DEA模型进阶指南：从CCR、BCC到Malmquist，一篇讲透效率分析的核心与演变-深圳市維司達科技有限公司

DEA模型进阶指南：从静态效率评估到动态生产率追踪

在效率评估领域，数据包络分析（DEA）方法因其无需预设生产函数形式的优势，已成为管理科学、经济学研究中不可或缺的工具。但许多初学者往往止步于基础的CCR模型，对DEA方法体系的丰富内涵缺乏系统认知。本文将带您穿越DEA模型的发展历程，揭示从静态效率比较到动态生产率追踪的技术演进逻辑。

1. DEA基础模型：静态效率评估的起点

1.1 CCR模型：规模报酬不变的效率基准

CCR模型由Charnes、Cooper和Rhodes于1978年提出，是DEA方法家族的第一个成型模型。其核心假设是决策单元（DMU）在规模报酬不变（CRS）条件下运营，这意味着投入增加会带来同比例产出增长。

# CCR模型的对偶形式示例 from pyDEA.core.models.envelopment_model import EnvelopmentModel model = EnvelopmentModel(input_data, output_data, orientation='input', rts='CRS') efficiency_scores = model.run()

该模型计算出的综合技术效率（TE）可分解为：

纯技术效率：现有技术条件下的投入产出比
规模效率：当前规模与最优规模的差距

注意：CCR模型适用于评估整体效率，但现实中许多组织并非在最优规模下运营，这催生了BCC模型的诞生。

1.2 BCC模型：引入规模报酬可变假设

Banker、Charnes和Cooper在1984年提出的BCC模型放宽了规模报酬假设，允许可变规模报酬（VRS）。这一改进使得效率评估更贴近现实场景，尤其适合评估中小型企业或公共服务机构。

两种模型的关键区别：

特征	CCR模型	BCC模型
规模假设	不变(CRS)	可变(VRS)
效率分解	不可分	纯技术+规模效率
适用场景	理想规模评估	实际运营评估

在实际研究中，常同时运行两种模型，通过效率值的差异判断DMU的规模报酬状态：

CCR=BCC：处于最优规模
CCR<BCC：规模报酬递增
CCR>BCC：规模报酬递减

2. 模型进阶：超效率与方向性距离函数

2.1 超效率DEA：突破效率边界限制

传统DEA模型的一个局限是多个DMU可能同时位于前沿面上，效率值均为1，无法进一步区分。Andersen和Petersen在1993年提出的超效率模型解决了这一痛点。

超效率的计算逻辑是：将被评估DMU排除在参考集外构建效率前沿，此时效率值可能大于1，表示该DMU相对于其他高效单元仍有提升空间。

# 超效率DEA实现示例 from pyDEA.core.models.super_efficiency import SuperEfficiencyModel super_model = SuperEfficiencyModel(base_model=EnvelopmentModel) super_scores = super_model.run(input_data, output_data)

2.2 方向性距离函数：非径向效率测量

传统DEA属于径向模型，假设所有投入/产出同比例调整。方向性距离函数（DDF）则允许指定改进方向，更灵活地反映实际管理约束。

应用场景举例：

环保约束下的效率评估
特定资源受限时的绩效改进
非均衡发展战略效果评价

3. Malmquist指数：动态效率追踪的革命

3.1 从静态到动态的效率视角转变

前述模型均针对截面数据，无法回答"效率如何随时间变化"这一关键问题。Malmquist生产率指数（MPI）通过整合两期数据，实现了全要素生产率（TFP）变化的分解：

MPI = EC × TC

其中：

效率变化（EC）：追赶效应，反映管理水平提升
技术进步（TC）：前沿面移动，代表技术创新

3.2 Malmquist指数的计算与解读

采用DEAP软件计算Malmquist指数的典型输出：

DMU	Effch	Techch	Pech	Sech	Tfpch
A	1.020	1.050	1.000	1.020	1.071
B	0.980	1.080	0.990	0.990	1.058

提示：Tfpch>1表示生产率提升，需结合Effch和Techch判断驱动因素

3.3 面板数据要求的特殊处理

Malmquist分析需要平衡面板数据，常见问题处理：

缺失值：线性插值或删除不完整DMU
异常值：Malmquist-Luenberger指数修正
技术回归：Global Frontier方法

4. 应用实践：从理论到实证分析

4.1 城镇化效率的动态评估案例

某研究团队应用Malmquist指数分析了30个城市2005-2020年的城镇化效率，发现：

东部城市主要依靠技术进步（TC均值1.8%）
西部城市效率改善明显（EC均值2.1%）
资源型城市普遍出现技术退步（TC<1）

4.2 产业升级中的效率-公平权衡

在评估高新技术产业政策效果时，结合超效率DEA和Malmquist指数可揭示：

效率维度：开发区与非开发区的生产率差距
公平维度：区域间技术扩散速度
可持续性：绿色全要素生产率变化

4.3 软件工具实操对比

常用DEA分析工具特性比较：

工具	优势	局限	适合场景
DEAP	轻量、开源	命令行操作	学术研究
MaxDEA	功能全面	商业许可	复杂模型
Python库	可定制化	需要编程基础	方法论开发
SPSS插件	界面友好	模型有限	教学演示