此README大部分由 ChatGPT-5.1 完成，请注意自行辨别!!!

( This README was largely generated by ChatGPT-5.1. Please exercise your own judgement!!! )

【 注意！ 本项目代码对于模型的复现可能仍有部分问题，会导致计算精度与结果偏差】

【 Please note! The code within the project may still contain certain issues that could lead to discrepancies in computational accuracy and results when reproducing the model.】

本项目实现了含/不含非期望产出的 SBM（Slack-Based Measure）和超效率 SBM 模型，用于评价地区或决策单元（DMU）的绿色发展效率。
代码以 Python 实现为主，并支持从 Excel 表中批量读取投入、期望产出与非期望产出指标。R 版本仅作为历史参考实现，已不再维护。

模型主要参考：

• Tone, K. (2001). A slacks-based measure of efficiency in data envelopment analysis.
• Tone, K. (2002). A slacks-based measure of super-efficiency in data envelopment analysis.
• Tone, K. (2004). Dealing with undesirable outputs in DEA: a Slacks-Based Measure (SBM)approach

典型应用场景：

• 区域绿色发展 / 碳排放效率的学术实证研究；
• 多地区、多年份的绩效评价与排序；
• 在 Python 或 R 环境中进行二次开发、批量实验与可视化分析。

This repository implements standard and super-efficiency SBM (Slack-Based Measure) models,
with and without undesirable outputs, to evaluate the “green” efficiency of regions or DMUs.
The Python implementation is the canonical and maintained version; the R script is kept only as a historical reference.

The implementation is based on:

• Tone, K. (2001). A slacks-based measure of efficiency in data envelopment analysis.
• Tone, K. (2002). A slacks-based measure of super-efficiency in data envelopment analysis.
• Tone, K. (2004). Dealing with undesirable outputs in DEA: a Slacks-Based Measure (SBM)approach

Typical use cases:

• Empirical studies on regional green development or carbon-emission efficiency;
• Performance evaluation and ranking across regions and years;
• Further development, experimentation, and visualization in Python or R.

SBM 与 DEA 的关系（来源）

• 数据包络分析（Data Envelopment Analysis, DEA）最早由 Charnes, Cooper 和 Rhodes（CCR 模型）提出，用于在多投入、多产出条件下评估决策单元（DMU）的相对效率。
• 传统 DEA 往往采用“径向”效率度量（如投入成比例压缩或产出成比例扩张），可能忽略松弛变量（slacks）带来的非径向低效。
• Tone (2001) 提出的 SBM（Slack-Based Measure）直接以松弛变量为核心构造效率指标，使得所有投入、产出上的冗余和不足都进入效率值中，因此对“非径向低效”更敏感，能够更精细地区分 DMU 的效率差异。

含非期望产出（undesirable outputs）的 SBM

• 在碳排放、污染排放等问题中，既有“希望越大越好”的期望产出（如产值、收入、粮食产量），也有“希望越小越好”的非期望产出（如碳排放量、污染排放量）。
• 含非期望产出的 SBM 通过对非期望产出使用“减小松弛”（bad outputs 的 slack）来刻画低效：在保持或改善其他指标的同时，若一个 DMU 能进一步减少非期望产出，则说明其仍有改进空间。
• 本项目中的模型正是基于 Tone (2001, 2002) 的含非期望产出 SBM 形式，把碳排放等指标纳入效率评估框架，用于绿色发展效率的衡量。

超效率 SBM 的意义

• 在标准 SBM 中，有效 DMU 的效率通常等于 1，所有位于前沿上的 DMU 效率值相同，无法在“完全有效”的 DMU 之间再做排序。
• 超效率 SBM（Tone, 2002）通过在评价某个 DMU 时将其从参考集合中排除，并重新构建前沿，使得原本“有效”的 DMU 能够获得大于 1 的效率值（super-efficiency）。
• 超效率值的含义通常可以理解为：“当前 DMU 相对于由其他 DMU 构成的生产可能集，其在投入/产出维度上的‘突出程度’”。
  • 超效率 > 1：该 DMU 即便不参与构建前沿，仍然位于由其他 DMU 构成的前沿之外，是“超高效”的。
  • 在实务中，超效率常用于：
    • 对有效 DMU 进行进一步排序（rank fully efficient units）；
    • 检查数据中是否存在异常值或“极端前沿点”（outlier / influential DMU）。

SBM 指标的直观解读

• 本项目实现中，通过将分子或分母归一化，把 Tone 模型中分式形式转化为线性规划形式，最终输出的 rho / 超效率 值仍然可以理解为：
  • 标准 SBM：效率值 ∈ (0, 1]，越接近 1 表示越接近效率前沿；
  • 超效率 SBM：效率值 ≥ 1，对效率=1 的 DMU 再进行细分与排序。
• 含非期望产出的情形下，效率的提高不仅意味着“少投入、多产出”，还意味着“在给定投入和期望产出的前提下尽可能减少非期望产出”，因此特别适合绿色发展效率、环境绩效等场景。

• Code/
  • sbm_run.py
    主分析脚本：读取 Excel 数据，构造投入 / 期望产出 / 非期望产出矩阵，调用标准 SBM 与超效率 SBM 模型并导出结果。 默认配置为：标准 SBM 使用 VRS/BCC，超效率 SBM 使用 CRS/CCR，与 Tone (2001, 2002) 文献和模块化 Python 实现对齐。
  • sbm_super_efficiency.py
    已弃用的模块化 Python 实现（含非期望产出），保留用于公式核查和与 R 版本的历史对照；推荐直接使用 sbm_run.py 作为主入口。
  • sbm_super_efficiency.R
    已弃用的 R 版 SBM / 超效率 SBM 参考实现，使用 lpSolve、readxl 等包，仅供历史对照与公式核查。
  • sbm_mapping.json
    预留的字段映射配置文件（当前为空），可用于自定义 Excel 列名与模型变量映射。
• InputData/
  输入数据（Excel/CSV），例如各地区的投入、期望产出和非期望产出指标。
• Result/
  模型运行后的输出结果（如效率值、超效率值），为派生文件，可随时通过代码重新生成。
• ModelRef/
  SBM 与超效率 SBM 相关的原始文献 PDF。
• Ref/
  与本课题相关的中文论文和参考资料。
• SPSSres/
  使用 SPSSau 得到的中间分析结果。

说明：早期文档中出现的 Data/、Model/ 等目录名，在当前仓库中已统一为 InputData/、ModelRef/ 等，请以上述结构为准。

• Python 3.10+
• 核心依赖（在 pyproject.toml 中维护）：
  • numpy
  • pandas
  • scipy
  • openpyxl（用于读取 .xlsx 文件）

本仓库推荐使用 [uv]管理依赖和虚拟环境（根目录下已提供 pyproject.toml 与 uv.lock）。

使用 uv 初始化环境：

uv sync                 # 创建/更新虚拟环境并安装依赖
uv run python Code/sbm_run.py

不使用 uv 时，可直接用 pip：

pip install numpy pandas scipy openpyxl
python Code/sbm_run.py

• 仓库中保留了 Code/sbm_super_efficiency.R 作为早期实现和公式对照用的参考脚本。
• 该 R 版本不再维护，后续工作建议全部基于 Python：
  • 脚本入口：Code/sbm_run.py
  • 模块化接口：Code/sbm_super_efficiency.py

若确有需要在 R 中阅读或复现，可参考脚本头部注释，自行配置 readxl、dplyr、tibble、lpSolve 等依赖，但建议不要再在 R 版本上做新功能开发。

功能要点：

• 从指定 Excel 文件（默认工作表为“格式化数据”）读取 DMU 的投入、期望产出与非期望产出；
• 使用固定列名映射（例如：建设用地面积、耕地面积、单位GDP碳排放 等）构造数据矩阵；
• 实现 4 类模型的调用：
  1. 标准 SBM（不含非期望产出）sbmeff
  2. 超效率 SBM（不含非期望产出）sup_sbmeff
  3. 标准 SBM（含非期望产出）un_sbmeff
  4. 超效率 SBM（含非期望产出）sup_un_sbmeff
• 在 main() 中：
  • 先计算所有 DMU 的标准 SBM 效率；
  • 对接近有效前沿（效率≈1）的 DMU 计算超效率；
  • 输出带有标准效率与超效率结果的 Excel 文件（保存在 Result/ 或脚本配置的路径下）。

关键参数（位于 main() 顶部）包括：

• rts_standard：标准 SBM 的规模报酬，固定为 VRS/BCC（1）；
• rts_super：超效率 SBM 的规模报酬，固定为 CRS/CCR（0）；
• sup：是否计算超效率（1 计算，0 只算标准 SBM）；
• undesirable：是否考虑非期望产出；
• excel_path：输入数据文件路径。

面向 Python 开发者的模块化实现，主要包含：

• load_excel(path, sheet=None)：按约定格式加载 Excel；
• mapping(df)：根据列名构建 dmu_id、inputs、good_outputs、bad_outputs 映射；
• build_matrices(df, mapping)：转换为数值矩阵 X、Yg、Yb 以及 DMU ID 列表；
• sbm_super_efficiency_with_undesirable(...)：含非期望产出的超效率 SBM；
• sbm_standard_with_undesirable(...)：含非期望产出的标准 SBM。

示例（Example）：

from sbm_super_efficiency import (
    load_excel,
    mapping,
    build_matrices,
    sbm_super_efficiency_with_undesirable,
)

df = load_excel("your_data.xlsx", sheet="Sheet1")
mp = mapping(df)
X, Yg, Yb, dmu_ids = build_matrices(df, mp)

res_sup = sbm_super_efficiency_with_undesirable(X, Yg, Yb, rts=0)
print(res_sup["rho"])

• 保留为与 Python 实现相对应的历史 R 版本，用于核对约束形式、目标函数和结果结构。
• 不再作为推荐入口或维护对象，后续如需扩展或复现文献结果，请优先使用 Python 版本。

1. 将原始数据整理为与脚本中列名一致的 Excel 表，并放入 InputData/ 或自定义路径。

2. 在项目根目录下初始化 Python 环境：

   • 推荐：uv sync

3. 运行主脚本：

   • uv run python Code/sbm_run.py

4. 在 Result/（或脚本配置的输出目录）中查看生成的效率结果表。

5. Prepare an Excel file whose column names match those used in the scripts (inputs, good outputs, undesirable outputs).

6. Run uv sync (or install dependencies via pip).

7. Execute uv run python Code/sbm_run.py (or python Code/sbm_run.py).

8. Inspect the generated efficiency results in the Result/ folder.

• 所有模型输出建议统一写入 Result/ 目录，以便与原始数据区分；
• 由于结果完全由代码和 InputData/ 中的数据生成，只需保留原始数据和脚本，即可在任意支持 Python 3.10+ 的环境中复现计算过程；
• 若对模型公式或实现细节有进一步需求，可结合：
  • Code/sbm_super_efficiency.py / Code/sbm_super_efficiency.R 源码；
  • ModelRef/ 中收录的 Tone (2001, 2002) 等原始文献； 对照约束条件和目标函数进行核查。

• 本仓库的代码、说明文档及生成的结果仅供学术研究和学习参考，不构成任何政策、投资、工程或合规决策依据，使用者需自行核实准确性与适用性。

• 模型输出的可靠性高度依赖输入数据质量与建模假设，仓库维护者与贡献者不对因使用本仓库产生的任何直接或间接损失承担责任。

• README 中引用的文献、报告及其他材料版权归原作者所有，引用仅为学术交流与研究便利，使用时请遵守相关版权与使用条款。

• 若需在商业或正式场景使用，请进行充分的独立校验并自行承担全部责任。

• The code, documentation, and generated results in this repository are for academic research and learning only; they are not intended as the basis for policy, investment, engineering, or compliance decisions. Verify accuracy and suitability yourself.

• Output reliability depends on input data quality and modeling assumptions; maintainers and contributors accept no liability for any direct or indirect loss arising from use of this repository.

• Papers, reports, and other referenced materials remain the property of their original authors; references are provided for scholarly communication and convenience only. Please follow the original copyright and usage terms.

• For commercial or formal uses, conduct thorough independent validation and assume full responsibility for outcomes.

• https://zhuanlan.zhihu.com/p/639997348
• https://zhuanlan.zhihu.com/p/632746686