DEA模型中的CCR模型

最新推荐文章于 2024-04-18 15:13:23 发布

Ai_Linda

最新推荐文章于 2024-04-18 15:13:23 发布

阅读量1.1w

点赞数 19

分类专栏：运筹学文章标签：经验分享其他

本文链接：https://blog.csdn.net/Alindas/article/details/123330970

版权

运筹学专栏收录该内容

1 篇文章

订阅专栏

近期在学习运筹学（二），但是貌似很难找到对于数据包络问题的相关详细讲解，关于 $C^{2}R$ 模型的部分文章也很难理解，对于部分问题些许含糊其辞（怎么可能是自己能理解到呢，不可能，绝对不可能），所以在自己结合自己的理解写下这篇关于 $C^{2}R$ 模型的理解，当成是自己的学习笔记。

那么什么是DEA问题呢？

官方解释是运筹学中的一种效率评价方法，即在多输入，多输出的多个同类决策单元的有效性评价。最先应用在工程的效率问题，但后续被用在多个评价类、资源配置问题中。

举个例子，在一个工程中，我们有多个条件一摸一样的厂房同时进行生产，输入的生产要素有工人数量，原料数量等，最后生产出的输出有产品的数量，产品的种类，产品的质量等等，我们需要评判哪个厂房的生产效率最高，这就是一个DEA模型的问题场景。

CCR模型

在这样的场景下，每个厂房都是单独的一个决策单元，这样的单元被称之为DMU(desicion making unit)，假设有n个决策单元，每个决策单元都m种类型的输入，和s种的输出,要评价每个DMU的效率，那必然涉及到对每个输入输出分配权重，那么我们记：

依照我们对于效率的理解，可以很容易得到对于决策单元j的效率可以表示为：

$h_{j}=\frac{\sum_{r=1}^{s}u_{r}y_{rj}}{\sum_{i=1}^{m}u_{i}x{ij}}$

考虑现实条件，任何工程都不可能达到效率超过1的，因此满足：

$h_{j}\leq 1,\forall j$

那么我们在考虑其中某个决策单元的效率时，即可以建立如下 $C^{2}R$ 模型：

$\left(\overline{\mathrm{P}}_{\mathrm{C}^{2} \mathrm{R}}\right)\left\{\begin{aligned} \max & \frac{\boldsymbol{u}^{\mathrm{T}} \boldsymbol{y}_{0}}{\boldsymbol{v}^{\mathrm{T}} \boldsymbol{x}_{0}}=h_{0} \\ \text { s.t. } & \frac{\boldsymbol{u}^{\mathrm{T}} \boldsymbol{y}_{j}}{\boldsymbol{v}^{\mathrm{T}} \boldsymbol{x}_{j}} \leqq 1, \quad j=1,2, \cdots, n \\ & \boldsymbol{v} \geqslant \mathbf{0} , \boldsymbol{u} \geqslant \mathbf{0} & \end{aligned}\right.$

通过求解 $C^{2}R$ 模型可以得到单个决策单元最优效率下的各个输出量与输入量的最佳权重，需要知道的是最优效率评价指数与输出量、输出量的量纲无关。

由于上述模型是分式规划，分式规划不可避免地涉及到了解不唯一的问题，因此我们通过CC变换（Charnes-Cooper），将其转化为等价的线性规划问题，CC变换的过程如下：

$\begin{aligned} & t=\frac{1}{v^{\top} x_{j}}, w=t v, \mu=t u \\ & h_{0}=\frac{u^{\top} \cdot y_{0}}{v^{\top} \cdot x_{0}}=\frac{u^{\top}}{v^{\top} \cdot x_{0}} \cdot y_{0}=t u^{\top} \cdot y_{0}=\mu^{\top} \cdot y_{0} \\ &h_{j}=\frac{\mu^{\top} \cdot y_{j}}{\omega^{\top} \cdot x_{j}}=\frac{u^{\top} \cdot y_{j}}{v^{\top} \cdot x_{j}} \leqslant 1 \\ &w^{\top} x_{0}=1 \\ &w \geqslant 0, \quad \mu \geqslant 0 \end{aligned}$

经过CC变换后得到以下线性规划模型：

$\left(\mathrm{P}_{\mathrm{C}^{2} \mathrm{R}}\right) \begin{cases}\max & \boldsymbol{\mu}^{\mathrm{T}} \boldsymbol{y}_{0}=h_{0} \\ \text { s.t. } & \boldsymbol{\omega}^{\mathrm{T}} \boldsymbol{x}_{j}-\boldsymbol{\mu}^{\mathrm{T}} \boldsymbol{y}_{j} \geqq 0, \quad j=1,2, \cdots, n \\ & \boldsymbol{\omega}^{\mathrm{T}} \boldsymbol{x}_{0}=1 \\ & \boldsymbol{\omega} \geqq \mathbf{0}, \quad \boldsymbol{\mu} \geqq \mathbf{0}\end{cases}$

CCR问题的对偶问题

首先给出对偶问题的模型：

$\left(\mathrm{D}_{1}\right) \begin{cases}\min & \theta\\ \text { s.t. } & \sum_{j=1}^{n} \boldsymbol{x}_{j} \lambda_{j} \leqq \theta \boldsymbol{x}_{0} \\ & \sum_{j=1}^{n} \boldsymbol{y}_{j} \lambda_{j} \geqq \boldsymbol{y}_{0} \\ & \lambda_{j} \geqq 0, j=1,2, \cdots, n .\end{cases}$

对线性规划的式子引入松弛变量 $s^{-}$ 和剩余变量 $s^{+}$ 则式子转变为：

$\left(\mathrm{D}_{\mathrm{C}^{2} \mathrm{R}}\right) \begin{cases}\min & \theta \\ \text { s.t. } & \sum_{j=1}^{n} \boldsymbol{x}_{j} \lambda_{j}+\boldsymbol{s}^{-}=\theta \boldsymbol{x}_{0}, \\ & \sum_{j=1}^{n} \boldsymbol{y}_{j} \lambda_{j}-\boldsymbol{s}^{+}=\boldsymbol{y}_{0}, \\ & \lambda_{j} \geqq 0, j=1,2, \cdots, n, \\ & \boldsymbol{s}^{-} \geqq \mathbf{0}, \boldsymbol{s}^{+} \geqq \mathbf{0} .\end{cases}$

通常来说对偶问题都是直接由定义转换过来的，但是对于 $\lambda ,\theta$ 没有具体解释，由于 $C^{2}R$ 模型的对偶问题比较复杂，绝大部分博主只是给出了它的式子而没有对其有推导，在知乎回答中有几位答主给出了一些推导，链接如下：(4 封私信 / 2 条消息) 请问DEA CCR模型的对偶模型是怎么推导出的？ - 知乎 (zhihu.com)