dea分析(dea分析用什么軟件)

如何用數據包絡分析（DEA）進行效率評估？

一、什么是數據包絡分析DEA

數據包絡分析DEA是一種多指標投入和產出評價的研究方法，其應用數學規劃模型計算比較決策單元（DMU）之間的相對效率，對評價對象做出評價。比如有10個學校(即10個決策單元DMU,Decision Making Units)，每個學校有投入指標（比如學生人均投入資金），也有產出指標（比如學生平均成績，學生奧數比賽比例等），有的學校投入多，有的學校投入少，但是投入多或少，均會有對應的產出，那么具體哪個學校的投入產出更加優秀呢，諸如此類投入產出的優劣問題，則可使用數據包絡DEA模型進行分析。

最常見的DEA模型為CCR和BBC，此兩種模型的區別在于是否假定‘規模報酬可變’，其對比如下：

二、數據包絡分析DEA案例

1

當前希望對天津市的城市可持續發展情況進行研究，共收集1990~1999共計10年的相關指標數據。具體說明如下表格：

原始數據如下圖，從下圖來看，從1990~1999年共計10年里面，人均GDP和城市環境質量指數均在逐步提高，單獨從產出指標來看說明每年都在提升。但反過來看，3個投入指標卻有高有低，那么到底哪些年的投入產出較好，而哪些年的投入產出還有改進空間并不知曉，這正是需要數據包絡分析DEA分析尋找的答案。

2

數據包絡分析DEA時，首先需要分析綜合效益值θ，即首先判斷DMU是否有DEA有效，如果有效，則說明該DMU較優，反之說明‘非DEA有效’，即相對來說還有提升空間，那么提升空間具體在哪里呢，比如提高還是減少規模呢，可以通過規模效益分析得到。與此同時，如果是‘非DEA有效’，那么具體問題是什么，投入冗余還是產出不足，則可以通過對應的投入冗余 或產出不足分析表格得出，具體數字直接查看松馳變量即可。如下表所示：

3

本例子操作截圖如下：

分別將3個投入指標和2個產出指標放在對應的框中，與此同時，本案例中年份為決策單元DMU，因此放入對應的框中，當然也可以不放入DMU（如果不放入，SPSSAU默認輸出為比如第1項，第2項等）。另外，本案例使用默認的BBC(VRS)模型進行分析。

4

如果是BBC模型時，SPSSAU共輸出6個表格和1個圖。分別如下：

如果是CCR模型時，SPSSAU共輸出4個表格【無規模報酬相關的表格】和1個圖。分別如下：

5

有效性分析是指決策單元DMU的總體有效性情況，本案例使用BBC模型進行分析。從上表可以看出：1997，1998和1999這三年的數據均為‘DEA強有效’，即相對于其它年份（DMU）來講，此3年的投入產出達到相對最有效率。

關于有效性的判斷規則說明如下：

如果綜合效益值等于1且松馳變量S-和松馳變量均為0，那么為DEA強有效，說明相對來講某DMU單元達到最有效率；如果綜合效益值等于1并且2個松馳變量任意中任意1個大于0，那么為DEA弱有效，說明某DMU單元已經相對有效率但還有一定提升空間；如果說綜合效益值小于1（此時不論松馳變量為多少），那么為非DEA有效，即說明相對來講投入產出比效率較差。

以及關于上表格中各指標的意義說明如下表：

從本案例分析來看，除1997，1998和1999共3個決策單元外，其余年份（決策單元DMU）均為非DEA有效，即還有較大的提升空間，下述中還會進一步對規模效益系數進行分析。

上圖為有效性分析的圖示化，人上圖可以看到，從1990到1999年變遷過程中，綜合效益值在不斷的提升，也即說明政府的投入產出效率在不斷提升。包括規模效益和技術效益均在不斷提升，進一步說明投入產出效率的提升，也即說明政府的效率在不斷提高。

針對BBC模型即規模報酬可變模型來看，上述分析可知，1997,1998和1999這3年均為DEA強有效，自然其規模報酬達到最優即規模報酬固定。而1997年之前，規模報酬系數值均小于1，也即說明規模報酬遞增，加大規模更加速提高投入產出比。可能這也正是政府在逐年提升投入的原因。關于規模報酬系數的判斷規則說明如下表:

針對非DEA有效的決策單元DMU，可進一步分析其‘投入冗余’情況。當然DEA強有效的決策單元（本案例中的1997，1998和1999共3年），相對意義上其并沒有投入冗余問題，因此松馳變量S-值均為0。

松馳變量S-意義為“減少多少投入時達目標效率”，簡單來說就是得到基于當前的產出，投入要減少多少才能達到高效率。該值越小越好，最小值為0（即最優狀態），從上表可知：從1990~1996年間，政府財政收入占GDP比例對應的松馳變量S-值一直都大于0，意味著財政收入相對GDP過高（收稅相對過多）。與此同時，在1994~1996年這3年里，每千人科技人員數的松馳變量S-值較高，意味著科技人員占比相對過高，可適量減少科技人員投入。

至于投入冗余率，其是一個相對的數字，即‘過多投入’除以‘已投入’，分析時可直接對比該數字，如果該值越大意味著需要減少的比例越大。

針對非DEA有效的決策單元DMU，可進一步分析其‘產出不足’情況。當然DEA強有效的決策單元（本案例中的1997，1998和1999共3年），相對意義上其并沒有產出不足問題，因此松馳變量S+值均為0。

松馳變量S+意義為“增加多少產出時達目標效率”，簡單來說就是得到基于當前的投入，產出要增加多少才能達到高效率。該值越小越好，最小值為0（即最優狀態），從上表可知：人均GDP這一產出變量僅在1995年出現松馳變量S+值大于0，意味著1995年時人均GDP相對產出較低。與此同時，1990~1993共4年時間里，松馳變量S+值大于0，說明此4年里面相對于投入，產出效率還有提升空間（即產出不夠）。

至于產出不足率，其是一個相對的數字，即‘產出不足’除以‘已產出’，分析時可直接對比該數字，如果該值越大意味著需要產出增加的比例越大。

描述統計分析表格為各研究指標的平均值和標準差值等，用于查閱數據中是否有缺失或異常情況等，并無其它意義。

6

涉及以下幾個關鍵點，分別如下：

數據包絡分析DEA從數學原理上并不要求數據進行量綱化處理，如果需要處理，可使用SPSSAU數據處理里面的生成變量功能進行處理。與此同時，如果數據有負向（逆向）指標，則需要對其進行逆向化處理，讓其指標意義變為正向。處理方式為：SPSSAU數據處理里面的生成變量功能中的逆向化處理。

如果指標中有負向（逆向）指標，那么需要對負向（逆向）指標進行逆向化處理，使其意義變為正向。處理方式為：SPSSAU數據處理里面的生成變量功能中的逆向化處理。

數據包絡DEA分析有很多模型，BBC和CCR最為經典，如果考慮規模報酬可變則使用BBC，反之如果認為規模報酬不變則應使用CCR，通常情況下使用BBC較多。

數據包絡DEA分析進行分析時，其是一個相對對比的過程，即基于所分析數據里面對比相對的優劣，比如不同城市的DEA分析，有的分析發現北京DEA有效，但指標更改后（或對比的DMU更換），可能就會出現北京為非DEA有效。

數據挖掘-DEA（探索性數據分析）

      探索性數據分析是指：對已經有的數據在盡量少的先驗假定下進行數據探索，可以通過繪圖、制表、數學擬合、計算特征量等手段探索數據的結構和規律。特別對于現在所面臨的大數據時代，各種雜亂的“臟數據”，通常使我們不知從何下手去了解手上的數據集，這個時候探索性分析就很有效了。

離散型：離散型數據相當于分類數據，如班上學生的人數、扔骰子的結果、性別、種族等。

連續型：也即是在值域里面是連續取值，這種變量一般是有序的，如身高（可以是在人類的身高范圍內的任意值）、葉子的長度、狗的體重等。

1、讓你最大程度得到數據的直覺

2、發掘潛在的結構

3、提取重要的變量

4、刪除異常值

5、檢驗潛在的假設

6、建立初步的模型

7、決定最優的因子設置

1、數據的典型值是多少（均值、中位數）？

2、典型值的不確定性是什么？

3、一組數據的良好分布擬合是什么？

4、數據的分位數是多少？

5、一個工程上的修改是否有作用？

6、一個因子是否有影響？

7、最重要的因素是什么？

8、來自不同實驗室的測量結果是否相等？

9、將響應變量與一組因子變量相關聯的最佳函數是什么？

10、什么是最好的因子設置？

11、我們可以將時間相關數據中的信號與噪聲分離嗎？

12、我們可以從多變量數據中提取任何結構嗎？

13、數據是否有離群值？

參考：

https://blog.csdn.net/fjssharpsword/article/details/79152012

https://blog.csdn.net/a358463121/article/details/55003356

寫在學習后的話：第一次接觸數據挖掘的知識，第一次寫網絡文章，排版有點亂（尷尬），希望自己在這次datawhale組織的數據挖掘課程中能學到知識，結交優秀的朋友。

dea 分析結果的 技術效率 純技術效率 規模效率到底應該如何定義呢？

純技術效率反映的是DMU（決策單元） 在一定( 最優規模時) 投入要素的生產效率。
規模效率反映的是實際規模與最優生產規模的差距。
一般認為：綜合技術效率=純技術效率×規模效率。
綜合技術效率是對決策單元的資源配置能力、資源使用效道率等多方面能力的綜合衡量與評價;
純技術效率是企業由于管理和技術等因素影響的生產效率，
規模效率是由于企業規模因素影響的生產效率。
綜合技術效率=1，表示該決策單元的投入產出是綜合有效的，即同時技術有效和規模有效。
純技術效率=1，表示在目前的技術水平上，其投入資源的使用是有效率的，未能達到綜合有效的根本原因在于其規模無效，因此其改革的重點在于如何更好地發揮其答規模效益。

股票中DEA是什么意思

DEA：data envelopment analysis的縮寫，即數據包絡分析。

DEA有效性與相應的多目標規劃問題的pareto有效解（或非支配解）是等價的。數據包絡分析(即DEA)可以看作是一種統計分析的新方法。它是根據一組關于輸入－輸出的觀察值來估計有效生產前沿面的。

在經濟學和計量經濟學中，估計有效生產前沿面，通常使用統計回歸以及其它的一些統計方法，這些方法估計出的生產函數并沒有表現出實際的前沿面，得出的函數實際上是非有效的。

擴展資料

股市的市場特點有以下：

1 有一定的市場流動性，但主要取決于當日交易量（交易量取決于投資人心理預期）。

2股票市場只在紐約時間早上的9：30到下午4：00（中國市場為下午三點）開放，收市后的場外交易有限。

3成本和傭金并不是太高適合一般投資人。

4 賣空股票受到政策（需要開辦融資融券業務）和資本（約50萬）的限制，很多交易者都為此感到沮喪。

5 完成交易的步驟較多，增加了執行誤差和錯誤。

參考資料來源：百度百科--dea

參考資料來源：百度百科--股票市場

dea數據包絡分析法可以算一年的效率嗎

可以。數據包絡分析DEA是一種多指標投入和產出評價的研究方法，可以算一年的效率。DEA數據包絡分析法，簡稱DEA，是利用線性規劃的形式，納入多個投入指標和多個產出指標，針對具有相同的類型的單元進行有效率評價的一種方法。

數據包絡分析-DEA（Data Envelopment Analysis）-DEA的簡單原理

數據包絡分析 （Data envelopment analysis，DEA）是 運籌學 和研究經濟生產邊界的一種方法。該方法一般被用來測量一些決策部門的 生產效率 。

（1）效率=產出/投入，反映單要素生產率問題，例如：勞動生產率、資本生產率等。

（2）例子：需衡量A-H八個門店的效率

①投入指標：Employee（雇員勞動力） 

②產出指標：Sale（銷售收入）

③效率：Sale/Employee（銷售收入/雇員勞動力）

④分析：根據Sale/Employee比值結果來看，其他門店比值小于1，而B門店比值為1，所以B門店效率最高

⑤前沿線與回歸線：

前沿線（Efficient Frontier）：把所有點包絡起來，最有效的點位于前沿線上

回歸線（Regression Line）：從原點出發，穿過所有點中間，解釋的是投入對產出在 平均 意義上產生多大影響，不能衡量效率

⑥A的改進方式：

①投入指標：Employee（雇員勞動力） 、Floor Area（門店面積）

②產出指標：Sale（銷售收入）

③生產前沿圖：

④A的改進途徑：

①投入指標：Employee（雇員勞動力）

②產出指標：Customers（顧客數量）、Sale（銷售收入）

③生產前沿圖：

④D的效率：