数据包络分析-加性网络DEA分解

这篇文章要介绍的是2017年的一篇两阶段网络DEA文章，文献名字如下：

这篇文章跟我的上一篇很相似，只是在效率分解上有区别，在编程上更复杂一点。具体内容如下：

additive two-stage network DEA

首先，仍然是介绍网络，这里我们只说第二种类型的情况，也就是在第二阶段有另外的投入，图示如下：

接下来，很自然的写出各个阶段的效率：

本文的系统效率不再是两个阶段效率的乘积，而是加权平均：

根据这个目标函数，得到模型如下：

上述模型是分式形式，若要在Python中进行求解，则需要对其进行线性转换。这里是通过两次基础变换：

第一次，通过（公式比较多，实在是懒得一个个打出来了，截图吧，大家谅解）

那么此时模型变为：

第二次，继续变换，通过：

最后模型的形式变成：

模型求解

上述的最终模型，有多个未知参数，且模型是非线性模型，那么用平常的办法是不能在python中求得全局最优解的。

这篇文章与我上一篇发表的另一篇文献思路（omega2012那篇）相似。先是固定arpha的值，然后通过k的迭代，取得最优值。具体如下：

我们先设置arpha的值：
对于每个arpha,因为k是一个参数，我们考虑k的范围：

那么，我们对k的值进行迭代：

上式中，0.01是我们所设定的步长，t便是迭代次数，且t为整数。

在每个arpha值下，所有迭代次数中，让系统效率最大的那个k便是我们所求，然后知道了k，那么相对应的各个参数也可以知道，stage-1和stage-2的效率便迎刃而解。

在文献中的表述可能更为精确，我把内容也放上来：

例子

这篇文献中有个例子，部分数据展示一下（这份数据就是上一篇文献介绍用到的数据，我已经放在我的资源里面了，名字是net2012）：

投入数量：3 ，中间变量：2， 另外投入：1，最终产出：4

结果展示（右图贴的是我跑出来的，复现的比较成功）：