数据包络分析（Data Envelopment Analysis，简称DEA）是通过数学规划模型评价具有多个输入、多个输出的决策单元（或部门）的相对有效性的非参数分析方法.自1978年A.Charnes和W.W.Cooper等人提出第一个DEA模型——C2R以来，DEA在模型、理论与应用方法上取得了很大的进展，并渐臻成熟.　　传统的DEA模型是根据有限多个决策单元所构成的“和形式”生产可能集建立线性规划模型，并通过单纯形方法进行计算、求解.其最终口的是评价有限多个决策单元之间的相对有效性.传统的DEA理论、模型和方法不适用于处理“海量”的决策单元，主要原因在于其使用“和形式”的线性规划模型评价“海量”的决策单元，需要进行“海量”的单纯形方法计算，故而传统DEA模型不能同时解决“快速”和“海量”这两个问题.　　本文主要研究的是，利用基于“交形式”生产可能集的DEA模型，对“海量”决策单元进行数据挖掘，进而得到相应的经济结构和特征.本文是以有限多个决策单元构成的“训练集”为“样本”，只需使用一个“交形式”的DEA模型WY对“评测集”中的每个决策单元进行相对有效性（包括技术有效性和规模收益状况）评价，其中“训练集”中的决策单元个数可以是“海量”的.由于使用了“交形式”的DEA模型，故而可以对“海量”决策单元进行快速评价.同时，论文对区间数据的分位DEA模型，给出分位DEA生产可能集的定义，以及非区间数据的决策单元所对应的“分位函数”和“分位数”的概念和性质，通过分位DEA模型C2R与模型FG的效率值来判定决策单元的规模收益状况.　　本文的研究内容和创新之处:　　1.给出使用DEA理论、模型进行数据挖掘的新方法，开拓了DEA用于数据挖掘的领域，改进了“DEA评测机”，仅需重复使用一个DEA模型WY的“交形式”生产可能集来判定“海量”决策单元的相对效率，包括判定技术有效性和规模收益状况（递增、不变、递减）以及“拥挤”迹象.解决了传统的DEA理论、模型和方法不能同时解决“快速”和“海量”的问题.　　2.DEA用于数据挖掘的“动态”分析方法是根据“交形式”的生产可能集，从“海量”决策单元的投入增大和缩小的角度，对规模收益状况以及“拥挤”迹象给出“动态”判定，对DEA用于数据挖掘的分析方法予以补充.分析“海量”决策单元当前的规模收益状态是由哪种状态过渡而来，且当“海量”决策单元的投入增加时规模收益又将变为何种状况.　　3.对于区间数据的新DEA模型——分位DEA模型，提出分位DEA的理论和方法，包括分位DEA生产可能集的定义，决策单元对应的“分位函数”和“分位数”，并通过分位DEA模型C2R与模型FG的效率值对决策单元的规模收益状况予以判定，给出判定的充分必要条件.　　4.根据DEA用于数据挖掘的分析方法（见2），对我国多所高校的科研能力进行实证研究.评价了605所高校的科研效率，包括技术有效性与规模收益状况以及“拥挤”迹象，并对评价结果进行分析说明.