熵值法是一种基于信息熵理论的客观赋值方法。即数据越离散,所含信息量越多,对综合评价影响越大。
目录
- 一、基于面板数据熵值法介绍
- 二、R语言实现
- 参考文献
一、基于面板数据熵值法介绍
传统的熵值法有个弊端,只能针对于截面数据,即根据某一年 k k k个地区 j j j项指标进行综合评价。而在实际处理经济型数据过程中,经常会遇到面板数据。即根据 m m m个年份, k k k个区县, j j j项指标对其进行综合评价。其具体过程如下(与传统的熵值法过程非常相似,主要是第二步和第三步有区别):
(1) 指标标准化处理
正向指标 Z α i j = x α i j − x m i n x m a x − x m i n \text{正向指标}Z_{\alpha ij}=\frac{x_{\alpha ij}-x_{min}}{x_{max}-x_{min}} 正向指标Zαij=xmax−xminxαij−xmin 负向指标 Z α i j = x m a x − x α i j x m a x − x m i n \text{负向指标}Z_{\alpha ij}=\frac{x_{max}-x_{\alpha ij}}{x_{max}-x_{min}} 负向指标Zαij=xmax−xminxmax−xαij 式中, x m a x \mathit{x_{max}} xmax, x m i n \mathit{x_{min}} xmin分别代表第 j \mathit{j} j项指标的最大值和最小值; x α i j x_{\alpha ij} xαij, z α i j z_{\alpha ij} zαij分别代表第 j \mathit{\:j\:} j项指标标准化处理前和处理后的值。
(2) 指标归一化
P α i j = Z α i j ∑ α = 1 m ∑ i = 1 k Z α i j P_{\alpha ij}=\frac{Z_{\alpha ij}}{\sum\limits_{\alpha=1}^{m}\sum\limits_{i=1}^{k}Z_{\alpha ij}} Pαij=α=1∑mi=1∑kZαijZαij
(3) 计算熵值
E j = − k 1 ∑ α = 1 m ∑ i = 1 k P α i j l n P α i j E_{j}=-k_{1}\sum\limits_{\alpha=1}^{m}\sum\limits_{i=1}^{k}P_{\alpha ij}ln{P_{\alpha ij}} Ej=−k1α=1∑mi=1∑kPαijlnPαij
其中, k 1 = 1 l n ( m × k ) k_{1}=\displaystyle\frac{1}{ln(m \times k)} k1=ln(m×k)1
(4) 计算各项指标的冗余度
D j = 1 − E j D_{\mathit{j}}=1-E_{\mathit{j}} Dj=1−Ej
(5) 计算各项指标权重
W j = D j ∑ j = 1 n D j W_{\mathit{j}}=\frac{D_{\mathit{j}}}{\sum\limits_{\mathit{j=1}}^{n}D_{\mathit{j}}} Wj=j=1∑nDjDj
(6) 得到各区县的综合经济指数
I α i = P α i j × W j I_{\alpha i}=P_{\mathit{\alpha ij}} \times W_{\mathit{j}} Iαi=Pαij×Wj
二、R语言实现
以重庆市各区县为例,选取如下九项指标数据构建综合经济指数,数据来源《重庆统计年鉴》,时间范围为2009-2018年。
一级指标 | 二级指标 |
经济实力 | GDP(国民生产总值) |
全社会固定资产投资 | |
社会消费品总额 | |
经济质量 | 第三产业/GDP |
人均GDP | |
区县一般公共收入/GDP | |
社会生活 | 农村居民人均纯收入 |
人均一般公共服务支出 | |
城镇居民人均可支配收入 |
部分数据展示如下:
代码如下:
#根据数据实际情况,修改初始参数
setwd('C:/Users/dell/Desktop')
library(xlsx)
k=38 #区县个数
m=10 #年份
n=9 #指标个数#读取数据
data.list=list()
for(i in seq(n))data.list[[i]]=read.xlsx('df.xlsx',sheetIndex = i,encoding='UTF-8')caculate_p<-function(x) {z<-(x[,-1]-min(x[,-1]))/(max(x[,-1])-min(x[,-1]))p<-z/(sum(z))
}
P<-lapply(data.list,caculate_p)caculate_d<-function(x){a<-x*log(x)a[is.na(a)]<-0d<-(1-(-sum(a)/log(k*m)))
}
d<-sapply(P,caculate_d)#输出权重
w<-sapply(d,function(x) {x/sum(d)})
print(w)#得到每年九个指标的Pij
rank=list()
data=data.frame(matrix(0,k,0))
for(j in seq(m))
{ for(i in seq(n)){data[paste0("指标",i)]=as.vector(P[[i]][,j])rank[[j]]=data}
}#写出各年区县的综合经济指数
year=2018
for(i in seq(length(rank)))
{score<-as.matrix(rank[[i]]) %*% w #计算各区县综合指数county_score<-data.frame(cbind(as.character(data.list[[1]][,1]),score)) #添加区县名colnames(county_score)<-c("区县",'综合经济指数')write.xlsx(county_score,file='rank.xlsx',sheetName=paste0(year,'年'),append=TRUE,row.names=F)cat(paste0(year,'年写入完毕\n'))year<-year-1
}
写出的文件则是2009-2018年各区县的综合经济指数。
各指标权重占比依次为(GDP、社会消费品总额、…)
生成各年份各区县的综合经济指数如下图所示:
注意:
1、代码中的k、m、n参数根据实际数据进行修改
2、需要将数据文件放置R的工作路径中
由于原指数太小,对其乘以 1 0 4 10^{4} 104,绘制2009年和2018年各区县的综合经济指数柱形图:
从上图不难看出:
1、2018年各区县的综合经济发展指数明显要大于2009年各区县的综合经济发展指数,说明10年来重庆市各区县经济得到了较大的发展。
2、渝中区、江北区、九龙波区、渝北区综合经济发展水平较高,而城口县、巫溪县、巫山县、酉阳县经济发展水平较低
参考文献
[1]冯兴华,钟业喜,李峥荣,傅钰.长江经济带城市体系空间格局演变[J].长江流域资源与环境,2017,26(11):1721-1733.
后续将会将熵值法应用到空间相关分析中,敬请期待~