交通部運輸研究所Institute of Transportation, MOTC

       資料包絡分析（Data Envelopment Analysis, DEA）為現今廣泛使用之營運績效評估方法，且常搭配著 Meta-frontier進行多個受評決策單位相對效率評比，然而，過往使用此法時，皆須仰賴使用者自行將資料分群，如依照地區別、產業別等方式，由於沒有任何準則而使 之過於主觀 ，且分群及效率評估兩個階段間也缺乏回饋互動關係。 因此，本研究研提一分群最佳化之多群組資料包絡分析模式，允許使用者自行設定分群數目，由模式自動地決定最佳分群結果後進行相對技術效率評比。

       本研究之研究對象為全台公路汽車客運路線公司，以民國105年之營運資料進行實證研究，同時應用基因演算法（ Genetic Algorithms, GAs）進行求解，並以參數變動分析決定 GAs之各參數設定。實證結果顯示：本模型除了能同時完成資料分群與績效評比之外，於求解效率與結果上，亦具極高之穩定性與可靠性，且分群數目之設 定相當彈性，使用者亦可視不同分群數之評比結果後，再決定最終欲採用之分群數以進行後續之研究。

       以分四群之結果為例：第一群的公司皆對員工數之投入控管良好，其中，中興巴士的產出規模過小，應增加其營運規模，而首都客運則是較擅長於營收的產出。第二群中，豐原客運最無效率，且所有公司對於員工數之掌控皆不擅長，而杉林溪遊業之產出規模過小。第三群屬效率差距明顯之一群，其中的彰化客運最無效率，桃園客運、總達客運則最有效率，而所有公司皆於車輛數之投入使用上無效率，且大部分之公司對於油料之使用量相對較恰當。第四群中，三重客運最沒效 率，且大部分公司對於車輛數投入之控管較不適切，而每家公司擅長之產出也各不同；台北客運與新北客運處於規模報酬遞增之狀態，應適度的增加其營運規模。總體而言，每家客運公司皆有其優勢與缺點，本研究之衡量結果可作為其改善之參考。