利用python的pulp库进行CCR、BCC、超效率模型的数学建模

最新推荐文章于 2024-04-18 15:13:23 发布
原创 最新推荐文章于 2024-04-18 15:13:23 发布 · 3.2k 阅读 · 16 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#数学建模 #python #开发语言

本文介绍了如何使用Python的pulp库建立CCR、BCC和超效率模型的数学模型，提供了数据示例和面向对象的类函数实现。通过实例展示了如何利用pulp库进行线性规划，解决数据包络分析问题，包括最小化目标函数和约束条件的设定。并给出了基于VRS的CCR和超效率模型的计算结果。
Python3.8

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

文章目录

利用python的pulp库进行CCR、BCC、超效率模型的数学建模

本文参考书目为
《数据包络分析方法与MaxDEA软件》

一、CCR、BCC、超效率模型公式？

1. 投入导向的CCR对偶公式

示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。

2. BCC模型公式

在这里插入图片描述

3. 超效率模型公式

在这里插入图片描述

二、数学模型构建

1.数据示例

import pandas as pd
data = pd.DataFrame([[4,3,1],[7,3,1],[8,1,1],[4,2,1],[2,4,1],[10,1,1],[12,1,1],[10,1.5,1]],columns=['x1','x2','y'],index=['A','B','C','D','E','F','G','H'])
data
>>>
    x1	x2	y
A	4	3.0	1
B	7	3.0	1
C	8	1.0	1
D	4	2.0	1
E	2	4.0	1
F	10	1.0	1
G	12	1.0	1
H	10	1.5	1

1.1 pulp 包使用方法

在这里插入图片描述

d = np.array([2,3,1])
da = np.array([1,2,4])
da1 = np.array([[1,3],[4,2],[2,0]])
r = np.array([8,6])
m = pulp.LpProblem(sense=pulp.LpMinimize)
x1 = pulp.LpVariable.dict("x",range(3),lowBound=0)
x = list(x1.values())
m += pulp.lpSum([d[i0] * x[i0] for i0 in range(3)])
for i in range(2):
    m += pulp.lpSum([x[i0] * da1[i0][i] for i0 in range(3)]) >= r[i]
m += ( pulp.lpDot(da , x) == 101 )
m.solve()
pulp.value(m.objective)
>>>
28.75
>>>
# 以上可能写的太过复杂，可以参考一下简单例子
z = [2,3,1]
a = [[1,4,2],[3,2,0]]
b = [8,6]
c = [1,2,4]
d = 101
m1 = pulp.LpProblem(sense=pulp.LpMinimize)  #定义函数
x = [pulp.LpVariable(f"x_{i}",lowBound=0) for i in range(3)]  #设置变量
m1 += pulp.lpDot(z, x)  # "m1 +=" 是固定符号，后面若无约束，则说明这条语句为目标函数 
m1 += pulp.lpDot(c,x) == d # 约束条件
for i in range(len(a)):    # 约束条件
    m1 += (pulp.lpDot(a[i], x) >= b[i])
m1.solve()
pulp.value(m1.objective)   # 得到的值
>>>
28.75
>>>
m1 #查看定义函数的整个公式情况
>>>
NoName:
MINIMIZE
2*x_0 + 3*x_1 + 1*x_2 + 0
SUBJECT TO
_C1: x_0 + 2 x_1 + 4 x_2 = 101

_C2: x_0 + 4 x_1 + 2 x_2 >= 8

_C3: 3 x_0 + 2 x_1 >= 6

VARIABLES
x_0 Continuous
x_1 Continuous
x_2 Continuous
>>>

1.2 学会基础建模后，套用书上给的CCR公式

# 非超效率CCR模型
import pulp as lp
DMUs = data.index.values
d_var = data.columns.values
# 变量
var = lp.LpVariable.dict("DMU",data.index.values,lowBound=0)
thita = lp.LpVariable('thita')

for DMU in DMUs:
    # 目标函数
    pr = lp.LpProblem('CCR',lp.LpMinimize)
    pr += thita
    # 约束条件
    pr += lp.lpSum(data.to_dict()['x1'][i] * var[i] for i in DMUs) <= thita * data.to_dict()['x1'][DMU]
    pr += lp.lpSum(data.to_dict()['x2'][i] * var[i] for i in DMUs) <= thita * data.to_dict()['x2'][DMU]
    pr += lp.lpSum(data.to_dict()['y'][i] * var[i] for i in DMUs) >=  data.to_dict()['y'][DMU]
    #pr += lp.lpSum(var) == 1
    result = pr.solve()
    print(DMU,":",lp.value(thita))
>>>
A : 0.85714286
B : 0.63157895
C : 1.0
D : 1.0
E : 1.0
F : 1.0
G : 1.0
H : 0.75

#超效率CCR模型
import pulp as lp
DMUs = data.index.values
d_var = data.columns.values
var = lp.LpVariable.dict("DMU",data.index.values,lowBound=0)
thita = lp.LpVariable('thita')
for DMU in DMUs:
    pr = lp.LpProblem('CCR',lp.LpMinimize)
    pr += thita
    pr += lp.lpSum(data.to_dict()['x1'][i] * var[i] for i in DMUs if i != DMU) <= thita * data.to_dict()['x1'][DMU]
    pr += lp.lpSum(data.to_dict()['x2'][i] * var[i] for i in DMUs if i != DMU) <= thita * data.to_dict()['x2'][DMU]
    pr += lp.lpSum(data.to_dict()['y'][i] * var[i] for i in DMUs if i != DMU) >=  data.to_dict()['y'][DMU]
    # pr += lp.lpSum(var) == 1
    result = pr.solve()
    print(DMU,":",lp.value(thita))
>>>
A : 0.85714286
B : 0.63157895
C : 1.1428571
D : 1.25
E : 2.0
F : 1.0
G : 1.0
H : 0.75

2. 面向对象，写入类函数

代码如下（示例）：

#CCR模型
import pandas as pd
import numpy as np
import pulp as lp
class DEA_CCR:
    def __init__(self, data, inputs_numbers, outputs_numbers, returns="CRS"):
        """
        data(数据为pd.DataFrame形式); 
        inputs_numbers(输入投入个数); 
        outputs_numbers(输入产出个数);
        returns (输入 "CRS" or "VRS")

        """
        self.data = data
        self.inputs_numbers = inputs_numbers
        self.outputs_numbers = outputs_numbers
        self.returns = returns
        self.DMUs = data.index.values
        self.d_var = data.columns.values

    def _CCR(self):

        self.var = lp.LpVariable.dict("DMU",self.data.index.values,lowBound=0)
        thita = lp.LpVariable('thita')

        dums_dict = {}
        for DMU in self.DMUs:
            pr = lp.LpProblem('CCR',lp.LpMinimize)
            pr += thita
            if self.returns == "VRS":
                pr += lp.lpSum(self.var) == 1
            for j0 in self.d_var[0:self.inputs_numbers]:
                pr += lp.lpSum(self.data.to_dict()[j0][i] * self.var[i] for i in self.DMUs) <= thita * self.data.to_dict()[j0][DMU]
            for r0 in self.d_var[self.inputs_numbers:self.inputs_numbers+self.outputs_numbers]:   
                pr += lp.lpSum(self.data.to_dict()[r0][i] * self.var[i] for i in self.DMUs) >= self.data.to_dict()[r0][DMU]
            pr.solve()
            dums_dict[DMU] = lp.value(pr.objective)
            dums_dict_data = pd.DataFrame.from_dict(dums_dict, orient='index')   
        return dums_dict_data


    def _CCR_super(self):
      
        self.var = lp.LpVariable.dict("DMU",self.data.index.values,lowBound=0)
        thita = lp.LpVariable('thita')
        
        dums_dict = {}
        for DMU in self.DMUs:
            pr = lp.LpProblem('CCR',lp.LpMinimize)
            pr += thita
            if self.returns == "VRS":
                pr += lp.lpSum([self.var[i] for i in DMUs if i!= DMU]) == 1  #超效率的VRS，和非超效率有些许不同
            for j0 in self.d_var[0:self.inputs_numbers]:
                pr += lp.lpSum([self.data.to_dict()[j0][i] * self.var[i] for i in self.DMUs if i != DMU]) <= thita * self.data.to_dict()[j0][DMU]
            for r0 in self.d_var[self.inputs_numbers:self.inputs_numbers+self.outputs_numbers]:   
                pr += lp.lpSum([self.data.to_dict()[r0][i] * self.var[i] for i in self.DMUs if i != DMU]) >= self.data.to_dict()[r0][DMU]
            result = pr.solve()
            dums_dict[DMU] = lp.value(pr.objective)
            dums_dict_data = pd.DataFrame.from_dict(dums_dict, orient='index')   
        return dums_dict_data

3. 测试

代码如下（示例）：

C_data = DEA_CCR(data,2,2,returns = "VRS")._CCR()
C_data
>>>
A	0.857143
B	0.631579
C	1.000000
D	1.000000
E	1.000000
F	1.000000
G	1.000000
H	0.750000

C_data = DEA_CCR(data,2,2,returns = "VRS")._CCR_super()
C_data
>>>
A	0.857143
B	0.631579
C	1.142857
D	1.250000
E	2.000000
F	1.000000
G	1.000000
H	0.750000

总结

  1. 先对基础公式进行建模测试
  2. 然后放入类打包

您可能感兴趣的与本文相关的镜像

Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

JOJO_zzzz
关注
数据包络分析模型及MATLAB应用：CCR模型与BCC模型
CyberOI的博客
09-19 3149
CCR模型和BCC模型是DEA模型的两个常见变体，它们都可以通过线性规划来确定每个DMU的权重和效率值。通过使用这些模型，我们可以评估不同DMU的效率，并找到潜在的改进空间，以优化资源利用和提高绩效。其中，v_i表示第i个DMU的效率值，u_j表示第j个输入变量的权重，x_ij表示第i个DMU的第j个输入变量的值，y_i表示第i个DMU的输出变量的值。其中，v_i表示第i个DMU的效率值，u_j表示第j个输入变量的权重，x_ij表示第i个DMU的第j个输入变量的值，y_i表示第i个DMU的输出变量的值。
DEA模型及matlab应用1：CCR模型与BCC模型
wjyxld的博客
04-25 3万+
一、CCR模型 CCR 模型是 DEA 方法的第一个模型，在 1978 年由 A.Charnes，W.W.Cooper和 E.Rhodes 首次提出，被广泛的用于评价相同类型部门或单位间的相对有效性。不考虑具体的模型，重点在应用。 二、BCC 模型 在 CCR 模型中，决策单元有效是同时针对技术有效和规模有效的。实际上，一个决策单元虽然技术有效，但不一定是 DEA 有效的，原因在于非规模有效。之...
DEA各种模型原理及stata代码实现
热门推荐
wonder1322的博客
09-28 4万+
DEA各种模型原理及stata代码实现DEA各种模型原理及stata代码实现一、CCR和BCC1.原理2.效率测算stata代码3.Malmquist指数3.1M指数3.2Global-Malmquist指数4.指数计算代码与案例二、SBM模型1.原理2.stata代码实现三、方向性距离函数（DDF）1.原理2.stata代码实现3.非径向DDF模型（NDDF）3.GML指数4.指数测算四、总结 DEA各种模型原理及stata代码实现 一、CCR和BCC 1.原理 CCR模型产出导向下的效率通过求解以下规划
DEA模型及MATLAB应用2：BCC模型
目标检测专栏持续更新中，改进YOLO系列通用，适用v5、v7、v8、所有博客均是团队原创博客，所有文章禁止转载，违者必究。
09-28 2954
DEA模型及MATLAB应用2：BCC模型在上一篇博客中，我们介绍了CCR模型作为DEA模型的一种最早形式。CCR模型假设所有的DMUs都具有相同的规模效率。在本篇博客中，我们将介绍BCC模型（Banker-Charnes-Cooper模型），这是DEA模型的另一种形式，允许不同DMUs具有不同的规模效率。
数据包络分析-BCC模型
weixin_43217288的博客
12-04 3万+
Data envelopment analysis–BCC模型 DEA--BCC模型Data envelopment analysis--BCC模型模型乘子型线性模型分式模型包络型基于输入向的模型基于产出向的模型BCC与CCR模型的区别BCC与CCR模型值的比较BCC有效BCC投影R代码 模型 先写出BCC模型的公式，继而进行详述。 乘子型 线性模型 分式模型 包络型 基于输入向的模型 基于产出向的模型 BCC与CCR模型的区别 第一个不同便是生产可能集基于的假设不同。 CCR模型假设的规模报酬是不
数据包络分析（DEA）——BCC模型
m0_64087341的博客
09-19 1万+
数据包络分析法——BCC模型
城市群低碳效率研究中，超效率SBM该用BCC还是CCR？逐年计算再分析合理吗？
最新发布
04-17
对于城市群多年低碳发展效率研究，在选择超效率SBM模型的规模报酬假设（BCC vs. CCR）和计算流程时，需结合研究对象的经济学特征和研究目标进行决策。 ### 一、BCC与CCR模型的选择分析 选择的核心在于判断城市群内的各城市是否在“最优规模”下运营，以及你是否希望将“规模”因素从效率评价中剥离。下表对比了两种假设在本研究场景下的适用性： | 考量维度 | CCR (CRS) 模型 | BCC (VRS) 模型 | **对本研究的建议** | | :--- | :--- | :--- | :--- | | **规模报酬假设** | 不变规模报酬。假设城市投入增加N倍，低碳产出（如GDP）和非期望产出（如碳排放）同比例增减。 | 可变规模报酬。承认城市规模报酬可能递增、递减或不变，更符合城市发展的现实[ref_2]。 | **更倾向于BCC（VRS）**。城市发展受土地、政策、集聚效应等限制，很难始终处于CRS状态。 | | **效率值内涵** | 测算**综合技术效率**，包含了纯技术效率和规模效率。 | 测算**纯技术效率**，剔除了规模因素的影响，反映城市在既定规模下的管理与技术水平[ref_3]。 | 若关注城市**管理与技术**层面的低碳绩效，选BCC；若关注包含规模因素的**整体**低碳表现，选CCR。 | | **前沿面构建** | 前沿面为锥形，可能导致效率投影点指向一个不现实的“超大城市”或“微型城市”[ref_1]。 | 前沿面为实际观测城市的凸包，投影点更贴近现实存在的城市组合。 | BCC的前沿面更贴近城市群内实际存在的规模结构，评估结果更稳健。 | | **结果解读** | 效率值低可能源于管理不善或规模不当，难以区分。 | 可结合CCR结果进行分解：`规模效率 = CCR效率 / BCC效率`，从而识别效率损失的根源[ref_4]。 | **强烈建议同时计算CCR和BCC效率**。通过分解，可以清晰判断一个城市效率低下，究竟是因为“管理水平差”（纯技术效率低）还是“规模不匹配”（规模效率低）。 | **结论与建议**： 1. **首选方案：同时计算CCR和BCC效率值**。这是最严谨的做法。你可以先使用BCC模型计算各城市的**纯技术效率**，评估其低碳管理与技术水平；再用CCR模型计算**综合技术效率**，并通过公式 `规模效率 = CCR效率 / BCC效率` 计算出**规模效率**。这样，你能得到一个三维度的效率分析：综合表现如何？技术管理水平如何？规模是否最优？ 2. **若仅选其一，推荐BCC（VRS）模型**。因为城市发展普遍存在规模报酬可变的情况（如初期集聚效应带来报酬递增，后期可能出现拥堵等报酬递减）。BCC模型能更公平地比较不同规模城市在低碳技术和管理上的优劣，避免因城市规模固有差异导致评价偏误[ref_3]。 3. **研究问题导向**：如果你的核心问题是“哪个城市的低碳**发展模式**更优？”，应侧重BCC结果。如果是“哪个城市的低碳**综合绩效**更优？”，则应侧重CCR结果。 ### 二、逐年计算与综合分析流程 “先逐年计算，再综合分析”是处理面板数据的标准且推荐的方法。具体流程如下： **步骤一：逐年截面效率计算** 将每一年的数据视为一个独立的截面数据集，分别应用超效率SBM模型（基于你选择的BCC或CCR假设）进行计算。这能得到每个城市在各年份的效率值序列（$\theta_{it}$，其中 $i$ 代表城市，$t$ 代表年份）。 **代码示例（Python思路 - 基于`pulp`或`cvxopt`库）**： ```python import pandas as pd import numpy as np # 假设使用 pulp 求解线性规划 import pulp def calculate_super_sbm_vrs(inputs, good_outputs, bad_outputs, year_data): """ 计算某一年所有DMU的超效率SBM-VRS效率值。 参数 year_data: DataFrame, 列包括['city', 'input1', ..., 'good_output1', ..., 'bad_output1', ...] """ num_dmu = len(year_data) efficiency_scores = np.zeros(num_dmu) for k in range(num_dmu): # 对每个被评价城市k # 1. 定义决策变量 # t, s_i_minus, s_r_plus, s_l_bad, Lambda_j (j != k) prob = pulp.LpProblem(f'SuperSBM_VRS_{k}', pulp.LpMinimize) t = pulp.LpVariable('t', lowBound=0) s_minus = [pulp.LpVariable(f's_minus_{i}', lowBound=0) for i in range(m)] s_plus = [pulp.LpVariable(f's_plus_{r}', lowBound=0) for r in range(s1)] s_bad = [pulp.LpVariable(f's_bad_{l}', lowBound=0) for l in range(s2)] lambdas = [pulp.LpVariable(f'lambda_{j}', lowBound=0) for j in range(num_dmu) if j != k] # 2. 构建目标函数 (超效率SBM目标函数，此处为示例简化形式) # 目标函数通常为 Min (1/m) * sum(s_i_minus / x_ik) / [1 + (1/(s1+s2)) * (sum(s_r_plus/y_rk) + sum(s_l_bad/b_lk))] # 需线性化处理，此处省略具体转换步骤 # ... # 3. 添加约束条件 # a) 投入约束: sum(Lambda_j * x_ij) + s_i_minus = t * x_ik for i in range(m): prob += pulp.lpSum([lambdas[j_idx] * year_data.iloc[other_idx, input_cols[i]] for j_idx, other_idx in enumerate([idx for idx in range(num_dmu) if idx != k])]) + s_minus[i] == t * year_data.iloc[k, input_cols[i]] # b) 期望产出约束: sum(Lambda_j * y_rj) - s_r_plus = t * y_rk for r in range(s1): prob += pulp.lpSum([lambdas[j_idx] * year_data.iloc[other_idx, good_output_cols[r]] for j_idx, other_idx in enumerate([idx for idx in range(num_dmu) if idx != k])]) - s_plus[r] == t * year_data.iloc[k, good_output_cols[r]] # c) 非期望产出约束: sum(Lambda_j * b_lj) + s_l_bad = t * b_lk for l in range(s2): prob += pulp.lpSum([lambdas[j_idx] * year_data.iloc[other_idx, bad_output_cols[l]] for j_idx, other_idx in enumerate([idx for idx in range(num_dmu) if idx != k])]) + s_bad[l] == t * year_data.iloc[k, bad_output_cols[l]] # d) VRS凸性约束: sum(Lambda_j) = t [这是BCC与CCR的关键区别] prob += pulp.lpSum(lambdas) == t # 4. 求解并计算效率值 prob.solve(pulp.PULP_CBC_CMD(msg=False)) # 从求解结果中计算最终的rho (超效率值) # efficiency_scores[k] = 1 / (t.varValue) * ... (根据目标函数线性化后的形式计算) # ... return efficiency_scores # 假设df是包含多年份的面板数据DataFrame efficiency_panel = {} for year in df['year'].unique(): year_data = df[df['year'] == year].reset_index(drop=True) efficiency_panel[year] = calculate_super_sbm_vrs(inputs=['资本', '劳动力', '能源'], good_outputs=['GDP'], bad_outputs=['CO2排放'], year_data=year_data) # 将结果整合为一个面板DataFrame result_df = pd.DataFrame(efficiency_panel).T # 行为年份，列为城市 ``` *注意：以上代码为目标函数和约束的框架性展示，超效率SBM目标函数的线性化过程较为复杂，需参考完整模型公式实现[ref_6]。* **步骤二：跨期综合分析** 在获得面板效率值后，可采用以下方法进行深入分析： 1. **效率趋势分析**：绘制每个城市效率值随时间变化的折线图，直观观察其低碳效率的演进趋势（上升、下降或波动）。 2. **效率水平比较**：计算整个研究期内各城市效率的均值、标准差，进行排序和分类（如高效、中效、低效城市群）。 3. **收敛性分析**：使用σ收敛或β收敛模型，检验城市群内各城市的低碳效率差异是否随时间推移而缩小（即是否存在“追赶效应”）[ref_1]。 * **σ收敛**：计算各年份所有城市效率值的标准差或变异系数，观察其随时间的变化趋势。 * **β收敛**：建立模型：`ln(θ_i,t / θ_i,t-1) = α + β ln(θ_i,t-1) + ε_i,t`。若β显著为负，则存在绝对β收敛，即初始效率低的城市有更快的增长率。 4. **影响因素分析（第二阶段回归）**：将计算得到的效率值作为被解释变量，建立如Tobit回归模型，探究其与经济发展水平、产业结构、能源结构、环境规制强度等外部因素的关系[ref_5]。 ```stata * 假设 efficiency.dta 中包含变量：city, year, eff_score (效率值), gdp_pc, ind_struc, energy_struc, reg_strength use "efficiency.dta", clear * 使用Tobit模型进行回归，因变量eff_score理论上限可大于1（超效率），下限为0 tobit eff_score gdp_pc ind_struc energy_struc reg_strength i.year i.city, ll(0) margins, dydx(*) ``` **为什么不直接使用包含时间维度的全局前沿面（如将多年数据混合）？** * **优点**：将所有年份数据置于同一个前沿面下计算，效率值完全可比，便于直接进行跨期比较。 * **缺点**：忽略了技术进步。假设2010年的最佳实践技术到2020年仍然是最优的，这不符合现实，会高估早期年份的效率，低估后期年份的效率。 * **折中方法**：可考虑使用**窗口DEA**或**序列DEA**，但复杂度更高。对于多数研究，“逐年计算”已能很好地反映效率动态，且更易于理解和实施。 **最终建议操作流程**： 1. **数据准备**：整理成“城市-年份”面板数据格式。 2. **模型选择与计算**： * **方案A（推荐）**：分别运行**超效率SBM-BCC**和**超效率SBM-CCR**模型，逐年计算，得到两套效率值。 * **方案B**：若只选一个，运行**超效率SBM-BCC**模型，逐年计算。 3. **效率分解（如果采用方案A）**：利用两套结果计算`规模效率 = CCR效率 / BCC效率`。 4. **描述性统计与可视化**：分析效率的时序变化和截面差异。 5. **深入分析**：根据研究问题，选择进行收敛性检验或影响因素回归分析。 通过“逐年计算”获得动态效率序列，再通过“综合分析”揭示时空演变规律和驱动因素，这一流程能系统、深入地回答关于城市群低碳发展效率的各类研究问题[ref_4][ref_5]。
基于matlab的DEABCC模型
08-29
DEA模型。X为投入量，输入格式：第一列为第一个公司的投入量，第二列为第二个公司的投入量，以此类推；Y为产出量，输入格式：第一列为第一个公司的投入量，第二列为第二个公司的投入量，以此类推。输出结果：最后一行为效率值，前面的为模型系数
数据包络分析--Additive Model
weixin_43217288的博客
12-06 3102
数据包络分析-Additive Model DEA--Additive model数据包络分析-Additive ModelAdditive ModelexampleAdd-efficiencyprojectiontranslation InvarianceR代码优缺点 今天，我们来介绍第三种基础模型，Additive Model加性模型。加性模型有多种形式，本章研究的是可变规模报酬（variable returns to scale）下的加性模型，先给出它的模型： Additive Model 加性模型的
一篇文章深入浅出带你理解CCR,BCC数据包络模型
python_Daddy的博客
04-18 8915
在评价一个企业整体的经营效率时，我们通常需要考虑多个投入指标和多个产出指标，本篇本章将介绍CCR、BCC数据包络模型，带你深入认识多投入多产出的效率评估。
数据包络分析CCR、BCC模型
what_how_why2020的博客
06-16 6027
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
数据包络分析--CCR模型
适当喝点
08-30 2万+
写这篇文章的目的是分享一下我在学习CCR模型时遇到的一些疑惑以及查阅资料后得到的相应解答。 数据包络分析可以用来解决多指标问题。CCR模型是最早被提出来的数据包络分析方法。该模型的本质是线性规划。模型名称中的三个字母分别代表三个作者的名字的首字母。 ...
基于投入导向的超效率CCR-DEA模型（MATLAB）
小平凡的记录的博客
01-28 3530
基于投入导向的超效率CCR-DEA模型（MATLAB）
DEAP2.1——数据包络分析(DEA——CCR、BCC)
小平凡的记录的博客
01-28 1万+
DEAP2.1软件实现DEACCR、BCC模型，参数解释
DEA模型及MATLAB应用1：CCR模型与BCC模型
目标检测专栏持续更新中，改进YOLO系列通用，适用v5、v7、v8、所有博客均是团队原创博客，所有文章禁止转载，违者必究。
09-28 3088
DEA模型是一种用于评估多个决策单元（Decision Making Units，DMUs）的相对效率的方法。在这里，DMUs可以是企业、医院、学校等。DEA的目标是确定哪些DMUs是有效的，即在给定的输入和输出条件下，哪些DMUs可以实现最大的产出。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值