从SBM到超效率SBM：一篇讲清DEA模型家族的区别与Python选型指南
从SBM到超效率SBM：DEA模型家族全解析与Python实战指南
在效率评估领域，数据包络分析（DEA）早已成为决策单元绩效衡量的黄金标准。但当你真正着手一个具体项目时——无论是评估各省份的绿色经济发展效率，还是分析银行分支机构的运营效能——面对CCR、BCC、SBM、超效率SBM等众多衍生模型，选择困难症往往会不请自来。本文将从实际应用场景出发，带你穿透DEA模型丛林，掌握模型选型的核心逻辑，并通过Python代码实现不同模型的效果对比。
1. DEA模型家族：从基础到进阶
DEA模型的发展历程就像一棵不断分叉的进化树，每个分支都针对特定问题提供了更优解。理解这些模型的核心差异，是做出正确选型的第一步。
1.1 基础模型：CCR与BCC
CCR模型（1978年由Charnes、Cooper和Rhodes提出）是DEA家族的开山之作，它基于规模报酬不变（CRS）假设，适合评估决策单元在最优规模下的技术效率。而BCC模型（1984年由Banker、Charnes和Cooper提出）则引入了规模报酬可变（VRS）假设，能够将技术效率进一步分解为纯技术效率和规模效率。
关键区别对比表：
| 特征 | CCR模型 | BCC模型 |
|---|---|---|
| 规模报酬假设 | 不变（CRS） | 可变（VRS） |
| 效率值范围 | [0, 1] | [0, 1] |
| 适用场景 | 最优规模评估 | 实际规模评估 |
| 效率分解能力 | 无 | 纯技术效率+规模效率 |
# Python中实现CCR与BCC效率计算 from pyDEA.core.models.envelopment_model import EnvelopmentModel # CCR模型示例 ccr_model = EnvelopmentModel(input_data, output_data, orientation='input', returns_to_scale='CRS') ccr_efficiencies = ccr_model.run() # BCC模型示例 bcc_model = EnvelopmentModel(input_data, output_data, orientation='input', returns_to_scale='VRS') bcc_efficiencies = bcc_model.run()1.2 进阶模型：SBM的革命性突破
传统DEA模型存在两大局限：径向测量忽略松弛改进，角度选择影响效率值。Tone提出的SBM（Slacks-Based Measure）模型通过以下创新解决了这些问题：
- 非径向测量：直接纳入投入/产出的松弛变量
- 非角度选择：同时考虑投入缩减和产出扩张
- 单位不变性：效率值不受测量单位影响
特别在绿色效率评估中，SBM模型能够优雅地处理非期望产出（如污染物），这是传统模型难以实现的。
提示：当你的研究涉及环境效率、能源效率等包含"坏产出"的场景，SBM模型应是首选。
2. SBM与超效率SBM：解决效率值为1的困境
2.1 标准SBM模型的局限
虽然SBM模型在效率测量上更加精确，但它仍保留着传统DEA的一个固有局限：效率值上限为1。这意味着所有有效单元（效率值=1）无法进一步区分，在实际应用中常常遇到"天花板效应"。
2.2 超效率SBM的突破
超效率SBM模型通过允许效率值突破1，实现了对有效单元的精细排序。其核心思想是：在评估某个决策单元时，将其从参考集中排除，使得前沿面由其他单元构成。
超效率SBM的三大优势：
- 突破效率值1的限制，实现有效单元间的比较
- 保留SBM处理非期望产出的能力
- 提供更精确的效率排名，特别适合标杆管理
# 超效率SBM模型的Python实现 import pandas as pd from pyDEA.core.models.super_efficiency_model import SuperEfficiencyModel # 准备数据（含非期望产出） data = pd.read_csv('green_efficiency.csv') inputs = data[['劳动力', '资本', '能源']] good_outputs = data[['GDP']] bad_outputs = data[['CO2排放']] # 构建超效率SBM模型 super_sbm = SuperEfficiencyModel( input_data=inputs, output_data=good_outputs, bad_output_data=bad_outputs, returns_to_scale='VRS' ) efficiencies = super_sbm.run()3. 模型选型决策树：从问题到解决方案
面对具体研究问题时，如何从DEA模型家族中选出最合适的成员？以下决策流程可供参考：
明确研究目标
- 是否需要区分有效单元？→ 考虑超效率模型
- 是否涉及污染物等非期望产出？→ 选择SBM系列
分析数据特征
- 规模报酬假设检验→ 决定CRS或VRS
- 投入产出变量的松弛程度→ 径向或非径向
验证模型假设
- 使用统计检验验证规模报酬特性
- 通过敏感性分析检查模型稳健性
常见应用场景与模型匹配表：
| 研究场景 | 推荐模型 | Python实现库 |
|---|---|---|
| 传统生产效率评估 | CCR/BCC | pyDEA, DEAP |
| 环境/能源效率评估 | SBM | PySBM, DEApy |
| 有效单元精细排序 | 超效率SBM | SuperDEA |
| 面板数据分析 | Malmquist指数 | Productivity |
| 网络结构效率评估 | Network DEA | NetworkDEA |
4. Python实战：不同模型结果对比分析
让我们通过一个实际案例，观察不同DEA模型对相同数据的效率评估差异。假设我们评估中国30个省份的绿色经济效率，投入指标为劳动力、资本和能源消耗，期望产出为GDP，非期望产出为CO2排放。
# 导入必要库 import numpy as np import pandas as pd from dea import sbm, super_sbm # 模拟数据 np.random.seed(42) provinces = [f'省份{i}' for i in range(1, 31)] inputs = np.random.uniform(1, 10, size=(30, 3)) # 劳动力,资本,能源 good_output = np.random.uniform(50, 200, size=30) # GDP bad_output = good_output * np.random.uniform(0.5, 1.5) # CO2排放 # 不同模型效率计算 ccr_eff = sbm(inputs, good_output.reshape(-1,1), model='ccr') sbm_eff = sbm(inputs, good_output.reshape(-1,1), bad_output.reshape(-1,1)) super_sbm_eff = super_sbm(inputs, good_output.reshape(-1,1), bad_output.reshape(-1,1)) # 结果对比 results = pd.DataFrame({ '省份': provinces, 'CCR效率': ccr_eff, 'SBM效率': sbm_eff, '超效率SBM': super_sbm_eff }).sort_values('超效率SBM', ascending=False)关键发现：
- 传统CCR模型高估效率（忽略松弛和非期望产出）
- 标准SBM模型识别出更多低效单元
- 超效率SBM成功区分了前沿面上的省份
在实际项目中，模型选择会显著影响结论。例如，某能源密集型省份在CCR模型中可能表现良好，但在考虑CO2排放的SBM模型中效率值大幅下降。这种差异正是模型选型需要慎重考虑的原因。
5. 避坑指南：DEA应用中的常见错误
基于多年DEA应用经验，我总结出以下几个高频错误点：
模型假设不验证
- 未检验规模报酬特性直接选择CRS/VRS
- 解决方案：先进行假设检验，再确定模型形式
指标选择不当
- 投入产出指标相关性过高（共线性问题）
- 指标数量与DMU数量比例失衡
- 经验法则：DMU数量 ≥ 3×(投入+产出指标数)
非期望产出处理错误
- 简单将非期望产出作为投入处理
- 忽略产出弱可处置性假设
- 正确做法：使用专门处理非期望产出的模型
结果解释过度
- 将效率差异全部归因于管理因素
- 忽略环境变量和统计噪声的影响
- 建议：考虑第二阶段回归分析（如Tobit模型）
注意：DEA结果对异常值非常敏感。分析前务必检查数据质量，必要时使用Jackknife方法检验结果稳健性。
6. 前沿拓展：DEA与其他方法的融合应用
随着研究需求复杂化，DEA正与其他分析方法深度融合，形成更强大的评估工具：
- DEA+方向距离函数（DDF）：处理更复杂的生产技术结构
- DEA+机器学习：利用神经网络优化前沿面构建
- 动态DEA：结合Malmquist指数分析效率演变
- 网络DEA：分解整体效率为各子过程效率
# 动态DEA示例：Malmquist指数计算 from pymalmquist import Malmquist malmquist = Malmquist( input_data=[year1_input, year2_input], output_data=[year1_output, year2_output], orientation='input' ) mi = malmquist.decompose() print(mi.tfpch) # 全要素生产率变化在最近的一个银行分支机构评估项目中，我们结合超效率SBM和聚类分析，不仅测量了各分支的相对效率，还识别出了具有相似特征的分组，为差异化资源配置提供了科学依据。这种多方法融合的思路往往能产生更具洞察力的分析结果。