对我国技术效率的测算随机前沿生产函数的应用
第25卷 第5期2004年 9月 科 研 管 理Science Research Management
Vol.25,No.5
Sep , 2004
收稿日期:2003-06-04.
作者简介:何 枫(1975-),男(汉),湖南浏阳人,博士,现为西北大学经济管理学院经济学博士后及陕西师范大学国际商学院副教授。
陈 荣(1976-),女(汉),辽宁海城人,现为香港中文大学工商管理学院博士研究生。郑江绥(1974-),男(汉),陕西绥德人,经济学博士,现为陕西师范大学国际商学院讲师。
文章编号:1000-2995(2004)05-004-0100
对我国技术效率的测算:随机前沿生产函数的应用
何 枫1,陈 荣2,郑江绥3
(1西北大学经济管理学院经济学博士后流动站,中国西安 710069;
2香港中文大学工商管理学院,中国香港,新界沙田;
3陕西师范大学国际商学院,中国西安 710062)
摘要:本文在1981—2000年间我国29个省市数据的基础上,运用随机前沿生产函数(Stochastic Frontier Pro 2
duction Function )模型对我国改革开放以来20年间的技术效率变迁进行了测算。分析结果表明,我国整体的
平均技术效率水平是相对较低的,但其在20年中却一直呈现出稳步上升趋势。关键词:随机前沿分析;技术效率;生产函数中图分类号:F224.0 文献标识码:A
1 引言
技术效率的测量最早是由Farrel (1957)和
Afriat (1972)提出来的。技术效率和生产性可能性边界是联系在一起的。测量技术效率通常有两种方法,一种是非参数方法,另一种是参数方法。非参数方法首先根据样本中所有个体的投入和产出构造一个能够包容所有个体生产方式的最小的生产性可能性集合:即所有要素和产出的有效组合。所谓“有效”,即是以一定的投入生产出最大产出,或以最小的投入生产出一定的产出。但是,在实践中,人们更倾向于使用参数方法来测算技术效率。本研究将在对数型柯布—道格拉斯生产函数的基础上,运用随机前沿分析技术(Stochas 2tic Frontier Analysis ,以下简称SFA 技术)对我国改革开放以来20年间的技术效率进行测量。
2 SFA 模型的基本原理
根据S.C.Kumbhakar & C.A.K.Lovell (2000,p8-10)的总结,研究者们一致认为Meeusen &Broeck (1977)、Aigner ,Lovell ,and Schmidt (1977)与Battese &Corra (1977)这三篇论文是标志着SFA 技术诞生的开创性文献。
他们的模型基本上可以表达为y =f (x ;β)?ex p
(v -u ),其中,y 代表产出、x 表示一组矢量投
入、
β为一组待定的矢量参数。误差项ε为复合结构,第一部分v 服从N (0,σ2
v )分布,v ∈iid (独立一致分布)。第二部分u ≥0,用以表示那些仅仅对某个个体所具有的冲击;因此,该个体的技术效率状态则用T E =exp (-u )来表示。这样的话,当u =0时,厂商就恰好处于生产前沿上(即y
=f (x ;β)?ex p (v ));若u >0,厂商就处于生产前沿下方,也就是处于非技术效率状态。图1直
观地显示了技术效率的定义。
根据对u 所服从分布的假设不同,SFA 技术
在具体估计上也有着不同的方法。本文拟在Bat 2
tese &Coelli (1992)模型的基础上,利用我国1981～2000年间的省际数据测算我国的平均技术效率状态。Battese &Coelli (1992)模型的基本原理是,考虑一组涉及N 个个体且时期数为T 的面板数据(Panel Data ),有:
ln (y it )=β0+∑n
βln nit +v it -u it
(1)T E it =ex p (-u it )(2)u it =β(t )?u i
(3)β(t )=ex p{-η?
(t -T )}(4)γ=σ2
u
σ2v +σ2
u
(5
)
图1 技术效率示意图
在式(1)中,i 为个体的序号,i =1,…,N ;t 为时期序号,t =1,…,T ;y 为因变量,x 为一组解释变量;β0为截距项;βn 则为一组待估计的矢量参数。式(1)的误差项εit 由两部分组成,第一
部分v it ∈iid 并服从N (0,σ2v )分布;第二部分为
u it 非负数,它反映那些在第t 时期仅仅作用于第i 个个体的随机冲击变量。u it ∈iid 并服从正态截
断分布(Trucnciton at zero of the N (u ,σ2v )),v it 与u it 之间是相互独立的。在式(2)中,T E =ex p
(-u it )表示样本中第i 个个体在第t 时期内的
技术效率水平。显然,如果u it =0,则T E it =1,即处于技术效率状态,此时该个体的生产点规模位于生产前沿上;相反,如果u it >0,则0 的生产点位于生产前沿之下。 η是待估计的参数,Battese &Coelli (1992)模型构造了式(3)和(4)以定量描述时间因素对U it 的影响。其中,易 知B (t )具有以下几个特性:第一,β(t )≥0。第二,当η>0,β(t )将以递增的速率下降;当η<0, β(t )将以递增的速率增加;当η=0时,β(t )将维 持不变。在式(5)中,γ也是为待估计的参数。显 然,γ=0]σ2 u →0,进一步可推理得到误差项εit =v it 。在统计检验中,如果γ=0这一原假设被接受,即说明样本中所有个体的生产点都位于生产前沿曲线上;此时,则无须使用SFA 技术,而直接运用OL S 方法即可。在对模型中的参数估计上,Battese &Coelli (1992)认为应使用最大似然法;其中,关键步骤是对γ=0这一原假设使用似然比检验。 根据Battese &Coelli (1992)模型的基本原理,我们运用对数型柯布—道格拉斯生产函数及在我国1981—2000年间的省际数据的基础上,对我国各省市的技术效率水平进行测定。这样,式(1)就可以具体演变成式(6),式(2)—(5)保持不变。 ln (y it )=β0tt +β1?ln (L it )+β2? ln (K it )+v it -u it (6)在式(6)中,y 表示各省市的G DP (单位:亿元人民币),L 表示年均从业人员数量(单位:万人),K 表示年均固定资本存量(单位:亿元人民币),β1实际上就是劳动力产出弹性,β2实际上就是资本产出弹性。 3 数据与实证分析结果 3.1 数据采集 本文选择了北京、天津、河北、山西、内蒙古、辽宁、吉林、黑龙江、上海、江苏、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、广西、海南、四川、贵州、云南、陕西、甘肃、宁夏、青海、新疆共29个省、自治区以及直辖市作为样本。在时期跨度上,我们截取了1981～2000年间的有关数据,并将其平均分为四段时间(即1981～1985年,1986～1990年,1991～1995年,1996～2000年)。通过求算术平均值的方法,每个省市可在G DP 、年均从业人员、年均固定资本存量这三个方面分别提供四个观测值。有关的基础数据均来自于《中国国内生产总值核算历史资料:1952-1995》、《新中国五十年统计资料汇编》、《中国统计年鉴》(2000～2001)。具体如下: ①y 为各省市的G DP 。为了计算方便,我们将各省市历年的G DP 全部按照1990年的价格基 ? 101?第5期何 枫等:对我国技术效率的测算:随机前沿生产函数的应用 准进行了折算。 ②L 为各省市的年均从业人员。本年年均从业人员=(上年年末数+本年年末数)÷2。 ③K 为各省市的年均固定资本存量。由于我国现行的统计资料中只有历年的固定资本形成总额的数据,而并没有固定资本存量的数据。因此,本文在《中国国内生产总值核算历史资料:1952-1995》、《新中国五十年统计资料汇编》、《中 国统计年鉴》(2000—2001)给出的各省市历年固 定资本形成总额这些数据的基础上,运用何枫等 人(2003)提出的方法,对我国这29个省市的年均固定资本存量进行估计。各省市历年的年均固定资本存量也都按照1990年的价格基准进行了折算。3.2 实证分析结果 根据上述数据,本文对式(2)～(6)进行了估计。表1中给出了最终估计结果;表2给出了对我国29个省市平均技术效率的数值及其描述性统计。 表1 对我国生产函数的估计:跨省随机前沿分析(1981—2000) 系数 标准差 t 统计值β0-2.52820.2245-11.2594333 β10.33390.04257.8581333β20.88280.024735.7587333γ 0.84960.049917.0357333 u 0.33850.0695 4.873333η 0.1019 0.0251 4.05753 33 Log likelihood function 92.7380333L R test of the one -sided error 121.64543 33 注:3表示在10%水平下显著;33表示在5%水平下显著;333 表示在1%水平下显著。L R 为似然比检验统计量,此处它符合混合卡方 分布(Mixed Chi -squared Distribution )。 表2 对我国29省市技术效率状态的描述性分析(1981—2000) 项目1981—1985年 1986—1990年 1991—1995年 1996—2000年 平均技术效率0.63590.66310.68900.7134标准差0.13200.12470.11730.1099相对变异度0.20770.18800.17020.1541东部地区平均技术效率0.73190.75330.77340.7921中部地区平均技术效率0.61350.64270.67040.6964西部地区平均技术效率 0.5466 0.5785 0.6091 0.6383 注:(1)平均技术效率为全国29省份的算术平均值;标准差为全国29省份技术效率的标准差;相对变异度=标准差÷平均技术效率。 (2)东部沿海地区包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东、海南共10省市;中部地区包括山西、内蒙、辽宁、吉林、黑龙 江、安徽、江西、河南、湖北、湖南、广西共11个省份;西部地区包括四川、贵州、云南、陕西、甘肃、宁夏、青海、新疆共8个省份。 4 结论 我们认为,在20年来我国跨省数据的基础 上,运用SFA 技术我国的生产函数并测算平均技术效率,比单纯的时间序列研究或截面研究更加 具有说服力。从表1和表2的实证分析结果来看,本研究的主要结论是: (1)γ=0.8496,且L R 统计检验在1%的水平下是显著的。这说明,式(6)中的误差项有着十分明显的复合结构;因此,对于这些长达20年间的跨省数据使用SFA 技术是必须的。 ?201? 科 研 管 理2004年 (2)从劳动力和资本两大要素的产出弹性来 看,β1=0.3339,β2=0.8828,即年均从业人员增长 1%,可促进G DP 上升约0.34个百分点;年均固定资本存量增长1%,可促进G DP 增长0.88个百分点。通过比较可知,在我国经济总量的增长中,资本投入在目前为止仍然占据着不可替代的主要地位。这一结论与目前的主流看法是一致的。 (3)从参数η来看,η=0.1019>0。这说明,时间因素对β(t )的影响将以递增的速率下降。这说明,各省市所面临的随机冲击将随着时间的推移而加速下降。 (4)总体来看,我国平均技术效率呈现出一种稳步上升趋势,从1981—1985年的0.6359上升到1996—2000年间的0.7134;而且,各省市技术效率的相对变异程度也在缓慢下降,从1981—1985年的0.2077下降到1996—2000年间的0.1541。但从具体数字上看,本文认为我国的平均 技术效率水平是比较低的。这反过来表明,我国在经济增长方面,还有很多潜力可挖。 参考文献: [1] Afriat ,S.N.(1972),”Efficiency Estimation of Production Functions.”[J ],International Economic Review ,13:3(Oc 2tober ),pp568-598. [2] Aigner ,D.J.,C.A.K Lovell ,and Schmidt (1977),”For 2 mulation and Estimation of Stochastic Frontier Production Functions Models ,”[J ],Journal of Econometrics ,6:1(J u 2ly ),pp21-37. [3] Battese ,G.E.&T.J.Coelli (1992),”Frontier Production Functions ,Technical Efficiency and Panel Data :With Appli 2cation to Paddy Farmers in India ,”[J ],Journal of Productivi 2ty Analysis ,3:1/2(J une ),pp153-169. [4] Battese ,G.E.,&G.S.Corra (1977),”Estimation of a Production Frontier Model :With Application to the Pastoral Z one of Eastern Australia ,”[J ],Australian Journal of Agri 2cultural Economics ,21:3,pp169-179. [5] Farrell ,M.J.(1957),”The Measurement of Production Ef 2 ficiency ,”[J ],Journal of Royal Statistical Society ,Series A ,G eneral ,120,Part 3,pp253-281. [6] Meeusen.W.,&J.van den Broeck (1977)”Efficiency Esti 2 mation from Cobb -Douglas Production Functions with Com 2posed Error ,”[J ],International Economic Review ,18:2(J une ),pp435-444. [7] Subal C.Kumbhakar & C.A.Knox Lovell ,(2000), Stochastic Frontier Analysis.[M ],Cambridge University Press. [8] 何枫、陈荣、何林,“我国资本存量的测量及其相关分析” [J ],《经济学家》,2003年第5期,即将发表. The measurement of chinese technical eff iciency :the application of stochastic frontier production f unction He Feng 1,Chen Rong 2,Zheng Jiang -sui 3 (1.E conomic &Management School ,N orthw est U niversity ,Xi ’an ,710069;2.F aculty of Business Administration ,The Chinese U niversit y of H ong K ong ,H ong K ong;3.International Business School ,Shaanxi N ormal U niversit y ,Xi ’an ,710062,China) Abstract :The authors use the stochastic frontier production function to analyze the Chinese technical efficiency on the basis of cross -provinces since 1981.On the one side ,The em pirical result indicates that the Chinese average technical efficiency is not high until now.On the other side ,the authors indicate the avera ge technical efficiency had been increasing steadily in the past two decades. K ey w ords :stochastic frontier analysis ;technical efficiency ;production function ? 301?第5期何 枫等:对我国技术效率的测算:随机前沿生产函数的应用 2017 年公需科目《大数据前沿技术及应用》 第八章：大数据发展趋势答案 1、大数据预测能够分析和挖掘出人们不知道或没有注意到的模式，确定判断某件事情必然发生。（3 分） A. 是 B. 否正确选项：B 2、大数据的发展趋势中的智能化关键技术包括感知技术、自然语言技术、交互技术以及决策等。（3 分） A. 是 B. 否正确选项：A 3、大数据分为“结构化数据“与”非结构化数据” 。（3 分） A. 是 B. 否正确选项：A 4、2011 年，IBM 的“沃森”超级计算机在美国著名智力竞赛节目《危险边缘》上击败两名人类选手而夺冠。（3 分） A. 是 B. 否正确选项：A 5、2012 年 7 月国务院发布的《“十二五”国家战略性新兴产业发展规划》中明确提出支持海量数据存储、处理技术的研发和产业化。（3 分） A. 是 B. 否正确选项：A 6、机器学习就是通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预测。（3 分） A. 是 B. 否正确选项：A 7、由于大数据处理多样性的需求，目前出现了多种典型的计算模式，包括大数据查询分析计算、批处理计算、流式计算、图计算等。（3 分） A. 是 B. 否正确选项：A 8、大数据开发的根本目的是以数据分析为基础，帮助人们做出更明确的决策，优化企业和社会运转。（3 分） A. 是 B. 否正确选项：A 9、人工智能够和人一样进行感知、认知、决策、执行的人工程序或系统。（3 分） A. 是 B. 否正确选项：A 10、知识图谱是一种基于图的数据结构，由节点和边组成。（3 分） A. 是 B. 否正确选项：A 11、大数据成熟催化了人工智能的进步，深度学习带来算法上的突破则带来了人工智能浪潮。（3 分） A. 是 B. 否正确选项：A 12、当前，企业提供的大数据解决方案大多基因 Hadoop 开源项目。（3 分） A. 是 B. 否正确选项：A 13、北京航空航天大学创办了国内第一个“大数据科学与应用”软件工程硕士专业。（3 分） A. 是 B. 否正确选项：A 14、数据结构”是指不存储数据库之中的，包括电子邮件、文本文件、图像、视频等数据。（3 分） 工业大数据分析技术与前沿技术趋势 工业大数据具有实时性高、数据量大、密度低、数据源异构性强等特点，这导致工业大数据的分析不同于其他领域的大数据分析，通用的数据分析技术往往不能解决特定工业场景的业务问题。工业过程要求工业分析模型的精度高、可靠性高、因果关系强，这样才能满足日常工业生产需要，而纯数据驱动的数据分析手段往往不能达到工业场景的要求。工业数据的分析需要融合工业机理模型，以“数据驱动+机理驱动”的双驱动模式来进行工业大数据的分析，从而建立高精度、高可靠性的模型来真正解决实际的工业问题。因此，工业大数据分析的特征是强调专业领域知识和数据挖掘的深度融合。本节主要对时序模式分析技术、工业知识图谱技术、多源数据融合分析技术等三种典型的工业大数据分析技术进行介绍。 1 时序模式分析技术 伴随着工业技术的发展，工业企业的生产加工设备、动力能源设备、运输交通设备、信息保障设备、运维管控设备上都加装了大量的传感器，如温度传感器、振动传感器、压力传感器、位移传感器、重量传感器等，这些传感器在不断产生海量的时序数据，提供了设备的温度、压力、位移、速度、湿度、光线、气体等信息。对这些设备传感器时序数据分析，可实现设备故障预警和诊断、利用率分析、能耗优化、生产监控等。但传感器数据的很多重要信息是隐藏在时序模式结构中，只有挖掘出背后的结构模式，才能构建一个效果稳定的数据模型。 工时序数据的时间序列类算法主要分六个方面：时间序列的预测算法如ARIMA，GARCH 等；时间序列的异常变动模式检测算法，包含基于统计的方法、基于滑动窗窗口的方法等；时间序列的分类算法，包括SAX 算法、基于相似度的方法等；时间序列的分解算法，包括时间序列的趋势特征分解、季节特征分解、周期性分解等；时间序列的频繁模式挖掘，典型时序模式智能匹配算法（精准匹配、保形匹配、仿射匹配等），包括MEON 算法、基于motif 的挖掘方法等；时 间序列的切片算法，包括AutoPlait 算法、HOD-1D 算法等。 工业大数据分析的一个重要应用方向是对机器设备的故障预警和故障诊断，其中设备的振动分析是故障诊断的重要手段。设备的振动分析需要融合设备机理模型和数据挖掘技术，针对旋转设备的振动分析类算法主要分成三类：振动数据的时域分析算法，主要提取设备振动的时域特征，如峭度、斜度、峰度系数等；振动数据的频域分析算法，主要从频域的角度提取设备的振动特征，包括高阶谱算法、全息谱算法、倒谱算法、相干谱算法、特征模式分解等；振动数据的时频分析算法，综合时域信息和频域信息一种分析手段，对设备的故障模型有较好的提取效果，主要有短时傅里叶变换、小波分析等。 2 工业知识图谱技术 工业生产过程中会积累大量的日志文本，如维修工单、工艺流程文件、故障记录等，此类非结构化数据中蕴含着丰富的专家经验，利用文本分析的技术能够实现事件实体和类型提取（故障类型抽取）、事件线索抽取（故障现象、征兆、排查路线、结果分析），通过专家知 第三章大数据金融行业应用 视频问题： 保险1：数据分析在保险行业有着较大的应用前景，尤其是在产险方面，其在美国已经有了较为成熟的应用。（是） 保险2：金融行业可以利用大数据实现涅槃重生。中国保险行业的渗透率只有3%，大大低于西方发达国家20%左右的渗透率。（否） 证券：中国大数据IT应用投资规模以五大行业最高，其中以互联网行业占比最高，占大数据IT应用投资规模的28.9%，其次是电信领域（19.9%），第三为金融领域（17.5%），政府和医疗分别为第四和第五。（是） 银行1：银行每创造100万美元的收入，一家银行平均产出约820GB的数据（是）银行2：大数据在银行的七个业务板块分别是零售银行业务，公司银行业务，资本市场业务，交易银行业务，资产管理业务，财富管理业务以及风险管理业务。（是） 在线考试： 1、2011年5月美国对冲基金Derwent Capical Markets通过分析Twitter的数据来感知市场营销，在首月的收益率为1.85%，让平均为0.76%的其他对冲基金相形见绌。（是） 2、客户生命周期管理包括新客户获取、客户防流失和客户赢回等。（是） 3、精准营销包括实施营销、交叉营销、个性化推荐以及客户生命周期管理。（是） 4、对于银行以及银行产品的舆论上，银行可以通过爬虫技术，抓取社区、论坛和微博上相关信息，并通过自然语言处理技术进行正负面判断，做到及时处理问题。（是） 5、在大数据时代，针对市场波动对证券公司IT建设的影响，一个聪明的证券公司会在行情比较清淡的时候加强基础建设替换老系统，因为在在大牛市行情好时做一些系统变更的风险系数非常高。（是） 6、招商信诺电销对信用卡客户的数据分析，主要思路是通过持卡人的行为，建立客户购买保险产品倾向性的模型，以提高电销的成功率。（是） 7、摩根大通银行可以利用大数据技术追踪盗取客户账号或侵入自动柜员机（ATM）系统的罪犯。（是） 8、客户画像指的是个人客户画像，包括人口统计写特征、消费能力数据、兴趣数据、分险偏好等。（否） 9、大数据的发展使国内的不少银行也开始尝试通过大数据来驱动业务运营，如中信银行信用卡中心使用大数据实现实时营销；招商银行利用大数据发展小型微贷等。（是）10、没有好的数据基础，可能建模过程就会中途夭折，但是建模成功的话，就能得到如意的结果。（否） 11、大数据是依托新的数据处理技术，对海量、高速增长、多样性的结构和非数据结构数据进行加工挖掘，找寻数据背后的规律，以提高分析决策能力，优化流程和科学配置资源的管理工具。（是） 12、2012年海通证券自主开发的“给予数挖掘算法的证券客户行为特征分析技术”主要应用在客户深度画像以及基于画像的用户流失概率预测。（是） 13、股票、投资理财、投诉服务等各个业务涉及到交易、风控、清算等系统的数据都是用户在各个触电，场景下的痕迹，对这些数据进行拉通和分析，可以掌握用户在该券下商所 随机前沿模型（SFA ）原理和软件实现 一、SFA 原理 在经济学中，常常需要估计生产函数或者成本函数。生产函数f (x)的定义为：在给定投入x 情况下的最大产出。但现实中的产商可能达不到最大产出的前沿，为了，假设产商i 的产量为： i i i y f (x ,)βξ= （1） 其中，β为待估参数；i ξ为产商i 的水平，满足i 01ξ<≤。如果i =1ξ，则产商i 正好处于效率前沿。同时，考虑生产函数还会受到随机冲击，故将方程（1）改写成： i v i i i y f (x ,)e βξ= （2） 其中，i v e 0>为随机冲击。方程（2）意味着生产函数的前沿i v i f (x ,)e β是随机的，故此类模型称为“随机前沿模型”（stochastic frontier model ）。随机前沿模型最早由Aigner, Lovell and Schmidt(1977)提出，并在实证领域运用广泛，Kumbhakar and Lovell(2000)为该领域的研究写了一本著作，有兴趣的同学可以去参考。 假设o k 1i 1i ki f (x ,)e x x ββββ=L （柯布道格拉斯生产函数，共有K 个投入品），则对方程（2）取对数可得： K i 0k ki i i k 1ln y =+ln x ln ββξν=++∑ （3） 由于i 01ξ<≤，故i ln 0ξ≤。定义i i u =-ln 0ξ≥，则方程3可以写成： K i 0k ki i i k 1ln y =+ln x -u ββν=+∑ 其中，i u 0≥为“无效率”项，反映产商i 距离效率前沿面的距离。混合扰动项 i i i ενμ=-分布不对称， 使用OLS 估计不能估计无效率项i u 。为了估计无效率项i u ，必须对i i νμ、的分布作出假设，并进行更有效率的MLE （最大似然估计）估计。 一般，无效率项的分布假设有如下几种： (1) 半正态分布 (2) 截断正态分布 (3) 指数分布 在一般的论文中，使用的最多的是半正态分布 随机前沿模型可以很容易地用于估计成本函数，经过与生产函数的随机前沿模型类似的推导可得： K i 0y i k ki i i k 1ln c =+lny ln P +u βββν=++∑ 1、下面哪种不是数据库的分类？ A、层次式数据库 B、开放式数据库 C、网络式数据库 D、关系式数据库 2、下面哪种不属于硬盘？（） A、SSD盘 B、HDD盘 C、混合硬盘 D、光盘 3、（）用于存放计算机运行期间的大量程序和数据。 A、高速缓冲存储器 B、主存储器 C、外存储器 D、CPU寄存器 4、推动大数据分析平台的发展不包括以下哪项技术？（） A、云存储技术 B、数据管理技术 C、数据抓取技术 D、数据可视化技术 5、不属于光盘的优点是（）。 A、单位存储容量成本低，携带方便，数据查询时间短 B、容量大，保存时间长 C、数据读取、写入数据快，操作方便 D、可重复删除写入数据 6、不属于基于大数据的威胁发现技术的优点是哪项？（） A、分析容的围更大 B、对已知威胁的检测 C、分析容的时间跨度更长 D、攻击威胁的预测性 7、（）是指数据的组织形式或数据之间的联系。 A、数据库结构 B、数据结构 C、存储结构 D、数据对象结构 1 【单选】（）用于存放计算机运行期间的大量程序和数据 ? A. 高速缓冲存储器 ? B. 主存储器 ? C. 外存储器 ? D. CPU寄存器 ? A ? B ? C ? D ?正确答案： B 2 【单选】下列哪条不属于隐私保护防护策略( ) ? A. 确保身份安全 ? B. 安全检查 ? C. 密钥管理的不良状况 ? D. 安全步骤 ? A ? B ? C ? D ?正确答案： B 3 【单选】（）是指数据的组织形式或数据之间的联系。 ? A. 数据库结构 ? B. 数据结构 ? C. 存储结构 ? D. 数据对象结构 ? A ? B ? C 数据分析处理需求分类 1 事务型处理 在我们实际生活中,事务型数据处理需求非常常见,例如：淘宝网站交易系统、1２306网站火车票交易系统、超市ＰOＳ系统等都属于事务型数据处理系统。这类系统数据处理特点包括以下几点: 一就是事务处理型操作都就是细粒度操作,每次事务处理涉及数据量都很小。 二就是计算相对简单，一般只有少数几步操作组成，比如修改某行得某列; 三就是事务型处理操作涉及数据得增、删、改、查,对事务完整性与数据一致性要求非常高。 四就是事务性操作都就是实时交互式操作,至少能在几秒内执行完成； 五就是基于以上特点,索引就是支撑事务型处理一个非常重要得技术. 在数据量与并发交易量不大情况下,一般依托单机版关系型数据库,例如OＲＡＣLＥ、MＹSQL、SQＬSERVER,再加数据复制（DataGurａd、RＭAＮ、ＭｙSQＬ数据复制等)等高可用措施即可满足业务需求。 在数据量与并发交易量增加情况下，一般可以采用ORＡLＣＥRAC集群方式或者就是通过硬件升级（采用小型机、大型机等，如银行系统、运营商计费系统、证卷系统)来支撑. 事务型操作在淘宝、1230６等互联网企业中,由于数据量大、访问并发量高，必然采用分布式技术来应对,这样就带来了分布式事务处理问题，而分布式事务处理很难做到高效，因此一般采用根据业务应用特点来开发专用得系统来解决本问题。 ２数据统计分析 数据统计主要就是被各类企业通过分析自己得销售记录等企业日常得运营数据,以辅助企业管理层来进行运营决策。典型得使用场景有:周报表、月报表等固定时间提供给领导得各类统计报表;市场营销部门,通过各种维度组合进行统计分析,以制定相应得营销策略等． 数据统计分析特点包括以下几点: 一就是数据统计一般涉及大量数据得聚合运算，每次统计涉及数据量会比较大。二就是数据统计分析计算相对复杂，例如会涉及大量goｕpbｙ、子查询、嵌套查询、窗口函数、聚合函数、排序等；有些复杂统计可能需要编写ＳQＬ脚本才能实现． 三就是数据统计分析实时性相对没有事务型操作要求高。但除固定报表外,目前越来越多得用户希望能做做到交互式实时统计； 传统得数据统计分析主要采用基于ＭＰP并行数据库得数据仓库技术.主要采用维度模型,通过预计算等方法，把数据整理成适合统计分析得结构来实现高性能得数据统计分析，以支持可以通过下钻与上卷操作,实现各种维度组合以及各种粒度得统计分析。 另外目前在数据统计分析领域,为了满足交互式统计分析需求，基于内存计算得数据库仓库系统也成为一个发展趋势,例如SAP得HANA平台。 3 数据挖掘 数据挖掘主要就是根据商业目标，采用数据挖掘算法自动从海量数据中发现隐含在海量数据中得规律与知识。 摘要：本文提出了基于随机前沿生产函数的地区能源效率差异分析框架，并采用方差分解方法测算了１９８０￣２００５年中国能源效率地区差异中各因素的作用大小，结果发现：（１）全要素生产率、资本—能源比率和劳动—能源比率差异的平均贡献份额分别为３６．５４％，４５．６７％和１７．８９％；（２）全要素生产率差异的作用在不断提高，是中国能源效率地区差异扩大的主要原因；（３）此外，增长方式趋同的东部地区能源效率也存在显著收敛趋势，而中西部能源效率内部差异呈现波动性变化。以上结论的政策含义是，只有改善中西部地区的资源配置效率并促进区域间的技术扩散才能有效提高落后地区的能源利用效率。 关键词：能源效率 地区差异 随机前沿生产函数 方差分解 一、引言 能源是现代经济增长不可或缺的投入要素，对各国经济发展都有决定性影响，能源过度消费所带来的资源耗竭和环境问题已经成为２１世纪人类发展的重大挑战之一。改革以来，能源为中国经济的持续快速增长提供了重要的“动力支持”，然而随着经济水平的不断提高，粗放式的能源消费对经济发展和环境保护的压力越来越大，提高能源效率是中国当前最为迫切和重要的问题之一。由于幅员辽阔、空间发展不平衡，中国各地区能源效率存在很大差异，如果落后地区能够赶超发达地区的能源利用水平，将极大地提高总体能源效率。例如，２００５年宁夏万元ＧＤＰ能耗为３．５５吨标准煤，而广东仅为０．６８吨标准煤，如果前者能够达到后者能源效率的１／４，就可以节约２０％以上能源消费，完成国家提出的“十一五” 节能目标。目前，关于中国能源效率的研究大多是对于产业结构和生产技术影响的考察，主要集中于从产业结构升级和生产技术进步两个角度探求提高能源效率的潜力与途径（如史丹、张金隆，２００３；韩智勇等，２００４；蒋金荷，２００４；周宏、林凌，２００５等），其基本分析方法———指数分解方法，比较适合分析一个国家或地区的能源效率的变化趋势，而不能很好解释其能源效率水平的决定，所以不适合地区差异研究（王玉潜，２００３；吴滨、李为人，２００６）。此外，邹艳芬、陆宇海（２００５）和高振宇、王益（２００６）等利用空间计量和聚类分组等方法对中国能源效率的区域特征和空间相互影响的研究，也不能回答是什么原因造成了中国地区能源效率的巨大差异。虽然近来有学者开始尝试从地区间能耗差异角度测算各地区节能潜力（ＨｕａｎｄＷａｎｇ，２００６；史丹，２００６等），但由于缺乏对能源效率差异形成机制的深入分析，实际上仍然不能说明我们应当如何挖掘这些潜力。最近，魏楚、沈满洪（２００７）采用数据包络分析（ｄａｔａｅｎｖｅｌｏｐｍｅｎｔａｎａｌ－ ｙｓｉｓ，ＤＥＡ）方法测算并比较各地区能源利用效率，但是他们将各地区全部经济活动的技术效率作为能源利用的技术效率，存在一定问题；而且，基于数据包络分析的效率指数测算仅仅能 ＊本文为史丹主持的国家自然科学基金项目 “我国能源利用效率及其影响因素分析（批准文号５０５５６００２）”的阶段性成果。 中国能源效率地区差异及其成因研究＊ ———基于随机前沿生产函数的方差分解□史 丹 吴利学 傅晓霞 吴 滨 第７期 ２４ ２０１４年４月１０日 计算机教育 ＣｏｍｐｕｔｅｒＥｄｕｃａｔｉｏｎ ◆新视点 文章编号：１６７２．５９１３（２０１４）０７—００２４－０６ 中图分类号：Ｇ６４２ 大数据分析及其在医疗领域中的应用 邹北骥 （中南大学信息科学与工程学院，湖南长沙４１００８３） 摘要：互联网和物联网技术的快速发展给数据的上传与下载带来了前所未有的便利，使得互联网上 的数据量急剧增长，由此产生了针对大数据的存储、计算、分析、处理等新问题，尤其是对大数据的挖掘。文章分析当前大数据产生的背景，阐述大数据的基本特征及其应用，结合医疗领域，论述医疗 大数据分析的目的、意义和主要方法。 关键词：大数据；物联网；医疗；大数据挖掘 １ 大数据早已存在，为何现在称之为大 数据时代 计算与数据是一对孪生姐妹，计算需要数据，数据通过计算产生新的价值。数据是客观事 物的定量表达，来自于客观世界并早已存在。例 如，半个世纪前，全球的人口数量就有数十亿，与之相关的数据就是大数据；但是在那个时代，由于技术的局限性，大数据的采集、存储和处理 还难以实现。 互联网时代之前，采集世界各地的数据并让它们快速地进入计算系统几乎是一件不可想象的 事情。２０世纪８０年代兴起的互联网技术在近３０ 年里发生了翻天覆地的变化，彻底地改变了人们的工作和生活方式【ｌ】。通过互联网人们不仅可以下载到新闻、小说、论文等各类文字数据，而且可以轻而易举地下载到音乐、图像和视频等多媒体数据，这使得互联网上的数据流量急剧增长。据统计，现在互联网上每分钟流人流出的数 据量达到１ ０００ ＰＢ，即１０亿 ＧＢｔ２１。 推动大数据产生的另一个重要因素是物联网技术。近几年发展起来的物联网技 术通过给每个物品贴上标签 并应用ＲＦＩＤ等技术实现了 1. 【多选题】大数据技术领域的发展得到国家的高度重视，近年来不断推出了些促进这些领域创新和产业发展的指导意见、发展规划和行动纲要，主要有哪些？【ABCDE】 A: 2015年8月31日：《促进大数据发展行动纲要》B: 2015年12月29日：《“互联网＋”行动的指导意见》 《新一代人工智能发展规划》 D: C: 2017年7月8日： 2017年4月10日：《云计算发展三年行动计划（2017－2019年）》 E: 2015年5月8日：《中国制造2025》2. 【判断题】人工采集效率低、成本高、错误多。自动化采集靠技术实现，效率高、采集的数据量大。【对】3. 【多选题】大数据分析平台软件由（）（）（）（）（）大关键技术实现。【ABCDE】 A: 云存储 B: 云计算 C: 算法库D: 工作流引擎 E: 开放接口 4. 【多选题】数据资源向信息、知识、价值转换的流程可以概括成5个环节：（）（）（）（）（）正确答案:[A,B,C,D] A: 数据采集 B: 数据存储 C: 数据处理 D: 数据分析与挖掘 E: 知识应用 5. 【多选题】计算机系统的发展经历了这样几个阶段：（）（）（）（）（）正确答案:[A,B,C,D] A: 大型机 B: 小型机 C: 个人计算机 D: 互联网 E: 云计算 6. 【判断题】数据是所表达的对象或事件的信息的载体， 记录了对象的属性特征。正确答案:[对] 7. 【多选题】数据采集可以划分为（）和（）。【AB】 A: 人工采集 B: 自动化采集 8. 【判断题】数据自动化采集技术的发展产生了大数据。 对 9. 【多选题】云服务应用的部署模型有：（）（）（）（）。【ABCD】 A: 公有云Public cloud B: 私有云 Private cloud C: 社区云Community cloud D: 混合云 Hybrid cloud 10. 【多选题】教育大数据指的是学生在学习过程中产生 的大数据，教育大数据应用主要体现在三个主要方面（）（） （）【ABC】 A: 学生学习分析 B: 学生的分类管理 C: 教学效果分析 2017年继续教育公需课《大数据前沿技术及应用》答案（八章全） 【每年很多单位都需要完成公需课的继续教育学习任务共18个学时，以下答案全部是本人完成学习任务时，把每一章最后部分的“在线考试”的题目完成后，把题目和答案复制下来整理而成。可能每个人看到的题目顺序不相同，但是每一章都是这些题目，只要打开本文档，按Ctrl+F组合键，即可打开搜索对话框，把你看到的题目复制一部分到“查找容”框中再点“查找”，即可搜索到对应的答案。】 第一章：大数据行业生态答案 1、大数据的数据类型包括网络日志、音频、视频、图片、地理位置信息等等。（5分） A.是 B.否 正确选项：A 2、大数据的起始计量单位至少是MB。（5分） A.是 B.否 正确选项：B 3、大数据最早由麦肯锡在编写《大数据时代》中提出，指不用随机分析法（抽样调查）的捷径，而是采用所有数据进行分析处理。（5分） A.是 B.否 正确选项：B 4、生产成本只有材料费和人工费。其中材料费的控制主要是防止不必要的浪费；人工费的控制只要是提供工人的生产效率。（5分） A.是 B.否 正确选项：B 5、“大数据”是需要新处理模式才能具有强大的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。（5分） A.是 B.否 正确选项：A 6智能电表通过电网收集每隔五分钟或十分钟收集一次数据，收集来的这些数据可用来预测客户的用电情况等，从而推断出未来几个月时间里，整个电网的用电量。（5分） A.是 B.否 正确选项：A 7、早在2004年，Facebook联合创始人，克里斯？休斯就建议扎克伯格在上推出相关服务，帮助总统候选 生产函数 上海理工大学 王新兴 【课前思考】假如你在路边看到一个摆摊的学生从事洗车业务，洗完之后车主付他50块钱，你这50块钱是给他的劳动力呢？还是给这个车洗完的光亮？ 生产的经济理论主要研究在给定生产函数情况下，以利润极大化理论为基础的投入需求函数和产出供给函数的特征。它包括两类问题：一类是描述企业可利用的生产工艺变动范围等内容的技术约束，这是本节讨论的重点；一类是企业发生交易所在市场的结构，后面详述。 1、生产可能性集 企业拥有一个生产可能性集Y ?m R ，每一个向量y=(1y ,2y ,...，n y )∈Y 是个生产计划，其分量标明了各种投入与产出的数量，i y <0代表投入，i y >0代表产出。生产集主要性质包 括： （1）Y 不能为空集。 （2）Y 是闭集。 （3）0∈Y （4）若Y y ∈，y y ≤'，则Y y ∈?'。 （5）若Y y ∈，0≠y ，则Y y ?-。 （6）规模报酬不变 （7）可加性。 （8）齐次性。 （9）凸性。Y y ∈，Y y ∈'，]1,0[∈α，则Y y y ∈-+')1(αα。 （10）Y 是个凸锥。若Y y ∈，Y y ∈'，常数0>α，0>β，有Y y y ∈+'βα，则Y 是个凸锥。 【例题】证明：生产集Y 是可加的，并且满足非递增规模报酬，当且仅当Y 是个凸锥。 生产可能性集目前是刻画企业技术的最一般方法，因为它允许有多种产出与多种投入，更为方便的方式是生产函数。 【注意】函数、变换、对应、映射、算子五个概念等同。 2、生产函数性质 （1）生产函数f :++→R R n 上连续的，严格递增的，并且严格拟凹 的函数，并且0)0(=f 。 当生产函数是可微的，其偏导i x f ??/)(x 被称为投入i x 的边际产品， 表示给出所使用的投入i x 的单位增量引致产出变动的增量。 对于任何固定的产出水平y ，生产y 单位产出的投入向量的几何被称为y 水平等产量集，记作：)(y Q ≡})(|0{y f =≥x x 。 （2）边际技术替代率（MRTS ）：度量了在不改变所生产的产出量的条件下，一种投入可被用于替代另一种投入的比率。在投入向量为x ，投入要素i x 和j x 之间的边际替代率可表示为)(x ij MRTS ，可定义为边际产品的比率。 【注意】相对于其他投入品的数量使用某一类投入过多，以致于该投入量增加会造成拥挤和无效率。即理性厂商不会在等产量线斜率为正的部分进行生产。 【例题】研究生产函数32312221x Bx x Ax Q -=性态 （3）若某个给定生产函数类别中投入间的替代性系统地不同于其他不同类别中投入间的替代性，则称该类型的生产函数是可分 大数据分析系统 方案 目录 第1章项目概述 (5) 1.1项目背景 (5) 1.2项目必要性 (5) 1.3建设目标 (6) 第2章需求分析 (8) 2.1功能及性能需求 (8) 2.2系统集成需求 (9) 2.3运行环境 (10) 2.4安全需求 (10) 第3章总体设计 (12) 3.1总体设计原则 (12) 3.2总体目标 (13) 3.3系统总体结构 (13) 3.4系统逻辑结构 (15) 第4章详细设计方案 (16) 4.1信息资源规划和数据库设计 (16) 4.1.1数据模型概述 (16) 4.1.2数据建模方法论 (17) 4.1.3数据建模基本原则 (18) 4.1.4数据库架构设计 (19) 4.2数据应用支撑系统设计 (21) 4.2.1大数据平台关键技术 (21) 4.2.2云平台数据共享功能 (26) 4.3数据服务层计 (33) 4.3.1模型的应用 (33) 4.3.2平台基础应用 (33) 4.4数据处理和存储系统设计 (34) 4.4.1大数据处理核心技术 (35) 4.4.2数据存储采用MPP与hadoop融合架构 (35) 4.5网络系统设计 (35) 4.6安全系统设计 (36) 4.6.1系统安全满足情况 (36) 4.6.2系统安全配置管理功能 (37) 4.6.3系统无安全漏洞保障 (40) 4.6.4软件自身安全 (43) 4.6.5性能和可靠性 (44) 4.7运行维护系统设计 (46) 4.7.2网络设备管理 (46) 4.7.3进程管理 (46) 4.7.4服务管理 (46) 4.7.5数据库管理 (46) 4.7.6中间管理 (46) 4.7.7集群管理 (47) 4.7.8故障管理 (47) 4.7.9性能管理 (47) 4.7.10配置文件管理 (47) 4.7.11SYSLOG管理 (47) 4.8其他系统设计 (47) 4.9系统配置及软硬件选型原则 (48) 4.9.1软硬件部署 (48) 4.9.2数据要求 (48) 4.9.3技术要求 (49) 4.10系统软硬件物理部署方案 (49) 第5章项目建设与运行管理 (51) 5.1项目领导机构 (51) 5.2项目管理机构 (51) 5.3项目承建机构 (53) 5.4运行维护机构 (53) 5.5相关管理制度 (54) 5.6项目测试 (55) 5.6.1单元测试 (55) 5.6.2集成测试 (55) 5.6.3系统测试 (56) 5.6.4性能测试 (56) 5.6.5验收测试 (57) 5.6.6安装测试 (57) 5.7安全性测试 (58) 5.7.1功能验证 (58) 5.7.2漏洞扫描 (58) 5.7.3模拟攻击实验 (58) 5.8项目验收 (60) 5.8.1项目验收要求 (60) 5.8.2项目验收的目的和原则 (61) 5.8.3项目验收的组织和实施 (61) 5.8.4项目验收的步骤和程序 (61) 5.8.5项目验收的测试方案 (61) 5.8.6项目验收的文档清单 (61) 第6章项目培训计划 (62) 6.1培训对象和培训目标 (62) 2017年公需科目《大数据前沿技术及应用》参考答案 （适用于华医网） 大数据概述及基本概念（一） C以下哪个数据单位最大（） C大数据技术的战略意义是（） C信息技术是指有关信息的收集、 B\美国哈佛大学的研究小组给出了著名的资源三角形,不包括（） D\哪种不属于互联网上出现的海量信息（） 大数据概述及基本概念（二） B（）主要承担了搭建大数据平台上层建筑的任务。 B（）主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等。 B大数据技术的出现实现了巨大的社会价值,下列哪项不属于产生的社会价值（） C大数据平台的三个重要的技术部分不包括（） D下列哪项不属于商业大数据的类型（） 大数据概述及基本概念（三） D以下那个观点是错误的() D企业大数据分析不包括（） D维度上的分析需求，主要需要三方面的数据分析技术，不包括（）A（）指的是数据本身所承载的信息内容 大数据体系结构（一） D\物理资源实体的提供层包括（） D\SaaS模式的优点有（） D\云计算的优势包含下面哪几个方面（） B\提供资源的网络被称为（） A\（）是通过使计算分布在大量的分布式计算机上， 大数据体系结构（二） D分布式数据库的特点不包括（） B下面哪点不是HDFS优点（） C大数据的分析挖掘是（），需要巨大的计算能力 D计算任务容错的关键问题不包括（） D下面哪点不是HDFS缺点（） 大数据体系结构（三） C大数据处理框架-Spark的优点不包括（） C\Spark的核心组件有几个部分（） B\大数据处理框架-Spark最大的集群来自（） DHadoop的缺点不包括（） A\大数据处理框架-Spark诞生于（） 大数据分析与数据挖掘（一） B（）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知 数据分析主要作用不包括（） 功能设备创建或生成的数据被称为（） A用户评论文本数据以及客服系统的语音数据和评价文本数据，可以统称为（） A数据挖掘需要的人员不包括（） 大数据分析与数据挖掘（二） D用户属性分析不从下列哪方面进行分析（） C大数据的真正意义是（） C商业智能技术提供使企业迅速分析数据的技术和方法，不包括() D参与度分析的指标包括（） B\商业智能的概念在()年最早由加特纳集团（Gartner Group）提出大数据分析与数据挖掘（三） 当前作业测试题已完成（最后得分：100 分）！ 完成时间：2017-10-21 17:04:04 提交次数：2次 《大数据前沿技术应用与发展》在线测试题 1、在大数据时代，我们需要设立一个不一样的隐私保护模式，这个模式应该更着重于（A）为其行为承担责任(单选题) A.数据使用者 B.数据提供者 C.个人许可 D.数据分析者 2、关于大数据在国家治理中作用，以下理解不正确的是（A）(单选题) A.大数据的应用能够杜绝抗生素的滥用 B.大数据的运用能够提升应急管理的快速反应 C.大数据的运用能够维护社会治安 D.大数据的运用有利于实现以人为本的社会管理 3、大数据是指不用随机分析这样的捷径，而采用（A ）的方法(单选题) A.所有数据 B.绝大部分数据 C.适量数据 D.少量数据 4、第一个将大数据上升为国家战略的国家是（B）(单选题) A.中国 B.美国 C.英国 D.法国 5、大数据的核心是（B ）(单选题) A.告知与许可 B.预测 C.匿名化 D.规模化 6、下面哪一项不属于大数据系统的必备要素（D）(单选题) A.云平台 B.物联网 C.数据 D.数据库 7、下面哪项关联不属于购物篮分析（D ）(单选题) A.啤酒和尿布 B.湿巾和烧烤 C.咖啡和咖啡伴侣 D.飓风和蛋挞 8、信息时代的三大定律不包括（C ）(单选题) A.摩尔定律 B.吉尔德定律 C.达律多定律 D.麦特卡尔夫定律 9、最早提出大数据时代概念的公司是（D）(单选题) A.微软公司 B.谷歌公司 C.脸谱公司 D.麦肯锡公司 10、下面陈述不正确的是（C ）(单选题) A.大数据将实现科学决策 B.大数据使政府决策更加精准化 C.大数据彻底将群体性事件化解在萌芽状态 D.大数据将实现预测式决策 11、GBCP和谐三角指的是哪三个角色（ACD ）(多选题) A.政府 B.社会组织 C.企业 D.公众 12、下面例子属于大数据技术公司的是（ABCD ）(多选题) 人力资本结构对我国技术效率的影响 ——基于随机前沿生产函数的实证分析 颜敏 【摘要】文章基于随机前沿生产函数框架，将异质性人力资本、人力资本结构纳入技术无效方程，利用1996-2008年省际面板数据估算我国区域技术效率，研究发现：我国经济增长平均技术效率水平偏低，存在区域差异，但总体区域差异有缩小的趋势，人力资本不平等对技术效率具有显著的阻碍作用，无论低技能劳动力还是高技能劳动力都对我国技术效率具有显著的正向促进作用，但进出口贸易对技术效率具有阻碍作用，市场化促进了效率的改善。 关键词人力资本结构技术效率随机前沿分析异质性人力资基于 中图分类号：Ｆ０６２.4文献标识码：Ａ Empirical Test on Technology Efficiency of Human Capital Structure in China Based on Stochastic Frontier Abstract: In this paper, putting effective labor input into the framework of Stochastic Frontier Production Function, and and human capital structure into technical inefficiency equation, we have an empirical study on technology efficiency based on panel data from 1996 to 2008 of china. we found: The average technology efficiency is low, regional differences exist but is narrowing, human capital inequality play a negative role in improving efficiency, but whether skill labor or non-skill labor play a significant positive role in improving efficiency and so does the marketization , but the openness has a a negative role. Key words: Human Capital Structure; Technology Efficiency; Stochastic Frontier Analysis; heterogeneous human capital 引言 技术效率的概念最早是由Farrell (1957)提出来的，技术效率是指在现有技术水平条件下,生产者获得最大产出的能力,表示生产者生产活动接近其前沿边界(最大产出)的程度。换言之，技术效率衡量的是一定条件下，欲获得同样的产出需消耗投入品的数量，这意味着如果一个经济的技术效率低，则生产一个单位国民财富，需要消耗更多的资源。而资源消耗型经济增长直接代价是：资源枯竭、环境污染和生态恶化，尤其在人口众多、人均各类资源占有量都大大低于世界平均水平的中国。改革开放的30多年来，中国确实取得了增长奇迹，但大量文献表明这种增长是由高投入和高消耗推动的（邓翔、李建平2004），决定这种高增长能否持续的关键因素之一是我国技术效率水平，因而准确估计我国及其各地区技术效率水平、深层剖析成因具有重要的现实意义。 一、文献述评 国内外关于技术效率的研究可以分为两个路线：技术效率的测算以及技术效率的成因研究。关于技术效率的测算大致分为“基于随机前沿分析”（Stochastic Frontier Analysis，SFA）的参数法（例如 大数据前沿技术及应用 大数据是一个正在发展中的概念。大数据之大，并不仅仅在于容量之大，更大的意义在于通过对海量数据的交换、整合和分析，发现新的知识，创造新的价值，带来…大知识?、…大科技?、…大利润?和…大发展?。”最早提出“大数据”时代到来的是全球知名咨询公司麦肯锡。麦肯锡全球研究院报告《大数据：创新、竞争和生产力的下一个前沿》则对“大数据”定义如下：大数据是指大小超出了传统数据库软件工具的抓取、存储、管理和分析能力的数据群。麦肯锡称：“数据，已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。人们对于海量数据的挖掘和运用，预示着新一波生产率增长和消费者盈余浪潮的到来。”可见，大数据就是指蕴涵着巨大价值的、可有效利用的、多样化的海量数据集。 大数据时代对人类的数据驾驭能力提出了新的挑战，也为人们获得更为深刻、全面的洞察能力提供了前所未有的空间。互联网时代的数据正在迅速膨胀，它决定着组织的未来发展，随着时间的推移，人们将越来越意识到数据对组织的重要性。对于企业组织来讲，大数据的价值体现在两个方面：分析使用和二次开发。对大数据进行分析能揭示隐藏其中的知识信息，对大数据的二次开发则是通过大数据创造出新产品和服务。例如，Facebook通过结合大量用户信息，定制出高度个性化的用户体验，并创造出一种新的广告模式。大数据这股汹涌浪潮正在兴起，将给各行各业的发展模式和决策带来前所未有的革新与挑战，教育领域同样不可避免，面临新的挑战和机遇。 大数据在教育领域中的主要应用 1. 革新教育理念和教育思维 随着大数据时代的来临，教育大数据深刻改变着教育理念、教育思维方式。新的时代，教育领域充满了大数据，诸如学生、教师的一言一行，学校里的一切事物，都可以转化为数据。当每个在校学生都能用计算机终端学习时，包括上课、读书、写笔记、做作业、发微博、进行实验、讨论问题、参加各种活动等，这些都将成为教育大数据的来源。大数据比起传统的数字具有深刻的含义和价值。例如，对于一张试卷、一次考试，考试得分为90分，它可以是简简单单的一个传统的数字，但如果换一个角度来分析，把它作为一个数据来看待，就可以得到其背后所隐含的许多充满想象力的数据信息：可以是每一大题的得分，每一小题的得分，每一题选择了什么选项，每一题花了多少时间，是否修改过选项，做题的顺序有没有跳跃，什么时候翻卷子，有没有时间进行检查，检查了哪些题目，修改了哪些题目，等等，这些信息远远比一个90分要有价值得多。不单是考试，课堂、课程、师生互动的各个环节都渗透了这些大数据。教育将不再是靠理念和经验来传承的社会科学，大数据时代的教育将步入实证时代，变成一门实实在在的基于数据的实证科学。大数据使得教育者的思维方式发生了深刻变化，传统的教育大多是教育主管部门和教育者通过教学经验的学习、总结和继承来展开的，但是有些经验是不具有科学性的，常识有时会影响人们的判断。大数据时代将可以通过对教育数据的分析，挖掘出教学、学习、评估等符合学生实际与教学实际的情况，这 第25卷 第5期2004年 9月 科 研 管 理Science Research Management Vol.25,No.5 Sep , 2004 收稿日期:2003-06-04. 作者简介:何 枫(1975-),男(汉),湖南浏阳人,博士,现为西北大学经济管理学院经济学博士后及陕西师范大学国际商学院副教授。 陈 荣(1976-),女(汉),辽宁海城人,现为香港中文大学工商管理学院博士研究生。郑江绥(1974-),男(汉),陕西绥德人,经济学博士,现为陕西师范大学国际商学院讲师。 文章编号:1000-2995(2004)05-004-0100 对我国技术效率的测算:随机前沿生产函数的应用 何 枫1,陈 荣2,郑江绥3 (1西北大学经济管理学院经济学博士后流动站,中国西安 710069; 2香港中文大学工商管理学院,中国香港,新界沙田; 3陕西师范大学国际商学院,中国西安 710062) 摘要:本文在1981—2000年间我国29个省市数据的基础上,运用随机前沿生产函数(Stochastic Frontier Pro 2 duction Function )模型对我国改革开放以来20年间的技术效率变迁进行了测算。分析结果表明,我国整体的 平均技术效率水平是相对较低的,但其在20年中却一直呈现出稳步上升趋势。关键词:随机前沿分析;技术效率;生产函数中图分类号:F224.0 文献标识码:A 1 引言 技术效率的测量最早是由Farrel (1957)和 Afriat (1972)提出来的。技术效率和生产性可能性边界是联系在一起的。测量技术效率通常有两种方法,一种是非参数方法,另一种是参数方法。非参数方法首先根据样本中所有个体的投入和产出构造一个能够包容所有个体生产方式的最小的生产性可能性集合:即所有要素和产出的有效组合。所谓“有效”,即是以一定的投入生产出最大产出,或以最小的投入生产出一定的产出。但是,在实践中,人们更倾向于使用参数方法来测算技术效率。本研究将在对数型柯布—道格拉斯生产函数的基础上,运用随机前沿分析技术(Stochas 2tic Frontier Analysis ,以下简称SFA 技术)对我国改革开放以来20年间的技术效率进行测量。 2 SFA 模型的基本原理 根据S.C.Kumbhakar & C.A.K.Lovell (2000,p8-10)的总结,研究者们一致认为Meeusen &Broeck (1977)、Aigner ,Lovell ,and Schmidt (1977)与Battese &Corra (1977)这三篇论文是标志着SFA 技术诞生的开创性文献。 他们的模型基本上可以表达为y =f (x ;β)?ex p (v -u ),其中,y 代表产出、x 表示一组矢量投 入、 β为一组待定的矢量参数。误差项ε为复合结构,第一部分v 服从N (0,σ2 v )分布,v ∈iid (独立一致分布)。第二部分u ≥0,用以表示那些仅仅对某个个体所具有的冲击;因此,该个体的技术效率状态则用T E =exp (-u )来表示。这样的话,当u =0时,厂商就恰好处于生产前沿上(即y =f (x ;β)?ex p (v ));若u >0,厂商就处于生产前沿下方,也就是处于非技术效率状态。图1直 观地显示了技术效率的定义。 根据对u 所服从分布的假设不同,SFA 技术2017公需科目《大数据前沿技术及应用》第八章答案
工业大数据分析技术与前沿技术趋势
大数据前沿技术及应用(二) 第三章 大数据金融行业应用.
随机前沿模型(SFA)-原理解读
2017大数据前沿技术与应用部分答案(公需课)90分以上答案
大数据处理技术的总结与分析
中国能源效率地区差异及其成因研究——基于随机前沿生产函数的方差分解
大数据分析及其在医疗领域中的应用-图文(精)
公需课大数据前沿技术级应用测试题
2017年公需课《大数据前沿技术与应用》答案(八章全)
讲义生产函数
大数据分析系统项目方案
2017年公需科目《大数据前沿技术及应用》参考答案(适用于华医网)
大数据前沿技术应用与发展
人力资本结构对我国技术效率的影响——基于随机前沿生产函数的实证分析
大数据前沿技术及应用
对我国技术效率的测算随机前沿生产函数的应用