别再只盯着CCR/BCC了！用SBM模型处理非期望产出（附MATLAB代码与教育评价案例）
超越传统DEA：SBM模型在非期望产出分析中的实战应用
引言：当效率评估遇上"坏产出"
在效率评估领域，数据包络分析(DEA)早已成为决策单元相对效率衡量的标准工具。但许多研究者在实际应用中常遇到一个棘手问题：如何处理那些我们不希望产出却客观存在的指标？比如教育评估中的学生流失率、医院运营中的医疗事故率、制造业中的碳排放量——这些"坏产出"就像效率分析中的暗物质，传统CCR/BCC模型往往对其束手无策。
这正是SBM(Slacks-Based Measure)模型大显身手的场景。不同于径向模型对投入产出等比例调整的理想化假设，SBM模型通过松弛变量捕捉真实世界中存在的非比例改进空间。更关键的是，它能将"好产出"与"坏产出"纳入统一框架进行数学处理，得出更符合实际的强有效前沿。想象一下，当比较两所学校的办学效率时，如果只考虑升学率而忽略学生近视率增长，这样的评估结果还有多少参考价值？
1. SBM模型的核心突破：从数学本质理解非径向优势
1.1 传统径向模型的局限性
CCR和BCC作为DEA的经典径向模型，其核心思想是通过等比例缩放使决策单元投影到有效前沿上。这种处理方式存在两个根本缺陷：
- 忽略松弛改进：当存在投入过剩或产出不足时，径向调整无法完全消除无效率
- 无法区分产出性质：所有产出被同等对待，无法反映"好产出"需最大化、"坏产出"需最小化的现实需求
% 典型CCR模型公式示例(投入导向) min θ s.t. ∑λ*x ≤ θ*x0 ∑λ*y ≥ y0 λ ≥ 01.2 SBM的革新性设计
SBM模型通过三项关键创新解决了上述问题：
- 松弛变量直接引入目标函数：效率值计算包含投入过剩(s⁻)和产出不足(s⁺)的惩罚项
- 非比例调整：允许不同指标以不同比例改进，更贴合实际管理场景
- 非期望产出专门处理：通过数学变换将"坏产出"转化为最小化目标
SBM基本模型公式：
ρ = [1 - (1/m)∑(s⁻/x)] / [1 + (1/q)∑(s⁺/y)]其中ρ∈(0,1]，当且仅当所有松弛为零时达到强有效(ρ=1)
2. 非期望产出的数学表达与模型转化
2.1 产出分类的数学刻画
在建模前需明确定义三类变量：
| 变量类型 | 符号表示 | 现实示例 | 优化方向 |
|---|---|---|---|
| 投入指标 | X | 教育经费、师资数量 | 最小化 |
| 期望产出 | Y^g | 升学率、科研成果 | 最大化 |
| 非期望产出 | Y^b | 辍学率、能耗排放 | 最小化 |
2.2 含非期望产出的SBM模型
通过Charnes-Cooper变换将非线性模型转化为线性规划问题：
min τ = t - (1/m)∑(s⁻/x) s.t.: t + (1/(s1+s2))[∑(s^g/y^g) + ∑(s^b/y^b)] = 1 x*t = X*Λ + S⁻ y^g*t = Y^g*Λ - S^g y^b*t = Y^b*Λ + S^b Λ, S⁻, S^g, S^b ≥ 0, t > 0注意：非期望产出的松弛变量S^b在约束中为"+"，表示需要减少这类产出
3. MATLAB实战：教育评价案例深度解析
3.1 数据准备与变量定义
以6所中学评估为例，构建三维指标体系：
X = [89.39 86.25 108.13 106.38 62.4 47.19; % 生均投入(万元) 64.3 99 99.6 96 96.2 79.9]; % 非低收入家庭占比(%) Y = [25.2 28.2 29.4 26.4 27.2 25.2; % 生均写作得分(期望产出) 223 287 317 291 295 222]; % 生均科技得分(期望产出) Z = [72 85 95 63 81 70]; % 生均艺术得分(非期望产出)专业提示：将艺术得分作为非期望产出可能违反直觉，实际应用中需根据具体场景定义。例如在STEM学校评估中，过高的艺术投入可能挤占核心教学资源。
3.2 模型求解核心代码
[m,n] = size(X); s1 = size(Y,1); s2 = size(Z,1); c = 1/(s1+s2); rho = []; w = []; for i = 1:n f = [-1./(m*X(:,i)') zeros(1,s1) zeros(1,s2) zeros(1,n) 1]; Aeq = [zeros(1,m) c*1./Y(:,i)' c*1./Z(:,i)' zeros(1,n) 1; eye(m) zeros(m,s1) zeros(m,s2) X -X(:,i); zeros(s1,m) -eye(s1) zeros(s1,s2) Y -Y(:,i); zeros(s2,m) zeros(s2,s1) eye(s2) Z -Z(:,i)]; beq = [1 zeros(m,1)' zeros(s1,1)' zeros(s2,1)']; [w(:,i),rho(i)] = linprog(f,[],[],Aeq,beq,zeros(m+s1+s2+n+1,1),[]); end3.3 结果解读与管理启示
运行得到各校效率值：
1.0000 (A) | 0.8297 (B) | 0.8692 (C) | 1.0000 (D) | 1.0000 (E) | 1.0000 (F)与传统CCR模型结果对比发现：
- 学校B、C效率被高估：径向模型未考虑艺术得分过高的负面影响
- 有效单元减少：SBM的强有效标准更严格，识别出真实的best practice
- 改进方向明确：通过分析松弛变量可得出具体优化建议
4. 进阶应用：SBM在不同场景的变体与选择
4.1 模型家族图谱
根据分析需求可选择不同SBM变体：
| 模型类型 | 适用场景 | MATLAB关键修改 |
|---|---|---|
| 投入导向 | 资源约束严格 | 仅保留投入松弛项 |
| 产出导向 | 产出目标优先 | 仅保留产出松弛项 |
| 非导向 | 综合改进 | 同时考虑投入产出松弛 |
| 超效率 | 有效单元排序 | 允许效率值>1 |
4.2 非期望产出处理的替代方法
除SBM外，学界还发展出多种处理"坏产出"的技术：
方向距离函数(DDF)：指定产出调整方向
g = [zeros(m,1); zeros(s1,1); -ones(s2,1)]; % 非期望产出减少方向倒数转换法：将非期望产出取倒数转为期望产出
Y_new = [Y; 1./Z]; % 简单但可能扭曲效率前沿双前沿分析：分别构建好/坏产出的效率前沿
4.3 大数据环境下的优化策略
当处理高维数据时，可采取以下加速策略：
并行计算：利用parfor循环加速校际比较
parfor i = 1:n % 需要Parallel Computing Toolbox [w(:,i),rho(i)] = linprog(...); end启发式算法：对超大规模问题采用遗传算法等近似求解
在实际研究项目中，我们往往需要根据数据特征和问题背景选择最适合的模型设定。比如在评估绿色制造效率时，采用非导向SBM结合非期望产出处理，能够同时兼顾资源节约与环境友好双重目标。