黄朱婷

（厦门兴才职业技术学院,福建 厦门 361000）

数据包络分析方法（Data Envelopment Analysis，DEA）最早来源于美国运筹学家A.Charmes，它是一种管理综合评价方法，从相对效率概念出发而建立的过程及其内涵，突出了统计方法的优势[1]。实践操作中，数据包络分析法不但综合性极强，且具有较高准确率，将其运用到高校的人事管理内容之中，可以有效解决高校管理利用人工分析法所存在的问题，能够让高校在人事管理方面具有更强的机制性，其指导作用值得重视。

1 数据包络分析简介

数据包络分析方法（Data Envelopment Analysis，DEA）以相对效率概念为前提，进行了针对具体工作内容的效率评价方法探索，该方法擅长评价拥有相同类型的部分、对象等决策单元，其评价决策依据来源于决策单元所展示的输入数据、输出数据等，其中输入数据意为决策单元开展某项活动期间所需要的特定信息量，而输出数据则意为决策单元在特定输入活动后形成的能够代表本活动成效的信息量[2]。例如对于高校人事管理工作而言，德、能、勤、廉等工作投入项目可以被看作是输入，而绩项目因为重点体现被考评者的工作成效，因此可被视为输出，对输入和输出数据的分析，能够让评价决策单元的相对优劣被更清晰地审视，也就是判断评价单元间的相对有效性。同时在实际操作时，还可依靠DEA投影原理进行更进一步的各决策单元非DEA有效性原因分析，也就是探索未来改进方向，从而可以给决策者提供更多更有价值的改进依据。

2 数据包络分析在高校人事管理中应用的可行性分析

数据包络分析是一种对决策单元输入和输出效率客观研究的有效策略，同人力绩效考核必然掺入较多主观偏好、误差较大的情况相比较，它可以有效避免主观因素，降低误差出现的可能性，其用待评价单元输入、输出权重作为变量的做法，对主观性排除的优势是显而易见的[3]。同时，数据包络分析还能够利用投影公式，取得本决策单元的真实水平，也就是决策单元基于达到有效水平而取得的成绩，且在高校人事管理考评指标的勤、能、德、廉、绩等项目中，显然可以将各项目分别作为研究对象，若判断决策单元对象内容有效，则说明本决策单元所对应考评对象工作未对学校整体目标的实现造成影响，换言之则在全部被考评者中其绩效较好，同时也可以展现出被考评者在指标水平方面的合理分配比重情况。

3 数据包络分析在高校人事管理中的应用方法

数据包络分析法以数学规划模型为依托，对相同属性且拥有多输入、多输出“单元”（即上文所称的决策单元，DMU）的相对有效性进行评价。依据对各项DMU所做的观察，以及对应的数据判断，明确其是否真正处在生产可能集前沿面上，也就是据此分析DMU对于DEA的有效性[4]。凡是处于前沿面的决策单元，便可认定其投入、产出相结合的有效率，将效率值表示为1，而若其不位于前沿面，那么便可视作无效率。另外，以前沿面有效点为分析评价标准，在进行对比后产生0～1区间内的相对效率值，使之在经济学内的帕累托有效性被体现，保证人事管理评价标准的高度有效性。现在DEA技术已经产生不同种面向差异问题和环境之模型，考虑到对决策单元无效率程度存在不同核算方式，本文认为产出导向（Input Oriented）下的几种规模收益可变模型值得重视，现作简要说明。

3.1 BCC模型

在实践操作中，可假定存在n个决策单元，每个决策单元包含输入指标m个、输出指标s个，那么第j个决策单元输入和输出向量可表示为X=（x1j，x2j，...xmj）T＞0，Y=（y1j，y2j，...ymj）T＞0，j=1，2，...n。

如果记k∈{1，2，3，…，n}，则可对k个决策单元的相对效率做出VRS条件下的评价，继而形成BCC模型，其可能集定义，产出导向BCC模型表达式也自然产生。在实际应用中可以这样理解，即生产集内寻找一个特定的生产活动，其输入水平不超出Xk，同时让输出Yk依同一比例尽可能增加。

3.2 超效率的BCC模型

传统意义上的数据包络分析方法，可对一组决策单元的相对效率做出分析，但并不能同时针对多个决策单元做有效情形效率高低区分。为使该问题得到解决，有学者提出了建立在此基础之上的超效率数据包络模型。同传统模型相比，此模型改进之处集中于参考了集内移除被测单元部分，让其同剩余决策单元做凸组合比较。特定条件下超效率数据包络分析模型的可能集定义是它的产出导向超效率模型表达式因此能够被推断，在模型表达式内，可分别定义被测单元的有效性与无效性，特别是可使输入不变条件下，被测单元产出按照同一比例进行变化，突出结果验证的效果。

3.3 Malmquist指数模型

上文所提及的两种模型评价，针对的是决策单元处于同一时期静态时的效率，而为了能够从不同维度了解并掌握高校人事管理情况，通常还可以把决策单元放在特定的时间维度之内，探索它的动态变化趋势情况，例如可以从动态视角，分析高校人员教科研效率变化趋势、变化规律等。考虑到人事管理所存在的滞后性特点，建立模型以对不同时期面板数据做出计算非常有必要。所以可在引入时间序列后构建Malmquist类指数模型，也就是在距离函数概念前提下，形成用来分析人事管理全要素变化的专门指数，构造由t期至t+1期的管理指数，用于分析效率变动等关系。期间，可把Malmquist指数划分成技术效率变化指数、技术进步指数两个部分，前者可定位为综合效率指数，能够将其进一步划分成纯技术效率指数、规模效率指数两个部分。在具体操作中，它们能够用于分析决策单元效率动态变化情况。

4 数据包络分析在高校人事管理中的指标体系构建

高校人事管理指标体系比较复杂，可分成定性与定量两个渠道探索，越是科学合理的评价指标，越应当具有精简性、可比性、全面性、真实性的特点，本评价指标体系基于上述模型，显现了定性与和定量两者融合之优势，可在不同角度表现出高校人事管理的多个方面。

4.1 指标确认

采取层次分析方式（Analytic Hierarchy Process），按照指标所具有的基本性质以及所欲产生的理想目标，可把指标体系划分成不同组成因素，并依各项因素之间的关联影响、所属关系等，做不同层次的聚集组合，构建相应的结构模型[5]。通常认为，人事管理评价指标体系能够被纳入到三级之中，其中一级指标强调了输入和输出情况，二级指标强调了人事管理中所涉及的人力、物力、财力等多项内容，其中输出指标划分中又包括人才培养、社会服务、科学研究等要素，其下则有更加细分的三级指标，如表1所示。

表1 管理评价指标体系

4.2 指标体系

按照已经确认的指标，可对指标体系进行构建。人力资源作为人事管理内容之一，也是高校各部门最重要的资源，其具有典型能动性特点，可对其他指标配置产生整合作用。对于高校各学院来说，人力方面的输入以行政人员、教学人员、科研人员、教辅人员、工勤人员等为主，对其进行勤、能、德、廉、绩等项目的分析是直接做法。除此以外，对表1所示的物力方面输入、经费方面输入等的分析也可起到参考作用[6]。对于输入指标而言，仍当以人才培养为主，其他项目为辅。接下来的数据收集和分析，可来源于当地教委编印资料以及高等学校本地数据或者权威期刊、调研结果等。可见，应用数据包络分析法实施于高校人事管理之评价，既能够获取高校人力资源利用情况，又可以让工作改进可行意见及早提出。

5 结语

经过上文的探讨，能够基本认定DEA分析对于高校人事管理评价的客观作用，但笔者认为依然有一些可改进之处。例如除了本文尝试给出的方法外，还可以考虑同AHP等方法相结合，还有构建决策单元的形式等。此外，借助DEA所取得的同类型决策单元有效性，来源于输入、输出指标理想权重分配状态，为了让实际客观结果更加显著，可以考虑限制指标权重，该限制最好是不同区间值与模糊数，这将同现实更加符合，也较为科学。再者，因为DEA模糊的数据敏感性，在开展实际应用时有较大的局限性，如较小误差的存在，便可能导致较大的差异结果，因此要做到指标值的属性改善，通常可以强调灰数、模糊数的应用价值，用于变量的收集及整理。