在测算方法的选取上，由于数据包络分析（Data Envelopment Analysis，DEA）具有不需要假设函数形式、可以对生产率进行分解等优点，胡鞍钢等[1]（2008）、陈诗一[10]（2010）、涂正革[11]（2008）等均采用DEA方法计算方向性距离函数。然而Tone[12]（2001）指出这种方法没有考虑投入松弛变量，导致输入值减少不会增加超效率这一缺陷，即当存在投入过度或产出不足，即存在投入或产出的非零松弛（Slack）时，DEA效率测度会高估评价对象的效率。

为了解决投入要素的松弛问题，Tone[12]（2001）提出了一种非径向的DEA模型——基于松弛变量的SBM模型（Slacks-based Measure），该模型直接将松弛变量加入目标函数，其结果不再仅仅是效益比例的最大化，而是实际利润的最大化。这种方法与传统DEA在对决策单元的相对效率进行评价时，其效率值在（0，1）区间分布，有效的决策单元其效率值为1，因此当存在多个有效的决策单元时，无法做出进一步比较。

为了实现效率值为1的有效单元之间的比较，Tone[13]（2002）提出超效率SBM模型弥补了这方面的缺陷，超效率SBM模型不仅可以更恰当地处理非期望产出，而且可以在有效的决策单元中进一步做出比较，因而更加准确严谨。

假设每个省域是一个生产决策单元（DMU），每个省域都有m种投入要素（包括“好”投入和“坏”投入）、S1种期望产出和S2种非期望产出，用向量可表示成x∈Rm，yg，以及yb∈。定义矩阵X=[x1，…，x2]∈Rm+n、Yg=。将非期望产出放入超效率SBM模型（Tone，2002）中得到生产可能性集合，即环境技术集合为：(www.daowen.com)

其中λ是权重向量，若其和为1表示生产技术为规模报酬可变的（VRS），否则表示规模报酬不变的（CRS）。

构造非期望产出超效率SBM，可以通过Charnes et al.[14]（1978）的方法将非线性规划问题转换成线性规划问题。结合Tone（2002[13]，2004[15]）提出的方法，考虑非期望产出的超效率SBM模型可写成：

其中，λ是权重向量。目标函数δ*的值一定不小于1，且δ*越大表明该单元越有效率。