数据包络分析-Additive Model
DEA--Additive model
今天,我们来介绍第三种基础模型,Additive Model加性模型。加性模型有多种形式,本章研究的是可变规模报酬(variable returns to scale)下的加性模型,先给出它的模型:
Additive Model
加性模型的目标函数不再是一个效率分数值,它是直接对所有松弛值进行考虑:
这个模型的对偶模型是:
一般我们常用的是第一种模型。
example
用一个例子来进行模型解释。比如说单投入单输出,将它们画在坐标轴上:
根据约束条件,纵轴可以用**s+来进行调整,而横轴则是用s-**来进行调整。这里的决策单元D并不在前沿面上,那么就要让D到达前沿面上。根据目标函数,要两个松弛值加和达到最大,便是D到达离它最远的B值(图可能不太精确,意思理解即可)。
Add-efficiency
加性模型变得有效,当且仅当所有松弛为0(即s+和s-都等于0)。
projection
至于投影部分,其实跟前面两个模型一样,这里简单带过:
其实不管什么,都是保留
translation Invariance
BCC具有平移不变性(为什么用BCC模型与Add模型进行对比?是因为这里的这两个模型规模报酬一致),但只有在基于投入向的模型中,输出是平移不变的。而只有在基于输出向的模型中,投入是平移不变的。用例子说明:
比如说在基于投入向的模型中,(看BCC模型公式)投入是要乘以theta值,也就是先进行压缩,再用松弛进行调整,而输出则是直接用松弛进行调整,那么在投入产出同时加减某个常数之后,只有产出的等式仍然成立。这也就意味着投入是不具有平移不变性的,而产出具有平移不变性。
加性模型具有平移不变性。可以从模型的目标函数看,用的都是松弛值,可以在单输入单输出图像中理解成距离,那么距离是不变的,就不会随着投入产出数字的变化而变化。具体用图像说明:
在这幅图中,不管是x轴向下(上)移,还是y轴向左(右)移动,都不会改变松弛之和。
接下来用推理准确表述Add平移不变性:
先对所有的x,y加上任意常数。
这一步的关键是用到了𝑒𝜆=1这个条件(为什么会有这个条件?因为这里的加性模型用的是可变规模报酬),那么,就可以继而得到:
与之前的约束条件相比,𝜆与s-都没变。相似地,产出y也能得到:
得到这两步后,可以发现松弛变量都没有变化:
因此目标函数不变。这就说明加性模型具有平移不变性。
R代码
x=matrix(c(2,3,2,4,6,5,6,8),ncol = 1)
y=matrix(c(1,3,2,3,5,2,3,5),ncol = 1)
res=dea.add(x,y,RTS = "vrs")
res$objval
cbind(res$sx,res$sy)
优缺点
首先我们先回想一下CCR与BCC模型(这两类差不多),一般我们得到一个效率分数值theta ,若它的值为1,我们不能直接说这个决策单元(DMU)是有效的,还要观察松弛值是否全为0,若全为0才能下结论说这个决策单元是有效的。
加性模型:
- 那对于加性模型来说,它是直接考虑松弛值。若松弛全为0,就可以直接得出有效。并且又因为它的平移不变性质,可以解决数据中出现负值的情况。
- 并且BCC这类模型是区分输入向和输出向的,但是加性模型则是不区分。
- 但是它的缺点也明显,在决策单元不是有效的情况下,它不能给出无效程度theta;
- 还有一个缺点便是,加性模型是直接考虑松弛,松弛与各投入产出单位有关,各单位不一样还不能直接进行加和,因此加性模型对于数据需要做处理。