前面已经对传统的DEA模型进行了学习，这里主要学习Malmquist指数。
1. 传统的DEA模型传统的DEA模型是对xx效率进行静态分析，最常见的有CCR模型（基本条件是规模报酬不变）和在此基础上扩展的BCC模型（规模报酬可变 投入导向型）
主要步骤是：
明确研究问题确定决策单元构建评价指标体系收集数据并处理求解DEA模型结果分析需要说明的是
综合技术效率是对决策单元（DUM）的资源配置能力、资源使用效率等多方面能力的综合衡量与评价;
纯技术效率是由于管理和技术等因素影响的生产效率
规模效率是由于规模因素影响的生产效率。
对于传统的DEA模型以及三阶段模型，其流程大致如下
2. 超效率DEA模型超效率DEA模型是对传统DEA模型的改进
3. DEA-Malmquist指数模型Malmquist指数方法通过本期到下期生产率的变化测算Malmquist全要素生产率指数，从而对xx效率进行动态分析
Malmquist指数与DEA结合，能够实现对效率动态变化的描述
通过本期到下期生产率的变化，测算Malmquist全要素生产率指数
说明一下这个全要素生产率
即指生产活动在一定时间内的效率
其中要素是指除劳动与资本之外的其它所有物质要素，包括技术进步、组织创新、专业化和生产创新等。
引用论文基于DEA-Malmquist指数的江西省城镇化效率研究中的理论部分：
还包括
Malmquist指数的分解形式
Malmquist指数的经济含义
参见:基于DEA-Malmquist指数的江西省城镇化效率研究
写非常清楚，大概就是
决策单元不仅包括截面数据，而且包括时间序列数据，此时使用传统DEA模型（CCR模型、BCC模型）评价面板数据会与DEA的假设条件相矛盾。
Malmquist指数模型能够测算时间序列数据的动态效率，现被广泛应用于各大领域。
这个指数可以分解为综合技术效率变化指数和技术进步指数，而其中综合技术效率指数又可以分解为纯技术效率变化指数和规模效率变化指数
具体的：
Malmquist指数=综合技术效率变化指数×技术进步指数
或
Malmquist指数=纯技术效率指数x规模效率指数×技术进步指数
总的来说
传统的DEA模型是测算同一时期不同决策单元的的静态相对效率，即综合技术效率变化；
而Malmquist指数模型是对各个决策单元不同时期数据的动态效率分析，包括综合技术效率变化以及技术进步指数。比如对于20xx年至2019年某个地区多投入多产出的时间序列数据，如果使用传统的DEA模型就会忽略技术进步对全要素生产率的贡献，不同年份的投入产出数据所对应的生产技术不会相同，因此应该选择Malmquist指数模型。
结合这个