dea评价

dea评价（推荐9篇）

dea评价 篇1

运用DEA方法评价青岛市科研院所和高等院校两类机构的海洋科技效率,对综合效率、技术效率、规模效率和规模报酬等指标进行量化分析,解出提高科技效率的`途径,并提出改进海洋科技效率的对策建议.

作 者：刘大海 臧家业 徐伟 作者单位：刘大海,臧家业(国家海洋局第一海洋研究所,青岛,266061)

徐伟(国家海洋技术中心,天津,300111)

dea评价 篇2

关键词：数据包络分析,交叉效率,效益评价

一、引言

随着电子商务的不断发展, 电商企业不断增多, 网络消费群体也在不断扩大, 并且越来越多的企业由传统行业转型为电商企业, 这给企业带来了丰厚的利润, 但是企业在一味追求利润的同时也需要考虑投入产出效率。某知名电商平台上商家的效益可视为多指标投入和产出的系统, 商家效益好坏体现了企业的盈利能力的强弱, 如何提高商家效益是企业关注的重点。数据包络分析法, 简称DEA, 以及DEA交叉效率评价法在处理多输入多输出的有效性评价方面, 具有显著优势。数据包络分析法 (DEA方法) 是处理多输入多输出问题的基本模型, 而DEA交叉效率评价法是对DEA模型的改进。文章通过阐述分析数据包络分析和数据包络分析的交叉效率评价法的基本理论, 运用两种方法分别对选取的10家电商平台上的卖家进行了效益评价, 将二者进行对比分析, 并进行相关排序。

二、DEA模型介绍

(一) DEA概述

DEA方法于1978年首次被美国运筹学家提出, 其理论基础是“相对评价效率”的概念, 它是对相同类型的单位或者部门, 根据多指标输入和输出原则进行效益评价的新方法[1]。它在解决多目标决策等相关问题等方面非常有效。

采用DEA软件计算的结果以0到1区间的数字表示, 1表示DEA有效, 否则为非DEA有效。若某个决策单元为非DEA有效, 使之与同类型的其他决策单元进行比较, 看差距有多大, 找出问题所在, 之后做出完善。

现实情况下DEA的特点包括:1.DEA在确定输入输出指标的权重时具有客观性, 避免了人为因素的干扰;2.DEA无需确定决策单元输入输出指标相互间的显性关系表达式;3.采用DEA方法在有些情况下是存在误差的, 由于模型采用的是线性规划方法, 评价结果可能由于随机项的干扰产生影响;4.所使用的评价指标对于总评价目标均具有相同的权重, 指标间的重要程度被忽视了;5.每个决策单元都是以自身最优化的角度进行评价, 忽视了其他企业最优情况下本企业的效率变化情况, 缺少了综合的评价效果[2]。

(二) DEA交叉效率评价方法

DEA交叉效率评价是一种新的评价方法, 他是将DEA当作多准则决策的其中一种排序工具的前提上产生的。交叉效率模型是1986年由Sexton等人首次提出的一种用做评估排序的新的DEA方法。交叉效率评价就是将每个决策单元的投入数据及产出数据均以其他企业效率最优时的权重进行评价, 即用所有决策单元的自身最优权重值来评价每个决策单元。

交叉效率评价是将自我评价和其他评价进行了融合, 决策单元从自身效率最优的角度和其他企业效率最大化的角度两方面进行评价[3]。从而在n个决策单元中每个决策单元都可以得到n个自身效率最优值。交叉效率评价法是在DEA方法的基础上进行改进的, 在某些程度上可以看做是对DEA方法的改进和完善, 最后得到了综合评价的效果。

假设有m种类型的输入, s种类型的输出,

输入指标的向量:Xi=[xi1, xi2, ..., xim]

输出指标的向量:Yi=[yi1, yi2, ..., yis]

n个决策单元:DMUi=[Xi, Yi]

输入指标的权向量:v=[v1, v2, ..., vm], 输出指标的权向量:u=[u1, u2, ..., us]

效率评价指数, 即为DMUi的总输出与总输入的比值:

基于CCR模型, 建立起交叉效率评价矩阵:

上面, 主对角线的元素Eii为决策单元的自我评价值, 而非主对角线的元素Eik (k≠i) 为决策单元交叉评价值。输入指标和输出指标的权向量的定义方法如下所示。对于每个决策单元DMUi, 可以采用下面规划模型求解 (k=1, 2, ...n, k≠i) :

得出最优解:和, 得出交叉效率评价值:。

在交叉效率评价矩阵E中, 其中E的第i行是DMUi对i个决策单元的评价值, 它的值越小, 就会对DMUi越有利;矩阵E的第i列是i个决策单元对DMUi的评价值, 它的值越大那么DMUi就会越优。对评价矩阵第i列进行平均值计算, 它可以当作判断DMUi优劣的一个指标。Ei可作为所有决策单元对DMUi的总评价值, Ei的值越大, 就说明DMUi越优[4]。

三、评价指标体系的建立

(一) 决策单元的选取

决策单元DMU是使用DEA模型来进行评估和比较的。在选择决策单元DMU时, 需要有相同的外部环境和内部结构, 为了保障评价结果是有意义的, 选取的决策单元需要具有相同的立足点, 即选取标准必须是同类型的DMU[5]。同一类型的DMU, 其特点如下:1.所有的决策单元必须要有相同的目标和任务;2.所有决策单元需要具有相同的外部环境条件;3.所有的决策单元具有相同的输入输出指标。基于上述要求, 本文选取了10家具有代表性的电商企业作为DEA模型的决策单元。

(二) 评价指标的选取

企业的盈利能力是电商企业发展过程中成败的关键。本文主要选取了企业资产总额、主营业务收入、利润总额、债务保护倍数、电子商务能力五个指标来对电商企业的经营效益进行评价。资产总额是指企业拥有的全部资产的总计, 它等于负债加所有者权益之和。主营业务收入指的是企业在其经营的主要业务上的收入。利润总额代表的是企业的盈亏总额, 是指企业在扣除各种费用和税收后的盈利情况。债务保护倍数指的是债权人提供的资金会受到所有者权益的有效保障, 同时企业偿还长期债务的能力和债务保护倍数二者是成正比的, 债务保护倍数越高, 企业偿还长期债务的能力越强, 反之越弱。电子商务能力包括了信息提供能力、在线交易能力、客户定制能力及供应商系统集成能力, 以及电子商务的服务能力。这些都是衡量电商企业运营情况的最基本的指标。其中输入指标为企业资产总额, 输出指标为主营业务收入、利润总额、债务保护倍数、电子商务能力。

四、计算结果与分析

(一) 基于DEA的数据分析

把上面的输入和输出指标数据输入到DEA的CCR模型中。得到决策单元DMU的相对效率值, 结果为1表示有效, 否则无效。用CCR模型计算的10家决策单元有效性, 得到的结果如下:

(二) 基于交叉效率DEA的分析

将上述输入输出指标数据代入到DEA交叉效率评价模型中。选用MATLAB软件进行线性规划模型的求解。经编程计算, 得到10家电商企业综合效率评价指标值。

其中对角线元素为个决策单元即电商企业的自我评价值:

对比发现基于交叉效率DEA的评价结果中对角线数值与DEA评价的结果一致。但是, DEA中无法对有效单元进一步排序, 所以, 需要使用基于交叉效率DEA的方法进一步得出各个电商企业即决策单元的平均交叉效率评价值:

按照得出的结果, 将各个企业效益由小到大进行排序有:

因此得出, 这10家电商企业中效益评价最高的是DMU9、效益评价最低的是DMU10。

五、结论

DEA分析结果表明, 10家电商企业中只有第5家和第9家DEA有效, 结果并非全是DEA有效的, 那么其他企业就需要找出产生该问题的原因, 并作出努力。从经济意义上讲, DEA有效的两家电商企业在规模和技术上都是有效的, 企业资源配置已经达到最优组合, 而且达到了最优的效果。但是, 结果为DEA有效的电商企业在现实环境下不可能达到百分之百的资源利用率, 因为它计算的结果是相对的数字。用DEA交叉效率评价法计算出的10家电商企业排名, 更好的表明了10家企业经营效益的相对优劣, 即反映了其投入产出的效率。DEA数据包络分析法在指标数据的选择上可观性比较强, 排除了主观因素的影响, 但是在以投入最小或者产出最大化的最优准则的前提下, 为企业设置最优权重的同时忽略了企业间的相互评价, 所以交叉效率评价法的引入弥补了DEA数据包络分析法自我评价的不足, 分别用两个方法计算得到每个决策单元的相对效率评价以及决策单元的平均交叉评价值, 使结果更为准确, 更能体现企业的综合竞争力。

参考文献

[1]魏权龄.评价相对有效性的数据包络分析模型[M].北京:中国人民大学出版社, 2012:7-99.

[2]马占新.数据包络分析模型与方法[M].北京:科学出版社, 2010.

[3]王金祥.基于超效率DEA模型的交叉效率评价方法[J].系统工程, 2009, 27 (6) :115-118.

[4]彭育威等.利用MATLAB进行DEA交叉评价分析[J].西南民族大学学报 (自然科学版) , 2004 (5) :553-556.

dea评价 篇3

【关键词】水运建设；绩效评价；数据包络分析方法

0概述

水路运输（简称水运）一直以来都是我国交通运输事业的重要组成部分，也是国民经济发展的重要环节。随着经济的不断发展，我国的水运需求也不断增长。预计2010年我国水运货运量将达到29亿t。外贸进出口商品和煤、油、矿、箱这4大货品的运输都将保持快速增长的势头，水运客运量也不断攀升，发展前景良好。在国家政策的指引下，各省交通厅根据自身所处地理环境和经济发展状况，制定适应本省水运发展的阶段规划。在“十一五”建设期间，各省都将水运建设的重点放在内陆航道建设、能源码头建设、沿海港口建设、航运搜救建设等方面，以此提高本省的水运客运量和货运量，并取得较好的建设成绩和经济效益，但同时也出现一些问题，如基础设施重复投入、资源分配不均、共享水平不高、人力资源利用率低等。这种资源投入与成果产出的不协调，不利于效益最大化。针对上述问题，本文选取我国12个重要省（区）2008年度的水运建设投入、产出值，采用数据包络分析（DEA）方法评价其建设绩效，找出其优势和存在问题。

1数据包络分析（DEA）方法及其应用

1.1DEA法简介

DEA法使用数学规划模型评价多个输入输出决策单元（Decision Making Unit，DMU）间的相对有效性。[1] 它通过对各决策单元的投入和产出指标进行模拟计算，以计算结果判断这些决策单元是否处于投入产出效益最优化状态（即DEA有效），如果尚未达到最优，则分析如何加以调整和改进。DEA法适用性很强，得到运筹学、管理学和经济学领域的学者们的关注。

DEA法也有其局限性。首先，DEA评价的是相对效率，如果被评价的决策单元都处于较差的状态，其结果可能显示规模收益不变（值为1）。其次，DEA是前沿生产函数的一种隐含表达，在确定前沿的同时，把无效率的部分全部归于技术的无效率，而随机前沿生产函数就把这部分归于技术的无效率和随机误差两部分。最后，在权重的选择上，DEA从最有利于评价单元的角度来进行，有可能因决策单元某一方面的突出表现使评价结果偏高，而有些投入指标数据未见得能导致产出指标数据的产生。在进行DEA分析时必须注意上述问题。

1.2DEA法的应用

水运建设属于交通运输事业的重要组成部分，由交通运输部、省级交通厅进行规划建设和管理，因此在资金来源、基础设施建设、人员组建等方面均具有较大优势。水运建设离不开基础设施资金投入和人员投入，因此，本文选取2008年我国12个省（区）对水运建设的固定资产资金投入和人员投入作为投入指标，水路客运量和水路货运量作为输出指标；将建设绩效看成是在一定的时间内，对同一行业（水运行业）建设的各决策单元（各省市）的投入与产出之间的比率。这12个省（区）为黑龙江、江苏、浙江、安徽、福建、江西、湖北、湖南、广东、广西、四川和贵州，涵盖我国水运行业分布的沿海、沿江、临湖等典型区域。

2实证分析

2.1水运建设绩效评价数据

12个省（区）在2008年对水运建设的两项投入值（固定资产投入和人员投入）以及两项产出值（水运客运量和水运货运量）见表1。

表12008年我国12个省（区）水运投入产出数据

根据表1数据，采用基于输入的具有非阿基米德无穷小的C2R模型（1）评价其总体效率。再用基于输入的具有非阿基米德无穷小的BC2模型（2）评价其技术效率。

（1）

（2）

C2R模型和BC2模型计算结果见表2：DMU为分析的省（区）名称；θ*为总体效率值，σ*为技术效率值，规模效益值s*＝。根据DEA法创始者CHARNES和COOPER等人的研究结果：决策单元DMU为规模收益不变的充分必要条件是规模收益值为1[2]，故由表2数据可以得出以下结论。

表2我国12个省（区）水运投入产出评价

2.2水运建设绩效评价结果分析

从表2可知，评价结果分为3类：第1类为浙江、安徽、贵州等3省，它们在总体效率、技术效率和规模效益上均达到1.000，这说明这3个省的水运建设处于DEA有效状态（规模效益不变的最佳状态），即产出相对于投入达到最大。[3]说明这3个省的水运建设在固定资产投入、修建基础设施和人员投入方面卓有成效，在水运客运量和水运货运量方面获得良好的产出效果。第2类为江西省和四川省，其水运建设技术效率σ*达到1.000，这说明这2个省的水运建设为纯技术DEA有效，其中四川省的总体效率θ*达到0.772，接近1.000，说明其只需要在投入数值上稍作调整，即可达到规模效益最优状态。第3类为黑龙江、江苏、福建、湖北、湖南、广东和广西这7个省（区），结果为非DEA有效，说明这7个省（区）在水运建设的投入产出上出现一定问题，尤其是重复投入或资源利用率较低。如果希望达到理想状态，即产出相对于投入达到最大，需要将一些投入数据调整为“调整后”状态。通过DEA模型分析，可获得各省（区）投入产出的前后不同数值，获得调整数据（见表3）。

表3我国水运建设绩效评价调整数值

3结语

由上文分析可得，这12个省（区）中有近42%的省（区）的水运建设处于最优化状态或接近最优化状态，未达到最优规模效益的省（区）在通过适当调整投入之后也能达到产出最佳值，这充分说明我国各省（区）水运建设事业的发展成效。一些省（区）的水运建设无法达到投入产出效益最优化的主要原因是在水运机构的设置、人员的投入、资金的投入，以及设施的购买和基础设施的兴建上存在大量的重复投资，这直接导致资源的浪费。因此，各省（区）在进行水运建设的过程中，一定要根据自身的地域环境和经济实力，明确水运建设的特殊性和市场发展需求，合理有效地投入和分配各项资源，同时，采取科学评价方法和可持续发展模式，随时进行检查、精简和调整，使我国水运建设事业获得效益最优化。

参考文献：

[1]魏权龄．数据包络分析（DEA）[J]．科学通报，2000（17）： 1793-1807.

[2]魏权龄．评价相对有效的DEA方法――运筹学的新领域[M]．北京：中国人民大学出版社，1988：25.

dea评价 篇4

DEA及MDEA在山东省渔港评价体系中的应用及比较

运用DEA及MDEA模型计算山东省10处渔港的资源利用效率值,结果表明,山东省渔港的.资源利用效率存在较大差异,所选10处渔港中,威海龙须岛渔港效率值最高,东营中心渔港效率值最低;MDEA模型相比DEA模型,能对效率评价值达到1的决策单元进行更加充分的评价和排序.

作 者：于定勇 史大运 赵景丽 作者单位：中国海洋大学,工程学院,山东,青岛,266100刊 名：海岸工程英文刊名：COASTAL ENGINEERING年，卷(期)：201029(1)分类号：U656.1关键词：DEA MDEA 山东省渔港 效率

基于DEA的企业信息化评价 篇5

关键词：DEA评价,企业信息化

一、引言

企业信息化不仅改变了企业的经济发展方式, 而且改变了企业的外部竞争环境和内部管理模式, 企业信息化已经成为了企业发展的趋势, 是企业生存和发展的必经阶段。因此, 对于信息化我国企业投入大量的自己进行建设, 但是企业信息化投入效果怎么样, 效益有没有达到最大值, 企业企业如何能以最小的成本获得最大的收益, 这就必须对企业信息化进行有效的评价。

目前评价企业信息化的方法很多, 有Delphi法、生产函数法、指标公式法、功能费用分析法、主成份分析、因子分析、聚类分析、多目标决策、层次分析、模糊评价以及数据包络分析 (DEA) 等方法。本文采用DEA方法对企业信息化进行评价, 而且评价的对象是浙江省的企业。因为浙江省是我国的经济大省, 其GDP曾一度仅次于广东, 居第二位, 民营经济发达, 企业对信息化的建设早投入大, 因此选择浙江省为研究对象具有一定的代表性。

二、相关理论介绍

1. DEA基本介绍

DEA的由美国运筹学家Charnes等于1978年基于单输入、单输出的工程效率概念而提出的一种效率评价方法, 由于其能够避免主观因素、简化算法、减少误差等方面有着不可低估的优越性, 一经提出就受到许多学者的关注, 现已成为管理科学、系统工程和决策分析、评价技术等领域重要分析工具和手段。

在1978年推出CCR模型之后, DEA模型因利用的领域不同或者需要不同经过不断改进和发展, 目前衍生模型数量已经超过了10种, 如假设锥形不成立, 只评价技术有效性BCC模型、满足规模收益非递增的FG模型和满足规模收益非递减的ST模型等。上述模型及其各种变型模型已经成为规模收益评价的完整体系。

2. DEA评价原理

CCR模型是DEA模型中最基本最原始的模型, 其他模型都是在CCR模型的基础变化而得来, 因此本文选用CCR模型。CCR模型是规模有效性和技术有效性模型, 规模有效性是指企业增加规模可以增加企业的效益, 技术有效性是指企业通过管理等技术可以提高企业的效益。选用CCR模型可以评价企业是否需要增加规模投入, 是否有积极充分的运用管理技术。

假设有n个决策单元, 每个决策单元有m种类型的“输入”及s中类型的“输出”。则效率评价知识为

其中xij为j个决策单元对第i种输入的投入量, xij>0;yrj为j个决策单元对第r中输出的产出量, yrj>0;vi为第i种输入的一种度量;ur为第r中输出的一种度量。

CCR线性规划引入非阿基米德无穷小量的对偶变化如下:

设ε为非阿基米德无穷小量, 其线性规划的最优解为λ0, s-0, s+0, θ0, 且当θ0=1, 则决策单元j0为弱DEA有效;当θ0=1, 且s-0=0, s+0=0, 决策单元j0为DEA有效。

3. DEA投影分析

当决策单元为非DEA有效时, 可以通过DEA投影分析, 找出决策单元非DEA有效的原因及程度, 同时针对非有效采取措施调整投入规模的正确方向和程度, 为管理提供重要的决策信息。

设λ0, s-0, s+0, θ0为线性规划为题D的最优解则

为决策单元在DEA有效前沿面上的投影。一般记分别为输入过多量和输出不足量, 也就的非DEA有效决策单元的改进方向和改进程度。

三、信息化评价的DEA方法实证研究

DEA方法进行相对有效性评价, 需要选择良好的输入和输出指标体系, 才能对系统进行客观描述和合理评价。因此在选择指标是, 必须具有以下原则: (1) 指标不需要太多 (一般小于DMU数量2倍) 但必须精练, 所反映的内容必须全面; (2) 独立性原则, 指标之间反映的内容必须相互独立, 彼此之间具有清晰的界限, 所包涵的内容不会重叠。 (3) 可比性原则。各指标选择可以使企业之间具有可比性, 而且企业彼此之间的差异清晰可见。 (4) 可行性原则。选择的指标应该数据完整, 内容清晰, 而且较容易获得。

基于以上原则, 本文选择2个投入指标即总资产、信息化投入总额等。选择的输出指标为主营业务收入、利润等2个指标。同时选择奥克斯、雅戈尔、吉利控股、镇海炼化、海量集团、天正集团、娃哈哈、传化集团、解百集团、宁波港、杭州钢铁、东方通信等12企业为研究对象。对12家企业企业进行DEA分析, 评价结果如下表所示:

从表1中可知, DUM1、DUM3、DUM5、DUM7、DUM11为DEA有效, DUM2、DUM4、DUM6、DUM8、DUM9、DUM10、DUM12为非DEA有效, 其中DUM4为规模收益递减, 表示这家公司的信息化投入过量, 企业因为过多的资金投入信息化而增加了企业的负担。DUM2、DUM6、DUM8、DUM9、DUM10、DUM12为规模收益递增。同时, DUM4、DUM9、DUM12为纯技术有效, 表明管理水平和技术发挥水平达到有效状态, 其非DEA有效是因为非规模有效。而DUM2、DUM6、DUM8、DUM10既非规模有效也非技术有效。针对非DEA有效的决策单元, 使用投影技术分析其非有效性的原因及改进方法, 其改进结果如表2所示:

因为关于信息化评价方面, 最重要的指标是信息化投入, 因此在表2中只给出了信息化投入的投影。从表2中可知, 这7家公司需要在信息化投入方面的改进值, 通过减少信息化投入, 可以达到DEA有效。同时绝大部分都是规模收益递增类型, 表明企业投入信息化越多, 其收益越大。因此对这些企业综合分析, 浙江企业的信息化投入相对其效果而言, 投入大但收益却增长很少, 企业不仅仅是加大资金投入, 而且还应该加强信息化管理水平, 在非DEA有效的企业中, 超过一半企业的管理水平和技术发挥水平都非有效, 则说明有些企业在提高管理水平、更好发挥技术水平方面还有提升空间。

四、总结

随着信息化浪潮的推进, 浙江省许多企业都推动信息化建设, 通过本文分析, 信息化建设和企业收益是正相关的, 企业信息化可以有效推动企业效益的增加, 增强企业竞争力。企业进行信息化建设的策略是正确的, 但是许多企业却存在只投入而没有有效进行管理的现象, 这严重影响企业信息化对企业的价值。希望通过本文的研究, 增强企业家对信息化建设的认识。

参考文献

[1]蔡冬松, 靖继鹏.基于DEA分析的制造业企业信息化建设效率评价研究[J].情报科学, 2004

[2]马占新.数据包络分析模型与方法[M].科学出版社, 2005

[3]魏权龄.数据包络分析[M].科学出版社, 1998

dea评价 篇6

关键词：智能电网；数据包络分析（）；综合评价；项目管理

近年来，随着科学技术的发展，智能电网建设已经成为世界各国电力工业解决传统电网中存在问题的重要途径。因此，智能电网建设项目在我国蓬勃发展起来。然而，由于我国的智能电网建设项目规模大、任务重，在建设过程中赶工期、片面追求高速度的现象越来越普遍。在智能电网建设项目中，电站设计、建设施工、设备制造，以及监理、监制队伍均超负荷运转，潜在的各种隐患不容忽视。所谓项目管理，就是以科学的方法和工具，在质量、时间、成本三者之间寻找到一个合适的平衡点，尽最大的可能满足项目利益相关者要求的科学管理理论[1]。本文正是基于智能电网建设项目的进度、成本、质量协调控制理论，运用数据包络分析（）方法，构建智能电网建设项目进度、成本、质量综合评价模型。同时，对12个智能电网建设项目予以综合分析与评价，得出客观的综合评价结果，从而为我国智能电网建设项目管理提供指导与建议。

一、DEA模型简介

数据包络分析方法（Data Envelopment Analysis，）是运筹学、管理科学与数理经济学交叉研究的一个新领域。数据包络分析（）最早是由Charnes，Cooper和Rhodes等人在1978年首先提出来的，用于评价输入和输出决策单元（）间的相对有效性，被称为有效[2]。的基本思想是通过一个数学规划模型，对各个决策单元的相对效率做出评价。每一个决策单元（）都可以看作是相同功能的实体，利用对其输入、输出数据的综合分析，得出每个的相对效率指标，据此将各定级排序，确定有效的，并指出其他非有效的原因和程度。方法常用的评估模型是和模型[3]。

（一）模型

假设有个决策单元，每个决策单元都有种输入和种输出，其中第个的输入和输出向量分别为和，（），对第个决策单元进行效率评价的带有非阿基米德无穷小量的模型为：

如果线性规划问题的最优解及满足，那么称为弱有效；如果线性规划问题存在某一最优解及满足，并且，，那么称为有效。同理，其对偶问题关于有效的定义可表述为：最优值，并且它的每一个最优解，，，都要满足[4]。

（二）模型

在1984年，Banker，Charnes和Cooper三位学者对模型进行了改进，增加了对最优解的约束，从而将规模效率的影响从计算当中剔除。于是得到以对偶规划形式表示的带有剩余变量和松弛变量的模型：

出于计算上的严谨性，我们通常也引入具有非阿基米德无穷小量的模型。

（三）综合效率、规模效率和技术效率

由模型得出的是评价对象的综合效率值，。当时，评价对象是综合效率相对有效的，它是效率前沿面（生产函数所描述的生产可能性边界）上的点。而由模型得到的是值是评价对象的技术效率，。当时，评价对象处于技术相对有效状态。通过上述两个模型得到的综合效率值和技术效率值可计算规模效率：

即：综合效率=技术效率×规模效率[5]。

二、实例分析

（一）数据来源

本文的数据源自中国发展门户网的12个智能电网建设项目，其中包括了火电、风电、水电以及循环经济的发电项目，具有一定的代表性。每一个建设项目选取的指标有投资、进度、装机容量和质量评级，具体的建设项目及相关原始统计数据见表1。

（三）指标选取

国内外学者普遍认为，应将总成本作为投入指标。然而考虑到影响评价单元效率的因素，体现出进度、成本、质量之间的相关关系，因此选取能够反映成本因素的总投资额作为投入指标，预期项目完成时间和质量综合指标作为产出指标。其中，项目的总投资额和项目的预期完成时间均可从原始数据中直接获取，而质量综合指标则通过计算得出。其计算公式为：

即：质量综合指标=每个发电建设项目的装机容量×每个发电建设项目的质量评级质量评级数据范围从1-3不等，数值越小，代表其质量评级水平越低，反之亦然。整理之后得到DEA模型运算的初始数据，如表2所示。

（三）运算分析

通过建模运算，得到12个电力建设项目的综合效率和技术效率，我们分别用数字1-12代替12个电力项目的名称（见表3），以及投入指标与产出指标的理想值及其差值（见表4）。

从表3和表4可以看出，项目4和项目12的综合效率值为100%，说明该项目是相对有效的评价单元，这些智能电网建设项目投资规模合理、进度时间短、质量水平高，即达到了投资、进度、质量的综合最优状态。而余下的10个建设项目的效率处于生产前沿面以内，效率值不为100%，是相对无效的评价单元。对于效率相对无效的评价单元，其投资、进度和质量之间的协调关系不处于最优的配比状态，即投资、进度和质量都有改进的空间。改进空间的大小可以从效率值的大小判断出来。效率值越低，其与生产前沿面之间的距离也就越大，说明可提升的空间就越大；效率值越大，其与生产前沿面之间的距离也就越小，说明其可提升的空间越小。

项目1和项目10虽然其效率值不为100%，但却没有提升的空间，这主要就是因为项目本身的规模效率存在问题，即项目在目前的这个规模水平下，其效率评价值比较低，但是也无提升的空间，唯一的方法发就是扩大项目规模，使其在项目规模上满足其提升的合理需求。

三、结论

通过模型的综合分析，从效率评价的结果来看，12个智能电网建设项目中只有2个建设项目是相对有效的评价单元，其余建设项目都是相对无效的评价单元。这就说明这些建设项目应该根据目前电力行业的现状，加大对项目成本、进度、质量的控制力度，使其在规模和技术上达到合理的水平，才能最终以最小的投入获得最大的产出。

值得注意的是，本文是针对多个智能电网建设项目的进度、成本、质量进行的综合分析，如果只是对单个建设项目进行分析，则可以采用单个建设项目的不同方案比对分析或项目库比对分析等方法。

参考文献：

[1]孙丁为.项目管理质量、进度、成本三要素探讨[J].现代商贸工业，2010（22）：409-410.

[2] Zhimin Huang，Waiman Cheung，Huiwen Wang.Cone dominance and efficiency in DEA [J] .Annals of Operations Research，2006，145（1）：89-103.

[3]丁晶晶，毕功兵，梁樑.基于Pareto分布的决策单元DEA效率评价[J].系统工程学报，2012，27（3）：415-423.

[4]谢友才.基于DEA的战略组识别[J].南开管理评论，2006，9（3）：73-79.

[5]许敏，谢玲玲.基于DEA的我国大中型工业企业技术创新效率评价研究[J].科学管理研究，2012，30（3）：74-76.

作者简介：孙鸿飞（1974-）、男；吉林长春人；职位：教授、博士、硕士研究生导师。

dea评价 篇7

【关键词】开放式基金;业绩评价;DEA模型

中图分类号:F830.2 文献标识码:A 文章编号:1009-8283(2009)09-0005-02

1 背景及研究意义

自从1998年3月,国内第一支规范的封闭式投资基金——基金开元宣告成立以来,证券投资基金的规模飞速发展,并逐步走向成熟。截止至2009年上半年,我国国内共有543只证券投资基金,资产净值合计23 043.76亿元,其中501只开放式基金资产净值合计21 916.85亿元,占全部基金资产净值的95.11%。随着我国证券投资基金数量和规模的扩张,特别是开放式基金的迅速发展,基金在中国资本市场的地位与影响力不断提高,对中国资本市场发展的积极作用也在逐步显示出来。然而在基金如火如荼发展的10年间,对证券投资基金绩效的评级却仍然处于刚刚起步阶段,而证券市场对基金绩效评级的需求却越来越旺盛。不仅基金公司需要通过对基金绩效的评价,衡量基金经理的经营能力,从而制定出正确的薪酬计划,并通过与同类基金业绩的比较发现自己的优势与不足,改进策略,提高自身的绩效,扩大自己的基金规模。投资者也需要通过较为完善的业绩评价体系,得到关于基金经理人能力和基金管理人绩效的较为精准的信息,从而做出正确的投资决策,切实的保护自身的利。因此,建立起一套科学完备的评级体系,不仅具有很高的理论价值,而且也有着非常重要而迫切的现实意义。

2 国内外关于证券投资基金绩效评价方法及评价

2.1 基金业绩评价的传统方法

20世纪60年代以前,基金业绩的评价指标主要有基金单位净值、基金累积单位净值、基金净值增长率、基金累积净值增长率和投资收益率。这些指标大都没有考虑申购赎回以及各种管理费用的影响,同时并没有考虑到基金投资风险的问题。

2.2 风险调整指数方法

1952年,马柯维茨现代资产组合理论中首次提到了“市场有效投资组合”的概念。在此基础上,夏普增加了适当假设后得到了资本资产定价模型即CAPM,首次提出了系统性风险和非系统风险的概念,从而大大简化了马柯维茨模型。不久之后,夏普、特雷诺等人又推导出了资本市场线和证券市场线。这些理论构成了风险调整指数方法的理论基础。其中比较经典的是特雷诺指数、夏普指数和詹森指数。然而,尽管风险调整指数方法第一次把风险纳入基金业绩计量的方法之中,该方法存在着理论上的缺陷。由于CAPM的基础理论——市场有效组合的存在性无法验证,所以CAPM同样无法验证。因此CAPM模型本身存在的不完善必然导致特雷诺、夏普指数和詹森指数作为基金业绩评价方法的不完善。

2.3 基于DEA模型的基金业绩评价方法

2.3.1DEA评价方法概述

数据包络方法的第一个模型即C²R模型是由Charnes、Cooper与Rhodes3位学者于1978年提出,以后C²R模型得到不断地扩展和完善。DEA模型结合了运筹学、管理科学和数理经济学,运用线性规划的方法,来评估具有多个投入和多个产出目标的决策单元的相对效率。传统的DEA模型可以分为面向输入和面向输出2种类型。面型输入的DEA模型保持决策单元当前的产出水平不变,通过减少决策单元的输出来使决策单元达到有效;而面向输出的DEA模型则是保持决策单元当前的输入水平不变,通过增加决策单元的输出来使决策单元达到有效。

2.3.2 DEA方法的评价

与传统的基金业绩评价方法相比,DEA评价方法有着以下显著的优势:首先,传统的评价指标往往建立在CAPM模型基础上,假定证券市场线是一條直线,并且基金收益率服从正态分布,而运用DEA方法时并不需要这样的假设。其次,传统的评价方法一般只有收益率和市场风险两个评价指标,难以对基金业绩进行全面评价。但是,在运用DEA模型时,输入输出指标的选取要格外注意。首先指标不是越多越好,其次输入指标之间、输出指标之间要尽可能的避免有较强的线性关系,否则会对评价的结果产生不利的影响。

2.3.3 DEA模型的推导过程

由于C²R模型假设决策单元处于固定规模报酬,而实际上基金可能出于规模报酬递增或递减的状态。因此本文介绍Banker等在1984年提出的BCC模型。

或者至少有某个[XCB7.tif;%70%70,JZ],[XCB8.tif;%70%70,JZ]那么该只基金若有效,经济含义为该基金要么是某个投入指标没有充分利用,要么是某种产出指标与最大产出值尚有差额。

(3)若[XCB9.tif;%70%70,JZ],那么该只基金处于无效状态。即该基金的风险或者成本过高,或收益过低,从而可以通过一定得调整获得更好的收益风险配置。

3 运用DEA方法对开放式基金业绩实证结果及分析

3.1 指标的选取以及统计性描述

本文以2008年7月31日至2009年7月31日一年时间为研究窗口,以上市交易并且数据完整的468只开放式基金为研究对象进行实证研究。选用Beta系数、周收益率方差、单位基金费用率作为投入指标,复权单位净值增长率、特雷诺指数为产出指标。各数据的相关性分析如下表所示:

从(表1)、(表2)可以看出,只有收益率方差和Beta系数的相关性较高,其他指标之间尽管有不同程度的相关性,但在可以接受的范围内。

3.2 实证结果

本文采用BCC模型和matlab软件来对486只开放式基金进行评价。实证结果表明,仅有34只开放式基金θ值为1,处于有效状态,大部分处于无效率状态。说明我国基金业存在很多急需加以改善的地方,从而控制基金投资风险,减少风险暴露水平,降低运营成本,提高基金运营质量。

(表3)列示了θ值为1,并且夏普指数或詹森指数排名为前十的11只基金。从表中看出,处于DEA有效的基金,用夏普指数、或詹森指数排名也靠前,若购买这些基金可以在承担一定风险的基础上获得相对较高的投资回报。但并非所有DEA有效的基金的夏普指数或詹森指数的排名也靠前。如国泰金鹿保本2期基金的詹森指数仅排在240名。由此可见,用DEA模型来为基金业绩进行排名,确实可以挑选出优质的基金。

然而,笔者采用DEA模型对基金业绩进行评价时,实际上假设了所有输入和输出指标值都被准确的描述。然而随机误差的存在使得指标值受到影响,进而会影响到实证分析的结果和结论。

参考文献:

dea评价 篇8

(一) DEA的概念和基本原理

数据包络分析方法 (Data Envelopment Analysis, 简称DEA) 由Charnes、Coopor和Rhodes于1978年提出, 其原理为:通过保持决策单元 (即被评价的对象, 如单位或部门) 的输入或者输入不变, 借助于数学规划和统计数据确定相对有效的生产系统最大产出 (简称生产前沿面) , 将各个决策单元投影到DEA的生产前沿面上, 比较决策单元偏离DEA前沿面的程度, 评价它们的相对有效性。DEA假定每个输入都关联到一个或者多个输出, 且输入输出之间确实存在某种联系, 但在应用中不必确定这种关系的方程。因此, DEA适用于评价多投入多产出的复杂系统运行绩效, 在多目标决策中得以广泛地应用。

就环境绩效评价而言, 被评价的对象如企业或区域, 其投入产出的指标均为多方面的。从投入角度看, 包括资金、资产和人力的投入;在产出方面, 既包括工业总产值、收入、利润, 还包括具有环境特色的废气、废水和固定废弃物等的产出。因此, DEA模型的应用适用于环境绩效评价, 并在理论与实务中得以广泛的应用, 如Cooper等对空气污染的绩效评价的文献回顾中, 即有超过100份研究使用了DEA。其他的统计也表明有超过100份研究使用DEA对环境和能源绩效进行评价。

但是, 在运用DEA对环境绩效进行评价时, 也存在一系列问题, 如废气、废水和固定废弃物等非期望产出的处理、投入产出的弱或不可处置性、决策单元数量过少等问题、真实决策单元之间标杆比较的不合适性、投入产出指标选择的随意性等, 本文探讨DEA在上述问题上的改进处理。

DEA将评价对象称之为决策单元, 以X= (Xj, j=1, …S) 作为生产输入变量, Y= (Yi, i=1, …r) 作为生产输出变量, DEA将所有指标综合成一单一的效率指数, 取值为0到1之间, 有效的决策单元效率指数等于1, 无效率的决策单元取值小于1。

(二) DEA的优势

DEA的优势是, 通过一组输入输出的观察值, 从纯技术角度来估计有效生产前沿面, 从而与市场价格和度量单位无关, 保证了加权系数u和v的确定具有客观性, 这点不同于层次分析法权重分配具有较强主观性的特点。为了计算效率指标, DEA允许每个决策单元对各自的投入产出分配权重系数。但是, 对一指定的决策单元, 其达到最大可能效率受效率指标不得大于1的限制。这意味着绩效差的决策单元不能通过调整权重系数来达到高绩效指标, 否则绩效好的决策单元的绩效指数将可能超过1。对于公式 (1) 的求解, 可用线性规划处理:

对于每个决策单元i, 设置非负向量 (i=λ1, λ2, …, λi) , 求解非阿基米德无穷小量ωi:

其中λij≥0, j=1, …, n;0<ωi≤1

其中, Xjk和Yjp分别表示第j个决策单元的第K个输入和第P个输出。这意味着, 对于某些决策单元, 不能通过模仿同类的决策单元来提高绩效;而对于某些决策单元, 通过获得同类决策单元的一些能力, 使之存在一个小于1的非阿基米德无穷小量ωi解, 从而提高绩效。

二、DEA环境绩效评价模型的应用

(一) 有非期望产出的DEA环境绩效评价处理

DEA正日益成为绩效评价的重要方法。其应用的领域包括教育、公众卫生、金融、政策执行、技术等。但是在环境绩效评价方面, 运用DEA面临一个问题:产出中既有期望产出 (如GDP、销售收入、利润等) , 亦存在非期望产出 (如废气、废水和固定废弃物的排放等) , 而两者期望的方向并不一致, 期望产出越大越好, 非期望产出则正好相反。

绩效的评价基准通常假设:最小的投入和最大化的产出。对于决策单元而言, 给定产出水平下的最小投入, 或给定投入水平下的最大产出, 即为高绩效水平。通常, DEA模型中假设产出是“好”的期望。但是, 对于环境绩效的评价而言, 非期望的环境负荷产出必须予以考虑。例如, 在生产过程中, 随着最终产品或服务的产出, 也带来了废气、废水和固定废弃物的产出, 这些产出并非我们所期望的, 其产出的数量越多, 环境绩效水平越低, 这意味着期望产出与非期望产出必须分别对待。

为了处理这种非期望产出对DEA模型运用的影响, 后继的研究主要采用两种方法:第一种方法是将非期望输出通过递减函数转换, 如使用非期望产出的倒数或负数, 作为期望输出运用普通DEA模型;第二种方法是将污染变量作为一种投入, Vencheh等从理论上分析了在DEA模型中, 非期望产出作为投入与原有的DEA模型有相同的有效性。

(二) 投入产出弱可处置性的DEA环境绩效评价处理

强可处置性是指期望产出与非期望产出均可由决策单元自行决定, 而弱可处置性指期望与非期望产出的增加和减少有严格限制, 期望产出与非期望产出之间的关系并不得随意调整。在对环境绩效进行评价时, 由于环境政策等外生性因素的影响, 决策单元并不能随意地调整期望与非期望产出, 通常情况下, 污染物等非期望产出往往伴随着期望产出的减少而减少, 呈现出非常典型的弱可处置性。因此, 上述DEA模型对每个决策单元各自分配投入产出权重系数的处理方法, 并不适用于环境绩效评价。Charnes和Cooper针对此问题提出了弱可处置性的DEA模型, 将非期望产出转化为投入处理, 划分为可处置性投入和弱可处置性投入, 并分别予以处理, 增加后者的限制和约束条件, 进而最优求解。

(三) 决策单元数量限制的DEA环境绩效评价处理

DEA模型要求决策单元的个数大于或等于投入产出指标的2倍, 但在实际运用中, 决策单元数量有时难以满足上述要求。另一方面, 因DEA模型适用于多种投入和产出的绩效评价, 在选择多指标时, 亦可能出现指标之间较强的线性相关性, 因而不能很好地反映评价的目的和内容。其解决的方法主要有两种:一是利用主成份分析法处理DEA模型中高维数据组, 通过降低维度, 提炼出几个主成份的概况信息, 使其累计贡献率达到85%以上, 代替原有的指标, 从而减少DEA模型投入产出指标数量;另一种方法与主成份分析法类似, 通过因子分析法与DEA相结合来实现。上述两种方法均是在牺牲了一小部分信息的基础上, 通过降低维度来实现投入产出指标数量的减少。

(四) 与环境规制目标规划相结合的DEA环境绩效评价处理

DEA模型要在现有的决策单元中找出至少一个效率为1的最优决策单元。但是, 在环境治理整体水平比较落后的地区或行业中, 以某一决策单元作为标杆, 分析其他决策单元的规模和技术效率并不是很恰当。如考虑结合我国各地区各行业的环境十二五规划相关指标, 构建完美目标的虚拟决策单元, 并将其纳入DEA模拟中, 将具有现实的评价意义。

Vaninsky最早提出使用构建完美目标的虚拟决策单元进行环境绩效DEA评价。完美目标的虚拟决策单元具有最小的输入和最大的产出, 其效率指数为1。如果完美目标的决策单元所有输入严格小于所有实际的决策单元输入, 完美目标的决策单元所有输出严格大于所有实际的决策单元输出, 则完美目标的决策单元是唯一有效的决策单元, 最优的解决方案即是将完美目标决策单元作为高绩效的标杆, 通过对以完美目标决策单元为参照的规模和技术效率分析, 有利于找到现实决策单元在环境绩效上与目标绩效之间的差距。如果有其他的决策单元的输入和输出, 等于完美目标的决策单元之输入和输出, 则该决策单元亦为有效的决策单元, 即运用完美目标的虚拟决策单元进行环境绩效DEA评价时, 至少有一个完美的绩效解决方案。

采用完美目标的虚拟决策单元还有助于增加被评价的决策单元数量, 避免对投入产出指标降低维度处理带来的信息损失。

(五) DEA投入产出指标设置的主观性处理

DEA绩效评价有如下的优点:不须预设投入、产出间的函数关系式;不必事先设定权重;对指标没有量纲要求。上述优点使DEA评价相对于其他评价模型具有客观性。但DEA模型用于环境绩效评价在投入产出指标选择上仍具有一定的主观性, 如投入指标的选择多从资源投入量、固定资产规模、营运资金、劳动力成本、劳动力人数等方面设置;而产出指标涉及到GDP、营业收入、利润、废水、废气和固定废弃物的排放等。在有条件约束的情况下, 如何选择合适的投入产出指标, 相关的文献较少探讨。笔者认为, 可结合环境治理的目标, 有针对性地将考核目标涉及的投入产出指标纳入DEA模型中, 或结合专家评分法, 确定合适的投入产出指标, 避免指标选择的随意性。

三、DEA环境绩效评价模型的展望

dea评价 篇9

关键词：高校,科研绩效,数据包络分析,交叉评价,决策单元

高校在国家创新体系中是科学研究的重要基地,是基础研究的主要基地,高校的科研效率也因为其重要的科研地位得到越来越多的关注。而如何使得有限的资金流向优秀的高校,引导政府和社会实现资源的优化配置,就需要对高校科研绩效进行评价。

目前,评价高校科研绩效的方法主要有直接比较法、生产函数法、模糊评价法以及DEA方法等。直接比较法比较简单,指标也较全面,但是没有考虑投入产出的转化过程;生产函数法只适用于多投入单产出的情况,具有局限性[1];模糊评价法需要对权重进行主观判断,受外界因素影响大。而将DEA运用到高等教育效率分析上最早始于国外,如早期Tomkins和Green比较各大学中会计学系的效率;Ahn、Charnes和Cooper针对美国公立大学中一些较高学位的机构进行评估比较,发现公立大学比起私立大学更有效率[2]。由于DEA方法不受量纲和权重限制,评价结果更加客观,并且不受多投入多产出的局限,使其近年来在国内得到了更为广泛的应用,如徐娟运用DEA对我国31个省市的高校科研效率进行分析[3],赵书新、郑林昌选取北京市13所重点院校进行分析[4],郝媛以某个高校10个二级学院为研究对象[5]分析学院科研绩效等。

但是仅仅运用DEA方法评价科研绩效的不足之处在于不能够对相对DEA有效的决策单元进行再评价,因此我们在进行DEA分析的基础上,采用Doyle-Green的交叉评价模型对相对有效的决策单元进行再评价,为有效决策单元更好地运用科研资源提供可能。

1 评价模型

DEA(Data Envelopment Analysis)又称数据包络分析,是由美国著名的运筹学家A.Charnes和W.W.Cooper[6]在“相对效率评价”概念基础上创立的,其主要思路是:

设有n个决策单元,每个决策单元记为DMUj(j=1,2,…,n),每个决策单元都有m种类型输入和s种类型输出,分别用输入Xj、输出Yj表示。xij>0表示第j个决策单元的第i种类型的输入量,yrj>0表示第j个决策单元的第r种类型的输出量,则评价其综合效率的CCR模型为:

λj≥0,j=1,2,…,n

θ无约束,sj+≥0,sj-≥0

此模型的最优解为θj,称为综合效率,sj+和sj-分别为投入冗余和产出不足。当θj=1且所有sj+=0、sj-=0时,决策单元j为相对DEA有效;当θj=1但至少有某个输入或输出松弛变量大于零时,决策单元j为弱DEA有效;当θj<1时,决策单元j是非DEA有效。

如果在CCR模型中引入约束条件后,所得规划模型为BCC模型,即可变规模报酬模型。BCC模型的最优解主要衡量DMUj的纯技术效率,如果,则说明DMUj处于高效率状态[7]。表示DMUj的规模效率,可用来衡量各决策单元是否处于最佳办学规模,即是否达到规模有效。

但是当多个决策单元为相对DEA有效时,就会出现相对DEA有效的决策单元无法进行比较。为了进一步对DEA有效的决策单元进行排序,我们引用了Doyle-Green的交叉评价矩阵模型[8],其基本原理是用每一个DMU的最利权重arideal(1)和bsideal(1)来计算其他DMU的效率值,得到交叉评价值:

上述问题即可转为:

解上式,可得一组新的权重最优解记作arideal(2)和bsideal(2),利用这组权重最优解可得到交叉评价值和交叉评价矩阵:

(1)式得到的DMU的效率值,即为交叉评价矩阵ust中对角线上的数值。对于n所相对有效的高校而言,这个模型不仅使第s所高校的效率取值最大,而且使得其他的n-1所高校组合的效率最小,如果某一院校在一列中取得较多相对较高的效率值,就认为它是较优的。为了使效率值具有可比性,对每一列的取值进行求平均,较大的平均值所对应的院校就是相对有效的院校中较优的。

2 指标的建立及DMU的选择

DEA模型本质上是对投入产出相对效率评价,评价指标包括投入指标和产出指标。科研投入一般指人力、财力、物力的投入。基于本文主要偏向于研究科研成果转化,而物力所涉及的高校资产、占地面积、图书藏量等对科技活动的产出影响相对较小,而且根据参考文献的指标选取及必须遵循的科学性、代表性、完整性以及可操作性等原则[9],本文选取科技活动人员数(人)、当年拨入政府资金(元)、企事业单位及其它投入资金(元)、课题投入资金(元)作为投入指标,选取出版专著数(部)、国外及全国性刊物发表论文数(篇)、鉴定成果数(项)、科技成果转让当年实际收入(千元)作为产出指标。

在选择DMU时,需考虑运用DEA方法要求DMU具有同质性,并且DMU数目选取依据实证经验所获法则而定,即个数至少为投入产出指标总和的两倍,据此本文最终选取了28所高校作为评价对象。所用数据均考虑到产出相对于投入的滞后性。国际上在做分析时一般将投入产出滞后期确定为两年,本文也假定滞后期为两年。投入指标数据来源于《2008年高等学校科技统计资料汇编》,产出指标数据来源于《2010年高等学校科技统计资料汇编》。

3 实证分析

运用DEAP软件对原数据进行分析,结果如表1所示。

注:DMU表示决策单元;TE表示技术效率;PTE表示纯技术效率;SE表示规模效率;Rts表示规模报酬;-表示规模报酬不变;Irs表示规模报酬递增;Drs表示规模报酬递减

由表1可知28所高校的平均综合效率为0.822,纯技术效率为0.885,规模效率为0.924,说明28所高校的科研效绩效良好。其中,50%的学校处于相对DEA有效的状态,即其纯技术效率和规模同时有效,处于最佳规模状态。DMU9、DMU14和DMU25这3所高校的纯技术效率为1,规模无效,即为弱DEA有效,可通过适当改进其规模以寻求规模有效;DMU1、DMU3、DMU4、DMU5等11所高校纯技术效率和规模效率都不为1,为非DEA有效,其中8所高校处于规模收益递增状态,这些纯技术无效和规模无效的高校可分别通过短期及长期来改善。纯技术无效可经过现有资源的调配达到有效的产出,而规模无效则需要在现有科研规模的基础上,在一段时期内通过科研投入的适当扩大或者缩小,使学校由规模无效变为规模有效[10]。

而具体如何调配非DEA有效决策单元的现有资源使其达到有效产出,我们通过DEAP得出了非有效决策单元在生产可能集上的投影,也就是投入冗余和产出不足,具体如表2所示。

从表2中可以看出,要使得DMU1达到纯技术有效,需使企事业及其它资金投入减少150 829.3元,科研课题拨入经费减少116 757.7元,同时使得发表论文数增加352篇,鉴定成果数增加18项,以及技术转让实际收入增加1 426.2千元;而DMU4达到纯技术有效需减少政府投入资金57 930.8元,减少企事业及其它资金投入57 049.9元,减少科研课题经费投入132 752元,增加国外及国内公开发行论文数344篇,增加技术转让实际收入22 355.7千元。其他高校也可通过增减投入产出达到纯技术有效。

而如何实际操作增减投入产出,笔者认为,首先各高校可以通过加强其自身科研管理水平,加强科研队伍建设,提高人员的研发能力,合理分配科研人才;其次各高校应加强与企事业单位的合作,建立需求型研发机制,以减少科研成果的浪费;最后发挥政府的主导作用,建立以效率为本的资金拨入机制,使得有限的资源能够发挥更大的效益,对于科研效率高的高校给予更多的财政支持,而对于科技效率低的高校削减其政府经费投入,并要求执行相应的改进措施。

通过DEA模型,我们可以对弱DEA有效和非DEA有效的高校进行分析排名找出其不足,但是对于28所高校中有14所处于DEA有效状态的高校,仅仅依靠DEA模型是无法对其进行比较的。为解决这个问题,我们采用了Doyle-Green模型,运用MATLAB编程[10]计算交叉评价矩阵结果如表3所示。

从表3中可以看出,交叉评价矩阵对角线上的数字都为1,原因是运用自身的最优权重对自身效率进行衡量。求其每列的平均值得:

根据mean(U)的计算结果得知有效决策单元的具体排名应是:DMU2>DMU6>DMU24>DMU20>DMU15>DMU13>DMU16>DMU27>DMU23>DMU21>DMU18>DMU8>DMU7>DMU22。

可见在相对DEA有效的院校中,DMU2的管理最好,其次是DMU6和DMU24,而排名靠后的DMU7和DMU22在分析其投入产出原数据时发现存在一些过高或者过低的投入产出数据。因此在对各自进行单独评价时,由于选择了最优权重而成为相对DEA有效;但对其进行交叉评价时,由于是用别的决策单元最优权重来衡量其效率[11],则出现较低情况。这些院校应当在以后的管理运作中合理配置其资源,平衡各种投入产出。

4 结论

本文运用DEA模型对28所高校的科研绩效进行较为全面的评价,数据结果表明,28所高校的科研绩效基本良好,11所非DEA有效高校的规模无效是造成其无效的根本原因,其中8所处于规模收益递增状态,相关高校应当加大科研投入力度。根据DEA自身的特点,运用交叉评价模型对14所相对DEA有效的高校进行进一步的评价分析。在14所高校中,部分高校排名靠后,存在投入产出不平衡现象。运用DEA方法以及交叉评价矩阵对高校科研绩效进行评价弥补了DEA方法的不足之处,并且对所有高校作出更为全面的评价,具有重要的现实意义。

参考文献

[1]田东平,苗玉凤,崔瑞锋.我国重点高校科研效率的DEA分析[J].科研管理研究,2005(8):38-41

[2]T AHN,A CHARNES,W W COOPER.Some statistical and DEA e-valuations of relative efficiencies of public and private institutions ofhigher learning[J].Social Economic Planning Science,1989,22(6):259-269

[3]徐娟.我国各省高校科研投入产出相对效率评价研究:基于数据包络分析方法[J].清华大学教育研究,2009,30(2):76-80

[4]赵书新,郑林昌.北京市重点高校科技投入产出效率评价[J].消费导刊,2009(8):28-29

[5]郝媛.高校二级学院科研绩效的无参数评价模型[J].内蒙古社会科学,2008,29(3):147-148

[6]A CHARNES,W W COOPER,E RHODES.Measuring the efficiencyof decision making units[J].European Journal of Operational Re-search,1978(12):429-444

[7]魏权龄.DEA数据包络分析[M].北京:科学出版社,2004

[8]JOHN DOYLE,RODNEY GREEN.Efficiency and cross-efficiencyin DEA:Derivations,meanings and uses[J].Journal of OperationalResearch Society,1994(45):567-578

[9]周静,王立杰,史晓军.我国不同地区高校科技创新的制度效率与规模效率研究[J].研究与发展管理,2005,17(1):109-117

[10]彭育威,吴守宪,徐小湛.利用MATLAB进行DEA交叉评价分析[J].西南民族大学学报,2004,30(5):553-556