Dearun软件操作

软件简介

     Dearun软件包含了当前DEA研究领域的主流模型，包括基础效率模型、超效率模型、网络DEA模型以及动态Malmquist指数分析，并可以处理存在非期望产出的情形。本文将向您介绍Dearun软件的使用流程，您可以通过下载文中的实例数据进行软件操作，便于您更快的上手本软件。

Dearun功能介绍

恭喜您已经成功打开了Dearun，接下来将向您介绍这个软件的功能：

Dearun使用流程

基础效率模型与超效率模型

• 点击“导入表格”(参考实例数据)，请注意表格的导入形式为：

  DMU名称	投入	产出	非期望产出
  DMU1	xxx	xxx	xxx
  …	…	…	…
  DMUn	xxx	xxx	xxx

数据格式检查

• 导入数据后，点击数据格式初步检查中的截面选项，进行数据格式检查。

数据检查选项会对您导入的数据进行初步的检查，如是否包含0值、空值或非数值(有些同学在整理数据的时候，可能会出现一些excel的错误公式，从而产生非数值的情况，如:#VALUE!)

• 如数据没有上述情况，则有如下输出：检查结果: 经过初步检查，数据内无空值、0或非数值的情况，请进一步选择模型进行计算。
• 如数据存在上述情况，则有如下输出：

模型选择及计算

1. 正确导入表格后，会在右边栏出现表格内容
2. 选择需要测算模型，默认CCR模型 -投入导向
3. 选择规模报酬性，默认CRS
4. 如果选择是DDF模型，请选择合适的方向；若选择的是CCR或SBM模型，“请选择方向”一栏默认即可
5. 填写投入变量的个数，如果有2个投入，请填写阿拉伯数字“2”，不要写多余的字
6. 填写产出变量的个数，同上
7. 填写非期望产出变量的个数，同上，需注意无非期望产出的话，默认即可
8. 点击“开始计算”，右边栏出现计算过程信息
9. 最下面出现计算结果的表格，点击“结果保存”，结果将会储存在与你导入数据的同一个文件夹内
10. 若测算超效率模型，步骤同上，需注意需要将选项卡切换到超效率模型

操作演示

 以SBM模型为例，数据同上，包含2个投入，3个期望产出，2个非期望产出：

动态效率模型（Malmquist指数）

• 切换选项卡为Malmquist指数
• 点击“导入表格”(参考实例数据)，请注意表格的导入形式为：

  时期	DMU名称	投入	产出	非期望产出
  period_1	DMU1	xxx	xxx	xxx
  …	…	…	…	…
  period_1	DMUn	xxx	xxx	xxx
  …	…	…	…	…
  period_m	DMU1	xxx	xxx	xxx
  …	…	…	…	…
  period_m	DMUn	xxx	xxx	xxx

• 第一列放时期，第二列放DMU名称，第三列之后放指标数据
• 时期按照从小到大的顺序，如2019、2020、2021、2022
• 数据的形式与之前版本有一定的更改，以本格式为准

数据格式检查

• 导入数据后，点击数据格式初步检查中的面板选项，进行数据格式检查。

数据检查选项会对您导入的数据进行初步的检查，如是否包含0值、空值或非数值(有些同学在整理数据的时候，可能会出现一些excel的错误公式，从而产生非数值的情况，如:#VALUE!)

• 如数据没有上述情况，则有如下输出：检查结果: 经过初步检查，数据内无空值、0或非数值的情况，请进一步选择模型进行计算。
• 如数据存在上述情况，则有如下输出：

模型选择及计算

1. 正确导入表格后，会在右边栏出现表格内容
2. 选择需要测算模型，默认CCR Malmquist 指数模型 -投入导向
3. 选择规模报酬性，默认CRS
4. 填写投入变量的个数，如果有2个投入，请填写阿拉伯数字“2”，不要写多余的字
5. 填写产出变量的个数，同上
6. 填写非期望产出变量的个数，同上，需注意无非期望产出的话，默认即可
7. 填写测算期数，同上
8. 点击“开始计算”，右边栏出现计算过程信息
9. 最下面出现计算结果的表格，点击“结果保存”，结果将会储存在与你导入数据的同一个文件夹内

操作演示

 以超效率SBM Malmquist指数-全局参比为例，数据同上，3个时期，包含2个投入，3个期望产出，2个非期望产出：

网络DEA模型

• 点击“导入表格”(网络dea实例数据)，请注意表格的导入形式为：

  DMU名称	投入	中间产品	产出
  DMU1	xxx	xxx	xxx
  …	…	…	…
  DMUn	xxx	xxx	xxx

模型选择及计算

1. 正确导入表格后，会在右边栏出现表格内容
2. 选择需要测算模型，默认两阶段网络模型(Kao and Hwang, 2008)
3. 选择规模报酬性，默认CRS
4. 投入、中间产品、产出变量个数的填写同上
5. 点击设置，选择在求出整体效率值后，最大化哪一阶段的效率值（0或1），默认第一阶段（详情解释请看下文）
6. 计算出结果后，请点击“结果保存”

 以两阶段网络模型(Kao and Hwang, 2008)为例，数据同上，包含2个投入，2个中间产品，2个产出：

视频演示

数据包络分析（DEA）方法介绍及各类模型（含非期望产出）的计算方法详解及软件实现

注：上面视频里的面板数据格式为老旧格式，请参照下面这个视频的数据格式

超详细的Malmquist、Malmquist-Luenberger指数（相邻、全局参比）处理DEA面板数据的公式与计算方法介绍

基于Excel深入理解全局Malmquist指数的计算公式与方法

模型简要介绍（必看）

交叉效率介绍

• 交叉效率的计算均基于CCR模型，Dearun分别预设了四种交叉效率模型：

1. 基础交叉效率模型
2. Minimizing total deviation from the ideal point
3. Minimizing the maximum d-efficiency score
4. Minimizing the mean absolute deviation

• 操作注意事项

1. 在选择模型交叉效率模型后，右边的设置按钮变为可选择状态，点开后，会出现如下界面：
2. 选择你所需要的交叉效率模型，点击一下对应的选项即可。其中MTDFIP、MMDS、MMAD均是在原有基础上引入第二阶段的目标函数，结果可能会相同，具体请参照上述提到的论文
3. 上述交叉效率模型无法处理非期望指标，因为均是基于CCR模型提出，所以如果有非期望产出，请自行转为投入指标

SBM模型介绍

普通SBM模型结果解读

• 对于普通SBM模型来说，采用的是Tone2001年及2007年的文章进行建模计算（2007年定义的包含非期望产出的SBM形式）。
• 在计算结果里slack都是正的，投入slacks代表的是投入需要减少的量、产出slacks代表的是产出需要增加的量，非期望产出slacks代表的是非期望产出需要减少的量

例：对于DMU1，投入slack=1，产出slack=1，非期望产出slack=1，分别代表投入需要缩减1，产出需要扩增1，非期望产出需要缩减1，这样DMU1才是有效的

超效率SBM模型结果解读

• 对于超效率SBM模型来说，只需要对普通SBM模型里等于1的DMU代入超效率模型中进行计算，采用的是Tone2002的文章进行建模计算。
• 在计算结果里，对于小于1的，用的仍是SBM模型，slack的含义同上
• 对于大于1的，采用超效率SBM模型，为了与效率小于1的slack示以区分，slack全部标记负号，代表着超出前沿的量

例：对于DMU1，如果效率大于1，且投入slack=-1，产出slack=-1，非期望产出slack=-1，代表投入扩增1，产出缩减1，非期望产出扩增1（均为反向变化），DMU1经过这样的变化后，仍然是有效的，从而体现了一种“超”效率的思想

Directional SBM模型与Non-radial DDF模型

• Directional SBM模型与Non-radial DDF模型通过设定合适的权重或方向，两者可以相互转换，本质上是类似的模型，这里给出经典的模型定义式。

1. Directional SBM模型：Fukuyama H, Weber W L. A directional slacks-based measure of technical inefficiency[J]. Socio-Economic Planning Sciences, 2010, 43(4): 274-287.
   

在Directional SBM模型中，采用的是论文中比较常见的方向向量，默认为x0,y0,b0。

2. Non-radial DDF模型：Barros C P, Managi S, Matousek R. The technical efficiency of the Japanese banks: Non-radial directional performance measurement with undesirable output[J]. Omega, 2012, 40: 1-8.
   

EBM模型介绍

模型背景

• EBM（epsilon-based measure）模型是由Tone和Tsutsui于2010年提出的模型，融合了径向与SBM模型，将指标的改进分为了径向改进及松弛改进两部分，不同指标的处理方式不同。具体思想是通过原始数据先计算有效的投影值矩阵，并引入“affinity index”，用来定义投入/产出数据之间的“affinity matrix”，从而推导出EBM模型的两个参数ε及w，将原始数据代入EBM模型中进行计算，从而得到最优效率值。

计算过程

1. 先将所有数据通过ADD模型或SBM模型投影到有效前沿上：
   
2. 得到投影矩阵：
   
3. 计算所需参数：
   
4. 代入EBM模型：
   

• 步骤3仅给出了对于产出系数的计算方式，投入也是一样的处理方式
• 步骤3中省略了affinity matrix的部分计算过程，具体步骤请参照原文
• 除此之外，在步骤4的模型中，加入了对θ和η的限制，分别要求θ小于等于1，η大于等于1，防止出现投入的径向改进量θ大于1的情况，产出同理
• Dearun在投影值的计算中，采用的是SBM模型
• EBM模型暂时不能处理非期望产出，如有非期望产出，请将其转为投入

结果分析

• 选项卡选择EBM模型，设定好投入与产出，点击开始计算，求解信息展示栏会出现以下结果：
• 模型中的epsilon参数为: [0.48795723531095225, 0.47644560744724607]分别代表投入和产出的ε值
• 指标权重为: {'输入1': 0.5000000000000001, '输入2': 0.5, '输出1': 0.3169771854782232, '输出2': 0.3463965934614732, '输出3': 0.33662622106030354} 分别代表投入、产出不同指标的权重值，并均以进行归一化处理
• 结果输出展示中会给出投入和产出的径向效率值及松弛改进，投入的径向改进为sita，产出的径向改进为fai

DDF模型的方向介绍

• DDF的方向及可处置性预设了以下四种：
  

这四种方向及可处置性分别对应的非期望产出的处理方式为：

• $(-x_0,y_0,-b_0)$弱可处置性$=$： $\sum_{j=1}^{n} \lambda_{j} b_{t j} =(1-\beta) b_{t0}$
• $(-x_0,y_0,-b_0)$强可处置性$\leq$： $\sum_{j=1}^{n} \lambda_{j} b_{t j} \leq (1-\beta) b_{t0}$
• $(-x_0,y_0,-b_0)$强可处置性$\geq$： $\sum_{j=1}^{n} \lambda_{j} b_{t j} \geq (1-\beta) b_{t0}$
• $(-x_0,y_0,b_0)$强可处置性$\leq$： $\sum_{j=1}^{n} \lambda_{j} b_{t j} \leq (1+\beta) b_{t0}$

除对非期望产出的处理方式不同外，目标函数与其他约束条件均相同。
目标函数均为： $\max \beta$
投入和期望产出的约束均为:
$\sum_{j=1}^{n} \lambda_{j} x_{i j} \leq(1-\beta) x_{i0}$
$\sum_{j=1}^{n} \lambda_{j} y_{r j} \geq(1+\beta) y_{r0}$

Malmquist模型介绍

• Dearun可以求解以下几种Malmquist指数模型：
  

Malmquist模型结果分析

• 在表格结果中，e-t-t+1_0代表第t+1期的DMU相比于第t期参考集的效率值$D^{t}\left(x^{t+1}, y^{t+1}, b^{t+1}\right)$，其他同理；在全局参比的结果中，e-g-t+1_0代表第t+1期的DMU相比于全局参考集的效率值$D^{G}\left(x^{t+1}, y^{t+1}, b^{t+1}\right)$，其他同理。
• 每一个时期的结果分为7列，前四列（e-xx-xx_i的形式）均为指数的计算过程，无需关注；只需考察每个时期的后三列，effch表示效率变化， techch表示技术进步，tfpch表示TFP指数的变化率。
• effch、techch、tfpch后面的数字i代表第i期的结果，如果有四年：2019，2020，2021，2022年，i=0代表2019-2020年的指数值；i=1代表2020-2021年的指数值，以此类推。

M指数、ML指数与GML指数计算方式

• ①Malmquist指数计算方式如下：

• ②全局Malmquist指数计算方式如下：
• ③Malmquist-Luenberger计算方式如下： $$ $$
• ④Global Malmquist-Luenberger计算方式如下：
  

注：以上所有公式均来自原论文

网络DEA模型介绍

基础两阶段模型

• 目前软件加入两种经典的两阶段网络DEA模型，生产过程为：

这两种模型，第一阶段的产出需全部作为第二阶段的投入

• 两个模型的区别主要是：整体效率和两个子阶段效率之间的关系分别是multiplicative和additive的，且Kao and Hwang(2008)的模型只支持CRS约束下的计算，而Yao et al.(2009)在CRS和VRS假设下均可以计算，具体模型形式请大家参考原文（如下给出了Yao et al., 2009的模型形式）。
  
• 前文在网络DEA操作介绍中给的实例数据为两篇论文中原文所采用的数据，由于原文中数据的数量级过大，防止计算中出现数值问题，所以对所有指标下的数据同除以了10000，结果仍然与原文是相同的。
  [第一弹]网络DEA模型发展及经典模型的解读与计算（共享投入、两阶段网络DEA）

进阶两阶段模型

• 共享投入两阶段模型
  

• Centralized两阶段模型
  
  

  参考文献

  • 两个模型参考的文献分别为：

  1. Yao C, Du J, Sherman H D, et al. DEA model with shared resources and efficiency decomposition[J]. European Journal of Operational Research, 2010, 207(1): 339-349.
     文章数据：链接
  2. Li Y, Chen Y, Liang L, et al. DEA models for extended two-stage network structures[J]. Omega, 2012, 40( 5):611-618.
     文章数据：链接
  
  [第二弹]网络DEA模型发展及经典模型的解读与计算（共享投入、两阶段网络DEA）

• 共享投入两阶段模型需要设置每个共享投入在第一阶段的比例范围，详情请参照教程视频。

• 后期将支持更多的网络DEA模型，尽请期待。

Dearun注意事项

请逐条仔细阅读下列注意事项

• 如果数据表格导入有误，将会出现Error:数据读取有误，请检查数据的字样，那么请您重新检查数据格式
• 一定要注意数据 的正确格式，在静态模型中，第一列放DMU名称，第二列开始按照投入、产出、非期望产出的顺序放置数据，在动态模型中，第一列放时期，第二列开始按照DMU名称、投入、产出、非期望产出的顺序放置数据，确保数据准确无误，否则计算结果将出错
• 请注意指标里不能出现负数据、0数据，如果出现上列数据，请自行进行处理为正数据，本软件不内置处理方法
• 数据正常导入后，点击开始计算后若出现出错，请检查步骤是否正确，那么请您检查是否按照上述步骤进行操作
• 在导入数据后，您可以多次测算模型，并通过最下方查看计算的结果
• 在使用CCR模型处理非期望产出指标时，会默认将非期望产出归于投入指标来进行计算（在基础CCR、超效率CCR，Malmquist CCR均采用这样的处理方式）
• CCR的CRS与VRS假设下均会给出技术效率、纯技术效率、规模效率及规模报酬情况，但是需要注意松弛改进量是不同的，与您选择的假设有关
• 请注意使用涉及到DDF的相关模型时必须选取方向，如果不选取方向将无法进行求解
• SBM与EBM模型软件内置的均为非导向，没有投入/产出导向的SBM、EBM，因为使用情况特别少
• 如在使用除DDF的模型外，方向选择一栏将变灰
• 只有选择交叉效率模型，设置选项才可以进行选取，默认普通交叉效率
• 在使用Malmquist模型时务必正确填写期数，如果不填写期数将无法进行求解
• 使用超效率模型时或使用VRS假设时，会由于模型不可行的问题导致无法产生最优解，会在表格里进行标注infeasible，并会在信息框中提示您。如果出现了无可行解，建议您更换规模报酬假设、更换方向或更换模型
• 数据量纲不能差距太大，如出现量纲差距很大，请先调整量纲，否则结果可能会出错
• 由于精度问题，结果会出现0.9999999999或者1.000000000001这类型的数据，这些都视为效率等于1
• 如果您需要保存数据，请务必按下“结果保存”键，否则不会对结果进行保存
• 用到的所有模型均是基于原始论文继续复现
• 软件提供了检查更新的功能，运行后可以点击右下角的检查更新，如果有新版本，将会提醒您去官网安装新版本
• 如果出现点击“结果保存”键没反应的情况，可能是您之前保存过同样的模型结果，且excel文件保持打开的状态，如果继续保存会生成同名文件，因此无法继续覆盖保存，所以会出现保存失败的情况。如果您遇到这种情况，请将之前的模型结果文件关闭，并修改文件名（如加入后缀等），然后再点击“结果保存”键。
• 如果您在使用中出现了什么问题，请及时联系我的邮件，也欢迎您对后续的功能进行建议
• 解释权归作者所有

Support or Contact

QQ： 2229263318