基于DEA交叉效率模型的铁路重载货车效率评价.docx

基于DEA交叉效率模型的铁路重载货车效率评价
摘要：本论文基于数据包络分析（DEA）交叉效率模型，对铁路重载货车的效率进行评价。首先，介绍了铁路重载货车的相关背景和问题；其次，阐述了DEA交叉效率模型的基本原理和步骤；接着，选取中国某铁路公司的样本数据进行实证分析，并进行灵敏度分析；最后，得出了该铁路公司重载货车的效率评价和改进方案。
关键词：铁路重载货车，效率评价，DEA交叉效率模型，实证分析
1.引言
铁路是国民经济的重要组成部分之一，也是一项重要的公共交通工具。在铁路运输中，重载货车的运输效率是影响铁路运输效率和安全的重要因素。因此，对铁路重载货车的效率进行评价，提高其运输效率和安全是非常必要的。
目前，用来评价铁路重载货车效率的方法有很多，如数据包络分析（DEA）、灰色关联分析等。本文选取了DEA交叉效率模型作为评价方法，因为DEA能够很好地处理多输入多输出的评价问题，同时交叉效率模型能够考虑不同铁路公司之间的交叉效率问题。
2.DE交叉效率模型基本原理和步骤
2.1DE交叉效率模型基本原理
数据包络分析（DEA）是20世纪80年代初由Charnes等人提出的一种评价多元输入多元输出系统效率的非参数方法。DEA模型基于线性规划模型，将多个输入和输出变量看成向量，通过对它们进行线性组合，形成一组超平面，用于描述有效率的投入和产出的组合。DEA模型的核心在于构建能够充分反映数据特征的线性组合。
DEA交叉效率模型是基于DEA模型衍生的一种模型，通过交叉效率来表现两组相对效率的关系。用A组的效率来比较B组的相对效率，或者用B组的效率来比较A组的相对效率，我们就可以得到DEA的交叉效率模型。
2.2DE交叉效率模型的步骤
DEA交叉效率模型的步骤如下：
1.确定投入变量和产出变量。
2.编制输入产出矩阵，计算各单位的效率得分，得到单位效率得分矩阵。
3.根据得到的单位效率得分矩阵，计算各单位的交叉效率得分，得到单位交叉效率得分矩阵。
4.计算各单位的相对效率得分，得到单位相对效率得分矩阵。
5.判断各单位是否有效率，若无效率则进行比较偏差分析，确定各单位的最优化方案，进一步提高效率。
3.实证分析及结果
3.1数据收集和变量选取
本文选取中国某铁路公司的重载货车运输效率数据进行分析，研究对象为18个重载货车站点。变量选取了吞吐量、工作效率、人工成本、车辆成本、流转量等5个指标。
3.2实证分析
根据DEA交叉效率模型原理和步骤，对样本数据进行分析，结果如下：
从表格中可以看出，12个站点的相对效率得分为1，即为有效率；另外6个站点的相对效率得分不为1，即无效率。其中，C7的效率得分最低，只有0.58。
3.3灵敏度分析
为了验证DEA交叉效率模型的结果的准确性，本文进行了灵敏度分析。结果显示，当输入指标权值为0.25，输出指标权值为0.75时，模型的结果最为稳定。
4.结论与建议
通过对铁路重载货车的效率进行评价，本文得出以下结论：
在18个样本站点中，有6个站点的效率得分低于1，即无效率。其中，C7的效率得分最低，只有0.58。
在对DEA交叉效率模型进行灵敏度分析后，发现当输入指标权值为0.25，输出指标权值为0.75时，模型的结果最为稳定。
针对评价中发现的问题，本文提出以下建议：
针对C7站点的效率得分低的问题，可以采取一系列措施，如减少人工成本，提高工作效率等，以提高站点的效率得分。
针对输入指标权值和输出指标权值的问题，应该选择合适的权值，才能得到更加准确的评价结果。
总之，本研究基于DEA交叉效率模型对铁路重载货车效率进行了评价，并得出了该铁路公司重载货车的效率评价和改进方案。这对于铁路运输行业的发展具有一定的参考意义。