數據包絡分析（DEA）在高校人事管理中的應用研究

黃朱婷

（廈門興才職業技術學院,福建 廈門 361000）

數據包絡分析方法（Data Envelopment Analysis，DEA）最早來源于美國運籌學家A.Charmes，它是一種管理綜合評價方法，從相對效率概念出發而建立的過程及其內涵，突出了統計方法的優勢[1]。實踐操作中，數據包絡分析法不但綜合性極強，且具有較高準確率，將其運用到高校的人事管理內容之中，可以有效解決高校管理利用人工分析法所存在的問題，能夠讓高校在人事管理方面具有更強的機制性，其指導作用值得重視。

1 數據包絡分析簡介

數據包絡分析方法（Data Envelopment Analysis，DEA）以相對效率概念為前提，進行了針對具體工作內容的效率評價方法探索，該方法擅長評價擁有相同類型的部分、對象等決策單元，其評價決策依據來源于決策單元所展示的輸入數據、輸出數據等，其中輸入數據意為決策單元開展某項活動期間所需要的特定信息量，而輸出數據則意為決策單元在特定輸入活動后形成的能夠代表本活動成效的信息量[2]。例如對于高校人事管理工作而言，德、能、勤、廉等工作投入項目可以被看作是輸入，而績項目因為重點體現被考評者的工作成效，因此可被視為輸出，對輸入和輸出數據的分析，能夠讓評價決策單元的相對優劣被更清晰地審視，也就是判斷評價單元間的相對有效性。同時在實際操作時，還可依靠DEA投影原理進行更進一步的各決策單元非DEA有效性原因分析，也就是探索未來改進方向，從而可以給決策者提供更多更有價值的改進依據。

2 數據包絡分析在高校人事管理中應用的可行性分析

數據包絡分析是一種對決策單元輸入和輸出效率客觀研究的有效策略，同人力績效考核必然摻入較多主觀偏好、誤差較大的情況相比較，它可以有效避免主觀因素，降低誤差出現的可能性，其用待評價單元輸入、輸出權重作為變量的做法，對主觀性排除的優勢是顯而易見的[3]。同時，數據包絡分析還能夠利用投影公式，取得本決策單元的真實水平，也就是決策單元基于達到有效水平而取得的成績，且在高校人事管理考評指標的勤、能、德、廉、績等項目中，顯然可以將各項目分別作為研究對象，若判斷決策單元對象內容有效，則說明本決策單元所對應考評對象工作未對學校整體目標的實現造成影響，換言之則在全部被考評者中其績效較好，同時也可以展現出被考評者在指標水平方面的合理分配比重情況。

3 數據包絡分析在高校人事管理中的應用方法

數據包絡分析法以數學規劃模型為依托，對相同屬性且擁有多輸入、多輸出“單元”（即上文所稱的決策單元，DMU）的相對有效性進行評價。依據對各項DMU所做的觀察，以及對應的數據判斷，明確其是否真正處在生產可能集前沿面上，也就是據此分析DMU對于DEA的有效性[4]。凡是處于前沿面的決策單元，便可認定其投入、產出相結合的有效率，將效率值表示為1，而若其不位于前沿面，那么便可視作無效率。另外，以前沿面有效點為分析評價標準，在進行對比后產生0～1區間內的相對效率值，使之在經濟學內的帕累托有效性被體現，保證人事管理評價標準的高度有效性。現在DEA技術已經產生不同種面向差異問題和環境之模型，考慮到對決策單元無效率程度存在不同核算方式，本文認為產出導向（Input Oriented）下的幾種規模收益可變模型值得重視，現作簡要說明。

3.1 BCC模型

在實踐操作中，可假定存在n個決策單元，每個決策單元包含輸入指標m個、輸出指標s個，那么第j個決策單元輸入和輸出向量可表示為X=（x1j，x2j，...xmj）T＞0，Y=（y1j，y2j，...ymj）T＞0，j=1，2，...n。

如果記k∈{1，2，3，…，n}，則可對k個決策單元的相對效率做出VRS條件下的評價，繼而形成BCC模型，其可能集定義，產出導向BCC模型表達式也自然產生。在實際應用中可以這樣理解，即生產集內尋找一個特定的生產活動，其輸入水平不超出Xk，同時讓輸出Yk依同一比例盡可能增加。

3.2 超效率的BCC模型

傳統意義上的數據包絡分析方法，可對一組決策單元的相對效率做出分析，但并不能同時針對多個決策單元做有效情形效率高低區分。為使該問題得到解決，有學者提出了建立在此基礎之上的超效率數據包絡模型。同傳統模型相比，此模型改進之處集中于參考了集內移除被測單元部分，讓其同剩余決策單元做凸組合比較。特定條件下超效率數據包絡分析模型的可能集定義是它的產出導向超效率模型表達式因此能夠被推斷，在模型表達式內，可分別定義被測單元的有效性與無效性，特別是可使輸入不變條件下，被測單元產出按照同一比例進行變化，突出結果驗證的效果。

3.3 Malmquist指數模型

上文所提及的兩種模型評價，針對的是決策單元處于同一時期靜態時的效率，而為了能夠從不同維度了解并掌握高校人事管理情況，通常還可以把決策單元放在特定的時間維度之內，探索它的動態變化趨勢情況，例如可以從動態視角，分析高校人員教科研效率變化趨勢、變化規律等。考慮到人事管理所存在的滯后性特點，建立模型以對不同時期面板數據做出計算非常有必要。所以可在引入時間序列后構建Malmquist類指數模型，也就是在距離函數概念前提下，形成用來分析人事管理全要素變化的專門指數，構造由t期至t+1期的管理指數，用于分析效率變動等關系。期間，可把Malmquist指數劃分成技術效率變化指數、技術進步指數兩個部分，前者可定位為綜合效率指數，能夠將其進一步劃分成純技術效率指數、規模效率指數兩個部分。在具體操作中，它們能夠用于分析決策單元效率動態變化情況。

4 數據包絡分析在高校人事管理中的指標體系構建

高校人事管理指標體系比較復雜，可分成定性與定量兩個渠道探索，越是科學合理的評價指標，越應當具有精簡性、可比性、全面性、真實性的特點，本評價指標體系基于上述模型，顯現了定性與和定量兩者融合之優勢，可在不同角度表現出高校人事管理的多個方面。

4.1 指標確認

采取層次分析方式（Analytic Hierarchy Process），按照指標所具有的基本性質以及所欲產生的理想目標，可把指標體系劃分成不同組成因素，并依各項因素之間的關聯影響、所屬關系等，做不同層次的聚集組合，構建相應的結構模型[5]。通常認為，人事管理評價指標體系能夠被納入到三級之中，其中一級指標強調了輸入和輸出情況，二級指標強調了人事管理中所涉及的人力、物力、財力等多項內容，其中輸出指標劃分中又包括人才培養、社會服務、科學研究等要素，其下則有更加細分的三級指標，如表1所示。

表1 管理評價指標體系

4.2 指標體系

按照已經確認的指標，可對指標體系進行構建。人力資源作為人事管理內容之一，也是高校各部門最重要的資源，其具有典型能動性特點，可對其他指標配置產生整合作用。對于高校各學院來說，人力方面的輸入以行政人員、教學人員、科研人員、教輔人員、工勤人員等為主，對其進行勤、能、德、廉、績等項目的分析是直接做法。除此以外，對表1所示的物力方面輸入、經費方面輸入等的分析也可起到參考作用[6]。對于輸入指標而言，仍當以人才培養為主，其他項目為輔。接下來的數據收集和分析，可來源于當地教委編印資料以及高等學校本地數據或者權威期刊、調研結果等。可見，應用數據包絡分析法實施于高校人事管理之評價，既能夠獲取高校人力資源利用情況，又可以讓工作改進可行意見及早提出。

5 結語

經過上文的探討，能夠基本認定DEA分析對于高校人事管理評價的客觀作用，但筆者認為依然有一些可改進之處。例如除了本文嘗試給出的方法外，還可以考慮同AHP等方法相結合，還有構建決策單元的形式等。此外，借助DEA所取得的同類型決策單元有效性，來源于輸入、輸出指標理想權重分配狀態，為了讓實際客觀結果更加顯著，可以考慮限制指標權重，該限制最好是不同區間值與模糊數，這將同現實更加符合，也較為科學。再者，因為DEA模糊的數據敏感性，在開展實際應用時有較大的局限性，如較小誤差的存在，便可能導致較大的差異結果，因此要做到指標值的屬性改善，通常可以強調灰數、模糊數的應用價值，用于變量的收集及整理。