前言做效率评价相关研究的朋友应该都有体会数据包络分析DEA的工具选型一直是个不大不小的痛点用 Python/R 的第三方包需要一定编程基础光是环境配置、求解器适配就要花不少时间遇到高阶模型还得自己改代码实现进口商业软件价格偏高本土化支持弱很多国内研究常用的模型更新滞后零散的小工具大多只覆盖 CCR、BCC 基础模型SBM、超效率这类论文高频用到的高阶模型普遍缺失最近试用了一款国内开发者做的 DEA 分析工具DEA Performance整体完成度很高刚好解决了上面的大部分问题这里做个简单的功能分享给有需要的朋友做个参考。核心使用体验1. 全图形界面操作零代码开箱即用这款工具最直观的优势就是纯图形界面操作支持 SBM、超效率等高阶模型全程不需要写一行代码也不用额外配置求解器和运行环境安装打开就能用。数据录入是可视化表格形式支持自定义投入、产出指标数量和 DMU 个数也可以批量导入数据。模型选择按基础模型、进阶模型分类排布点选即可切换不需要记复杂的参数语法。点击计算后会同步输出效率结果、改进建议和完整求解日志所有过程透明可追溯结果也支持一键导出 Excel直接对接论文数据整理流程。2. 33 种模型全覆盖高阶模型支持完善目前版本内置了 33 种 DEA 模型从经典基础模型到学术前沿的进阶模型基本都覆盖了足够支撑从课程作业到博硕论文、期刊实证的全阶段需求经典基础模型CCR、BCC、FG、ST覆盖不变 / 可变规模报酬的基础径向测算非径向与 SBM 系列基础 SBM、碳排放约束 SBM、方向距离函数 DDF、全局 DDF解决传统径向模型的松弛偏差问题超效率系列超效率 DEA、超效率 SBM、超效率 DDF支持对有效决策单元二次排序解决多有效单元无法区分的问题进阶研究模型FDH、Bootstrap-DEA、博弈交叉效率、交叉效率、Meta-DEA、三阶段 DEA、两阶段 DEA、共享投入两阶段 DEA、网络 DEA、窗口 DEA、动态 DEA、动态网络 DEA生产率指数类Malmquist 指数、Malmquist-Luenberger (ML) 指数、Luenberger 指数 (LPI)适配跨期效率变动与全要素生产率分解专项场景模型成本 / 收益 DEA、模糊 BCC、拥挤 DEA、随机 DEA、保证 DEA (AR-DEA)、鲁棒 DEA3. 完整的分析输出体系除了基础的效率值结果工具配套了几个很实用的分析模块点击单条 DMU 即可查看对应的投入产出改进方向与目标值不用自己手动计算松弛变量内置效率图表模块支持可视化展示效率分布与对比结果提供高级分析报表入口可做更深维度的效率拆解全量求解日志留存模型参数、求解步骤、每个 DMU 的求解状态都有记录方便科研结果复现与校验快速上手演示以截图中的 FDH 模型测算为例全程三步就能完成分析数据录入在左侧面板设置投入、产出数量直接在表格中录入数据或批量导入已有数据集模型选择在模型区勾选目标模型基础参数都已默认配置好无需额外调整计算与导出点击「开始计算」右侧面板同步输出结果可点击 DMU 查看改进建议也可直接导出 Excel 结果适用场景高校经管、公管、能源环境等专业的师生做 DEA 相关课程作业、毕业论文、期刊实证企业运营、绩效分析人员做部门效率评估、供应商评价、投入产出优化工程审计、公共部门做项目效率测算、财政支出绩效评价等实务工作补充说明工具采用免费 专业版的分级模式免费版开放了全部模型种类小样本的学习和小型验证完全够用专业版没有 DMU 和指标数量限制适合大样本正式研究使用大家可以按需选择。写在最后整体用下来这款工具的优势就是轻量化、模型全、上手门槛低能帮做 DEA 研究的朋友省去大量环境配置和代码调试的精力把时间更多放在研究设计本身。如果平时经常需要做 DEA 效率分析不妨试试。DEA Performance 链接 https://pan.baidu.com/s/1ziQkmN9LmLDebUGBIolIyw?pwd5802