[发明专利]一种基于概率语言术语集的PM2.5排放权分配方法

说明书

本发明公开了一种基于概率语言术语集的PM2.5排放权分配方法，该方法用概率语言术语集来增加信息的表达范围，并且融合了数据包络分析方法，提出了概率语言术语包络分析模型，并将其分为偏差型概率语言术语包络分析模型和期望型的概率语言术语包络分析模型，将该两个模型应用到解决实际的PMsubgt;2.5/subgt;排放权分配问题。本方发明能有效地评价出分配效率，且使用范围广泛。

技术领域

本发明属于效率评价领域。

背景技术

“效率”一词通常用来描述各种资源用途的特征。“效率”主要是描述输入要素和输出要素之间的关系。通过测量效率，可以了解一组输入因子进入输出的过程和实验性能。Farrell在1957年提出了边界生产函数的概念来度量决策单元(DMU)的生产率水平。Charnes在Farrell的概念的基础上扩展了该理论，从而建立了具有以下特征的广义线性规划模型：可以测量固定规模收益的多输入和多输出，称为数据包络分析方法(DEA)。当解决DEA问题时，我们不需要任何加权假设，最佳权重是通过DMU的实际数据输入和输出获得的。这种方式消除了许多主观因素，具有很强的客观性。然后，可以计算每个DMU的有效值。因此，它可以用来评估一组可比较的DMU的相对效率。DEA模型被广泛使用，并在资源和排放权分配中起指导作用。合理控制大气污染物排放总量，合理分配各省的排放权，是在我国大气污染控制过程中实现减少大气污染的可行途径。在这些问题中，在具有资源竞争的DMU之间分配成本很重要。为了充分实现可持续发展，Wang使用传统的DEA模型，根据中国的二氧化碳减排效率重新分配了减排责任。但当面对模糊的和不确定的信息时，应该改进传统的DEA模型。在文献中，ZSG-DEA模型用于分析各省PM_2.5排放的分布效率。预期的产量增加与DMU的减少无关。但是，在确定输入和输出之后很难获取数据。如果通过自我观察，替代或模拟获得实际的实验数据，会导致错误率提高。因此，Triantis将模糊集扩展到传统的CCR模型，并提出了模糊DEA(FDEA)模型。但是使用FDEA模型评估效率问题时，由于是使用三角模糊数作为输入输出的信息，可能会存在信息不全面甚至信息丢失的情况，从而导致评估精度不高等问题，所以使用语言术语集而不是使用单一数值来表达，可以将主观评估信息更全面地展示。

由于评估过程的主观性，获得的信息通常是模糊的。此外，被评估实体的投入和产出在实际评估一个问题时通常会波动。波动的数据可以表示为语言变量，其值由语言术语集(LTS)收集，并由模糊数字表征，以反映一般感觉或决策者(DM)的经验。Herrera提出了语言决策框架，并基于语言评估解决了群体决策问题。此外，Herrera提出了一种用于单词计算的语言二元组模型，该模型通过语言术语和实数来表达语言信息。Xu提出了虚拟语言模型，该模型通过使用语言修饰语来介绍虚拟语言术语的语法和语义。当处理不确定性时，决策者在给出评估指标时可能会在几个值之间犹豫，因此Rodríguez提出了犹豫的模糊语言术语集(HFLTS)的概念，为计算此类问题提供了基础。HFLTS可以视为精确值的汇总。但是，这些可能的语言术语可能具有不同的权重。在特定的概率分布或不完全分布可用的情况下，使用HFLTS会导致信息丢失。因此为了改善这个问题，Pang等人提出了概率语言术语集(PLTS)来解决具有概率语言信息的多属性群决策问题。但治理雾霾问题上，指标的数据获取方法多种多样，例如通过观测获得的气象数据和通过主观因素处理的统计数据(属于定性评估信息)。在不确定的环境中，如何处理来自多个数据源的定性信息从而科学地进行效率评估是一个亟待解决的决策问题。

发明内容

发明目的：为解决现有技术中存在计算精度低等问题，本方发明提供一种基于概率语言术语集的PM2.5排放权分配方法。

技术方案：本发明提供一种基于概率语言术语集的PM2.5排放权分配方法，应用于PM_2.5排放权的分配中，具体包括如下步骤：