综合评价模型复现介绍：基于偏联系数-证据理论耦合的膨胀土胀缩性动态评价 一、论文基本信息 论文题目： 基于偏联系数-证据理论耦合模型的膨胀土胀缩性动态综合评价 作者： 刘秋燕、许小卫（安徽财经大学 管理科学与工程学院） 发表： 《兰州工业学院学报》2026, 33(3): 100–104 ｜ 文章编号: 2097-6909(2026)03-0100-05 基金： 安徽省高校科研计划重点项目（2023AH050267） 膨胀土吸水膨胀、失水收缩，每年造成的经济损失超过 900 亿元。要决定地基怎么处理，先得判定土体的胀缩等级。 论文的答案：用联系数的"同异反"把指标值与分级标准的符合/差异/对立关系量化，用证据理论把 5 个指标相互冲突的信息融合成一个概率分布，用距离函数把动态权重与熵权组合起来，最后用偏联系数把"定级"升级为"给出向邻近等级转化的趋势强度"。 二、模型骨架 模型由两个维度交叉而成，看懂这两个维度就看懂了全文。 维度一：两种权重（静态 + 动态） 静态权重 \(y\) 动态权重 \(w\) ...

DEA模型复现介绍：带有资源约束的模糊DEA线性生产博弈 一、论文基本信息 论文题目： 带有资源约束的模糊DEA线性生产博弈模型及分配 作者： 南江霞、吴小勇、李西娜、张茂军 发表： 《控制与决策》2023, 38(11): 3231–3241 ｜ DOI: 10.13195/j.kzyjc.2021.2179 三家云服务供应商各自有 CPU、内存、存储，都能把物理机虚拟成四种虚拟机。联合生产多出来的收益怎么分，才能让所有人都不退出联盟？ 论文的答案：用 DEA 让技术系数随数据动态变化，用模糊数 α-截集处理价格与资源的不确定性，用乐观/悲观双角度框出收益区间，最后用 α-核心锁住分配稳定性。 二、模型骨架 模型由两个维度交叉而成，看懂这两个维度就看懂了全文。 维度一：两种合作水平 合作水平 I 合作水平 II 共享内容 技术 + 资源 仅资源 技术集合 联盟全部观测 \(D(S)\) 局中人自身观测 \(D(i)\) 合作难度 高 低（现实中更普遍） 收益 高 低 ...

DEA模型复现介绍：非对称纳什-核心讨价还价成本分摊三模型 一、论文基本信息 论文题目： 基于非对称纳什合作博弈理论的DEA成本分摊研究（Cost allocation method using asymmetrical Nash bargaining DEA game） 作者： 王青筠（导师：孟凡永 教授） 单位： 中南大学 管理科学与工程 年份： 2024 年 5 月（硕士学位论文，71 页，2 图 18 表 83 篇参考文献） 同题英文期刊版： Fixed cost allocation using asymmetrical core-Nash bargaining DEA game, Journal of the Operational Research Society, 2023/2024 这篇论文做的是成本分摊里一个非常经典、又非常容易被做浅的问题： 一组同质的决策单元（DMU）共同使用一个平台、共享一套资源时，产生的共同成本应该怎么分，才能让所有人都愿意继续合作？ 它给出的答案是：把 DEA 的效率评价能力，和合作博弈的分配理论缝在一起 ...

动态综合评价模型复现介绍：具有趋优特征的动态综合评价方法 一、论文基本信息 论文题目： 具有趋优特征的动态综合评价方法及其应用 英文题目： Dynamic Comprehensive Evaluation Method with Approximate Optimal Feature and Its Application 作者： 何意雄 学位授予单位： 南昌大学 导师： 张发明 教授 答辩日期： 2017 年 5 月 27 日 类型： 硕士学位论文（技术经济及管理） 这篇文章讨论的是动态综合评价里一个很实在、但容易被绕过去的问题： 当我们要对同一批对象在多个时期的表现做综合评价时，各个时期的权重到底该怎么定？ 大部分做法要么"一视同仁"，要么按"厚今薄古"（越近的时期越重要）来赋权。 这篇论文说：还不够。还要看系统在哪个时期整体发展得更好。 也正是这一点，构成了全文的核心创新。 二、这篇文章解决了什么问题？ 传统 TOWA 算子的盲区 郭亚军教授提出的 TOWA 算子（时序加权平均算子），是动态综合评价里运用最广的信息集结工具。它用" ...

DEA模型复现介绍：负数据下的逆DEA-R模型 一、论文（章节）基本信息 来源： Advanced Topics in Inverse Data Envelopment Analysis: Approaches for Handling Ratio Data（SOLTANIFAR 等，2025） 第 8 章： Inverse ratio-based DEA models for input and output estimation in the presence of negative data（书页 221–247） 核心模型： 模型 (4.25)（效率评价）+ 模型 (8.1)（逆 DEA-R 产出估计） 实现： Julia + JuMP + HiGHS 这篇文章讨论的是 DEA 里一个既常见、又很难处理的经营决策问题： 如果一家机构下一期计划把投入增加 12.5%，同时要求「效率不降」，那么它的产出应该提高到什么水平？ 对很多管理者来说，这正是做预算、定目标、配资源时最想问的前瞻性问题——不是事后评价谁好谁差，而是事前告诉我该把产出定到多少。 ...

DEA模型复现介绍：Shannon熵提高DEA判别力的综合效率评价模型 一、论文基本信息 论文题目： Increasing the Discriminatory Power of DEA Using Shannon's Entropy 期刊： Entropy 年份： 2014 卷期页码： 16, 1571–1585 作者： Qiwei Xie, Qianzhi Dai, Yongjun Li, An Jiang 这篇文章讨论的是 DEA 里一个很典型、又有点“两难”的问题： 当变量数量相对于决策单元（DMU）数量过多时，传统 DEA 的判别力会急剧下降，很多 DMU 都被判成“有效”，无法区分、无法完整排序。如何在不丢失变量信息的前提下，把判别力提上来？ 这正是本文要解决的问题，答案就是——用 Shannon 熵做“加权聚合”。 二、这篇文章解决了什么问题？ 传统 DEA（以 CCR 为例）允许每个 DMU 在约束下自由选择对自己最有利的权重来最大化自身效率。这样带来的副作用是： 变量越多，权重空间的维数越高，越容易有更多 DMU 被判 ...

指标太多，DEA还怎么用？一种能自动“挑变量”的进攻型方法 做效率评价的人，几乎都遇到过这个尴尬。 明明想用数据包络分析（DEA）给一批对象打分，可指标一多，问题就来了：大家都变成有效了，分数全在 1 附近，谁也分不出高下。 这不是你不会用，而是 DEA 天生的毛病。它需要指标少、样本多，才有判别力。可实际情况往往反着来——评价对象就那么几十个，候选指标倒有上百个。 过去遇到这种情况，要么靠专家经验拍脑袋删指标，要么用主成分分析、相关系数这类统计办法做降维。但这些做法要么主观，要么跟 DEA 的初衷脱节。 今天想聊的，是把“选哪些指标”这件事直接做进 DEA 里的一种办法。它来自 2026 年发在 Expert Systems With Applications 上的一篇论文，叫 ACDEA，进攻型集中式 DEA 变量选择。 一、它的立场：进攻，而不是讨好 先看它跟传统做法最大的不同。 DEA 里常见的变量选择多是“仁慈型”——让每个评价对象挑对自己最有利的指标，尽量把大家都显得有效率。可大家都高效了，排名还有什么意义？判别力反而被牺牲。 ACDEA 反 ...

多源异构模糊决策模型复现介绍：HHFS-ORESTE + GRA-DEMATEL 低碳供应链合作伙伴选择 一、论文基本信息 论文题目： Blockchain-driven cooperative decision-making for low-carbon supply chain under multi-source heterogeneous decision information 期刊： Socio-Economic Planning Sciences 年份： 2026 DOI： 10.1016/j.seps.2026.102555 文中案例数据位置： Table 2--Table 8 这篇文章研究的是区块链驱动低碳供应链合作中的供应商选择问题。 它面对的不是一张全部由精确数值组成的普通评价表，而是下面这种更接近实际业务的数据环境： 区块链上的碳排放记录可以给出相对客观的数值； 供应商提供的信息可能是区间； 消费者或专家评价可能是模糊语言； 同一个指标下，决策者还可能存在犹豫，给出多个可能评价。 论文的核心问题可以概括为： 当供应商 ...

因果森林可视化工作台介绍：为什么它比平均效应分析更适合发现异质性影响、识别人群差异与做结果可视化展示 一、很多研究不是没有结果，而是只有“平均结果”，看不见差异在哪里 做经济学、管理学、公共政策和应用统计的人都知道，很多实证分析最后都会遇到一个很现实的问题： 总体平均效应显著，但不知道到底是哪些人群受影响更大； 一个政策、制度或管理措施看起来“有效”，但不同地区、不同年龄、不同收入群体的反应可能完全不同； 传统回归往往只能给出一个平均系数，难以展示“异质性究竟长什么样”； 普通机器学习虽然能预测，但很难直接把“处理效应差异”清楚展示出来； 在论文、答辩、汇报场景中，导师、评审、客户、领导更想知道的，往往不是“平均是否显著”，而是“影响到底差在谁身上”。 这类问题的核心，不在于模型跑不出来，而在于： 很多方法擅长估计平均效应，但并不擅长系统识别和展示个体或子群层面的异质性效应。 而 因果森林可视化工作台（Causal Forest Visualization Studio） 的价值，恰恰就在这里。 它不是简单把一个因果模型套上界面，而是把： ...

双重机器学习分析台介绍：为什么它比传统回归更适合高维控制、因果识别与经济学实证分析 一、很多人不是不会做实证，而是做完以后，识别不够稳，结果也不够好讲 做经济学实证的人都知道，真正麻烦的往往不是“模型能不能跑出来”，而是下面这些问题： 控制变量一多，传统回归结果就开始变得敏感； 想做因果识别，但模型设定一换，核心系数就明显波动； 面板数据里既有固定效应，又有非线性关系，普通线性回归很难兼顾； 机器学习预测效果不错，但很难直接回答“处理变量的因果效应到底是多少”； 面向论文、答辩、项目汇报时，别人最关心的不是你能不能预测，而是你的识别有没有说服力。 这类问题的核心，不在于回归方法不够多，而在于： 很多方法擅长预测，但并不天然擅长在高维、复杂设定下稳健识别因果效应。 而 双重机器学习分析台（Double Machine Learning Analytics Console） 的价值，恰恰就在这里。 它不是简单给传统回归换一个软件壳，而是把“高维控制 + 机器学习残差化 + 因果参数识别 + 重复分割稳健性分析”整合进一个更适合经济学研究流程的分析 ...