1. 核心概念与模型选型：搞懂DEA家族

1.1 DEA到底在测什么：别再只背公式不落地

先聊点实在的。大家做效率评价，手头往往是一批决策单元（DMU），比如同一家银行的不同网点、同一省份的不同医院、同一行业里的不同企业。你想知道哪个单元“表现好”、哪个“拖后腿”，光看单指标容易误判——毕竟有的单位是投入少但产出也少，有的是投入大但产出也大，怎么比才算公平？DEA干的事情就是给每个单元算一个综合效率得分，回答“在同样的产出水平下，谁用的投入最少”或者“在同样的投入水平下，谁的产出最多”。

很多人第一次接触DEA，容易被“数据包络分析”这个名字吓住。其实拆开看很直白：数据，就是你的投入产出指标；包络，就是根据所有样本的投入产出组合，画出一条“前沿面”把所有点都包在里头；分析，就是看每个单元离这条前沿面有多远。离得越近，效率越高；离得越远，说明还有改进空间。这样就能回避人为设定权重的问题，也不需要假设具体的生产函数形式，所以特别适合多投入多产出的效率评价场景。

我自己的体会是，DEA最吸引人的地方在于它是“以数据说话”：不需要预先指定权重，也不用假设投入和产出之间有某种固定的数学关系。对于很多政策评估和高管决策来说，这种“黑箱”属性反而成了优势——你只需要提供客观的投入产出数据，就能得到一个相对客观的效率排序。但反过来，DEA对数据质量极其敏感，指标选得不好、方向搞反了，结果很容易离谱，这也是为什么我后面专门花大篇幅讲数据预处理。

1.2 四大主流模型的适用场景对比

DEA发展了半个世纪，模型迭代出了好多版本，但实际做研究、写论文、做咨询，绝大多数场景跑不出这四类模型：CCR、BCC、SBM和超效率模型，外加一个常跟面板数据绑定的Malmquist指数。它们之间的关系，我建议你用一句话记住：

CCR假设所有单元都在最优规模下运营，BCC放宽了这个假设，SBM关注的是“松弛改进量”，超效率则是把那些已经得满分的单元再排个名次。

下面这个表格可以帮你快速选型：

选模型的时候，最常踩的坑是把CCR和BCC混为一谈。CCR算出来的效率叫综合技术效率，它包含了一部分由规模因素带来的影响；BCC剥离了规模影响，给出的是纯技术效率。后者算出来的得分一般不低于前者。两者之比，就是规模效率。如果你发现某个决策单元CCR得分低、但BCC得分接近1，那问题多半出在规模上——要么规模太大，要么太小，都可能导致规模无效率。

另一个容易忽略的点是“径向”和“非径向”的区别。传统CCR/BCC属于径向模型，意思是所有投入同比例缩减；但现实里往往只有某一种投入过剩、其他投入正好，这时候径向模型会低估无效率的程度。SBM模型把松弛变量直接放进目标函数，能抓住更细的改进空间。所以如果某个指标冗余特别突出，建议优先考虑SBM。

2. Stata环境准备与数据规范：动手前必做的三件事

2.1 安装命令：从一个坑说起

Stata官方仓库里本身不带DEA模块，需要先安装第三方命令。很多新手在这里就摔了一跤——直接在命令窗口敲ssc install dea报错，理由往往是网络问题。我的经验是，用ssc install之前，先执行一次ssc hot检查下仓库连通性，或者直接设置镜像源。

* 如果没有安装过，先装dea命令包 ssc install dea * 如果需要面板数据分析，安装malmq命令 ssc install malmq * 推荐同时安装结果导出工具，方便整理到Word/Excel ssc install estout

装完之后，可以用help dea查看官方帮助文件，确认版本是否正常。版本不一致可能导致后续结果对不上，建议统一环境。

提示：Stata版本最好10.0以上，个别命令需要16.0以上才支持。写代码前先version看一下，免得因为版本差异报莫名其妙的问题。

2.2 数据面板结构：指标方向、缺失值、量纲处理

DEA对数据格式有一些“硬性”要求。首先，所有投入产出指标必须是数值型，方向必须符合经济学直觉：投入是指成本类、消耗类指标，产出是收益类、成果类指标。方向反了，效率值出来就是错的。其次，DEA属于非参数方法，对异常值比较敏感，数据录入前务必做描述性统计，看看有没有极端值或明显错误。

量纲问题几乎是新手必踩的坑。DEA有一个很好的性质，就是结果不受投入产出指标的量纲影响——即便你的投入单位是“万元”，产出单位是“人次”，也不会改变效率值。但请注意，这不代表你可以不处理量纲差异。如果某个变量的数量级和其他变量差异过大（比如一个变量是0到1之间的小数，另一个是几千万的大数），Stata在求解线性规划时可能出现数值稳定性问题。稳妥的做法是先把所有指标归一化，或者统一压缩到相近的数量级。

再说缺失值。DEA命令要求样本记录完整，一旦某条观测有缺失，整个DMU就可能被自动剔除。千万别默认为系统会自动处理，很多时候你的样本量莫名减少，问题就出在这儿。最好在跑模型前，用misstable检查一遍数据完整性。

* 数据初步检查 misstable summarize * 如需标准化处理 foreach v of varlist x1 x2 y1 y2 { egen temp_min = min(`v') egen temp_max = max(`v') gen `v'_std = (`v' - temp_min) / (temp_max - temp_min) drop temp_min temp_max }

2.3 面板数据的前置整理：产业界最高频的“合并与 reshape”

做Malmquist指数分析时，需要把数据整理成面板形式，也就是每一行要能唯一确定“决策单元+时期”的组合。很多时候原始数据是宽格式：一行是一个单元，然后按年份横着排了多期。如果不做reshape，直接丢给Stata跑面板DEA，结果会乱套。

* 示例：将宽格式数据转换成长格式 reshape long x1 x2 y1 y2, i(dmu) j(year)

reshape之后，再检查一下每个单元在每个时期是否都有完整的观测，形成平衡面板。非平衡面板不是不能跑，但解释结果时要格外小心，因为跨期比较的基准有可能不一致。

3. 四大核心模型的Stata代码实现：一步步照做即可

3.1 CCR和BCC模型：dea命令实操

这里我用一个真实的模拟数据来演示。假设你有10家医院，投入指标选了2个——床位数x1、医生数x2，产出指标也是2个——门诊人次y1、住院人次y2，跑CCR和BCC。

* 导入数据（示例） input dmu x1 x2 y1 y2 1 100 50 3000 1800 2 120 60 3500 2000 3 90 45 2800 1700 4 150 70 4000 2200 5 110 55 3200 1900 6 130 65 3800 2100 7 80 40 2500 1500 8 95 48 2900 1750 9 140 68 3900 2150 10 105 52 3100 1850 end * CCR模型：投入导向，规模报酬不变 dea y1 y2 = x1 x2, rts(crs) ort(in) stage(1) * BCC模型：投入导向，规模报酬可变 dea y1 y2 = x1 x2, rts(vrs) ort(in) stage(1)

dea命令的基本语法是dea 产出变量 = 投入变量，核心选项有以下三个：

• rts()：设定规模报酬类型。crs表示不变规模报酬，vrs表示可变规模报酬，还有drs和irs分别表示递减、递增规模报酬。
• ort()：设定导向。in表示投入导向，out表示产出导向。投入导向的意思是在产出不变的前提下，测算投入可以压缩的比例；产出导向则是在投入不变的前提下，测算产出可以扩张的比例。
• stage：设定运行阶段。stage(1)是标准DEA，部分扩展命令还支持两阶段分析。

BCC模型算完后，可以用CCR效率除以BCC效率，得到规模效率。Stata不会直接帮你除，但我们可以手动算：

* 保存CCR和BCC结果 dea y1 y2 = x1 x2, rts(crs) ort(in) stage(1) matrix te_crs = e(theta) dea y1 y2 = x1 x2, rts(vrs) ort(in) stage(1) matrix te_vrs = e(theta) * 计算规模效率 svmat te_crs, names(te_crs) svmat te_vrs, names(te_vrs) gen se = te_crs1 / te_vrs1 list dmu te_crs1 te_vrs1 se

3.2 投入导向 vs 产出导向：到底该选哪一个

很多人问“投入导向还是产出导向？”，这个问题没有绝对答案，完全看场景。如果决策单元对投入的控制力更强，比如医院可以根据病人量调整床位和医生排班，采投入导向更合理；如果投入相对刚性、产出弹性更大，比如你没法减少投资额，但可以通过改进流程提高产值，那产出导向更合适。

实践中还有一个经验：当效率值差异不大时，两种导向得到的排名通常比较接近；但差异显著时，结果可能完全不同。稳妥的做法是两种都跑一遍，在论文里报告敏感性分析。如果你写的是应用型报告，建议主分析选一个导向，稳健性检验里放另一个导向的结果，这样评审不容易挑刺。

3.3 超效率模型：把有效单元“分出名次”

传统DEA模型有个“毛病”：所有效率值为1的决策单元都并列第一，你没法在它们之间再排序。这时候就需要超效率模型。它的思路是：评价某个有效单元时，先把这个单元本身从参考集里剔除，再考察它“远离前沿”的程度。效率值可能大于1，这正是我们想要的排名信息。

Stata里的dea命令不支持直接做超效率，需要借助独立的第三方命令或者高度定制的写法。常用的替代方案是用teradial等命令。此外，也可以配合Data Envelopment Analysis专用软件（如MaxDEA）跑超效率，再把结果导回Stata可视化。

* 安装超效率相关命令（部分环境不可用，则建议在MaxDEA中完成） ssc install teradial teradial y1 y2 = x1 x2, rts(vrs) ort(in) super

需要注意，超效率模型存在“不可行解”问题，意思是有时候某个单元会算不出效率值，这在投入导向的VRS模型里尤为常见。遇到这种情况，不要慌，也不要用0去填充，应该改为产出导向再试，或者检查是否有异常值。

3.4 Malmquist指数：面板数据下的生产率波动

如果你有多年数据，光看静态效率就有点浪费了。Malmquist指数可以测度从t期到t+1期的全要素生产率变化，并且把这种变化分解为“效率变化”和“技术变化”两部分。效率变化是说追赶前沿的能力提高了没有；技术变化是说起前沿本身往前移动了多少。

* 假设面板数据已经按dmu和year排好 * y1 y2是产出，x1 x2是投入 malmq y1 y2 = x1 x2, dmu(dmu) year(year) ort(in) scale(vrs)

malmq命令输出结果包含以下几个核心变量：

• tfpch：全要素生产率变化指数，大于1表示生产率提升，小于1表示下降。
• effch：技术效率变化，可以继续分解为纯技术效率变化和规模效率变化。
• techch：技术进步变化，反映生产前沿面的移动。

用Malmquist时最容易犯的错误是直接把dea的结果和malmq的结果混在一起解释。记住，malmq是跨期相对变化，dea是当期绝对水平，两者的含义完全不同。还有就是对“技术变化指数大于1”的解读：它代表的是前沿面外移，并不直接等于某一家的技术创新能力提升了，更多是行业整体技术边界的移动。

4. 结果解读与论文输出：从数字到结论的关键一跳

4.1 结果表怎么看：效率值、排名、投影值

跑完模型后，Stata会生成几个结果矩阵，常用的是效率值矩阵e(theta)。得到这个值之后，建议大家配合以下几步做结果解读：

1. 先看整体分布。效率值是否集中在1附近？如果几乎全是1，说明样本之间差异不大，DEA的区分度有限，可能要考虑换指标或者换模型。
2. 再看偏低单元。效率值低于0.8的单元，一般是要重点关注的“问题户”。不妨回到原始数据看看，到底是什么投入过高，或者产出过低。
3. 最后看标杆样本。效率值为1的单元，尤其是多次被参考的单元，就是其他样本学习的标杆。你可以使用dea命令的stage(2)选项，得到改进目标值和松弛量。

* 两阶段分析：获取投入产出改进目标 dea y1 y2 = x1 x2, rts(vrs) ort(in) stage(2) matrix slack = e(slack) matrix target = e(target)

输出slack矩阵表示优化后仍可改进的松弛量，target表示达到前沿所需的投入目标值或产出目标值。这些都是写政策建议时的直接素材。比如：“床位松弛量为12张，表明某医院在效率前沿下可削减12张床位而不影响现有服务量。”

4.2 如何把结果导出到Word/Excel

Stata窗口里的表格不利于直接写报告，我一般用estout或putexcel导出结果。

* 生成效率得分变量 svmat te_crs, names(te_crs) svmat te_vrs, names(te_vrs) gen se = te_crs1 / te_vrs1 * 整理并导出 export excel dmu te_crs1 te_vrs1 se using "DEA_results.xlsx", firstrow(variables) replace

这里有个细节需要注意：svmat命名时如果已有同名变量，会自动加数字后缀，避免覆盖，但这也容易让变量名变成te_crs1、te_crs2这种不太直观的形式。建议导出前用rename重新命名。

4.3 画图辅助解释：效率分布与散点矩阵

DEA结果用表格看总归不够直观。我通常会画三类图：效率得分的箱线图、各年效率均值的折线图、以及投入产出指标的散点矩阵。

* 效率分布箱线图 graph box te_crs1 te_vrs1 se, legend(label(1 "综合效率") label(2 "纯技术效率") label(3 "规模效率")) * 按年份画均值走势 collapse (mean) te_crs1, by(year) twoway line te_crs1 year, xtitle("年份") ytitle("平均效率") name(plot1)

画图的时候注意，DEA效率值被限定在0和1之间（超效率除外），所以纵坐标可以固定下来，方便不同图之间对比。

5. 常见错误与排查实录：踩过坑才知道的那些事

5.1 命令报错“variable not found”和“no observations”

这两个报错属于高频问题，分享下我自己的排查顺序：

• “variable not found”大概率是变量名打错了，尤其注意Stata对大小写敏感。你需要describe一下确认字段名，而不是凭记忆敲命令。
• “no observations”往往是被if条件或者by前缀过滤得只剩0行记录了。我的建议是把条件拆开逐条验证，别一口气写很复杂的限制条件。

5.2 效率值全是1或差异极小怎么办

如果你的DEA结果跑出来效率值几乎都贴近1，先别高兴，这并不代表所有样本都优秀，很可能是指标选择出了问题。常见原因有三种：投入产出指标太少、样本量太小，或者指标之间严重相关。DEA的区分度依赖样本和指标的相对数量，经验上DMU数量至少应是指标数量的3倍，否则结果缺乏区分度。

如果确实是数据限制，可以考虑减少指标数量，或者改用SBM模型。SBM的非径向特性通常能在同样数据下给出更分散的效率值。

5.3 面板数据做Malmquist时总提示年份缺失

Malmquist对面板结构要求很严，经常出现“panel not strongly balanced”的提示。这时候先用xtset dmu year声明面板，再用xtdes检查平衡性。如果发现有些单元在个别年份缺失，可以按单元做组内插补，或者直接剔除不完整单元。千万别让缺失值一直在数据里挂着，会让结果基准不统一。

5.4 快速查错表

6. 用好DEA的几个避坑经验：给新手的干货建议

我做了几年效率评价，最大的体会是：DEA的真正难点不在软件操作，而在指标设计和结果解释。这里有几个我后来才想明白的点，分享给大家。

第一，指标不是越多越好。很多初学者恨不得把所有变量都塞进去，结果模型区分度急剧下降，因为指标一多，每个DMU都很容易找到自己在某个维度上是“有效”的证据。我一般建议投入和产出各选2-3个核心指标，宁缺毋滥。

第二，先做相关性检查。投入之间高度正相关、产出之间高度正相关，会让模型把冗余当成有效，导致效率值虚高。你可以用correlate看看变量间关系，如果某两个投入变量相关系数超过0.8，建议合并或者只保留一个。

第三，解释结果时回归业务。效率值只是一个协助做判断的参考，但最终还要落回到实际场景。某家医院效率低，是因为编制导致人力冗余，还是设备利用率不足，这需要回到现场去看数据背后的经营逻辑。DEA给你指了一个方向，但路怎么走，还得靠你对行业的理解。

第四，稳健性检验一定要做。换个导向、换套模型，看排名是否发生大的波动。只要核心结论不变，你的分析和建议才站得住脚。我在实际项目中，经常一口气跑CCR、BCC、SBM三种模型，然后对比三组效率值的一致性，最后写进报告里，评审基本不会再拿“模型设定问题”来质疑。

最后说一句关于Stata命令生态的事。DEA在Stata里的支持没有专用软件全面，但如果只是做常规的CCR/BCC/Malmquist，Stata完全够用。遇到需要网络DEA、动态DEA这类高级模型时，再考虑切到MaxDEA或者DEAP，也没必要一开始就追求复杂工具。效率分析这件事，先跑稳经典模型，把指标和数据理清楚，比会用十个高级模型都管用。