2.1介绍
DEA模型又称投入导向模型CCR,它基于规模报酬不变前提。
2.2步骤
假设我们要计算一组n个决策单元(DMU),它可能是企业、政府部门、学校或医院等,这n个DMU的技术效率记为DMUj。
每一个DMU有m种投入,记为xi,投入权重表示为vi;
每一个DMU有q种产出,记为yr,产出权重表示为ur。
必须转化为等价的线性规划模型(因为非线性规划式有无数个最优解)
2.3数据包络前沿线
图为投入导向的规模报酬不变的CCR模型,图中各点(DMU)落在包络线上,代表该DMU处在最适境界,因此最佳的效率值为1,不在包络线上的点的效率均小于1。其中的差值为投入。余量。
2.4 DEA数据标准化方法及其在方向距离函数模型中的应用
DEA 效率分析结果与投入和产出指标所采用的单位无关,即单位不变性,是其优点之一。
(单位不变性是指效率测量的无量纲特征,它是 DEA 效率测量方法需要满足的条件之一。)
2.5基于Bootstrap DEA分析法的医院医疗服务效绩分析
1、程序代码:
#下载及加载安装包
install.packages("rDEA")
library(rDEA)
#输入样本数据至矩阵(matrix)中
#将数据分成两份,一份是投入,一份是产出
#如果是研究企业的情况,可以设置x的三个变量分别为营业成本,销售费用,管理费用;y的两个变量为营业收入和净利润。#
#这里的案例中x是指投入input,y指产出output
#x分别为医生数,护士数,其他人员数
#y为门急诊人次数,出院次数
X<-matrix(c(887,277,326,504,365,312,358,329,404,423,1090,252,475,524,543,469,340,329,260,1021,1086,366,380,559,314,236,171,325,291,766),ncol=3)
# ncol=3的意思是三个变量,即
变量1,变量2,变量3
[1] 887,277,326
[2] 504,365,312
[3] 358,329,404
......
[10] 325,291,766
这里一共是10家医院的数据#
Y<-matrix(c(1683441,556126,1001634,953445,809861,276522,837199,408298,175363,581887,59423,39967,19712,15142,18665,19910,19624,28140,18269,29626),ncol=2)
# 二个变量
#运行投入导向-报酬不变的DEA模型分析
dea_model1 = dea(XREF=X, YREF=Y, X=X, Y=Y, model="input", RTS="constant")
dea_model1$thetaOpt
#解释说明
#model="input", RTS="constant"指投入导向-报酬不变
#model="output", RTS="variable"指产出导向-报酬可变
#一共有四种搭配,dddd
# 运行 2000 迭代 bootstrap DEA模型分析
di = dea.robust(X=X, Y=Y, model="input", RTS="constant", B=2000)
# robust estimates of technical efficiency for each hospital对每家医院的技术效率的稳健估计
2、运行结果说明
di$theta_hat_hat #效率值
di$bias #偏差(误)
di$theta_ci_low #置信区间下限
di$theta_ci_high #置信区间上限
3、最终要自己将分析结果,整理成表
注意:这里不用管照片上的“纠正后”,这是书上为了强调Bootstrap DEA比传统的DEA更好所以有这个,我们自己进行数据分析时只需要考虑Bootstrap DEA的做法就好了。