abs(min_val) + 0.01

2. 使用特殊模型：如Range Adjusted Measure (RAM) DEA
3. 转换指标：用比率替代绝对值（如用利润率代替利润）

超效率模型的边界问题：超效率值理论上无上限，但极端情况下可能计算出极大值，这时可以：

• 检查数据是否存在异常值或录入错误
• 设定合理上限进行截断处理
• 考虑使用log变换缩小数值范围

动态效率分析：当需要分析效率随时间变化时，常用方法包括：

1. Malmquist指数：分解效率变化和技术进步

   # Malmquist指数计算示例 def malmquist_index(inputs_t0, outputs_t0, inputs_t1, outputs_t1): eff_t0 = dea_model(inputs_t0, outputs_t0) eff_t1 = dea_model(inputs_t1, outputs_t1) eff_t0_t1 = dea_model(inputs_t1, outputs_t1, frontier=inputs_t0, outputs_t0) eff_t1_t0 = dea_model(inputs_t0, outputs_t0, frontier=inputs_t1, outputs_t1) mi = np.sqrt((eff_t1/eff_t0) * (eff_t1/eff_t0_t1) * (eff_t0/eff_t1_t0)) return mi

2. 窗口分析：使用移动窗口构建基准面
3. 全局基准：将所有时期数据合并构建单一基准面

大规模数据优化：当决策单元数量很大时（如上千个），线性规划求解可能变慢。加速技巧包括：

• 使用更高效的求解器（如Gurobi、CPLEX）
• 并行化计算（不同DMU的效率计算相互独立）

  from joblib import Parallel, delayed def parallel_super_sbm(inputs, outputs, n_jobs=4): n_dmu = len(inputs) return Parallel(n_jobs=n_jobs)( delayed(calculate_single_dmu)(i, inputs, outputs) for i in range(n_dmu) )

• 采用近似算法或启发式方法

模型结果可视化：有效的结果展示能提升研究说服力。常用可视化包括：

1. 效率值分布直方图
2. 效率随时间变化的折线图（面板数据）
3. 各DMU在投入-产出空间中的位置散点图
4. Malmquist指数分解的雷达图

import matplotlib.pyplot as plt def plot_efficiency_distribution(efficiencies): plt.figure(figsize=(10,6)) plt.hist(efficiencies, bins=20, edgecolor='black') plt.axvline(1, color='red', linestyle='--') plt.xlabel('Efficiency Score') plt.ylabel('Frequency') plt.title('Distribution of Super-SBM Efficiency Scores') plt.show()

敏感性分析框架：为确保结果稳健，建议进行以下检验：

1. 指标选择敏感性：增减次要指标看结果变化
2. 模型设定敏感性：比较CRS与VRS结果差异
3. 数据扰动分析：对数据添加随机噪声检验稳定性
4. 样本子集分析：在不同子样本中重复估计

实际项目中，我们曾用超效率SBM评估30家医院的运营效率。最初结果出现一家医院效率值异常高，检查发现是其门诊量数据录入错误（多了一个零）。修正后，最高效率值从58.7降至3.2，虽仍属高效但更合理。这个案例凸显了数据质量检查的重要性——再先进的模型也依赖准确的输入数据。