DEA方法鑑別度之改善-以全球商學院之績效評估為例

Abstract

DEA全名為Data Envelopment Analysis，中文稱「資料包絡分析法」，當評價指標的個數較多，而決策單位元(Decision Making Unit，簡稱DMU)的個數較少時，會產生較多有效率的DMU，也就產生較多效率值為1的DMU，因而難以鑑別這些DMU之間效率能力的高低。 本研究在客觀的角度上，提出一個改良DEA鑑別度的新方法，先應用Cobb-Douglas Production Function來改良原始DEA模型中的計分函式，並分析結果中DMU之間的次序關係，找出DMU之間具有一致性的次序關係，再利用這些資訊來改善DEA方法中有效率的DMU缺乏鑑別能力的問題。 我們亦舉了兩個例子來驗證本研究所提的改善DEA鑑別度之問題，實驗結果顯示，透過改良DEA之方法和架構，證實有效率DMU之個數明顯減少，並增加DMU之間分數的差距，提升DEA的鑑別能力，並且使得DMU間的排序關係可以得到一個穩定且合理的排序。