摘要传统交叉效率 DEA 存在权重不唯一、结果波动大的问题中立型交叉效率通过最小化权重极差的二级目标规划有效避免了单一指标权重极端化缺陷评价立场中立客观在绩效评价、行业排名中应用广泛。本文以 6 个决策单元、2 投入 2 产出的标准算例为基础针对 CCR 不变规模报酬下的投入与产出导向两种模式从自评效率基准、交叉效率数学性质、模式相对逻辑、对偶一致性四个维度对 DEA Performance 软件的中立型交叉效率计算结果进行全维度准确性验证。结果表明软件计算结果与理论推导完全吻合二级目标实现符合学术规范可为科研与实务工作提供可靠的计算支撑同时本文提出的多层级校验框架也为 DEA 结果异常排查提供了可复用的通用方法。文章目录摘要一、引言二、中立型交叉效率 DEA 的理论框架2.1 基础交叉效率的计算逻辑2.2 中立型二级目标规划原理三、算例设计与基础数据四、计算结果多维度准确性验证4.1 第一阶段自评效率验证4.1.1 投入导向自评效率校验4.1.2 产出导向自评效率校验4.2 交叉效率核心数学性质验证4.2.1 等比例缩放不变性验证4.2.2 有效单元边界性质验证4.2.3 效率值上下界性质验证4.3 模式相对逻辑验证与仁慈型对比4.4 投入与产出导向对偶一致性验证4.5 二级目标实现合理性验证五、DEA Performance 软件操作与结果展示5.1 模型参数配置5.2 投入导向计算结果5.2.1 结果数据表格5.2.2 效率柱状图5.3 产出导向计算结果5.3.1 结果数据表格5.3.2 效率柱状图六、结论与总结一、引言数据包络分析DEA作为多投入多产出效率评价的经典方法在公共管理、企业绩效、科研评价等领域应用广泛。但传统 CCR/BCC 模型基于自评体系决策单元会选取对自身最有利的权重组合容易出现权重结构极端、有效单元并列过多、排名区分度不足等问题难以满足公允评价的需求。交叉效率 DEA 通过引入 DMU 互评机制让每个决策单元以自身最优权重评价所有单元最终取互评均值作为最终效率从机制上解决了自评偏袒的缺陷。根据二级目标规划的不同交叉效率可分为基础型、激进型、仁慈型、中立型、理想点型等多种模式其中中立型交叉效率以 “最小化权重极差” 为二级目标在保证自身效率最优的前提下推动权重分布均衡化既不刻意抬高也不压低其他单元的评价结果立场中立客观尤其适合需要公允排名、避免极端权重影响的评价场景。在实际科研应用中计算结果的准确性是分析结论可靠的核心前提。很多研究人员在筛选论文用 DEA 软件推荐时最关注的就是模型实现是否符合学术规范、二级目标逻辑是否正确。目前不少免费的数据包络分析软件仅实现了基础交叉效率算法中立型等进阶模式的二级目标规划常存在实现偏差甚至直接用权重归一化替代极差优化导致结果失真。本文基于经典 CCR 不变规模报酬假设设计包含前沿有效单元、等比例缩放单元的标准算例从理论推导、性质校验、逻辑对比、对偶验证四个层面系统验证 DEA Performance 软件中中立型交叉效率模型的计算准确性同时给出一套可复用的 DEA 结果异常排查方法为同行提供参考。二、中立型交叉效率 DEA 的理论框架2.1 基础交叉效率的计算逻辑基础交叉效率的计算分为两个核心步骤第一阶段自评对每个 DMU_k求解传统 DEA 乘子模型得到使其自身效率最优的投入权重 v 与产出权重 u第二阶段互评用 DMU_k 的最优权重计算所有 DMU_j 的效率值填入交叉效率矩阵的第 k 行最终每个 DMU 的交叉效率为交叉效率矩阵对应列的算术平均值。该方法由 Sexton 等人于 1986 年提出但存在最优权重不唯一的缺陷 —— 同一自评效率下可能存在多组可行权重不同权重会得到差异较大的互评结果因此需要引入二级目标规划确定唯一权重。2.2 中立型二级目标规划原理中立型交叉效率的核心思想是在保证 DMU 自身效率达到最优值的约束下选择一组权重使得权重的极差最小避免单一指标权重过高或过低让各指标在评价中发挥均衡作用体现中立公允的评价立场。以投入导向 CCR 模型为例其两阶段规划模型如下第一阶段求解D M U k DMU_kDMUk​的最大自评效率θ k ∗ \theta_k^*θk∗​max ⁡ ∑ r 1 s u r y r k s.t. ∑ i 1 m v i x i k 1 ∑ r 1 s u r y r j − ∑ i 1 m v i x i j ≤ 0 , j 1 , 2 , . . . , n u r ≥ ϵ 0 , v i ≥ ϵ 0 \begin{align*} \max \quad \sum_{r1}^s u_r y_{rk} \\ \text{s.t.} \quad \sum_{i1}^m v_i x_{ik} 1 \\ \quad \sum_{r1}^s u_r y_{rj} - \sum_{i1}^m v_i x_{ij} \leq 0, \quad j1,2,...,n \\ \quad u_r \geq \epsilon 0, \quad v_i \geq \epsilon 0 \end{align*}maxs.t.​r1∑s​ur​yrk​i1∑m​vi​xik​1r1∑s​ur​yrj​−i1∑m​vi​xij​≤0,j1,2,...,nur​≥ϵ0,vi​≥ϵ0​第二阶段中立型固定自身效率为θ k ∗ \theta_k^*θk∗​最小化权重极差min ⁡ ( v max − v min ) ( u max − u min ) s.t. ∑ i 1 m v i x i k 1 ∑ r 1 s u r y r k θ k ∗ ∑ r 1 s u r y r j − ∑ i 1 m v i x i j ≤ 0 , j 1 , 2 , . . . , n v i ≤ v max , v i ≥ v min , i 1 , 2 , . . . , m u r ≤ u max , u r ≥ u min , r 1 , 2 , . . . , s u r ≥ ϵ 0 , v i ≥ ϵ 0 \begin{align*} \min \quad (v_{\text{max}} - v_{\text{min}}) (u_{\text{max}} - u_{\text{min}}) \\ \text{s.t.} \quad \sum_{i1}^m v_i x_{ik} 1 \\ \quad \sum_{r1}^s u_r y_{rk} \theta_k^* \\ \quad \sum_{r1}^s u_r y_{rj} - \sum_{i1}^m v_i x_{ij} \leq 0, \quad j1,2,...,n \\ \quad v_i \leq v_{\text{max}}, \quad v_i \geq v_{\text{min}}, \quad i1,2,...,m \\ \quad u_r \leq u_{\text{max}}, \quad u_r \geq u_{\text{min}}, \quad r1,2,...,s \\ \quad u_r \geq \epsilon 0, \quad v_i \geq \epsilon 0 \end{align*}mins.t.​(vmax​−vmin​)(umax​−umin​)i1∑m​vi​xik​1r1∑s​ur​yrk​θk∗​r1∑s​ur​yrj​−i1∑m​vi​xij​≤0,j1,2,...,nvi​≤vmax​,vi​≥vmin​,i1,2,...,mur​≤umax​,ur​≥umin​,r1,2,...,sur​≥ϵ0,vi​≥ϵ0​该实现通过线性规划即可求解最优解唯一结果稳定是目前学术领域主流的中立型交叉效率实现方案。三、算例设计与基础数据为清晰验证计算结果的准确性本文设计了一组包含 6 个决策单元的标准算例包含 2 项投入指标与 2 项产出指标。算例特意设置了前沿有效单元与等比例缩放单元便于通过数学性质交叉验证结果的正确性。具体基础数据如下表所示表格DMU 编号投入 1投入 2产出 1产出 2DMU1105108DMU295129DMU3126119DMU41161310DMU52010108DMU61810129算例设计说明DMU2 为 CCR 有效单元构成生产前沿面用于验证有效单元边界性质DMU5 与 DMU1 产出完全相同投入规模为 DMU1 的 2 倍DMU6 与 DMU2 产出完全相同投入规模为 DMU2 的 2 倍可用于验证交叉效率的比例不变性所有单元均为正数据无异常值符合 DEA 模型的基本数据要求。四、计算结果多维度准确性验证本文使用 DEA Performance 软件配置 CCR 不变规模报酬、中立型交叉评价模式分别计算投入导向与产出导向两种场景的结果并从五个维度进行准确性校验。4.1 第一阶段自评效率验证自评效率是交叉效率计算的基础其准确性直接决定了后续互评结果的可靠性。第一阶段为标准 CCR 模型求解与交叉评价模式无关我们先对自评结果进行理论校验。4.1.1 投入导向自评效率校验投入导向下各 DMU 的自评最优效率 θ* 如下表所示表格DMU 编号软件计算自评效率理论推导值偏差DMU10.8888898/9≈0.88890DMU21.0000001.00DMU30.8333335/6≈0.83330DMU40.92592625/27≈0.92590DMU50.4444444/9≈0.44440DMU60.5000000.50验证结论DMU2 效率值为 1处于生产前沿面符合有效单元判定其余单元效率值均小于 1且与基于前沿面推导的理论值完全一致第一阶段自评计算准确无误。4.1.2 产出导向自评效率校验根据 DEA 对偶理论同一 DMU 在投入导向与产出导向下的效率值满足严格的倒数关系φ* 1/θ*。表格DMU 编号软件计算自评效率 φ*倒数理论值 (1/θ*)偏差DMU11.1250001.1250DMU21.0000001.00DMU31.2000001.20DMU41.0800001.080DMU52.2500002.250DMU62.0000002.00验证结论产出导向自评效率完全符合倒数关系定理基础乘子模型的计算逻辑无偏差。4.2 交叉效率核心数学性质验证交叉效率存在若干与二级目标无关的刚性数学性质这些性质是校验结果正确性的核心依据也是 DEA 结果异常排查方法中的核心校验点。4.2.1 等比例缩放不变性验证若两个 DMU 的产出完全相同其中一个的投入是另一个的 k 倍则在任意权重下二者的效率值之比恒为 1/k。该性质与权重选择无关是交叉效率的固有属性。本算例中DMU5 投入是 DMU1 的 2 倍产出完全相同因此交叉效率应满足E5 E1 / 2DMU6 投入是 DMU2 的 2 倍产出完全相同因此交叉效率应满足E6 E2 / 2投入导向验证E1 0.859259E1/2 0.429630与 E50.429630 完全一致E2 1.000000E2/2 0.500000与 E60.500000 完全一致产出导向验证E1 0.859259E1/2 0.429630与 E50.429630 完全一致E2 1.000000E2/2 0.500000与 E60.500000 完全一致两组结果均严格满足比例不变性无计算偏差。4.2.2 有效单元边界性质验证对于 CCR 有效单元DMU2根据 DEA 模型的约束条件任意可行权重下对其的评价效率都不会超过 1。而 DMU2 自身自评效率为 1因此所有评价主体对 DMU2 的评价值最高只能达到 1最终交叉效率均值必然≤1。软件计算结果中投入导向与产出导向下 DMU2 的最终交叉效率均为 1.000000说明所有 DMU 的最优权重均使 DMU2 达到效率上限完全符合理论边界约束。4.2.3 效率值上下界性质验证交叉效率是多组权重下的互评均值必然小于等于该 DMU 的自评最优效率自评是自身权重下的理论最大值。以投入导向为例验证DMU10.8593 0.8889 ✅DMU30.8025 0.8333 ✅DMU40.9179 0.9259 ✅DMU50.4296 0.4444 ✅所有单元均满足该约束无逻辑矛盾。4.3 模式相对逻辑验证与仁慈型对比不同交叉评价模式的评价严格程度存在固定的理论排序仁慈型最宽松 中立型 激进型最严格对应最终效率值依次降低。我们将本次中立型结果与此前验证正确的仁慈型结果进行对比验证模式逻辑的合理性。表格DMU 编号仁慈型交叉效率中立型交叉效率大小关系符合逻辑DMU10.8592590.859259相等✅ 符合受权重可行域限制二级目标对该列均值无影响DMU21.0000001.000000相等✅ 符合有效单元已达理论上限DMU30.8055560.802469中立型更低✅ 符合DMU40.9203140.917938中立型更低✅ 符合DMU50.4296300.429630相等✅ 符合与 DMU1 成固定比例DMU60.5000000.500000相等✅ 符合与 DMU2 成固定比例结果完全符合模式的严格程度排序二级目标的作用方向正确中立型的 “权重均衡” 目标确实对非前沿单元的效率产生了向下调整的作用逻辑自洽。4.4 投入与产出导向对偶一致性验证从计算结果可以看到投入导向与产出导向的最终交叉效率数值完全相同这并非计算错误而是 CCR 模型对偶性的必然结果。原理说明CCR 投入导向与产出导向的乘子模型最优权重成固定比例若投入导向最优权重为 (v, u)则产出导向最优权重为 (v/θ*, u/θ*)其中 θ* 为自评效率。交叉效率的计算公式为效率 u·Y / v·X分子分母同比例缩放后比值完全不变。二级目标 “最小化权重极差” 在比例缩放后最优解的相对比例保持不变因此最终交叉效率矩阵完全相同列均值也完全一致。因此投入、产出导向最终效率数值相同是理论上的必然结果软件计算准确体现了 CCR 模型的对偶性质。4.5 二级目标实现合理性验证DEA Performance 软件中中立型交叉效率采用**“最小化权重极差”**的实现方案在保证自身效率最优的前提下最小化投入权重极差与产出权重极差之和属于学术领域主流的 “权重均衡型” 中立模式。该实现的优势有效避免传统交叉效率权重极端化单个指标权重趋近于非阿基米德无穷小的问题评价立场中立既不刻意抬高也不压低其他单元效率结果更易被各方接受线性规划求解稳定最优解唯一结果可复现不存在权重不唯一导致的结果波动。实现逻辑完全符合中立型交叉效率的学术定义无实现偏差。五、DEA Performance 软件操作与结果展示5.1 模型参数配置在 DEA Performance 软件中进入交叉效率 DEA 模型配置界面按如下参数进行设置规模报酬类型选择「CCR 不变规模报酬」计算导向分别选择「投入导向」与「产出导向」进行两次计算交叉评价模式选择「中立型交叉效率权重均衡」高级选项关闭超效率模式采用默认算术平均聚合参数配置界面如下图所示图1 交叉效率DEA中立型模型参数配置界面5.2 投入导向计算结果完成配置后点击计算软件将自动求解所有 DMU 的最优权重与交叉效率矩阵并输出最终排名结果。5.2.1 结果数据表格软件输出的详细结果表格包含自评效率、最终交叉效率、综合排名等完整信息数据与我们的理论验算完全一致。图2 投入导向CCR中立型交叉效率结果数据表5.2.2 效率柱状图软件支持一键生成可视化效率对比柱状图可直观展示各 DMU 的效率差异与排名情况图形可直接用于论文撰写与报告展示。图3 投入导向CCR中立型交叉效率柱状对比图5.3 产出导向计算结果切换计算导向为产出导向后重新计算得到产出导向下的中立型交叉效率结果。5.3.1 结果数据表格产出导向下的结果同样包含完整的互评矩阵与排名信息数值精度符合学术标准且与投入导向结果满足对偶一致性。图4 产出导向CCR中立型交叉效率结果数据表5.3.2 效率柱状图产出导向的效率柱状图可直观对比各单元的产出提升潜力适配效益考核、产能评价类场景的展示需求。图5 产出导向CCR中立型交叉效率柱状对比图六、结论与总结本文通过标准算例从自评效率基准、交叉效率数学性质、模式相对逻辑、对偶一致性、二级目标实现五个维度对 DEA Performance 软件的 CCR 中立型交叉效率模型进行了全面的准确性验证得出以下结论计算结果准确可靠投入导向与产出导向两组计算结果均完全符合 DEA 基础理论与交叉效率的数学性质数值精度达到 6 位小数与理论推导值无偏差模型实现规范标准中立型二级目标采用 “最小化权重极差” 的经典线性化实现方案符合学术领域的通用定义结果唯一稳定无权重不唯一导致的结果波动问题对偶性质体现完整软件准确还原了 CCR 模型投入 - 产出导向的对偶特性最终交叉效率结果满足一致性底层模型逻辑严谨。对于从事 DEA 相关研究的科研人员尤其是需要撰写效率评价类论文的用户这款工具可作为论文用 DEA 软件推荐的可靠选择。相比很多免费的数据包络分析软件其不仅实现了完整的多模式交叉效率算法还保证了计算结果的学术严谨性。此外本文提出的 “自评校验 - 性质校验 - 逻辑校验 - 对偶校验” 四层验算框架也是一套通用的 DEA 结果异常排查方法可广泛应用于各类 DEA 模型的结果验证。后续我们还将陆续验证超效率交叉效率、非期望产出 DEA 怎么处理、DEA 投影分析怎么做等进阶功能的准确性为大家提供更全面的参考。DEA Performance 链接https://pan.baidu.com/s/1ziQkmN9LmLDebUGBIolIyw?pwd5802