如何用数据包络分析（DEA）进行效率评估？
一、什么是数据包络分析DEA
数据包络分析DEA是一种多指标投入和产出评价的研究方法，其应用数学规划模型计算比较决策单元（DMU）之间的相对效率，对评价对象做出评价。比如有10个学校(即10个决策单元DMU,Decision Making Units)，每个学校有投入指标（比如学生人均投入资金），也有产出指标（比如学生平均成绩，学生奥数比赛比例等），有的学校投入多，有的学校投入少，但是投入多或少，均会有对应的产出，那么具体哪个学校的投入产出更加优秀呢，诸如此类投入产出的优劣问题，则可使用数据包络DEA模型进行分析。
最常见的DEA模型为CCR和BBC，此两种模型的区别在于是否假定‘规模报酬可变’，其对比如下：
二、数据包络分析DEA案例
1
当前希望对天津市的城市可持续发展情况进行研究，共收集1990~1999共计10年的相关指标数据。具体说明如下表格：
原始数据如下图，从下图来看，从1990~1999年共计10年里面，人均GDP和城市环境质量指数均在逐步提高，单独从产出指标来看说明每年都在提升。但反过来看，3个投入指标却有高有低，那么到底哪些年的投入产出较好，而哪些年的投入产出还有改进空间并不知晓，这正是需要数据包络分析DEA分析寻找的答案。
2
数据包络分析DEA时，首先需要分析综合效益值θ，即首先判断DMU是否有DEA有效，如果有效，则说明该DMU较优，反之说明‘非DEA有效’，即相对来说还有提升空间，那么提升空间具体在哪里呢，比如提高还是减少规模呢，可以通过规模效益分析得到。与此同时，如果是‘非DEA有效’，那么具体问题是什么，投入冗余还是产出不足，则可以通过对应的投入冗余 或产出不足分析表格得出，具体数字直接查看松驰变量即可。如下表所示：
3
本例子操作截图如下：
分别将3个投入指标和2个产出指标放在对应的框中，与此同时，本案例中年份为决策单元DMU，因此放入对应的框中，当然也可以不放入DMU（如果不放入，SPSSAU默认输出为比如第1项，第2项等）。另外，本案例使用默认的BBC(VRS)模型进行分析。
4
如果是BBC模型时，SPSSAU共输出6个表格和1个图。分别如下：
如果是CCR模型时，SPSSAU共输出4个表格【无规模报酬相关的表格】和1个图。分别如下：
5
有效性分析是指决策单元DMU的总体有效性情况，本案例使用BBC模型进行分析。从上表可以看出：1997，1998和1999这三年的数据均为‘DEA强有效’，即相对于其它年份（DMU）来讲，此3年的投入产出达到相对最有效率。
关于有效性的判断规则说明如下：
如果综合效益值等于1且松驰变量S-和松驰变量均为0，那么为DEA强有效，说明相对来讲某DMU单元达到最有效率；如果综合效益值等于1并且2个松驰变量任意中任意1个大于0，那么为DEA弱有效，说明某DMU单元已经相对有效率但还有一定提升空间；如果说综合效益值小于1（此时不论松驰变量为多少），那么为非DEA有效，即说明相对来讲投入产出比效率较差。
以及关于上表格中各指标的意义说明如下表：
从本案例分析来看，除1997，1998和1999共3个决策单元外，其余年份（决策单元DMU）均为非DEA有效，即还有较大的提升空间，下述中还会进一步对规模效益系数进行分析。
上图为有效性分析的图示化，人上图可以看到，从1990到1999年变迁过程中，综合效益值在不断的提升，也即说明政府的投入产出效率在不断提升。包括规模效益和技术效益均在不断提升，进一步说明投入产出效率的提升，也即说明政府的效率在不断提高。
针对BBC模型即规模报酬可变模型来看，上述分析可知，1997,1998和1999这3年均为DEA强有效，自然其规模报酬达到最优即规模报酬固定。而1997年之前，规模报酬系数值均小于1，也即说明规模报酬递增，加大规模更加速提高投入产出比。可能这也正是政府在逐年提升投入的原因。关于规模报酬系数的判断规则说明如下表:
针对非DEA有效的决策单元DMU，可进一步分析其‘投入冗余’情况。当然DEA强有效的决策单元（本案例中的1997，1998和1999共3年），相对意义上其并没有投入冗余问题，因此松驰变量S-值均为0。
松驰变量S-意义为“减少多少投入时达目标效率”，简单来说就是得到基于当前的产出，投入要减少多少才能达到高效率。该值越小越好，最小值为0（即最优状态），从上表可知：从1990~1996年间，政府财政收入占GDP比例对应的松驰变量S-值一直都大于0，意味着财政收入相对GDP过高（收税相对过多）。与此同时，在1994~1996年这3年里，每千人科技人员数的松驰变量S-值较高，意味着科技人员占比相对过高，可适量减少科技人员投入。
至于投入冗余率，其是一个相对的数字，即‘过多投入’除以‘已投入’，分析时可直接对比该数字，如果该值越大意味着需要减少的比例越大。
针对非DEA有效的决策单元DMU，可进一步分析其‘产出不足’情况。当然DEA强有效的决策单元（本案例中的1997，1998和1999共3年），相对意义上其并没有产出不足问题，因此松驰变量S+值均为0。
松驰变量S+意义为“增加多少产出时达目标效率”，简单来说就是得到基于当前的投入，产出要增加多少才能达到高效率。该值越小越好，最小值为0（即最优状态），从上表可知：人均GDP这一产出变量仅在1995年出现松驰变量S+值大于0，意味着1995年时人均GDP相对产出较低。与此同时，1990~1993共4年时间里，松驰变量S+值大于0，说明此4年里面相对于投入，产出效率还有提升空间（即产出不够）。
至于产出不足率，其是一个相对的数字，即‘产出不足’除以‘已产出’，分析时可直接对比该数字，如果该值越大意味着需要产出增加的比例越大。
描述统计分析表格为各研究指标的平均值和标准差值等，用于查阅数据中是否有缺失或异常情况等，并无其它意义。
6
涉及以下几个关键点，分别如下：
数据包络分析DEA从数学原理上并不要求数据进行量纲化处理，如果需要处理，可使用SPSSAU数据处理里面的生成变量功能进行处理。与此同时，如果数据有负向（逆向）指标，则需要对其进行逆向化处理，让其指标意义变为正向。处理方式为：SPSSAU数据处理里面的生成变量功能中的逆向化处理。
如果指标中有负向（逆向）指标，那么需要对负向（逆向）指标进行逆向化处理，使其意义变为正向。处理方式为：SPSSAU数据处理里面的生成变量功能中的逆向化处理。
数据包络DEA分析有很多模型，BBC和CCR最为经典，如果考虑规模报酬可变则使用BBC，反之如果认为规模报酬不变则应使用CCR，通常情况下使用BBC较多。
数据包络DEA分析进行分析时，其是一个相对对比的过程，即基于所分析数据里面对比相对的优劣，比如不同城市的DEA分析，有的分析发现北京DEA有效，但指标更改后（或对比的DMU更换），可能就会出现北京为非DEA有效。
