英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料
用于评估约旦工业部门能源效率和生产率的DEA窗口分析和Malmquist指数
本研究使用数据包络分析(DEA)对1999年至2013年工业部门的能源效率和生产率增长进行了评价。分析了两个案例;在第一种情况(GVA)中，产出是增加的总值，而在第二种情况(GCO)中则考虑两种产出:COemission和GVA。2 在这两种情况下都要考虑五个关键的输入因素。从DEA窗口分析可知，技术无效率(TIE)值在windows(2001-2005)到(2003-2007)、(2007-2011)和(2008-2012)中为零，而纯技术无效率(PTIE)值在windows(1999-2003)到(2003-2007)中为零。最后，在windows(2001 - 2005)到(2003-2007)中，scale (SIE)值为零。这些结果有助于政策规划人员在一段时间内如何更好地利用资源和管理效率，并指导业务管理人员何时增加或减少规模。此外，GVA情况下的无效值平均值小于GCO情况下的无效值平均值，这说明了co - emission对效率的负面影响。2 此外，Malmquist指数估计为3个5年能量计划。第三个计划(2009-2013年)的生产率指数小于1，表明生产率增长下降。总之，研究结果为评估工业部门的能源效率和生产率进展提供了宝贵的支持。关键字DEA。能源部门。窗口分析。Malmquist指数。COemission2
介绍
最近，人们越来越关注能源消耗及其对环境的不利影响。在约旦，能源消费被分为三个主要部门:工业、住宅和交通。工业部门约占能源消耗的22%。由于能源在商业上非常有限，人们已投入大量精力去发现能源生产所需的自然资源。研究表明，在2000年和2011年期间，当地生产的贡献不超过5%。此外，预计从2011年到2020年，电能需求将增长43%。最后，石油价格的波动和价格的逐月上涨对能源消耗有显著的影响(al - ghandoor et al.)。2008)。
能源部门的效率测量
效率测量在能源的制定、应用和评价中起着重要的作用
一个。Al-Refaie (*)
约旦大学工业工程系，约旦安曼11942
电子邮件:abbas.alrefai@ju.edu.jo
M。Hammad
约旦安曼约旦大学工业工程硕士学位
m . lt; H。李
台湾台中逢甲大学工业工程与系统管理系
政策(Shi等。2010;马丁内斯2011)。在实践中，有两个产出指标被用来评估能源部门的绩效，包括总增加值和共排放。2 这两个指标受到几个输入指标的影响，包括员工人数、企业数量、能源消耗、中间消耗和员工薪酬。为了评估一段时间内的能源效率，有必要将这些投入和产出措施合并成一个单独的措施，即效率分数，其计算方法为加权产出措施的总和除以加权投入措施的总和。一种广为人知的效率测量方法是使用数据包络分析(DEA)，它评估了多个输入和输出的同质决策单元(DMUs)的性能(al - refaie等)。2014 a, b, c;库珀等。2004)。图1展示了DEA的基本概念。DEA方法将应用于图中S1、S2、S3和S4点。1.DMUs定义了S1、S2、S3和S4单元的效率，它们提供了一个围绕整个数据集的信封(最佳实践边界);其他单位在这个范围内，效率很低。一个低效的决策单元可以通过将它们移动到有效边界来改进。
最著名的DEA模型是Charnes等人提出的CCR模型。(1978)和Banker等人提出的BCC模型。(1984)。数据包络分析已在广泛的商业应用中被用于评估效率(Li等人)。2014;Al - Refaie 2014;王等。2012;Al-Refaie 2009)。
然而，在使用DEA时，一个重要的经验法则是，DMUs的数量至少是输入和输出数量之和的两倍(Al-Refaie 2011;Al-Refaie 2010)。否则，该模型可能会产生大量相对高效的单元，降低识别能力。为了解决这个难题，DEA窗口分析(Charnes等。(1985年)，其中一个决策单元在任何时期的表现，可以与它在其他时期的表现，以及其他决策单元的表现进行比较。随着时间的推移，窗口应该尽可能小，以最小化不公平比较，但仍然足够大，有足够的样本量(Asmild等人)。2004)。采用窗口分析方法对2001-2005年台湾电信企业的效率进行了测度(Yang and Chang 2009)，并对意大利酒店业的规模与效率之间的关系进行了研究(Pulina et al.)。2010年)，并对伊朗木板业的绩效进行评估(Hemmasi等人)。2011)。
Malmquist生产力指数
非参数Malmquist生产力指数(MPI)是一种正式的时间序列分析技术，通过求解一些dea类型的模型来进行DMUs随时间的性能比较(Malmquist 1953)。MPI反映了在多投入、多产出的框架下，随着前沿技术的进步或倒退，效率的增减。当MPI大于1时，DMU从t期到t 1期的生产率提高，当MPI等于1时，生产率保持不变，当MPI小于1时，生产率下降(Fare et al.)。1994)。Malmquist指数在几个应用中被用来评估生产率增长。例如，Odeck(2000)结合DEA和Malmquist指数分析了挪威机动车检验机构1989-1991年期间的效率和生产率增长。马等。(2002)采用DEA方法和1989-1997年中国钢铁工业的Malmquist指数，以期在减少排放和浪费的同时提高产量。陈等人。(2006)运用DEA与Malmquist指数，分析1991-1999年台湾新竹科技园区发展的六个高科技产业的比较绩效与成长潜力。
在此背景下，本研究旨在评估1999年至2013年工业部门的能源效率。分析了1999-2003年、2004-2008年和2009-2013年三个五年能源战略规划的效率和生产率增长情况。在实践中，这项研究的结果将有助于决策者制定、应用和评价约旦工业部门的能源政策。本文的其余部分组织如下
下一节将讨论DEA模型部分，然后是数据收集与分析、结果与讨论、研究结论。
DEA模型
CCR、BCC和窗口分析
CCR模型假设不变的规模收益(CRS)，其中输入的增加导致输出结果的增加。估计的效率将在0到1之间。图2显示了CCR模型的生产边界。
考虑一组nDMUs。对于DMUk，设y(r =1，hellip;，s)表示第r个输出的电平，x(i=1，hellip;，m)表示第i个输入的电平。rkik通过求解面向输入的CCR模型，计算出具体DMU (DMUk)的效率分值如下:
theta;无限制的符号
最优theta;用theta;*满足0le;theta;*le;1。如果theta;* = 1,测量下的DMU是技术效率。CCR面向输入的模型寻求在满足至少给定输出水平的同时最小化输入。因此，得到的效率分数代表了技术效率(TE)，它反映了假设DMU的操作规模是最优的情况下，企业从给定的一组投入中最大化产出的能力。
另一方面，如果怀疑投入的增加不会导致产出的成比例的变化，则DMU在按比例回报的变量下运行。图3显示的是BCC模型的生产边界，BCC模型衡量的是纯技术效率(PTE)，而PTE忽略了规模的影响，只将DMU与相同规模的单位进行比较。
PTE测量DMU在外生环境下如何利用其资源;低PTE意味着DMU对其资源的管理效率低下。计算PTE得分,以下BCC模型:
使用BCC模型，可以将TE分数分解为PTE和scale efficiency (SE)分数，它们之间的关系表示为:
SE衡量的是规模大小如何影响效率。SE提供了管理人员选择最优资源大小的能力，即(三)生产规模，达到预期的生产水平。
最后，为了进行DEA窗口分析，考虑N个DMUs (N = 1，hellip;，N)，它们都使用r输入产生s输出，并且在T (T = 1，hellip;，T)周期内被观察到。令dmu表示t时段的观测n，其中输入向量x，输出向量y由Eq给出。tn tn tn (2 b)。
如果窗口开始时间为k(1le;kle;T)，宽度为w(1le;wle;Tminus;k)，则输入和输出矩阵表示为Eqs。(2c)及(2d)。
将DMUinto CCR或BCC模型的输入和输出代入，得到DEA窗口分析结果。tn
Malmquist指数
MPI可以用来估计能源部门的生产率增长，它可以分解为效率变化和技术变化。生产率的概念通常指劳动生产率被定义为效率变化(赶超)和技术变化的产物(frontier-shift)。如果MPI指标值大于1，则表示MPI从时期(t)增长到时期(t 1)，而值小于1则表示MPI增长或性能相对于前一年有所下降。Malmquist框架如图所示。(4)生产边界(production frontier)表示在给定的投入水平(x)下所能生产的有效产出水平(y)。我们的假设是，前沿会随着时间的推移而改变。在当前(t)和未来(t 1)时间段内得到的边界将相应地标记。因此，当无效率存在时，任何给定的决策单元随时间的相对移动将取决于其相对于相应前沿的位置(技术效率)和前沿本身的位置(技术变化)。如果低效率被忽略，那么随着时间的推移，生产率的增长将无法区分来自于DMU追赶其自身前沿的改进和来自于前沿本身随时间推移而变化的改进。
假设theta;t (xto人)和theta;t 1 (xto人)DMU的input-oriented效率措施是根据其输入和输出在周期t t和t 1参考技术。进一步假设theta;t (xto 1人 1)和theta;t 1 (xto 1,人 1)输入-以t 1时期的输入和输出为基础，以t和t 1时期的参考技术为基础，面向决策单元的效率度量。MPI是使用Eq计算的。(2 e)。
生产率变化可分为技术变化和效率变化两部分。效率变化部分，括号外的项，测量相对效率随时间的变化。技术变更部分，即方括号内的术语，反映了最佳实践前沿从t到t 1的转变。为了计算theta;t 1 (xtolambda;)和theta;t (xto 1lambda; 1),线性编程
必须解决模型问题。theta;t (xt 1次 1)和theta;t oo
1(xto, yto)表示为IEIt 1→t, IEIt→t 1，
数据收集与分析
数据收集和描述性分析
在本研究中，数据被收集为五个输入措施的时间序列，包括员工的数量，机构的数量，能源消费、中间消费和员工薪酬，两个产出指标分别是1999年至2013年的总增加值和共排放。2 收集到的数据显示在表1中。收集到的输入和输出变量数据的描述性统计如表2所示，其中注意到所有测度的变异系数(标准差除以平均值)均大于5%。这一结果表明，在1999年至2013年期间，各项指标均存在显著差异。最大的变异系数对应于中间消耗53。84%。就产出衡量而言，总增加值(1000 JD)和二氧化碳排放量的最大值(最小值)为4259,447。55(1,186,882)和4,189,903。2 (2,735,334) kg，分别对应于2010(1999)和2007(2012)。表3给出了各因素之间的评价相关矩阵。该值的相关系数大于0。8表示强相关性，而值小于0。6意味着弱相关。研究发现，总增加值与员工数量(p值lt; 0.0001)、企业数量(p值= 0.004)、员工薪酬(p值= 0.940)、中间消费(p值= 0.931)显著相关。而CO2排放量与员工人数(p值= 0.007)、能耗(p值lt; 0.001)显著相关。
DEA分析窗口
在DEA窗口分析中将分析两个案例。第一个案例(GVA)考虑一个理想的输出度量，即总增加值，和五个输入度量，包括xto x。1 5而第二种情况(贺卡业务)则分别认为总增值和共同排放是一种可取和不可取的产出措施，五种投入措施。2 然后，对每个案例进行窗口DEA分析，如下所示。
技术效率
从1999年到2013年收集的输入和输出数据被分为9个窗口。例如，第一行的时间段为1999年到2003年，即窗口长度为5年。下一个row展示了2000年到2004年的窗口，等等。窗口数量和数据点数量如下:
<td
剩余内容已隐藏，支付完成后下载完整资料</td
资料编号：[238474]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
|
表1 1999年至2013年的数据 |
|||||||
|
一年 |
总增加值共排放(kg)数2 |
的数量 |
能源消耗补偿 |
中间 |
|||
|
(1000 JD) |
员工 |
机构(相当于食油) |
员工(1000 JD |
||||
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
