dea分析(dea分析法可以用来分析什么)

昕阳小编 120 0

dea效率分析为何都是1

DMU的数量和标准的数量是1。根据查询相关公开信息显示,出现DMU的数量和标准的数量是1的情况,导致dea效率分析都是1,效率评价指数是1。dea指数据包络分析,数据包络分析是运筹学和研究经济生产边界的一种方法。

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。

数据包络分析-DEA(Data Envelopment Analysis)-DEA的简单原理

数据包络分析 (Data envelopment analysis,DEA)是 运筹学 和研究经济生产边界的一种方法。该方法一般被用来测量一些决策部门的 生产效率 。

(1)效率=产出/投入,反映单要素生产率问题,例如:劳动生产率、资本生产率等。

(2)例子:需衡量A-H八个门店的效率

①投入指标:Employee(雇员劳动力) 

②产出指标:Sale(销售收入)

③效率:Sale/Employee(销售收入/雇员劳动力)

④分析:根据Sale/Employee比值结果来看,其他门店比值小于1,而B门店比值为1,所以B门店效率最高

⑤前沿线与回归线:

前沿线(Efficient Frontier):把所有点包络起来,最有效的点位于前沿线上

回归线(Regression Line):从原点出发,穿过所有点中间,解释的是投入对产出在 平均 意义上产生多大影响,不能衡量效率

⑥A的改进方式:

①投入指标:Employee(雇员劳动力) 、Floor Area(门店面积)

②产出指标:Sale(销售收入)

③生产前沿图:

④A的改进途径:

①投入指标:Employee(雇员劳动力)

②产出指标:Customers(顾客数量)、Sale(销售收入)

③生产前沿图:

④D的效率:

dea分析(dea分析法可以用来分析什么)-第1张图片-昕阳网

dea 分析结果的 技术效率 纯技术效率 规模效率到底应该如何定义呢?

纯技术效率反映的是DMU(决策单元) 在一定( 最优规模时) 投入要素的生产效率。

规模效率反映的是实际规模与最优生产规模的差距。

一般认为:综合技术效率=纯技术效率×规模效率。

综合技术效率是对决策单元的资源配置能力、资源使用效道率等多方面能力的综合衡量与评价;

纯技术效率是企业由于管理和技术等因素影响的生产效率,

规模效率是由于企业规模因素影响的生产效率。

综合技术效率=1,表示该决策单元的投入产出是综合有效的,即同时技术有效和规模有效。

纯技术效率=1,表示在目前的技术水平上,其投入资源的使用是有效率的,未能达到综合有效的根本原因在于其规模无效,因此其改革的重点在于如何更好地发挥其答规模效益。

数据挖掘-DEA(探索性数据分析)

      探索性数据分析是指:对已经有的数据在尽量少的先验假定下进行数据探索,可以通过绘图、制表、数学拟合、计算特征量等手段探索数据的结构和规律。特别对于现在所面临的大数据时代,各种杂乱的“脏数据”,通常使我们不知从何下手去了解手上的数据集,这个时候探索性分析就很有效了。

离散型:离散型数据相当于分类数据,如班上学生的人数、扔骰子的结果、性别、种族等。

连续型:也即是在值域里面是连续取值,这种变量一般是有序的,如身高(可以是在人类的身高范围内的任意值)、叶子的长度、狗的体重等。

1、让你最大程度得到数据的直觉

2、发掘潜在的结构

3、提取重要的变量

4、删除异常值

5、检验潜在的假设

6、建立初步的模型

7、决定最优的因子设置

1、数据的典型值是多少(均值、中位数)?

2、典型值的不确定性是什么?

3、一组数据的良好分布拟合是什么?

4、数据的分位数是多少?

5、一个工程上的修改是否有作用?

6、一个因子是否有影响?

7、最重要的因素是什么?

8、来自不同实验室的测量结果是否相等?

9、将响应变量与一组因子变量相关联的最佳函数是什么?

10、什么是最好的因子设置?

11、我们可以将时间相关数据中的信号与噪声分离吗?

12、我们可以从多变量数据中提取任何结构吗?

13、数据是否有离群值?

参考:

写在学习后的话:第一次接触数据挖掘的知识,第一次写网络文章,排版有点乱(尴尬),希望自己在这次datawhale组织的数据挖掘课程中能学到知识,结交优秀的朋友。

股票中DEA是什么意思

DEA:data envelopment analysis的缩写,即数据包络分析。

DEA有效性与相应的多目标规划问题的pareto有效解(或非支配解)是等价的。数据包络分析(即DEA)可以看作是一种统计分析的新方法。它是根据一组关于输入-输出的观察值来估计有效生产前沿面的。

在经济学和计量经济学中,估计有效生产前沿面,通常使用统计回归以及其它的一些统计方法,这些方法估计出的生产函数并没有表现出实际的前沿面,得出的函数实际上是非有效的。

扩展资料

股市的市场特点有以下:

1 有一定的市场流动性,但主要取决于当日交易量(交易量取决于投资人心理预期)。

2股票市场只在纽约时间早上的9:30到下午4:00(中国市场为下午三点)开放,收市后的场外交易有限。

3成本和佣金并不是太高适合一般投资人。

4 卖空股票受到政策(需要开办融资融券业务)和资本(约50万)的限制,很多交易者都为此感到沮丧。

5 完成交易的步骤较多,增加了执行误差和错误。

参考资料来源:百度百科--dea

参考资料来源:百度百科--股票市场

以上文章内容就是对dea分析和dea分析法可以用来分析什么的介绍到此就结束了,希望能够帮助到大家?如果你还想了解更多这方面的信息,记得收藏关注本站。

标签: dea分析

抱歉,评论功能暂时关闭!