前言

测度决策单元在不同时期的全要素生产率（TFP）表现时，Cave等[1]在投入/产出距离函数（DF）比率的基础上构建的Malmquist指数经常被使用。但将非期望产出纳入Malmquist指数分析时出现了问题，由于Malmquist指数是基于径向的Shepherd距离函数，这在技术上不允许在减少非期望产出的同时增加期望产出，即不会捕获期望产出与非期望产出之间的任何去耦合。为了克服这一问题，Chung等使用方向距离函数（DDF）计算涉及期望产出和非期望产出之间的生产关系，即以非对称的方式处理期望和非期望产出，并进一步使用DDF比率计算Malmquist-Luenberger（ML）指数，而此时的ML指数仍能进一步分解为技术变化和效率变化。同时，ML指数是与DEA方法类似的非参数方法，相对于参数方法还具有以下优势：一是不需要给出决策单元（DMU）的具体统计分布，二是能处理小样本数据和分类变量，三是无需将时间趋势引入到数据分析中，可避免大多数参数方法存在的平滑生产率变化现象。
ML指数因具有上述优点受到学者们的青睐，王兵、朱宁，温炜琳、宋宇，何平等运用ML指数分别分析了中国银行业、中国27家商业银行、澳门银行业和我国上市商业银行的全要素生产率的跨期动态变化。值得注意的是，ML指数在应用中当测度混合时期DDF时可能会出现无可行解的问题。关于无可行解的处理，目前应用较广泛的解决方法是全局Malmquist-Luenberger（GML）指数。GML指数通过构建全局生产可能集，可以从全局角度分析全要素生产率的变化。但GML指数规避了在规模收益不变（CRS）或规模收益可变（VRS）假设下线性规划无解的问题，同时也导致该方法不能直接描述技术效率变化。对此，Färe等[9]的做法是通过放宽非期望产出的限制条件来改进模型。Färe方法较好的解决了CRS条件下混合时期DDF无可行解的问题，但DDF在VRS条件下仍存在无可行解现象。胥敬华、杜娟建议用解决超效率DEA模型无可行解问题的方法，来解决混合时期DDF无可行解的问题。

一、Malmquist-Luenberger指数是什么？

二、ML指数无可行解的原因分析

三、VRS条件下ML指数的改进模型

二、计算步骤

1.执行程序（MATLAB程序，需要安装yalmip包）

代码如下（示例）：

clear;clc;close all;%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%data begin
data=[2005      1   2   7   2.5
2005        2   2   8   3
2005        3   2   10  2.5
2005        4   2   10  3
2005        5   2   9   2.5
2006        1   4   8   3
2006        2   4   9   3.2
2006        3   4   10.5    2
2006        4   4   11  3.5
2006        5   4   10  2.5];year=data(:,1);
province=data(:,2);
output=data(:,4);
bad=data(:,5);
inputs=data(:,3); %data end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%[TN,s]=size(output);
[TN,m]=size(inputs);
[TN,j]=size(bad);
T=2;N=TN/T;
Deot11=[];
Deot12=[];
Deot21=[];
Deot22=[];for t=1:T-1
for i=1:N
Y1=output(1+(t-1)*N:t*N,:)';y1=output(i+(t-1)*N,:)';
Y2=output(1+t*N:(t+1)*N,:)';y2=output(i+t*N,:)';
X1=inputs(1+(t-1)*N:t*N,:)'; x1=inputs(i+(t-1)*N,:)';
X2=inputs(1+t*N:(t+1)*N,:)';x2=inputs(i+t*N,:)';
B1=bad(1+(t-1)*N:t*N,:)'; b1=bad(i+(t-1)*N,:)';
B2=bad(1+t*N:(t+1)*N,:)'; b2=bad(i+t*N,:)';
%%1-1
Y = [Y1 y1] ;
X = [X1 x1] ;
B = [B1 b1];v_theta_11 = superdea_lee_output_gb_fei_VRS( X,Y,B);
Deot11(i+(t-1)*N,1) =v_theta_11(N+1,1);
endfor i=1:N
Y1=output(1+(t-1)*N:t*N,:)';y1=output(i+(t-1)*N,:)';
Y2=output(1+t*N:(t+1)*N,:)';y2=output(i+t*N,:)';
X1=inputs(1+(t-1)*N:t*N,:)'; x1=inputs(i+(t-1)*N,:)';
X2=inputs(1+t*N:(t+1)*N,:)';x2=inputs(i+t*N,:)';
B1=bad(1+(t-1)*N:t*N,:)'; b1=bad(i+(t-1)*N,:)';
B2=bad(1+t*N:(t+1)*N,:)'; b2=bad(i+t*N,:)';%%2-2
Y = [Y2 y2];
X = [X2 x2];
B = [B2 b2];v_theta_22 = superdea_lee_output_gb_fei_VRS( X,Y,B);
Deot22(i+(t-1)*N,1) =v_theta_22(N+1,1);
endfor i=1:N
Y1=output(1+(t-1)*N:t*N,:)';y1=output(i+(t-1)*N,:)';
Y2=output(1+t*N:(t+1)*N,:)';y2=output(i+t*N,:)';
X1=inputs(1+(t-1)*N:t*N,:)'; x1=inputs(i+(t-1)*N,:)';
X2=inputs(1+t*N:(t+1)*N,:)';x2=inputs(i+t*N,:)';
B1=bad(1+(t-1)*N:t*N,:)'; b1=bad(i+(t-1)*N,:)';
B2=bad(1+t*N:(t+1)*N,:)'; b2=bad(i+t*N,:)';%%2-1
Y = [Y1 y2];
X = [X1 x2];
B = [B1 b2];
v_theta_21 = superdea_lee_output_gb_fei_VRS( X,Y,B);
Deot21(i+(t-1)*N,1) =v_theta_21(N+1,1);
endfor i=1:N
Y1=output(1+(t-1)*N:t*N,:)';y1=output(i+(t-1)*N,:)';
Y2=output(1+t*N:(t+1)*N,:)';y2=output(i+t*N,:)';
X1=inputs(1+(t-1)*N:t*N,:)'; x1=inputs(i+(t-1)*N,:)';
X2=inputs(1+t*N:(t+1)*N,:)';x2=inputs(i+t*N,:)';
B1=bad(1+(t-1)*N:t*N,:)'; b1=bad(i+(t-1)*N,:)';
B2=bad(1+t*N:(t+1)*N,:)'; b2=bad(i+t*N,:)';%%1-2
Y = [Y2 y1];
X = [X2 x1];
B = [B2 b1];v_theta_12 = superdea_lee_output_gb_fei_VRS( X,Y,B);                                                                         ;
Deot12(i+(t-1)*N,1) =v_theta_12(N+1,1);
end
endDeot11
Deot22
Deot21
Deot12
ans=[Deot11,Deot22,Deot21,Deot12 ]

2.Lee计算超效率DEA程序

代码如下（示例）：

function [beta]  = superdea_lee_output_gb_fei_VRS( X,Y,B) n=size(X',1);
m=size(X,1);
s=size(Y,1);% function 5  (lee P145)
for j =1:ns_min = sdpvar(m,1);lamda = sdpvar(n-1,1);f = ones(1,m)*s_min;F = [ [X(:,1:j-1), X(:,j+1:n)]*lamda - diag(X(:,j)')*s_min <= X(:,j) ;s_min >= zeros(m,1) ;ones(1,n-1)*lamda == 1;lamda >= zeros(n-1,1) ]; ops = sdpsettings('solver','linprog');optimize(F,f,ops); lamda = value(lamda);s_min = value(s_min);vlamda(:,j) = lamda;vs_min_1(:,j) = s_min;
endvs_min_1% function 6    (lee P145)for j =1:nfei = sdpvar(1,1);lamda = sdpvar(n-1,1);f = -fei;F = [ [Y(:,1:j-1),  Y(:,j+1:n)]*lamda - Y(:,j)*fei >= zeros(s,1) ;[B(:,1:j-1),  B(:,j+1:n)]*lamda - B(:,j)*(2-fei) <= zeros(s,1) ;[X(:,1:j-1), X(:,j+1:n)]*lamda - diag(X(:,j))*vs_min_1(:,j) <= X(:,j) ;ones(1,n-1)*lamda == 1;lamda >= zeros(n-1,1) ]; ops = sdpsettings('solver','linprog');optimize(F,f,ops); lamda = value(lamda);
%     s_plus = value(s_plus);fei = value(fei);vlamda(:,j) = lamda;
%     vs_plus(:,j) = s_plus;vfei(:,j) = fei;
end
vfei% jisuan xiuzheng beta
X_g=[];for i =1:nfor j = 1:mif vs_min_1(j,i)==0;X_g(j,i) = 0;elseX_g(j,i)=X(j,i);endend
endX_gX_s=vs_min_1.*X_gfor i =1:nfor j = 1:mif vs_min_1(j,i)==0;X_X_s(j,i) = 0;elseX_X_s(j,i)=(X(j,i)+X_s(j,i))/X(j,i);endend
end
X_X_s ;    XXX=sum(X_X_s);BB=(X_X_s~=0) ; BBB = sum(BB) ; vfei_s = XXX./BBB;   vfei_s(isnan(vfei_s))=0 ;  fei=1./[1./vfei+vfei_s]';
beta = fei-1;

执行结果（示例）：

总结

例如：以上就是今天讲的关于无可行解下Malmquist-Luenberger指数的改进的相关内容，本文主要在Lee的两阶段方法和Färe方法相结合的基础上，将无可行解问题拓展到非期望产出条件，再在VRS条件下对产出导向DFF函数进行改进，同时证明了改进方法的合理性；通过使用案例数据进行验证，结果表明改进模型在Färe方法有可行解时估值相同，在Färe方法无可行解时能给出合理估值。以上涉及内容尚在发表中，分析过程难免存在错误之处，欢迎各位群友交流，可以联系494679256@qq.com。

无可行解下Malmquist-Luenberger指数的改进相关推荐

【运筹学】线性规划图解法 ( 唯一最优解 | 无穷最优解 | 无界解 | 无可行解 )
文章目录 I . 图解法 II. 图解法处理线性规划问题 ( 取最大值仅有一个最优解的情况 ) III . 图解法处理线性规划问题 ( 取最大值有无穷多最优解 ) IV . 图解法处理 ...
【运筹学】线性规划最优解分析 ( 唯一最优解 | 无穷多最优解 | 无界解 | 无可行解 | 迭代范围 | 求解步骤 )
文章目录一.唯一最优解二.无穷多最优解三.无界解四.无可行解五.线性规划迭代范围六.线性规划求解步骤一.唯一最优解使用单纯形法求解线性规划时 , 得到最优解时 , 所有的非基变量对应的 ...
要记住的Facepalm：我在未先测试SDK的情况下对其进行了改进。
by Rahul Chowdhury 通过拉胡尔·乔杜里要记住的Facepalm:我在未先测试SDK的情况下对其进行了改进. (A Facepalm to Remember: I bumped up ...
matlab 非线性规划如何看是否可行解,[MATLAB数学相关] linprog解线性规划问题无可行解，但lindo能解出来...
linprog解线性规划问题无可行解,但lindo能解出来现在正做一篇论文的模拟实验,需要用到matlab解线性规划,但遇到了下面的问题: f = [256; 256; 121; 225; 196; ...
兜兜SEO工具包：百度网址URL采集、下拉框指数、权重、收录批量查询、文章伪原创一条龙
做SEO的人多少会用到各种查询工具, 今天小编就来分享一些SEO常用工具包: 1.网址批量采集: 多线程换IP一分钟采集3000条,速度超快[突破百度验证码] 实测效率: 电脑配置(四核8G,win1 ...
仙妮SEO工具箱：百度网址URL采集、下拉框指数、权重、收录批量查询、文章伪原创一条龙
做SEO的人多少会用到各种查询工具, 今天小编就来分享一些SEO常用工具包: 1.网址批量采集: 多线程换IP一分钟采集3000条,速度超快[突破百度验证码] 实测效率: 电脑配置(四核8G,win1 ...
CLIP 改进工作串讲（下）
CLIP 改进工作串讲(下) 本文为 CLIP 改进工作串讲(下)[论文精读] 的学习笔记. 图像生成最近一年图像生成领域扩散模型大火,尤其是文本生成图像,DALL-E.imagen 等工作层出不穷 ...
长篇自动驾驶技术综述论文（下）
长篇自动驾驶技术综述论文(下) 三维目标检测鉴于经济性,可用性和研究的广泛性,几乎所有的算法都使用相机作为主要的感知方式.把相机应用在ADS中,限制条件除了前面讨论到的光照等因素外,还有一个问题就是 ...
2017年深度学习优化算法最新进展：如何改进SGD和Adam方法？
2017年深度学习优化算法最新进展:如何改进SGD和Adam方法? 深度学习的基本目标,就是寻找一个泛化能力强的最小值,模型的快速性和可靠性也是一个加分点. 随机梯度下降(SGD)方法是1951年由R ...

无可行解下Malmquist-Luenberger指数的改进