「《SBMモデル》」の版間の差分

提供: ORWiki
ナビゲーションに移動 検索に移動
(新しいページ: ''''【SBMもでる (slacks-based measure model) 】'''  加法モデルの目的関数の値は評価尺度の大きさの影響を受け, また, 値の範囲も限定さ...')
 
 
(3人の利用者による、間の5版が非表示)
5行目: 5行目:
 
'''SBMモデル'''
 
'''SBMモデル'''
  
 +
<table align="center">
 +
<tr>
 +
<td>目的:  </td>
 +
<td><math>\min \rho = \frac{\displaystyle 1 - \frac{1}{m}\sum_{i=1}^{m}s_{i}^{-}/x_{io}}{\displaystyle 1 + \frac{1}{s}\sum_{r=1}^{s}s_{r}^{+}/y_{ro}} \, </math></td>
 +
</tr>
 +
<tr>
 +
<td>制約:  </td>
 +
<td><math>X{\mathbf{\lambda}} + {\mathbf s}^{-} = \mathbf {x}_{o}\, </math></td>
 +
</tr>
 +
<tr>
 +
<td></td>
 +
<td><math>Y \mathbf{\lambda} - \mathbf{s}^{+} = \mathbf{y}_{o}\, </math></td>
 +
</tr>
 +
<tr>
 +
<td></td>
 +
<td><math>\mathbf{\lambda} \geq \mathbf{0}, \ \mathbf{s}^{-} \geq \mathbf{0}, \ \mathbf{s}^{+} \geq \mathbf{0}\, </math></td>
 +
</tr>
 +
</table>
  
\begin{eqnarray*}
 
\mbox{目的:} & &
 
\min \rho = \frac{\displaystyle 1 - \frac{1}{m}\sum_{i=1}^{m}s_{i}^{-}/x_{io}}{\displaystyle 1 + \frac{1}{s}\sum_{r=1}^{s}s_{r}^{+}/y_{ro}} \\
 
\mbox{制約:} & &
 
X{\mbox{$\boldmath \lambda$}} + {\bf s}^{-} = {\bf x}_{o} \\
 
& &
 
Y{\mbox{$\boldmath \lambda$}} - {\bf s}^{+} = {\bf y}_{o} \\
 
& &
 
\mbox{$\boldmath \lambda$} \geq {\bf 0}, \
 
{\bf s}^{-} \geq {\bf 0}, \
 
{\bf s}^{+} \geq {\bf 0}
 
\end{eqnarray*}
 
  
 +
ただし, <math>\mathbf{e}^{t} \mathbf{\lambda}=1\, </math>の制約は除いている. また, すべてのデータは正であることを仮定している. 目的関数の右辺の分母, 分子に<math>\phi\, </math>を掛けて分母が1になるようにすると, この問題は分子の最小化問題となり, 次のように定式化できる.
  
ただし, ${\bf e}^{t} \mbox{$\boldmath \lambda$}$ の制約は除いている. また, すべてのデータは正であることを仮定している. 目的関数の右辺の分母, 分子に$\phi$を掛けて分母が1になるようにすると, この問題は分子の最小化問題となり, 次のように定式化できる.
 
  
 +
<table align="center">
 +
<tr>
 +
<td>目的:  </td>
 +
<td><math>\min \rho = \phi - \frac{1}{m}\sum_{i=1}^{m}\phi s_{i}^{-}/x_{io} \, </math></td>
 +
</tr>
 +
<tr>
 +
<td>制約:  </td>
 +
<td><math>\phi + \frac{1}{s}\sum_{r=1}^{s}\phi s_{r}^{+}/y_{ro} = 1\, </math></td>
 +
</tr>
 +
<tr>
 +
<td></td>
 +
<td><math>X \mathbf{\lambda} + \mathbf{s}^{-} = \mathbf{x}_{o}\, </math></td>
 +
</tr>
 +
<tr>
 +
<td></td>
 +
<td><math>Y \mathbf{\lambda} - \mathbf{s}^{+} = \mathbf{y}_{o}\, </math></td>
 +
</tr>
 +
<tr>
 +
<td></td>
 +
<td><math>\mathbf{\lambda} \geq \mathbf{0}, \ \mathbf{s}^{-} \geq \mathbf{0}, \ \mathbf{s}^{+} \geq {\mathbf 0}\, </math></td>
 +
</tr>
 +
</table>
  
\begin{eqnarray*}
 
\mbox{目的:} & &
 
\min \rho = \phi - \frac{1}{m}\sum_{i=1}^{m}\phi s_{i}^{-}/x_{io}\\
 
\mbox{制約:} & &
 
\phi + \frac{1}{s}\sum_{r=1}^{s}\phi s_{r}^{+}/y_{ro} = 1 \\
 
& &
 
X{\mbox{$\boldmath \lambda$}} + {\bf s}^{-} = {\bf x}_{o} \\
 
& &
 
Y{\mbox{$\boldmath \lambda$}} - {\bf s}^{+} = {\bf y}_{o} \\
 
& &
 
\mbox{$\boldmath \lambda$} \geq {\bf 0}, \
 
{\bf s}^{-} \geq {\bf 0}, \
 
{\bf s}^{+} \geq {\bf 0}
 
\end{eqnarray*}
 
  
 +
制約の第2式, 第3式の両辺に<math>\phi\, </math> を掛けて, <math>\phi s_i^{-} = \alpha_i, \ \phi s_r^{+} = \beta_r, \phi \lambda_j = \gamma_j\, </math> と置くと
  
制約の第2式, 第3式の両辺に$\phi$ を掛けて, $\phi s_i^{-} = \alpha_i, \ \phi s_r^{+} = \beta_r, \phi \lambda_j = \gamma_j$ と置くと
 
  
 
+
<table align="center">
\begin{eqnarray*}
+
<tr>
\mbox{目的:} & &
+
<td>目的: </td>
\min \rho = \phi - \frac{1}{m}\sum_{i=1}^{m}\alpha_i / x_{io}\\
+
<td><math>\min \rho = \phi - \frac{1}{m}\sum_{i=1}^{m}\alpha_i / x_{io} \, </math></td>
\mbox{制約:} & &
+
</tr>
\phi + \frac{1}{s}\sum_{r=1}^{s}\beta_r / y_{ro} = 1 \\
+
<tr>
& &
+
<td>制約: </td>
\sum_{j=1}^n x_{ij}\gamma_j + \alpha_i = \phi x_{io} \ \ (i = 1, 2, \ldots, m) \\
+
<td><math>\phi + \frac{1}{s}\sum_{r=1}^{s}\beta_r / y_{ro} = 1\, </math></td>
& &
+
</tr>
\sum_{j=1}^n y_{rj}\gamma_j - \beta_r = \phi y_{ro} \ \ (r = 1, 2, \ldots, s) \\
+
<tr>
& &
+
<td></td>
\alpha_i \geq 0 \ (i = 1, \ldots, m), \ \  
+
<td><math>\sum_{j=1}^n x_{ij}\gamma_j + \alpha_i = \phi x_{io} \ \ (i = 1, 2, \ldots, m)\, </math></td>
 +
</tr>
 +
<tr>
 +
<td></td>
 +
<td><math>\sum_{j=1}^n y_{rj}\gamma_j - \beta_r = \phi y_{ro} \ \ (r = 1, 2, \ldots, s)\, </math></td>
 +
</tr>
 +
<tr>
 +
<td></td>
 +
<td><math>\alpha_i \geq 0 \ (i = 1, \ldots, m), \ \  
 
\beta_r \geq 0 \ (r = 1, \ldots, s), \ \  
 
\beta_r \geq 0 \ (r = 1, \ldots, s), \ \  
 
\gamma_j \geq 0 \ (j = 1, \ldots, n), \ \  
 
\gamma_j \geq 0 \ (j = 1, \ldots, n), \ \  
\phi \geq 0
+
\phi \geq 0\, </math></td>
\end{eqnarray*}
+
</tr>
 +
</table>
  
  
となり, $\alpha_i \ (i = 1, \ldots, m), \ \ \beta_r \ (r = 1, \ldots, s), \ \ \gamma_j \ (j = 1, \ldots, n), \ \ \phi$に関するLPとして解くことが出来る.  
+
となり, <math>\alpha_i \ (i = 1, \ldots, m), \ \ \beta_r \ (r = 1, \ldots, s), \ \ \gamma_j \ (j = 1, \ldots, n), \ \ \phi\, </math>に関するLPとして解くことが出来る.  
  
 
 分母を1と置いて分子の最小化を図ったが, 分子を1と置いて分母の最大化を図ることも考えられる. その場合には
 
 分母を1と置いて分子の最小化を図ったが, 分子を1と置いて分母の最大化を図ることも考えられる. その場合には
  
  
\begin{eqnarray*}
+
<table align="center">
\mbox{目的:} & &
+
<tr>
\max \rho^{-1} = \phi + \frac{1}{s}\sum_{r=1}^{s}\beta_r / y_{ro}\\
+
<td>目的: </td>
\mbox{制約:} & &
+
<td><math>\max \rho^{-1} = \phi + \frac{1}{s}\sum_{r=1}^{s}\beta_r / y_{ro} \, </math></td>
\phi - \frac{1}{m}\sum_{i=1}^{m}\alpha_i / x_{io} = 1 \\
+
</tr>
& &
+
<tr>
\sum_{j=1}^n x_{ij}\gamma_j + \alpha_i = \phi x_{io} \ \ (i = 1, 2, \ldots, m) \\
+
<td>制約: </td>
& &
+
<td><math>\phi - \frac{1}{m}\sum_{i=1}^{m}\alpha_i / x_{io} = 1\, </math></td>
\sum_{j=1}^n y_{rj}\gamma_j - \beta_r = \phi y_{ro} \ \ (r = 1, 2, \ldots, s) \\
+
</tr>
& &
+
<tr>
\alpha_i \geq 0 \ (i = 1, \ldots, m), \ \  
+
<td></td>
 +
<td><math>\sum_{j=1}^n x_{ij}\gamma_j + \alpha_i = \phi x_{io} \ \ (i = 1, 2, \ldots, m)\, </math></td>
 +
</tr>
 +
<tr>
 +
<td></td>
 +
<td><math>\sum_{j=1}^n y_{rj}\gamma_j - \beta_r = \phi y_{ro} \ \ (r = 1, 2, \ldots, s)\, </math></td>
 +
</tr>
 +
<tr>
 +
<td></td>
 +
<td><math>\alpha_i \geq 0 \ (i = 1, \ldots, m), \ \  
 
\beta_r \geq 0 \ (r = 1, \ldots, s), \ \  
 
\beta_r \geq 0 \ (r = 1, \ldots, s), \ \  
 
\gamma_j \geq 0 \ (j = 1, \ldots, n), \ \  
 
\gamma_j \geq 0 \ (j = 1, \ldots, n), \ \  
 
\phi \geq 0
 
\phi \geq 0
\end{eqnarray*}
+
\, </math></td>
 +
</tr>
 +
</table>
  
  
 
である.  
 
である.  
  
 入出力$({\bf x}_o, {\bf y}_o)$ を持つDMU $O$ $\rho$ の最適(最小)値$\rho^{*}$ が 1 の場合に限りSBM効率的であると言われる.  
+
 入出力<math>({\mathbf x}_o, {\mathbf y}_o)\, </math> を持つDMU <math>O\, </math> <math>\rho\, </math> の最適(最小)値<math>\rho^{*}\, </math> が 1 の場合に限りSBM効率的であると言われる.
 +
 
 +
 刀根は, さらにSBM効率的なDMU <math>O\, </math> に対して1以上の効率値を与えることのできる次のSuperSBMモデルを提案している [2].  
  
 刀根は, さらにSBM効率的なDMU $O$ に対して1以上の効率値を与えることのできる次のSuperSBMモデルを提案している [2].
 
  
 
'''SuperSBMモデル'''
 
'''SuperSBMモデル'''
  
  
\begin{eqnarray*}
+
<table align="center">
\mbox{目的:} & &
+
<tr>
\delta^{*} = \min \delta = \frac{\displaystyle \frac{1}{m}\sum_{i=1}^{m}\bar{x}_i/x_{io}}{\displaystyle \frac{1}{s}\sum_{r=1}^{s}\bar{y}_r / y_{ro}} \\
+
<td>目的: </td>
\mbox{制約:}
+
<td><math>\delta^{*} = \min \delta = \frac{\displaystyle \frac{1}{m}\sum_{i=1}^{m}\bar{x}_i/x_{io}}{\displaystyle \frac{1}{s}\sum_{r=1}^{s}\bar{y}_r / y_{ro}} \, </math></td>
& &
+
</tr>
\bar{x}_i \geq \sum_{j=1\wedge j\neq o}^n \lambda_j x_{ij} \ \ (i = 1, 2, \ldots, m) \\
+
<tr>
& &
+
<td>制約: </td>
\bar{y}_r \leq \sum_{j=1\wedge j\neq o}^n \lambda_j y_{rj} \ \ (r = 1, 2, \ldots, s) \\
+
<td><math>\bar{x}_i \geq \sum_{j=1\wedge j\neq o}^n \lambda_j x_{ij} \ \ (i = 1, 2, \ldots, m) \, </math></td>
& &
+
</tr>
\bar{x}_i \geq x_{io} \ \ (i = 1, 2, \ldots, m) \\
+
<tr>
& &
+
<td></td>
0\leq \bar{y}_r \leq y_{ro} \ \ (r = 1, 2, \ldots, s) \\
+
<td><math>\bar{y}_r \leq \sum_{j=1\wedge j\neq o}^n \lambda_j y_{rj} \ \ (r = 1, 2, \ldots, s) \, </math></td>
& &
+
</tr>
\lambda_j \geq 0
+
<tr>
\end{eqnarray*}
+
<td></td>
 +
<td><math>\bar{x}_i \geq x_{io} \ \ (i = 1, 2, \ldots, m)\, </math></td>
 +
</tr>
 +
<tr>
 +
<td></td>
 +
<td><math>0\leq \bar{y}_r \leq y_{ro} \ \ (r = 1, 2, \ldots, s)\, </math></td>
 +
</tr>
 +
<tr>
 +
<td></td>
 +
<td><math>\lambda_j \geq 0\, </math></td>
 +
</tr>
 +
</table>
 +
 
  
  
 超効率値$\delta^{*}$も単位不変である(測定単位の影響を受けない).  
+
 超効率値<math>\delta^{*}\, </math>も単位不変である(測定単位の影響を受けない).  
  
  
  
 
----
 
----
 
 
'''参考文献'''
 
'''参考文献'''
  
118行目: 164行目:
  
 
[2] K. Tone, "A Slacks-based Measure of Super-efficiency in Data Envelopment Analysis," ''European Journal of Operational Research'', '''143''' (2002), 32-41.
 
[2] K. Tone, "A Slacks-based Measure of Super-efficiency in Data Envelopment Analysis," ''European Journal of Operational Research'', '''143''' (2002), 32-41.
 +
 +
[[category:DEA(包絡分析法)|えすびーえむもでる]]

2007年8月9日 (木) 11:19時点における最新版

【SBMもでる (slacks-based measure model) 】

 加法モデルの目的関数の値は評価尺度の大きさの影響を受け, また, 値の範囲も限定されていないので, 目的関数の値だけで, 効率性を議論しにくい. そこで, 刀根は測定単位に依存せず, スラックの関して単調減少する尺度を用いた次のSBM (Slacks-Based Measure)モデルを提案した [1].

SBMモデル

目的:
制約:


ただし, の制約は除いている. また, すべてのデータは正であることを仮定している. 目的関数の右辺の分母, 分子にを掛けて分母が1になるようにすると, この問題は分子の最小化問題となり, 次のように定式化できる.


目的:
制約:


制約の第2式, 第3式の両辺に を掛けて, と置くと


目的:
制約:


となり, に関するLPとして解くことが出来る.

 分母を1と置いて分子の最小化を図ったが, 分子を1と置いて分母の最大化を図ることも考えられる. その場合には


目的:
制約:


である.

 入出力 を持つDMU の最適(最小)値 が 1 の場合に限りSBM効率的であると言われる.

 刀根は, さらにSBM効率的なDMU に対して1以上の効率値を与えることのできる次のSuperSBMモデルを提案している [2].


SuperSBMモデル


目的:
制約:


 超効率値も単位不変である(測定単位の影響を受けない).



参考文献

[1] K. Tone, "A Slacks-based Measure of Efficiency in Data Envelopment Analysis," European Journal of Operational Research, 130 (2001), 498-509.

[2] K. Tone, "A Slacks-based Measure of Super-efficiency in Data Envelopment Analysis," European Journal of Operational Research, 143 (2002), 32-41.