数据包络分析（，DEA）是运筹学和经济学中一种非参数化的评估生产前沿的方法。这一分析方法广泛应用于多个领域，包括国际银行业、经济可持续性研究、警务运营，以及物流管理。DEA还被用于评估自然语言处理模型的性能，在机器学习领域也展现出诸多应用前景。

简述
数据包络分析（DEA）是一种实证测量决策单元生产效率（DMU）的方法。尽管起源于经济学的生产理论，但如今已广泛应用于运营管理的标杆评估。在标杆分析中，研究者选择一系列指标，对制造业和服务业的运营绩效进行比较。

与必须预先设定生产或成本函数的参数化方法不同，非参数化方法仅根据可获得的数据比较可行的投入产出组合。作为最常用的非参数化方法之一，数据包络分析得名于其对数据集中高效决策单元的“包络”特性。在这一方法中，经验上最高效的决策单元构成了“最佳实践前沿”，其他所有决策单元都与之对标。

数据包络分析之所以广受欢迎，主要有三个原因：

假设条件相对较少

能够对多维度的投入和产出进行标杆比较

不同于传统方法，DEA并不追求构建严格的“生产前沿”，而是试图找出实践中最为高效的运营模式。

历史
DEA最早可追溯到1978年。在Farrell的研究基础上，查恩斯、库珀和罗德斯、引入输入输出的有限替代性、考虑规模收益变化，以及开发更复杂的分析技术，如随机DEA和交叉效率分析等。

脚注
参考文献
*
*
*
*
*
*
*

*
*
*
*
*
*
*
*
*
*

Lovell, C.A.L., & P. Schmidt (1988) "A Comparison of Alternative Approaches to the Measurement of Productive Efficiency, in Dogramaci, A., & R. Färe (eds.) Applications of Modern Production Theory: Efficiency and Productivity, Kluwer: Boston.

*
*
*
*
*
*
*

外部链接
*[https://www.dataenvelopment.com Data Envelopment Analysis]官方网站
[https://www.springer.com/journal/11123 Journal of Productivity Analysis*]官方网站