董云舟1. 数据包络分析(DEA)与Matlab实现概述
数据包络分析(Data Envelopment Analysis, DEA)作为运筹学中评价决策单元(DMU)相对效率的非参数方法，在绩效评估、资源配置等领域有着广泛应用。Matlab凭借其强大的矩阵运算能力和丰富的工具箱支持，成为实现DEA模型的理想平台。本文将重点解析CCR和面向输入的BCC两种经典模型在Matlab中的实现过程。
CCR模型由Charnes、Cooper和Rhodes于1978年提出，假设规模报酬不变(CRS)，适用于评估整体技术效率。而Banker、Charnes和Cooper在1984年提出的BCC模型则放宽了这一假设，考虑规模报酬可变(VRS)情况，能进一步分解出纯技术效率和规模效率。面向输入的模型关注如何通过减少投入来实现效率改进，这与面向输出的模型形成对比。
提示：选择面向输入还是面向输出的模型取决于分析目标——前者适用于投入资源受限的场景，后者则适合需要最大化产出的情况。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. DEA模型数学基础与Matlab实现准备
2.1 CCR模型的线性规划形式
CCR模型的核心是一个分式规划问题，通过Charnes-Cooper变换可转化为线性规划。对于第k个DMU的效率评价，其输入导向模型可表示为：
min θ
s.t.
∑λ_j x_ij ≤ θx_ik, i=1,...,m
∑λ_j y_rj ≥ y_rk, r=1,...,s
λ_j ≥ 0, j=1,...,n
其中θ为效率值，λ为权重向量，x和y分别表示投入和产出指标。在Matlab中，我们使用linprog函数求解这个线性规划问题。
2.2 BCC模型的调整与实现
BCC模型在CCR基础上增加凸性约束∑λ_j=1，反映规模报酬可变特性。这使得生产前沿面由超平面变为凸包，能识别规模效率。其Matlab实现只需在CCR代码基础上添加一行约束条件：
matlab复制Aeq = [Y', -y0; ones(1,n), 0];
beq = [zeros(s,1); 1];
2.3 Matlab环境配置
实现DEA需要以下准备：
- 安装Optimization Toolbox（用于linprog求解）
- 数据组织：投入产出矩阵应规范化为n×m和n×s矩阵
- 参数设置：合理选择模型导向（输入/输出）和规模报酬假设
注意：数据需进行无量纲化处理，避免量纲差异影响结果。常用方法包括标准化或均值化。
3. 完整Matlab实现代码解析
3.1 CCR模型实现代码
matlab复制function [theta, lambda] = dea_ccr_input(X, Y)
[n, m] = size(X); s = size(Y,2);
theta = zeros(n,1); lambda = zeros(n,n);
for k = 1:n
f = [1; zeros(n,1)];
A = [X', -X(k,:)'; -Y', zeros(s,n)];
b = [zeros(m,1); -Y(k,:)'];
Aeq = []; beq = [];
lb = [0; zeros(n,1)]; ub = [];
options = optimoptions('linprog','Display','off');
sol = linprog(f,A,b,Aeq,beq,lb,ub,[],options);
theta(k) = sol(1);
lambda(k,:) = sol(2:end)';
end
end
3.2 BCC模型实现代码
matlab复制function [theta, lambda] = dea_bcc_input(X, Y)
[n, m] = size(X); s = size(Y,2);
theta = zeros(n,1); lambda = zeros(n,n);
for k = 1:n
f = [1; zeros(n,1)];
A = [X', -X(k,:)'; -Y', zeros(s,n)];
b = [zeros(m,1); -Y(k,:)'];
Aeq = [ones(1,n), 0]; beq = 1;
lb = [0; zeros(n,1)]; ub = [];
options = optimoptions('linprog','Display','off');
sol = linprog(f,A,b,Aeq,beq,lb,ub,[],options);
theta(k) = sol(1);
lambda(k,:) = sol(2:end)';
end
end
3.3 结果可视化与分析
效率值计算完成后，可通过以下代码进行基本分析：
matlab复制% 效率值统计
fprintf('平均效率: %.3f\n', mean(theta));
fprintf('有效DMU比例: %.1f%%\n', 100*sum(theta>=0.999)/n);
% 效率分布直方图
histogram(theta, 'BinWidth', 0.1);
xlabel('效率值'); ylabel('频数');
title('DMU效率分布');
4. 实战案例：医院效率评估
4.1 数据准备与预处理
假设我们评估20家医院的运营效率，投入指标包括医生人数、床位数、运营成本，产出指标为门诊量、手术量、治愈率。数据存储在Excel文件中：
matlab复制data = readtable('hospital_data.xlsx');
X = [data.Doctors, data.Beds, data.Cost];
Y = [data.Outpatients, data.Operations, data.CureRate];
% 数据标准化
X_norm = X ./ mean(X);
Y_norm = Y ./ mean(Y);
4.2 模型应用与比较
分别运行CCR和BCC模型：
matlab复制[theta_ccr, lambda_ccr] = dea_ccr_input(X_norm, Y_norm);
[theta_bcc, lambda_bcc] = dea_bcc_input(X_norm, Y_norm);
% 计算规模效率
scale_eff = theta_ccr ./ theta_bcc;
4.3 结果解读与应用
通过比较两种模型结果可得出：
- CCR效率值≤BCC效率值
- 当scale_eff<1时，DMU存在规模无效
- 参考集分析(lambda非零项)可识别标杆单位
实操心得：实际应用中常遇到"效率值为1单位过多"的问题，可通过super-efficiency模型或加入虚拟DMU解决。
5. 常见问题与高级技巧
5.1 典型问题排查表
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| linprog返回无解 | 数据包含零或负值 | 检查数据范围，必要时偏移 |
| 所有DMU都有效 | 指标维度太高 | 增加DMU数量或减少指标 |
| 效率值异常波动 | 量纲不一致 | 标准化处理数据 |
| 计算时间过长 | DMU数量过多 | 采用并行计算或抽样 |
5.2 模型扩展方向
- 超效率模型：区分有效DMU的效率差异
matlab复制A = [X', -X(k,:)'; -Y', zeros(s,n);
0, ones(1,n)];
b = [zeros(m,1); -Y(k,:)'; 1]; % 排除被评DMU
- 交叉效率评价：减少权重分配的任意性
- 网络DEA：考虑内部生产过程结构
- 考虑非期望产出的SBM模型
5.3 性能优化技巧
对于大规模数据，可采用以下优化：
- 预分配内存：提前初始化theta和lambda矩阵
- 并行计算：使用parfor循环替代for循环
- 稀疏矩阵：当数据稀疏时转换存储格式
- 热启动：利用上一次解初始化当前求解
我在实际项目中发现，当DMU超过500个时，采用稀疏矩阵表示可使内存占用减少60%，计算时间缩短40%。同时，合理设置linprog的Algorithm选项（如'interior-point-legacy'）也能显著提升求解稳定性。