1.41高等教育系統(tǒng)評價方法介紹概述目錄TOC\o"1-3"\h\u561高等教育系統(tǒng)評價方法介紹概述 1135971.1灰色關(guān)聯(lián)綜合評價模型 1285721.2灰色層次綜合評價模型 293531.3Topsis綜合評價研究 5322441.4集對分析組合評價模型 7227361.5VECM模型 9255501.6BP神經(jīng)網(wǎng)絡(luò)方法 10156951.7數(shù)據(jù)包絡(luò)動態(tài)綜合評價研究 1466041.8直覺模糊綜合評價研究 161.1灰色關(guān)聯(lián)綜合評價模型基于灰色關(guān)聯(lián)模型的研究，黨耀國等（2007）對灰色關(guān)聯(lián)模型的計算方法進(jìn)行了改進(jìn)，克服了一些計算方法的缺陷，重新定義曲線的相似性及灰色關(guān)聯(lián)空間，使得計算結(jié)果更加合理地體現(xiàn)了灰色關(guān)聯(lián)度的實質(zhì)。田民（2008）對現(xiàn)有的灰色關(guān)聯(lián)度算法模型進(jìn)行了分類綜述和評價,從而進(jìn)一步促進(jìn)和發(fā)展了灰色關(guān)聯(lián)分析模型。王建玲（2010）建立的灰色關(guān)聯(lián)模型拓展了灰色關(guān)聯(lián)度的應(yīng)用空間，對灰色關(guān)聯(lián)度模型作了兩點改進(jìn)：一是定義了隨機(jī)不確定數(shù)，既能體現(xiàn)隨機(jī)數(shù)的特征且便于計算；二是在此基礎(chǔ)上構(gòu)建了新型灰色關(guān)聯(lián)度，以服務(wù)品牌延伸實例對該模型的有效性進(jìn)行了探討。蔣詩泉,劉思峰,劉中俠,方志耕等（2019）系統(tǒng)梳理了灰色關(guān)聯(lián)分析模型的發(fā)展脈絡(luò)，對未來發(fā)展趨勢進(jìn)行展望。伴隨灰色分析關(guān)聯(lián)模型的改進(jìn)與完善，有更多的學(xué)者采用此種方法來分析解釋各種現(xiàn)象?；陔S機(jī)不確定數(shù)的灰色關(guān)聯(lián)度構(gòu)建：若隨機(jī)不確定數(shù)，，則稱（1.1）為隨機(jī)不確定數(shù)A和B的距離，該距離的取值為，可信度是。設(shè)系統(tǒng)行為隨機(jī)不確定數(shù)序列為則稱（1.2）為隨機(jī)不確定數(shù)與在時刻的關(guān)聯(lián)系數(shù)，其中為點到點的距離；分辨系數(shù)，通常令。那么該時刻點關(guān)聯(lián)系數(shù)取值為的可信度為:（1.3）令（1.4）稱為隨機(jī)不確定數(shù)序列與的關(guān)聯(lián)度。其中，各時刻點的權(quán)重定義為：（1.5）且滿足，。1.2灰色層次綜合評價模型灰色評價模型是一種針對不確定的灰色信息進(jìn)行評價研究的方法，目前灰色評價模型的應(yīng)用整體呈兩種態(tài)勢：以單一灰色評價模型為主要研究方法和以兩種或兩種以上評價模型相結(jié)合的研究方法。本文構(gòu)建的灰色層次分析法模型是極大熵優(yōu)化模型和灰色系統(tǒng)理論組合模型，灰色系統(tǒng)理論的區(qū)間權(quán)重作為約束條件放到優(yōu)化模型里面，通過極大熵優(yōu)化求解，得出最有權(quán)重，解決了層次分析法主觀賦權(quán)的問題。老師是學(xué)生學(xué)習(xí)的合作者，引導(dǎo)者，參與者。研究政策評價常用的評價方法有專家打分法、問卷調(diào)查法、德爾菲法、層次分析法、排序遞減法、TOPSIS法、熵權(quán)法、實物期權(quán)法等，而每種方法都各有優(yōu)劣，為了更加科學(xué)全面的評測風(fēng)險，本文將灰色評價法同層次分析法相結(jié)合，采用區(qū)間灰數(shù)對指標(biāo)進(jìn)行量化分析，對“雙一流”高校教師發(fā)展情況進(jìn)行評價研究。STEP1：標(biāo)準(zhǔn)化處理為了增加計算的準(zhǔn)確度，將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理：（1）求出各變量（指標(biāo)）的算術(shù)平均值（數(shù)學(xué)期望）和標(biāo)準(zhǔn)差；（2）進(jìn)行標(biāo)準(zhǔn)化處理：（1.6）其中：為標(biāo)準(zhǔn)化后的變量值；為實際變量值。STEP2：計算指標(biāo)最優(yōu)決策的概率范圍（1）計算各項指標(biāo)的算數(shù)平均值并加總，公式如（1.7）—（1.14）（1.7）三級指標(biāo)的總均值：（1.8）一級和二級指標(biāo)的總均值：（1.9）計算各項指標(biāo)的概率值：（1.10）計算標(biāo)準(zhǔn)偏差：（1.11）確定上下界：（1.12）STEP3：計算組合權(quán)重（1.13）按層對指標(biāo)權(quán)重進(jìn)行加權(quán)，計算組合權(quán)重：（1.14）圖1-1層次分布圖層個因素，，對總目標(biāo)的排序為，層個因素對上層中因素為的層次單排序為。1.3Topsis綜合評價研究Topsis法是進(jìn)行多目標(biāo)決策時常用的一種決策方法，它沒有嚴(yán)格的樣本量大小限制，應(yīng)用的領(lǐng)域廣泛且運算比較簡單，因此它的思想可以應(yīng)用到高校土地集約評價的領(lǐng)域中。Topsis法評價對象最靠近最優(yōu)解的同時又遠(yuǎn)離最劣解是最理想的構(gòu)成。各指標(biāo)值都達(dá)到各評價指標(biāo)的最優(yōu)值便是最優(yōu)解，各指標(biāo)值都達(dá)到各評價指標(biāo)的最差值便是最劣解。對各個方案進(jìn)行最優(yōu)解和最劣解的比較，在分析過程中找出最靠近最優(yōu)解和遠(yuǎn)離最劣解的方案，這個方案便是為我們要選擇的最佳方案。STEP1：利用原始數(shù)據(jù)構(gòu)建矩陣若評價體系的評價對象有n個，評價指標(biāo)有p個，那么我們可以構(gòu)建一個n×p的空間矩陣，記為。（1.15）STEP2：對標(biāo)準(zhǔn)化處理原始數(shù)據(jù)為了數(shù)據(jù)的可比性，從而將正向效益型指標(biāo)和負(fù)向成本型指標(biāo)都轉(zhuǎn)化為同向影響指標(biāo)。我們對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理可以得到標(biāo)準(zhǔn)化矩陣，記為。（1.16）式中，。（1.17）STEP3：各個指標(biāo)的權(quán)重的確定分析各個指標(biāo)對研究的評價結(jié)果的影響程度，確定指標(biāo)的權(quán)重是必不可少的步驟。確定權(quán)重的方法有很多，本章采用變異系數(shù)法來確定各個指標(biāo)的權(quán)重。STEP4：加權(quán)規(guī)范化矩陣的構(gòu)建（1.18）公式（1.18）中：，，為第j個指標(biāo)權(quán)重值。STEP5：最優(yōu)解和最劣解的確定由加權(quán)規(guī)范化矩陣，得到評價對象的各個指標(biāo)的理想解和負(fù)理想解,假設(shè)第j個指標(biāo)是效益型指標(biāo)，則有：（1.19）（1.20）若第j個指標(biāo)是成本型指標(biāo)，則有：（1.21）（1.22）在公式中，為正向效益型指標(biāo)集，為負(fù)向效益型指標(biāo)集。STEP6：計算距離理想解距離采用加權(quán)歐式距離公式來計算加權(quán)規(guī)范化矩陣中各樣本點到最優(yōu)解的距離和最劣解的距離。具體公式為：（1.23）（1.24）STEP7：綜合評價各樣本點與理想解的相近程度的計算公式為：（1.25）1.4集對分析組合評價模型當(dāng)多種評價方法對同一個評價對象給出不同的評價排序時，通過第i個被評價對象在第種方法下排名的分?jǐn)?shù)r與第k名次的標(biāo)準(zhǔn)分?jǐn)?shù)n-k+1的相同程度，計算m種評價方法的平均同一度uik。若被排序第k名的第i個被評價對象在不同對象中的平均同一度u1k，u2k，…，unk中最大(uik=uk)時，則第i個城市的最終排序為第k名，這就是集對分析組合評價的原理。STEP1：集對分析組合評價模型建立的步驟（1）通過對實驗室評價指標(biāo)的規(guī)范化處理對指標(biāo)打分。（2）用不同的單一評價方法如標(biāo)準(zhǔn)差貢獻(xiàn)率法、熵值法和變異系數(shù)法等客觀評價法對評價指標(biāo)進(jìn)行賦權(quán)。（3）對一個特定的評價對象，根據(jù)指標(biāo)得分和不同的單一評價方法得到的指標(biāo)權(quán)重，得到不同的評價結(jié)果和排名。（4）對（3）中得到的不同排名進(jìn)行KENDAL一致性檢驗。若一致性檢驗通過進(jìn)行下一步；若不通過檢驗，則返回進(jìn)行（2）和（3）工作，直至通過檢驗。（5）把（4）中的不同排名轉(zhuǎn)換成排名的分?jǐn)?shù)。（6）用集對分析對（5）中得到的排名分?jǐn)?shù)計算平均同一度。（7）按照（6）中得到的平均同一度進(jìn)行排名。（8）對（7）中的排名次序與單一評價方法的排名次序進(jìn)行Spearman一致性檢驗（9）如果通過一致性檢驗，說明集對分析組合評價結(jié)果和原始單一評價法的評價結(jié)果完全一致，得到最終的綜合評價結(jié)果。如果一致性檢驗不通過，則返回重復(fù)進(jìn)行（2）-（8）的工作，直至最后的評價排名次序通過Spearman一致性檢驗。STEP2：集對分析組合評價中單一評價方法的賦權(quán)（1）標(biāo)準(zhǔn)差貢獻(xiàn)率法賦權(quán)設(shè)：ωk為第k個指標(biāo)的權(quán)重；xik為第i個評價對象第k個指標(biāo)規(guī)范化后的值；n為被評價對象的個數(shù)；l為社會評價指標(biāo)數(shù)量，標(biāo)準(zhǔn)差貢獻(xiàn)率法得到的權(quán)重ωk為：（1.26）（2）熵權(quán)法求指標(biāo)權(quán)重一是計算社會發(fā)展評價指標(biāo)的熵值。設(shè)：Wk為第K個評價指標(biāo)的熵值，熵值計算公式為：（1.27）二是構(gòu)建實驗室評價指標(biāo)熵權(quán)集合。設(shè)：所有實驗室評價指標(biāo)的熵權(quán)集合為d'[d'1，d'2，…，d'u]，第k個評價指標(biāo)的熵權(quán)：（1.28）STEP3：變異系數(shù)法賦權(quán)利用變異系數(shù)法求得的權(quán)重ωk為：（1.29）STEP4：單一評價方法的評價把第i個被評價對象的綜合評價得分設(shè)為di，然后我們再利用線性加權(quán)評價方程得到：（1.30）根據(jù)上述公示得到的得分進(jìn)行排序。1.5VECM模型運用向量自回歸模型（VARM）以及向量誤差修正模型（VECM），通過Johansen協(xié)整檢驗的方法確定VECM，并采用脈沖響應(yīng)分析的方法，探討相互影響的內(nèi)在關(guān)系。STEP1：格蘭杰因果分析首先解釋變量設(shè)為X，被解釋變量為Y。設(shè)定模型為：（1.31）ε表示隨機(jī)擾動項或隨機(jī)誤差項。（1）平穩(wěn)性檢驗時間序列數(shù)據(jù)不平穩(wěn)會造成“虛假回歸”的現(xiàn)象，為了保證數(shù)據(jù)的穩(wěn)定性，在建立回歸模型之前先要對涉及的變量數(shù)據(jù)進(jìn)行單位根檢驗，以防止模型的偽回歸。通過Eviews做單位根檢驗，對X和Y的時間序列進(jìn)行ADF平穩(wěn)性檢驗。（2）協(xié)整分析上述得出二者均不平穩(wěn)的檢驗結(jié)果，因此，下一步進(jìn)行協(xié)整分析。建立模型Y=α+βX+ε,做兩變量回歸后，檢驗回歸殘差的平穩(wěn)性。（3）格蘭杰因果檢驗經(jīng)過上述一系列對數(shù)據(jù)的處理，最后可以確定數(shù)據(jù)已為平穩(wěn)的時間序列，并結(jié)合對方程的求解結(jié)果，接下來，為了確定教育投資和經(jīng)濟(jì)增長（GDP）二者是否具有相互影響的關(guān)系，對數(shù)據(jù)進(jìn)行了滯后期分別為2、3、4、5、6、7的Granger因果檢驗STEP2：回歸模型建立（1）回歸方程建立根據(jù)上述的單位根檢驗和格蘭杰檢驗結(jié)果，從長期來看具有穩(wěn)定的關(guān)系。所以，可以使用Y=α+βX+ε這一模型進(jìn)行二者關(guān)系的分析。（1）F-檢驗在顯著性水平0.1下，根據(jù)上圖的統(tǒng)計分析結(jié)果對回歸方程進(jìn)行檢驗。確定原假設(shè)H0：β1=0，觀察F檢驗統(tǒng)計值，在顯著性水平下的值。重復(fù)上述F檢驗的步驟，R2所代表的擬合度以及F檢驗統(tǒng)計值的結(jié)果看是否具有相關(guān)性。STEP3：模型構(gòu)建和統(tǒng)計分析首先，為消除異方差和多重共線性問題對時間序列平穩(wěn)性的影響，并縮小數(shù)據(jù)之間的差距，對所取數(shù)據(jù)進(jìn)行了對數(shù)化處理。其次，在建立模型之前采用ADF法對涉及的變量數(shù)據(jù)進(jìn)行單位根檢驗，以確保序列平穩(wěn)性，STEP4：Johansen協(xié)整檢驗及VEC模型建立為檢驗變量之間的協(xié)整關(guān)系存在與否，本文運用Johansen協(xié)整分析方法，確定DLN_GDP和DLN_EA之間是否存在協(xié)整關(guān)系及協(xié)整方程的個數(shù)。STEP5：脈沖響應(yīng)分析本文采用脈沖響應(yīng)分析（包括DLN_GDP對DLN_EA的沖擊響應(yīng)和DLN_EA對DLN_GDP的沖擊響應(yīng)）的方法，首先對一階單整序列DLN_GDP和DLN_EA進(jìn)行AR根值法來確定序列的穩(wěn)定性。1.6BP神經(jīng)網(wǎng)絡(luò)方法人工神經(jīng)元實現(xiàn)了生物神經(jīng)元的抽象、簡化與模擬，它是人工神經(jīng)網(wǎng)絡(luò)的基本處理單元。大量神經(jīng)元的相互連接，才得以構(gòu)成龐大的神經(jīng)網(wǎng)絡(luò)，從而實現(xiàn)復(fù)雜信息的處理與存儲，同時表現(xiàn)出各種優(yōu)越的特性。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)是人工智能領(lǐng)域的基本算法之一，它是在1943年被心理學(xué)家McCulloch和數(shù)學(xué)家Pitts合作提出的數(shù)學(xué)模型。并在之后不斷完善發(fā)展到今天的。它的主要應(yīng)用領(lǐng)域涉及到模式識別、智能機(jī)器人、非線性系統(tǒng)識別、知識處理等。（1）模型介紹最普遍的只有單個隱藏層的神經(jīng)網(wǎng)絡(luò)模型是三層感知器，這三層為輸入層、隱藏層和輸出層。在感知器中的輸入向量為；隱藏層輸出向量為；輸出層輸出向量為；期望輸出向量為。輸入層到隱藏層之間的權(quán)值矩陣用表示，，其中列向量為隱藏層第個神經(jīng)元對應(yīng)權(quán)向量；隱藏層到輸出層之間的權(quán)值矩陣用表示，，其中列向量為輸出層第個神經(jīng)元對應(yīng)的權(quán)向量。在三層感知器數(shù)學(xué)模型中，存在各層信號之間的數(shù)學(xué)關(guān)系，如下：對于隱藏層，有（1.32）對于輸出層，有（1.33）公式（1.32）和（1.33）中，變換函數(shù)通常均為單極性函數(shù)：（1.34）函數(shù)具有可導(dǎo)、連續(xù)的特點，對于式（1.34），有（1.35）根據(jù)需要，也可以采用雙極性函數(shù)：（1.36）為降低計算復(fù)雜度，根據(jù)需要，輸出層也可以采用線性函數(shù)：（1.37）（2）BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法BP學(xué)習(xí)算法的實質(zhì)，是求取關(guān)于網(wǎng)絡(luò)總誤差函數(shù)的最小值，可以采用“最速下降法”，按照誤差函數(shù)的負(fù)梯度方向，對權(quán)系數(shù)進(jìn)行相應(yīng)的修正。具體學(xué)習(xí)算法有兩個過程：第一個過程是關(guān)于輸入信號的正向傳播，第二個過程是關(guān)于輸出誤差信號的反向傳播。信號的正向傳播是指：樣本先從輸入層開始，再到隱藏層單元，一層接一層地進(jìn)行處理，把所有的隱藏層經(jīng)過之后，再傳向輸出層；最后傳到輸出層，模型會把現(xiàn)行輸出和期望輸出進(jìn)行比較，如果出現(xiàn)現(xiàn)行輸出與期望輸出不相等的情況，模型就會進(jìn)入反向傳播過程。誤差的反向傳播是指在傳播過程中，把誤差信號以正向傳播的通路反方向進(jìn)行傳回，同時對各個隱藏層的神經(jīng)元權(quán)系數(shù)依次進(jìn)行修改，使信號誤差趨向最小。一個變量從傳播到該層的誤差大小，決定了網(wǎng)絡(luò)各層的權(quán)值。（3）BP算法推導(dǎo)下面以三層BP神經(jīng)網(wǎng)絡(luò)模型為例，推導(dǎo)BP學(xué)習(xí)算法STEP1：網(wǎng)絡(luò)的誤差如果網(wǎng)絡(luò)輸出與期望輸出不相等時，那么就存在輸出誤差，如下：（1.38）將以上誤差展開至隱藏層，有（1.39）進(jìn)一步展開至輸入層，有，（1.40）STEP2：基于梯度下降的網(wǎng)絡(luò)權(quán)值調(diào)整由上式（1.40）可知，神經(jīng)網(wǎng)絡(luò)的輸入誤差是關(guān)于每層權(quán)值和的函數(shù)，所以通過調(diào)整權(quán)值就可以改變誤差。權(quán)值調(diào)整的原則應(yīng)使誤差不斷地減小，可以采用梯度下降算法，使權(quán)值的調(diào)整量與誤差的梯度下降成正比，即（1.41）（1.42）上式中，負(fù)號表示梯度下降，常數(shù)為比例系數(shù)，反映了學(xué)習(xí)速率。顯然，BP算法屬于學(xué)習(xí)規(guī)則。式（1.41）與式（1.42）只是用數(shù)學(xué)表達(dá)了對權(quán)值的調(diào)整思路，不是權(quán)值調(diào)整的具體計算公式。下面進(jìn)行三層BP算法權(quán)值調(diào)整的計算式推導(dǎo)。假設(shè)在全部推導(dǎo)過程中，對各個輸出層有，；對各個隱藏層有，。對于輸出層，式（1.41）可寫為（1.43）式（1.42）可寫為（1.44）對輸出層和隱藏層各定義一個誤差信號，令：（1.45）（1.46）綜合應(yīng)用式（1.33）和式（1.45）。可將式（1.43）的權(quán)值調(diào)整式改寫為（1.47）綜合應(yīng)用式（1.35）和式（1.46）?？蓪⑹剑?.44）的權(quán)值調(diào)整式改寫為（1.48）可以看出，對式（1.45）與式（1.46）中的誤差信號和進(jìn)行計算，那么權(quán)值調(diào)整量的計算推導(dǎo)也算完成。輸出層可展開為（1.49）隱藏層可展開為（1.50）下面求式（1.49）與式（1.50）中網(wǎng)絡(luò)誤差對各層輸出的偏導(dǎo)。輸出層：利用式（1.38），求偏導(dǎo)可得（1.51）隱藏層：利用式（1.39），求偏導(dǎo)可得（1.52）以上結(jié)果代入式（1.49）和式（1.50），并應(yīng)用式（1.37）與求得（1.53）（1.54）將式（1.53）與式（1.54）代入式（1.47）與式（1.48），可得三層感知器的BP學(xué)習(xí)算法權(quán)值調(diào)整的計算公式：（1.55）（1.56）STEP3：BP學(xué)習(xí)算法的向量形式輸出層：設(shè)，，則隱藏層到輸出層之間的權(quán)值矩陣調(diào)整量為（1.57）隱藏層：設(shè)，，則輸入層到隱藏層之間的權(quán)值矩陣調(diào)整量為（1.58）由式（1.57）與式（1.58）得出：在BP學(xué)習(xí)算法中，網(wǎng)絡(luò)的期望輸出和實際輸出之差反映了輸出誤差的信號，每個隱藏層的誤差信號和之前每層的誤差信號相關(guān)，從輸出層開始傳輸，逐層反傳到輸入層。1.7數(shù)據(jù)包絡(luò)動態(tài)綜合評價研究關(guān)于效率的測算，一般通常采用有效前沿分析。前沿分析方法包括隨機(jī)前沿分析（SFA）和數(shù)據(jù)包絡(luò)分析(DEA)。與SFA相比，DEA能解決多投入和多產(chǎn)出的問題，基于DEA法這一優(yōu)點，本文將利用DEA法來測算高?？蒲薪逃??；诓煌a(chǎn)可能集,且滿足凸性、錐性、無效性及最小性假設(shè)，在規(guī)模報酬不變的假定下，Charnes（1978）等提出了CCR-DEA模型，用來評價各決策單元的相對有效性。在現(xiàn)實經(jīng)濟(jì)環(huán)境中，不完全競爭、政府管制、財務(wù)約束等因素將導(dǎo)致決策單元不能在最優(yōu)規(guī)模下運營，Banker基于生產(chǎn)可能集規(guī)模報酬可變假定，提出了非阿基米德無窮小量BCC-DEA模型，以克服CCR-DEA模型的缺陷。通過運行DEAP2.1軟件，每個決策單元的綜合技術(shù)效率、純技術(shù)效率、規(guī)模效率指數(shù)可以獲得，三者的關(guān)系是綜合技術(shù)效率=純技術(shù)效率x規(guī)模效率。BCC-DEA模型的判別規(guī)則是：如果某廠商的效率值等于1時，即θ=1且S-i=0、S+r=0，則表明該廠商位于前沿面上，因而其效率是有效的，反之，如果某廠商的效率值不等于1，則其效率是無效的。DEA-BCC模型能夠?qū)孛鏀?shù)據(jù)或者時間序列數(shù)據(jù)的進(jìn)行效率測量，但無法測量某一DMU的動態(tài)演進(jìn)變化趨勢，Malmquist指數(shù)法克服了這一缺陷，即全要素生產(chǎn)率能夠表現(xiàn)出某一DMU的不同時期的效率變化趨勢。Malmquist指數(shù)最早是被S.Malmquist提出，他將此方法用來研究消費。后來，此方法與DEA理論相結(jié)合，逐漸發(fā)展，被廣泛應(yīng)用于各個領(lǐng)域。它可以利用多種投入與多種產(chǎn)出來進(jìn)行相對效率分析。本文在此引入1997年，Ray與Desli對FGNZ修正過的Malmquist模型，Malmquist指數(shù)可以分解為技術(shù)進(jìn)步指數(shù)（TC）與綜合技術(shù)效率變化指數(shù)（TEC），綜合技術(shù)效率變化指數(shù)又可以分解為純技術(shù)效率變化指數(shù)（PTEC）與規(guī)模效率變化指數(shù)（SEC）。（1.59）上式中，、、、分別表示在時期以及時期的投入產(chǎn)出數(shù)量。在規(guī)模報酬不變的情況下，、是在時期以及時期的距離函數(shù)。、是在時期以及時期的距離函數(shù)。同理，在規(guī)模報酬可變的情況下、是在時期以及時期的距離函數(shù)，、是在時期以及時期的距離函數(shù)。當(dāng)大于1，表示從時期以及時期的全要素生產(chǎn)率呈現(xiàn)上升的趨勢，若等于1，表示效率不變，若小于1，表示效率下降。而TEC反應(yīng)決策單元在時期以及時期內(nèi)的技術(shù)效率變動情況，若TEC大于1，表示技術(shù)效率改善，小于1，表示技術(shù)效率惡化。TC表示技術(shù)進(jìn)步情況，若大于1，表示產(chǎn)業(yè)技術(shù)進(jìn)步