今天推出中立性DEA模型的计算工具
参考文献：《中立性DEA交叉效率评价方法》袁剑波，吴立辉，魏思
中立性DEA交叉效率评价方法
在数据包络分析（DEA）对决策单元效率评价的方法中，对抗性DEA交叉效率方法把所有决策单元均视为敌对方，而仁慈性DEA交叉效率方法把所有决策单元均视为盟友，这是不符合实际的。为解决对抗性和仁慈性DEA交叉效率方法的弊端，提出了一种中立性DEA交叉效率方法，既不把决策单元视为盟友，又不把决策单元视为敌对方，而是从中立性的原则去选择权重，进而得出效率评价结果。这种权重选择策略更加客观和公正，更能应用于实践当中。
现有DEA交叉效率方法综述
假设有 n n n个部门或单位（称为决策单元，Decision Making Units），这 n n n个决策单元都是具有可比性的。每个决策单元都有 m m m种类型的输入和 s s s种类型的输出。对于第 j j j个决策单元，记其第 i i i种投入为 x i j x_{ij} xij，第 r r r种产出为 y i j y_{ij} yij（ i = 1 , 2 , … , m ; j = 1 , 2 , … , n ; r = 1 , 2 , … , s i=1,2,\ldots,m; j=1,2,\ldots,n; r=1,2,\ldots,s i=1,2,…,m;j=1,2,…,n;r=1,2,…,s）。
对于第
k
k
k（
k
=
1
,
2
,
…
,
n
k=1,2,\ldots,n
k=1,2,…,n）个决策单元，其CCR效率
θ
k
k
\theta_{kk}
θkk计算公式为：
max
θ
k
k
=
∑
r
=
1
s
u
r
k
y
r
k
∑
i
=
1
m
v
i
k
x
i
k
.
\max \theta_{kk} = \frac{\sum_{r=1}^{s} u_{rk} y_{rk}}{\sum_{i=1}^{m} v_{ik} x_{ik}}.
maxθkk=∑i=1mvikxik∑r=1surkyrk.
s
.
t
.
θ
j
=
∑
r
=
1
s
u
r
k
y
r
j
∑
i
=
1
m
v
i
k
x
i
j
≤
1
,
j
=
1
,
2
,
…
,
n
;
s.t. \quad \theta_{j} = \frac{\sum_{r=1}^{s} u_{rk} y_{rj}}{\sum_{i=1}^{m} v_{ik} x_{ij}} \leq 1, \quad j=1,2,\ldots,n;
s.t.θj=∑i=1mvikxij∑r=1surkyrj≤1,j=1,2,…,n;
u
r
k
≥
0
,
r
=
1
,
2
,
…
,
s
;
u_{rk} \geq 0, \quad r=1,2,\ldots,s;
urk≥0,r=1,2,…,s;
v
i
k
≥
0
,
i
=
1
,
2
,
…
,
m
.
(
1
)
v_{ik} \geq 0, \quad i=1,2,\ldots,m. \quad (1)
vik≥0,i=1,2,…,m.(1)
中立性交叉效率评价方法
模型（1）的最优目标值虽然唯一，但是最优解（ u ∗ r k u_{*rk} u∗rk， v ∗ i k v_{*ik} v∗ik）并不一定唯一，这就导致了交叉效率值可能不唯一。为了解决这一问题，作者提出中立性交叉效率评价方法，主要思想是：当决策单元决定它的输入输出权重时，最关注的只是该权重是否有利于此决策单元评价值的计算，它不会关注是应该使其他决策单元最大还是最小。此方法的目标函数是使决策单元的所有输出指标的效率值最大化，约束条件与前面两种方法的约束条件相同。基于此种观点，得到以下中立交叉效率评价模型：
max
δ
=
min
r
∈
{
1
,
2
,
…
,
s
}
u
r
o
y
r
o
∑
i
=
1
m
v
i
o
x
i
o
.
\max \delta = \min_{r \in \{1,2,\ldots,s\}} \frac{u_{ro} y_{ro}}{\sum_{i=1}^{m} v_{io} x_{io}}.
maxδ=r∈{1,2,…,s}min∑i=1mvioxiouroyro.
s
.
t
.
θ
∗
k
k
=
∑
r
=
1
s
u
r
o
y
r
k
∑
i
=
1
m
v
i
o
x
i
k
.
s.t. \quad \theta_{*kk} = \frac{\sum_{r=1}^{s} u_{ro} y_{rk}}{\sum_{i=1}^{m} v_{io} x_{ik}}.
s.t.θ∗kk=∑i=1mvioxik∑r=1suroyrk.
θ
j
=
∑
r
=
1
s
u
r
o
y
r
j
∑
i
=
1
m
v
i
o
x
i
j
≤
1
,
j
=
1
,
2
,
…
,
n
;
j
≠
0.
\theta_{j} = \frac{\sum_{r=1}^{s} u_{ro} y_{rj}}{\sum_{i=1}^{m} v_{io} x_{ij}} \leq 1, \quad j=1,2,\ldots,n; j\neq 0.
θj=∑i=1mvioxij∑r=1suroyrj≤1,j=1,2,…,n;j=0.
u
r
o
≥
0
,
r
=
1
,
2
,
…
,
s
.
u_{ro} \geq 0, \quad r=1,2,\ldots,s.
uro≥0,r=1,2,…,s.
v
i
o
≥
0
,
i
=
1
,
2
,
…
,
m
.
(
6
)
v_{io} \geq 0, \quad i=1,2,\ldots,m. \quad (6)
vio≥0,i=1,2,…,m.(6)
目标函数里的分式表示 D M U o DMUo DMUo（ o = 1 , 2 , … , n ; o ≠ k o=1,2,\ldots,n; o\neq k o=1,2,…,n;o=k）中第 r r r（ r = 1 , 2 , … , s r=1,2,\ldots,s r=1,2,…,s）个输出指标的效率值；目标函数是求第 r r r个输出指标效率值中最小的那个输出指标效率值的最大值；第一个约束条件表示权重 u r o u_{ro} uro， v i o v_{io} vio应使得评价单元 k k k满足最大效率， θ ∗ k k \theta_{*kk} θ∗kk为模型（1）中 θ k k \theta_{kk} θkk的最大值；第二个约束条件表示被评价单元 o o o的效率值应小于或等于1。
线性化版本
模型（6）可转化为如下线性规划：
max
δ
\max \delta
maxδ
s
.
t
.
∑
i
=
1
m
v
i
o
x
i
o
=
1.
s.t. \quad \sum_{i=1}^{m} v_{io} x_{io} = 1.
s.t.i=1∑mvioxio=1.
∑
r
=
1
s
u
r
o
y
r
k
=
θ
∗
k
k
∑
i
=
1
m
v
i
o
x
i
k
.
\sum_{r=1}^{s} u_{ro} y_{rk} = \theta_{*kk} \sum_{i=1}^{m} v_{io} x_{ik}.
r=1∑suroyrk=θ∗kki=1∑mvioxik.
∑
r
=
1
s
u
r
o
y
r
j
−
∑
i
=
1
m
v
i
o
x
i
j
≤
0
,
j
=
1
,
2
,
…
,
n
;
j
≠
0.
\sum_{r=1}^{s} u_{ro} y_{rj} - \sum_{i=1}^{m} v_{io} x_{ij} \leq 0, \quad j=1,2,\ldots,n; j\neq 0.
r=1∑suroyrj−i=1∑mvioxij≤0,j=1,2,…,n;j=0.
u
r
o
y
r
o
−
δ
≥
0.
u_{ro} y_{ro} - \delta \geq 0.
uroyro−δ≥0.
u
r
o
≥
0
,
r
=
1
,
2
,
…
,
s
.
u_{ro} \geq 0, \quad r=1,2,\ldots,s.
uro≥0,r=1,2,…,s.
v
i
o
≥
0
,
i
=
1
,
2
,
…
,
m
.
v_{io} \geq 0, \quad i=1,2,\ldots,m.
vio≥0,i=1,2,…,m.
δ
≥
0.
(
7
)
\delta \geq 0. \quad (7)
δ≥0.(7)
然后利用模型（7）得出的最佳权重 u ∗ r o u_{*ro} u∗ro和 v ∗ i o v_{*io} v∗io去计算其他 D M U o DMUo DMUo（ o = 1 , 2 , … , n ; o ≠ k o=1,2,\ldots,n; o\neq k o=1,2,…,n;o=k）的效率值，得到交叉效率矩阵，此矩阵每列的平均值即为 D M U o DMUo DMUo的最终交叉效率值。
我们根据文献，开发了对应工具，计算该中立DEA模型，代码结果与论文结果对比如下：
不同求解器的最终交叉效率结果稍有差异，但是大体相同。
往期推荐：
空间马尔科夫工具更新** **
基于参数化的方向性距离函数（DDF)估算污染物影子价格的工具
QLab增加耦合协调度模型** **
广义SBM模型的matlab代码** **
QLab1.4正式发布！增加全排列多边形图示指标法** **
大量数据时的Dagum基尼系数分解工具** **
空间静态kernel核密度、空间动态kernel核密度工具更新
NjUyMQ==&mid=2247483728&idx=1&sn=703a49585627131782a77f51834e60dd&chksm=fd2f0766ca588e700bef7117ca0a75937e1795819203f0dc02bfdd74b767b3747bbf263b6085&scene=21#wechat_redirect)
扫一扫
708
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
