绿色全要素生产率,python,采用全局生产技术的弱可处置性非径向方向距离函数(NDDF),可调方向权重,DDF,DEA

这篇具有很好参考价值的文章主要介绍了绿色全要素生产率,python,采用全局生产技术的弱可处置性非径向方向距离函数(NDDF),可调方向权重,DDF,DEA。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。


一、NDDF是什么?

1. 采用方法

一文详细说明SBM、SBM-DDF、DDF、NDDF、ML指数是什么
利用python的pulp库进行CCR、BCC、超效率模型的数学建模
在本文使用的公式是采用全局生产技术的弱可处置性非径向方向距离函数
李江龙(2018)
非径向方向距离函数,python,算法,机器学习,统一建模语言
由上图可知,存在 ω 、 λ 、 β 、 g \omega、\lambda、\beta、g ωλβg 这三个变量
其中 λ \lambda λ 计算前沿面,可以理解为测算投入产出权重以获得一个前沿面
β \beta β 为各个投入产出缩放比例
ω \omega ω 为权重向量(denotes the normalized weight vector that is relevant to the numbers of inputs and outputs)
g g g为方向向量,当 g x = x t , g y = y t g^x = x^t, g^y = y^t gx=xt,gy=yt则为(DDF)。特例如上文 , g = ( 0 , 0 , − E , Y , − D , − S , − W ) g=(0,0,-E,Y,-D,-S,-W) g=(0,0,E,Y,D,S,W)
N D ⃗ \vec{ND} ND 得出的是无效率程度,值越大越无效率

2.具体参数解释

问题:上文公式问题,投入应该是减少而到达前沿面, ∑ i = 1 N ∑ t = 1 T λ i , t E i , t \sum_{i=1}^{N}\sum_{t=1}^{T}\lambda_{i,t}E_{i,t} i=1Nt=1Tλi,tEi,t为前沿面, E − β E g E E-\beta_E g_E EβEgE当期减少多少投入能达到前沿面,于是带入方向向量后解释不通。
文中方向向量定义为: g = ( 0 , 0 , − E , Y , − D , − S , − W ) 但公式中出现: ∑ i = 1 N ∑ t = 1 T λ i , t E i , t ≤ E − β E g E 将方向向量带入得: ∑ i = 1 N ∑ t = 1 T λ i , t E i , t ≤ E + β E E 文中方向向量定义为:g=(0,0,-E,Y,-D,-S,-W) \\但公式中出现:\sum_{i=1}^{N}\sum_{t=1}^{T}\lambda_{i,t}E_{i,t} \leq E-\beta_E g_E \\ 将方向向量带入得:\sum_{i=1}^{N}\sum_{t=1}^{T}\lambda_{i,t}E_{i,t} \leq E+\beta_E E 文中方向向量定义为:g=(0,0,E,Y,D,S,W)但公式中出现:i=1Nt=1Tλi,tEi,tEβEgE将方向向量带入得:i=1Nt=1Tλi,tEi,tE+βEE

Zhou(2012)提到得公式更好理解,此公式中所有约束条件都为“+”,因此带入方向向量时候是正确的。
非径向方向距离函数,python,算法,机器学习,统一建模语言
文中提到 “If the direction vector is set equal to (-F, 0, 0), Eq. (7) is essentially equivalent to an input-oriented DEA model with undesirable outputs.”
g 1 = ( − F , 0 , 0 ) D 1 ⃗ ( F , E , C ; g 1 ) = m a x w 1 F β 1 F s . t . ∑ n = 1 N z 1 n F 1 n ≤ ( 1 − β 1 F ) F s . t . ∑ n = 1 N z 1 n E 1 n ≤ E s . t . ∑ n = 1 N z 1 n C 1 n = C z 1 n ≥ 0 , n = 1 , 2 , . . . , N , β 1 F ≥ 0 g_1=(-F,0,0) \\\vec{D_1}(F,E,C;g_1) = maxw_{1F}\beta_{1F} \\ s.t. \sum_{n=1}^{N}z_{1n}F_{1n} \leq (1-\beta_{1F})F \\ s.t. \sum_{n=1}^{N}z_{1n}E_{1n} \leq E \\ s.t. \sum_{n=1}^{N}z_{1n}C_{1n} = C \\ z_{1n} \geq 0, n=1,2,...,N, \beta_{1F} \geq 0 g1=(F,0,0)D1 (F,E,C;g1)=maxw1Fβ1Fs.t.n=1Nz1nF1n(1β1F)Fs.t.n=1Nz1nE1nEs.t.n=1Nz1nC1n=Cz1n0,n=1,2,...,N,β1F0
非径向方向距离函数,python,算法,机器学习,统一建模语言
由此可见当有方向向量时,公式中应都设为“+”号。若公式设好,则方向向量应取值为 0 或 1 0 或 1 01而没有 − 1 -1 1,再乘以原本的投入产出值。

Chung(1997)
非径向方向距离函数,python,算法,机器学习,统一建模语言
k = 1 , m = 1 , t = 1 ; y k ′ m t k=1, m=1, t=1; y_{k'm}^t k=1,m=1,t=1;ykmt 意味着第一个时期的第一个DMU的第一个期望产出。

3.强弱可处置性

参考
Y. H. Chung, R. F ̈ are and S. Grosskopf.Productivity and Undesirable Outputs: A Directional Distance Function Approach.*Journal of Environmental Management * (1997) 51, 229–240
成刚. 数据包络分析方法与MaxDEA软件[M].北京:知识产权出版社,2014.5

二、代码

1.参考与改进

参考代码:
python DEA:强/弱处置性假设下的考虑非期望产出的非径向距离函数
改变部分

        else:			# 每一个方向应该要乘以原本变量
            self.gx = directional_factor[:self.I] * self.inputs
            self.gy = directional_factor[self.I:(self.I+self.R):1] * self.outputs
            self.gb = directional_factor[(self.I+self.R):(self.I+self.R+self.S):1] * self.bad_outs

按照上文参考文献,在约束条件中已确定了方向
那么方向向量部分得到的应该是 [ 0 × L , 0 × K , 1 × E , 1 × D , 1 × S , 1 × W ] [0\times L,0\times K,1\times E,1\times D,1\times S,1\times W] [0×L,0×K,1×E,1×D,1×S,1×W]


import numpy as np
import pandas as pd
import pulp

class DEAProblem:
    def __init__(
        self,
        inputs,
        outputs,
        bad_outs,
        weight_vector,
        directional_factor=None,
        returns="CRS",
        disp="weak disposability",
        in_weights=[0, None],
        out_weights=[0, None],
        badout_weights=[0, None],
    ):
        self.inputs = inputs
        self.outputs = outputs
        self.bad_outs = bad_outs
        self.returns = returns
        self.weight_vector = (
            weight_vector  # weight vector in directional distance function
        )
        self.disp = disp
        self.directional_factor = directional_factor
        
        # directional_factor 方向向量需要输入列表形式,并且若不等于0,则用1,公式方向已给定。
        # 投入产出传入数据皆为DataFrame,权重和方向向量为列表形式
        
        self.J, self.I = self.inputs.shape  # no of DMUs, inputs
        _, self.R = self.outputs.shape  # no of outputs
        _, self.S = self.bad_outs.shape  # no of bad outputs
        self._i = range(self.I)  # inputs
        self._r = range(self.R)  # outputs
        self._s = range(self.S)  # bad_output
        self._j = range(self.J)  # DMUs
        if directional_factor == None:  #(方向向量未定义则与原本投入产出相同)
            self.gx = self.inputs
            self.gy = self.outputs
            self.gb = self.bad_outs
        else:			# 每一个方向应该要乘以原本变量
            self.gx = directional_factor[:self.I] * self.inputs
            self.gy = directional_factor[self.I:(self.I+self.R):1] * self.outputs
            self.gb = directional_factor[(self.I+self.R):(self.I+self.R+self.S):1] * self.bad_outs


        self._in_weights = in_weights  # input weight restrictions
        self._out_weights = out_weights  # output weight restrictions
        self._badout_weights = badout_weights  # bad output weight restrictions

        # creates dictionary of pulp.LpProblem objects for the DMUs
        self.dmus = self._create_problems()

    def _create_problems(self):
        """
        Iterate over the DMU and create a dictionary of LP problems, one
        for each DMU.
        """

        dmu_dict = {}
        for j0 in self._j:
            dmu_dict[j0] = self._make_problem(j0)
        return dmu_dict

    def _make_problem(self, j0):
        """
        Create a pulp.LpProblem for a DMU.
        """

        # Set up pulp 设置变量
        prob = pulp.LpProblem("".join(["DMU_", str(j0)]), pulp.LpMaximize)
        self.weights = pulp.LpVariable.dicts(
            "Weight", (self._j), lowBound=self._in_weights[0]
        )
        self.betax = pulp.LpVariable.dicts(
            "scalingFactor_x", (self._i), lowBound=0, upBound=1
        )

        self.betay = pulp.LpVariable.dicts(
            "scalingFactor_y", (self._r), lowBound=0
        )

        self.betab = pulp.LpVariable.dicts(
            "scalingFactor_b", (self._s), lowBound=0, upBound=1
        )

        # Set returns to scale
        if self.returns == "VRS":
            prob += pulp.lpSum([self.weights[j] for j in self.weights]) == 1

        # Set up objective function
        prob += pulp.lpSum(
            [(self.weight_vector[i] * self.betax[i]) for i in self._i]
            + [(self.weight_vector[self.I + r] * self.betay[r]) for r in self._r]
            + [
                (self.weight_vector[self.I + self.R + s] * self.betab[s])
                for s in self._s
            ]
        )
# Set up constraints  # 括号外j0为该函数传入的j0
        # Set up constraints
        for i in self._i:
            prob += (
                pulp.lpSum(
                    [(self.weights[j0] * self.inputs.values[j0][i]) for j0 in self._j]
                )
                <= self.inputs.values[j0][i] - self.betax[i] * self.gx.values[j0][i]
            )
        for r in self._r:
            prob += (
                pulp.lpSum(
                    [(self.weights[j0] * self.outputs.values[j0][r]) for j0 in self._j]
                )
                >= self.outputs.values[j0][r] + self.betay[r] * self.gy.values[j0][r]
            )

        if self.disp == "weak disposability":
            for s in self._s:  # weak disposability
                prob += (
                    pulp.lpSum(
                        [
                            (self.weights[j0] * self.bad_outs.values[j0][s])
                            for j0 in self._j
                        ]
                    )
                    == self.bad_outs.values[j0][s]
                    - self.betab[s] * self.gb.values[j0][s]
                )

        elif self.disp == "strong disposability":
            for s in self._s:  # strong disposability
                prob += (
                    pulp.lpSum(
                        [
                            (self.weights[j0] * self.bad_outs.values[j0][s])
                            for j0 in self._j
                        ]
                    )
                    >= self.bad_outs.values[j0][s]
                    - self.betab[s] * self.gb.values[j0][s]
                )

        return prob

    def solve(self):
        """
        Iterate over the dictionary of DMUs' problems, solve them, and collate
        the results into a pandas dataframe.
        """

        sol_status = {}
        sol_weights = {}
        sol_efficiency = {}
        sol_objective = {}
        sol_directional ={}
        if self.directional_factor == None:
            for ind, problem in list(self.dmus.items()):
                problem.solve()
                sol_status[ind] = pulp.LpStatus[problem.status]
                sol_weights[ind] = {}
                sol_objective[ind] = problem.objective
                for v in problem.variables():
                    sol_weights[ind][v.name] = v.varValue
                sol_efficiency[ind] = pulp.value(problem.objective)
            return sol_status, sol_efficiency, sol_weights, sol_objective
        else:
            for ind, problem in list(self.dmus.items()):
                problem.solve()
                sol_status[ind] = pulp.LpStatus[problem.status]
                sol_weights[ind] = {}
                sol_objective[ind] = problem.objective
                sol_directional[ind] = self.directional_factor
                for v in problem.variables():
                    sol_weights[ind][v.name] = v.varValue
                sol_efficiency[ind] = pulp.value(problem.objective)
            return sol_status, sol_efficiency, sol_weights, sol_objective, sol_directional

sol_status 每个DMU是否计算成功
sol_efficiency 得出方程的解,测量的是无效率值
sol_weights Weight求得是 λ \lambda λ ; scalingFactor_x、 scalingFactor_y、 scalingFactor_b求的是目标函数中的 β \beta β
sol_objective 目标函数的设定情况
sol_directional方向向量的设定情况

1.1约束条件关键代码解释

        for i in self._i:
            prob += (
            pulp.lpSum([(self.weights[j0] * self.inputs.values[j0][i]) for j0 in self._j]) #不要求设定时间,遍历所有时期的所有dmu,将所有变量都累加。i是第i个投入变量。
            <= self.inputs.values[j0][i] - self.betax[i] * self.gx.values[j0][i]) #这里 j0 是函数_make_problem参数中的j0,是上面函数第j0个变量。

2.示例

X = pd.DataFrame(
    np.array(
        [
            [20, 300,20],
            [30, 200,30],
            [40, 100,40],
            [20, 200,20],
            [10, 400,10],
            [11, 222,11],
            [12, 321,12],
            [14, 231,14],
        ]
    )
)
y = pd.DataFrame(np.array([[20], [30], [40], [30], [50], [21], [32], [42]]))
b = pd.DataFrame(np.array([[10], [20], [10], [10], [10], [12], [-2], [-1]]))
weight = [0, 0,1 / 3 ,1 / 3, 1 / 3]
directional = [0,0,1,1,1]
solve1 = DEAProblem(X, y, b, weight, directional_factor=directional, disp="weak disposability").solve()

3.实例演示

G = pd.read_excel(r'F:\绿色全要素测算.xlsx',sheet_name='Sheet1')
G.head(50)

非径向方向距离函数,python,算法,机器学习,统一建模语言
其中k、l、e是投入要素(inputs),y是期望产出(output),s、f、w是非期望产出(bad output)

input1 = G.iloc[:,0:3]
input1
output = G.iloc[:,3:4]
output
b_output = G.iloc[:,4:7]
b_output
weight = [1/9,1/9,1/9,1/3,1/9,1/9,1/9] #令投入要素、期望产出和非期望产出比例相同
directional_facto = [1,1,1,1,1,1,1] #全设为1,因为在公式中已经定好(-K,-L,-E,Y,-S,-F,-W)投入要素和非期望产出是越少越好。
solve11 = DEAProblem(input1,output,b_output,weight_vector=weight,directional_factor=directional_facto,disp="weak disposability").solve()
status = pd.DataFrame.from_dict(solve11[0], orient="index", columns=["status"])
efficiency = pd.DataFrame.from_dict(solve11[1], orient="index", columns=["efficiency"])
weights = pd.DataFrame.from_dict(solve11[2], orient="index")
results = pd.concat([status, efficiency, weights], axis=1)
results.to_excel(r'F:\绿色全要素测算1.xlsx') 将结果输出

非径向方向距离函数,python,算法,机器学习,统一建模语言
此为得出的效率值
非径向方向距离函数,python,算法,机器学习,统一建模语言
此为目标函数的 β \beta β

需要说明一点是该代码得出的为单个dmu在全局生产技术下所得到的非效率值。在结果中看不出时期和第几个dmu,因此若有分时期和dmu位数可以后期手动加上。因为得出的结果是根据输入投入产出的顺序得到的,所以按输入时的时期和dmu在结果前添加两列即可
后续会根据该模型继续改进

三、绿色指标

邵帅(2022)利用Luenberger 生产率进行定义t+1 期的碳排放绩效(TFCEP)为
非径向方向距离函数,python,算法,机器学习,统一建模语言
若前一期的无效率值大于后一期,则说明全要素碳排放生产率得到了改善
杨翔(2015)利用全域GMalmquist-Luenberger测算碳生产率
非径向方向距离函数,python,算法,机器学习,统一建模语言
李江龙(2018)
非径向方向距离函数,python,算法,机器学习,统一建模语言

四、非全局生产技术的弱可处置性非径向方向距离函数(NDDF)

张宁(2022)采用两期模型,同样利用两期非径向Luenberger生产率指数定义碳要素生产率。
非径向方向距离函数,python,算法,机器学习,统一建模语言


参考文献文章来源地址https://www.toymoban.com/news/detail-718058.html

  1. 李江龙,徐斌. 诅咒”还是“福音”:资源丰裕程度如何影响 中国绿色经济增长?[J]. 经济研究,2018(9)
  2. 邵帅,范美婷,杨莉莉. 经济结构调整、绿色技术进步 与中国低碳转型发展 ——基于总体技术前沿和空间溢出效应视角的经验考察[J].管理世界, 2022(2)
  3. 杨翔,李小平,周大川. 中国制造业碳生产率的差异与收敛性研究[J]. 数量经济技术经济研究,2015(12)
  4. 张宁. 碳全要素生产率、低碳技术创新和节能 减排效率追赶* ———来自中国火力发电企业的证据[J]. 经济研究,2022(2)
  5. P. Zhou, B.W. Ang, H. Wang., 2012. Energy and CO2 emission performance in electricity generation: A non-radial directional distance function approach. European Journal of Operational Research 221, 625-635
  6. Y. H. Chung, R. F ̈ are and S.,1997. Grosskopf.Productivity and Undesirable Outputs: A Directional Distance Function Approach.Journal of Environmental Management 51, 229–240
  7. 成刚. 数据包络分析方法与MaxDEA软件[M].北京:知识产权出版社,2014.5

到了这里,关于绿色全要素生产率,python,采用全局生产技术的弱可处置性非径向方向距离函数(NDDF),可调方向权重,DDF,DEA的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 如何利用AR技术提高农业生产效率

    农业是世界上最古老的产业,也是最重要的产业。在过去的几千年里,人类一直在尝试提高农业生产效率,以满足人类的饮食需求和生存。随着科技的发展,人类在农业生产中应用了各种技术手段,如机械化、化学化、生物化等,以提高农业生产效率。 在21世纪初,随着互联

    2024年04月14日
    浏览(50)
  • 大数据技术之Hadoop(生产调优手册)

    大数据技术之Hadoop(生产调优手册) 1)NameNode内存计算 每个文件块大概占用150byte,一台服务器128G内存为例,能存储多少文件块呢? 2)Hadoop2.x系列,配置NameNode内存 NameNode内存默认2000m,如果服务器内存4G,NameNode内存可以配置3g。在hadoop-env.sh文件中配置如下。 HADOOP_NAMENODE

    2024年02月09日
    浏览(41)
  • AR技术在工业生产中的潜在影响

    随着人工智能技术的不断发展,虚拟现实(VR)和增强现实(AR)技术也在不断发展。在工业生产中,AR技术的应用具有巨大的潜力。本文将从以下几个方面进行探讨: 背景介绍 核心概念与联系 核心算法原理和具体操作步骤以及数学模型公式详细讲解 具体代码实例和详细解释说明

    2024年04月22日
    浏览(33)
  • VALSE 2023:版面分析技术如何赋能生产生活?

    VALSE年度研讨会 旨在为中国青年学者在计算机视觉、图像处理、模式识别与机器学习研究领域提供一个具有深度的学术交流平台。 VALSE 秉持理性批判、勇于探索、实证和创新等科学精神,倡导自由平等的原则,鼓励学术界各方在纯粹理性的氛围下进行百家争鸣和思想碰撞,促

    2024年02月09日
    浏览(44)
  • 容器走进生产环境,哪些相关技术值得关注?解读 Gartner 容器技术成熟度曲线

    文章导览 本文详细解读 Gartner 容器技术成熟度曲线(2023)中评估的 9 项重要技术,包括云原生架构、Kubernetes、容器管理、容器原生存储、KubeVirt、云原生基础设施等。干货满满,建议收藏! 文末附赠 容器管理 与  Kubernetes  持久化存储 技术评估与产品选型电子书,欢迎下载

    2024年01月24日
    浏览(57)
  • RFID技术在锂电池生产线自动化应用

    随着电动汽车和能源储存系统市场的不断扩大,锂离子电池作为其核心部件,以其高能量密度、长寿命等优点成为了主流选择。而对于锂电池智能化、高效化生产有着更高的要求,RFID技术的使用,将大幅度提高锂电池的生产产能,从而得到锂电池行业青睐。 RFID射频识别技术

    2024年02月07日
    浏览(42)
  • Microsoft 365 Copilot:下一代 AI 生产力技术

    微软已经向部分商业用户开放 Microsoft 365 Copilot,这是一个基于大语言模型的 AI 生产力技术,由 OpenAI 的 GPT-4 技术驱动。Copilot 可以在 Microsoft 365 应用中辅助用户生成文档、电子邮件、演示文稿等。它出现在 Microsoft 365 应用的侧边栏,像一个聊天机器人,让用户可以随时召唤它

    2024年02月08日
    浏览(51)
  • 智慧工地安全生产与风险预警大平台的构建,需要哪些技术?

    随着科技的不断发展,智慧工地已成为现代建筑行业的重要发展趋势。智慧工地方案是一种基于先进信息技术的工程管理模式,旨在提高施工效率、降低施工成本、保障施工安全、提升施工质量。一般来说,智慧工地方案的构建,需要通过集成物联网、云计算、大数据、人工

    2024年04月10日
    浏览(45)
  • RFID技术在工业自动化和生产流程优化方面的成功应用

    您是否好奇于如何在工业场景中利用RFID技术实现更高效的操作和生产流程优化?ANDEAWELL作为国内知名的RFID工业识别设备供应商, 企业国产化替代的首选品牌,将带您深入探索RFID技术在工业领域的应用,揭示其优势和挑战,并通过实际案例为您呈现RFID技术在工业自动化和生

    2024年02月09日
    浏览(34)
  • 【技术人生】工程师面对新质生产力的思考和选择

    本文参考了正和岛采访米磊的一篇文章“未来30年大变局,讲透国运与人运”。对被周期控制的技术发展与软件工程师该进行怎样的选择有思考的意义。 原文链接:正和岛 https://mp.weixin.qq.com/s/x3DIZDD1r6ZTipJBSs2XGQ 康波周期(Kondratiev Wave),又称为长波理论或库兹涅茨周期,是由

    2024年03月13日
    浏览(47)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包