今天介绍零和博弈DEA模型中比较常用的一种，基于SBM模型的ZSG-SBM模型。 在产出导向SBM 模型评价的基础上，产出导向ZSG-SBM 模型基于“零和收益”的思想对无效决策单元的非期望产出要素松弛量进行重新分配，以实现所有决策单元到达效率前沿，即实现了系统最优效率条件下对非期望产出的分配，其原理如下图所示： 其规划式如下： 需要的同学，可以联系微信canglang12002 参考文献：《中国“十三五”时期省际碳减排目标的效率分配》郭文，刘小峰，吴孝灵 往期推荐： 三阶段动态网络DEA(DNSBM)模型的实现 计算相对资源承载力模型的工具 基于参数化的方向性距离函数（DDF)估算污染物影子价格的工具 基于非期望产出的RAM 碳环境效率模型 使用遗传算法或NSGA2算法解决多式联运问题 莫兰指数计算小工具 Panda_DEA增加至强有效前沿最近距离-MinDS模型 QLab增加耦合协调度模型 广义SBM模型的matlab代码 QLab1.4正式发布！增加全排列多边形图示指标法 大量数据时的Dagum基尼系数分解工具 Panda-DEA_1 ...

今天要推出的是一个比较新的DEA模型，三阶段动态网络DEA模型。 传统的DEA（数据包络分析）模型处理关于多个输入与多个输出的决策单元（DMU）的相对效率的测量。这些模型的缺点之一是省略了DMU的内部结构。例如，许多公司由几个相互关联的部门组成，这些部门具有特定部门的输入和输出以及与其他部门的链接。为了反映现实世界，后来有学者开发了网络DEA模型，使用链接变量考虑DMU的内部结构。此外，公司的活动通常会持续多个时期。开发动态DEA模型是为了使用结转变量从长期角度评估DMU的性能。 今天提出的三阶段动态DEA(DNSBM)模型，是一种将这两个DEA模型相结合的模型，称之为动态网络DEA。这种组合模型不仅使我们能够获得整个观测周期内DMU的整体效率，而且还可以进行进一步的分析，即观测DMU的周期效率的动态变化。 其结构大致如上图所示，其中Link是不同Division之间的链接变量，Carry-Over是不同时期之间的结转变量。 其约束大致下： 其中链接变量和结转变量分为四种情况，具体在运用该模型的时候，根据实际情况，添加该情况对应的约束即可。 下面是目标函数： ...

今天推出的是计算相对资源承载力模型的工具，文献参考自《相对资源承载力模型的改进及其实证分析》黄常锋，何伦志 1921年人类生态学家Park和Burgess提出承载力（Carrying Capacity）概念，即“某一特定环境条件下（主要指生存空间、营养物质、阳光等生态因子的组合），某种个体存在数量的最高极限” 。该理论最早被引入草原管理应用中，相应提出草地承载力、最大载畜量等相关概念。 2000年国内学者黄宁生等提出了相对资源承载力概念，并以广东省为例分析了该省的相对资源承载力与可持续发展情况。相对资源承载力理论提出后，引起了国内许多学者和专家的研究兴趣并被他们广泛借鉴用来对区域可持续发展情况。 具体如下： AS1 具体的判断标准如下： （1）超载：指实际人口数P大于可承载人口数量Cs，即P - Cs > 0。 （2）富余：指实际人口数P小于可承载人口数量Cs，即P - Cs < 0。 （3）临界：指实际人口数P等于可承载人口数量Cs，即P - Cs = 0。 参考文献对该模型进行改进： 第一：在原模型计算相对土地资源承载力和相对经济资源承 ...

影子价格定价方法是测算污染物边际减排成本的重要方法之一。计算污染物影子价格的思路是将污染物视为生产活动过程中为了生产社会所需要的产品时产生的副产品(undesirable output), 即非合意产出。根据生产过程中合意产出与非合意产出之间的数量替代关系以及合意产出的市场价格, 计算得到污染物的影子价格。 污染物的影子价格定义为减少一个单位非合意产出所需要放弃的合意产出的机会成本。污染物的影子价格是环境政策制定者重点关注的价格信息, 因为它可以为污染排放权交易和环境税提供重要的参考信息。 早期影子价格研究中超越对数形式的谢泼德距离函数占据了很大比例，而方向性距离函数（DDF）则是目前主流的影子价格模型，这是因为DDF函数下期望产出和非期望产出的数量能够向不同方向变化，可同时满足企业期望产出增长和非期望产出减少，更符合碳减排政策和低碳经济的发展要求。根据估计方法的不同DDF可分为参数和非参数两种：参数方法虽不够灵活，但测算结果稳定且易于解释；非参数方法不受距离函数形式限制，因而灵活且便于模型创新。 今天介绍的是使用基于参数法的DDF来计算污染物影子价格的工具。 方向 ...

以往的DEA 模型由于角度限制只能将能源作为普通投入要素处理，因此，模型单纯地将能源消耗的增加认为是效率发生了恶化，故而测算出的能源效率忽略了能源替代效应，反映不出不同种类能源内部的替代或能源与劳动力、资源等普通投入要素之间的替代作用。此外，Zhou(2008)也验证了能源“混合效应”的存在性并分析了其作用原理，即当劳动力、资本等普通投入要素、期望产出以及非期望产出均不变时，替代能源作为能源投入的增加往往会使得其他能源的消耗量缩减得更多，因此，某种能源消耗量增加并不一定导致效率恶化，反而会使得效率得到改善。因此，在考察存在碳排放这一非期望产出条件下的碳环境效率时，应该将能源要素单独作为一类投入要素处理，其既可增加又可减少。 因此，定义基于非期望产出的RAM碳环境效率(Carbon Environmental Efficiency，简称为CE)模型如下： 经济效率(PE)核算的假设前提是没有环境管制，此效率核算的是单纯追求经济产出而不顾资源与环境质量的发展模式下的经济效率，而碳环境效率(CE)指凭借能源消耗的持续改进和劳动力、资本等投入的优化配置以及相应的碳减排政策的实施来满 ...

关于全局莫兰指数和局部莫兰指数，网上有很多介绍了，就不再赘述。 目前的教程，基本是基于R，stata，或者ArcGIS，操作不是很友好，大多数需要一个shp文件来，而且有些人又希望自定义空间权重矩阵，就不是很方便。 因此写了这个小工具，主要特点是，依然只需要用户准备好数据，打开小工具，就能得到莫兰指数散点图，以及对应的excel结果文件，包含全局莫兰指数及对应的Z值、P值；局部莫兰指数及对应的Z值、P值；画莫兰指数散点图用的数据，如果用户想进一步美化软件自动生成的散点图，可以根据数据自行画图。 特别地，不管是一年还是多年的数据，该工具都可以一次性计算出莫兰指数，并画出莫兰散点图。 部分结果如下图： 结果和stata的结果比对过，基本一致，可放心使用。 有需要联系微信canglang12002 如果您有DEA模型定制，数值计算，运筹优化等方面的需求，也欢迎联系！ 往期推荐： Panda_DEA增加至强有效前沿最近距离-MinDS模型 QLab增加耦合协调度模型 广义SBM模型的matlab代码 QLab1.4正式发布！增加全排列多边形图示指标法 大量数据时的 ...

Panda_DEA1.3版本正式发布，主要有以下变化： 1、增加了两阶段网络DEA模型； 2、增加了两种零和博弈ZSG模型，并根据文献常用做法，自动迭代到各DMU效率值为1； 3、增加了至强有效前沿最近距离-MinDS模型，并为此支持外接Gurobi和GLPK两种求解器，显著提高求解速度。 4、界面美化。 目前它的界面是这样的： 是这样的： 好看多了 下面主要介绍MinDS模型： MinDS 模型在SBM 模型的基础上增加了一组混合整数线性约束，使得被评价DMU 的参考标杆位于同一个超平面内，进而通过求解混合整数线性规划来获得MinDS 模型的效率值。同SBM 模型相比，MinDS 模型的优势在于能够使无效DMU 实现以较小的平均改进比例即可达到完全有效状态。 根据Aparicio（2007）的做法，求解MinDS模型的效率，分为两步，第一步，求解SBM模型： 第二步，根据第一步，得到效率值为1的DMU，组成新的参考集，求解如下模型，得到MinDS模型的效率值： 其中,Q（即软件中的M值）是一个比较大的正数，对于不同的求解器，M的值可能 ...

var模型的matlab代码，摘自：https://sites.google.com/site/jnakajimaweb/var 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273747576777879808182838485868788899091929394959697989910010110210310410510610710810911011111211311411511611711811912012112212312412512612712812913013113213313413513613713813914014114214314414514614714814915015115215315415515615715815916016116216316416516616716816917017117217317417517617717817918018 ...

今天推出的依然是DEA模型---广义SBM模型。 该模型在对有效决策单元做进一步排序时参考集是保持不变的，通过移动因子的变化，可以有效 预测有效决策单元的下一步变化。 该模型的规划式如下： 模型1 其中的δ参数为0时为规模报酬不变情况，为1时表示规模报酬可变情况，d为移动因子。 当决策单元（x，y）不属于T（d）时，模型1没有可行解，为了进一步计算决策单元效率值，提出改进模型，其规划式如下： 模型2 这里使用matlab实现了模型2。论文结果与计算结果对比如下： 结果对比 有需要的联系我微信canglang12002 参考文献： [1]孙娜,那日萨,马占新.基于样本评价的广义SBM的效率度量方法[J].系统工程,2019,37(06):107-118. [2]孙娜,那日萨,马占新.基于样本评价的广义SBM方法及其有效性[J].系统工程,2019,37(03):132-140.

今天要更新的是DEA模型中的RAM和BAM模型，这两个模型已经加入到新版本的Panda_DEA中，可以很方便地计算其效率值。 RAM-DEA是1998年由Aida和Cooper等提出的一种非径向DEA模型，由于该模型构建对投入产出指标的设计考虑了指标之间的相互影响效应，并对这些效应进行了定性分析，因此得到了广泛的研究与应用。 相比于传统DEA及衍生模型，RAM-DEA模型的长处在于可以涵盖多类投入产出指标，目标函数的设计考虑到指标数量与数据极差对结果的影响，使得测算出的效率值不会因指标数量变化产生偏差。决策单元的投入产出指标数不再影响最优方案选择，也不需要对原始数据进行预处理。 基本的RAM-DEA模型规划式如下： 经济效率为​：1-RAMp​，效率值在0到1之间。 上式中，Rnx表示决策单元K中第n种投入要素的最大值与最小值之差，Rmy表示决策单元K中第m种期望产出​的最大值与最小值之差。 BAM模型 由于RAM模型中的参数是由投入和产出的极差构成，会出现无效率值过小，因此导致不同的决策单元效率极为接近，难以有效区分的情形，因此Cooper et al( ...