超效率SBM模型实战：从理论到案例解析

1. 超效率SBM模型入门指南

第一次接触超效率SBM模型时，我也被那些数学公式搞得头晕眼花。但后来在实际项目中用了两次才发现，这其实就是个"找差距"的工具。想象你管理着10家连锁超市，想知道哪家运营效率最高——超效率SBM就是帮你量化这个问题的神器。

传统DEA模型有个致命缺陷：当多个决策单元(DMU)效率值都是1时，它就傻眼了。我2018年分析长三角制造业时就遇到这个问题——15家企业效率值全是1，根本分不出高低。这时候超效率SBM就派上用场了，它能让效率值突破1的上限，就像给优等生加了附加题。

模型核心是这个公式：

def super_sbm(inputs, outputs):
    # inputs: m维投入向量
    # outputs: s维产出向量
    rho = 1 + (sum(s_plus/outputs) + sum(s_minus/inputs))/(m + s)
    return rho  # 可能>1的效率值

去年帮某省环保局做污染治理效率评估时，我们选了这些指标：

• 投入项：治理资金(万元)、技术人员(人)
• 期望产出：污染物处理量(吨)
• 非期望产出：二次污染指数

关键技巧：数据必须全部为正数！遇到0或负值可以用平移法处理：x'_i = x_i + abs(min(x)) + 0.01

2. 模型实战七步法

2.1 数据准备陷阱

上周刚有个研究生找我哭诉，说跑出来的效率值全是1。一看数据就发现问题——他的投入产出指标高度线性相关。记住：指标间要有独立性！建议先做Person相关性检验，相关系数>0.8的指标要踢掉一个。

我常用的数据清洗流程：

1. 缺失值处理：用KNNImputer填充
2. 异常值处理：3σ原则+箱线图复核
3. 标准化：Max-Min归一化</