简介本资源是一套基于MATLAB实现数据包络分析DEA的综合评价与决策建模代码面向管理科学、运筹学、经济绩效评估等领域的初学者与实践者解决多输入多输出场景下决策单元相对效率测算与优化分析问题。压缩包共3个文件均为MATLAB脚本.m核心为dea.m——封装了CCR/BCC等主流DEA模型的线性规划求解逻辑辅以zh.m提供中文注释与调用说明zy.m可能承担数据预处理或结果可视化功能整体仅1KB轻量易读便于快速理解算法结构与工程落地路径。已有123人学习下载适合零基础接触DEA的用户通过可运行代码掌握建模流程亦可作为科研复现、教学演示或进一步扩展窗口DEA、敏感性分析的可靠起点。1. 这不是普通MATLAB评价代码它用数据包络分析DEA把多指标决策变成可验证的效率边界判断你手头这个名为“2.MATLAB评价与决策模型代码 基于EDA数据包络分析的综合评价代码.rar”的压缩包核心不是通用评分表而是用数据包络分析DEA建模真实资源约束下的相对效率。EDA在这里不是指电子设计自动化Electronic Design Automation而是Efficiency Data Analysis——效率型数据分析的缩写是运筹学与管理科学中处理多输入多输出系统评价的经典方法。它不依赖权重预设不强制要求指标量纲统一而是通过线性规划求解每个决策单元DMU在当前样本集下是否位于“生产前沿面”上。典型场景如高校院系绩效评估投入师资/经费产出论文/专利/就业率、医院科室运营效率投入床位/医护产出接诊量/治愈率/患者满意度、供应链节点效能比对投入库存/物流成本产出订单履约率/客户复购率。这类问题若用AHP或熵权法强行赋权极易因主观偏好或数据分布偏斜导致排序失真而DEA直接输出“谁真正高效、谁存在冗余、冗余多少”结果自带敏感性检验能力。本代码包面向MATLAB R2018a及以上版本无需额外工具箱基础优化工具箱optimization toolbox已足够但需注意DEA模型对异常值极度敏感原始数据必须经过极差标准化或Z-score处理且DMU数量应满足“DMU数 ≥ 3×(输入指标数 输出指标数)”的最小样本要求——这是很多初学者跑出“全无效”结果的根本原因。2. 从C2R到BCC理解DEA模型选型逻辑与MATLAB实现路径2.1 为什么必须区分规模报酬不变C2R与可变BCC模型DEA模型本质是求解一组线性规划问题其差异源于对生产前沿面形状的假设。C2R模型Charnes-Cooper-Rhodes, 1978假设所有DMU处于规模报酬不变CRS状态即投入翻倍则产出严格翻倍此时效率值θ∈[0,1]反映纯技术效率与规模效率的乘积而BCC模型Banker-Charnes-Cooper, 1984引入凸性约束允许规模报酬可变VRS将总效率分解为纯技术效率PE与规模效率SE其中PEθ_BCCSEθ_C2R/θ_BCC。实际应用中若评价对象存在明显规模差异如三甲医院vs社区诊所、大型制造厂vs小微企业必须采用BCC模型否则小规模单位易被高估、大规模单位易被低估。MATLAB中实现二者仅差一个约束项C2R模型目标函数为min θ约束为λ≥0, Xλ ≤ θX₀, Yλ ≥ Y₀BCC模型在此基础上增加∑λᵢ 1凸组合约束使前沿面由凸包定义而非锥体。2.2 MATLAB核心代码解析以C2R模型为例的完整求解流程以下代码段出自该压缩包主函数dea_c2r.m展示了如何用linprog构建并求解标准C2R模型function [efficiency, lambda, slack_in, slack_out] dea_c2r(X, Y, DMU_idx) % X: n x m 矩阵n个DMUm个输入指标列向量为各DMU输入 % Y: n x s 矩阵n个DMUs个输出指标 % DMU_idx: 当前待评价DMU的索引1~n n size(X, 1); % DMU总数 m size(X, 2); % 输入指标数 s size(Y, 2); % 输出指标数 % 构建线性规划系数矩阵 % 目标函数min [theta; 0_{ms}] —— theta为标量slack变量初始系数为0 f [1; zeros(ms, 1)]; % 不等式约束A_ub * x b_ub % 约束1X * lambda - theta * X0 0 [ -X0, X ] * [theta; lambda] 0 % 约束2-Y * lambda Y0 0 [ 0, -Y ] * [theta; lambda] -Y0 A_ub [ -X(DMU_idx,:), X; ... zeros(s,1), -Y ]; b_ub [ zeros(m,1); -Y(DMU_idx,:)]; % 变量下界theta 0, lambda 0 lb [0; zeros(n,1)]; % 求解线性规划 options optimoptions(linprog,Algorithm,dual-simplex,Display,off); [x_opt, fval, exitflag] linprog(f, A_ub, b_ub, [], [], lb, [], options); if exitflag ~ 1 error(C2R模型求解失败请检查输入数据维度或是否存在全零行); end efficiency fval; % theta值即相对效率 theta x_opt(1); lambda x_opt(2:end); % 权重向量 % 计算松弛变量Slack反映投入冗余与产出不足 slack_in X(DMU_idx,:) - X * lambda; slack_out Y * lambda - Y(DMU_idx,:); end关键参数说明X(DMU_idx,:)是第DMU_idx个DMU的输入向量Y(DMU_idx,:)为其输出向量A_ub第一块行对应输入约束Xλ ≤ θX₀第二块行对应输出约束Yλ ≥ Y₀slack_in为正表示该DMU在某输入上存在冗余如人力超配slack_out为正表示某输出未达潜力如专利转化率偏低exitflag 1是求解成功的唯一可靠标志fval直接返回效率值θ无需额外计算。2.3 BCC模型的MATLAB实现仅需增加凸组合约束BCC模型在C2R基础上增加约束∑λᵢ 1对应在线性规划中添加等式约束% 在C2R代码基础上追加 A_eq [0, ones(1,n)]; % [theta系数为0, lambda系数全为1] b_eq 1; % sum(lambda) 1 % 调用linprog时传入A_eq和b_eq [x_opt, fval, exitflag] linprog(f, A_ub, b_ub, A_eq, b_eq, lb, [], options);注意此改动使问题从单纯形法可解变为需支持等式约束的算法dual-simplex算法仍适用但若遇到数值不稳定可切换为interior-point并调高OptimalityTolerance至1e-8。3. 数据预处理与结果验证避免DEA常见失效陷阱的实操步骤3.1 输入数据标准化为何极差法比Z-score更适配DEADEA对指标量纲无要求但对数据范围极其敏感。若某输入指标如“年经费”跨度为10⁶量级另一指标如“高级职称占比”为0~1区间则优化过程会严重偏向大数值指标导致小数值指标的松弛变量被忽略。此时Z-score标准化均值为0、标准差为1虽能缩放但会引入负值——而DEA要求所有输入输出非负否则线性规划无界。极差标准化Min-Max Normalization是唯一安全选择% 对输入矩阵X和输出矩阵Y分别按列标准化 X_norm (X - repmat(min(X), size(X,1), 1)) ./ ... repmat((max(X) - min(X) eps), size(X,1), 1); Y_norm (Y - repmat(min(Y), size(Y,1), 1)) ./ ... repmat((max(Y) - min(Y) eps), size(Y,1), 1);eps的作用避免某列输入/输出全为同一值如所有医院床位数相同导致分母为零eps提供微小扰动保证矩阵可逆。3.2 样本量校验与DMU筛选执行前必须完成的两项检查DEA模型有效性依赖于DMU数量与指标数的平衡。根据Coelli1996建议最小DMU数应满足 n ≥ 3×(m s)。若不满足结果将过度拟合多数DMU被判定为有效θ1。例如5个输入3个输出 → 至少需24个DMU。实际操作中自动校验脚本m size(X,2); s size(Y,2); n size(X,1); if n 3*(ms) warning(DMU数量不足当前n%d理论最小值%d结果可能不可靠, n, 3*(ms)); % 提供两种补救方案 % 方案1删除低信息量指标方差0.01的列 var_X var(X); var_Y var(Y); low_var_X find(var_X 0.01); low_var_Y find(var_Y 0.01); if ~isempty(low_var_X) || ~isempty(low_var_Y) fprintf(建议移除输入指标列%s输出指标列%s\n, ... num2str(low_var_X), num2str(low_var_Y)); end % 方案2合并相似DMU如按地域聚类后取均值 end异常DMU识别计算每个DMU的输入向量与输出向量的欧氏距离剔除距离全局中心超过3倍标准差的离群点X_center mean(X); Y_center mean(Y); dist sqrt(sum((X - X_center).^2, 2) sum((Y - Y_center).^2, 2)); outlier_idx find(dist (mean(dist) 3*std(dist))); if ~isempty(outlier_idx) fprintf(检测到%d个异常DMU索引%s建议人工复核或剔除\n, ... length(outlier_idx), num2str(outlier_idx)); end3.3 效率结果可视化用雷达图与前沿面投影定位改进方向单纯输出θ值无法指导改进。该代码包包含plot_dea_radar.m函数将各DMU的投入冗余率slack_in./X与产出不足率slack_out./Y映射为雷达图% 生成雷达图数据归一化到0~1 radar_data [slack_in./X(DMU_idx,:); slack_out./Y(DMU_idx,:)]; theta_labels [sprintf(Input%d,1:m), sprintf(Output%d,1:s)]; polarplot(radar_data, theta_labels); title(sprintf(DMU %d 改进方向雷达图θ%.3f, DMU_idx, efficiency));解读逻辑雷达图中某轴长度越接近1表示该指标改进空间越大。例如“Input3”轴长0.8说明该DMU在第三项投入上存在80%冗余应优先削减“Output1”轴长0.6表明第一项产出尚有60%提升潜力。4. 多模型对比与敏感性分析用Bootstrap验证DEA结果稳健性4.1 C2R、BCC、加法模型ADD三者结果差异的本质模型类型前沿面假设输出内容适用场景C2R规模报酬不变CRS总效率θ同质化群体如同一连锁超市各门店BCC规模报酬可变VRS纯技术效率PE 规模效率SE存在规模差异的群体如不同等级医院ADD非径向Non-radial投入节约率 产出增加率关注具体改进量而非比例如预算削减额度ADD模型Additive Model不优化θ而是最大化总松弛量max ∑s⁻ ∑s⁺约束为Xλ s⁻ X₀,Yλ - s⁺ Y₀,s⁻≥0, s⁺≥0。其优势在于直接给出各指标需调整的绝对数值但需注意ADD模型对数据噪声更敏感且无法自然排序需对目标值归一化。4.2 Bootstrap抽样验证量化DEA结果的置信区间DEA效率值易受样本波动影响。采用Bootstrap法自助法可评估θ值的稳定性function [theta_boot, se_theta] bootstrap_dea(X, Y, n_boot, model_type) % n_boot: 自助抽样次数建议≥200 theta_boot zeros(n_boot, 1); for b 1:n_boot idx_boot randsample(size(X,1), size(X,1), true); % 有放回抽样 X_boot X(idx_boot,:); Y_boot Y(idx_boot,:); if strcmp(model_type, C2R) [~, theta_boot(b), ~, ~] dea_c2r(X_boot, Y_boot, 1); % 固定评价第一个DMU else [~, theta_boot(b), ~, ~] dea_bcc(X_boot, Y_boot, 1); end end se_theta std(theta_boot); end运行后得到theta_boot向量取95%分位数即可得置信区间ci_95 quantile(theta_boot, [0.025, 0.975]); fprintf(θ的95%%置信区间[%.3f, %.3f]\n, ci_95(1), ci_95(2));实践提示若置信区间宽度超过0.15如[0.42, 0.87]说明该DMU效率评估高度不确定应检查其数据质量或考虑将其与其他相似DMU聚类后重新评价。5. 实战技巧快速定位DEA运行失败的三大根源及修复指令5.1 错误代码“LINPROG stopped because it exceeded its allocated memory”——内存溢出的精准诊断当DMU数量n500时linprog默认设置易触发内存溢出。根本原因不是硬件不足而是单纯形法迭代中基矩阵存储爆炸。解决方案分三级一级修复立即生效强制使用内存友好的dual-simplex算法并关闭输出options optimoptions(linprog,Algorithm,dual-simplex,... Display,none,MaxIterations,10000);二级修复n1000时必用改用intlinprog框架虽为整数规划设计但对连续变量同样高效% 将原问题转化为intlinprog可接受格式f, A, b, Aeq, beq, lb, ub % 注意intlinprog默认使用分支定界对大规模LP更稳定 [x_opt, fval] intlinprog(f, [], A_ub, b_ub, A_eq, b_eq, lb, ub, [], options);三级修复n5000时推荐启用MATLAB Parallel Computing Toolbox并行求解parpool(local, 4); % 启动4核并行池 parfor idx 1:n [eff(idx), ~, ~, ~] dea_bcc(X, Y, idx); end delete(gcp(nocreate)); % 关闭并行池5.2 错误代码“Problem is unbounded”——数据结构缺陷的快速排查表现象根本原因诊断命令修复动作所有DMU的θ0某输出指标全为0any(all(Y0,1))删除该列或替换为极小正数Y(:,j) Y(:,j) eps某DMU的θ1某输入指标含负值any(X(:)0)检查数据源负值需修正如成本不能为负exitflag-2无可行解某DMU的输入向量全为0any(all(X0,2))删除该DMU或补充合理输入值如设为均值5.3 效率值全为1的“假高效”现象三步定位法当全部θ1时90%概率是数据问题。按顺序执行检查标准化max(X_norm(:))是否≈1且min(X_norm(:))是否≈0若否标准化失效检查DMU数量size(X,1) 3*(size(X,2)size(Y,2))若是样本不足检查指标相关性计算输入指标间相关系数矩阵corrcoef(X)若存在|ρ|0.95的列对说明指标冗余需PCA降维或删除其一。终极验证指令对任意DMU手动构造一个虚拟高效单元如取所有DMU输入最小值、输出最大值代入dea_c2r函数若返回θ1则证明代码正常问题在原始数据若仍返回θ1则确认为数据缺陷。本文还有配套的精品资源点击获取 MATLAB实现DEA数据包络分析：多输入输出效率评价与前沿面建模
简介本资源是一套基于MATLAB实现数据包络分析DEA的综合评价与决策建模代码面向管理科学、运筹学、经济绩效评估等领域的初学者与实践者解决多输入多输出场景下决策单元相对效率测算与优化分析问题。压缩包共3个文件均为MATLAB脚本.m核心为dea.m——封装了CCR/BCC等主流DEA模型的线性规划求解逻辑辅以zh.m提供中文注释与调用说明zy.m可能承担数据预处理或结果可视化功能整体仅1KB轻量易读便于快速理解算法结构与工程落地路径。已有123人学习下载适合零基础接触DEA的用户通过可运行代码掌握建模流程亦可作为科研复现、教学演示或进一步扩展窗口DEA、敏感性分析的可靠起点。1. 这不是普通MATLAB评价代码它用数据包络分析DEA把多指标决策变成可验证的效率边界判断你手头这个名为“2.MATLAB评价与决策模型代码 基于EDA数据包络分析的综合评价代码.rar”的压缩包核心不是通用评分表而是用数据包络分析DEA建模真实资源约束下的相对效率。EDA在这里不是指电子设计自动化Electronic Design Automation而是Efficiency Data Analysis——效率型数据分析的缩写是运筹学与管理科学中处理多输入多输出系统评价的经典方法。它不依赖权重预设不强制要求指标量纲统一而是通过线性规划求解每个决策单元DMU在当前样本集下是否位于“生产前沿面”上。典型场景如高校院系绩效评估投入师资/经费产出论文/专利/就业率、医院科室运营效率投入床位/医护产出接诊量/治愈率/患者满意度、供应链节点效能比对投入库存/物流成本产出订单履约率/客户复购率。这类问题若用AHP或熵权法强行赋权极易因主观偏好或数据分布偏斜导致排序失真而DEA直接输出“谁真正高效、谁存在冗余、冗余多少”结果自带敏感性检验能力。本代码包面向MATLAB R2018a及以上版本无需额外工具箱基础优化工具箱optimization toolbox已足够但需注意DEA模型对异常值极度敏感原始数据必须经过极差标准化或Z-score处理且DMU数量应满足“DMU数 ≥ 3×(输入指标数 输出指标数)”的最小样本要求——这是很多初学者跑出“全无效”结果的根本原因。2. 从C2R到BCC理解DEA模型选型逻辑与MATLAB实现路径2.1 为什么必须区分规模报酬不变C2R与可变BCC模型DEA模型本质是求解一组线性规划问题其差异源于对生产前沿面形状的假设。C2R模型Charnes-Cooper-Rhodes, 1978假设所有DMU处于规模报酬不变CRS状态即投入翻倍则产出严格翻倍此时效率值θ∈[0,1]反映纯技术效率与规模效率的乘积而BCC模型Banker-Charnes-Cooper, 1984引入凸性约束允许规模报酬可变VRS将总效率分解为纯技术效率PE与规模效率SE其中PEθ_BCCSEθ_C2R/θ_BCC。实际应用中若评价对象存在明显规模差异如三甲医院vs社区诊所、大型制造厂vs小微企业必须采用BCC模型否则小规模单位易被高估、大规模单位易被低估。MATLAB中实现二者仅差一个约束项C2R模型目标函数为min θ约束为λ≥0, Xλ ≤ θX₀, Yλ ≥ Y₀BCC模型在此基础上增加∑λᵢ 1凸组合约束使前沿面由凸包定义而非锥体。2.2 MATLAB核心代码解析以C2R模型为例的完整求解流程以下代码段出自该压缩包主函数dea_c2r.m展示了如何用linprog构建并求解标准C2R模型function [efficiency, lambda, slack_in, slack_out] dea_c2r(X, Y, DMU_idx) % X: n x m 矩阵n个DMUm个输入指标列向量为各DMU输入 % Y: n x s 矩阵n个DMUs个输出指标 % DMU_idx: 当前待评价DMU的索引1~n n size(X, 1); % DMU总数 m size(X, 2); % 输入指标数 s size(Y, 2); % 输出指标数 % 构建线性规划系数矩阵 % 目标函数min [theta; 0_{ms}] —— theta为标量slack变量初始系数为0 f [1; zeros(ms, 1)]; % 不等式约束A_ub * x b_ub % 约束1X * lambda - theta * X0 0 [ -X0, X ] * [theta; lambda] 0 % 约束2-Y * lambda Y0 0 [ 0, -Y ] * [theta; lambda] -Y0 A_ub [ -X(DMU_idx,:), X; ... zeros(s,1), -Y ]; b_ub [ zeros(m,1); -Y(DMU_idx,:)]; % 变量下界theta 0, lambda 0 lb [0; zeros(n,1)]; % 求解线性规划 options optimoptions(linprog,Algorithm,dual-simplex,Display,off); [x_opt, fval, exitflag] linprog(f, A_ub, b_ub, [], [], lb, [], options); if exitflag ~ 1 error(C2R模型求解失败请检查输入数据维度或是否存在全零行); end efficiency fval; % theta值即相对效率 theta x_opt(1); lambda x_opt(2:end); % 权重向量 % 计算松弛变量Slack反映投入冗余与产出不足 slack_in X(DMU_idx,:) - X * lambda; slack_out Y * lambda - Y(DMU_idx,:); end关键参数说明X(DMU_idx,:)是第DMU_idx个DMU的输入向量Y(DMU_idx,:)为其输出向量A_ub第一块行对应输入约束Xλ ≤ θX₀第二块行对应输出约束Yλ ≥ Y₀slack_in为正表示该DMU在某输入上存在冗余如人力超配slack_out为正表示某输出未达潜力如专利转化率偏低exitflag 1是求解成功的唯一可靠标志fval直接返回效率值θ无需额外计算。2.3 BCC模型的MATLAB实现仅需增加凸组合约束BCC模型在C2R基础上增加约束∑λᵢ 1对应在线性规划中添加等式约束% 在C2R代码基础上追加 A_eq [0, ones(1,n)]; % [theta系数为0, lambda系数全为1] b_eq 1; % sum(lambda) 1 % 调用linprog时传入A_eq和b_eq [x_opt, fval, exitflag] linprog(f, A_ub, b_ub, A_eq, b_eq, lb, [], options);注意此改动使问题从单纯形法可解变为需支持等式约束的算法dual-simplex算法仍适用但若遇到数值不稳定可切换为interior-point并调高OptimalityTolerance至1e-8。3. 数据预处理与结果验证避免DEA常见失效陷阱的实操步骤3.1 输入数据标准化为何极差法比Z-score更适配DEADEA对指标量纲无要求但对数据范围极其敏感。若某输入指标如“年经费”跨度为10⁶量级另一指标如“高级职称占比”为0~1区间则优化过程会严重偏向大数值指标导致小数值指标的松弛变量被忽略。此时Z-score标准化均值为0、标准差为1虽能缩放但会引入负值——而DEA要求所有输入输出非负否则线性规划无界。极差标准化Min-Max Normalization是唯一安全选择% 对输入矩阵X和输出矩阵Y分别按列标准化 X_norm (X - repmat(min(X), size(X,1), 1)) ./ ... repmat((max(X) - min(X) eps), size(X,1), 1); Y_norm (Y - repmat(min(Y), size(Y,1), 1)) ./ ... repmat((max(Y) - min(Y) eps), size(Y,1), 1);eps的作用避免某列输入/输出全为同一值如所有医院床位数相同导致分母为零eps提供微小扰动保证矩阵可逆。3.2 样本量校验与DMU筛选执行前必须完成的两项检查DEA模型有效性依赖于DMU数量与指标数的平衡。根据Coelli1996建议最小DMU数应满足 n ≥ 3×(m s)。若不满足结果将过度拟合多数DMU被判定为有效θ1。例如5个输入3个输出 → 至少需24个DMU。实际操作中自动校验脚本m size(X,2); s size(Y,2); n size(X,1); if n 3*(ms) warning(DMU数量不足当前n%d理论最小值%d结果可能不可靠, n, 3*(ms)); % 提供两种补救方案 % 方案1删除低信息量指标方差0.01的列 var_X var(X); var_Y var(Y); low_var_X find(var_X 0.01); low_var_Y find(var_Y 0.01); if ~isempty(low_var_X) || ~isempty(low_var_Y) fprintf(建议移除输入指标列%s输出指标列%s\n, ... num2str(low_var_X), num2str(low_var_Y)); end % 方案2合并相似DMU如按地域聚类后取均值 end异常DMU识别计算每个DMU的输入向量与输出向量的欧氏距离剔除距离全局中心超过3倍标准差的离群点X_center mean(X); Y_center mean(Y); dist sqrt(sum((X - X_center).^2, 2) sum((Y - Y_center).^2, 2)); outlier_idx find(dist (mean(dist) 3*std(dist))); if ~isempty(outlier_idx) fprintf(检测到%d个异常DMU索引%s建议人工复核或剔除\n, ... length(outlier_idx), num2str(outlier_idx)); end3.3 效率结果可视化用雷达图与前沿面投影定位改进方向单纯输出θ值无法指导改进。该代码包包含plot_dea_radar.m函数将各DMU的投入冗余率slack_in./X与产出不足率slack_out./Y映射为雷达图% 生成雷达图数据归一化到0~1 radar_data [slack_in./X(DMU_idx,:); slack_out./Y(DMU_idx,:)]; theta_labels [sprintf(Input%d,1:m), sprintf(Output%d,1:s)]; polarplot(radar_data, theta_labels); title(sprintf(DMU %d 改进方向雷达图θ%.3f, DMU_idx, efficiency));解读逻辑雷达图中某轴长度越接近1表示该指标改进空间越大。例如“Input3”轴长0.8说明该DMU在第三项投入上存在80%冗余应优先削减“Output1”轴长0.6表明第一项产出尚有60%提升潜力。4. 多模型对比与敏感性分析用Bootstrap验证DEA结果稳健性4.1 C2R、BCC、加法模型ADD三者结果差异的本质模型类型前沿面假设输出内容适用场景C2R规模报酬不变CRS总效率θ同质化群体如同一连锁超市各门店BCC规模报酬可变VRS纯技术效率PE 规模效率SE存在规模差异的群体如不同等级医院ADD非径向Non-radial投入节约率 产出增加率关注具体改进量而非比例如预算削减额度ADD模型Additive Model不优化θ而是最大化总松弛量max ∑s⁻ ∑s⁺约束为Xλ s⁻ X₀,Yλ - s⁺ Y₀,s⁻≥0, s⁺≥0。其优势在于直接给出各指标需调整的绝对数值但需注意ADD模型对数据噪声更敏感且无法自然排序需对目标值归一化。4.2 Bootstrap抽样验证量化DEA结果的置信区间DEA效率值易受样本波动影响。采用Bootstrap法自助法可评估θ值的稳定性function [theta_boot, se_theta] bootstrap_dea(X, Y, n_boot, model_type) % n_boot: 自助抽样次数建议≥200 theta_boot zeros(n_boot, 1); for b 1:n_boot idx_boot randsample(size(X,1), size(X,1), true); % 有放回抽样 X_boot X(idx_boot,:); Y_boot Y(idx_boot,:); if strcmp(model_type, C2R) [~, theta_boot(b), ~, ~] dea_c2r(X_boot, Y_boot, 1); % 固定评价第一个DMU else [~, theta_boot(b), ~, ~] dea_bcc(X_boot, Y_boot, 1); end end se_theta std(theta_boot); end运行后得到theta_boot向量取95%分位数即可得置信区间ci_95 quantile(theta_boot, [0.025, 0.975]); fprintf(θ的95%%置信区间[%.3f, %.3f]\n, ci_95(1), ci_95(2));实践提示若置信区间宽度超过0.15如[0.42, 0.87]说明该DMU效率评估高度不确定应检查其数据质量或考虑将其与其他相似DMU聚类后重新评价。5. 实战技巧快速定位DEA运行失败的三大根源及修复指令5.1 错误代码“LINPROG stopped because it exceeded its allocated memory”——内存溢出的精准诊断当DMU数量n500时linprog默认设置易触发内存溢出。根本原因不是硬件不足而是单纯形法迭代中基矩阵存储爆炸。解决方案分三级一级修复立即生效强制使用内存友好的dual-simplex算法并关闭输出options optimoptions(linprog,Algorithm,dual-simplex,... Display,none,MaxIterations,10000);二级修复n1000时必用改用intlinprog框架虽为整数规划设计但对连续变量同样高效% 将原问题转化为intlinprog可接受格式f, A, b, Aeq, beq, lb, ub % 注意intlinprog默认使用分支定界对大规模LP更稳定 [x_opt, fval] intlinprog(f, [], A_ub, b_ub, A_eq, b_eq, lb, ub, [], options);三级修复n5000时推荐启用MATLAB Parallel Computing Toolbox并行求解parpool(local, 4); % 启动4核并行池 parfor idx 1:n [eff(idx), ~, ~, ~] dea_bcc(X, Y, idx); end delete(gcp(nocreate)); % 关闭并行池5.2 错误代码“Problem is unbounded”——数据结构缺陷的快速排查表现象根本原因诊断命令修复动作所有DMU的θ0某输出指标全为0any(all(Y0,1))删除该列或替换为极小正数Y(:,j) Y(:,j) eps某DMU的θ1某输入指标含负值any(X(:)0)检查数据源负值需修正如成本不能为负exitflag-2无可行解某DMU的输入向量全为0any(all(X0,2))删除该DMU或补充合理输入值如设为均值5.3 效率值全为1的“假高效”现象三步定位法当全部θ1时90%概率是数据问题。按顺序执行检查标准化max(X_norm(:))是否≈1且min(X_norm(:))是否≈0若否标准化失效检查DMU数量size(X,1) 3*(size(X,2)size(Y,2))若是样本不足检查指标相关性计算输入指标间相关系数矩阵corrcoef(X)若存在|ρ|0.95的列对说明指标冗余需PCA降维或删除其一。终极验证指令对任意DMU手动构造一个虚拟高效单元如取所有DMU输入最小值、输出最大值代入dea_c2r函数若返回θ1则证明代码正常问题在原始数据若仍返回θ1则确认为数据缺陷。本文还有配套的精品资源点击获取