精华内容
下载资源
问答
  • 基于DEA三阶段网络结构效率分析研究,刘小燕,李作志,本文首次将串行DEA两阶段网络结构拓展到串行三阶段网络结构,进一步细分系统内部结构,研究系统整体效率与各子系统效率。另外,本
  • 三阶段DEA方法

    千次阅读 2019-08-15 11:09:41
    第一阶段——传统DEA模型 数据包络分析方法(Data Envelnt Analysis,简称DEA)是管理科学、系统工程和运筹学等领域最为常见的一种非参数前沿效率分析方法,它不需要设定生产函数的具体形式,能够处理多输入多输出...

    第一阶段——传统DEA模型
    数据包络分析方法(Data Envelnt Analysis,简称DEA)是管理科学、系统工程和运筹学等领域最为常见的一种非参数前沿效率分析方法,它不需要设定生产函数的具体形式,能够处理多输入多输出系统,是一种要素投入与产出之间的相对效率评价的系统分析方法。早在1978年,美国著名运筹学家A.Charnes、W.Cooper和E.Rhodes最先提出简称为DEA-CCR模型,假设规模报酬不变。随后Banker[26] 等人对其进行扩展,将CCR模型中的技术效率(TE)分解为纯技术效率(PTE)与规模效率(SE)的乘积,即TE=PTE×SE,便得到了DEA-BCC模型,并且规模报酬可变,这解决了某些决策单元可能处在递增或递减的变动规模报酬下生产的问题。BCC模型分为投入导向型和产出导向型。就土地利用效率评价来说,投入变量是决策的基本变量,比较容易控制,而对产出变量的控制相对困难。因此本文选择投入导向型的BCC模型。
    假设有n个决策单元(Decision Making Unit,简称DMU),每个DMU都有m种类型的要素投入和s种类型的产出;xik(xik > 0,k=1, 2, …, m)表示第k个DMU的第i种投入量,yjk(yjk > 0,k=1, 2, …, s)表示第k个DMU的第j种产出量,记作Xj= (x1j, x2j, …, xmj )T,Yj = (y1j, y2j, …, ysj )T,j=1, 2, …, n。投入导向型DEA-BCC模型为:

    其中,θ是被考察决策单元的总效率值,取值范围为[0,1]。当θ=1时,该决策单元位于前沿面上,处于DEA有效状态;当0≤θ<1时,该决策单元处于非DEA有效状态。

    第二阶段——调整投入指标变量
    第一阶段分析出来的投入产出松弛变量可能受到外部环境因素、随机误差以及内部管理因素影响,通过随机前沿分析方法(Stochastic Frontier Analysis,简称SFA)对上述因素进行测算并将其影响剔除。 假设第k个DMU的第i个投入项为Xik,其松弛变量为Sik,则Sik =Xik-Xiλ≥0;Zk=(z1k, z2k, … , zpk)表示外部环境变量,βi为外部环境变量的待估参数;f (Zk, βi)表示外部环境变量对投入松弛变量Sik的影响,一般取f (Zk, βi)=Zk βi;Vik + Uik为混合误差项,Vik 为随机干扰项,并假设Vik ~N(0, σvi 2);Uik表示管理无效率,并假设Uik服从截断正态分布,即Uik ~N(μi, σμi 2);Vik与Uik独立不相关。γ = σμi 2/(σμi 2+σvi 2)为技术无效率方差占总方差的比重,当γ的值趋近于1时,表示管理因素的影响占主导地位;当γ的值趋近于0时,则表示随机误差的影响占主导地位。得到SFA回归方程为:
    在这里插入图片描述
    利用SFA模型的回归结果对各个决策单元的投入变量按(2)式进行调整,原则是将所有的决策单元调整至面临相同的外部环境特征和客观运气。
    在这里插入图片描述
    其中,Xik*为调整后的投入量,Xik为原始投入量,为环境变量参数的估计值,为随机误差的估计值。式(3)中前一个中括号表示将所有决策单元调整至相同的外部环境下,后一个中括号表示将所有决策单元的随机误差调整为相同情形,使每个决策单元都面临相同的外部环境和运气。

    第三阶段——调整数据后的DEA模型
    将第二阶段调整后的投入数据作为新的投入数据,产出数据仍为原始数据,再次代入DEA-BCC模型中对效率值进行评估,从而得到不受环境因素和随机误差影响的效率值。

    展开全文
  • 三阶段DEA模型操作步骤笔记

    千次阅读 多人点赞 2020-10-27 19:35:00
    参考B站视频三阶段DEA操作步骤,做个简单的笔记,便于用的时候复习 https://www.bilibili.com/video/BV1F4411n75p?p=1 使用到的软件:DEAP2.1、Frontier4.1、excel 第一阶段:传统DEA模型 这里原始数据是截取博主给...

    参考B站视频三阶段DEA操作步骤,做个简单的笔记,便于用的时候复习
    https://www.bilibili.com/video/BV1F4411n75p?p=1


    使用到的软件:DEAP2.1、Frontier4.1、excel

    根据数据包络法对DMU的内在要求,即DMU的个数要大于等于所有的投入变量和产出变量的两倍

    第一阶段:传统DEA模型

    这里原始数据是截取博主给的数据中的前10个(主要是记录操作步骤) :

    3个投入,2个产出,2个环境变量
    在这里插入图片描述

    运用DEAP2.1软件进行效率分析

    在这里插入图片描述
    如何使用deap软件

    在这里插入图片描述

    (1)打开123.DTA,用于存储数据,产出在前、投入在后

    在这里插入图片描述
    将数据复制到 123.dta
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    crste = TE
    vrste = PTE
    scale = SE

    TE表示综合效率,PTE表示纯技术效率,SE表示规模效率,满足TE=SExPTE;drs表示规模报酬递减,irs表示规模报酬递增,- 表示规模报酬不变。

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    deap 2.1软件分析过程及结果解释

    第一阶段分析出来的投入产出松弛变量可能受到外部环境因素、随机误差以及内部管理因素影响,通过随机前沿分析方法(Stochastic Frontier Analysis,简称SFA)对上述因素进行测算并将其影响剔除。

    (1)

    在这里插入图片描述
    然后

    松弛变量S = 原始投入值 - 目标投入值

    在这里插入图片描述

    关于
    这样算出来的松弛变量与DEA结果带的松弛变量结果 SUMMARY OF INPUT SLACKS 部分差距很大的原因

    四阶段DEA松弛变量及模型调整问题
    [经济学] 请教:DEA分析中投影变量与松弛变量之间的关系
    https://bbs.pinggu.org/thread-3347318-1-1.html

    其次,对效率为1的DUM,松弛变量可以令为0

    在这里插入图片描述
    在这里插入图片描述
    注:因原始数据为残缺的,这些结果数值不必在意,主要是操作步骤

    第二阶段(SFA)

    理论部分我参考的是:研发投入产出效率的国际比较研究—基于三阶段DEA模型分析
    在这里插入图片描述
    在这里插入图片描述在这里插入图片描述
    在这里插入图片描述
    以及 关于三阶段DEA模型的几点研究

    实际操作运用Frontier4.1软件+ excel

    在这里插入图片描述

    投入的松弛变量作为因变量,K个环境变量作为自变量

    注意:SAF只能做单产出分析,即每次只能调整一个投入变量,若有 m 个投入变量,则需要进行 m 次调整。

    首先对投入1进行调整,将excel中整理好的数据复制粘贴进 EG1.DTA 中

    如下图
    在这里插入图片描述在这里插入图片描述

    注意顺序

    第一列是评价体系的序号;第二列是时期t;.第三列是因变量;.第四列之后是K全自变量

    接下来设置 EG1.ins

    在这里插入图片描述
    这里根据自己的实际情况设置参数

    我这里选择

    第一个 y :假设U的分布。y表示截断分布,n表示半正态分布.
    第二个 y :表示时变模型,n表示非时变模型。
    选择 n

    其他设置保持不变.

    设置好之后,运行front41.exe
    在这里插入图片描述
    输入 :
    F
    EG1.ins在这里插入图片描述

    回车之后,文件夹中会新生产一个eg1.out 文件

    在这里插入图片描述

    打开新生成的 out 文件

    在使用Frontier4.1分析投入差额值时,估计回归系数使用的是最大似然法。

    在这里插入图片描述
    检验 参数是否显著(t检验是检验参数是否显著为0,参数是否有统计学意义) 以及 判断LR是否通过检验(单边误差似然检验值,为了判断使用SFA模型是否合理)

    对于 t 值( t-ratio) ,一般t值大于2,通常都显著,但t值并不是最终判定标准,还需要结合 p值 一起看(计算P值的方法在下方t值分布表中有)。

    以及 LR 值,单边似然比统计量LR=-2×ln (L (H0) /L (H1) )

    在这里插入图片描述

    t检验的自由度是样本数-待估参数-1,LR检验的自由度见结果:with number of restrictions

    环境变量数
    在这里插入图片描述

    在这里插入图片描述

    :***、**、*分别表示在1%、5%、10%的显著性水平上通过正态检验

    t分布表如下
    在这里插入图片描述
    在这里插入图片描述
    注:对α<0.5,有tα<t1α \text{注:对}\alpha <0.5\text{,有}t_{\alpha}<-t_{1-\alpha}

    对于 gamma 值

    gamma 之后有一个t值,结合数据本身的自由度,计算出P值,通过P值来看显著性。

    gamma 值,其越趋近于1,表明存在环境因素对xxx效率的干扰,有必要通过公式对原始投入值进行调整。

    gamma值一直都是0.999999不是代表没法继续用三阶段了,实际上只要是0-1之间就可以

    还要看参数的正负性

    根据投入不同而使用独立的回归方程,因而可以直观的判断各个自变量对不同差额值的影响。由于环境变量是对投入差额值进行的回归,所以当相关系数(参数)为正时,表示增加环境变量有利于投入差额值的增加,即有利于增加各投入变量浪费或增加负产出,反之亦然。

    也即

    系数为正说明该环境变量的增加不利于效率的提高,会造成投入要素的浪费,为负则相反,有利于提高效率。


    假设参数都通过检验

    在这里插入图片描述
    在这里插入图片描述
    接下来 就是根据公式通过excel得到调整后的投入1值

    Sij=fj(zj,βj)+vij+uij S_{ij}=f^j\left( z_j,\beta _j \right) +v_{ij}+u_{ij}

    符合含义在前面参考文献中有

    根据Frontier4.1软件,得到SFA估计的系数β^0,β^1,β^2\hat{\beta}_0,\hat{\beta}_1,\hat{\beta}_2以及
    σ2=σu2+σv2γ=σu2σu2+σv2 \sigma ^2=\sigma _{u}^{2}+\sigma _{v}^{2}\text{、}\gamma =\frac{\sigma _{u}^{2}}{\sigma _{u}^{2}+\sigma _{v}^{2}}

    从而可得到环境值
    f=β^0+β^1Z1+β^2Z2 f=\hat{\beta}_0+\hat{\beta}_1Z_1+\hat{\beta}_2Z_2
    其中,Z1Z_1Z2Z_2为环境变量

    现在主要是求 u 和 v ,可以用下面的公式得到

    (1)回归的混合误差项现在是可以求得的

    εi=vij+uij=Sf \varepsilon_i =v_{ij}+u_{ij}=S-f

    先求 u ,根据公式可用条件期望值将其代替

    E(uiεi)=σ[φ(λεiσ)Φ(λεiσ)+λεiσ] E\left( u_i|\varepsilon _i \right) =\sigma ^*\left[ \frac{\varphi \left( \lambda \frac{\varepsilon _i}{\sigma} \right)}{\varPhi \left( \lambda \frac{\varepsilon _i}{\sigma} \right)}+\lambda \frac{\varepsilon _i}{\sigma} \right]

    其中σ2=σu2+σv2εi=vij+uijσ=σuσvσ\sigma ^2=\sigma _{u}^{2}+\sigma _{v}^{2}\text{、}\varepsilon _i=v_{ij}+u_{ij}\text{、}\sigma ^*=\frac{\sigma _u\sigma _v}{\sigma}Φφ\varPhi \text{与}\varphi分别为标准正态分布的密度函数和分布函数

    因为已知
    σ2=σu2+σv2γ=σu2σu2+σv2 \sigma ^2=\sigma _{u}^{2}+\sigma _{v}^{2}\text{、}\gamma =\frac{\sigma _{u}^{2}}{\sigma _{u}^{2}+\sigma _{v}^{2}}

    所以这个等式的值是可以计算的

    从而 v 也可以计算出来

    E(viεi)=εiE(uiεi) E\left( v_i|\varepsilon _i \right) =\varepsilon _i-E\left( u_i|\varepsilon _i \right)

    则投入变量1的调整至为
    在这里插入图片描述


    开始用excel计算
    在这里插入图片描述

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    接下来的步骤(简写),直接对应公式就可以完成在这里插入图片描述
    最后,调整后的投入1

    在这里插入图片描述
    同理,完成投入2,投入3

    最终得到如下结果
    在这里插入图片描述

    当然,做的时候不会这样一个一个的算,很麻烦,有excel模板,直接套用就行

    第二阶段SFA回归数据.xls

    在这里插入图片描述
    在这里插入图片描述

    第三阶段

    利用调整后的投入量,和原始的产出量,再次利用DEA模型估计各个决策单元的各个效率值。

    之后可以做一个符号秩检验,检验经过调整后,是否有显著差异,如果没有差异,第二阶段就没多大意义了。

    符号秩检验可以用stata做

    比如对综合技术效率进行检验

    ranksum t,by(g) porder
    
    展开全文
  • 基于三阶段DEA方法的绿色投资效率研究 ,申俊亚,王娜,基于我国2009-2013年30省市数据,运用三阶段DEA方法,在控制外部环境变量和随机因素的基础上测度了各省市绿色投资效率。研究表明:三�
  • 基于三阶段DEA-Windows分析的区域创新效率研究,乔元波,王砚羽,本文采用三阶段DEADEA-Windows分析相结合的方法对2007-2011年我国30个省市自治区的创新效率进行评价,既剔除了外部环境和随机因素的干�
  • 基于三阶段DEA模型的中国省域钢铁行业的电力利用效率研究,伍亚,苏景容,钢铁基于三阶段DEA模型的中国省域钢铁行业的电力利用效率研究行业约占中国全社会电力消费量的9%,提高钢铁业电力使用效率对中国节�
  • 基于多种三阶段超效率DEA模型的基金业绩综合评价,戴晓凤,陈铖,伴随着民众投资基金的情绪愈发高涨,基金行业不断创新,无数新的基金产品应运而生。随着蛋糕越来越大,各家公司之间的比较、竞争
  • 运用三阶段DEA模型对2016年我国17家煤炭上市公司的安全投入产出效率进行实证分析。研究结果表明,企业规模、从业人员劳动生产率以及受教育程度3个环境变量均正向影响安全效率;剔除环境变量和随机误差的影响后,煤矿...
  • 链式网络DEA包括2阶段、3阶段等多阶段,我们考虑3阶段附加投入的DEA模型。网络 DEA 模型的形式是我们把决策单元分解为 K 个子过程,每个子过程都有相应的投入变量和输出变量,同时还有中间变量,中间变量既是上一子...

    链式网络DEA包括2阶段、3阶段等多阶段,我们考虑3阶段附加投入的DEA模型。网络 DEA 模型的形式是我们把决策单元分解为 K 个子过程,每个子过程都有相应的投入变量和输出变量,同时还有中间变量,中间变量既是上一子系统输出的变量,又是下一子系统输入的变量,我们把各个过程依照流程的次序排列好,上一子过程的中间产出变量要由下一个过程进行消费,通过相关中间变量,紧密联系决策单元各子过程。制造业供应链过程如下图所示,
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    经过转换后,得到线性规模模型
    在这里插入图片描述
    matlab程序:

    clear;clc;
    M=[2882300  125 978930  2945    978930  179 1556200 2764200 28305000    2706200 13964000
    1304200 369 92016   5396    92016   757 1139400 1901300 26566000    1897700 26916000
    2504000 425 246680  6974    246680  908 768880  1900800 25463000    1869900 20434000
    409970  312 116880  7139    116880  737 214700  333940  2830100 318770  2009200
    359190  208 202460  5548    202460  447 101460  191030  385970  188140  2636500
    368880  356 58633   7497    58633   756 192880  45962   985630  46023   1177100
    274700  35  53438   4791    53438   68  164700  214520  725810  212220  8440800
    351460  336 47041   2017    47041   756 171460  27019   864400  26673   841160
    138880  42  19274   790 19274   71  99882   24882   256950  24062   394880
    64705   132 14003   700 14003   191 24705   3039    38954   3071    217250
    1841500 165 74023   7120    74023   358 661460  117960  1757700 114690  1032500
    468760  89  32433   3996    32433   149 204880  31389   368520  31039   467490
    3454700 896 167260  17953   167260  3209    2214700 633520  6752500 602200  4401400
    331460  203 10355   1895    10355   337 151460  7195    102560  7206    141650]
     
     
    X1=M(:,1:2); 
    X2=M(:,3:4); 
    X3=M(:,5:6); 
    Z1=M(:,7); 
    Z2=M(:,8:9);
    Y=M(:,10:11);
     
    n=14;
    s=2;
    D1=1; 
    D2=2; 
    m1=2;
    m2=2;
    m3=2;
    p=ones(n,1);
    q1=zeros(n,D1);
    q2=zeros(n,D2);
    q3=zeros(n,s); 
     
    A=[Z1 zeros(n, D2) zeros(n, s) -X1 zeros(n, m2) zeros(n, m3); 
        -Z1 Z2 zeros(n, s) zeros(n, m1) -X2 zeros(n, m3); 
        zeros(n,D1) -Z2 Y zeros(n,m1) zeros(n, m2) -X3; 
        zeros(n, D1) zeros(n, D2) Y -X1 -X2 -X3]; 
    b= zeros(4*n,1); 
    lu=zeros(s+D1+D2+m1+m2+m3,1);
    hu=[]; 
     
    W=[];   
    for j=1:n 
        f=-[zeros(1,D1) zeros(1,D2) Y(j,:) zeros(1,m1) zeros(1,m2) zeros(1,m3)]';      
        aeq=[q1(j,:) q2(j,:) q3(j,:) X1(j,:) X2(j,:) X3(j,:)];      
        beq= p(j,:);      
        [wval,fval] =linprog(f,A,b,aeq,beq,lu,hu);     
        W=[W,fval]; 
    end
    -W';
    az1=wval(1:1,1); 
    az2=wval(2:3,1); 
    ay=wval(4:5,1); 
    ax1=wval(6:7,1); 
    ax2=wval(8:9,1); 
    ax3=wval(10:11,1); 
     
    e1=[(az1'*Z1')./(ax1'*X1')]' 
    e2=[(az2'*Z2')./(az1'*Z1'+ax2'*X2')]' 
    e3=[(ay'*Y')./(az2'*Z2'+ax3'*X3')]' 
    

    链接:https://pan.baidu.com/s/1YtSTBh8CZMm0bknu_WRxvg
    提取码:8e30
    复制这段内容后打开百度网盘手机App,操作更方便哦–来自百度网盘超级会员V2的分享

    展开全文
  • 楼主你好,跑出来的ce值都小于1,啥子情况?对各个值也不清楚如何分析?头疼死了,可以推荐相关资料么the final mle estimates are :coefficient standard-error t-ratiobeta 0 -0.33778394E+020.10003408E+01 -0....

    楼主你好,跑出来的ce值都小于1,啥子情况?对各个值也不清楚如何分析?头疼死了,可以推荐相关资料么

    the final mle estimates are :

    coefficient     standard-error    t-ratio

    beta 0        -0.33778394E+02  0.10003408E+01 -0.33766885E+02

    beta 1         0.34200813E+01  0.16920341E-01  0.20212839E+03

    beta 2        -0.70775397E+02  0.10520066E+01 -0.67276569E+02

    beta 3        -0.47439719E+02  0.12672121E+01 -0.37436288E+02

    beta 4        -0.19486081E+04  0.16423813E+01 -0.11864529E+04

    beta 5         0.22768249E+03  0.33129524E+01  0.68724952E+02

    beta 6         0.17493475E+02  0.11514289E+01  0.15192840E+02

    beta 7        -0.87628231E+03  0.10998736E+01 -0.79671182E+03

    sigma-squared  0.52444743E+08  0.10000000E+01  0.52444743E+08

    gamma          0.99999999E+00  0.10012922E-06  0.99870945E+07

    mu            -0.36893223E+01  0.11974587E+01 -0.30809600E+01

    eta is restricted to be zero

    log likelihood function =  -0.26580639E+03

    LR test of the one-sided error =   0.21730921E+02

    with number of restrictions = 2

    [note that this statistic has a mixed chi-square distribution]

    number of iterations =     84

    (maximum number of iterations set at :   100)

    number of cross-sections =     28

    number of time periods =      1

    total number of observations =     28

    thus there are:      0  obsns not in the panel

    covariance matrix :

    0.10006818E+01  0.16419890E-03  0.85299358E-02  0.20323636E-01  0.43599484E-01

    -0.12495186E+00 -0.14850362E-01  0.15476276E-01 -0.15720983E-05  0.12577054E-08

    -0.22107286E-01

    0.16419890E-03  0.28629793E-03  0.21504821E-02  0.57653578E-02  0.43912074E-02

    -0.16627337E-01 -0.75910375E-03  0.16303964E-02 -0.22981102E-06 -0.13777117E-10

    -0.30855632E-02

    0.85299358E-02  0.21504821E-02  0.11067180E+01  0.25426880E+00  0.54547352E+00

    -0.15632734E+01 -0.18579312E+00  0.19362381E+00 -0.19668528E-04  0.15735176E-07

    -0.27658437E+00

    0.20323636E-01  0.57653578E-02  0.25426880E+00  0.16058266E+01  0.12996630E+01

    -0.37247036E+01 -0.44267730E+00  0.46133435E+00 -0.46862830E-04  0.37491229E-07

    -0.65899836E+00

    0.43599484E-01  0.43912074E-02  0.54547352E+00  0.12996630E+01  0.26974164E+01

    -0.37651565E+01 -0.14482240E+00  0.59654349E+00 -0.64260495E-04  0.49641836E-09

    -0.85757703E+00

    -0.12495186E+00 -0.16627337E-01 -0.15632734E+01 -0.37247036E+01 -0.37651565E+01

    0.10975653E+02  0.39600111E+00 -0.13312569E+01  0.13995408E-03  0.31652640E-08

    0.19066256E+01

    -0.14850362E-01 -0.75910375E-03 -0.18579312E+00 -0.44267730E+00 -0.14482240E+00

    0.39600111E+00  0.13257885E+01 -0.50811956E-01  0.68154541E-05 -0.67318284E-07

    0.65759944E-01

    0.15476276E-01  0.16303964E-02  0.19362381E+00  0.46133435E+00  0.59654349E+00

    -0.13312569E+01 -0.50811956E-01  0.12097220E+01 -0.22537319E-04  0.27369604E-09

    -0.30147768E+00

    -0.15720983E-05 -0.22981102E-06 -0.19668528E-04 -0.46862830E-04 -0.64260495E-04

    0.13995408E-03  0.68154541E-05 -0.22537319E-04  0.10000000E+01  0.28171291E-12

    0.32439952E-04

    0.12577054E-08 -0.13777117E-10  0.15735176E-07  0.37491229E-07  0.49641836E-09

    0.31652640E-08 -0.67318284E-07  0.27369604E-09  0.28171291E-12  0.10025861E-13

    0.37577366E-09

    -0.22107286E-01 -0.30855632E-02 -0.27658437E+00 -0.65899836E+00 -0.85757703E+00

    0.19066256E+01  0.65759944E-01 -0.30147768E+00  0.32439952E-04  0.37577366E-09

    0.14339074E+01

    cost efficiency estimates :

    firm             eff.-est.

    1           0.10000000E+01

    2           0.10000000E+01

    3           0.10000000E+01

    4           0.10000000E+01

    5           0.10000000E+01

    6           0.10000000E+01

    7           0.10000000E+01

    8           0.10000000E+01

    9           0.10000000E+01

    10           0.10000000E+01

    11           0.10000000E+01

    12           0.10000000E+01

    13           0.10000000E+01

    14           0.10000000E+01

    15           0.10000000E+01

    16           0.10000000E+01

    17           0.10000000E+01

    18           0.10000000E+01

    19           0.10000000E+01

    20           0.10000000E+01

    21           0.10000000E+01

    22           0.10000000E+01

    23           0.10000000E+01

    24           0.10000000E+01

    25           0.10000000E+01

    26           0.10000000E+01

    27           0.10000000E+01

    28           0.10000000E+01

    mean efficiency =   0.10000000E+01

    展开全文
  • 论文研究-环境、风险与企业技术效率:基于改进型三阶段DEA模型.pdf, 针对传统企业效率评估方法没有考虑内生风险和外生环境等不足,基于风险和环境双重视角的改进型三阶段...
  • (一)不变规模报酬下的投入共享的两阶段关联DEA 假设有n个决策单元,每个决策单元有投入变量m个要素,最终产出变量s个要素,中间变量有q个要素。 (二)规模报酬可变下的投入共享的两阶段关联DEA 规模报酬可变...
  • 它创造性地引入了两阶段共享输入数据的DEA模型,并基于上述评估指标体系构建了评估模型。 本文对包括合肥在内的长三角地区创新型城市进行了实证分析,得出了创新效率差异,并为分析结果提出了对策和建议。
  • 论文研究-基于集中式模型的我国各地区及大... 此外, 从规模收益角度来看, 大部分地区整体处于规模收益递减阶段, 大多数地区的第一和第产业均处于规模收益递增阶段, 绝大多数地区的第二产业已处于规模收益递减阶段.
  • 运用能够消除环境变量和随机误差影响的改进DEA模型三阶段DEA模型对我国城市商业银行的经营效率从技术效率、纯技术效率和规模效率三个方面进行了全面系统的实证研究。同时,以国有银行和全国性股份制上市银行的三种...
  • 数据包络分析(Data Envelopment Analysis)和灰色关联度分析(Grey Relational Analysis)混合方法,称为ANP-DEA-GRA三阶段评价模型,该方法能利用各方法的优势,实现多指标、多方案的综合排序。分析了基于协同创新...
  • 我国寿险业经营效率的研究,张丽花,,本文采用DEA三阶段法研究了我国寿险业2002-2006年的经营效率,实证结果表明:(1)寿险业是一个受环境因素及统计噪音影响极大的行业�
  • front41.exe

    2020-07-21 17:35:34
    计算三阶段DEA用的。
  • 阶段,先 merge 到 dev-0 分支,再 merge 到 master 分支并打上 tag。 * 64a5d64 Merge branch 'dev-0' for Version 5 |\ | * 973dea3 Merge branch 'v5' into dev-0 for v5 | |\________________________________...
  • 低碳约束下湖南物流产业效率及节能潜力分析,谭跃雄,李雨露,文章将低碳约束引入物流效率评价体系,收集了2007-2016年湖南和周边地区的物流数据,使用三阶段DEA及Malmquist模型从空间和时间上分析了
  • 采用三阶段DEA模型测度出中国高新技术产业17个行业的平均创新效率,并将其分解为配置效率和研发效率.在此基础上得出我国高技术产业的创新效率的特点:第一,平均创新效率较低主要是由于低配置效率所导致;第二,...
  • 大行业动态预测【全国房地产、汽车、软件信息服务业相关指数及可视化】 基于DEA的企业风险模型,从财务风险、经营风险、技术风险、战略风险四维一级指标进行刻画。 贷后预警模型 第二阶段研发工作【180613--180830...

空空如也

空空如也

1 2
收藏数 26
精华内容 10
关键字:

dea三阶段