存在共享投入的两阶段博弈交叉DEA模型

存在共享投入的两阶段博弈交叉DEA模型

今天推出的是存在共享投入的两阶段博弈交叉DEA模型。

网络 DEA 博弈交叉效率模型不仅适用于基本两阶段网络结构，还适用于多种网络结构，本文进一步将模型拓展为存在共享投入的两阶段DEA 博弈交叉效率模型。 存在共享投入的两阶段网络结构中，假设有 n 个 DMU;在第一阶段，$DM{U}_j(j=1,2,...,n)$用 m 种共享比例分别为${\alpha }_{ij}(i=1,2,...,m)$的外源投入$x_{i}j(i=1,2,...,m)$产生 q 种产出$z_{p}j(p=1,2,...,q);$ 在第二阶段，$DM{U}_j(j=1,2,...,n)$用 m 种共享比例分别为的外源投入$$(1-{\alpha }_{i_i})$$,$x_{ij}(i=1,2,....,m)$和第一阶段的 q 种产出$z_{pj}(p=1,2,...,q)$产生 S 种产出$y_{rj}(r=1,2,....,s)$,这 S 种产出离开系统。其中，共享比例${\alpha }_{i_i}(i=1,2,...,m)$是未知参数，管理者可根据现实情况设置共享比例的下界$L_{ij}$ 和上界$U_{ij}$。

其模型最终的规划式如下：
$$\begin{array}{ll}\max & E_{dk}^{(g)}={\sum }_{r=1}^s{\mu }_{rk}^{d(g)}{y}_{rk}+{\sum }_{p=1}^q{\omega }_{pk}^{d(g)}{z}_{pk}\\ \text{ s.t. }& {\sum }_{i=1}^m{v}_{ik}^{d(g)}{x}_{ik}+{\sum }_{p=1}^q{\omega }_{pk}^{d(g)}{z}_{pk}=1,\\ & {\sum }_{p=1}^q{\omega }_{pk}^{d(g)}{z}_{pj}-{\sum }_{i=1}^m{\beta }_{ij}^{d(g)}{x}_{ij}\le 0,j=1,\dots ,n,\\ & {\sum }_{r=1}^s{\mu }_{rk}^{d(g)}{y}_{rj}-{\sum }_{i=1}^m{\nu }_{ik}^{d(g)}{x}_{ij}+{\sum }_{i=1}^m{\beta }_{ij}^{d(g)}{x}_{ij}-{\sum }_{p=1}^q{\omega }_{pk}^{d(g)}{z}_{pj}\le 0,j=1,\dots ,n\\ & E_d^{(g-1)}{\sum }_{i=1}^m{v}_{ik}^{d(g)}{x}_{id}+\left(E_d^{(g-1)}-1\right){\sum }_{p=1}^q{\omega }_{pk}^{d(g)}{z}_{pd}-{\sum }_{r=1}^s{\mu }_{rk}^{d(g)}{y}_{rd}\le 0,\\ & L_{ij}{\nu }_{ik}^{d(g)}\le {\beta }_{ij}^{d(g)}\le U_{ij}{\nu }_{ik}^{d(g)},i=1,\dots ,m;j=1,\dots ,n,\\ & v_{ik}^{d(g)},{\omega }_{pk}^{d(g)},{\mu }_{rk}^{d(g)}\ge 0,i=1,\dots ,m;p=1,\dots ,q;r=1,\dots ,s.\end{array}$$
两阶段博弈DEA模型，由于需要大量计算，如有N个DMU，那么需要进行G*N^2次的线性规划，为了加快运行速度，在计算式采用文献中提供的新的算法设计。其具体思路如下：

第一步：将 g=1 时每个 DMU 博弈前的平均整体交叉效率设置为 0.001,即令 g=1 时(式 3.7)中$E_d^{(0)}=0.001$ $(d=1,2,...,n)$,并求解(式 3.7)至(式 3.11),计算$DM{U}_k(k=1,2,...,n)$第 1 次博弈后的平均整体交叉效率$E_k^{(\mathrm{l})}$、平均第一阶段交叉效率$E_k^{\mathrm{l}(\mathrm{l})}$以及平均第二阶段交叉效率$E_k^{2(\mathrm{l})};$
第二步：当 g=2 时，求解(式 3.7)至(式 3.11),计算$DM{U}_k(k=1,2,...,n)$第 g 次博弈后的平均整体交叉效率$E_k^{(2)}$、平均第一阶段交叉效率$E_k^{1(2)}$以及平均第二阶段交叉效率$E_k^{2(2)}$ ;

第三步：当 g=3 时，令$E_k^{(3)}=\frac{E_k^{(1)}+E_k^{(2)}}{2}(k=1,2,...,n)$、$E_k^{1(3)}=\frac{E_k^{1(1)}+E_k^{1(2)}}{2}$

$(k=1,2,...,n)$和$E_k^{2(3)}=\frac{E_k^{2(1)}+E_k^{2(2)}}{2}\left(k=1,2,...,n\right);$

第四步：当$g\ge 4$时，求解(式 3.7)至(式 3.11),计算 $DM{U}_k(k=1,2,...,n)$第 g 次博弈后的平均整体交叉效率$E_k^{(\mathrm{g})}$、平均第一阶段交叉效率$E_k^{1(\mathrm{s})}$以及平均第二阶段交叉效率$E_k^{2(g)};$
第五步：判断第四步每个$DM{U}_k(k=1,2,...,n)$的计算结果是否满足$\left|E_k^{(\mathrm{g}+1)}-E_k^{(\mathrm{g})}\right|\le \epsilon ,\left|E_k^{\mathrm{l}(\mathrm{g}+1)}-E_k^{\mathrm{l}(\mathrm{g})}\right|\le \epsilon ,\left|E_k^{2(\mathrm{g}+1)}-E_k^{2(\mathrm{g})}\right|\le \epsilon (k=1,2,...,n)$,若存在 DMU 不满足此三个不等式中的任一不等式则重复第四步，直到所有 DMU 都满足上述不等式。

关于该模型，使用matlab和julia分别完成了模型建模，均能得到和论文相同的结果（指总效率，分阶段效率有差异，但是排名与论文中的结果近似。这是由于最优解不唯一造成的。）

对比如下：

参考文献：《网络DEA中的交叉效率及其应用研究》

有需要的同学可以联系微信： canglang12002