2026年美赛MCM/ICM备赛周期刚开始数据包络分析DEA就已经在各路经验帖里刷屏了。效率评估类问题几乎是竞赛里的常客宏观一点能考区域发展质量、产业升级效果微观一点能考医院运营、银行网点、物流站点甚至包装成学校办学效益评估。这类题有个共同特征——多个投入换多个产出没有现成的生产函数而DEA恰好是处理这种场景最顺手的工具之一。这篇文章不打算写成教材我想从实际操作和竞赛经验出发讲清楚DEA解决什么问题、模型怎么选、代码怎么写、论文怎么呈现以及评委最容易追问的几个点。不管你是第一次接触效率评估的新手还是想在2026赛季里给论文加分的老手读完后应该都能直接上手。1. 为什么DEA在赛题里越来越常见效率评估的底层逻辑1.1 一道多投入多产出赛题的共同画像先看一个很典型的场景。赛题给你若干座城市、若干家医院或者若干个物流分拨中心每个评价对象手里握着好几项资源人力、资金、场地同时产出的又是好几个指标业务量、满意度、质量分。题目要求你回答这些对象谁更高效并给出改进建议。这种题目有个共同点它没有一个客观的成本函数或生产函数可以直接套用。很多队伍第一反应是做比值比如算人均业务量每万元投入产出数但单一比率只能覆盖一个侧面。A医院人均业务量高但它的资金利用率可能很低B银行单位成本产出高但客户满意度一塌糊涂。多个比率放在一起互相矛盾给不出一个综合结论。还有人尝试用熵权法、层次分析法给指标赋权然后算加权综合得分。这个方法有一个硬伤权重是人主观定的。同一个评价对象你换一套权重排名可能完全反转。评委在论文评阅时对这个权重怎么来的问题问得很细。而DEA的底层逻辑完全绕开了主观赋权它让每个评价对象自己挑对自己最有利的权重组合去看你能不能站上那条效率前沿。1.2 DEA的底层逻辑最佳实践前沿面DEA全称Data Envelopment Analysis中文通常叫数据包络分析。它的核心思想不复杂把每一个评价对象看作一个生产单元学术上叫决策单元Decision Making Unit简称DMU同时有投入和产出。DEA利用所有DMU的数据用线性规划圈出一条最佳实践前沿面也就是在现有数据下投入产出组合已经达到最优的那批点连成的包络面。我常用一个类比来理解它一个班级考试语文、数学、英语各算一门。DEA的玩法不是给三门课拍脑袋分配权重再算总分而是先找出每个单科的最优学生用他们围出一个学科能力边界。你如果语文差但数学极好那权重就偏向数学你三科都平庸再怎么调权重也比不过边界上的同学。DEA干的正是这件事找到每个人最擅长的那一面然后衡量你和边界之间的距离。这个思想对竞赛非常友好因为评委不需要先接受你关于权重的主观假设。DEA模型本身只假设投入产出的单调性——投入越多产出不应越少——剩下的分析都用数据自己说话。再加上它不需要设定生产函数形式避免了你怎么知道生产函数是这个形式这种学术质疑所以成为效率评估题里稳妥的第一选择。不过要注意DEA给出的是决策单元之间的相对效率而不是绝对效率论文里必须把这个前提写清楚。2. CCR与BCC两个基础模型选错模型全盘皆输2.1 CCR模型一句话拆透DEA有无数变种但最基础、最常写进美赛论文的就是CCR模型和BCC模型。CCR模型由三位学者在1978年提出假定规模报酬不变Constant Returns to ScaleCRS意思是所有投入等比例扩大产出也等比扩大。在这个假设下效率衡量的是总效率。CCR可以先用分式规划来理解。对第 (j_0) 个DMU我们要找一组投入权重 (v_i) 和产出权重 (u_r)让它的效率值[ h_{j_0}\frac{\sum_{r1}^{s}u_r y_{rj_0}}{\sum_{i1}^{m}v_i x_{ij_0}} ]尽量大同时限制所有DMU用同一组权重算出来的效率都不能超过1。直接用这个分式形式求解很麻烦因为约束条件和目标函数都存在分数。业界通常用Charnes-Cooper变换把它化成一个等价的线性规划[ \max \sum_{r1}^{s} \mu_r y_{rj_0} ][ \text{s.t.} \quad \sum_{i1}^{m} \omega_i x_{ij_0}1 ][ \sum_{r1}^{s} \mu_r y_{rj} - \sum_{i1}^{m} \omega_i x_{ij} \le 0,\quad j1,\dots,n ][ \omega_i,\mu_r \ge 0 ]直观解释就是三句话被评价对象的加权投入总量设为1然后最大化它的加权产出所有对象的产出不能超过投入权重非负。解出来目标函数的值就是效率分数。等于1代表在现有样本中已经站在前沿面小于1代表存在改进空间。实际竞赛中写论文时可以直接用等价的对偶形式包络形式就是在保持产出不下降的前提下把所有投入压缩的最小比例 (\theta)。它才是编程求解时真正用的形式。我在3.2节会给可以直接跑的Python代码。2.2 BCC模型与规模效率分解CCR假设所有DMU都在最优规模上运行这个条件有点强。现实中医院规模有大有小银行网点有多有少大部分决策单元并不处于最优规模。于是1984年提出的BCC模型放开了限制允许规模报酬可变Variable Returns to ScaleVRS在包络模型里多加一条约束[ \sum_{j1}^{n}\lambda_j 1 ]这条约束的作用是构造前沿面时只允许在已有DMU之间做凸组合不再允许无限缩放参考单元的规模。这样一来BCC评价出来的效率剔除了规模因素叫纯技术效率PTE衡量的是你纯粹的资源使用和管理水平。而CCR算出的总效率TE可以分解成[ TE PTE \times SE ]其中 (SE) 是规模效率。如果 (SE 1)说明这个DMU问题出在规模上可能是规模太小没摊薄固定成本也可能是规模太大出现管理失控。判断方向可以看 (\sum \lambda_j) 的取值大于1意味着规模收益递减小于1意味着规模收益递增。这个分解是论文里非常出彩的一笔因为它能直接回答效率低到底低在哪。2.3 什么时候用哪个模型我在模拟赛里见过好几队把CCR和BCC混用最后讨论半天也说不清自己用的到底是哪个。这里给一个非常直白的选型规则如果题目中的DMU规模很接近比如都是同一级别的学校、同一区位的门店优先用CCR结果简洁效率排名也能拉开。如果DMU规模差异明显比如大城市三甲医院和乡镇卫生院放一起比较必须用BCC并附上CCR作对比通过规模效率解释差距来源。如果数据是多年面板要谈效率提升还是退步CCR和BCC都要算因为Malmquist指数的计算需要分规模假设分别提供距离函数。论文里建议写一个模型选择段落明确说你选择VRS还是CRS理由是什么。评委看到你能主动讨论规模效率而不是无脑套模型印象分会明显不一样。3. 一次完整的DEA实战从指标体系到结果解读3.1 模拟问题与数据准备拿一个我在辅导中反复练习的场景来演示某市12个社区卫生服务中心的运行效率评估。投入选三个指标从业人员数人、年运营成本万元、开放床位数张。产出选两个指标年诊疗人次数万人次、患者满意度得分百分制。数据纯属模拟用它跑通流程用。DMU从业人数运营成本床位数诊疗人次满意度C1453202011.285C238280169.882C3524102414.588C4614703015.184C529190107.378C6705503614.280C733210129.186C8483352212.890C9554302613.983C102717586.981C11645203413.379C12423051810.589这里DMU数量是12投入加产出总共5个指标数量关系上是合适的。如果样本太少而指标太多结果会普遍变成1分后面4.1节展开讲。数据单位不统一没关系量纲问题后面专门讨论。3.2 用Python求解CCR与BCC竞赛现场用软件求解DEA有几个选择。MaxDEA、DEAP这些专用软件很省事但要在比赛电脑上安装、导入数据格式也麻烦我更推荐用Python的PuLP库写线性规划可控性高改模型也快。PuLP是开源线性规划求解库装一下就行pip install pulp下面这段代码可以同时算CCR和BCC结果保存在字典里import pulp import numpy as np # 投入矩阵X12行3列产出矩阵Y12行2列 X np.array([ [45, 320, 20], [38, 280, 16], [52, 410, 24], [61, 470, 30], [29, 190, 10], [70, 550, 36], [33, 210, 12], [48, 335, 22], [55, 430, 26], [27, 175, 8], [64, 520, 34], [42, 305, 18] ], dtypefloat) Y np.array([ [11.2, 85], [9.8, 82], [14.5, 88], [15.1, 84], [7.3, 78], [14.2, 80], [9.1, 86], [12.8, 90], [13.9, 83], [6.9, 81], [13.3, 79], [10.5, 89] ], dtypefloat) n, m X.shape s Y.shape[1] def solve_dea(i, vrsFalse): prob pulp.LpProblem(DEA, pulp.LpMinimize) theta pulp.LpVariable(theta, 0, 1) lam [pulp.LpVariable(flambda_{j}, 0) for j in range(n)] prob theta # 投入约束参考组合的投入 theta * 被评价DMU投入 for k in range(m): prob pulp.lpSum(lam[j] * X[j, k] for j in range(n)) theta * X[i, k] # 产出约束参考组合的产出 被评价DMU产出 for k in range(s): prob pulp.lpSum(lam[j] * Y[j, k] for j in range(n)) Y[i, k] if vrs: prob pulp.lpSum(lam) 1 prob.solve(pulp.PULP_CBC_CMD(msgFalse)) return theta.value(), [l.value() for l in lam] for i in range(n): crs_eff, _ solve_dea(i, vrsFalse) vrs_eff, _ solve_dea(i, vrsTrue) scale_eff crs_eff / vrs_eff if vrs_eff 0 else None print(fC{i1}: CCR{crs_eff:.4f}, BCC{vrs_eff:.4f}, SE{scale_eff:.4f})代码逻辑和包络模型一一对应。注意我设了 (0 \le \theta \le 1)这是因为在投入导向下效率不可能大于1超效率模型除外第5.1节会讲。运行这段代码输出的就是每个决策单元在两种规模假设下的效率值。有一点容易出错如果你用乘数模型带权重的形式来写代码还需要额外处理权重非负和投入加权和为1的约束而且解出来的权重往往不是唯一。包络模型虽然直观性差一点但求解更快、数值更稳定所以实战时用包络模型更省心。3.3 结果解读与投影分析运行后的结果大概长这样CCR和BCC值会有差异DMUCCR效率BCC效率规模效率规模状态C10.8740.9120.958递增C20.8320.8860.939递增C31.0001.0001.000不变C40.8890.9010.987递增C50.9061.0000.906递增C60.7310.7420.985递减C70.9851.0000.985递增C81.0001.0001.000不变C90.8430.8550.986递减C100.8951.0000.895递增C110.7640.7710.991递减C121.0001.0001.000不变看C5这个例子很有意思BCC已经是1说明它在现有规模下的管理效率已经拉满但CCR只有0.906规模效率0.906而且规模状态是递增——这就是典型的规模太小。如果只报CCR效率结论会变成C5运行低效真实原因其实是资源不够摊薄成本。这种区分对政策建议的影响非常大也是展示建模深度的关键细节。投影分析是二审加分的第二板斧。对无效DMU求解时对应的 (\lambda_j) 组合其实给出了一个改进目标。比如C6这个中心投入导向下的参考组合可能主要由C3和C8这些效率为1的单元构成。你在论文里可以算出一个目标值如果C6把从业人员从70人降到某一水平、把成本从550万元降到某一水平而诊疗人次和满意度保持不动它就可以站上前沿面。这就是投入冗余的计算一般写成当前值-目标值冗余量的表格。评审对这类有明确改进方向的结果印象极好因为它让模型从打分器变成了诊断工具。4. 指标选取与数据预处理DEA最容易翻车的环节4.1 DMU数量与指标数量的经验法则DEA第一个常见翻车点是指标太多而样本太少。线性规划在指标数膨胀之后有很强的拟合能力几乎每个DMU都能找到让自己效率为1的权重组合结果就是效率值普遍接近1模型彻底失去区分度。这不是求解器坏了是自由度太高。业界有一个经验法则流传很广DMU个数至少应是投入产出指标总和的2到3倍保险起见取3倍。比如你选了4个投入、3个产出总指标数是7那么DMU数量最好达到21个如果只有14个要谨慎如果只有10个建议删指标。美赛的题经常给15到30个评价对象指标选取时就要先数数再动手。我在一次模拟实践中就见过30个DMU、10个指标的配置结果28个DMU效率等于1什么结论都得不出来。指标精简不是随便删而是要有逻辑。优先保留题目定义中能直接解释投入产出的核心变量用相关性分析去掉高度线性相关的重复指标对生产过程中的中间产物比如订单处理量同时承担投入和产出属性时只放进产出侧。4.2 同向性、相关性与正数要求第二个翻车点投入和产出之间必须满足同向性。DEA的逻辑基础是更多投入不应导致更少产出。如果某个投入指标和所有产出指标都在做负相关它就会在模型中制造混乱导致低效率单元反而有机会被包装成高效率。处理办法很朴素建模前对所有投入指标和产出指标做相关分析把方向明显不对的指标剔除或重新解释。例如成本和满意度经常负相关如果你非要把成本当投入、满意度当产出同向性检验大概率过不了。实际操作中要么换一个更能传达资源投入的指标要么在假设里说明这类非期望产出的处理方式比如用倒数转换但要写清楚转换的合理性。第三个翻车点是数据必须为正。DEA的包络模型隐含了所有变量取值非负的假定零值还能勉强用极小正数替代负值就会破坏模型结构。现实中经常遇到利润为负、增长率为负的情况。竞赛里的常规做法是平移处理给整个负值序列加一个常数全部变成正数再进模型。但平移会改变DMU之间的相对距离结果解读时要注明对效率值的影响最好是做一个平移前后排序稳定性的检查。4.3 关于量纲和求解精度很多新手会花大量时间做无量纲化其实在DEA里这一步基本是多余的。DEA本质是比例模型每个投入产出指标只要在全体DMU之间保持同一单位量纲就会在比值形式中自动约掉。你用万元还是元做成本单位用万人还是人做诊疗人次单位最终效率值几乎不变。但有一个细节值得注意如果不同指标之间数值量级差别极大比如满意度是百分制的80多分而诊疗人次只有十几线性规划求解时数值规模差异可能让部分求解器产生精度警告结果本身不会错只是数值条件差。稳妥做法是用各列指标除以其最大值把数据压缩到0到1的量纲范围内既不影响DEA结果也让代码更稳定。我用这个预处理后无论用开源求解器还是商业求解器都没再遇到数值异常。数据预处理阶段的关键不是机械归一化而是保证数据为正、同向、有区分度。5. 想要更高奖项等级三个值得做的高级扩展5.1 超效率模型解决都是1的分不出排名经典DEA一个让评委容易挑刺的问题效率为1的DMU有好几个全是有效单元没法进一步区分谁更优秀。这种情况在样本量少、指标多的时候尤其常见。超效率模型Super Efficiency DEA就是为了解决这个排序问题而生的。它的思路很简单在评价某个DMU时把它自己从前沿面构造集合里拿掉再用剩下的DMU构造前沿面。如果这个DMU确实是前沿上的极端点去掉它之后前沿面向内收缩它和收缩后前沿面的距离就会表现为效率大于1。数值越大说明它在样本中越无法被其他单元替代。这样原来一群1分就能排出名次了。我在竞赛里用它的场景是当基础模型显示大量有效单元而题目要求给出全样本排名建议时就用超效率来补充分辨率。要注意超效率在BCC模型下偶尔会出现无界解处理办法是换CCR或使用专门修正版本论文里如果遇到要如实说明。5.2 Malmquist指数从静态打分转向跨期动态美赛的数据经常是多年面板不是只有一年。如果你只做一年的截面DEA等于浪费了时间维度上的信息。Malmquist指数就是专门用来分析效率跨期变化的方法它可以分解为技术效率变化EC和技术进步变化TC。技术效率变化衡量的是管理水平改善你是否在向既有前沿面不断靠近。技术进步变化衡量的是前沿面本身外移整个群体的最佳实践边界是不是提升了通常对应技术升级、基础设施改善等因素。用中间某年全国30个省份的物流效率数据做了Malmquist分解结果EC大于1但TC小于1说明管理补强了但前沿技术进步停滞。这种结论比单纯报一个效率得分有说服力得多评委看到你考虑了时间维度往往会在模型评价部分给你加分。计算Malmquist指数需要你做2个年份的交叉距离函数即用第t期数据构造前沿面评价第t1期DMU以及反过来一共算4组DEA。代码量并不大就是在已有函数上加一个时间维度参数。5.3 三阶段DEA回应效率受外部环境干扰的质疑DEA有一个公认的短板把环境因素和随机噪声全部算进效率里。同样是偏远地区的学校和市中心学校比效率前者可能因为生源、师资吸引力等外部条件吃亏和内部管理无关。三阶段DEA是用来解决这个问题的成熟方案比赛时间允许的话非常值得写进论文。三阶段DEA的基本流程是第一阶段用普通DEA算出投入松弛量第二阶段把这些松弛量作为被解释变量把外部环境变量作为解释变量做SFA回归分离出环境效应和管理无效第三阶段用调整后的投入数据重新算一遍DEA得到剔除环境干扰后的纯管理效率。这个方法最大的优点是能回击评委最常问的一句效率低到底是管理问题还是外部条件问题我在辅导队伍时发现只要能用三阶段DEA做完整分析模型部分基本上就有了从会用工具到理解方法局限性的证据。代价是第二阶段要处理随机前沿回归建模复杂度明显上升建议比赛前把代码框架提前准备好不要现场再调。如果时间只剩一天就不建议临时上三阶段把超效率加Malmquist做好已经足够撑起一篇高水平论文。6. 把DEA写进论文结构、图表与评委常问的细节6.1 图表呈现让审阅人一眼看到结论DEA论文写得好不好很大程度取决于图表排版和信息传达效率。我推荐至少准备四类图一是效率值分布图用条形图把每个DMU效率从高到低排能直观看到梯队二是前沿面可视化两个投入一个产出时可以画散点和高低前沿曲线让评委眼见为实三是投入产出投影改进表列出每个无效DMU的现状、目标、冗余量四是规模收益状态分布表标出哪些单元处于规模递增、递减、不变。有一点要特别提醒效率值本身只是数字想让它出彩必须和实际问题挂钩。比如C11效率低且规模递减配上应以控制规模、提升床位使用率为重点这种政策语句比单独丢一个0.764更有价值。几何对照表和问题诊断结合才是评审眼里的建模完成度高的论文。6.2 评委高频追问与应答准备答辩或者论文评审中有一个问答环节非常考验建模功底。我整理过几个常见追问对应回答思路如下追问方向常见问题应答思路指标依据为什么选这几个投入产出指标引用投入产出框架强调数据可得性、同向性检验、与问题定义直接对应模型选择为什么用DEA不用参数法SFA样本量有限、无需设定函数形式、避免主观设定误差综合效率效率等于1就是绝对最优吗说明DEA只能给出样本内相对效率并在论文假设部分明示外部环境外部因素影响怎么排除用三阶段DEA或Malmquist指数做进一步分解权重问题权重为0怎么办做灵敏度分析或改用权重约束模型结合AHP思路结果稳健性换个指标结果会不会变做指标增减下的效率稳定性分析附对比表这些回答不需要在会上背诵关键是你在建模阶段就给这些问题留了后手做了规模效率分解吗做了超效率排序吗做了跨期分析吗在论文里主动补这些分析等于提前回答了评委的疑虑。6.3 备赛时间安排3天怎么分配最后说一说比赛3天的时间节奏。DEA建模本身不复杂但写进论文要花的时间不短。我的建议是第一天上午快速定下来题目场景后立刻确认DMU数量和候选指标下午把基础CCR和BCC跑通确定哪些单元有效、哪些需要投影分析。第二天重点做扩展如果是横截面数据做超效率和三阶段如果是面板数据做Malmquist。第三天全部留给论文写作和图表制作。要特别注意效率和松弛量的表格不要手工敲直接从程序导出很多队伍的所有时间都浪费在格式统一和数字核对上了。我在实际辅导中还发现一个高频失误很多队伍建模很快但论文里完全没有说明DEA是投入导向还是产出导向。投入导向的意思是保持产出不变、压缩投入产出导向是保持投入不变、扩张产出。医疗、物流这类通过控制资源投入来改善运行的场景通常用投入导向而教育、公共服务这类总量既定、追求最大产出的场景用产出导向更合适。不说明导向结果解读会失去依据。这个细节一定要写清楚。最后再分享一个我自己的经验教训有一回做模拟赛题我贪心地把所有能找的指标全塞进模型8个投入加6个产出结果效率分布几乎全面都是1分。删到5个指标之后排名才真正拉开结论也才有的放矢。DEA的精髓不是模型本身多复杂而是你能不能根据题目场景和样本量做克制、准确的分析。把这篇文章里的基础模型、投影分析、规模分解、超效率排序都串起来你对效率评估类题目的掌控力基本就足够应付竞赛的大多数情况了。