数据包络分析CCR、BCC模型
前言:本文给出数据包络分析(Data envelopment analysis, DEA)中的CCR、BCC模型的原规划、对偶规划以及matlab代码实现
用以评价决策单元(decision making unit, DMUs)的效率高低,如:180家热电企业那一家的生产效率更高?我国所有银行中那些银行的管理水平更先进?哪些企业中员工积极性更高?拓展探究:评价技术进步率、环境效率、预测等
CCR模型
线性规划
maxμY0s.t. {ωXj−μYj≥0,j=1,2,⋯,nωX0=1ω,μ≥0\begin{aligned} &\max \mu Y_{0} \\ &\text { s.t. }\left\{\begin{array}{l} \omega X_{j}-\mu Y_{j} \geq 0, j=1,2, \cdots, n \\ \omega X_{0}=1 \\ \omega, \mu \geq 0 \end{array}\right. \end{aligned} maxμY0 s.t. ⎩⎨⎧ωXj−μYj≥0,j=1,2,⋯,nωX0=1ω,μ≥0
形式展开
maxμ1y01+μ2y02+…+μty0t{ω1x11+ω2x12+…+ωsx1s−μ1y11−μ2y12−…−μty1t≥0ω1x21+ω2x22+…+ωsx2s−μ1y21−μ2y22−…−μty2t≥0……………….……ω1xn1+ω2xn2+…+ωsxns−μ1yn1−μ2yn2−…−μtynt≥0ω1x01+ω2x02+…+ωsx0s=1\begin{aligned} &\max \mu_{1} y_{01}+\mu_{2} y_{02}+\ldots+\mu_{t} y_{0 t} \\ &\left\{\begin{array}{l} \omega_{1} x_{11}+\omega_{2} x_{12}+\ldots+\omega_{s} x_{1 s}-\mu_{1} y_{11}-\mu_{2} y_{12}-\ldots-\mu_{t} y_{1 t} \geq 0 \\ \omega_{1} x_{21}+\omega_{2} x_{22}+\ldots+\omega_{s} x_{2 s}-\mu_{1} y_{21}-\mu_{2} y_{22}-\ldots-\mu_{t} y_{2 t} \geq 0 \\ \ldots \ldots \ldots \ldots \ldots \ldots . \ldots \ldots \\ \omega_{1} x_{n 1}+\omega_{2} x_{n 2}+\ldots+\omega_{s} x_{n s}-\mu_{1} y_{n 1}-\mu_{2} y_{n 2}-\ldots-\mu_{t} y_{n t} \geq 0 \\ \omega_{1} x_{01}+\omega_{2} x_{02}+\ldots+\omega_{s} x_{0 s}=1 \end{array}\right. \end{aligned} maxμ1y01+μ2y02+…+μty0t⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧ω1x11+ω2x12+…+ωsx1s−μ1y11−μ2y12−…−μty1t≥0ω1x21+ω2x22+…+ωsx2s−μ1y21−μ2y22−…−μty2t≥0……………….……ω1xn1+ω2xn2+…+ωsxns−μ1yn1−μ2yn2−…−μtynt≥0ω1x01+ω2x02+…+ωsx0s=1
对偶规划
minθs.t. {∑i=1nλjxij≤θx0j,j=1,2,⋯,n ∑i=1nλjyij≥y0j,j=1,2,⋯,n λj≥0,j=1,2,⋯,nθ无约束\begin{aligned} &\min \theta\\ &\text { s.t. }\left\{\begin{array}{l} \sum_{i=1}^{n} \lambda_{j} x_{i j} \leq \theta x_{0 j}, j=1,2, \cdots, \text { n } \\ \sum_{i=1}^{n} \lambda_{j} y_{i j} \geq y_{0 j}, j=1,2, \cdots, \text { n } \\ \lambda_{j} \geq 0, j=1,2, \cdots, n \\ \theta 无约束 \end{array}\right. \end{aligned} minθ s.t. ⎩⎪⎪⎨⎪⎪⎧∑i=1nλjxij≤θx0j,j=1,2,⋯, n ∑i=1nλjyij≥y0j,j=1,2,⋯, n λj≥0,j=1,2,⋯,nθ无约束
代码实现
clear
clc
x=[]; y=[];
n=size(x,1); m=size(x',1); s=size(y',1);
A=[-x y]; b=zeros(n,1); LB=zeros(m+s,1); UB=[];
for i=1:n;f=[zeros(1,m) -y(i,:)];Aeq=[x(i,:) zeros(1,s)]; beq=1;w(:,i)=linprog(f,A,b,Aeq,beq,LB,UB);E(i,i)=y(i,:)*w(m+1:m+s,i);theta(i)=E(i,i);
end
w %权重向量
theta' %输出相对效率值
BCC模型
线性规划
minf⋅ws.t. {A⋅w⩽bAeq⋅w=1w⩾0\begin{aligned} &\min f \cdot w \\ &\text { s.t. }\left\{\begin{array}{l} A \cdot w \leqslant b \\ \mathrm{Aeq} \cdot w=1 \\ w \geqslant 0 \end{array}\right. \end{aligned} minf⋅w s.t. ⎩⎨⎧A⋅w⩽bAeq⋅w=1w⩾0
f=[00⋯0−y01−y02⋯−y0snb01nb01⋯nb0t]A=[−x11−x12⋯−x1my11y12⋯y1m−nb11−nb12⋯−nb1t−x21−x12−x2m⋯⋯⋯−xn1−xn1−xnnyn1yn2⋯ynm−nbn1−nbn2⋯−nbnt]Aeq=[x01x02⋯x0m00⋯000⋯0]yb=[00⋯0y01y02⋯y0snb01nb01⋯nb0t]\begin{aligned} &f=\left[\begin{array}{llllllllllll} 0 & 0 & \cdots & 0 & -y_{01} & -\mathrm{y}_{02} & \cdots & -y_{0 s} & n b_{01} & n b_{01} & \cdots & n b_{0 t} \end{array}\right]\\ &A=\left[\begin{array}{cccccccccccc} -x_{11} & -x_{12} & \cdots & -x_{1 m} & y_{11} & y_{12} & \cdots & y_{1 m} & -n b_{11} & -n b_{12} & \cdots & -n b_{1 t} \\ -x_{21} & -x_{12} & & -x_{2 m} & & & & & & & & \\ \cdots & \cdots & & \cdots & & & & & & & & \\ -x_{\mathrm{n} 1} & -x_{n 1} & & -x_{n n} & y_{n 1} & y_{n 2} & \cdots & y_{n m} & -n b_{n 1} & -n b_{n 2} & \cdots & -n b_{n t} \end{array}\right]\\ &A e q=\left[\begin{array}{llllllllllll} x_{01} & x_{02} & \cdots & x_{0 \mathrm{~m}} & 0 & 0 & \cdots & 0 & 0 & 0 & \cdots & 0 \end{array}\right]\\ &\mathrm{yb}=\left[\begin{array}{cccccccccccc} 0 & 0 & \cdots & 0 & y_{01} & \mathrm{y}_{02} & \cdots & y_{0 \mathrm{~s}} & n b_{01} & n b_{01} & \cdots & n b_{0 t} \end{array}\right] \end{aligned} f=[00⋯0−y01−y02⋯−y0snb01nb01⋯nb0t]A=⎣⎢⎢⎡−x11−x21⋯−xn1−x12−x12⋯−xn1⋯−x1m−x2m⋯−xnny11yn1y12yn2⋯⋯y1mynm−nb11−nbn1−nb12−nbn2⋯⋯−nb1t−nbnt⎦⎥⎥⎤Aeq=[x01x02⋯x0 m00⋯000⋯0]yb=[00⋯0y01y02⋯y0 snb01nb01⋯nb0t]
对偶规划
maxz0s.t. {∑i=1nxijλi+x0j,z0≤0,j=1,2⋯m∑i=1n−yijλi⩽−yij,j=1,2⋯s∑i=1nnbijλi⩽nbij,j=1,2⋯tλi≥0,i=1,2⋯nz0无约束\begin{aligned} &\max z_{0} \\ &\text { s.t. }\left\{\begin{array}{l} \sum_{i=1}^{n} x_{i j} \lambda_{i}+x_{0 j}, z_{0} \leq 0, j=1,2 \cdots m \\ \sum_{i=1}^{n}-y_{i j} \lambda_{i} \leqslant-y_{i j}, j=1,2 \cdots s \\ \sum_{i=1}^{n} n b_{i j} \lambda_{i} \leqslant n b_{i j}, j=1,2 \cdots t \\ \lambda_{i} \geq 0, \quad i=1,2 \cdots n\\ \ z_{0}无约束 \end{array}\right. \end{aligned} maxz0 s.t. ⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧∑i=1nxijλi+x0j,z0≤0,j=1,2⋯m∑i=1n−yijλi⩽−yij,j=1,2⋯s∑i=1nnbijλi⩽nbij,j=1,2⋯tλi≥0,i=1,2⋯n z0无约束
代码实现
x=[]; y=[]; nb=[];
n=size(x,1); m=size(x',1); s=size(y',1);t=size(nb',1);
A=[-x y -nb]; b=zeros(n,1); LB=zeros(m+s+t,1); UB=[];
for i=1:n;f=[zeros(1,m) -y(i,:) nb(i,:)];Aeq=[x(i,:) zeros(1,s+t)]; beq=1;w(:,i)=linprog(f,A,b,Aeq,beq,LB,UB);yb=[y(i,:) nb(i,:)];E(i,i)=yb*w(m+1:m+s+t,i);theta(i)=E(i,i);
end
w %权重向量
theta' %输出相对效率值
数据包络分析CCR、BCC模型相关推荐
- 数据包络分析DEA(数学建模)
一.模型背景 数据包络分析是线性规划模型的应用之一,常被用来衡量拥有相同目标的运营单位的相对效率. 数据包络分析是一种基于线性规划的用于评价同类型组织(或项目)工作绩效相对有效性的特殊工具手段.这类组 ...
- 数据包络分析-CEA碳减排有关文献分析(第一篇)
数据包络分析-CEA碳减排有关文献分析 基本情况 模型建立-CRS CCR基础模型 CCR文献改进模型 CCR最终模型(文献所用) 模型建立-VRS VRS基础模型 VRS文献改进模型 VRS最终模型 ...
- 仁慈型dea matlab程序,数据包络分析(DEA)方法..docx
数据包络分析(DEA)方法. 二.数据包络分析(DEA)方法数据包络分析(data envelopment analysis, DEA)是由著名运筹学家Charnes, Cooper和Rhodes于1 ...
- 效率评价方法--数据包络分析
一. 数据包络分析方法概念 1.1 理论背景 我们常常需要对具有相同类型的部门或单位(称为决策单元)进行评价,其评价的依据是决策单元的"输入"数据和"输出"数据 ...
- 数据包络分析法(DEA)在数学建模中的应用
简介 数据包络分析方法(Data Envelopment Analysis,DEA)是运筹学.管理科学与数理经济学交叉研究的一个新领域.它是根据多项投入指标和多项产出指标,利用线性规划的方法,对具有可 ...
- 数据包络分析--两阶段加性网络DEA--使用优化黄金分割比例算法(第一篇)
数据包络分析-两阶段加性网络-使用黄金分割比例算法 文献介绍 乘子模型 基础信息 黄金分割比例算法 例子 文献介绍 如果阅读过我前面的文章<数据包络分析-加性网络DEA分解>,那么这篇文章 ...
- 数据包络分析-二阶段网络带feedback(第二篇)
数据包络分析-二阶段网络带feedback(第二篇) 模型示意图 第一点:投入分配 第二点:只需要用一个 C h a r n e s C o o p e r Charnes\;Cooper Charn ...
- matlab包络分析函数,数据包络分析 (MATLAB代码).doc
数据包络分析 (MATLAB代码) X=[] % 输入多指标输入矩阵X Y=[] % 输入多指标输出矩阵Y [n,m]=size(X) % n为输入的指标数,m为决策单元数 s=size(Y) % s ...
- DEA(数据包络分析)程序模板
在人们的生产活动和社会活动中常常会遇到这样的问题:经过一段时间之后,需要对具有相同类型的部门或单位(称为决策单元)进行评价,其评价的依据是决策单元的"输入"数据和"输出& ...
- 数据包络分析及模糊综合评价法各自的优点,缺点,应用范围
数据包络分析(Data Envelopment Analysis, DEA)是一种用来衡量组织(如企业)或个体(如工人)的效率的方法,它可以用来评估组织或个体在使用有限的资源情况下所能实现的最大产出. ...
最新文章
- Python 技术篇-ffmpeg.exe的安装及配置
- 1个多月就能看到效果的减肥大法 - 健康程序员,至尚生活!
- C++STL中的priority——queue
- 共建数据库软件全生态,新数科技宣布 ShinSight 开放共享!
- ArchSummit微课堂|蘑菇街DevOps实践及心路历程分享
- PHP根据配置设置可变变量
- “运营商不能沦为管道”是一个错误的理论
- 基于php网上零食商店管理系统获取(php毕业设计)
- 本易计算机不开机了,本易M3V(云游戏版)平板电脑刷机详细过程
- 图灵机器人api接入测试
- 挑战基础软件皇冠明珠,TiDB 性能竞赛战果揭晓
- 算法入门——数组,链表,选择排序
- referenced libraries
- 理解gamma校正[译]
- 蓬莱与威海的几尊塑像
- 5个典型实例告诉你:什么是数据可视化
- c语言里主函数指什么,C语言里的主函数是什么
- 每天学点clickhouse
- 系列服务器大概多重,一台服务器有多重
- AD18无法仿真问题的解决