精华内容
下载资源
问答
  • 测算超效率SBM模型的matlab代码,可以加入非期望产出
  • 一用法用来干什么什么时候用 二步骤前因后果算法的步骤公式 三程序 四举例 五前面国赛用到此算法的备注一下;1 pi j ? 0, i, j ? 1, 2, , N 即每个元素非负 ;1 ;连续滞销的概率 ; ;6;7;8;如果我们按公式7继续逐步求 ...
  • 运用MATLAB实现包含非期望产出的sbm模型运行代码,是截面数据
  • SBM_DEA 1_dea代码_matlabdea_matlabSBM_matlab做SBM_超效率SBM模型_源码.zip
  • 内包含SBM经济效率等各类经济效率计算原理和直接运行的操作代码以及数据及学习课件资料,请结合博文使用
  • 超效率SBM SBM本身就是非径向模型(non-radial model),想要了解径向超效率的请自行去前面翻阅。 上篇文章说到super-SBM的一个模型,公式为: 这个模型是分式模型,我们可以通过charnes cooper变换,将其转变成为: ...


    这段时间差不多忙完了,终于有时间可以来经营我的博客了。
    上阵子挺多人私信我,原谅我记性不好,可能没有回复全。
    这篇文章是超效率的扩展。

    超效率SBM

    SBM本身就是非径向模型(non-radial model),想要了解径向超效率的请自行去前面翻阅。

    上篇文章说到super-SBM的一个模型,公式为:
    在这里插入图片描述

    这个模型是分式模型,我们可以通过charnes cooper变换,将其转变成为:
    在这里插入图片描述

    在这里插入图片描述

    python代码(部分)

    在编程过程中,本来我以为第一个模型是无法出结果的,但是很无语的是,是我有bug了。这里就附上第一个模型的超效率核心部分代码(第二个也是差不多,万变不离其宗)。

    首先,数据为:
    在这里插入图片描述

        def __SBM_super_C(self):
            for k in self.DMUs:
    
                MODEL = gurobipy.Model()
    
                fi = MODEL.addVars(self.m1)
                lambdas = MODEL.addVars(self.DMUs)
                fo = MODEL.addVars(self.m2)
                t = MODEL.addVar()
    
                MODEL.update()
    
                MODEL.setObjective(t + t/self.m1 * quicksum(fi[j] for j in range(self.m1)), sense=gurobipy.GRB.MINIMIZE)
    
                MODEL.addConstrs(quicksum(lambdas[i] * self.X[i][j] for i in self.DMUs if i != k)
                                 <= (1+fi[j]) * self.X[k][j] for j in range(self.m1))
                MODEL.addConstrs(quicksum(lambdas[i] * self.Y[i][j] for i in self.DMUs if i != k)
                                 >= (1-fo[j]) * self.Y[k][j] for j in range(self.m2))
                MODEL.addConstr(t-t/self.m2 * quicksum(fo[j] for j in range(self.m2)) == 1)
    
                MODEL.setParam('OutputFlag', 0)
                MODEL.setParam("NonConvex", 2)
                MODEL.optimize()
    
                self.Result.at[k, ('效益分析', '效率')] = MODEL.objVal
            return self.Result
    

    首先是用最基本的SBM模型对所有DMUs进行分析,结果如下,前四个DMUs是SBM有效的:

        效率(SBM)       有效性      类型
    A         1    SBM 有效  规模报酬固定
    B         1    SBM 有效  规模报酬固定
    C         1    SBM 有效  规模报酬固定
    D         1    SBM 有效  规模报酬固定
    E      0.42  非 SBM 有效  规模报酬固定
    F  0.571429  非 SBM 有效  规模报酬固定
    
    

    然后为深入了解前四个DMUs中哪个更好,针对这四个,做超效率-SBM模型分析。(注意此时得到的E、F值不用,用基础SBM中得到的效率值。

          效益分析
            效率
    A  1.14286
    B  1.16383
    C  1.08824
    D    1.125
    E        1
    F        1
    
    

    最终,整合后得到的效率值应该是:

          效益分析
            效率
    A  1.14286
    B  1.16383
    C  1.08824
    D    1.125
    E     0.42
    F 0.571429
    
    

    这个例子是来自于书本的(Data Envelopment Analysis 2th Edition),书中给出了结果,与复现结果是一致的。
    在这里插入图片描述

    展开全文
  • 可计算VRS下超效率SBM

    2021-11-06 18:53:54
    matlab代码,傻瓜式操作,把自己的数据复制进去即可
  • 2. 武汉大学 遥感信息工程学院,湖北 武汉 430079)“【摘要】在引入非期望产出的基础上,利用Super-SBM-Undesirable模型测度2006~2015年东北地区34个城市的工业用地效率值并利用空间自相关分析其分异情况,进而...

    作 者 信 息

    张雅杰1,陶韦华1,张 丰2,刘辉智1

    (1. 武汉大学 资源与环境科学学院,湖北 武汉 430079;2. 武汉大学 遥感信息工程学院,湖北 武汉 430079)

    【摘要】在引入非期望产出的基础上,利用Super-SBM-Undesirable模型测度2006~2015年东北地区34个城市的工业用地效率值并利用空间自相关分析其分异情况,进而选择固定效应面板模型进行溯因。结果表明:①东北地区城市工业用地效率总体上处于低效水平,且大部分地区工业用地效率呈现先上升后降低的态势;②东北地区城市工业用地效率水平总体上呈现空间正相关,但相关程度偏低,空间集聚现象以LL型为主,且集中分布在黑龙江省的东部和东北部;③对于东北地区城市工业用地效率而言,工业化程度和对外开放水平具有显著的正向作用,而工业国有化程度具有显著的负向作用,地区经济水平具有并不显著的改善作用;由于数据的局限性,对外交通水平并没有体现出预期的正向影响。

    【关键词】工业用地效率;非期望产出;SBM模型;东北地区

    【中图分类号】F301.4   【文献标识码】A   【文章编号】1672-1586(2019)05-0029-06

    引文格式:张雅杰,陶韦华,张 丰,等. 兼顾非期望产出的工业用地效率测度、分异与溯因——以东北三省为例[J].地理信息世界,2019,26(5):29-34+40.

    正文

    0 引 言

    改革开放以来,我国实现了由农业大国到工业大国的历史性转变,现阶段整体上已经进入到了工业化发展的中后期,党的十八大提出的“到2020年基本实现工业化”目标也在咫尺。然而东北地区,昔日凭借丰富的自然资源和健全发达工业体系无条件支援全国其他地区建设,改革开放后,由于贫血性输血,缺乏产业升级,东北地区成为全国最落后的地区。虽然国家在2003年提出振兴东北老工业基地,但实施效果并不理想。2017年辽宁省、吉林省和黑龙江省分别以4.2%、5.3%和6.4%的GDP增速位列全国31个省市的倒数水平。因此,全面细致把握东北目前工业用地利用现状,对于东北地区乃至全国经济发展都很有必要,并且迫在眉睫。

    工业用地作为一种生产性的建设用地,其研究最早始于18世纪。国外在工业布局方面理论研究较为丰富,且基本是以Weber的工业区位论为基础;由于国外偏高的工业用地价格,国外学者对于工业地价的影响因素和估计方法进行了大量研究;对于工业用地效率,国外学者主要从产权、规划、城市规模等方面进行分析。相对地,国内学者对于工业用地效率的研究较晚,但发展迅速。随着近些年对城市工业用地效率的研究不断深入,在研究尺度上,从全国尺度到开发区尺度再到微观企业尺度均有涉及,但大多研究都集中在省域尺度;在研究方法上,起初多采用单指标来表征,至今现有研究多将土地产出直接量化或者从投入-产出角度建立指标体系采用数据包络分析方法进行模型测度;在驱动力分析方面,目前国内对于工业用地效率影响因素的实证分析较少,且大多集中在近几年,大多学者都采用回归分析的方法,主要从经济水平、科技水平、开放水平等方面选取变量进行影响因素分析。

    工业用地作为建设用地中占比最大的生产性用地,其在生产过程中不仅仅只是包含着经济产出,也包括工业污染这一非期望产出,工业三废作为当前主要的环境污染源,而当前鲜有研究将其考虑在内。基于此,本文尝试引入“工业污染”这一非期望产出对东北地区城市工业用地效率进行测度与分析,同时以中观尺度分析的地级市为研究单元,基于10年的时间跨度,在构建面板数据的基础上采用趋于成熟的超效率SBM模型和空间计量分析方法对东北地区城市工业用地效率进行测度与时空演化分析,并构建面板数据模型对选取的影响因素进行检验分析。

    1 研究区概况、研究方法与数据来源

    1.1 研究区概况

    研究区为东北三省共计34个地级市(延边州和大兴安岭地区无数据,故未计入),具体包括:辽宁省14个地级市(沈阳、大连、鞍山、抚顺、本溪、丹东、锦州、营口、阜新、辽阳、盘锦、铁岭、朝阳、葫芦岛),吉林省8个地级市(长春、吉林、四平、 辽源、通化、白山、松原、白城),黑龙江省12个地级市(哈尔滨、齐齐哈尔、鸡西、鹤岗、双鸭山、大庆、伊春、佳木斯、七台河、牡丹江、黑河、绥化)。

    1.2 研究方法

    1.2.1 Super-SBM-Undesirable模型

    数据包络分析(Data Envelopment Analysis,简称DEA)是一种多输入多输出的分析方法,即要素投入与产出之间的相对效率评价的系统分析方法。其特点在于无需提前确定函数关系、无序主观赋权以及可以分析决策单元(DMU)的无效因素指标等,现已成为评价相对效率的主流技术方法。本文将采取考虑非期望产出的超效率SBM模型对于东北地区34个城市工业用地效率进行测度,公式如下:

    cc261d5d5a21ed682bdda23849a273da.png

    式中,b42699d12fcd39c8d7166c93e742b3a3.png表示第i 个决策单元的效率;m 表示投入,r1表示期望产出,r2表示非期望产出,向量形式分别为decb3ecc7345349340d37b8b60736ba0.png

    1.2.2 空间自相关

    空间自相关是指变量在同一分布区内观测数据间潜在的空间相互依赖性,反映一个区域单元的某种属性或者现象与其邻近区域单元的相关程度。全局空间自相关是对属性或者现象在全域范围内空间特征的描述,可有效揭示空间数据分布的特点,因此本文中采用空间自相关指数Moran's I及Local Moran's I分别衡量东北地区城市工业用地效率的空间关联及差异程度与局域关联模式,公式如下:

    b37a6eb95a9c938700fa6f0d20d0c2e6.png

    式中,I 为Moran指数;n为区域空间单元总数;xixj分别为空间属性在区域ij 上的观测值;633598689f411b2aac5107549226bc86.png是指空间属性在区域内的平均值;Wij为区域空间单元ij之间的空间权重矩阵;ac4470891adcf25fd391647d4ffd09ed.png

    1.2.3 面板数据模型

    基于面板数据可有效控制不可观测变量引起的估计偏差,并针对时间序列数据扩大样本信息量,提高估计有效性的特点,本文以考虑非期望产出的城市工业用地效率为被解释变量,构建检验东北地区34个城市2006~2015年城市工业用地效率影响因素的面板数据模型,如公式(4)所示。其中人均GDP和道路交通设施用地面积为绝对指标,因此对这两个变量取自然对数以消除异方差使数据更具平稳性。

    65745ca3bbc8f6444322b5ea3da4a3fb.png

    式中,i =1,…,N ,表示有N个研究个体;t =1,…,T,表示有T 个研究年份;αi是随机变量,表示对于i 个个体有i个不同的截距项;γt表示对于t个年份有t个不同的截距项;9bc616466c3985cd6bbe4cbf5decc4aa.png为有k 个自变量即个体i 在时点t 的观测数值;β为系数或弹性系数;εi ,t为各个体i 在各年份t 的随机误差项。

    1.3 数据来源

    限于数据的可得性,且以城市中的工业用地为研究对象,本文采用《城市用地分类与规划建设用地标准》(GB50137-2011)规定的工业用地内涵,并在考虑工业污染这一非期望产出的基础上,将工业用地效率定义为城市工业用地在区域配置和开发使用时,其获得经济产出的实现能力和造成环境污染的影响程度。

    为使Super-SBM模型测度工业用地效率的结果及分析更加科学,本文构建2006~2015年东北省34个地级市的面板数据模型,从投入和产出两方面尽可能选取相互独立的变量,变量定义及数据来源见表1。

    表1 变量定义及数据来源

    Tab.1 The definition of variables and data sources

    063309529914d33f0faded9acda28746.png

    2 东北地区城市工业用地效率测度评价及分异分析

    2.1 城市工业用地效率测度及聚类

    本文利用Super-SBM模型测算东北34个地级市2006~2015年城市工业用地效率,其中大部分地区效率值在2006~2015年呈现先上升后降低的态势,沈阳、大连、大庆、长春、盘锦等城市效率值明显优于其他城市。为了解各地级市工业用地效率的空间差异特征,选取2006年、2010年和2015年东北地区34个城市工业用地效率值进行系统聚类,将34个地级市划分为城市工业用地利用高效区、中效区和低效区。

    结合表2、图1可以看出,2006~2015年期间,东北地区城市工业用地效率空间格局总体上表现为低效层次的空间发展,整体呈现出高效区先增加后减少、中效区逐渐增加、低效区先减少后微增的空间格局。具体如下:①高效区城市占全区域数量的比例由2006年17%增加到2010年29%,到2015年下降至17%。从空间上看,高效区城市在空间分布上较为集中,主要分布在大连以及辽宁北部和吉林南部的部分城市,其中沈阳、长春作为省会城市,工业经济十分发达,且具有一定的带动效应和空间辐射能力。②中效区城市增加,全区占比由2006年9%上升到2015年32%。从空间上看,中效区城市主要分布在黑龙江和吉林部分地区,其中哈尔滨作为省会城市,其工业用地效率的增长带动了黑龙江省其他城市效率的增加。③低效区城市数量由2006年25个减少到2015年的17个,东北地区城市工业用地效率有一定程度的提升,但总体还是处于低效层次且低效率类型城市在空间上主要分布在黑龙江省东北部和辽宁省的大部分地区。

    表2 城市工业用地效率聚类分区

    Tab.2 The clustering partition of urban industrial land use efficiency

    b51f9847faaa9b9ccabd8ed9300f57c6.png

    fd55d779363e1e603d2b087a75b6a997.png

    图1 城市工业用地效率聚类分区

    Fig.1 The clustering partition of urban industrial land use efficiency

    2.2 东北地区城市工业用地效率分异分析

    2.2.1 工业用地效率全局空间分异

    根据2006~2015年东北地区城市工业用地效率计算各年份的全局空间Moran指数M(I),见表3(表中**表示在5%水平下显著;***表示在1%水平下显著)。其结果均在95%以上置信度水平上显著,具有一定的科学性。

    表3 全局空间自相关分析结果

    Tab.3 Results of global spatial autocorrelation analysis

    f5a7a30bdb11d5f2f7c479d609889d1b.png

    从表3可以看出,研究时段内M (I )数值为正且大部分年份处于0.1~0.2之间,变化幅度比较平稳,说明东北地区城市工业用地效率水平长期维持着较低水平的空间正相关形态,一定程度上表现为高-高效率聚集或者低-低效率聚集的空间格局。由于各城市之间在工业生产和工业用地利用方面缺乏有效的工业协同发展和区域一体化发展机制,在空间关系形态中两种空间相关关系分布均不广泛,整体上更趋向于随机分布,区域关联特征不明显。从时间序列上来看,2006~2015年东北地区城市工业用地效率M (I )总体上呈现出先增大后减小的“倒V”型发展形态;2006~2012年东北地区城市工业经济呈现出一定的地域联动效应,工业用地效率与空间分布的正相关性程度逐渐增强;2012~2015年,随着中国城镇化以及第三产业的蓬勃发展,东北地区部分工业基础薄弱的地区工业经济受创,导致工业用地效率与空间分布的正相关性程度逐渐减弱。

    2.2.2 工业用地效率局部空间分异

    利用Geoda软件分析2006~2015年东北地区城市工业用地效率关联类型并选取2006年等5个年份绘制相应年份的LISA(Local Indicators of Spatial Association,LISA)集聚图,如图2所示。其中,HH型表示工业用地效率水平高的城市聚集,空间趋同;HL型表示工业用地效率水平高的城市被效率水平低的城市包围,空间异质;LH型表示工业用地效率水平低的城市被效率水平高的城市包围,空间异质;LL型表示工业用地效率水平低的城市聚集,空间趋同。

    fcafc7cb8c8bbaa809ae30585f8a1acb.png

    图2 城市工业用地效率LISA集聚图

    Fig.2 The LISA cluster maps of urban industrial land use efficiency

    经分析可知,2006~2015年间,在95%置信度水平上东北地区城市工业用地效率水平空间集聚现象始终以LL型为主,且整体空间格局并未发生明显的变化,具体的市域关联类型演化特点如下:

    1)HH型城市数量较少,且基本保持不变,主要集中在辽宁省和吉林省境内。说明东北地区城市工业用地效率水平总体不高,且工业用地效率高的城市空间分布较为零散。其中松原在2006~2014年始终保持较高且平稳的工业用地效率值为HH型,而2015年工业用地效率值骤减则变为LH型。与此同时,辽宁省的大连、锦州、铁岭以及吉林省的长春、四平等城市均在一些年份为HH型城市。

    2)HL型城市数量变化不大,主要集中在省会城市和工业经济基础较好的地市。说明东北地区城市之间的工业联系不够紧密,工业发达且工业用地效率高的地区并没有对周边地区起到明显的辐射作用。其中沈阳、长春工业经济基础较好且发展较为稳定,在东北地区中心地位显著,省会城市资源集聚优势较为明显,由此工业用地效率较高,但对周边城市的扩散作用不明显,周边城市工业用地效率水平低,极易造成用地效率水平空间差异扩大化。HL型城市还包括大庆、锦州等资源丰富、工业基础较好的城市。

    3)LH型城市数量变化不显著,空间分布上基本位于省会城市长春、沈阳或工业经济基础较好地区的临近地区,这些城市存在一定的极化作用,会造成一定的虹吸效应导致工业用地低效率水平空间差异程度扩大,在一定程度上表现为周围高中间低的凹陷。

    4)LL型城市数量较多,且各年份均为城市工业用地效率的主导集聚状态,表明东北地区整体城市工业用地效率并不是呈现逐年改善的状态。LL型城市基本上位于黑龙江省的北部及东北部地区,且呈现集中分布的形态。这些地区位于东北地区边缘且处于国境线附近,对外联系不够紧密,且七台河、鹤岗、双鸭山和伊春等作为资源枯竭型城市,对于其工业用地效率的影响巨大。

    3 东北地区城市工业用地效率溯因

    3.1 变量选取与模型检验

    3.1.1 变量选取

    本文在对相关文献进行综述的基础上,从地区经济水平、工业化程度、对外开放水平、工业国有化程度及对外交通水平5个方面选取了东北地区城市工业用地效率影响因素及其变量,见表4(表中,***表示在1%的置信水平下显著),经过相关性计算分析,发现这些变量对于东北地区城市工业用地效率具有一定程度的影响。

    表4 影响因素及变量

    Tab.4 The influencing factors and variables

    5752ad28e24c510bc7025e598fc3dd9c.png3.1.2 模型检验

    为使检验结果更具科学性,本文采用混合OLS,固定效应面板模型和随机效应面板模型分别进行估计,模型估计结果见表5(表中,括号内为T统计量,*、**、***分别表示在10%、5%、1%的置信水平下显著)。由于混合OLS估计适用于不存在个体效应和时间效应的情形,会忽略不同地区和不同年份间的差异特性而导致估计结果的偏差,因此其估计值仅作参考。由固定面板中Hausman检验(原假设为随机效应,P =0.0476<0.05,为小概率,在5%水平上拒绝原假设)可以判断出东北地区城市工业用地效率影响因素的固定面板模型估计结果对研究问题更具有适用性(227e765168901c0da2240e874754efd4.png=0.44)。

    表5 面板数据估计结果

    Tab.5 Thr estimation results of panel data

    8935d805213a5a1ec123a13cd4af87cc.png

    3.2 结果分析

    1)地区经济水平的影响:检验结果表明地区经济水平即人均GDP对于东北地区城市工业用地效率改善具有正面作用,但是作用程度不高。一般而言,经济发展水平较高的地区其工业产业结构相对会更加合理,工业科技水平也相对较高,由此会对城市工业用地效率的改善具有显著的正向作用。究其原因是东北地区存在片面追求工业经济产值而忽视对于工业经济质量和生态环境质量的改善,从而导致地区经济水平难以带动工业经济的发展。

    2)工业化程度的影响:检验结果表明研究时段内东北地区工业化程度即地区工业总产值占GDP比重与城市工业用地效率呈显著性正相关。根据产业结构理论中的配第-克拉克定理,随着经济发展和人均国民收入水平的提高,劳动力和产业分布的重心会首先由第一产业转移到第二产业,然后再转移到第三产业。而考虑到中国已经进入到工业化后期的事实,本文的检验结果表明了东北地区的工业经济质量还不足以支撑它顺利进入工业化后期,东北地区城市工业经济发展规模需要得到进一步提高。

    3)对外开放水平的影响:检验结果表明研究时段内东北地区对外开放水平与城市工业用地效率呈显著性正相关。本文以外商直接投资占GDP比重来表征城市对外开放水平,在经验分析中,外商资本进入地区工业市场会激发当地的市场活力,有利于工业行业的优胜劣汰,从而迫使当地工业行业转变发展方式,更加关注自身单位用地产值,由此摒弃固有的粗放用地模式,树立节约集约用地理念,以此实现城市工业用地效率的提升。

    4)工业国有化程度的影响:检验结果表明研究时段内东北地区工业国有化程度与城市工业用地效率呈显著性负相关。本文认为这可能是由于国有工业企业用地多是以划拨方式取得的大面积用地,由此导致企业缺乏节约集约用地意识。根据相关资料统计分析,截止到2015年辽宁省的国有经济占比超过30%,吉林省超过40%,而黑龙江省则超过50%,远超全国平均水平,这实际上表明当前东北地区国有工业企业用地较为粗放,需要对其进行科学规划和引导,以改善东北地区城市工业用地效率。

    5)对外交通水平的影响:对外交通水平变量的弹性系数为-0.071,系数过小不具备经济显著意义;P 值为0.542,未通过显著性检验,且趋于随机,不具有统计意义。通过估计结果可以发现3种检验结果均显示对外交通水平对解释变量没有显著驱动意义,即对外交通水平对东北地区城市工业用地效率的影响基本可以忽略不计,与预期结果不一致。预期中对外交通水平应当与城市工业用地效率呈正相关,这可能是由于《中国城市建设统计年鉴》中的道路交通设施用地包括对外交通用地与道路广场用地,其中包含大量城市内部道路,而工业产品主要通过高速公路、海洋、航空等运输方式进行贸易,从而导致了结果的偏差。

    4 结束语

    本文首先利用Super-SBM-Undesirable模型对2006~2015年东北地区34个城市工业用地效率进行测算,并通过聚类等方法对其时空及差异变化进行具体分析;利用空间自相关方法从全局和局部揭示了东北地区城市工业用地效率时空演化特征;最后通过构建面板数据模型对其影响因素进行了检验分析。通过以上研究,得出以下主要结论:①2006~2015年期间,东北地区城市工业用地效率总体上处于低效水平,且大部分地区呈现先上升后降低的态势。在空间分布上,高效区主要集中在沈阳、长春等省会城市和大连、大庆等工业经济较为发达的地区,低效区主要集中在黑龙江省东北部和辽宁省部分地区。②2006~2015年期间,东北地区城市工业用地效率水平总体上呈现空间正相关,但相关程度偏低,各城市之间在工业生产和工业用地利用方面一直存在“各自为政、互不干涉”的局面,缺乏有效的工业协同发展和区域一体化发展机制。研究时段内空间集聚现象以LL型为主,且集中分布在黑龙江省的东部和东北部,整个区域的城市工业用地效率水平偏低。③通过面板数据模型对东北地区城市工业用地效率影响因素的检验分析发现:工业化程度和对外开放水平对东北地区城市工业用地效率改善具有显著的正向作用;而工业国有化程度对于工业用地效率具有双重显著的负向影响,地区经济水平的提高对于城市工业用地效率有一定程度的改善作用,但并不显著;可能由于数据的局限性,对外交通水平并没有体现出预期对于城市工业用地效率的正向影响。

    ca6d8196c1180dd0e988c735d8210a74.png

    本期回顾

    55bec1f3acc9d3c0cb2ee9369fd3e7ca.png

    文化遗产数字化修复

    · 机载LiDAR点云建筑物屋顶轮廓线自动提取研究综述

    · 融合多特征的兵马俑碎片分类技术研究

    · 基于高光谱影像的瞿昙寺壁画颜料层脱落病害评估

    邮箱变更声

    ·《地理信息世界》邮箱变更声明

    网站开通公告

    ·关于开通《地理信息世界》网站的公告

    诚聘特约审稿专家

    ·诚聘|《地理信息世界》诚聘特约审稿专家

    专题组稿

    ·约稿函|《地理信息世界》关于开辟“博士综述论坛”专栏的约稿函

    9a97b38494ebd601ac6d66c23155dab5.png

    451e30cc8c12150e10cb397e6841c287.png

    4686bc2cf6da1763180ef98025aec623.png

    b146b5d4d4aea4c54a43a80dbdc062a4.png

    53d63566a978b6f03ef2db7915b90460.png

    展开全文
  • 在测量绩效方面,DEA模型应用越来越广泛,DEA模型本身也在不断发展,超...本人论文中用到了包含非期望产出的三阶段超效率SBM模型,对方法有一定的了解,可分享交流,有偿帮测算。同时也能够运用数据分析软件如sps...

    在测量绩效方面,DEA模型应用越来越广泛,DEA模型本身也在不断发展,超效率,SBM等更加优化与实用。传统的DEA模型作用软件deap即可解决,操作简单快捷。包含非期望产出,超效率等模型需要如mydea maxdea matlab等软件解决,无法由deap软件解决。

    本人论文中用到了包含非期望产出的三阶段超效率SBM模型,对方法有一定的了解,可分享交流,有偿帮测算。同时也能够运用数据分析软件如spss stata R eviews等进行论文数据分析。

    2b6cda1dba9c395a60544cfc7af5dfb4.png

    538945b88bc92ad35954c0fa82282e1a.png

    d1e45f7a9f54d6e362a6576c9e7eee51.png

    58236a4bfac8f9665e924c937827d286.png

    e81692cc2e59bc601ed97f963b36fefb.png

    ff20e790c753f50e3717139e7ece4484.png

    76971cb5bbf4d917b2933bccb477a52a.png

    f114e036343e77be21cfb2fbf070a4c1.png
    展开全文
  • **matlab计算非期望产出sbm模型代码**

    千次阅读 热门讨论 2019-04-24 16:11:18
    matlab计算非期望产出sbm模型代码 data1=xlsread(‘E:\论文材料\毕业论文\02.xlsx’,1) data2=xlsread(‘E:\论文材料\毕业论文\02.xlsx’,2) data1 data2 X=[data1(1:7,1:30)] Y=[data1(8,1:30)] Z=[data1(9,1:30)] ...

    matlab计算非期望产出sbm模型代码

    data1=xlsread(‘E:\论文材料\毕业论文\02.xlsx’,1)
    data2=xlsread(‘E:\论文材料\毕业论文\02.xlsx’,2)
    data1
    data2
    X=[data1(1:7,1:30)]
    Y=[data1(8,1:30)]
    Z=[data1(9,1:30)]
    D=[data2(1:30,1:7)]
    E=[data2(1:30,8)]
    F=[data2(1:30,9)]
    n=size(X’,1);m=size(X,1);s=size(Y,1);q=size(Z,1);
    A=zeros(1,n+m+s+q+1);b=0;
    LB=zeros(n+m+s+q+1);UB=[];
    LB(n+m+s+q+1)=-Inf;
    for i=1:n;
    f=[zeros(1,n) -D(i,:) zeros(1,s) zeros(1,q) 1];
    Aeq=[X eye(m) zeros(m,s) zeros(m,q) -X(:,i)
    Y zeros(s,m) -eye(s) zeros(s,q) -Y(:,i)
    Z zeros(q,m) zeros(q,s) eye(q) -Z(:,i)
    zeros(1,n) zeros(1,m) E(i,:) F(i,:) 1];
    beq=[zeros(m,1)
    zeros(s,1)
    zeros(q,1)
    1];
    w(:,i)=linprog(f,A,b,Aeq,beq,LB,UB);
    end
    w
    lambda=w(1:n,:)
    s_minus=w(n+1:n+m,:)
    s_plusg=w(n+m+1:n+m+s,:)
    s_plusb=w(n+m+s+1:n+m+s+q,:)
    theta=w(n+m+s+q+1,:)

    展开全文
  • 严格来说,KANO模型并不是一个测量用户满意度的模型,而是对用户需求的分类,通常在满意度评价工作前期作为辅助研究的典型定性分析模型。 KANO模型的目的是通过对用户的不同需求进行区分处理,了解不同层次的用户...
  • 带有非期望产出的SBM模型(python)

    千次阅读 多人点赞 2021-01-22 16:08:29
    文章目录带有非期望产出的SBM模型(python实现)1.原理2.python代码3.使用案例 带有非期望产出的SBM模型(python实现) from scipy.optimize import minimize import numpy as np import pandas as pd import scipy....
  • 数据包络分析-超效率模型

    千次阅读 2020-12-23 18:18:54
    Data envelopment analysis--super-efficiency models模型CCR下的模型SBM下的模型注意python处理超效率模型 模型 一般在实际中,我们拿到一组数据,直接进行DEA计算,很容易发生一种情况,就是有大量的决策单元...
  • 传统的dea效率值只分为两部分,一个是小于1的部分,效率值为无效;一个是等于1的部分,效率值有效。对效率值为1的决策单元不能进行深入研究,似其实效率值...超效率dea模型与传统dea模型的区别在于,在对某一决策单...
  • ( 数据包络分析方法与 MaxDEA软件 ) 例如数据 表 2-4 产出导向 CCR模型例如数据 DMU x y1 y2 y1/x y2/x A 10 10 40 1.00 4.00 B 10 25 35 2.50 3.50 C 16 48 40 3.00 2.50 D 16 64 16 4.00 1.00 E 16 32 48 2.00 ...
  • DEA 是由 Charnes 等人于 1978 年首次提出的, 第一个 DEA 模型为 CCR 模型。 它的优点非常明显, 如指标数据无需 量纲化, 决策者无需掌握决策单元 (DMU) 的内部生产机制, 只需要投入和产出数据就可以对DMU 进行...
  • DEAP软件,用于DEA模型

    2014-09-25 11:16:20
    DEA投入产出模型的分析,尤其是CCR模型,很实用
  • 论文需要用SBM-GML模型来测算全要素生产率,想求一下用Matlab来进行操作的代码。面板数据,十年分行业。找了好多地方了,都没有找到能成功运行的…… 同时请问用代码进行测算的结果和用MAXDEA软件(需要花钱请别人测...
  • MaxDEA如何计算超效率DEA

    千次阅读 2019-09-29 15:49:45
    本文计算的是超效率DEA-BCC。 第一步,导入数据,设置输出和输出,点击OK; 第二步,运行模型; 在distance选项框中选择Radial:CCR(1978);BCC(1984)。 在Orientation中选择Non-oriented。其中,Input-...
  • 相较于往常的DEA模型,他有一个明显的区别。就是对于环境而言,有期望产出(desirable outputs)和非期望产出(undesirable outputs)。 对于这环境问题,我们想要的便是:更多的期望产出,更少的非期望
  • 基于松弛的实测效率SBM模型(Tone [2])和超效率模型(Tone [3])用于估计企业的效率。 Hsieh和Klenow [4]的方法用于衡量研究区域的错位。 该模型关于错配与效率之间关系的估计结果表明,代表错配的变量在所有...
  • DEA_Solver.rar

    2010-05-23 23:22:20
    例子包括:在不同的地理位置美國空軍基地的維護活動,或在英國和威爾斯警察的火力分配,賽普勒斯和加拿大銀行各分部的收益,美國、英國和法國的大學展現他們的教育和研究過程中的效率,這些種類的應用可以評價城市、...
  • DPS处理数据包络分析CCR、BCC、SBM、TFP等 很经典的描述,计算过程!
  • 本文利用Super-SBM方法对2000年至2016年中国30个省的绿色能源效率进行了测度,并将其引入空间经济模型,研究了绿色能源效率的收敛性。 结果表明:中国整体绿色能源效率随时间呈下降趋势,并由东向西逐渐降低。 这三...
  • 包括DEAp2.1 和DEAslover等几种计算DEA模型的软件,另附相关教程。
  • SBM_DEA 1_dea代码_matlabdea_matlabSBM_matlab做SBM_超效率SBM模型_源码.rar.rar

空空如也

空空如也

1 2 3 4
收藏数 65
精华内容 26
关键字:

超效率sbm模型