Advertisement

基于DEA-SBM模型的MATLAB代码计算ML和GML指数以分析全要素生产率及绿色全要素生产率（含EC、TC分解结果）

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本研究采用DEA-SBM模型编写MATLAB代码，旨在评估并解析传统与绿色全要素生产率，通过效率变化（EC）和技术变化（TC）的分解，提供深入分析。 Matlab代码用于基于DEA-SBM模型计算ml指数和gml指数，以研究全要素生产率和绿色全要素生产率。结果包括EC TC分解指数文件包，内含操作代码、操作视频、指标解释及模型解释，并提供面板数据示例。整个操作过程简单明了。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 基于DEA-SBM模型的MATLAB代码计算ML和GML指数以分析全要素生产率及绿色全要素生产率（含EC、TC分解结果）
    优质
    本研究采用DEA-SBM模型编写MATLAB代码，旨在评估并解析传统与绿色全要素生产率，通过效率变化（EC）和技术变化（TC）的分解，提供深入分析。 Matlab代码用于基于DEA-SBM模型计算ml指数和gml指数，以研究全要素生产率和绿色全要素生产率。结果包括EC TC分解指数文件包，内含操作代码、操作视频、指标解释及模型解释，并提供面板数据示例。整个操作过程简单明了。
     
  • 基于SBM模型的绿色全要素生产率测算（含代码、案例及数据）
    优质
    本书通过应用SBM模型深入探讨了绿色全要素生产率的评估方法，提供了详细的代码示例和实际案例分析，并附有相关数据支持。 今天分享绿色全要素生产率的测算代码，包括SBM模型与超效率SBM模型，并提供可测非期望、指数分解值工具包。该工具包内含有Matlab代码、视频教学文件及相关讲解材料以及示例数据，使用最简单的y, x, x1等变量展示数据集，代码也做了详细的解释说明。 SBM是Slacks-Based Measure或Slack Based Measure的缩写，通常翻译为基于松弛值测算模型。它既可以用于DEA（Data Envelopment Analysis），即SBM-DEA。该方法最初由Kaoru Tone在2001年提出，遵循DEA的基本思想，通过“最小”的或者说是“最紧密匹配”的凸面球壳来包络投入产出数据集，从而得到代表最佳实践的技术前沿边界。 这种相对最优的技术前沿正是两型社会及经济与环境协调发展的经济学内涵。所谓两型社会是指在各个生产、建设、流通和消费领域，在经济发展和社会进步的各个方面，充分保护并合理利用各种资源，提高资源使用效率，以最低限度的资源消耗获取最大的经济效益和社会效益，并实现人与自然和谐共生以及经济社会可持续发展。“快”指的是经济增长。
     
  • 地级市绿色全要素生产率（GTFP），四种GML指数（EBM-GML、SBM-GML、SBM-DDF）的原始数据与测算结果
    优质
    本研究提供了地级市层面关于绿色全要素生产率及其四种GML指数（包括EBM-GML，SBM-GML和SBM-DDF）的详尽原始数据及分析结果，为评估各地经济活动的环境效率提供重要参考。 283个地级市的绿色全要素生产率（GTFP）年度数据从2006年至2019年进行了整理与测算，采用了四种GML指数计算方法：EBM-GML、SBM-GML、GML-DDF和SBM-DDF。这些数据均被分解为技术进步（TC）和效率变动（EC）。该数据集是我论文写作所需，并且经过了仔细核验以确保其准确可靠，可以直接用于数据分析回归模型中。 整理这份资料耗时费力，请大家支持正版资源而不是购买盗版材料，因为后者不会提供后续更新。我计划在未来免费更新2020年的相关数据，而非法渠道则无法获得这一服务。如果有任何疑问或需要帮助的地方，请随时留言提问，我会一一解答并确保你们的满意度。 具体的数据来源包括中国城市统计年鉴、中国区域统计年鉴、中国能源年鉴和中国环境年鉴等权威出版物以及哈佛大学官网的相关信息。此外，时间跨度覆盖了2006年至2019年的连续时间段，并且包含了全国所有地级市的详细情况（根据可用性和行政边界变化）。每个GML指数都被进一步分解为技术进步和技术效率两个部分。 全局参比的方法是通过使用整个研究期间内所有决策单元的投入产出数据来构建最佳生产前沿，从而确保不同时期的所有决策单元都能在全局最优生产前沿上进行比较。
     
  • 基于MATLAB的绿色全要素生产率非期望DEA-ML算法研究.docx
    优质
    本文探讨了一种基于MATLAB平台的新型非期望产出数据包络分析（DEA）与机器学习结合的方法——DEA-ML，专门用于评估绿色全要素生产率。通过引入环境因素和资源利用效率评价机制，该算法旨在提供更全面、精确的决策支持工具，尤其适用于工业生态效率分析领域。 matlab的绿色全要素生产率非期望DEA-ML算法.docx
     
  • 2004-2020年间工业绿色全要素生产率分析
    优质
    该研究聚焦于2004至2020年间的中国工业领域，深入探讨了绿色全要素生产率的变化趋势及其驱动因素，为促进可持续发展提供了理论与实证依据。 工业是碳排放的主要来源之一，推动其节能减排、绿色转型对于实现3060目标至关重要。本次数据涵盖了2004年至2020年间中国30个省份的工业绿色全要素生产率。研究采用SBM-GML和SBM-BML指数进行评估。 评价体系包括以下变量： - 投入：工业用水量（亿立方米）、规模以上企业固定资产投资（亿元）、工业能源终端消耗量（万吨）以及制造业就业人数（人） - 期望产出：工业增加值（亿元） - 不良产出：工业二氧化硫排放量（吨）、工业废水排放量（万吨）和固体废弃物产生量（吨） 数据提供了多种选择。首先，关于工业增加值的计算方法有基于2004年实际GDP以及未经过物价因素调整的结果两种版本。考虑了物价变化后的结果更符合学术标准，但未经平滑处理的数据可能会表现出更好的增长趋势。 此外，在评估工业三废排放时也存在不同组合：一种是二氧化硫与废水的联合评价；另一种则是将所有三种污染物（包括固体废弃物）都纳入考量范围。个人认为，采用二氧化硫和废水排放量加上未经物价因素调整的SBM-GML指数结果最佳，这有助于清晰地展示绿色生产率的增长趋势。
     
  • 全要素生产率计算的代码.do
    优质
    本文件为一款用于分析经济数据、计算全要素生产率的Stata编程代码，适用于经济学研究者及数据分析人员进行深入的数据挖掘与效率评估。 全要素生产率（TFP）是衡量上市公司生产效率和技术进步的关键指标。它体现了企业在生产过程中，在劳动和资本投入之外，由于技术进步、管理创新及组织变革等因素所导致的生产力提升。
     
  • 1990-2022年省级全要素生产率分析
    优质
    本研究通过对1990至2022年间各省数据进行深入分析，评估了中国各省份的全要素生产率变化趋势及其影响因素，为政策制定提供科学依据。 计算方法包括：OLS（普通最小二乘法）、固定效应模型、随机效应模型、参数估计法、非参数估计法、动态广义矩量法(DGMM)、系统广义矩量法(SGM)以及时间固定效应(TFE)，同时采用数据包络分析(M SF A)。产出指标为实际国内生产总值(GDP)，投入指标包括资本存量（通过永续盘存法计算）和社会从业人员总数。 参数设定方面，折旧率设为9.6%（参考张军等人的研究）。价格调整方面，已经完成了价格指数平减处理，并且进行了起始年基期的设定。逐年下降的情况是正常的，在很多论文中都尝试解释结果与预期不一致的原因。 参考文献：《方法、数据与全要素生产率测算差异》
     
  • 全要素生产率分析（思路解析+全面数据源+Python代码）.zip
    优质
    本资料深入讲解如何运用多种方法分析全要素生产率，并提供详尽的数据来源及实用的Python代码示例。适合研究者和从业者学习参考。 全要素生产率Python（思路梳理+全数据源+python代码）.zip