CCR 数据包络分析

一、直观理解：在“规模报酬不变”下找谁投入少产出多

数据包络分析（DEA）评价多投入、多产出的决策单元（DMU）相对效率。CCR 模型（Charnes–Cooper–Rhodes）假设规模报酬不变（CRS）：投入按比例缩放，产出同比例缩放仍可行。

效率像“用更少资源生产更多成果”。DEA 不需要预知生产函数形式，而是用线性规划在样本中撑起生产前沿：落在前沿上的 DMU 效率为 1，内部点小于 1。

二、适用场景与优缺点

类型	说明
适用场景	银行网点、医院、学校、城市、项目等多投入多产出；同质 DMU；关注相对效率。
核心优点	无需权重先验（由模型内生）；可处理多产出；给出标杆与改进方向（对偶松弛）。
局限与缺点	相对效率，样本一变结果变；对指标选择敏感；CRS 可能不符合现实；DMU 数宜明显多于投入产出数；极端值影响前沿。

三、核心原理

投入导向 CRS 包络形式（评价 DMU $_0$ ）：

\begin{aligned} \min_{\theta,\lambda}\quad &\theta\\ \text{s.t.}\quad &X\lambda \le \theta x_0\\ &Y\lambda \ge y_0\\ &\lambda\ge 0 \end{aligned}

$\theta^*\in(0,1]$ 为技术效率。 $\theta^*=1$ 且松弛为 0 时称强有效。

等价的分式规划形式：选择投入/产出权重，使该 DMU 的效率比最大，并约束所有 DMU 的效率比不超过 1。产出导向则固定投入、最大化产出扩张比例。

四、关键决策

决策点	建议
投入/产出	越多越好 → 产出；越少越好 → 投入
导向	投入更可控 → 投入导向
CRS vs VRS	规模影响大 → 改用 BCC
DMU 数量	经验上 $n\ge \max\{m s,\ 3(m+s)\}$ 量级
指标	避免高度重复；径向 DEA 对单位不敏感

五、MATLAB 示例

使用 linprog 求解投入导向 CCR：

% 行 = DMU，列 = 投入/产出
Xin = [
    2 3;
    3 2;
    4 5;
    2 4
];
Yout = [
    1;
    1;
    2;
    1
];

X = Xin';    % m x n
Y = Yout';   % s x n
[m, n] = size(X);
s = size(Y, 1);
theta = zeros(n, 1);
options = optimoptions("linprog", "Display", "off");

for j0 = 1:n
    % 变量 z = [theta; lambda(1..n)]
    % min theta
    % s.t.  X*lambda <= theta * x0   →  -x0*theta + X*lambda <= 0
    %       Y*lambda >= y0           →  -Y*lambda <= -y0
    f = [1; zeros(n, 1)];
    A = [
        -X(:, j0),  X;
         zeros(s,1), -Y
    ];
    b = [zeros(m, 1); -Y(:, j0)];
    lb = zeros(n + 1, 1);
    [z, ~, exitflag] = linprog(f, A, b, [], [], lb, [], options);
    if exitflag > 0
        theta(j0) = z(1);
    else
        theta(j0) = NaN;
    end
end

disp("CCR 投入导向效率 θ：");
disp(theta');
disp("有效 DMU（θ≈1）：");
disp(find(theta > 1 - 1e-6)');

六、如何解释结果

有效单元作为标杆；
无效单元 $\theta$ 的含义：在保持产出下，投入可径向缩至 $\theta$ 倍（理想情形）；
松弛变量：径向收缩后是否还需额外减投入或增产出；
指标定义与样本边界；
与 BCC 对比，区分纯技术效率与规模效率。

七、常见误区

1. 把相对效率当绝对生产力

换一批可比对象，前沿就会变。

2. DMU 太少、指标太多

容易“人人有效”，失去区分度。

3. 产出与投入放反

效率方向完全错误。

4. 忽略同质性

不可比单位硬放同一前沿。

5. 只报 $\theta$ 不谈改进路径

浪费 DEA 的标杆信息。

附：建模论文中的写法要点

问题对应：用一两句话说明为何该方法匹配题目数据结构与目标（分类/分群/排序/效率）。
符号与步骤：按“输入 → 预处理 → 核心计算 → 输出指标”列出编号步骤，公式与代码变量名一致。
参数表：列出全部可调参数、取值、选取依据（CV、信息准则、业务约束或灵敏度）。
结果呈现：主结果用表格；辅以 1–2 张图（边界、树状图、得分条形图、效率分解等）。
稳健性：至少做一种扰动——删点、换权重、换距离、换初值或换阈值，观察结论是否保持。
局限：主动写明假设（球状簇、线性可分、CRS、完全补偿等）及适用边界，避免被质询时被动。

若主方法结论与合理基线（如 K-means 对 GMM、加权和对 TOPSIS、CCR 对 BCC）严重冲突，应回到数据质量与指标方向检查，而不是只报告“更好看”的一种结果。

附：计算检查清单

在提交结果前，建议按下列清单快速自检：

输入矩阵：行/列含义是否与正文一致，有无缺失、重复行、单位混用。
方向与尺度：极小型是否已正向化；聚类/距离类是否已标准化；评价类权重是否归一。
参数来源：所有阈值、簇数、核宽、理想解定义能否在正文找到依据。
数值稳定：协方差/相关是否接近奇异；DEA 线性规划是否全部求解成功；对数/除零是否加保护。
随机性：涉及随机初值的算法是否固定种子并报告多次结果的稳定性。
验证协议：分类任务是否严格隔离测试集；重采样/SMOTE 是否仅用于训练折。
图表编号：主结论表与图在正文中被引用，而不是只放附录。
可复现：给出软件版本（如 MATLAB R20xx）与关键函数名，使读者能重跑最小示例。

不满足清单中任一项时，优先修正流程，再讨论“方法先进性”。对综合评价题，额外检查：更换一种合理权重后，前三名是否大体稳定；若剧烈跳动，应降低对精细名次的措辞强度。

八、小结

CCR 在规模报酬不变假设下，用线性规划测度 DMU 的径向相对效率，是 DEA 的经典起点。

适用于多投入多产出的相对有效性评价；若规模因素重要，应继续采用 BCC 做分解。

一、直观理解：在“规模报酬不变”下找谁投入少产出多​

二、适用场景与优缺点​

三、核心原理​

四、关键决策​

五、MATLAB 示例​

六、如何解释结果​

七、常见误区​

1. 把相对效率当绝对生产力​

2. DMU 太少、指标太多​

3. 产出与投入放反​

4. 忽略同质性​

5. 只报 θ\thetaθ 不谈改进路径​

附：建模论文中的写法要点​

附：计算检查清单​

八、小结​