指标太多，DEA还怎么用？一种能自动“挑变量”的进攻型方法 做效率评价的人，几乎都遇到过这个尴尬。 明明想用数据包络分析（DEA）给一批对象打分，可指标一多，问题就来了：大家都变成有效了，分数全在 1 附近，谁也分不出高下。 这不是你不会用，而是 DEA 天生的毛病。它需要指标少、样本多，才有判别力。可实际情况往往反着来——评价对象就那么几十个，候选指标倒有上百个。 过去遇到这种情况，要么靠专家经验拍脑袋删指标，要么用主成分分析、相关系数这类统计办法做降维。但这些做法要么主观，要么跟 DEA 的初衷脱节。 今天想聊的，是把“选哪些指标”这件事直接做进 DEA 里的一种办法。它来自 2026 年发在 Expert Systems With Applications 上的一篇论文，叫 ACDEA，进攻型集中式 DEA 变量选择。 一、它的立场：进攻，而不是讨好 先看它跟传统做法最大的不同。 DEA 里常见的变量选择多是“仁慈型”——让每个评价对象挑对自己最有利的指标，尽量把大家都显得有效率。可大家都高效了，排名还有什么意义？判别力反而被牺牲。 ACDEA 反 ...