1. 數據包絡分析方法的DEA線形規劃模型建立如下
1) 定義變數
設Ek（k=1，2，……， K）為第k個單位的效率比率，這里K代表評估單位的總數。
設uj（j=1，2，……， M）為第j種產出的系數，這里M代表所考慮的產出種類的總數。變數uj用來衡量產出價值降低一個單位所帶來的相對的效率下降。
設vI（I=1，2，……，N）為第I種投入的系數，這里N代表所考慮的投入種類的綜合素。變數vI用來衡量投入價值降低一個單位帶來的相對的效率下降。
設Ojk為一定時期內由第k個服務單位所創造的第j種產出的觀察到的單位的數量。
設Iik為一定時期內由第k個服務單位所使用的第i種投入的實際的單位的數量。
2) 目標函數
目標是找出一組伴隨每種產出的系數u和一組伴隨每種投入的系數ν，從而給被評估的服務單位最高的可能效率。
（*）
式中，e是被評估單位的代碼。這個函數滿足這樣一個約束條件，當同一組投入和產出的系數（uj和vi）用於所有其他對比服務單位時，沒有一個服務單位將超過100%的效率或超過1.0的比率。
3) 約束條件
（**）
k=1,2,……,K
式中所有系數值都是正的且非零。
為了用標准線性規劃軟體求解這個有分數的線性規劃，需要進行變形。要注意，目標函數和所有約束條件都是比率而不是線性函數。通過把所評估單位的投入人為地調整為總和1.0，這樣等式（*）的目標函數可以重新表述為：
滿足以下約束條件：
對於個服務單位，等式（**）的約束條件可類似轉化為：
k=1,2,…,K
式中 uj≥0 j=1，2，…，M vi≥0 i=1，2，…，N
關於服務單位的樣本數量問題是由在分析種比較所挑選的投入和產出變數的數量所決定的。下列關系式把分析中所使用的服務單位數量K和所考慮的投入種類數N與產出種類數M聯系出來，它是基於實證發現和DEA實踐的經驗。
2. dea模型怎麼做時間序列數據
獲取數據源—>缺失值處理—>檢驗數據穩定性—>序列平穩—>參數尋優—>建立模型—>模型檢驗—>模型預測。
3. 求DEA數據包絡分析面板數據如何做
一年一年的做，
或者你用malmquist模型，可以做面板數據的。
其有時間序列和截面兩個維度，當這類數據按兩個維度排列時，是排在一個平面上，與只有一個維度的數據排在一條線上有著明顯的不同，整個表格像是一個面板,所以把panel data譯作"面板數據"。但是,如果從其內在含義上講,把panel data譯為"時間序列-截面數據" 更能揭示這類數據的本質上的特點。也有譯作"平行數據"或"TS-CS數據(Time Series - Cross Section)"。
4. 如何用數據包絡分析（DEA）進行效率評估
一、什麼是數據包絡分析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，那麼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於是否假定『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年裡面，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，那麼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並不知曉，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，那麼提升空間具體在哪裡呢，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』，那麼具體問題是什麼，投入冗餘還是產出不足，則可以通過對應的投入冗餘 或產出不足分析表格得出，具體數字直接查看松馳變數即可。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』，即相對於其它年份（DMU）來講，此3年的投入產出達到相對最有效率。
關於有效性的判斷規則說明如下：
如果綜合效益值等於1且松馳變數S-和松馳變數均為0，那麼為DEA強有效，說明相對來講某DMU單元達到最有效率；如果綜合效益值等於1並且2個松馳變數任意中任意1個大於0，那麼為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於1（此時不論松馳變數為多少），那麼為非DEA有效，即說明相對來講投入產出比效率較差。
以及關於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，其餘年份（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於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。關於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『投入冗餘』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），相對意義上其並沒有投入冗餘問題，因此松馳變數S-值均為0。
松馳變數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於當前的產出，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，政府財政收入佔GDP比例對應的松馳變數S-值一直都大於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年裡，每千人科技人員數的松馳變數S-值較高，意味著科技人員佔比相對過高，可適量減少科技人員投入。
至於投入冗餘率，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），相對意義上其並沒有產出不足問題，因此松馳變數S+值均為0。
松馳變數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於當前的投入，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這一產出變數僅在1995年出現松馳變數S+值大於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，松馳變數S+值大於0，說明此4年裡面相對於投入，產出效率還有提升空間（即產出不夠）。
至於產出不足率，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准差值等，用於查閱數據中是否有缺失或異常情況等，並無其它意義。
6
涉及以下幾個關鍵點，分別如下：
數據包絡分析DEA從數學原理上並不要求數據進行量綱化處理，如果需要處理，可使用SPSSAU數據處理裡面的生成變數功能進行處理。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數據處理裡面的生成變數功能中的逆向化處理。
如果指標中有負向（逆向）指標，那麼需要對負向（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數據處理裡面的生成變數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，即基於所分析數據裡面對比相對的優劣，比如不同城市的DEA分析，有的分析發現北京DEA有效，但指標更改後（或對比的DMU更換），可能就會出現北京為非DEA有效。
5. MaxDEA 5.2 怎麼用
這是MaxDEA 軟體的基礎版MaxDEA Basic （免費軟體），並非試用版，DMU數量是沒有限制的。
軟體特性
這是MaxDEA 軟體的基礎版MaxDEA Basic （免費軟體），並非試用版，DMU數量是沒有限制的。
MaxDEA為功能強大的數據包絡分析（Data Envelopment Analysis, DEA）軟體，包含各種選項組合模型超過三萬個。
MaxDEA強大的分析功能是前所未有的。
MaxDEA 5.2Malmquist模型中生產率變化的計算方法有兩種可選：1）乘除法：計算相對變化；2）加減法：計算絕對變化（新增）。
MaxDEA 5.0更新：
1） 全面支持方向距離函數模型。
2） 增加了兩種新的Malmquist 模型：Fixed Malmquist 和 Global Malmquist。
3） 提供了DEA模型的對偶解，包括包絡模型的影子價格和乘數模型的參照DMU和目標值（投影值），及相關的敏感性分析。
4） 將成本、收益、利潤和FDH模型移至基礎模型部分，基礎模型組合數量超過了200個。
5） 多語言界面，包括英文、簡體中文和繁體中文。
MaxDEA的主要特點包括：
1）綠色軟體，無需安裝，程序、數據、模型三合一，所有與DEA模型有關的數據及其設置均儲存在單一的程序文件內；數據導入只需一次，導入後即在資料庫內永久保存，不需要每次運行程序都導入數據；數據定義和模型設置也永久保存，關閉程序後再打開，數據和模型設置不變；以上特點使得數據與模型備份非常方便，僅需備份一個文件即可。
2）DEA模型數量多，且仍在不斷增加；DMU數量沒有限制，可運行超大型DEA模型。
3）數據格式為標准資料庫格式，不需要在欄位名稱中標明數據性質。例如有的DEA軟體要求將投入變數用「（I）+名稱」表示，產出變數用「（O）+名稱」表示。
數據包絡分析（Data Envelopment Analysis，簡稱DEA）是近三十年來迅速發展起來的非參數生產前沿面模型，在生產效率測量、績效評價及決策領域得到了廣泛的應用。1978年美國的Charnes，Cooper，Rhodes三人提出了著名的CCR模型，並隨之將這一分析方法命名為Data Envelopment Analysis，此後近三十年來，DEA理論逐步發展完善，其應用范圍也不斷拓展，從最初的教育部門擴展到醫療、郵政、電力、銀行、公共交通、司法、葯店、稅務、軟體開發、高校、體育、宏觀經濟、高速公路、公園、物流、建築、電信、軍隊、企業管理等眾多的領域，DEA已從最初的一種分析方法發展成為一門融匯了數學、運籌學、計量經濟學和管理學的重要工具。
6. DEA靜態模型數據可否為零
不可以。DEA投入產出數據中應盡量避免出現0數值，原因是其不符合生產經濟學投入產出的原理；可採用較小的正數（如0.0001）代替，將直接造成效率失真，對其他DMU結果產生很大影響。
7. 超效率dea公式
超效率dea可以直接藉助第三方工具MaxDEA來實現計算，而且超級方便。
第一步，導入數據，設置輸出和輸出，點擊OK；
第二步，運行模型；
相關知識介紹：
1、模型方法: DEA是數據包絡分析,它是一種以線性規劃為基礎、以距離函數為方式的模型方法。 super-sbm模型是將超效率和SBM模型結合起來的一種模型方法。
2、包括模型: 超效率dea模型包括CCR,BCC、SBM等若干種模型。 超效率SBM是超效率DEA模型的一種。
8. 三階段DEA模型的具體步驟是什麼
1.1第一階段DEA模型
該階段使用投入產出數據進行一般DEA分析。DEA方法最早是由美國著名的運籌學
家charne、，cooPe:和Rhode日提出的一種效率測度法，稱為CCR模型。它利用數學規劃
原理，根據多組投入產出數據求得效率，得出的總效率值為配置效率與技術效率之乘積。隨
後，Banker，chames和cooPells}提出了更為嚴謹的修正模型(稱為BCC模型)，把CCR固
定規模報酬的假設改為可變規模報酬，從而將CCR模型中的技術效率分解為規模效率和純技
術效率，即技術效率=規模效率x純技術效率。這樣，BCC模型就把造成技術無效率的兩個
原因，即未處於最佳規模和生產技術上的低效率分離開來，得到的純技術效率比CCR模型下
的技術效率更准確地反映了所考察對象的經營管理水平
在第二階段，將要估計環境變數對各決策單元的技術效率值的影響，進行鬆弛變數的分
析，將外部環境因素、隨機誤差以及內部管理因素等三個因素，並根據所得結果，調整投入值。
所謂的鬆弛變數是指理想投入量與實際投入量之間的差額，而造成差額的原因可歸因於外部
環境因素、隨機誤差以及內部管理因素等三個因素，此三個因素影響投入量或產出量，使得第
一階段所估計出的技術效率值與投入差額收到影響。因此為分離此三因素對創新效率值與投
入差額的影響，必須重新調整收到此三因素影響的投入量或產出量，分離出受到環境因素以及
隨機誤差影響的投入或產出，再以調整後的投入量或產出量重新對創新效率值進行估計，從
而可求得不受環境因素和隨機誤差因素影響的創新效率值。在這一階段使用SFA對環境變數
進行回歸分析，可得到隨機誤差項，去除第一階段DEA模型為確定性模型的缺點，加入考慮
隨機誤差項。根據Fried等同所使用的調整方法，對每一種投入鬆弛變數進行sFA分析，從
而測量環境變數對於不同投入差額的影響。
用第二階段所調整後的各投人數據x殺代替原始投人數據二Z;，再次運用BCC模型進行
計算，這時所得到的即為排除了外部環境因素和隨機誤差影響後的技術效率值
9. 關於DEA（數據包絡分析）問題的請教。DEA裡面涉及的投入、產出指標，這些指標有什麼要求嗎
DEA產出指標中，有些指標越高越好，比如GDP等指標，有些是越低越好，比如污染物排放量等，系統在分析過程中，會默認成產出越大越好，這樣會造成分析結果出現問題。為了解決這問題，應在定義變數時，對有些變數做適當的處理，比如污染物排放量，可以取其倒數。