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 ...

博弈交叉DEA模型介绍：为什么它比传统交叉效率更稳、更有说服力、更适合高质量评价 一、很多人不是不会做 DEA，而是做完以后，结果不够稳，也不够好讲 做 DEA 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： 多个 DMU 都有效率前沿时，怎么进一步区分优劣？ 传统 CCR/BCC 效率值一样时，排序依据到底是什么？ 交叉效率算出来了，但不同权重方案下结果不唯一，怎么解释？ 同一个数据集，为什么不同软件、不同求解器会给出不完全一样的排序？ 面向项目汇报、论文答辩、横向交付时，怎样证明自己的排序结果更稳、更合理？ 这类问题的核心，不在于 DEA 不能用，而在于： 传统 DEA 在“区分有效单元”和“给出稳定排序”这件事上，往往还差最后一步。 而 博弈交叉效率 DEA（DEA Game Cross-Efficiency Model） 的价值，恰恰就在这里。 它不是简单再换一个评分公式，而是把 DMU 之间的相互评价过程，提升为一个带有博弈结构的协调优化问题。 这使得结果不只是“算出来”，而是更接近： 有竞争含义 ...

RDA分析可视化工具介绍：把排序分析从“会算”变成“会看、会讲、会导出” 一、很多人不是不会做 RDA，而是做完之后不容易把结果讲清楚 做生态学、环境科学、微生物组、土壤学、水环境、植物群落或多指标响应分析的人，对 RDA 并不陌生。 大家常见的研究问题往往是这一类： 环境因子到底解释了群落或指标变化的多少？ 哪些环境变量是主要驱动因素？ 样点之间的差异，更多来自环境梯度，还是来自分组结构？ 排序图上点、箭头、分组椭圆分别该怎么解释？ 怎么把结果整理成既规范又好展示的图和表？ 很多时候，真正的难点不在“RDA 能不能跑出来”，而在于： 数据导入是否顺手； 模型设置是否清楚； 图表输出是否足够直观； 结果表能不能直接用于论文或汇报； 非编程用户是否也能稳定复现流程。 也就是说，研究者真正需要的，往往不只是一个 vegan::rda()，而是一套从数据输入、模型运行、结果展示到图表导出的完整分析界面。 这正是这款 RDA 分析可视化平台（vegan + shiny + Electron）想解决的问题。 二、RDA 到底适合解决什 ...

这次复现的是哪篇论文？ 这次复现的论文是： Zhu, W., Huang, Y., & Yu, Y. (2023). DEA model for partial centralization resource allocation among independent subset of DMUs. Computers & Industrial Engineering, 176, 109013. 作者分别是： Weiwei Zhu Yanjie Huang Yu Yu 期刊是 Computers & Industrial Engineering，属于运筹优化、管理科学、工业工程方向比较常见的期刊。 这篇文章的关键词也很直接： Partial centralization Incentives Data envelopment analysis 简单说，它讨论的不是传统那种“只算效率值”的 DEA，而是： 在分组管理、局部集中治理的情形下，如何把 DEA 效率评价和资源再配置结合起来，做一个兼顾效率与公平 ...

GDIM模型工具介绍：当LMDI不够用时，如何做更通用的因素分解？ 一、很多研究不是不会算，而是“想分解的关系比常规模型更复杂” 做能源、碳排放、资源环境或产业经济分析的人，通常都会遇到这样一类问题： 总量为什么变了？ 到底是产出增长推动了变化，还是效率改善抵消了变化？ 能源、投资、碳强度、能耗强度这些因素，各自贡献了多少？ 如果变量之间不仅仅是简单连乘关系，还包含多个恒等式约束，该怎么分解？ 在很多常规研究里，LMDI 已经很好用。 但一旦模型结构更复杂，尤其是出现以下情况时，研究者往往会发现传统做法开始吃力： 分解因子不止 3 个、4 个，而是更多； 因子之间存在多重恒等关系； 目标指标并不是单一路径能表达清楚； 希望分解结果既严谨，又能够解释“约束条件下各因素的净贡献”。 这时候，GDIM（Generalized Divisia Index Method，广义迪氏指数分解）的价值就体现出来了。 它要解决的问题，不只是“把变化拆开”，而是： 在更一般、更复杂的结构约束下，仍然能够对总量变化进行规范分解。 而今天这款 GDIM ...

LMDI分解模型介绍：为什么很多能源与碳排放研究都在用它？ 一、为什么很多“总量变化分析”，最后只看到了结果，却看不清原因？ 在很多研究和项目里，我们经常会遇到这样一种问题： 能源消费为什么变了？ 碳排放为什么上升了或者下降了？ 产出增长背后，到底是效率改善在起作用，还是结构变化在起作用？ 同样是总量变化，不同因素各自贡献了多少？ 如果只看期初和期末的总量差异，我们当然能知道“变了多少”，但往往很难进一步回答： 这部分变化，究竟是谁造成的？ 这正是分解分析方法存在的意义。 而在众多分解方法里，LMDI（Logarithmic Mean Divisia Index，对数平均迪氏指数分解）之所以被广泛使用，一个很重要的原因就在于： 它不仅能把总变化拆解到各个驱动因素上，而且分解结果通常更稳定、解释也更清晰。 所以在能源、环境、碳排放、产业结构、技术进步等研究里，LMDI 一直都是非常常见的一类工具。 二、LMDI 到底是在解决什么问题？ 如果用一句话来概括，LMDI 解决的是这样一类问题： 当一个指标在两个时期之间发生变化 ...

双边界网络DEA模型复现介绍：为什么它更适合评估供应链的可持续效率？ 一、为什么很多供应链效率评价，做出来总觉得“不够像真实业务”？ 很多人在做供应链评价时，最常见的处理方式是： 选几项投入； 选几项产出； 把整条供应链当成一个整体； 最后算出一个综合效率值。 这种做法当然有用，但问题也很明显。 因为真实的供应链并不是一个“黑箱”。 从供应商，到制造商，再到分销商，中间往往经历了多个环节； 每个环节既有资源消耗，也有中间产品流转，还可能伴随着污染排放、能耗增加等不受欢迎的结果。 这时候如果仍然只用一个“总投入—总产出”结构去评价，就很容易出现一个问题： 结果能反映总体表现，但很难真正体现供应链内部各阶段的运作逻辑。 尤其是在“绿色供应链”“可持续供应链”这类场景里，这个问题会更突出。 因为你不仅要看赚了多少、产出了多少，往往还要同时考虑： 中间产品流是否顺畅； 各阶段衔接是否高效； 不期望产出（比如 CO₂ 排放）是否被控制； 一个对象到底是“真正优秀”，还是只是“没那么差”。 而这篇文章使用的 双边界网络 DEA 模型， ...

动态综合评价模型复现介绍：为什么“纵横向拉开档次法”更适合做连续年份评价？ 一、做综合评价，为什么很多方法一到“多年数据”就不够用了？ 很多人做综合评价时，手里拿到的并不是某一年的截面数据，而是连续几年的数据。 比如： 城市高质量发展评价； 区域创新能力比较； 企业经营绩效跟踪； 医院、学校、园区、银行网点的连续年度考核； 各类政策实施效果的动态观察。 这时候最常见的问题是： 如果每一年单独评价，确实能得到当年的排序；但这些结果放到一起，往往并不真正可比。 原因很简单。 如果你每一年都单独定权重，那么今年最重要的指标、明年最重要的指标、后年最重要的指标，可能根本不是同一套标准。这样算出来的“动态变化”，有时候并不是对象真的变了，而是评价尺子也跟着变了。 这正是很多动态评价工作中最容易被忽视、但又最关键的问题。 而这篇文章提出的 “纵横向拉开档次法”，恰恰就是为解决这个问题而设计的。 二、这篇文章研究什么？ 这次复现的论文是： 《一种新的动态综合评价方法》。 文章提出了一种面向多时点、多指标数据的动态综合评价模型——纵横向拉开档次 ...