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:
Panda_DEA更新
三阶段DEA之SFA回归
产业空间聚集DO指数计算工具更新
存在共享投入的两阶段博弈交叉DEA模型
产业空间聚集DO指数计算工具
网络SBM模型(NSBM)复现
团体机构持股比例代码更新
空间马尔科夫工具更新** **
共享投入型关联两阶段生产系统的网络DEA效率测度与分解复现
基尼系数双维度分解计算工具
动态SBM模型(DSBM)复现
共享投入的两阶段DEA模型复现
基于凸分位数回归的影子价格计算工具
Doyle和Green(1994)的对抗性和仁慈性DEA
一种新的两阶段网络DEA模型
适用于面板数据的动态StoNED模型计算工具** **
零和博弈SBM模型(ZSG-SBM)模型
三阶段动态网络DEA(DNSBM)模型的实现
计算相对资源承载力模型的工具
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
基于非期望产出的RAM 碳环境效率模型
使用遗传算法或NSGA2算法解决多式联运问题
莫兰指数计算小工具
Panda_DEA增加至强有效前沿最近距离-MinDS模型
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** **
Panda-DEA_1.0正式发布!
含有非期望产出的ZSG-DEA模型
两阶段网络DEA模型及其计算
Panda-DEA,一款新的DEA模型软件
DKM_1.3更新—CCM收敛交叉映射
DKM_1.2:两阶段嵌套泰尔指数工具
DKM_1.1–新增熵值法功能
数量经济学工具DKM_1.0
空间马尔科夫链工具
空间静态kernel核密度、空间动态kernel核密度工具更新
马尔科夫链之传统马尔可夫链
Dagum基尼系数分解工具更新
无条件、空间静态、空间动态kernel核密度工具
基于共同前沿下含非期望产出SBM模型的影子价格测算
基于非期望产出SBM模型的群组前沿和共同前沿的DEA效率
零和收益ZSG-DEA模型的求解程序
三阶嵌套泰尔指数计算工具
dagum基尼系数分解工具
NjUyMQ==&mid=2247483728&idx=1&sn=703a49585627131782a77f51834e60dd&chksm=fd2f0766ca588e700bef7117ca0a75937e1795819203f0dc02bfdd74b767b3747bbf263b6085&scene=21#wechat_redirect)