下载文档原格式
应用DEA方法评测中国各地区健康生产效率一、本文概述本文旨在运用数据包络分析（DEA）方法，对中国各地区的健康生产效率进行深入的评测和比较。
健康生产效率作为衡量一个地区在卫生资源配置、医疗服务提供以及健康产出效率的重要指标，对于提升我国整体健康水平、优化卫生资源配置具有重要的理论和现实意义。
数据包络分析（DEA）作为一种非参数的前沿效率分析方法，能够在不设定具体生产函数形式的情况下，通过对多投入、多产出数据的分析，客观地评价决策单元（如各地区）的相对效率。
因此，本文选择DEA方法作为主要的分析工具，以期望得到更为准确和客观的健康生产效率评价结果。
在具体的研究过程中，本文将首先构建健康生产效率的评价指标体系，包括卫生资源投入、医疗服务提供以及健康产出等多个方面。
然后，收集中国各地区的相关数据，运用DEA方法进行效率评价，并对评价结果进行深入的分析和比较。
根据评价结果，提出针对性的政策建议，以期为我国卫生事业的健康发展提供有益的参考。
通过本文的研究，我们希望能够全面了解中国各地区健康生产效率的现状和差异，揭示影响健康生产效率的关键因素，为提升我国健康生产效率提供科学依据和决策支持。
二、文献综述在过去的几十年里，数据包络分析（DEA）作为一种非参数的生产效率评估方法，已经在多个领域得到了广泛的应用，包括健康生产领域。
DEA方法通过比较决策单元（Decision Making Units, DMUs）之间的相对效率，为评价不同地区的健康生产效率提供了有效的工具。
在国内外学者的研究中，DEA方法已经被广泛应用于评估医院、地区乃至国家的健康生产效率。
在国内研究方面，随着我国医疗卫生体制改革的不断深化，越来越多的学者开始关注健康生产效率问题。
例如，等（）利用DEA方法对我国各省份的医疗卫生服务效率进行了评价，发现我国医疗卫生服务效率存在明显的地区差异。
等（）则运用DEA方法对我国不同地区的基层医疗服务效率进行了研究，结果显示基层医疗服务效率与地区经济发展水平密切相关。
cDEA与效率评估DEA与效率评估 (1)4.1引言 (1)4．1．1 DEA方法的产生背景 (2)4.1.2 DEA方法的特点 (3)4.2 不变规模报酬规模 .................................. 错误！未定义书签。
4．3 可变规模报酬模型 (5)4.4 投入角度与产出角度 (10)4.4.1 产出角度的CRS模型 (11)4.42 产出角度VRS和NIRS模型 (12)4.4.3 产出角度的CRS、VRS和NIRS DEA模型的关系 (13)4.1引言数据包络分析DEA（Data Envelopment Analysis）是著名的运筹学家A. Charnes和W.W. Cooper等人，以相对效率概念为基础发展起来的一种效率评价方法。
自1978年底一个DEA模型发表后，新的模型及相关的重要理论结果不断出现，已成为运筹学研究的一个新领域。
DEA的应用范围日益扩展，除广泛用于学校、医院、铁路、银行等公共服务部门的运行效率的评价之处，在经济学领域也深入的应用，如用来估计前沿生产函数，用于经济分析中距离函数的计算，为生产率分析中的Malmquist指数理论的实际应用奠定了基础。
4.1.1 DEA方法的产生背景人们进行任何实践活动，总是力求达到一个较高的效率，因此对效率问题的研究室人们长期以来所进行的重要课题。
对效率的计量则使进行效率评价中非常重要和难以处理的问题。
一般而言，对任何活动效率的计量，都是其投入和产出量方面的比较结果。
就但投入核弹产出的情况而言，只要计算一下它的投入产出比较即可作为其效率的衡量指标。
而当投入与产出都变为多种时，用总要素生产率（TFP）作为一种衡量指标，由于拾掇投入和多产出，人们便用“价格”作为同度量因素，并对每一投入产出指标加以适当的权重，最后计算出一种加权形式的综合投入产出比。
由于价格体系和评价者的价值倾向可能不合理，往往使评价的客观真实性受到很大影响。
dea技术效率值的平均值什么是DEA技术效率值的平均值？数据包络分析（Data Envelopment Analysis，简称DEA）是一种用于评估相对效率的方法。
DEA技术效率值是指评估对象相对于其他评估对象的相对效率。
在DEA中，每个评估对象都被视为生产一个或多个输出产品，并利用一定数量的输入投入进行生产。
DEA技术效率值的计算基于一组指标的输入和输出。
输入指标是用于生产过程的资源或投入，例如劳动力、原材料或设备；输出指标是在生产过程中产生的产品或成果，例如销售额、产量或利润。
DEA方法通过比较各评估对象的输入和输出之间的关系，确定每个对象相对于其他对象的效率。
DEA技术效率值的平均值是指在对所有评估对象进行DEA评估后，计算各对象效率值的平均数。
这个平均值表示了整个评估对象群体的平均相对效率水平。
通过计算平均值，可以了解整体群体的总体相对效率情况，并与每个个体效率值进行比较。
确定DEA技术效率值的平均值的步骤如下：1. 收集数据：首先，需要收集包括所有评估对象的输入和输出指标的数据。
这些数据可以来自企业的财务报表、生产记录或其他可靠的来源。
2. 建立评估模型：根据收集到的数据，建立DEA评估模型。
该模型将评估对象的输入和输出之间的关系表示为一组线性方程或不等式。
3. 进行DEA评估：利用建立的评估模型，对每个评估对象进行DEA评估，计算其相对效率值。
评估结果取决于输入输出比例的选择。
4. 计算平均值：将每个对象的相对效率值相加，并除以对象数量，得到DEA技术效率值的平均值。
5. 分析结果：分析平均值，并与每个对象的效率值进行比较。
较高的平均值表示群体整体的效率水平较高，反之则相反。
通过分析结果，可以识别相对效率较低的对象，并提出改进措施。
DEA技术效率值的平均值提供了一个对整体评估对象群体效率水平的衡量指标。
通过计算平均值，可以了解整体效率的趋势，并为提高效率提供参考。
然而，需要注意的是，DEA方法是基于相对效率的评估，不能提供绝对效率的度量。
DEA资产组合效率指数——DEA方法应用于业绩评估的一个新模型中国人民大学信息学院王兵郝炜内容摘要：在金融学领域中，资产组合业绩评估是一个很重要的研究领域。
最经常使用的两种业绩指数分别是：Jensen的alpha 和 Sharpe 指数。
由于这些指数存在着一定的局限性，我们应用运筹学领域中著名的数据包络分析（DEA）方法来度量资产组合的业绩，这也是本文所要提出的业绩评估的新指数——DEA资产组合效率指数（DPEI）。
关键词：CCR模型 DPEI Jensen的alpha Sharpe 指数资产组合业绩评估 DEA 交易成本1.引言评估资产组合业绩，经常使用的两种主要指标分别是：Jensen的alpha（Jensen，1968）和Sharpe 指数（Sharpe，1966）。
研究人员已经认真地检验过这些指标，证明了这些指标不能解决很多问题，尽管它们不管在理论上还是在实践中都非常有用。
在资产组合业绩评估中，主要存在这三个问题：用以比较的精确基准问题，市场时机的角色问题和交易成本的内生性问题。
在这篇文章中，我们采用一种新指数（DPEI）来度量资产组合业绩，它弥补了常用业绩评估指数的某些不足之处。
DPEI这种指数，是一种相对业绩度量方法，不需要规定比较的基准，同时也嵌入了交易成本。
我们采用的数据包络分析（DEA）技术，它在运筹学中广泛的应用于计算效率的相对有效性。
因此，我们将新指数称之为DEA资产组合效率指数（DPEI）。
2.评估资产组合业绩的常用指数前文已提过评估资产组合业绩的常用指标及其存在的三个主要问题，下面将分别说明。
2.1. Jensen的alpha在金融学文献中，基准选择问题和市场时机问题已经广泛的讨论过（Grinblatt and Titman, 1989, 1993）。
Jensen的alpha是该讨论的焦点，因为它不管是在学术界还是在业界都是最广泛用作业绩指标的。
它定义为实际资产组合回报与估计的基准回报之差。
cDEA与效率评估DEA与效率评估 (1)4.1引言 (1)4．1．1 DEA方法的产生背景 (2)4.1.2 DEA方法的特点 (3)4.2 不变规模报酬规模 ..................................... 错误!未定义书签。
4．3 可变规模报酬模型 (5)4.4 投入角度与产出角度 (10)4.4.1 产出角度的CRS模型 (11)4.42 产出角度VRS和NIRS模型 (12)4.4.3 产出角度的CRS、VRS和NIRS DEA模型的关系 (13)4.1引言数据包络分析DEA（Data Envelopment Analysis）是著名的运筹学家A. Charnes和W.W. Cooper等人，以相对效率概念为基础发展起来的一种效率评价方法。
自1978年底一个DEA模型发表后，新的模型及相关的重要理论结果不断出现，已成为运筹学研究的一个新领域。
DEA的应用范围日益扩展，除广泛用于学校、医院、铁路、银行等公共服务部门的运行效率的评价之处，在经济学领域也深入的应用，如用来估计前沿生产函数，用于经济分析中距离函数的计算，为生产率分析中的Malmquist指数理论的实际应用奠定了基础。
4.1.1 DEA方法的产生背景人们进行任何实践活动，总是力求达到一个较高的效率，因此对效率问题的研究室人们长期以来所进行的重要课题。
对效率的计量则使进行效率评价中非常重要和难以处理的问题。
一般而言，对任何活动效率的计量，都是其投入和产出量方面的比较结果。
就但投入核弹产出的情况而言，只要计算一下它的投入产出比较即可作为其效率的衡量指标。
而当投入与产出都变为多种时，用总要素生产率（TFP）作为一种衡量指标，由于拾掇投入和多产出，人们便用“价格”作为同度量因素，并对每一投入产出指标加以适当的权重，最后计算出一种加权形式的综合投入产出比。
由于价格体系和评价者的价值倾向可能不合理，往往使评价的客观真实性受到很大影响。
DEA方法的产生为我们在解决这一来问题，即在进行多投入多产出的效率评价时，提供了一种较为客观而科学的方法。
具体来说，DEA时使用数学规划模型比较决策单元之间的相对效率，对决策单元做出评价。
一个决策单元（Decision Making Unit）在某种程度上是一种约定，它可以是企事业单位、技术反感、技术政策等。
确定DMU的主导原则是：就其“耗费的资源”和“生产的产品”来说，每个DMU都可以看作是相同的实体。
亦即在某一视角下，各DMU有相同的输入和输出。
通过对输入输出数据的综合分析，DEA可以得出每个DMU综合的数量指标，据此将各DMU 定级排队，确定有效的（即相对效率最高的）DMU，并指出其他DMU非有效的原因和程度，给主管部门提供管理信息。
DEA还能判断各DMU的投入规模是否恰当，并该出了各DMU调整投入规模的正确方向和程度，应扩大还是缩小，改变多少为好。
4.1.2 DEA方法的特点DEA方法作为一种新的相对有效性评价方法，与以前的传统方法相比有着很多的优点，主要表现在以下几点：1、DEA方法是用于多投入多产出的复杂系统的有效性评价。
由于它在分析是不必计算综合投入量和综合产出量，因此避免使用传统方法时，由于各指标量纲等方面的不一致而寻求同度量因素时，所带来的诸多困难。
2、具有很强的客观性。
由于该方法是一个投入产出指标的权重为变量，从最有利于被评价单元的角度进行评价，无需事先确定各指标的权重，避免了在权重的分配时评价者的主观意愿对评价结果的影响。
3、投入产出的隐表示使得计算简化。
当一个多投入多产出的复杂系统各种量之间，存在着交错复杂的数量关系时，对这些数量关系的具体函数形式的估计就是一个十分复杂而困难的事。
而使用DEA方法，可以在不该出这种函数的现表达式的前提下，仍然能正确测定各种投入产出量的数量关系。
4、可用来估计多投入多产出系统的“生产函数”。
对一个多投入多产出的复杂系统来说，当每一种投入量多影响到一种或多种产出时，以各产出量为应变量的向量函数的估计，传统的方法几乎是不可能的，而DEA方法则利用其自身的优势，给出了这种函数的隐表达。
5、应用广泛，实用性强。
这种方法不仅可以用来对生产单位的各种有效率进行评价，而且对企事业单位、公共服务部门的工作效率也可以进行评价。
在应用的深度上，DEA方法也表现出很大的能力，即它在指出某个评价单元处于非有效状态（无论是规模非有效、技术非有效）时都指明非有效的原因，并给出具体的改善方法。
因此也特别适合实际的管理部门使用。
6.、DEA又可视为一种新的“统计”方法。
如果说原统计方法是从大量样本数据中，分析出样本集合整体的一般情况的话，那么DEA则是从大量样本数据中，分析出样本集合中处于相对最优情况的样本个体。
也就是说，传统统计方法的本质是平均的，而DEA 的本质则是最优性。
DEA的这种特点在研究经济学领域的“生产函数”问题是，由其他方法无法取代的优越性。
这是因为，回归统计方法把有效的和非有效的样本（DMU）混在一起进行分析，得到的“生产函数”实质上是“平均生产函数”，是“非有效的”，不符合经济学中的关于生产函数的定义。
DEA则利用数学规划的手段估计有效生产前沿面，从而避免了统计方法的缺陷。
DEA的出现，给多输入多输出情况下的“生产函数”研究开辟了新的前景。
在应用研究中人们发现，尽管是用同样的数据，回归生产函数无法像DEA那样正确测定规模收益。
其关键原因在于，两种方法对数据的使用方式不同，DEA致力于单个决策单元的优化，而不是各决策单元构成集合的整体统计回归优化。
c4.3 可变规模报酬模型在用不变规模报酬模型进行效率测平时，必须假定各决策单元是位于最佳生产规模。
否则所测的效率值中，就包含规模效应的影响。
为测算生产单元的纯技术效率水平，A. Charnes, W. W. Cooper等，在1985年提出了可变规模报酬（VRS ）模型。
在可变规模报酬的假设下，生产可能集T v 为：T v ={（X ，Y ）：X ≥i N i i X ∑=1λ，Y ≤i N i i Y ∑=1λ，∑==n i i 11λ,i λ≥0,1≤i ≤n}。
不难验证,T v 满足不变规模报酬下的生产可能集的凸性、弱可分性和最小性，但T v 不再是T c 那样的锥集合，而是一个凸多面体。
不变规模报酬的线性规划模型，在增加一个约束后，即便为可变规模报酬模型。
建立在T v 上的纯技术效率评价的模型（加入松弛变量SA 和SB 及摄动量ε后）为：（vD ε） ()[],0.,,2,1,01..1010121≥≥=≥==-=++-∑∑∑===SB SA n i Y SB Y X SA X t s SB e SA e Min i n i i n i i i c n i i iT T v λλλθλεθ 则有：当该问题的解为**,*,*,SB SA v λθ时，有如下结论：(1) 若1*=v θ，且SA=SB=0，则DMU 0有效。
(2) 若1*=v θ，则DMU 0弱有效，(3) 若1*<v θ ，则DMU 0非有效。
类似于不变规模报酬的情况，用规划（v D ε）对决策单元D 0（X 0，Y 0）的效率评价，是使在保持产出不减少的条件下，在生产可能集T v 内，尽力减少投入。
当D 0为技术有效时，说明它一处在T v 的前沿，即生产边界上。
当D 0为非有效的决策单元时，可以通过其在生产前沿上的投影（X*，Y*），找出改进措施。
∑∑===+==-=n i ii ni i i v Y SB Y Y X SA X X 101*0*****λλθ使决策单元DMU 0变成有效，对投入和产出的调整量（ΔX 0，ΔY 0）为：0000**Y Y Y X X X -=∆-=∆在对DMU 0进行如此调整后，得到的投入产出量（X*，Y*）是纯技术有效的。
这是即实际上为改进非有效生产单元提供了具体措施。
对所有非有效单元的调整量（ΔX ，ΔY ）进行进一步分析，可以为政府宏观管理部门提供更多的制定技术政策的依据。
如前所述，用不变规模报酬模型测算所得到的效率值，包含了规模效率和技术效率两方面的内容。
而可变规模报酬模型所考察的，是生产单元的纯技术效率水平。
能否计算生产单元的纯规模效率呢？回答是肯定的。
实际上只要将在不同规模报酬假设下测得的结果θc 和θv 进行比较，就可推算规模效率的大小。
图4.2三种不同规模报酬假设下的生产前沿。
不同规模报酬假设下的效率，综合效率c θ、纯技术效率v θ和规模效率s θ分别为：BM NM AM BM BM AM AM NM AM AN s v c ==⨯==θθθ综合效率c θ等于纯技术效率v θ和规模效率s θ的乘积。
v c s s v c θθθθθθ/,=⨯=通过分别运行CRS 、VRS 的DEA 模型得到θc 和θv ，用他们便可以推算规模效率的水平。
当θc =θv 时，生产单元的规模效率为1，即生产处于最佳规模；否则生产单元的规模效率有所损失。
造成规模效率损失的也有两种原因，分别是规模过大和规模过小造成。
如上推算的θs <１时，并不能区分这两种情况。
即无法判定生产是处于规模报酬递增、还是规模报酬递减阶段。
为此需引入非增规模报酬NIRS （Non-increase Returns to Scale ）模型，在这样的规模报酬假设下，生产可能集T n （如图4.２所示）为：T n ={（X ，Y ）：X ≥i N i i X ∑=1λ，Y ≤i N i i Y ∑=1λ，∑=≤n i i 11λ,i λ≥0,1≤i ≤n}。
在此集合上的效率评价DEA 模型为：（nD ε） ()[],0.,,2,1,01..1010121≥≥=≥≤=-=++-∑∑∑===SB SA n i Y SB Y X SA X t s SB e SA e Min i n i i n i i i c n i i iT T n λλλθλεθ 当生产单元处于骨膜无效（θs <１）时，通过比较θs 和θｎ就可判别生产所处的规模报酬阶段。
（1） θs =θｎ时，生产处于规模报酬递减阶段。
（2） θs ≠θｎ时，生产处于规模报酬递增阶段。
以上两种情况分别如图4.2中的D 点和A 点所时。
A 点处在规模报酬递增阶段，D 点处在规模报酬递减阶段。
4.4 投入角度与产出角度在前面对生产单元进行效率评价时,我们都市假定在产出不变的情况下,在生产可能集内，致力于等比例地缩小投入向量，测得生产单元在三种不同规模报酬假设条件下的径向效率θc 、θs 和θｎ。
并从它们间的关系，判别生产单元所出的规模报酬阶段。
这些都是从投入角度进行的效率度量，所测得的称作投角度的径向效率。
