Handling Unwanted Outputs in DEA: A Slacks-based Approach(...)

简介：
本文探讨了数据包络分析(DEA)中处理非期望产出的方法，提出了一种基于松弛度的改进模型，以更准确地评估决策单元的相对效率。 在进行数据包络分析（DEA）研究时，一个常见的挑战是如何处理非期望产出。传统的DEA模型假设决策单元只产生单一的期望输出，在实际应用中却经常遇到既有期望也有非期望产出的情况，例如污染排放或废品等。这些非期望产出会影响效率评价结果，若不进行适当调整可能会导致对生产单位效率评估过高。 为解决这一问题，Slacks-based Measure (SBM)模型提供了一种有效的解决方案。该模型在计算效率时考虑了松弛变量的概念——即实际产出与最优可能集前沿之间的差距，并且能够更准确地评价决策单元的效率水平，尤其是在存在非期望产出的情况下更为适用。 具体来说，Tone于2001年提出的SBM模型是一种非径向、非角度的方法。相比传统的DEA模型采用的径向测量方法而言，SBM允许在不增加投入和减少期望输出的前提下降低非期望输出；或者保持当前投入不变并减少非期望产出的同时提高预期产量。这种灵活性使得评估过程更加公正且贴合现实情况。 SBM模型通过最大化目标产出与非理想结果之间的松弛量来计算效率值，并定义了生产可能性集，即所有可能的输入和输出组合空间。对于特定的投入-产出向量，该方法寻求调整实际水平以最小化效率度量，从而反映在固定资源下最大限度地提高期望产量并减少负面因素的可能性。 实践中SBM模型尤其适用于以下情境： 1. 处理包含非理想结果在内的生产效率评估问题。 2. 分析生产和消耗之间的比例关系。 3. 对于效率进行敏感性分析时考虑不良产出的影响。 为了有效应用和理解这一工具，研究者需要掌握运筹学相关知识，包括线性规划、多目标优化及效能评价理论。由于模型计算复杂度较高，通常借助专业软件如DEAP或MaxDEA来辅助实现。 综上所述，SBM模型为解决包含非期望产出的效率评估问题提供了一种新颖且实用的方法论框架。相比于传统方法，在处理现实世界中复杂的生产过程时能更准确地衡量决策单元的实际效能，并有助于优化资源配置和促进可持续发展能力提升。