超效率-SBM模型超效率SBMpython代码(
这个时间差不多忙了,终于有时间经营我的博客了。
出征的人相信了我,原谅了我的记性不好,可能没有全部回复。
这篇文章是超高效的扩展。
超效率SBM
SBM本身是非径向模型(non-radial model ),想知道径向超效率的人请自己看前面。
上一篇文章介绍了super-SBM的模型。 公式如下。
该模型是分式模型,可以通过charnes cooper变换进行如下变换
python代码(部分)在编程过程中,最初的模型认为不会有结果,但沉默的是有错误。 在此附上第一种型号的超高效核心部分代码。 (第二个也一样。 万变不离其宗。
首先,数据如下
def_SBM_super_c(self ) : forkinself.DMUs : model=gurobipy.model ) ) fi=model.addvars ) self.m1fo=del.setobjective ) TT/self.m1 * qui cksum sense=gurobipy.grb.minimize (model.addconstrs ) qui cksum (lambdas ) ses ) self.x [ k ] [ j ] forjinrange (self.m1 ) ) model.addconstrs ) quicksum ) lambdas[I]*self=k )=(1-fo[j] quicksum ) ) ) ) ) 65 model.setparam(outputflag ),0 ) model.setparam ),nonconvex ),2 ) MODEL.optimize
效率(SBM )有效性类型A 1 SBM有效规模报酬固定B 1 SBM有效规模报酬固定C 1 SBM有效规模报酬固定D 1 SBM有效规模报酬固定E 0.42非SBM有效规模报酬固定F 0.571429非SBM有效规模报酬固定为了深入了解前四个DMUs中哪个更好(注意不使用此时得到的e、f值,而使用基础SBM得到的效率值。 )
利润分析效率a 1.14286 b 1.16383 c 1.08824 d 1.125 E1 f 1最终,合并后获得的效率值如下
利润分析效率a 1.14286 b 1.16383 c 1.08824 d 1.125 e 0.42 f 0.571429本示例来自书籍,在本文档中显示了结果,与再现结果一致。