企业官网建设流程全解析

简介：这是一份基于MATLAB实现的数据包络分析（DEA）资源包，内含DEA-Solver工具箱及配套示例，面向经济管理、工程评估等方向的师生和企业分析人员，适用于企业、医院、学校等组织的相对效率评价，也可作为运筹学相关课程的辅助教学材料。压缩包共21个文件，体积仅2.54MB，以xls示例/结果数据表为主，并包含PDF方法文献、M脚本、MAT数据文件、使用说明txt及doc文档等，既有可直接运行的模型代码，也有理论参考资料。目前已有442人学习。资源覆盖DEA建模全流程：从CCR与BCC模型定义、输入输出变量选择，到数据预处理、线性规划求解、效率排序及结果输出；同时附有区域创新政策排名、地方政府效率内在决定因素等应用案例文献，便于读者理解模型的实际使用方式。借助DEA-Solver的主函数库、示例数据和说明文档，使用者既可系统掌握DEA原理，也可以替换数据完成自定义的效率评价，还可用于教学演示与课题验证。 做项目绩效评价和效率分析时，数据包络分析（DEA）是我几乎绕不开的工具。前阵子有个课题需要评估一组同类型机构的运营效率，指标多、样本量不算大、又不想强行假设生产函数形式，我第一反应就是拿MATLAB写一个DEA求解程序，顺带把手头的DEA Solver流程也统一跑了一遍。这篇就基于这个项目，完整拆一下DEA的MATLAB实现思路、核心代码、常见坑位，以及怎么用solver配套交叉验证，给准备做效率评价的朋友一份能直接参考的实操稿。

1. DEA要解决什么问题，为什么用MATLAB

1.1 一个场景先立起来

假设你有20家医院，每家都有几个投入指标（床位数、医生数、年度运营成本）和几个产出指标（门诊量、出院人数、满意度评分）。现在要判断哪几家医院“更有效率”，哪几家还有改进空间。这个问题难就难在：多个投入多个产出，量纲不同，无法用单指标直接算综合效率。

DEA的做法很聪明，它不预设任何函数关系，而是把所有被评价对象（叫决策单元，DMU）放在一起，用“数据包络”的方式勾勒出一条最优前沿面。落在前沿面上的DMU效率为1，没落上去的，根据它与前沿面的距离得到一个0到1之间的效率值。这本质上就是一个线性规划问题，而MATLAB的linprog就是干这个的。

1.2 为什么选MATLAB而不是其他工具

如果你只是做一次简单的两投入两产出分析，用Excel插件也没问题。但项目但凡有一点扩展需求——比如要批量跑数百个DMU、要做Malmquist指数、要嵌入到自己的算法循环里做灵敏度分析——Excel就非常吃力了。MATLAB的优势在于：

• 线性规划求解器成熟，linprog支持多种算法，处理小规模DEA绰绰有余
• 数据预处理、结果统计、可视化在一个环境里完成
• 可以封装成函数批量调用，复用到不同数据集上

我在这套程序里也内置了DEA Solver的验证逻辑，说白了就是用两个不同实现互相核对结果，防止代码写错导致整个分析白做。

2. DEA模型怎么选：CCR、BCC和导向问题

2.1 CCR模型：规模报酬不变下的效率

DEA最早、最经典的模型是CCR（Charnes-Cooper-Rhodes）。它假设被评价对象处于规模报酬不变的状态，也就是投入翻倍、产出也应该翻倍。对于制造业生产线这类场景，这个假设还算合理，但放到医院、高校、银行网点，规模效应往往是递减或递增的，这时候继续用CCR就会把规模效率也混进纯技术效率里，得到的结果会产生误导。

CCR投入导向模型的线性规划形式，数学上可以写成这样：

min θ

s.t. Σⱼ xᵢⱼ λⱼ ≤ θ xᵢ₀，（i = 1,…,m）

Σⱼ yᵣⱼ λⱼ ≥ yᵣ₀，（r = 1,…,s）

λⱼ ≥ 0

其中θ就是要算的效率值，xᵢ₀和yᵣ₀是被评价DMU的投入产出，λ为权重变量。

2.2 BCC模型：规模报酬可变

实际项目里我用得更多的是BCC（Banker-Charnes-Cooper）。它只比CCR多了一个约束：Σλⱼ = 1，相当于要求被评价DMU只和规模相近的DMU比较。这样算出来的效率值剔除了规模因素，专业叫法叫“纯技术效率”。

当我对同一组数据同时跑CCR和BCC时，两者相减还能算出规模效率。具体判断标准是：

• 若CCR效率 = BCC效率，说明DMU处于最优规模状态
• 若两者不等，再看Σλ的取值趋势，可以判断是规模报酬递增还是递减

这个信息对管理决策极其有用，因为规模报酬递增的DMU应适当扩大规模，递减的则应控制扩张。

2.3 投入导向还是产出导向

这个选择并不复杂：如果经营管理者手上主要能控制投入（降本、优化资源），选投入导向；如果投入相对固定、要想办法提升产出（比如医院床位已经满负荷，该想的是提高周转率），选产出导向。两种导向求解出来的效率值略有差异，严格说只有规模报酬不变时才等同。我在代码里默认做了投入导向，同时在函数里预留了导向切换的参数，避免后期返工。

3. MATLAB代码实现：从零写一个DEA求解函数

3.1 核心函数代码

我实现的是基于linprog的对偶模型，变量顺序为θ、λ向量、投入松弛变量、产出松弛变量。由于linprog默认求解min f'x，所以目标函数里只有θ的系数为1，其余全是0。

function [theta, lambda, slack_minus, slack_plus] = dea_ccr_io(X, Y, j0) % dea_ccr_io CCR投入导向DEA求解 % X: n×m 矩阵，每行为一个DMU的m个投入指标 % Y: n×s 矩阵，每行为一个DMU的s个产出指标 % j0: 被评价DMU的行号 % theta: 效率值 % lambda: 参照权重 % slack_minus: 投入松弛变量 % slack_plus: 产出松弛变量 n = size(X, 1); m = size(X, 2); s = size(Y, 2); x0 = X(j0, :)'; y0 = Y(j0, :)'; % 变量顺序: theta, lambda(1:n), s_minus(1:m), s_plus(1:s) numVar = 1 + n + m + s; f = [1; zeros(numVar - 1, 1)]; Aeq = zeros(m + s, numVar); beq = zeros(m + s, 1); % 投入约束: sum_j X(i,j)*lambda_j - theta*x0(i) + s_minus(i) = 0 for i = 1:m Aeq(i, 1) = -x0(i); Aeq(i, 2:n+1) = X(:, i)'; Aeq(i, n+1+i) = 1; end % 产出约束: sum_j Y(r,j)*lambda_j - s_plus(r) = y0(r) for r = 1:s Aeq(m+r, 2:n+1) = Y(:, r)'; Aeq(m+r, n+1+m+r) = -1; beq(m+r) = y0(r); end lb = [0; zeros(n + m + s, 1)]; ub = inf(numVar, 1); options = optimoptions('linprog', 'Display', 'off', 'Algorithm', 'dual-simplex'); [x, fval, exitflag] = linprog(f, [], [], Aeq, beq, lb, ub, options); if exitflag <= 0 theta = NaN; lambda = []; slack_minus = []; slack_plus = []; warning('DMU %d 求解失败', j0); return; end theta = fval; lambda = x(2:n+1); slack_minus = x(n+2:n+m+1); slack_plus = x(n+m+2:end); end

这里有个比较关键的细节：把θ放在变量向量首位，投入约束里θ的系数就是-x0。一开始我写的时候把符号搞反了，算出来的效率值全都大于1，折腾了半天才发现是约束写成了等式右边的常量，没把θ移到左侧。

3.2 批量求解全部DMU

有了单个函数，批量求解就很简单了：

n = size(X, 1); theta_all = zeros(n, 1); for k = 1:n [theta_all(k), ~, ~, ~] = dea_ccr_io(X, Y, k); end

需要注意，DEA的效率值是按DMU逐个求的，每个DMU本质上是一个独立的线性规划问题，求解顺序互不影响。如果数据集比较大，可以先用parfor并行，但要注意每个工作进程都要能访问dea_ccr_io函数。

3.3 BCC模型的扩展

把CCR改成BCC，只需要多加一行约束。决策变量尾部加一个变量，专门用来做Σλ=1的等式约束：

% 在Aeq和beq末尾追加一行 Aeq(end+1, 2:n+1) = 1; beq(end+1) = 1;

变量数量不用变，因为Σλ=1不需要新的变量。但要把ub里λ部分的上限设为1？不需要，λ可以大于1，规模报酬可变的含义是允许权重和等于1，而不是λ本身受限。

4. 用DEA Solver交叉验证

4.1 DEA Solver是什么

DEA Solver是一套专门做DEA分析的工具，很多版本以Excel加载项的形式存在，也支持常见的CCR、BCC、超效率、SBM模型。项目里我把它作为MATLAB程序的交叉验证工具：先让MATLAB跑一遍，再用DEA Solver对同一份数据跑一遍，两者差距在1e-6以内才算代码可靠。

DEA-Solver官方渠道有多个版本，Learning版面向教学，功能相对基础；Pro版覆盖模型比较全，支持中文界面，商业项目用得比较多。网上能找到免费的试用版和学习版，追求完整模型的话建议支持正版授权。

4.2 交叉验证的流程

• 第一步：MATLAB程序导出效率值，保存为CSV
• 第二步：DEA Solver读取同一份X和Y数据
• 第三步：对比每个DMU的效率和松弛变量

如果出现个别DMU结果不一致，先检查数据读取是否对齐。实际项目中常见的原因是Excel里数据列顺序调换了，或者某个DMU的投入产出数据为0导致求解器路径不同。只要代码逻辑正确，两个工具的解应该高度一致。

4.3 为什么还要信任手写代码

有现成工具为什么还自己写MATLAB？因为DEA Solver这类工具适合单次分析，但项目做到后面通常要反复调参，比如换指标组合、做窗口分析、算Malmquist指数。写成函数后，这些操作就是几行循环的事。而且DEA Solver输出的是静态报告，想画效率分布的直方图、做效率值和环境变量的回归分析，还是得回到MATLAB或Python环境。手写代码的意义不在于“不用工具”，而在于把分析流程工程化。

5. 实际案例：医院运营效率评估

5.1 数据准备与指标选取

拿一个简化的例子来演示。假设要评估10家医院的效率，选了两个投入指标和两个产出指标：

指标选取上有一个经验法则：DMU数量要大于投入产出指标数量之和的两倍，最好在3倍以上，否则区分度会很差，大量DMU效率都等于1。我这个例子样本量偏小，仅作演示，正式研究里10个DMU配4个指标是偏紧的，至少要扩展到30个以上。

5.2 运行结果

用上面代码批量跑一遍，数据大致长这样：

X = [420 180; 350 152; 510 210; 280 95; 460 188; 390 170; 530 225; 300 110; 440 175; 370 143]; Y = [85.2 32.1; 78.4 30.5; 92.6 35.2; 55.7 22.3; 88.9 31.8; 82.5 29.6; 95.4 38.7; 62.3 24.5; 79.8 30.2; 74.6 27.8]; theta_all = zeros(size(X, 1), 1); for k = 1:size(X, 1) [theta_all(k), ~, ~, ~] = dea_ccr_io(X, Y, k); end bar(theta_all);

结果中一部分医院（比如G、D这类投入产出结构特殊的）效率值会靠近1，其他医院的效率值在0.85到0.99之间。这里有个分析小技巧：不要只看效率排名，一定要结合λ权重看它的“参照集”。比如医院F的效率是0.91，那就看它λ中权重最大的几个DMU是谁，这些DMU就是它的标杆。管理上可以直接让F院对标G院的资源配置结构。

5.3 松弛变量怎么用

效率值小于1只说明“缩水的空间有多大”，具体哪些指标要改进、改进多少，要看松弛变量。在CCR投入导向下，投入松弛量除以当前投入量，就是该指标的冗余比例。比如某医院医生数的松弛量是15人，那就意味着在不减少产出的前提下，理论上可以精简15名医生。

产出松弛也类似。需要注意一点，效率等于1的DMU也可能有松弛，这种情况被称为“弱有效”。判断是否强有效要同时看θ是否等于1以及所有松弛是否为0。我在程序里特意把松弛变量也返回出来，就是为了避免只看效率值导致误判。

6. 常见问题与排查技巧

6.1 为什么算出来的效率全是1

出现这个情况，九成原因是指标太多、DMU太少，DEA的数据包络太松，每个DMU都能找到自己的一套权重把自己包进去。解决方法：

• 增加DMU数量
• 精简投入产出指标，优先选相关性低的指标
• 用主成分分析先降维

6.2 求解失败或无可行解

最常发生在新手刚接触时，把投入产出方向搞反了。linprog返回exitflag小于等于0时，不要硬读theta。另外注意linprog在旧版MATLAB（2020a之前）默认算法可能对这类带等式约束的小规模问题不友好，建议指定algorithm为'dual-simplex'。我在项目里就遇到过一次同样的代码在两个版本结果不一样的情况，最后统一锁定了算法选项才对齐。

6.3 数据和DEA Solver对不上

很多情况下不是程序问题，而是Excel数据里有隐藏行、空值或者文本型数字。建议在MATLAB里用isnan和isinf先做一次检查，也把数据round到统一精度再导出。DEA对小数位数并不敏感，但完全相同的输入才能保证完全一致的输出。

6.4 零值和负值怎么处理

DEA默认要求投入产出数据非负。遇到某些指标存在0，有两种常见处理：一是换模型，比如SBM（Slacks-Based Measure）允许处理非期望产出和部分零值；二是给零值加一个很小的正数，但这会影响效率结果，不推荐。产出指标里若存在负值，一般要先做数据平移，但平移会改变效率测量结果，最好先想清楚经济含义。

7. 写在最后的个人体会

这套MATLAB DEA程序前前后后改过好几版，从最初只用linprog裸写CCR，到后来支持BCC、加入松弛变量输出、对接DEA Solver验证，每次改动都踩了不少坑。现在回头看，最有价值的不是代码本身，而是“用什么模型、在什么假设下、怎么解读结果”这套分析思路。数据进去、效率出来只是第一步，真正给管理决策提供依据的，是对参照集、松弛变量和规模收益状态的深度解读。如果你也在做类似效率评价，建议先把CCR和BCC的手推线性规划弄明白，再动手写代码，后面换任何模型都不慌。

本文还有配套的精品资源，点击获取