数据包络分析(DEA)——SBM模型

简介: 数据包络分析(DEA)——SBM模型

写在前面:

博主本人大学期间参加数学建模竞赛十多余次,获奖等级均在二等奖以上。为了让更多学生在数学建模这条路上少走弯路,故将数学建模常用数学模型算法汇聚于此专栏,希望能够对要参加数学建模比赛的同学们有所帮助。


1. 引言

  前面我们已经介绍了数据包络分析的CCR模型和BCC模型,具体可参阅链接: 数据包络分析——CCR模型和链接: 数据包络分析——BCC模型,而CCR模型和BCC模型都是径向模型,在径向模型中,效率改善主要指的是投入或产出的等比例线性缩放,同时忽略了平行于坐标轴的弱有效的情形,而SBM模型纳入无效率的松弛改进,保证最终的结果是强有效的。

2. 模型建立

  基本的SBM模型形式为

min ⁡ ρ = 1 − 1 m ∑ j = 1 m s j − / x k j 1 + 1 q ∑ r = 1 q s r − / y k r  s.t.  { X λ + s − = x k Y λ − s + = y k λ , s − , s + ⩾ 0 , j = 1 , ⋯   , m ; r = 1 , ⋯   , q \begin{array}{l}\min \rho=\frac{1-\frac{1}{m} \sum_{j=1}^{m} s_{j}^{-} / x_{k j}}{1+\frac{1}{q} \sum_{r=1}^{q} s_{r}^{-} / y_{k r}} \\ \text { s.t. }\left\{\begin{array}{l}X \lambda+s^{-}=x_{k} \\ Y \lambda-s^{+}=y_{k} \\ \lambda, s^{-}, s^{+} \geqslant 0, \quad j=1, \cdots, m ; r=1, \cdots, q\end{array}\right.\end{array}minρ=1+q1r=1qsr/ykr1m1j=1msj/xkj s.t. Xλ+s=xks+=ykλ,s,s+0,j=1,,m;r=1,,q其中,对每个决策单元k = 1 , ⋯   , n k=1, \cdots, nk=1,,n

  目标函数ρ ∗ \rho^{*}ρ表示效率值,该模型同时从投入和产出两个方面考察无效率的表现,故称为非径向模型。由于该模型为非线性模型,将该模型转化为线性模型,同时向模型中加入非期望产出得:

τ ∗ = min ⁡ ( t − 1 m ∑ j = 1 m s j − x k j )  s.t.  { t + 1 s 1 + s 2 ( ∑ r = 1 s 1 s r g y k r g + ∑ r = 1 s 2 s r b y k r g ) = 1 x k t = X Λ + S − y k g t = X Λ − S g y k b t = X Λ + S b Λ , S − , S g , S b ⩾ 0 t > 0 \begin{array}{l}\tau^{*}=\min \left(t-\frac{1}{m} \sum_{j=1}^{m} \frac{s_{j}^{-}}{x_{k j}}\right) \\ \text { s.t. }\left\{\begin{array}{l}t+\frac{1}{s_{1}+s_{2}}\left(\sum_{r=1}^{s_{1}} \frac{s_{r}^{g}}{y_{k r}^{g}}+\sum_{r=1}^{s_{2}} \frac{s_{r}^{b}}{y_{k r}^{g}}\right)=1 \\ x_{k} t=X \Lambda+S^{-} \\ y_{k}^{g} t=X \Lambda-S^{g} \\ y_{k}^{b} t=X \Lambda+S^{b} \\ \Lambda, S^{-}, S^{g}, S^{b} \geqslant 0 \\ t>0\end{array}\right.\end{array}τ=min(tm1j=1mxkjsj) s.t. t+s1+s21(r=1s1ykrgsrg+r=1s2ykrgsrb)=1xkt=XΛ+Sykgt=XΛSgykbt=XΛ+SbΛ,S,Sg,Sb0t>0其中,对每个决策单元k = 1 , ⋯   , n k=1, \cdots, nk=1,,n。该模型中包含投入矩阵X n × m X_{n \times m}Xn×m的转置,期望产出矩阵Y n × s 1 g Y_{n \times s_{1}}^{g}Yn×s1g的转置,非期望产出Y n × s 2 b Y_{n \times s_{2}}^{b}Yn×s2b的转置,模型参数主要包括投影变量Λ \LambdaΛ,松弛变量S − 、 S g 、 S b S^{-}、S^{g}、S^{b}SSgSbt tt

3. 模型求解

我们仍然用前面的例子:

  某市教委需要对六所重点中学进行评价,其相应的指标如表所示。表中的生均投入和非低收入家庭百分比是输入指标,生均写作得分和生均科技得分是输出指标。请根据这些指标,评价哪些学校是相对有效的。

  根据模型编写MATLAB代码如下:

%非期望产出SBM模型
clc,clear
X=[89.39 86.25 108.13 106.38 62.4 47.19;
    64.3 99 99.6 96 96.2 79.9];
Y=[25.2 28.2 29.4 26.4 27.2 25.2;
    223 287 317 291 295 222];
Z=[72 85 95 63 81 70]; %非期望产出:生均艺术得分
[m,n]=size(X);
s1=size(Y,1);
s2=size(Z,1);
c=1/(s1+s2);
rho=[];
w=[];
for i=1:n
    f=[-1./(m*X(:,i)') zeros(1,s1) zeros(1,s2) zeros(1,n) 1];
    A=[];
    b=[];
    UB=[];
    LB=zeros(m+s1+s2+n+1,1);
    Aeq=[zeros(1,m) c*1./Y(:,i)' c*1./Z(:,i)' zeros(1,n) 1;
        eye(m) zeros(m,s1)  zeros(m,s2) X -X(:,i);
        zeros(s1,m) -eye(s1) zeros(s1,s2) Y -Y(:,i);
        zeros(s2,m) zeros(s2,s1) eye(s2) Z -Z(:,i)];
    beq=[1 zeros(m,1)' zeros(s1,1)' zeros(s2,1)'];
    [w(:,i),rho(i)]=linprog(f,A,b,Aeq,beq,LB,UB);
end
rho'

  得到每个学校的效率值为

1.0000 、 0.8297 、 0.8692 、 1.0000 、1.0000 、 1.0000

  可见在带非期望产出的情况下,学校A、D、E、F是有效的。

目录
相关文章
|
人工智能 C++
ML之FE:Vintage曲线/Vintage分析的简介、计算逻辑、案例应用之详细攻略
ML之FE:Vintage曲线/Vintage分析的简介、计算逻辑、案例应用之详细攻略
ML之FE:Vintage曲线/Vintage分析的简介、计算逻辑、案例应用之详细攻略
|
6天前
|
资源调度 数据可视化 数据处理
R语言改进的DCC-MGARCH:动态条件相关系数模型、BP检验分析股市数据
R语言改进的DCC-MGARCH:动态条件相关系数模型、BP检验分析股市数据
11 0
|
18天前
GARCH-DCC模型和DCC(MVT)建模估计
GARCH-DCC模型和DCC(MVT)建模估计
13 0
GARCH-DCC模型和DCC(MVT)建模估计
|
18天前
R语言时间序列平稳性几种单位根检验(ADF,KPSS,PP)及比较分析
R语言时间序列平稳性几种单位根检验(ADF,KPSS,PP)及比较分析
11 0
|
16天前
|
机器学习/深度学习 人工智能 自然语言处理
2万亿训练数据,120亿参数!开源大模型Stable LM 2-12B
【4月更文挑战第19天】Stability AI团队推出了120亿参数、2万亿训练数据的Stable LM 2-12B语言模型,成为公开模型的新标杆。该模型采用Transformer架构,支持多语言处理,并公开训练细节,促进AI技术发展。然而,其大规模带来资源需求增加及准确性的挑战,需关注模型优化、输出可靠性及地域文化适应性。
22 1
|
19天前
R语言GARCH-DCC模型和DCC(MVT)建模估计
R语言GARCH-DCC模型和DCC(MVT)建模估计
|
4月前
HJ25 数据分类处理
HJ25 数据分类处理
31 0
|
5月前
|
算法
数据包络分析(DEA)——BCC模型
数据包络分析(DEA)——BCC模型
398 0
|
5月前
|
算法
数据包络分析(DEA)——CCR模型
数据包络分析(DEA)——CCR模型
186 0
数据包络分析(DEA)——CCR模型
|
vr&ar 计算机视觉
目标检测中的评估指标:PR曲线、AP、mAP
目标检测中的评估指标:PR曲线、AP、mAP
850 0
目标检测中的评估指标:PR曲线、AP、mAP