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
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 ...
使用遗传算法或NSGA2算法解决多式联运问题
多式联运在我国是指通过转运衔接两种以上的运输方式，从而将货物从出发点送到目的地的过程。多式联运对多种运输方式的集成，是将相互独立的不同运输方式通过一些科学的算法统筹计划，从而减少整个运输过程的时间与费用，减少中途转运时因为没有计划，产生的等待时间，使用户尽可能得到最好的运输路线，合理的运输成本与运输时间。多式联运同时也是一种以实现货物运输效益达到最优为目标的组织方式。各个分段的分段承运人和作为多式联运运营商的总承运人合作完成货物的运输与中转的过程。它将运输全过程看作一个整体,通过联合各种不同的运输方式,形成连续的、最优的、综合一体化运输体系。
目前主要的多式联运形式有四种，它们分别为
“公铁联运”、“海空联运”、“海陆联运”、“陆桥联运”。
多式联运路径优化问题可以描述为：某次物流作业经过由N
个城市组成的运输网络，需要将一批货品从起始地O
运送至目的地D，在网络中的两个城市之间都有K
种运输的方式可供选择，各种运输方式的运输时间、费用及运输承载量都不相同，每到一个城市都可以选择是否更换运输工具，一种运输方式转运为另一种运输方式时，需要支付该过程所产生的人员的劳务费用和并且 ...
基于非期望产出的RAM 碳环境效率模型
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 ...
QLab增加熵权-topsis模块
熵权TOPSIS 法是将熵权法的客观赋权与TOPSIS
法的多属性决策排序相结合，在TOPSIS
法构造加权规范化矩阵的过程中，利用熵权法得到的权重加以运算，如此一来，将客观的赋权方法与严谨的多维排序巧妙联系，帮助决策者进行科学评价。
熵权-Topsis的计算步骤主要分为两大步，首先是用熵权法得到指标权重，然后是用Topsis计算相对贴近度。
熵权法部分可以参考之前的推文，这里介绍Topsis部分：
1、对原始矩阵进行处理
如果有负向指标，取倒数，做趋同化处理，得到新的决策矩阵，然后使用如下公式得到规范化决策矩阵。
2、构造加权规范化矩阵，传统的topsis是利用人为给定的权重加以计算，主观因素会影响最后的排序结果，这里采用的是熵权法得到的权重，避免主观因素。具体操作是将规范化决策矩阵中的每一个向量与该向量对应的指标权重相乘，从而得到加权规范化矩阵。
3、确定正负理想解
其中，正理想解为正向指标的最大值和负向指标的最小值组成的集合；负理想解为正向指标的最小值和负向指标的最大值组成的集合。
4、计算欧氏距离
分别计算待评价对象到这两个标杆的欧氏距离， ...
R包安装时提示“退出状态的值不是0”
在安装R包的arulesViz包的时候，总是失败，最后的提示就是这个错误。当时没有截图，大家知道我说的是这个就好了。
总结一下我的解决之路：
1、把R和rstudio都卸载，换上最新版本
2、把之前安装下载的R包，找到那个缓存路径，就是C盘中的downloaded_packages，里面内容全部删除。
3、重新安装aruleViz包，中间有个弹窗，选择否！！！
安装完毕，可以愉快地使用了。
莫兰指数计算小工具
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_DEA增加至强有效前沿最近距离-MinDS模型
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 ...
VSCode中使用armadillo+openblas的详细步骤
armadillo是C++中非常好用的一个线性代数运算库，有着和matlab非常相似的语法，可以非常方便的将matlab代码转移到C++中。
但是单纯的armadillo库，运算性能比较有限，如果加上开源的openblas，会极大提高矩阵运算性能。百度了下，基本上都是在VS2019中使用armadillo和openblas的教程，我大多数时候写的都是一些小项目，用VS未免有些杀鸡用牛刀的感觉，还是VSCode，好看又好用。百度了下，还没有看到相关的VSCode配置armadillo+openblas的教程，摸索了一下，总结经验如下：
第一步：openblas官网下载编译好的版本，网址：https://github.com/xianyi/OpenBLAS/releases，解压到任意盘，最好不要有中文路径，避免出错。
根据自己的情况，下载64位或32位版本。
第二步：下载armadillo，只需要其中的include文件夹即可，然后放在项目文件夹下，用vscode打开该项目文件夹。
armadillo网址：https://arma.sourceforge.net/downl ...
QLab增加耦合协调度模型
QLab新版本增加了耦合协调度模型，同时对界面做了一定程度的更新，模型被分为经济模型和评价模型两个类别。
耦合模型是从物理学中演变而来，它所体现的是两个系统之间通过彼此的相互作用互相影响，耦合度是对不同系统耦合程度的定量描述。
其中，耦合协调度C的计算公式如下：
协调发展度D的计算公式如下:
软件界面如下：
QLab界面
可以计算二元及以上子系统的协调耦合度，在计算协调发展度D的时候，提供平均权重和自定义权重两种方式供用户选择，操作还是一如既往的简单，只需准备好数据即可。
有需要购买软件，请联系微信canglang12002
往期推荐：
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_1.0正式发布！
含有非期望产出的ZSG-DEA模型
两阶段网络DEA模型及其计算
Panda-DEA，一款新的DEA模型软件
DKM_1.3更新---CCM收敛交叉映射
DKM_1.2:两阶段嵌套泰尔指数工具
DKM_1.1--新增熵值法功能
数量 ...
三行R代码搞定山脊图绘图
有时候我们对比几组数据的分布情形，需要把几组数据的分布叠加在一起，这就用到山脊图了。
今天带来一个最简单的山脊图绘图教程。所需要的数据是这样：
原始数据
非常简单，一列是数据，一列是年份。然后我们导入包ggridges和ggplot2，并读取数据：
123library("ggplot2")library("ggridges")df <- read.csv('G:/test1.csv')
然后使用ggplot和geom_density_ridges这两个函数来绘图：
123df %>% ggplot(aes(x = Score, y = year,group=year)) + geom_density_ridges()
效果如下：
这里的数据，其实是2006年到2019年，这里的刻度是默认的形式，已经很美观，如果想自定义，可以这样做：
1234567dd<-df %>% ggplot(aes(x = Score, y = year,group=year) ...
