资料名称： 投入导向、规模报酬不变的 EBM 与留一法超效率教学实现。

附件内容： MATLAB 和 Python 代码、6 单元合成算例、Python 参考结果、依赖表与模型说明。

运行环境： Python 3.11+ 与 SciPy；或 MATLAB R2020b+ 与 Optimization Toolbox。

效率前沿上的多个单位都得到 1 时，普通效率值不便于继续区分它们。超效率的一个基本做法是把被评价单位从参照集合中拿掉，再计算它相对于其余单位的位置。本包把这个步骤与明确设定的投入导向 EBM 放在两份代码中，方便对应目标函数和求解矩阵。

EBM 同时考虑径向缩减与投入松弛。本例给定 epsilon 为 0.
5、投入指标等权，采用规模报酬不变的 CRS 条件；先求普通值，只对位于前沿的单位排除自身再求解，无效单元保留普通 EBM 值。参数和规格在说明中完整列出，便于按自己的研究修改。

合成算例只有 6 个单位、2 个投入和 1 个期望产出，便于逐项读懂矩阵。其中 B 与 F 的投入、产出成比例，在 CRS 条件下应具有相同的普通效率。这比直接把一大张真实业务表塞进模型更适合学习约束、规模条件和参照集合的作用。

两份程序使用相同的变量顺序和约束写法。Python 程序写出普通 EBM、最终分数和约束残差；MATLAB 入口生成对应结果后，读取 Python 参考表进行逐单元比较，达到设定误差阈值时会报错。文件中的教学结果只解释本包规格，不作为其他论文或真实地区的效率结论。

使用自己的数据时，应先明确方向、规模报酬、期望与非期望产出，以及权重和 epsilon 的确定方法。本包处理严格正的投入和期望产出，不包含污染等非期望产出的约束，也不把零值、负值或缺失静默加常数后送入模型。

下面是帖子的相关资料的获取以及相关的内容说明，内容包含：两种语言代码、6 单元合成 CSV、Python 参考结果和模型运行说明。