数学建模实战：DEA中的SBM模型为什么比CCR/BCC更“强有效”？一个案例讲透松弛改进
数学建模实战：为什么SBM模型能比CCR/BCC更精准捕捉效率？六校案例深度解析
在数学建模竞赛中，遇到需要评价医院、银行或学校效率的题目时，数据包络分析(DEA)往往是首选工具。但很多参赛团队在模型选择环节就陷入困惑：CCR、BCC和SBM这三个经典DEA模型，到底该用哪个？参加过十余次数学建模竞赛的老手都知道，选错模型可能导致结果偏离实际问题，甚至影响最终的"模型优缺点分析"得分。本文将用最直观的方式揭示SBM模型的独特优势——它能够识别出那些被CCR/BCC模型误判为"有效"的实际低效单元。
1. 径向与非径向：理解DEA模型的核心分野
1.1 CCR/BCC的等比例缩放局限
CCR和BCC作为经典的径向模型(Radial Model)，其效率改进方式如同用放大镜观察物体——只关注投入或产出能否按相同比例缩减或扩张。举个例子，当评价医院效率时，若某医院需要将医生人数和医疗设备都减少20%才能达到效率前沿，CCR/BCC会认为其效率值为0.8。但这种等比例调整的假设存在明显缺陷：
- 忽略非均衡改进：实际中，可能只需减少10%的医生但维持设备不变
- 无法识别松弛变量：当某投入项已无法再缩减时，模型仍要求其按比例减少
- 弱有效性问题：即使存在某些投入可单独减少，模型仍可能判定单元"有效"
% CCR模型典型目标函数(投入导向型) min θ s.t. ∑λ_j*x_ij ≤ θ*x_i0 ∀i ∑λ_j*y_rj ≥ y_r0 ∀r λ_j ≥ 01.2 SBM的突破：直接度量松弛改进
Slacks-Based Measure(SBM)模型则像用了显微镜——它能捕捉到每一个维度的独立改进空间。其核心创新在于：
- 非径向处理：各投入产出变量可独立调整
- 松弛变量内生化：s⁻(投入过剩)和s⁺(产出不足)直接进入目标函数
- 标准化处理：用实际值做分母，消除量纲影响
这种设计使得SBM能识别出所有改进可能，包括：
- 某些投入完全无法减少的情况
- 部分产出已无法增加的情形
- 混合改进路径(如减少A投入同时增加B产出)
关键提示：在美赛/国赛论文中，当评委看到你采用SBM模型时，会默认你的分析更接近现实情境的复杂性。
2. 数学本质：SBM如何定义"强有效"
2.1 模型形式解析
SBM的基础模型形式看似复杂，实则逻辑清晰：
$$ \min \rho = \frac{1 - \frac{1}{m}\sum_{j=1}^{m} s_j^-/x_{kj}}{1 + \frac{1}{q}\sum_{r=1}^{q} s_r^+/y_{kr}} $$
分子部分衡量投入无效率：
- $s_j^-$：第j项投入的冗余量
- $x_{kj}$：该单元实际的第j项投入
- 取所有投入项的相对冗余平均值
分母部分衡量产出无效率：
- $s_r^+$：第r项产出的不足量
- $y_{kr}$：该单元实际的第r项产出
- 取所有产出项的相对不足平均值
2.2 强有效的严格条件
一个决策单元要被SBM判定为强有效，必须同时满足：
- 所有投入松弛 $s_j^- = 0$（无任何投入浪费）
- 所有产出松弛 $s_r^+ = 0$（无任何产出不足）
- 效率值 $\rho^* = 1$
这与CCR/BCC的弱有效标准形成鲜明对比——后者只要求不存在径向改进空间。
2.3 线性化技巧
原始SBM模型是非线性的，通过Charnes-Cooper变换可转化为线性规划：
% SBM线性化后的MATLAB实现关键步骤 Aeq = [zeros(1,m) c*1./Y(:,i)' zeros(1,n) 1; eye(m) zeros(m,s1) X -X(:,i); zeros(s1,m) -eye(s1) Y -Y(:,i)]; beq = [1 zeros(m,1)' zeros(s1,1)'];这种变换既保持了模型性质，又大幅提升求解效率，特别适合竞赛中的实时计算。
3. 六校评价案例：SBM vs CCR/BCC实战对比
3.1 数据准备与问题描述
某市教委需要评价6所重点中学，数据如下：
| 学校 | 生均投入(万元) | 非低收入家庭占比(%) | 生均写作得分 | 生均科技得分 | 生均艺术得分(非期望) |
|---|---|---|---|---|---|
| A | 89.39 | 64.3 | 25.2 | 223 | 72 |
| B | 86.25 | 99.0 | 28.2 | 287 | 85 |
| C | 108.13 | 99.6 | 29.4 | 317 | 95 |
| D | 106.38 | 96.0 | 26.4 | 291 | 63 |
| E | 62.40 | 96.2 | 27.2 | 295 | 81 |
| F | 47.19 | 79.9 | 25.2 | 222 | 70 |
建模目标：考虑非期望产出(艺术得分越低越好)，评估各校综合效率。
3.2 CCR与SBM结果对比
运行两种模型后得到的关键差异：
| 学校 | CCR效率值 | SBM效率值 | CCR判定 | SBM判定 | 差异原因分析 |
|---|---|---|---|---|---|
| A | 1.000 | 1.000 | 有效 | 有效 | 真实前沿单元 |
| B | 0.932 | 0.830 | 有效 | 无效 | 非低收入家庭占比过高 |
| C | 0.956 | 0.869 | 有效 | 无效 | 生均投入过大且艺术分过高 |
| D | 1.000 | 1.000 | 有效 | 有效 | 真实前沿单元 |
| E | 1.000 | 1.000 | 有效 | 有效 | 真实前沿单元 |
| F | 1.000 | 1.000 | 有效 | 有效 | 真实前沿单元 |
3.3 松弛变量揭示的深层信息
对SBM判定无效的B、C两校，其松弛变量显示：
学校B：
- 非低收入家庭占比有19.3%的冗余(s⁻=19.1)
- 艺术得分有8.5的过剩产出(s⁺=8.5)
学校C：
- 生均投入有21.7万元浪费(s⁻=21.7)
- 艺术得分有12.3的过剩产出(s⁺=12.3)
这些细节说明：
- B校虽然各项产出尚可，但服务对象过于集中高收入家庭
- C校存在明显的资源浪费问题
- CCR模型完全忽略了这些非均衡改进空间
4. 竞赛应用策略：何时及如何使用SBM
4.1 适用场景判断
在数学建模竞赛中，遇到以下特征的问题应优先考虑SBM：
- 投入产出可能存在非均衡改进（如部分资源已无法缩减）
- 存在非期望产出（如污染、能耗等需最小化的指标）
- 决策单元数量适中（15-50个为宜，太少易全有效，太多计算复杂）
- 需要强稳健性结论（评委会关注模型选择合理性）
4.2 论文呈现技巧
模型对比部分：
- 制作类似表3的对比表格
- 用图示展示CCR与SBM效率前沿差异
结果分析部分：
# 松弛变量可视化示例代码(伪代码) import matplotlib.pyplot as plt plt.barh(['B校投入冗余','B校产出不足','C校投入冗余','C校产出不足'], [19.1, 8.5, 21.7, 12.3]) plt.title('SBM模型识别的松弛变量')灵敏度分析建议：
- 测试去掉某个指标后结果的稳定性
- 对比不同导向型(投入/产出/混合)的结果差异
4.3 常见误区规避
- 数据量纲问题：SBM对量纲敏感，需先标准化
- 线性化错误：转换后的线性模型需保持原始约束关系
- 结果过解释：效率值仅代表相对优劣，非绝对水平
- 编程实现坑：注意MATLAB中linprog函数的参数顺序
在最近一次国赛评阅中，有队伍因正确使用SBM分析医院效率，并清晰对比出CCR忽略的3个"伪有效"单元，最终获得评委特别加分。这印证了模型选择在竞赛中的战略价值——它不仅是工具使用，更是问题理解深度的体现。