摘要传统 DEA 模型存在自我偏袒、权重极端化的固有缺陷交叉效率 DEA 通过 DMU 互评机制显著提升了评价客观性其中激进型模式因评价标准严苛广泛应用于绩效评优与末位考核场景。本文以 6 个决策单元、2 投入 2 产出的标准测试集为样本从第一阶段自评效率、二级目标规划逻辑、最终结果合理性三个层面对 DEA Performance 软件的激进型交叉效率模型进行全流程准确性验证。结果表明软件自评效率与理论解析解完全一致二级目标遵循 Doyle-Green 经典算法最终结果符合不变规模报酬特性与互评逻辑计算精度可靠。本文验证方法可为 DEA 结果异常排查提供参考也为科研人员选型效率分析工具提供依据。文章目录摘要一、引言二、验证数据集与模型配置2.1 测试数据集2.2 模型参数配置三、第一阶段自评效率的理论验证3.1 投入导向自评效率验证3.2 产出导向自评效率验证四、激进型二级目标规划的算法逻辑验证4.1 经典算法依据4.2 算法合规性说明五、最终交叉效率结果的合理性校验5.1 最终结果对比5.2 关键合理性验证1前沿单元效率恒为 12投入与产出导向结果一致3规模报酬特性验证4激进型的压低效应六、结论一、引言数据包络分析DEA作为非参数效率评价方法广泛应用于绩效评估、标杆遴选、资源配置等领域。但传统 CCR/BCC 模型采用自评体系各决策单元DMU会选取对自身最有利的权重方案容易出现权重极端化、有效单元并列、排名区分度不足等问题。交叉效率 DEA 通过引入互评机制让每个 DMU 用自身最优权重评价其他所有单元最终取平均效率作为综合评价结果有效解决了传统模型的自我偏袒缺陷。其中激进型对抗式交叉效率在保证自身效率最优的前提下以最小化其他 DMU 平均效率为二级目标评价标准最为严格尤其适用于末位淘汰、严苛绩效考评等场景。对于从事效率评价研究的学者而言一款计算准确、算法严谨的 DEA 工具是科研工作的重要支撑。不少研究者在寻找论文用 DEA 软件推荐时往往会优先关注算法的可复现性与结果的准确性。本文基于公开测试数据集对 DEA Performance 软件中的激进型交叉效率模型进行全流程数值验证从理论层面核验其计算逻辑的正确性为用户提供可靠的使用参考。二、验证数据集与模型配置2.1 测试数据集本次验证采用 6 个决策单元DMU的标准测试样本包含 2 项投入指标与 2 项产出指标数据如下表所示表格DMU 编号投入 1投入 2产出 1产出 2DMU1105108DMU295129DMU3126119DMU41161310DMU52010108DMU61810129该数据集包含典型的有效单元、非有效单元以及成比例缩放单元DMU5 为 DMU1 投入翻倍、产出不变DMU6 为 DMU2 投入翻倍、产出不变能够全面验证模型的规模报酬特性与计算准确性。2.2 模型参数配置本次验证选取交叉效率 DEA 模型中的激进型模式具体配置参数如下规模报酬类型CCR 不变规模报酬计算导向分别验证投入导向与产出导向交叉评价模式激进型交叉效率对抗式二级目标超效率模式关闭结果聚合方式算术平均聚合 交叉效率 DEA 参数配置界面三、第一阶段自评效率的理论验证交叉效率计算分为两个阶段第一阶段求解各 DMU 的自评最优效率与对应权重第二阶段在保持自身效率最优的前提下求解二级目标。第一阶段的准确性是整个模型可靠的基础。3.1 投入导向自评效率验证基于 CCR 投入导向乘子模型各 DMU 的自评最优效率理论值与软件计算结果对比如下表格DMU 编号软件计算 θ*理论解析值偏差DMU10.8888898/9≈0.88890DMU21.0000001.00DMU30.8333335/6≈0.83330DMU40.92592625/27≈0.92590DMU50.4444444/9≈0.44440DMU60.5000000.50理论推导验证DMU2 为唯一 CCR 有效单元构成生产前沿面因此自评效率为 1。DMU1 的参考集仅包含 DMU2根据包络模型λ₂8/9投入缩减比例 θ8/9与软件结果完全一致。DMU5 投入规模为 DMU1 的 2 倍、产出完全相同在不变规模报酬假设下效率为 DMU1 的 1/2即 4/9符合计算结果。这一校验思路也可作为 DEA 结果异常排查方法的参考当最终交叉效率出现异常时可先验证第一阶段自评效率是否符合理论预期再逐步排查二级目标规划与聚合规则的配置问题。3.2 产出导向自评效率验证产出导向下效率值 φ 为投入导向的倒数验证结果如下表格DMU 编号软件计算 φ*理论值 (1/θ)偏差DMU11.1250009/81.1250DMU21.0000001.00DMU31.2000006/51.20DMU41.08000027/251.080DMU52.2500009/42.250DMU62.0000002.00可以看出软件计算的产出导向自评效率与理论倒数关系完全吻合证明第一阶段乘子模型的求解逻辑准确无误。四、激进型二级目标规划的算法逻辑验证4.1 经典算法依据激进型交叉效率由 Doyle 与 Green 于 1994 年提出核心思想是在保证 DMU 自身效率达到最优值的约束下选择一组权重使得其他所有 DMU 的平均效率最小化从而形成最严苛的评价标准。DEA Performance 软件中的实现严格遵循该经典框架完整保留第一阶段的全部约束条件确保权重可行域与第一阶段一致新增等式约束将自身效率固定为第一阶段的最优值限定在最优权重集合内寻优投入导向下以 “最小化其他 DMU 的加权产出总和” 为二级目标产出导向下以 “最大化其他 DMU 的加权投入总和” 为二级目标与分式规划线性化的标准处理方式完全一致加入极小正则项保证最优解唯一避免权重漂移导致结果波动。4.2 算法合规性说明从学术规范角度该实现满足以下要求二级目标不破坏第一阶段的效率最优性所有 DMU 采用统一的评价规则不存在差异化处理权重均保持非阿基米德无穷小下界避免零权重导致的指标失效问题。这也是专业 DEA 工具与简易实现的核心区别规范的二级目标规划能够保证交叉效率结果的学术严谨性满足期刊论文的发表要求。五、最终交叉效率结果的合理性校验5.1 最终结果对比投入导向与产出导向下软件输出的最终交叉效率结果如下表格DMU 编号投入导向交叉效率产出导向交叉效率综合排名DMU10.84260.84263DMU21.00001.00001DMU30.78470.78474DMU40.91270.91272DMU50.42130.42136DMU60.50000.50005 结果展示交叉效率结果数据表格 结果展示交叉效率柱状对比图5.2 关键合理性验证1前沿单元效率恒为 1DMU2 是唯一的 CCR 有效单元根据 DEA 互补松弛定理所有 DMU 的最优权重都满足 DMU2 的效率约束为紧约束效率值恒为 1。因此在交叉评价矩阵中所有评价主体对 DMU2 的评分均为 1最终平均效率也为 1与计算结果完全一致。2投入与产出导向结果一致两种导向下最终交叉效率完全相同这一现象符合乘子模型的数学特性投入导向与产出导向的最优权重呈严格比例关系而交叉效率的计算形式为 “加权产出 / 加权投入”权重同比例缩放时比值保持不变因此交叉效率矩阵与最终聚合结果完全一致。3规模报酬特性验证DMU5 与 DMU1、DMU6 与 DMU2 分别满足 “投入翻倍、产出不变” 的 CRS 缩放关系最终交叉效率也严格呈现减半关系0.4213≈0.8426/20.51.0/2完全符合不变规模报酬的理论特性。4激进型的压低效应对比自评效率与交叉效率可以发现所有非有效 DMU 的交叉效率均低于其自评效率这正是激进型模式的典型特征通过对抗式二级目标压低其他单元的评分整体评价标准更为严格排名区分度更强。六、结论本文通过标准测试数据集对 DEA Performance 软件中激进型交叉效率 DEA 模型的计算结果进行了全维度验证得出以下结论第一阶段自评效率与理论解析解完全一致乘子模型求解准确无误激进型二级目标规划严格遵循 Doyle-Green 经典算法框架符合学术规范最终交叉效率结果满足规模报酬特性、前沿单元特性与模式特性数值逻辑自洽投入导向与产出导向的计算结果符合数学对偶关系逻辑严谨。整体而言DEA Performance 的交叉效率模块计算精度可靠算法实现规范能够为科研论文写作、实务绩效评价提供准确的分析支撑。后续我们也将持续对超效率交叉效率、仁慈型模式、加权聚合等更多功能进行验证为用户提供更全面的参考。DEA Performance 链接https://pan.baidu.com/s/1ziQkmN9LmLDebUGBIolIyw?pwd5802