基于惩罚系数的DEA_DA效率评价方法及其在火电行业中的应用_张臻
dea效率评价模型
dea效率评价模型DEA效率评价模型（Data Envelopment Analysis）是一种多元线性规划方法，用于评估决策单位或机构的效率水平。
DEA模型是一种非参数的评估方法，在能够消除主观因素的干扰下，能够准确地衡量每个决策单位在管理资源方面的效率水平，是当前较为常用的效率评价方法之一。
一、DEA模型的构建在DEA模型中，将测量单位分为两种类型：输入型单位和输出型单位。
输入型单位是指需要大量资源供给才能产生相应的输出；输出型单位则是根据所提供的有限资源量，最大限度地产生最大量的输出。
在DEA 模型中，每个决策单位用各种输入、输出变量进行度量，且每个决策单位的输入和输出变量都是在相应的单位下表示的，这些变量需要经过标准化处理，才能在模型中使用。
二、DEA模型的求解DEA模型是通过线性规划技术来求解的。
传统的线性规划模型中，一个单位的效率是通过确定一个确定的条件约束来确定。
而在DEA模型中，假设存在一组投入样本和输出样本，每个样本都是由相应的输入，输出变量构成。
设这一组样本为（x0，y0），如果对于另一个单位（x1，y1）只有满足以下两个条件才能说该单位与（x0，y0）具有相同的效率。
1. 对所有的j，有x 0 j/x 1 j≥y 0 /y 1 。
这个条件是保证单位（x1，y1）的输入变量必须大于或等于（x0，y0）的输入变量，或者（x1，y1）的输出变量必须小于或等于（x0，y0）的输出变量。
2. 存在至少一个j，满足x 0 j/x 1 j=y 0 /y 1。
这个条件是说明单位（x1，y1）的某个输入变量必须小于或等于（x0，y0）相应的输入变量，或者（x1，y1）的某个输出变量必须大于或等于（x0，y0）相应的输出变量。
三、DEA模型的应用对于那些DEA分析中被标记了最优前沿面的决策单元，我们称之为DEA 有效单元。
相反，那些没有被标记在最优前沿面上的决策单元则被认为不具有效率。
对于不具有效率的决策单元，我们可以通过将其与最优前沿面上的有效单元进行比较，找出其存在哪些方面需要改进，从而提高其效率水平。
DEA——一种效率评估方法 PPT课件
18
2020/3/31
相对于最优生产效率 水平的目前投入要素
DEA有效性的定义： 的浪费情况
按照最优生产效率水 平所能获得的最大产
出情况
我们能够用CCR模型判定是否同时技术有效和规模有效：
• （1）θ*＝1，且s*＋＝0，s*-＝0。则决策单元j0为DEA 有效，决策单元的经济活动同时为技术有效和规模有效
对应的对偶变矢。
2020/3/31
• 为了讨论和计算应用方便，进一步引入松弛变量s＋和
剩余变量s－，将上面的不等式约束变为等式约束，可
变成：
min
n
s.t.
j x j s x0
j 1
（D）
n
j y j s y0 j 1
j 0, j 1,2, n
无约束，s 0, s 0
方法原理主要是通过保持决策单元（DMU, Decision Making Units）的输入或者输出不变， 借助于数学规划和统计数据确定相对有效的生产 前沿面，将各个决策单元投影到DEA的生产前沿 面上，并通过比较决策单元偏离DEA前沿面的程 度来评价它们的相对有效性。
3
2020/3/31
二、基本概念
DMU为规模收益不变 （2）如果不存在λj*（j＝1，2，…，n）使得∑λj*＝1，若
∑λj*＜1，则DMU为规模收益递增 （3）如果不存在λj*（j＝1，2，…，n）使得∑λj*＝1，若
∑λj*＞1，则DMU为规模收益递减
20
2020/3/31
试用CCR模型评价U4学校是否为DEA有效
1、建立表格 为了便于建立评价U4的CCR模型[P4]，[D4], 现将表1改写成表3的形式。 表3：
同样建立其他三个直辖市的模型，求得的解如下：
基于DEA方法的指标选取和环境效率评价
基于DEA方法的指标选取和环境效率评价指标选取和环境效率评价是基于数据包络分析（DEA）方法的重要研究内容。
DEA方法是一种非参数的效率评价方法，它可以用于评估多输入多输出的决策单元（DMUs）的效率水平，并以此为基础提出改进措施。
在使用DEA方法进行环境效率评价时，首先需要选择合适的指标来表示DMUs的输入和输出。
指标的选取应具备以下特点：1.反映企业环境效益的指标：选取的指标应能够真实地反映企业的环境效益，例如污染物排放、资源利用效率等指标。
这些指标应当直接与环境保护相关，能够客观评价企业的环境管理水平。
2.可测量性和可比较性：选取的指标应具备可测量性和可比较性，即能够通过实际数据进行获得，并且不同企业的指标值具有可比性，便于进行效率评价和比较。
3.输入和输出的合理性：选取的指标应能够合理反映企业的输入和输出情况，既不能过多也不能过少。
输入指标通常包括物质、能源和人力资源等，输出指标则包括生产产量、环境效益等。
4.综合性和代表性：选取的指标应具备综合性和代表性，能够全面地反映企业的环境效益情况。
综合性指标能够综合考虑各个方面的环境效益，代表性指标能够代表整体的环境效益水平。
在进行环境效率评价时，DEA方法可以通过计算各个DMUs的效率得分，评价其相对于其他DMUs的环境效率水平。
通过比较各个DMUs的效率得分，可以找出效率较高的企业，并给出改进措施。
具体而言，DEA方法可以通过线性规划的方法对数据进行分析，从而计算得到各个DMUs的效率得分。
通过比较各个DMUs的效率得分，可以确定效率较高的企业，并给出改进措施，以提高其环境效率。
总之，指标选取和环境效率评价是基于DEA方法的重要研究内容。
通过选择合适的指标，并利用DEA方法进行评价分析，可以帮助企业全面了解其环境效益水平，并提出改进措施，以达到更高的环境效率。
dea方法
DEA方法摘要： DEA (Data Envelopment Analysis) 方法是一种非参数效率评估方法，用于评估单位的技术效率。
本文介绍了DEA方法的基本概念和原理，并介绍了常见的DEA模型以及其应用领域。
同时，还讨论了DEA方法的优点和局限性，并提供了一些改进和扩展的方向。
1. 简介DEA方法是由Charnes、Cooper和Rhodes在1978年提出的，广泛应用于评估和比较多个单位（如企业、学校等）的效率。
与传统的效率评估方法不同，DEA方法不需要制定权重或标准化输入输出数据，而是通过将输入与输出两个维度转化为线性规划问题来评估单位的效率。
2. DEA方法原理DEA方法基于离散数学的概念，将单位的效率评估问题转化为一个线性规划问题。
具体来说，DEA方法通过比较每个单位的输入和输出向量，找到一个最优的权重向量，使得每个单位在这个权重下达到最大的效率。
DEA方法的核心公式为：$$ \\text{Maximize } \\rho = \\sum_{i=1}^{N} u_i^{-}\\quad \\text{subject to} \\quad X_i \\cdot \\mathbf{w}\\leq \\rho \\cdot X_j \\cdot \\mathbf{w} \\quad \\forall j $$其中，N表示单位的个数，N N表示单位N的输入向量，N N−表示单位N的效率评分，$\\mathbf{w}$表示权重向量。
DEA方法中的约束条件保证了每个单位在同样的权重下进行对比，从而获得了一个相对有效率的评估结果。
3. DEA模型DEA方法有很多不同的模型，以下是一些常见的DEA模型：3.1. CCR模型CCR模型（Charnes-Cooper-Rhodes model）是最早的DEA 模型，采用线性规划方法对各个单位的效率进行评估。
CCR模型假设输入与输出之间不存在任何关系，并试图找到一组投入输出权重，从而使得每个单位的效率得到最大化。
基于DEA的企业绩效评价方法
基于DEA的企业绩效评价方法基于DEA的企业绩效评价方法一、引言企业的绩效评价是衡量企业经营状况、效率和效果的重要指标之一。
在市场竞争日益激烈和全球化背景下，如何准确、全面地评价企业绩效成为了企业管理者亟需解决的问题。
优秀的绩效评价方法可以帮助企业发现存在的问题、优化资源配置，提高绩效水平。
本文将介绍一种基于数据包络分析（Data Envelopment Analysis，DEA）的企业绩效评价方法。
二、数据包络分析简介数据包络分析是一种用于评价单位（企业、组织等）绩效的方法。
它以线性规划作为基本工具，通过对比多个单位的输入和产出指标，评估单位的绩效水平。
DEA能够充分利用数据的信息，避免了传统评价方法中主观赋权、不合理的局限性。
三、DEA的建模步骤DEA的建模步骤主要包括：确定输入和输出指标、构建评价模型、计算相对效率和确定最优单位。
1. 确定输入和输出指标企业的绩效评价需要围绕具体的目标展开，一般包括效益和效率两个维度。
效益维度包括利润、销售额等，效率维度包括资源利用率、生产效率等。
根据企业的特点和目标，确定合适的输入和输出指标。
2. 构建评价模型根据输入和输出指标，建立评价模型。
DEA方法对线性规划模型进行了改进，使其能够同时评价多个单位的相对效率。
通过线性规划求解，可以得到每个单位的相对效率值。
3. 计算相对效率在得到评价模型后，通过求解线性规划问题，计算出每个单位的相对效率值。
相对效率值越高，说明单位在资源利用和产出方面相对较优。
4. 确定最优单位通过对比各单位的相对效率值，确定最优单位。
最优单位是指在给定的输入和输出条件下，综合效益和效率最高的单位。
四、DEA的优势和应用DEA方法具有以下优势：1. 利用数据的充分性：DEA方法可以利用所有的数据信息，不需要对指标进行主观赋权，避免了传统评价方法中的一些局限。
2. 考虑多个输入输出指标：DEA方法能够综合考虑多个输入和输出指标，更准确地评价单位的绩效水平。
基于超效率DEA模型的能源效率评价方法及其应用
基于超效率DEA模型的能源效率评价方法及其应用概述：能源效率评价是指对能源利用情况进行定量评估的过程。
随着能源资源的日益减少和环境污染的加剧，提高能源效率成为各国政府的重要任务。
超效率数据包络分析（DEA）模型是一种常用的能源效率评价方法，它可以根据输入产出数据计算出单位能源投入所创造的经济产出，从而评估能源利用的效率。
本文将介绍基于超效率DEA模型的能源效率评价方法及其应用。
方法：超效率DEA模型是一种非参数评价方法，它能够充分利用每个单元的最佳实践经验，评估单位的能源效率水平。
具体而言，该模型根据输入输出数据构建出一个包络表面，可以用来衡量各个单位的相对效率水平。
在计算超效率DEA模型时，首先需要确定输入和输出变量，并计算各个单位的相对权重。
然后通过最大化包络表面上的超效率得分，可以得到各个单位的相对效率评价。
应用：1.制造业能源效率评价：超效率DEA模型可以用来评估制造业企业的能源利用情况。
通过对各个企业的输入输出数据进行分析，可以找出效率最高的企业，并运用其最佳实践经验指导其他企业提高能源效率。
2.建筑行业能源效率评价：通过基于超效率DEA模型的能源效率评价方法，可以对建筑物的工程设计和施工过程进行优化，提高能源利用效率，降低能源消耗。
3.交通运输行业能源效率评价：超效率DEA模型可以用来评估不同交通工具和运输方式的能源利用效率。
通过评估各个交通工具和运输方式的优劣，可以制定相应的政策和措施，促进能源节约和环境保护。
4.农业能源效率评价：超效率DEA模型可以应用于评估农业生产中的能源利用情况。
通过评估不同农业系统和技术的能源效率，可以优化农业生产方式，实现可持续发展。
结论：基于超效率DEA模型的能源效率评价方法是一种有效的评估能源利用情况的手段。
通过该方法，可以找出效率最高的单位，促进能源利用的优化和提高。
在实际应用中，可以根据不同行业和领域的需求，针对具体问题进行相应的优化和改进。
在未来，基于超效率DEA模型的能源效率评价方法将继续得到广泛应用，并为实现可持续能源发展做出贡献。
基于超效率DEA的城市群生态效率评价理论
基于超效率DEA的城市群生态效率评价理论作者：张宁齐林来源：《现代企业》2018年第12期近年来，城市发展的集聚现象日益明显，城市群的产生与发展正是城市发展的重要体现。
城市群是我国经济快速发展全过程中的重要一环，与此同时，城市群的污染问题目前成为困扰人们的重要不利因素，特别是城市群核心城市的环境污染问题，在重度污染预警期间，相关职能部门会采取让有关污染单位停工整顿以及部分车辆限行等一系列措施来减轻对环境造成的压力，这在一定程度上直接制约着城市群的经济发展也影响着人民的生活幸福指数。
因此，城市生态效率概念的提出为解决上述问题提供了新的思路。
一、文献综述张妍，杨志峰运用数学模型核算了1998年至2004年间深圳市经济增长速度与资源消耗程度，结果表明，尽管深圳市的生态效率整体水平在提高，然而伴随着较高程度的物质资源消耗，对于资源的合理利用仍是待解决的问题；陈傲通过因子分析赋权法研究了2000年至2006年间我国29个省域生态效率的差异，研究结果表明，中国区域生态效率整体普遍符合东部高于西部的结论，环境资本投资与产业结构调整有助于提高生态效率；张炳等构建了将污染物排放作为非期望投入的指标体系并将其引入DEA模型中，对1990年至2005年间江苏省的生态效率进行测量与评估，得出江苏省环境影响与经济社会发展总体呈现“弱脱钩”的结论；王宏志利用超效率DEA模型分析了2007年中国各地区生态效率，结果表明我国生态效率平均水平偏低并且地区差距较大；李惠娟等对我国资源型城市2007年的生态效率进行分析，发现影响生态效率的因素有资源类型、居民生活习惯、居民消费方式等；张宏武利用脱钩理论研究了生态视角下的天津市生态效率发展现状，并对处于相对脱钩状态的指标改进方案提出建议；潘兴侠等以参数前沿分析方法分析了我国中部六省2002年至2011年的截面数据，在时间空间上对我国华中华北等六省生态效率进行差异分析；陈浩等利用超效率DEA模型测算2003年至2011年间我国32个资源型城市等生态效率，并利用Malmpuist指数进行对比研究，对研究结果进行了评价建议。
dea分析
dea分析DEA分析：解析与应用导言DEA（Data Envelopment Analysis），即数据包络分析，是一种用于评估效率的数学方法。
它的应用范围广泛，包括经济、管理、运营、环境等领域。
本文将就DEA分析的原理、方法和应用进行深入探讨。
一、DEA分析原理1. 效率评估DEA分析的核心目标是评估单位（企业、组织或个人）的效率。
它通过比较各单位的输入与输出来确定单位效率。
评估结果以效率得分表示，分数越高，单位的效率越高。
2. 投入和产出DEA分析中的“投入”和“产出”是两个关键概念。
在经济领域中，投入通常指的是资源、资金和劳动力等，而产出则是指生产的产品或服务。
通过衡量单位的投入和产出，DEA分析可以确定单位的效率水平。
3. 前沿与包络DEA分析涉及两个重要概念，即前沿和包络。
前沿是一种“最大容许生产集合”，表示所有可能的有效组合。
而包络则是将实际的的投入和产出置于前沿之内，用于衡量单位的效率。
二、DEA分析方法1. CRS模型DEA分析最常用的模型是CRS（Constant Returns to Scale）模型。
在CRS模型中，投入和产出之间的比率被最大化，并且假设单位的规模不受限制。
这一模型适用于规模不同的单位之间的效率评估。
2. VRS模型相比之下，VRS（Variable Returns to Scale）模型则允许单位的规模发生变化。
这意味着，DEA分析可以用于评估单位的技术效率和规模效率。
VRS模型在实际应用中更为常见，因为它更符合现实情况。
3. 输入和输出权重DEA分析依赖于输入和输出的权重分配。
权重表示不同投入和产出在效率评估中的重要程度。
权重的确定可以基于不同的方法，例如主观权重法和客观权重法。
主观权重法通常由专家决定，而客观权重法则是基于统计数据的权重分配。
4. 效率度量DEA分析通过计算效率度量指标来评估单位的效率。
最常用的度量指标是DEA得分、纯技术效率和规模效率。
基于DEA模型的城市土地利用效率测度与评价
基于DEA模型的城市土地利用效率测度与评价近年来，城市化进程不断加速，城市土地利用效率成为社会关注的焦点之一、土地利用效率的高低直接影响着城市发展的可持续性和生态环境的质量。
在土地资源有限的情况下，如何提高土地利用效率，实现城市发展与生态环境保护的统一，是亟待解决的问题。
本文将介绍基于数据包络分析（DEA）模型的城市土地利用效率测度与评价方法。
DEA是一种前沿效率分析方法，用于评估多输入多输出的其他线性生产活动的效率。
在城市土地利用方面，DEA模型可以被应用于衡量城市土地利用效率，以确定哪些城市的土地利用过度或不足。
首先，我们需要确定评价指标。
常用的城市土地利用指标包括建设用地面积、耕地面积、森林覆盖率、绿地面积、人均公园绿地面积等。
这些指标代表了城市土地利用的效率和合理性。
根据不同的城市发展阶段和特点，可以选择适合的评价指标。
接下来，我们需要准备评价数据。
这些数据可以来自于城市规划部门、环境保护部门、土地管理部门等，可以包括城市土地利用统计数据、卫星遥感数据、人口统计数据等。
这些数据需要具有可比性和准确性，以确保评价结果的可靠性和有效性。
然后，我们可以利用DEA模型进行城市土地利用效率的测度与评价。
DEA模型通过比较各个城市之间的生产活动效率，确定效率较高的城市，并为效率低下的城市提供改进方向。
DEA模型的基本原理是找出一组最优的权重系数，使得所有城市的输入输出之间的综合效率最大化。
通过计算各个城市的综合效率得分，可以评估城市土地利用的效率水平。
最后，根据评价结果，可以提出相应的政策建议和措施。
对于效率低下的城市，可以考虑优化土地利用结构、提高土地利用效率，减少土地资源的浪费。
对于效率较高的城市，可以总结其经验和做法，为其他城市提供借鉴。
综上所述，基于DEA模型的城市土地利用效率测度与评价方法可以帮助我们了解城市土地利用的效率水平，并为城市发展和生态环境保护提供科学依据。
将来，我们可以进一步完善DEA模型，考虑更多指标和因素，提高评价的准确性和可操作性，为城市土地利用提供更有针对性的改进措施。
基于DEA方法煤炭企业经营绩效评价
基于DEA方法煤炭企业经营绩效评价
王倩;杨桐
【期刊名称】《经济与管理》
【年(卷),期】2013(027)002
【摘要】采用数据包络分析(DEA)的方法对我国上市煤炭企业的经营效率进行数据分析,并对其经营绩效作比较分析,为效率低下的企业找出原因.煤炭企业应当结合实际调整投入产出,改善纯技术效率和规模效率,以图提高本企业的经营效率水平.【总页数】4页(P93-96)
【作者】王倩;杨桐
【作者单位】河北经贸大学数学与统计学院,河北石家庄050061;北京大学元培学院,北京100000
【正文语种】中文
【中图分类】F223
【相关文献】
1.基于DEA方法的跨境电商企业经营绩效评价 [J], 张倩
2.基于DEA方法的新疆上市公司经营绩效评价 [J], 罗莹
3.基于DEA方法的电力企业经营绩效评价 [J], 窦鑫丰;罗佳敏
4.基于DEA聚类分析方法的企业经营绩效评价 [J], 董海茵
5.基于DEA方法的跨境电商企业经营绩效评价 [J], 张倩;
因版权原因，仅展示原文概要，查看原文内容请购买。
基于DEA的企业绩效评价
基于DEA的企业绩效评价企业绩效评价是企业管理中非常重要的一项工作，能够帮助企业了解自身的经营状况，找出问题并加以解决，提升企业的竞争力。
而基于数据包络分析（DEA）的企业绩效评价方法在评估企业绩效方面具有独特的优势。
DEA是20世纪70年代提出的一种非参数线性规划方法，它通过将多个输入和输出指标相结合，对企业进行综合评估。
与传统的评价方法相比，DEA考虑了多个指标间的关系，能够综合评估企业的全面绩效，从而避免了传统评价方法只关注其中一方面绩效的问题。
DEA的基本思想是将企业看作是一个将输入转化为输出的过程，通过比较企业的输入与输出数据，计算企业的技术效率，进而评价企业的绩效水平。
DEA在评价企业绩效时具有以下优势：1.多指标综合评价：DEA能够同时考虑多个指标，综合评价企业的绩效。
这些指标可以包括生产效率、经济效益、质量水平等多个方面，不仅能够更全面地评价企业的绩效，还能够减轻评价者主观判断的偏差。
2.无需先验信息：DEA不需要先验信息，即不需要指定权重矩阵或者关联函数，可以根据实际数据进行评价。
这种特点使得DEA成为一种相对公正和客观的评价方法，能够更加准确地反映企业的实际绩效水平。
3.实用性：DEA的计算方法相对简单，只需进行线性规划运算即可，不需要过多技术要求。
这使得DEA在实际应用中具有较高的实用性，可以方便地应用于各类企业的绩效评价。
尽管DEA方法在企业绩效评价中具有很多优点，但也存在一些限制。
首先，DEA评价结果对输入和输出指标的选择敏感，选择不当可能导致评价结果偏差。
其次，DEA方法只能提供比较企业之间的相对绩效，并不能提供绝对的绩效水平，因此在评价过程中需要结合具体的行业背景和企业特点进行判断。
总体而言，基于DEA的企业绩效评价方法在评价绩效时具有很多优势，能够帮助企业全面了解自身的经营状况，为企业管理提供决策依据。
然而，在实际应用中需要注意选择合适的指标和合理的权重，结合实际情况进行评价，以准确地反映企业的绩效水平。
基于DEA方法的火力发电企业机组效率评价研究
基于DEA方法的火力发电企业机组效率评价研究在能源日趋贫乏的当今社会，提高火电厂的机组效率是急需解决的问题。
对发电厂的机组效率进行评价，不仅有助于形成一种有利于宏观调控的激励机制，而且能形成一种促使竞争拉动发展的动力。
运用数据包络分析法对火力发电厂的机组效率进行了评价和研究，根据提炼出的决策单元和评价指标通过dea方法的c2r-i模型得出最后的评价结果，并且进行规模效益分析和投影分析。
dea指标构建效率评价c2r-i1 dea模型概述数据包络分析方法的中心思想是把各个待评价的样本看做一个决策单元，然后再把全部的dmu组成一个评估总体，每一个dmu都有预先设定的相同类型的“产出”与“投入”指标，随后，通过对产出与投入指标的综合分析，来确定最优效率的前沿面，最终，依照各个dmu同最高效率的前沿面的情况，来判断是否dea有效。
假设所要研究的样本含有n个dmu，每一个dmu都含有s个类型的输出与m个类型的输入，它的表现形式是：x=v1v2…vi…vm=x11x12…x1j…x1nx21x22…x2j…x2n………………xi1xi2…xij…xin………………xm1xm2…xmj…xmny=u1u2…ur…us=y11y12...y1j (i)y21y22...y2j (2)………………yr1yr2…yrj…yrn………………ys1ys2…ysj…ysn。
在这其中，xj=（x1j，x2j，...，xmj）t和yj=（y1j，y2j，...，ymj）t分别表示输入向量与输出向量，并且xij≥0（i=1，2，...，m），yij≥0（i=1，2，...，r），j=（1，2，...，n），v代表的是第i个输入指标的权数，u代表的是第r个输出指标的权数，体系中所有的权数都由各个dmu组成的评估总体的带定价对象决定，则第j个被评价的dmuj的评估效率指数是：hj=∑sr=1uryrj∑mi=1vixij j=1，2，3，...，n。
基于超效率DEA 模型的配电网效率评价
156摘要：电力体制改革背景下，制定优化的投资规划至关重要。
本文从经济、技术、社会以及环境效益4个方面构建配电网建设产出评价指标体系，采用超效率DEA 模型对8个供电企业的各部分产出效益进行计算，基于改进的层次分析法、熵权法和最小鉴别信息原理，求得综合效益。
最后，以综合效益值高低为依据，对各供电企业投资效率进行排序，为改进配电网投资提供决策依据。
关键词：配电网；超效率DEA 模型；效率评价；综合决策国家相关部门为了加快我国配电网建设改造的步伐，先后印发了一些相关指导意见[1-4]，组织动员和部署实施配电网建设改造行动。
配电网建设力度逐步加大的同时，相应投入的资金也会越来越多。
在电力体制改革背景下，科学评价配电网投入产出效率，对指导配电网建设、优化投资、提高企业发展效益具有重要意义。
比较常见的效率分析法有参数法、随机前沿分析(SFA)、数据包络分析(DEA)法等[5]。
数据包络分析方法结构简单、所需指标少、无需考虑输入和输出要素的权重因素、具有很强的客观性，因此这种方法已逐渐成为测度生产效率的主流方法[6]。
目前，国内外学者运用DEA 模型针对电力行业开展了大量综合效率评价的研究[6-11]。
但当前的研究对配电网的效率评价考虑的不全面，多集中在经济性、可靠性、供电质量等，与经济、社会发展的协调程度、对环境的影响等方面考虑 较少。
本文建立了配电网建设产出评价指标体系，一级指标包括经济、技术、社会以及环境效益4个方面；给出一种基于层次分析法(AHP)和熵权法的组合权重计算方法。
以2016年某市的8个区县供电公司投入产出数据为依据，采用超效率DEA 模型对供电公司的各产出效益进行计算，计算各产出效益的组合权重和综合效益，并实现了各供电公司投资效率的排名，提出了未来配电网效率提高的具体 方向。
一、数据包络分析法数据包络分析是运筹学、管理科学和数理经济学交叉研究的一个新领域，它是一种以相对效率评价概念为基础、以凸分析和线性规划为工具的评价方法，可对同一类型的多输入、多输出复杂的DMU 的相对有效性进行评定和 排序。
基于DEA的全国电网供热效率综合评判模型的研究
基于DEA的全国电网供热效率综合评判模型的研究
曲如;楚帅
【期刊名称】《东北电力大学学报》
【年(卷),期】2015(000)005
【摘要】针对城市电网规划综合评判因素的复杂性问题及数据包络分析模型评价
效率值的不足，在传统交叉效率模型的基础上引入改进后的交叉效率模型，构建了基于DEA的交叉效率评判模型，并建立了一套完整的电网规划综合评判体系，应
用该模型的评价流程对一个实际电网规划算例进行了分析计算，得到的结果与实际情况相一致，其评价结果科学，可行，为发电所需能耗的节省提供了科学理论依据。
【总页数】5页(P76-80)
【作者】曲如;楚帅
【作者单位】东北电力大学理学院，吉林吉林132012;东北电力大学理学院，吉林吉林132012
【正文语种】中文
【中图分类】O221
【相关文献】
1.基于熵权法-DEA模型的电网建设项目投资效率研究 [J], 俞越中;方向;张旺;沈小伟
2.基于超效率DEA模型的配电网智能化发展综合效率评价 [J], 韩柳;李金超;胡殿刚;彭竹弈;靳攀润;庄博
3.基于DEA模型的蒙东地区配电网供电效率评估研究 [J], 张茜如;吴军;吴国斌
4.基于协整理论及DEA分析的配电网投入产出综合效率评价研究 [J], 郭泉辉; 肖园; 魏力; 刘斯维; 叶子; 刘娟
5.基于协整理论及DEA分析的配电网投入产出综合效率评价研究 [J], 郭泉辉; 肖园; 魏力; 刘斯维; 叶子; 刘娟
因版权原因，仅展示原文概要，查看原文内容请购买。
DEA方法在火力发电厂及其机组效率评价中的应用
现 代 电 力 MODERN ELECTRIC POWER
Vol 21, No. 4 Aug 2004
DEA 方法在火力发电厂及其机组 效率评价中的应用
李从东
1
李亚斌
1
戴庆辉
2
( 1. 天津大学管理学院 , 天津 300072; 2. 华北电力大学机械工程学院 , 保定 071003)
s. t.
j= 1 n
xj yj
j= 1 n
j
x0
j
出, 这对于提高电厂的竞争力有重大意义 , 也是利 用 DEA 方法对其分析的一个重要目的。这个问题 可以通过电厂及其机 组的有效生产前沿面和 DEA 投影分析来解决。首先利用有效的决策单元通过线 0, j = 1, 2 性规划的方法求出电 厂及其机组的有效生产 前沿 ,n 面。方法如下 : 有效生产前沿面 : 设 DMUj 0 为 DEA 有效 , 则 任意生产可能集的 ( x , y ) , 生产前沿面为 [ 3]
*
X*T
*T
Y= 0, Yj 0, , j = 1 , 2 0, 0 n
max st
*T *T
Y0
*T
Xj -
, 可以有效的帮助我们来判断
X0= 1 ,
DMU 的规模有效性 , 方法如下:
在求出有效生产 前沿面以后 , 可以应用 DEA 投影分析的方法, 来改善非 DEA 有效的电厂投入 的资源, 以获得相对最大的产出。 13 与实时监控系统结合, 产生经济效益 根据电厂的输出, 将求出的电厂输入的相对最 优值作为电厂机组运行的目标值。管理人员可以通 过电厂机组的实时监控系统 , 根据输出及时调整机 组的各运 行指标, 保证机组 处于比较高的工 作效 率。这对于电厂提高燃料利用率 , 降低发电成本, 提高竞争力是非常重要的。 14 指导设备的选型 通过对有效和无效的各 DMU 投入的资源进行 对比分析 , 其差别原因除消耗的能源量不同外 , 另 外一个重 要的因素是发电机组 不同。对于电 厂而 言, 投资建厂时机组的成本相当巨大。虽然电厂投 入使用后 , 除个别机组进行改进外, 一般不会进行 大规模改建。但是 , 现在电力供需紧张, 为电厂提 供了一个机遇。电厂之间的竞争不仅在于能源 , 也 在于规模。通过对各电厂机组进行 DEA 相对有效 性分析, 有利于电厂管理者为配置机组做出决策。
dea评价方法
dea评价方法
DEA评价方法是一种广泛应用于评估企业或组织绩效的方法，DEA 是Data Envelopment Analysis的缩写，即数据包络分析。
该方法可以帮助企业或组织确定哪些部门或业务表现出色、哪些需要改进。
DEA评价方法将企业或组织的输入和输出指标进行测量，并将它们转化为一个具有线性规划特性的数学模型。
该模型可以在不考虑具体目标函数的情况下，找到最佳的绩效水平。
DEA方法能够克服传统方法中的一些缺陷，如未能充分利用各项指标数据，无法考虑到各个指标之间的权重关系等。
DEA评价方法适用于各种不同类型的企业或组织，包括生产型企业、服务型企业、医疗机构、学校、政府部门等。
该方法能够帮助企业或组织提高资源利用效率、降低成本、提高产品或服务质量、优化组织结构等方面的绩效。
因此，DEA评价方法已成为评估企业或组织绩效的重要工具之一。
- 1 -。
基于DEA方法的电力企业经营绩效评价
基于DEA方法的电力企业经营绩效评价摘要：近年来，我国电力企业经历了一系列改革，行业竞争也更趋激烈。
新时代大背景下，现代化进程的加快推进对电力企业的发展提出了更高的要求。
电力企业由于行业特点，长期占据经营垄断地位，如何提高资源利用效率、巩固经营成果就显得尤为重要。
数据包络分析作为一种科学的绩效评价方法，被广泛地运用于经济体效率评价，其适用性和优势已经得到越来越多学者的验证。
应用DEA方法对我国电力企业经营绩效进行合理评价，能利用数据结果分析企业在经营效率方面存在的问题，继而提出建设性的建议，这对推动我国电力行业的改革与发展具有重要意义。
关键词：DEA方法；电力企业；经营绩效评价1数据包络分析基本原理1978年，美国著名运筹学家A．Charnes和W．W．Cooper等人创建了数据包络分析法（DataEnvel-opmentAnalysis，DEA）。
DEA的原理是通过保持决策单元（DecisionMakingUnits，DMU）的输入或者输出不变，借助线形规划将决策单元投影到经济系统生产前沿面（生产前沿面是在既定技术水平下有效的投入产出向量的集合，即投入一定下的产出最大值或产出一定下的投入最小值的集合），通过比较决策单元偏离生产前沿面的程度，以此来评价它们在固定规模下的相对效率。
DEA适用于多投入多产出的多目标决策单元的效率评价，不仅能简便计算、减少出现问题的可能，同时还很好地解决了不同个体带来的差异问题。
最初的DEA模型是C2Ｒ模型，该模型是研究具有多个输入、输出部门同时具有规模有效与技术有效的理想方法。
C2Ｒ模型是基于决策单元规模收益不变的前提提出的，由于规模收益概念在生产分析中的重要性，DEA理论又引入了BC2模型，该模型可以评价部门间的技术有效性。
两个模型的侧重点各不相同，C2Ｒ模型的关注点更为综合，从整体上来评价部门的效率，而BC2模型则更强调评价对象的技术方面是否达标。
DEA作为一种效率测量方法，能够满足具有多重指标的评价过程。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
管理科学
基于惩罚系数的ＤＥＡ－ＤＡ效率评价方法 及其在火电行业中的应用
□
张 臻 林 盛 陈立芸
（ 天津大学 管理与经济学部 ， 天津 300072 ）
［ 摘要 ］ 为 进 行 全 行 业 效 率 评 价 ， 用 BCC 模 型 将 DMU 分 为 有 效 和 无 效 两 类 ， 用 基 于 惩 罚 系 数 的 DEA-DA 模 型 得 到 效 率值 ， 结合非参数检验进行横向和纵向分析 。 对我国火力发电上市企业 2007-2011 年的分析结果显示 ： 金融危机后运 营效率没有明显提升 ， 但各企业间的效率存在着差异 。 ［ 关键词 ］ 效率评价 ；DEA-DA； 电力行业 ［ 中图分类号 ］F206 ［ 文献标识码 ］A ［ 文章编号 ］ 1003-1154 （2014 ）01-0087-03 效率评价方法分为参数和非参数两 种 ， 经 典 的 如 SFA 和 DEA 。 作为一种社会会计和社会经济学的方 法 ，DEA 凭 其 无 须 预 先 设 定 投 入 与 产 出 的 函 数 关 系 等 特 点 ， 自 1978 年 Cooper 等 提 出 CCR 模 型 以 来 ， 得 到 了广泛的应用 。 能 源 、 环 境 与 经 济 （3E ） 是 我 们 面 临 的 全 球 性 挑 战 。 作为世界第二大能源生产和消费国 ， 我国能源资 源以煤为主 ， 火电发电量占总发电量的 80％ 左右 ， 每 年消耗电煤 16 亿吨左右 ， 能源生产和消费结构仍 然 不是很合理 。 近期的雾霾天气与煤电为主的火力 发 电不无关系 。 尽管如此 ， 由于历史和资源等原因 ， 火 电将在很长一段时期内仍将是我国的主导能源 。 在 碳 减 排 等 热 门 话 题 下 ，电 力 ，尤 其 是 火 电 ，其 运 营 效 率和环境效率评价是研究的重要领域 ， 对我国火 力 发电行业的运营效率进行研究非常有意义 。
2014 年第 1 期
87
管理科学
Management Science
时 、 部分约束无经济学含义等问题 2。
三、 我国火力发电企业效率评价
二 、带惩罚系数的DEA-DA效率评价方法
（ 一 ） 我国的火力发电行业 基于以上论述 ， 在 Sueyoshi 提出的 DEA-DA 模型 分 析 框 架 （ 见 参 考 文 献 5） 基 础 上 ， 做 出 两 点 改 进 （ 本 文分析步骤如图 1 ）：（1 ） 用 BCC 模型划分 DMU ；（2 ） 对 将 有 效 DMU 错 分 为 无 效 和 将 无 效 DMU 错 分 为 有 效 （ 下 文 分 别 称 第 一 、 二 类 错 误 ） 分 别 设 置 惩 罚 系 数 W1 和 W2 ， 以体现决策者对于第一类错误和第二类错误 的不同偏好 。 此时新目标函数为 ： 从 2002 年以来 ， 厂网分离 、 主辅分 离 等 系 列 改 革 措施的实施促进了电力行业的迅速发展 。 国家 能 源 政策 （“ 上大压小 ”、 脱硫脱硝电价政策等调整行 业 结 构 的 政 策 ） 通 过 影响火电企业经营理念 （如增加大型 、 高效 、节能 、环保的发电设备投资 ，引进洁净煤技术 ）而 影响其电力行业的运营效率 。 各经营主体对政策采纳 的程度 、采取措施力度的不同 ，也会导致企业运营效率 （1 ） 的差异。 此外，2008年金融危机对电力市场需求的减少 也可能一定程度上影响我国火力发电量 ， 甚至导致利 润下降 。 为此 ， 我们提出以下两个假设 ： 假 设 1： 尽 管 存 在 各 项 能 源 政 策 ， 不 同 火 力 发 电 企业的运营效率无明显差异 。
Vaninsky 运用 DEA 对美国 1991-2004 年的发电效率进
行评价 ， 并用 ARIMA 模型等对 2010 年的效率进行预 测 。 任玉珑等将非期望产出作为投入 ， 用 DEA 分析了 我 国 1999-2009 年 10 年 间 火 电 行 业 电 能 生 产 和 环 境 协调效率 。 （3 ） 横向和纵向综合比较 。 综合比较均基 于面板数据 ， 大都采用 Malmquist 指数法 。 M.Abbort 对 澳 大 利 亚 1969-1999 电 力 供 应 进 行 了 Malmquist 指 数 的效率分析 。 杨淑云和于良春基于 1996-2003 年省际 的面板数据 ， 运用 Malmquist 指数分析了电力改革前 后的生产率的变化情况 。 不难发现， 对电力行业效率分析多使用基于
DEA 的 Malmquist 方法 ， 而该方法需以唯一投影和 唯
一 参 考 集 的 假 设 为 前 提 。 Sueyoshi 和 Sekitani （2007 ；
2009 ） 对此进行的数 学 论 证 表 明 ， 基 于 DEA 方 法 无 法
得到具有多个投影情况下准确的 Malmquist 指数 。 此外 ， 为 解 决 DEA 效 率 评 价 中 全 排 序 的 问 题 和 传统 DEA 模型中权重为 0 的问题 ， 相 继 有 诸 多 方 法 研 究 1， 但 仍 然 存 在 权 重 不 唯 一 、 可 能 无 可 行 解 、 存 在 多 个投影和参考集 、 经济学含义不存在 、 人为限制权 重 需要大量的先验信息 ， 且可能无可行解等问 题 。 为 此 ，Sueyoshi 于 2007 年 提 出 了 DEA/SCSC 的 分 析 方 法 ， 并提出将 DEA/SCSC 与 DEA-DA 结合可以得到效率值 的全排序 ， 并运用此方法分析了日本 2005-2009 年 电 力行业的动态效率 。 但该方法仍然存在有时 无 可 行 解 、 效 率 值 可 能 为 负 或 大 于 1、 数 据 集 较 大 时 计 算 耗
本文所用效率分析方法 新 的 DEA-DA 效 率 评 价 得 到 的 权 重 是 全 行 业 统 一的 ， 因此可以实现全排序 ， 这也 解 决 了 传 统 DEA 模 型权重向量不唯一 （各自评分 ） 的问题 。 另外 ， 对于两 类错误分别设置惩罚系数很好地体现了决策者偏好 。
图1
BCC 计算结果如表 1 。 横向看 ， 穗恒运 A 、 赣能股
一、 文献综述
国内外对于发电效率主要从三个方面进行研 究 ：（1 ） 横向比较 。 主要有宏观和微观 。 研究采用省际 或企业横截面数据进行效率分析 。 吴育华 、 解百 臣 （2005 ） 运用超效率模型等对 2003 年 20 家 火 电 上 市 公 司进行评价 。 闫庆友和丁子娴 （2010 ） 采用 CCR 模型对 我 国 15 家 上 市 电 力 公 司 2009 年 的 效 率 进 行 了 分 析 。 （2 ） 纵向比较 。 一般是宏观层面的时序效率分析 。 A. ［ 基金项目 ］ 国家科技支撑计划子课题 （2012BAC20B12-09-1 ）
份等 10 家公司部分年份为有效 ， 有效 DMU 个数共 24
! １ 摇２００７ － ２０１１ "#$%&’()*+, ＤＥＡ － ＤＡ -./0
θ － ＢＣＣ θ － ＤＥＡ － ＤＡ ０． ８１１ ０． ７４３ ０． ７４７ ０． ７５０ ０． ７３０ ０． ７５９ ０． ９６４ ０． ７１３ ０． ７５３ ０． ７６１ ０． ７１６ ０． ７８２ ０． ８５８ ０． ７２１ ０． ７２７ ０． ７３８ ０． ７２５ ０． ６４８ １． ０００ ＤＥＡ － ＤＡ EF １０ ４２ ３９ ３６ ４９ ３１ ２ ６６ ３４ ２９ ６４ １６ ７ ６２ ５３ ４６ ５７ ８０ １ ０． ９３４ ０． ６３９ ０． ６８１ １． ０００ ０． ７２１ １． ０００ ０． ８８７ ０． ７９０ ０． ８５１ １． ０００ ０． ９４０ ０． ８５４ ０． ９５４ ０． ８５７ ０． ６５７ ０． ９６１ ０． ８１３ ０． ８２７ ０． ８４８ θ － ＢＣＣ θ － ＤＥＡ － ＤＡ ０． ７７７ ０． ６４７ ０． ７２２ ０． ７８０ ０． ６４４ ０． ７４１ ０． ０００ ０． ５６４ ０． ３４９ ０． ７６６ ０． ７１７ ０． ７６９ ０． ８２４ ０． ６９６ ０． ６３６ ０． ７２８ ０． ４５７ ０． ６５３ ０． ３１２ １９ ８１ ６１ １８ ８２ ４３ ９５ ８７ ９３ ２５ ６３ ２３ ９ ７１ ８３ ５２ ８８ ７８ ９４ ＤＥＡ － ＤＡ EF １． ０００ ０． ７６７ ０． ７８０ １． ０００ ０． ８７３ ０． ８７１ １． ０００ ０． ８６１ ０． ９４５ ０． ９７７ ０． ９７５ ０． ８１２ １． ０００ ０． ８１１ ０． ８３８ １． ０００ ０． ９２５ ０． ９３３ ０． ９４８ θ － ＢＣＣ θ － ＤＥＡ － ＤＡ ０． ８２７ ０． ７１３ ０． ７２４ ０． ７８０ ０． ７３０ ０． ７７０ ０． ８９５ ０． ６８０ ０． ７２５ ０． ７６６ ０． ７３１ ０． ７４９ ０． ９０６ ０． ６４９ ０． ６９６ ０． ７２５ ０． ６５５ ０． ７７２ ０． ６１１ ＤＥＡ － ＤＡ EF ８ ６５ ６０ １７ ５０ ２１ ５ ７４ ５８ ２６ ４７ ３７ ３ ７９ ７２ ５４ ７７ ２０ ８４ ０． ９６３ ０． ６９５ ０． ７６８ ０． ９９７ ０． ８７５ ０． ９８４ ０． ９９４ ０． ９３８ ０． ８７７ ０． ９３２ １． ０００ ０． ８５５ ０． ９９６ ０． ８３５ ０． ８９１ ０． ９８８ ０． ８９３ ０． ９１９ ０． ９９３ θ － ＢＣＣ θ － ＤＥＡ － ＤＡ ０． ８０７ ０． ６５５ ０． ７０４ ０． ７６６ ０． ７０８ ０． ７９２ ０． ７４５ ０． ７４７ ０． ３５４ ０． ７５９ ０． ７３１ ０． ７６６ ０． ８７５ ０． ５６６ ０． ７０９ ０． ７４０ ０． ３８３ ０． ７７０ ０． ７５３ ＤＥＡ － ＤＡ EF １１ ７６ ６９ ２８ ６８ １４ ４１ ４０ ９２ ３２ ４８ ２７ ６ ８６ ６７ ４４ ９１ ２２ ３３ ０． ９４２ ０． ６８７ ０． ８１４ １． ０００ ０． ８８４ １． ０００ １． ０００ ０． ９６７ ０． ９１０ ０． ９３５ １． ０００ ０． ８７５ １． ０００ ０． ８８９ ０． ９７１ １． ０００ ０． ９３６ ０． ８９８ １． ０００ θ － ＢＣＣ θ － ＤＥＡ － ＤＡ ０． ７９６ ０． ６５７ ０． ７２５ ０． ７５１ ０． ６９４ ０． ７９８ ０． ７２５ ０． ７８４ ０． ４３０ ０． ７６０ ０． ７４８ ０． ７６８ ０． ８９７ ０． ６０６ ０． ７３０ ０． ７３９ ０． ４２６ ０． ６９７ ０． ７２５ ＤＥＡ － ＤＡ EF １３ ７５ ５９ ３５ ７３ １２ ５６ １５ ８９ ３０ ３８ ２４ ４ ８５ ５１ ４５ ９０ ７０ ５５ &’ )* )* &’ 0) 23 &’ 23 &’ :& :& )* ,. &’ &@ &’ 1& 23 １． ０００ ０． ８４２ ０． ８３５ ０． ８１４ ０． ８６６ １． ０００ １． ０００ ０． ８７０ ０． ９５２ １． ０００ ０． ９７０ １． ０００ １． ０００ ０． ８４５ ０． ８３３ １． ０００ ０． ９６８ ０． ８１９ １． ０００ !" #Ａ $% (& +, -. /, 1, 45 1& 67 89 ;, <, 1& 1= >? 2& AB CD