动态综合评价模型复现介绍：为什么“纵横向拉开档次法”更适合做连续年份评价？ 一、做综合评价，为什么很多方法一到“多年数据”就不够用了？ 很多人做综合评价时，手里拿到的并不是某一年的截面数据，而是连续几年的数据。 比如： 城市高质量发展评价； 区域创新能力比较； 企业经营绩效跟踪； 医院、学校、园区、银行网点的连续年度考核； 各类政策实施效果的动态观察。 这时候最常见的问题是： 如果每一年单独评价，确实能得到当年的排序；但这些结果放到一起，往往并不真正可比。 原因很简单。 如果你每一年都单独定权重，那么今年最重要的指标、明年最重要的指标、后年最重要的指标，可能根本不是同一套标准。这样算出来的“动态变化”，有时候并不是对象真的变了，而是评价尺子也跟着变了。 这正是很多动态评价工作中最容易被忽视、但又最关键的问题。 而这篇文章提出的 “纵横向拉开档次法”，恰恰就是为解决这个问题而设计的。 二、这篇文章研究什么？ 这次复现的论文是： 《一种新的动态综合评价方法》。 文章提出了一种面向多时点、多指标数据的动态综合评价模型——纵横向拉开档次 ...

DEA模型复现介绍：随机双层DEA如何同时做好资源配置、目标设定与效率管理？ 一、这篇文章研究什么？ 这次复现的论文是 2024 年发表于 Mathematics 的： A Bilevel DEA Model for Efficiency Evaluation and Target Setting with Stochastic Conditions。 它讨论的是一个非常现实、也非常典型的管理问题： 当一家大型组织既要统一分配资源，又要给下属单位设定目标，而且未来经营环境还存在不确定性时，怎样做出一套更优的决策？ 论文以银行网点管理为例，把问题拆成两层： 上层：总部决定资源如何分配、目标如何设定； 下层：各个 DMU 在既定资源和目标下追求自身效率最优。 再进一步，论文把未来环境写成多个情景，用情景概率来描述不确定性。这样一来，模型不只是“看效率”，还同时把利润、波动与应对策略纳入了决策框架。 简单说，这篇文章回答的是： 在不确定环境下，如何让总部的资源配置更聪明，让下属单位的目标更合理，同时又把整体效率和收益一起管起来。 二、模 ...

MEMR模型复现介绍：最大熵-最小残差权重法的Julia通用实现 一、这次复现的是什么模型？ 这次整理的不是 DEA，而是一类很典型、也很实用的综合评价赋权模型： MEMR（Maximum Entropy Minimum Residual）模型，也就是“最大熵—最小残差”权重法。 它的核心目标很直接： 一方面，希望各指标的权重分配不要过于极端，尽量保留“均衡性”； 另一方面，又希望加权后的综合评价结果，能够尽量贴近各个原始指标的信息结构。 换句话说，这个模型不是只追求“权重分散”，也不是只追求“拟合误差最小”，而是想在两者之间找到一个更合理的平衡点。 这正是 MEMR 这个名字的含义： Maximum Entropy：权重分布尽量有更高的信息熵； Minimum Residual：综合评价指数与原始指标之间的残差尽量小。 二、MEMR模型到底在解决什么问题？ 在多指标综合评价里，一个绕不开的问题就是： 每个指标到底应该给多大权重？ 如果直接等权，做法简单，但往往太粗； 如果完全依赖主观赋权，又容易受专家判断影响。 ...

DEA模型复现介绍：NEEFDEA with bargaining-based selection 固定总和产出效率评价模型 一、论文基本信息 论文题目： A Nash bargaining-based selection approach in non-radial equilibrium efficient frontier DEA with fixed-sum outputs 期刊： Omega 年份： 2023 文中数据位置： Appendix F / Table 5 这篇文章研究的是固定总和产出 DEA 里一个更进一步的问题： 当固定总和产出的调整解不是唯一时，应该怎样从一组可行的均衡有效前沿解中，选出一个“合理、稳定、可解释”的最终方案？ 如果说前一类 fixed-sum DEA 文献重点解决的是“如何调整”，那么这篇文章进一步解决的是： 当可以调整的方案不止一个时，如何做选择。 这就是文中 bargaining-based selection（基于讨价还价的选择机制）的核心意义。 二、这篇文章解决了什么问题？ 在固定总 ...

DEA模型复现介绍：GEEFDEA固定总和产出效率评价模型 一、论文基本信息 论文题目： A generalized equilibrium efficient frontier data envelopment analysis approach for evaluating DMUs with fixed-sum outputs 期刊： European Journal of Operational Research 年份： 2015 作者： Min Yang, YongJun Li, Liang Liang 这篇文章讨论的是 DEA 里一个很典型、但又不太容易处理的问题： 当若干 DMU 的某类产出总量是固定的，应该如何进行公平、可比、还能排序的效率评价？ 比如奥运奖牌、固定预算、固定配额、固定总量资源分配等，都是典型的 fixed-sum outputs（固定总和产出） 问题。 二、这篇文章解决了什么问题？ 传统 DEA 默认产出可以自由扩张，但在固定总和产出场景下，这个假设不成立。 如果某个 DMU 的固定总和产出增加，就意味着别 ...

DEA模型复现介绍：共享权重逆向 DEA 合并分析模型（CSW-Inverse DEA） 一、论文基本信息 论文题目： A novel model for merger analysis and target setting: A CSW-Inverse DEA approach 期刊： Expert Systems With Applications 年份： 2024 作者： Mehdi Soltanifar, Mojtaba Ghiyasi, Ali Emrouznejad, Hamid Sharafi 这篇文章研究的是 DEA 在并购与合并分析中的一个很重要的问题： 当两个或多个同类决策单元（DMU）准备合并时，如何在给定目标效率的前提下，反推出合并后的投入与产出目标？ 传统 DEA 更擅长回答“谁有效率、谁无效率”； 而这篇文章进一步讨论的是： 如果组织已经决定推进合并，那么合并后的新单位应该达到怎样的资源配置与产出水平，才能实现预期效率目标？ 作者提出的核心方法是： 共享权重逆向 DEA 模型（CSW-Inverse DEA） ...

交叉效率SBM计算工具：让效率评估更客观、更准确 一、为什么需要交叉效率？ 在传统的数据包络分析（DEA）中，每个决策单元（DMU）都会选择对自己最有利的权重进行评估。这就像让学生自己出题、自己评分——结果往往过于"乐观"。 传统SBM模型的局限： - ❌ 多个DMU效率值为1，无法区分优劣 - ❌ 权重选择存在主观性 - ❌ "假有效"DMU难以识别 交叉效率的优势： - ✅ 每个DMU被所有其他DMU的权重评估 - ✅ 完全排序能力，避免并列第一 - ✅ 更客观、更公平的绩效评估 二、核心方法论：两阶段评估框架 第一阶段：自评估（Model 6） 使用基于松弛的度量（Slacks-Based Measure, SBM）模型计算每个DMU的自评估效率： \[ \begin{aligned} \rho_{dd} = \min \quad & \frac{1 - \frac{1}{m}\sum_{i=1}^{m}\frac{s_i^-}{x_{id}}}{1 + \frac{1}{s}\sum_{r=1}^{s}\frac{s_r^+}{y ...

交叉效率SBM计算工具：让效率评估更客观、更准确 基于Julia实现的高精度交叉效率SBM模型，完整复现国际顶刊算法 一、为什么需要交叉效率？ 在传统的数据包络分析（DEA）中，每个决策单元（DMU）都会选择对自己最有利的权重进行评估。这就像让学生自己出题、自己评分——结果往往过于"乐观"。 传统SBM模型的局限： ❌ 多个DMU效率值为1，无法区分优劣 ❌ 权重选择存在主观性 ❌ "假有效"DMU难以识别 交叉效率的优势： ✅ 每个DMU被所有其他DMU的权重评估 ✅ 完全排序能力，避免并列第一 ✅ 更客观、更公平的绩效评估 二、核心方法论：两阶段评估框架 第一阶段：自评估（Model 6） 使用基于松弛的度量（Slacks-Based Measure, SBM）模型计算每个DMU的自评估效率： \[ \begin{aligned} \rho_{dd} = \min \quad & \frac{1 - \frac{1}{m}\sum_{i=1}^{m}\frac{s_i^-}{x_{id}}}{1 + \ ...