“老师我的DEA结果全是1排名拉不开怎么办”这是我在论坛和后台看到频率最高的DEA问题之一。传统DEA模型把效率值封顶在1有效决策单元DMU一堆都是1没法继续比较。这时候最直接的解法就是上超效率DEASuper-Efficiency DEA而MaxDEA作为目前国内用得最多的DEA软件之一超效率计算属于它的核心卖点。但很多人在MaxDEA里点开超效率选项后发现结果要么算不出来要么算出来和自己预想的不一样。这篇就把MaxDEA里超效率DEA的计算逻辑、操作步骤和踩坑点完整梳理一遍。1. 为什么需要超效率DEA效率值“封顶”带来的排名困境1.1 传统DEA的效率值为什么最高只有1要理解超效率DEA先得说清楚传统DEA的效率值为什么会被限制在1以内。以最常见的CCR模型和BCC模型为例它们构造的是一个“前沿面”——由样本中效率最高的那些DMU共同围成的生产前沿。落在前沿面上的DMU效率值就是1称为有效落在线内的DMU效率值小于1称为无效。问题在于DEA本质上是“相对效率评价”它的效率值是相对这个样本而言的。当样本量不够大、或者同行业内优秀企业较多时多个DMU会同时落在前沿面上效率值都是1。这时候这些“优等生”之间谁更优传统DEA就给不出答案了因为它们全被一刀切地标记为效率值等于1。我在实际项目里遇到过一个典型案例评估某省16家三甲医院的运营效率投入选床位数、职工数、总支出产出选门急诊人次、出院人次、手术量。用传统BCC模型算出9家医院效率值为1占了一半多。这时候如果想对这9家医院再做排名传统DEA就无能为力了。这也就是“效率值封顶”的本质——有效DMU的效率值被人为截断在1。1.2 超效率DEA的核心逻辑让有效单元“超越1”超效率DEA的思路很直观在评价某个有效DMU时先把这个被评价的DMU从参考集中剔除用剩下的DMU重新构造前沿面再看这个被剔除的DMU距离新前沿面有多远。这里有一个关键细节值得琢磨被评价的这个DMU原本是有效单元把它剔除后新前沿面会向内收缩所以它到新前沿面的距离会大于原来的距离计算出来的效率值就会大于1。这个大于1的部分恰好度量了该DMU“超出前沿面的程度”——它即使再多消耗一些投入、或者减少一些产出也依然能保持相对有效。效率值越大说明它相对其他有效单元越“稳”、越有冗余空间。用一个粗浅的类比来说明传统DEA像是看一个学生是否及格60分以上都叫及格超效率DEA则是在及格的人群里继续看你超出及格线多少分。60.5分和98分虽然都及格但含金量显然不一样。这里的“及格线”就是由样本中的其他单元重新确定的前沿面。1.3 超效率DEA能干什么、不能干什么超效率DEA最核心的应用就是把传统DEA中效率值为1的有效DMU做进一步的区分和排序。这在实证论文里非常常见——先报告传统DEA的效率值再用超效率值做排名、做稳健性检验或者作为被解释变量跑回归。但它也有不能干的事对于原本就无效的DMU效率值小于1超效率DEA计算出来的结果和传统DEA是一致的。也就是说超效率只对有效单元“额外开小灶”不会改变无效单元的排序。另外超效率DEA不太适合样本量特别小的场景因为有效单元被剔除后参考集就只剩很少的样本测出来的超效率值可能极端且不稳定。这一点后面在实操部分还会展开。2. MaxDEA里的模型选型径向还是非径向决定结果走向2.1 径向超效率模型传统CCR/BCC的超效率扩展在MaxDEA里点开超效率选项之前需要先想清楚用哪一类模型。径向模型Radial是最早的超效率实现方式它继承CCR/BCC模型的思路假设所有投入或所有产出同比例缩减或扩张。径向超效率模型适合以下场景投入产出指标的量纲之间差异不大、各项投入要素可以同比例调整、研究取向偏传统。不过径向模型有一个被很多人诟病的缺陷它忽略了个别指标的非同比例变化。比如某医院减少10%的床位未必同时能减少10%的职工数但径向模型默认就是同比例缩减。当你想做精细化评价、或者存在某些指标特别“拖后腿”时径向模型会高估或低估效率值。此时要慎重选径向。2.2 SBM超效率模型非径向、非定向的改进SBMSlacks-Based Measure模型是处理“松弛变量”问题的利器。它与径向模型最大的区别是非径向——允许不同投入产出按照各自不同的比例进行调整更符合实际生产逻辑。MaxDEA中的“Super-SBM”选项就是SBM模型的超效率版本也是目前论文里用得最多的超效率变体之一。为什么推荐优先考虑SBM超效率我做了多年效率分析后一个直观体会效率值全为1的问题在SBM框架下出现得更少因为SBM对松弛变量敏感那些勉强落在前沿面上的DMU如果在某些输入或输出上还存在松弛SBM会识别出来而径向模型则不会。这意味着在MaxDEA里用Super-SBM往往能够得到更“严苛”且更有区分度的结果。2.3 含非期望产出的情况如何处理并计算超效率做环境效率、碳排放效率分析时产出端除了期望产出比如GDP还有非期望产出比如CO2、SO2排放。如果直接用传统DEA或简单SBM会把非期望产出当作期望产出一起求大这显然不合理。MaxDEA提供了非期望产出模型通常称为Undesirable模型的SBM变体在模型设置中选择“非期望产出”指标类别它就会按“非期望产出越小越好”的逻辑参与计算。结合超效率做的话就是“Super-SBM-Undesirable”一类组合。这也是我看到的最大误区之一——不少人在数据表里把排放当作“投入”来处理以为这样就能体现非期望产出的负效应。这种做法虽然能得到一个效率值但它的生产意义是不成立的因为这个改造破坏了“投入产出的物理守恒关系”。如果数据里含非期望产出正确的做法是直接在MaxDEA里指定非期望产出的角色而不是人为挪到投入端。3. MaxDEA实操全流程从数据表到结果文件3.1 数据表格式规范第一行、第一列怎么摆MaxDEA对数据格式有一定要求但不算苛刻。第一列必须是DMU名称比如“省份A”“医院B”“企业C”第一行是指标名称。从第二行第二列开始就是指标数值。产出一列放在一起投入一列放在一起非期望产出单独一列这个尽量在Excel里先排好方便后续在模型设置里快速指定。这里特别强调两个细节。第一数据必须全是数值不能存在单元格里的文本字符比如“—”“#N/A”这类MaxDEA读取到非数值时很容易报错或者静默给出错误结果。第二尽量不要有空单元格缺失值要么用合理方法补齐要么删掉这个样本。我在实际使用中遇到过数据表里有两处空白格MaxDEA没报错但有几家DMU的效率值明显异常——后来排查发现就是空白格导致的。所以上传之前先做一个数据完整性检查这个习惯能省掉很多麻烦。3.2 MaxDEA模型设置面板逐项说明MaxDEA的操作逻辑是“导航式”的打开软件后按顺序设置数据集、模型类型、模型参数然后运行。以MaxDEA 8或9版本为例主要面板设置有设置项选项说明数据文件Excel/CSV推荐用Excel格式注意第一列DMU名不要重复模型类型SBM / Super-SBM / Radial等超效率选择Super-SBM或对应径向超效率选项导向投入导向/产出导向/非导向看研究目标控制投入时选投入导向扩大产出时选产出导向非导向少用但更全面规模报酬CRS/IRS/DRS/VRS最常见选VRS规模报酬可变对应BCC模型权重设置等权重或自定义无特殊偏好时用等权重非期望产出指定对应列有非期望产出时在此设置否则不选每个设置项背后都有讲究。导向的选择是个典型如果医院主要能控制的是投入人员、床位那就选投入导向如果是政策要求必须达成的产出目标选产出导向更合理。很多人习惯性全选投入导向这在很多场景下会低估真实效率因为现实中有些DMU已经没法压缩投入了压缩了反而产出崩了。我的建议是如果你不确定导向跑一遍非导向和投入导向的结果做个对比差异大就说明模型设定有问题差异小就说明结论稳健。规模报酬设定上VRS规模报酬可变是绝大多数微观样本的首选因为现实中很难保证所有DMU都处于最优规模。CRS虽然技术简单但它把“纯技术效率”和“规模效率”混在一起报告结果时容易被审稿人追问。3.3 运行计算和结果解读第一步设置完成后点击运行按钮MaxDEA会生成一个结果Excel/文本文件里面包含多个工作表。第一阶段看效率值汇总表找到“TE”“PTE”“SE”或“效率值”等字段检查是否有DMU的效率值大于1。如果有说明超效率计算成功如果全部还是1或小于等于1大概率是模型没选对——比如你选了SBM但没勾超效率选项或者数据里有异常值把前沿面拉偏了。一个实用技巧第一次运行先用默认参数跑一遍别急着切换各种复杂选项。默认跑出来的结果如果符合常识——比如你大概知道哪几家企业效率最高——说明数据环节没问题。数据通过测试后再开始按模型设定做参数调整这样能快速定位问题出在数据还是出在模型选择上。4. 结果表里的“超效率值”到底怎么用4.1 效率值大于1的DMU为什么有时会特别大运行完Super-SBM之后你会发现有些DMU的超效率值可能达到1.3、1.5甚至2.0以上。这个数值的绝对大小与研究样本结构关系极大不宜直接跨研究、跨样本进行比较。超效率值偏大的原因通常有两个。一是参考集样本量小把这个有效DMU剔除后剩下的DMU数量很少尤其是分区域、分行业做分析时每个组只有十几家导致新前沿面严重收缩超效率值被放大。二是某个DMU在某个指标上有极端优势比如某企业在某项技术上遥遥领先它被放到新前沿面之外很远超效率值自然特别高。所以在论文里报告时看到超效率值很大的个体不要慌这不是计算错误而是模型逻辑的正常体现。如果你觉得个别DMU的超效率值大到影响后续回归结果可以考虑在模型中增加投入产出指标扩大维度或者删掉那些极端领先的样本做敏感性测试验证排名是否稳定。这些在MaxDEA里操作都很方便改完数据直接重新运行一遍即可。4.2 论文/报告里怎么正确汇报超效率结果很多同学问超效率DEA的结果表怎么放进论文这里有一个通用的呈现框架先给一张传统DEA背景下效率值的分布表CRS/VRS下的效率均值、标准差、有效DMU数量再给一张超效率DEA的效率值排名表并用折线图/条形图展示排名变化如果超效率值被用于后续回归比如Tobit回归、面板回归被解释变量需要说明为什么选择了某个模型设定SBM理由、VRS理由、导向理由一定附加稳健性检验比如换成径向超效率或者换导向看排名相关性是否显著、结论是否一致。回归部分有一点要注意超效率值截断在0以上但不是连续连续分布是典型的“截断数据”。用最小二乘法做回归往往不合适更适合用Tobit模型或考虑删失特征的估计方法。否则审稿人可能会质疑你的统计模型选择。4.3 超效率值和传统效率值的搭配分析超效率DEA不是要取代传统DEA而是要解决传统DEA“无法区分有效单元”的短板所以最规范的汇报习惯是把两者结合起来看效率值小于1的DMU在传统DEA和超效率DEA中数值一致含义是“离前沿面还有多远”效率值等于1但超效率值大于1的DMU说明它是前沿面上的有效单元但超效率值的不同显示其稳健程度各异超效率值特别高的DMU可能是一类“标杆中的标杆”可以单独做案例分析分析其运营模式、管理经验对行业提供借鉴。这种三层解读框架比单独贴一张超效率排名表要有深度得多。我在给企业做效率评估报告时经常用这个方法客户反馈也是最直观、最容易接受的——它直接回答了“谁好谁坏、为什么好、好的比别人领先多少”。5. 高频踩坑记录与应对方案5.1 数据里有负值或0超效率算不出来怎么办超效率DEA尤其是SBM模型在数据含0或负数时很可能无法计算或者计算结果出现无穷大。这是因为SBM的目标函数里含有倒数项分母出现0时数学上不成立。这个坑非常隐蔽因为如果你用某一批数据能跑通换了一批带0的数据MaxDEA可能不会弹提示但结果表里就出现“Inf”或者异常大的值。应对策略先按指标列扫一遍最小值。如果所有指标都严格大于0放心跑SBM如果出现0要看这个0是不是真实值——比如某企业当年确实没有研发投入。如果是真实的那么可以考虑把该指标改为投入项并加一个极小正数比如0.0001但要在论文里说明处理方式或者改用可以处理非正数据的模型如径向模型在某些情况下可以容忍0值。如果只是数据录入问题导致的多余0修正数据即可。5.2 样本量与指标数量不匹配DEA领域有一个经验法则样本量应该至少是指标数量的2到3倍更严格的说法是3倍以上。因为DEA是“撑前沿面”的技术指标越多维度越高样本越容易被判定为有效。比如10家DMU、8个指标很可能全部都是效率值1这时候超效率DEA也救不了你——因为每个DMU都只有8个维度中的一个或几个占优势它们“各自为王”地共同构成前沿面。如果遇到这类情况对策是先做指标筛选把相关性极高或信息冗余的指标剔除。MaxDEA本身不提供指标筛选功能通常需要借助相关性矩阵判断。一个比较靠谱的经验投入指标内部两两相关系数超过0.8时保留一个有代表性的产出指标同样处理。让指标数量降下来样本/指标比回到合理区间再跑超效率DEA你会发现区分数立刻变好。5.3 同样的数据为什么有人算出的是0.8你算出的是0.95同一份数据用不同软件跑出不同结果是常态。差异主要来源于两个一是软件对模型的处理细节不同比如在VRS下如何计算规模效率、如何处理松弛变量的归属二是参数设定不同比如导向的选择、是否允许非径向、甚至是小数保留精度的差异。所以我建议在论文里明确写清楚“使用MaxDEA 8采用Super-SBM模型VRS、非导向”等完整设定方便别人复核。如果审稿人要求你和其他软件结果对比就用同样的模型设定在另一款软件如DEAP、DEA-Solver里跑一遍验证排名一致性。只要排名相关性高数值上的小差异不会影响结论。5.4 结果文件太多不会管理养成这三个习惯MaxDEA每次运行会生成一堆文件时间一长你会发现自己都分不清哪次是哪次的。这里分享我自己的管理习惯每个数据集一个文件夹命名为“数据集说明_日期”比如“30省物流_20250110”每次跑不同模型设定前在Excel里记录一张“参数设定表”写清模型、导向、规模报酬、指标清单和备注跑完立刻把MaxDEA生成的关键结果表复制到一个汇总Excel中并标注是哪次运行的输出不要依赖MaxDEA默认生成的文件名。这三个习惯看着笨但真能救命。尤其是做多个省份、多个年份的面板数据分析时如果每次运行记录不清楚后期复核结论时你可能需要把所有模型重跑一遍那才是真正的灾难。6. 最后分享一个实用技巧用“效率排名差异表”快速识别模型敏感性说白了超效率DEA在MaxDEA里跑通不难难在“跑通了之后你敢不敢说你算对了”。常规的自检方法是把数据随机抽掉几个有效DMU重跑一遍看看剩下的DMU排名是否稳定。还有一个更快的检查方法在MaxDEA里分别跑一遍超效率SBM和超效率径向模型然后导出两版超效率值计算它们的Spearman秩相关系数。如果相关系数在0.8以上说明你的结论对模型形式不敏感可以在论文里写“结果稳健”如果相关系数很低说明你的数据对模型选择高度敏感这时要回到指标和数据质量层面排查问题。解决“有效DMU排不出名次”只是超效率DEA的第一层价值。更长远来看学会在MaxDEA里算超效率是为了让你能够回答“谁才是真正的标杆”——这个问题在任何领域都有意义不管是评估医院、学校、银行网点还是供应链企业。把模型逻辑、软件设置和数据质量三个层面都抓到之后超效率DEA就没有什么神秘的了。