DEA模型复现介绍：NEEFDEA with bargaining-based selection 固定总和产出效率评价模型 一、论文基本信息 论文题目： A Nash bargaining-based selection approach in non-radial equilibrium efficient frontier DEA with fixed-sum outputs 期刊： Omega 年份： 2023 文中数据位置： Appendix F / Table 5 这篇文章研究的是固定总和产出 DEA 里一个更进一步的问题： 当固定总和产出的调整解不是唯一时，应该怎样从一组可行的均衡有效前沿解中，选出一个“合理、稳定、可解释”的最终方案？ 如果说前一类 fixed-sum DEA 文献重点解决的是“如何调整”，那么这篇文章进一步解决的是： 当可以调整的方案不止一个时，如何做选择。 这就是文中 bargaining-based selection（基于讨价还价的选择机制）的核心意义。 二、这篇文章解决了什么问题？ 在固定总 ...

DEA模型复现介绍：GEEFDEA固定总和产出效率评价模型 一、论文基本信息 论文题目： A generalized equilibrium efficient frontier data envelopment analysis approach for evaluating DMUs with fixed-sum outputs 期刊： European Journal of Operational Research 年份： 2015 作者： Min Yang, YongJun Li, Liang Liang 这篇文章讨论的是 DEA 里一个很典型、但又不太容易处理的问题： 当若干 DMU 的某类产出总量是固定的，应该如何进行公平、可比、还能排序的效率评价？ 比如奥运奖牌、固定预算、固定配额、固定总量资源分配等，都是典型的 fixed-sum outputs（固定总和产出） 问题。 二、这篇文章解决了什么问题？ 传统 DEA 默认产出可以自由扩张，但在固定总和产出场景下，这个假设不成立。 如果某个 DMU 的固定总和产出增加，就意味着别 ...

DEA模型复现介绍：共享权重逆向 DEA 合并分析模型（CSW-Inverse DEA） 一、论文基本信息 论文题目： A novel model for merger analysis and target setting: A CSW-Inverse DEA approach 期刊： Expert Systems With Applications 年份： 2024 作者： Mehdi Soltanifar, Mojtaba Ghiyasi, Ali Emrouznejad, Hamid Sharafi 这篇文章研究的是 DEA 在并购与合并分析中的一个很重要的问题： 当两个或多个同类决策单元（DMU）准备合并时，如何在给定目标效率的前提下，反推出合并后的投入与产出目标？ 传统 DEA 更擅长回答“谁有效率、谁无效率”； 而这篇文章进一步讨论的是： 如果组织已经决定推进合并，那么合并后的新单位应该达到怎样的资源配置与产出水平，才能实现预期效率目标？ 作者提出的核心方法是： 共享权重逆向 DEA 模型（CSW-Inverse DEA） ...

交叉效率SBM计算工具：让效率评估更客观、更准确 一、为什么需要交叉效率？ 在传统的数据包络分析（DEA）中，每个决策单元（DMU）都会选择对自己最有利的权重进行评估。这就像让学生自己出题、自己评分——结果往往过于"乐观"。 传统SBM模型的局限： - ❌ 多个DMU效率值为1，无法区分优劣 - ❌ 权重选择存在主观性 - ❌ "假有效"DMU难以识别 交叉效率的优势： - ✅ 每个DMU被所有其他DMU的权重评估 - ✅ 完全排序能力，避免并列第一 - ✅ 更客观、更公平的绩效评估 二、核心方法论：两阶段评估框架 第一阶段：自评估（Model 6） 使用基于松弛的度量（Slacks-Based Measure, SBM）模型计算每个DMU的自评估效率： \[ \begin{aligned} \rho_{dd} = \min \quad & \frac{1 - \frac{1}{m}\sum_{i=1}^{m}\frac{s_i^-}{x_{id}}}{1 + \frac{1}{s}\sum_{r=1}^{s}\frac{s_r^+}{y ...

交叉效率SBM计算工具：让效率评估更客观、更准确 基于Julia实现的高精度交叉效率SBM模型，完整复现国际顶刊算法 一、为什么需要交叉效率？ 在传统的数据包络分析（DEA）中，每个决策单元（DMU）都会选择对自己最有利的权重进行评估。这就像让学生自己出题、自己评分——结果往往过于"乐观"。 传统SBM模型的局限： ❌ 多个DMU效率值为1，无法区分优劣 ❌ 权重选择存在主观性 ❌ "假有效"DMU难以识别 交叉效率的优势： ✅ 每个DMU被所有其他DMU的权重评估 ✅ 完全排序能力，避免并列第一 ✅ 更客观、更公平的绩效评估 二、核心方法论：两阶段评估框架 第一阶段：自评估（Model 6） 使用基于松弛的度量（Slacks-Based Measure, SBM）模型计算每个DMU的自评估效率： \[ \begin{aligned} \rho_{dd} = \min \quad & \frac{1 - \frac{1}{m}\sum_{i=1}^{m}\frac{s_i^-}{x_{id}}}{1 + \ ...

DO指数模型概述 DO指数（Duranton-Overman Index）是由Duranton和Overman于2005年提出的产业空间集聚测度方法，它通过分析企业间的精确地理距离分布来识别产业集聚模式。与传统集聚指标相比，DO指数具有两大优势： 跨行政边界分析：基于实际地理坐标而非行政边界 统计显著性检验：通过反事实模拟建立置信区间 核心计算 1. 加权核密度估计 \[ K^{\mathrm{EMP}}(d) = \frac{1}{h \sum_{i=1}^{n-1} \sum_{j=i+1}^{n} (e_i + e_j)} \sum_{i=1}^{n-1} \sum_{j=i+1}^{n} (e_i + e_j) f\left( \frac{d - d_{i,j}}{h} \right) \] 其中： ei,ej：企业i和j的就业人数（规模权重） di,j：企业间地理距离 h：带宽（按Silverman准则计算） f：高斯核函数 2. 反事实模拟 通过若干次随机抽样构建置信区间 大数据计算瓶颈 当处理大规模企业数据时，DO指 ...

突破传统线性限制：部分线性函数系数模型解析 在经济学和金融学的实证研究中，变量间的复杂关系往往难以用简单的线性框架刻画。部分线性函数系数模型（Partially Linear Functional-Cefficient Models）应运而生，成为捕捉经济现象中非线性与异质性的利器。今天我们将结合Du等学者的最新研究，解析这一模型的理论特点与应用价值。 🔍 模型是什么？ 部分线性函数系数面板模型巧妙结合了线性结构与非参数灵活性，其基本形式如下： \[Y_{it}=Z^{\prime}_{it}\mathbf{g}(U_{it})+X^{\prime}_{it}\beta+a_{i}+\varepsilon_{it}\] 其中： - \(Y_{it}\)：被解释变量 - \(X_{it}\)：线性部分变量（系数\(\beta\)为常数） - \(Z_{it}\)：函数系数部分变量（系数\(\mathbf{g}(\cdot)\)随\(U_{it}\)变化） - \(U_{it}\)：决定系数变化的连续变量（如时间、收入水平等） - \(a_i\)：个体固定效应 ...

含有非期望产出的EBM模型及其改进模型 今天推出的是含有非期望产出的EBM模型及其两种改进模型。 参考文献：《基于数字经济要素组合的绿色全要素生产率提升研究中的模型》杜娟，张子承，王熠 本文构建了考虑非期望产出的改进EBM（epsilon-based measure）模型，并结合Malmquist指数测算了中国各省级行政区2016-2020年绿色全要素生产率指数。进一步运用模糊集定性比较分析方法，探索数字经济多个层级要素驱动绿色全要素生产率提升的组态效应。 原始EBM模型 原始的EBM模型由Tone和Tsutsui提出，综合考虑径向改进和非径向改进的混合距离函数。该模型充分利用投入和产出数据的信息，能够更加准确地衡量决策单元的相对效率水平。 \[ \begin{aligned} \min \rho_k = & \frac{\theta - \varepsilon_x \sum_{i=1}^{m} \frac{w_i^- s_i^-}{x_{ik}}}{\varphi + \varepsilon_y \sum_{r=1}^{s} \frac{w_r^+ s_ ...