数据包络分析-超效率模型

模型

一般在实际中，我们拿到一组数据，直接进行DEA计算，很容易发生一种情况，就是有大量的决策单元（DMUs）最终效率分数为零。那么接下来就是对这些效率分数为1的值进行考虑，哪一个更好，对其进行一个排序。

与往常模型类似，其实也就是把这个被评估的决策单元不放进生可能集中去，继而建立模型。

CCR下的模型

要注意的是，这里的目标函数，是要在第一阶段求得theta的值，然后在第二阶段中这个theta作为已知条件代入，然后再求所有松弛的和最大。

SBM下的模型

将新的x和y代入模型中，得到新的模型为：

注意

超效率模型存在缺点，就是在VRS（variable returns to scale）情况时可能会存在无可行解的情况。

python处理超效率模型

例子：数据如下，用super radial-I-C模型进行求解：

代码主要部分：

    def __CCR_super(self):
        for k in self.DMUs:
            MODEL = gurobipy.Model()
            OE, lambdas, s_negitive, s_positive = MODEL.addVar(), MODEL.addVars(self.DMUs),  MODEL.addVars(self.m1),\
                                                  MODEL.addVars(self.m2)
            #决策变量 Model.addVar() 和 Model.addVars()，比如说是x = MODEL.addVar(lb=0.0, ub=gurobipy.GRB.INFINITY,
            # vtype=gurobipy.GRB.CONTINUOUS, name="")
            MODEL.update()
            ## 更新变量环境
            MODEL.setObjectiveN(OE, index=0, priority=1)
            #添加目标函数 Model.setObjective() 和 Model.setObjectiveN(),有多个目标函数时候加N，并且index: 目标函数对应的序号 (默认 0，1，2，…),
            # 以 index=0 作为目标函数的值, 其余值需要另外设置参数
            MODEL.setObjectiveN(-(sum(s_negitive) + sum(s_positive)), index=1, priority=0)
            #priority大就先算
            MODEL.addConstrs(gurobipy.quicksum(lambdas[i] * self.X[i][j] for i in self.DMUs if i != k)
                             + s_negitive[j] == OE * self.X[k][j] for j in range(self.m1))
            MODEL.addConstrs(gurobipy.quicksum(lambdas[i] * self.Y[i][j] for i in self.DMUs if i != k)
                             - s_positive[j] == self.Y[k][j] for j in range(self.m2))
            MODEL.setParam('OutputFlag', 0)
            MODEL.optimize()
            self.Result.at[k, ('效益分析', '综合技术效益(CCR-super)')] = MODEL.objVal

        return self.Result

结果如下：