DEA各种模型原理及stata代码实现
DEA各种模型原理及stata代码实现
- DEA各种模型原理及stata代码实现
- 一、CCR和BCC
- 1.原理
- 2.效率测算stata代码
- 3.Malmquist指数
- 3.1M指数
- 3.2Global-Malmquist指数
- 4.指数计算代码与案例
- 二、SBM模型
- 1.原理
- 2.stata代码实现
- 三、方向性距离函数(DDF)
- 1.原理
- 2.stata代码实现
- 3.非径向DDF模型(NDDF)
- 3.GML指数
- 4.指数测算
- 四、总结
DEA各种模型原理及stata代码实现
一、CCR和BCC
1.原理
CCR模型产出导向下的效率通过求解以下规划得出:
CCR_TE=maxθCCR\_ TE = max \thetaCCR_TE=maxθ
s.t.∑k=1Kzkykm≥ykmθm,m=1,...,Ms.t. \sum_{k=1}^Kz_{k}y_{km}\geq y_{km}\theta_{m},m=1,...,Ms.t.∑k=1Kzkykm≥ykmθm,m=1,...,M
∑k=1Kzkxkn≤xkn,,n=1,...,N\kern2em\sum_{k=1}^Kz_{k}x_{kn}\leq x_{kn},,n=1,...,N∑k=1Kzkxkn≤xkn,,n=1,...,N
zk≥0\kern2emz_{k}\geq 0zk≥0
其中,(∑k=1Kzkykm,∑k=1Kzkxkn)(\sum_{k=1}^Kz_{k}y_{km},\sum_{k=1}^Kz_{k}x_{kn})(∑k=1Kzkykm,∑k=1Kzkxkn)可以理解为前沿面,(xkm,ykm)(x_{km},y_{km})(xkm,ykm)为每个决策单元(dmu)的值。
BCC模型在上述规划的约束条件中加入∑k=1Kzk=1\sum_{k=1}^Kz_k=1∑k=1Kzk=1.
2.效率测算stata代码
代码格式如下:
CCR模型对应规模报酬不变crs
dea inputvars = outputvars ,rts(crs)
BCC模型对应规模报酬可变vrs
dea inputvars = outputvars ,rts(vrs)
3.Malmquist指数
3.1M指数
Malmquist指数是效率的变化率,简单地想,如果以t期为基期,那么公式为:
Malmquistt=Dt(xt+1,yt+1)Dt(xt,yt)Malmquist_t=\dfrac{D^t (x^{t+1},y^{t+1})}{D^t(x^t,y^t)}Malmquistt=Dt(xt,yt)Dt(xt+1,yt+1)
其中,Dt(xt+1,yt+1)D^t(x^{t+1},y^{t+1})Dt(xt+1,yt+1)某一个决策单元在t+1期的生产情况基于t期的前沿面计算的效率(决策单元在t+1期的生产情况可能超出t期的前沿面,因此可能无解);
Dt(xt,yt)D^{t}(x^{t},y^{t})Dt(xt,yt)某一个决策单元在t期的生产情况基于t期的前沿面计算的效率,也就是正常来说的TEtTE_tTEt
同样的,如果以t+1期为基期,那么公式为:
Malmquistt+1=Dt+1(xt+1,yt+1)Dt+1(xt,yt)Malmquist_{t+1} =\dfrac{D^{t+1}(x^{t+1},y^{t+1})}{D^{t+1}(x^t,y^t)}Malmquistt+1=Dt+1(xt,yt)Dt+1(xt+1,yt+1)
基期不同值不同,为了解决这个问题,定义:
Malmquistt+1,t=(Malmquistt×Malmquistt+1)0.5=M(xt+1,yt+1,xt,yt)Malmquist_{t+1,t} =(Malmquist_{t}\times Malmquist_{t+1})^{0.5} =M(x^{t+1},y^{t+1},x^t,y^t)Malmquistt+1,t=(Malmquistt×Malmquistt+1)0.5=M(xt+1,yt+1,xt,yt)
=[Dt(xt+1,yt+1)Dt(xt,yt)×Dt+1(xt+1,yt+1)Dt+1(xt,yt)]0.5=[\dfrac{D^{t}(x^{t+1},y^{t+1})}{D^t(x^t,y^t)}\times \dfrac{D^{t+1}(x^{t+1},y^{t+1})}{D^{t+1}(x^t,y^t)}]^{0.5}=[Dt(xt,yt)Dt(xt+1,yt+1)×Dt+1(xt,yt)Dt+1(xt+1,yt+1)]0.5
=Dt+1(xt+1,yt+1)Dt(xt,yt)×[Dt(xt+1,yt+1)Dt+1(xt+1,yt+1)Dt(xt,yt)Dt+1(xt,yt)]0.5=\dfrac{D^{t+1}(x^{t+1},y^{t+1})}{D^t(x^t,y^t)}\times [\dfrac{D^{t}(x^{t+1},y^{t+1})}{D^{t+1}(x^{t+1},y^{t+1})}\dfrac{D^{t}(x^{t},y^{t})}{D^{t+1}(x^t,y^t)}]^{0.5}=Dt(xt,yt)Dt+1(xt+1,yt+1)×[Dt+1(xt+1,yt+1)Dt(xt+1,yt+1)Dt+1(xt,yt)Dt(xt,yt)]0.5
=TECH×TECCH=TECH \times TECCH=TECH×TECCH ------- Fare分解
其中:TECH表示效率变化,TECCH表示技术进步.
在规模报酬不变时,Fare分解完全正确,但是在规模报酬可变时,须考虑规模报酬的变化
TFPCH=M(xt+1,yt+1,xt,yt)TFPCH= M(x^{t+1},y^{t+1},x^t,y^t)TFPCH=M(xt+1,yt+1,xt,yt)
=Dvt+1(xt+1,yt+1)Dvt(xt,yt)×[Dct(xt+1,yt+1)Dt+1(xt+1,yt+1)Dt(xt,yt)Dt+1(xt,yt)]0.5×Dct+1(xt+1,yt+1)/Dvt+1(xt+1,yt+1)Dct(xt,yt)/Dvt+1(xt,yt)=\dfrac{D^{t+1}_v(x^{t+1},y^{t+1})}{D^t_v(x^t,y^t)}\times [\dfrac{D^{t}_c(x^{t+1},y^{t+1})}{D^{t+1}(x^{t+1},y^{t+1})}\dfrac{D^{t}(x^{t},y^{t})}{D^{t+1}(x^t,y^t)}]^{0.5}\times \dfrac{D^{t+1}_c(x^{t+1},y^{t+1})/D^{t+1}_v(x^{t+1},y^{t+1})}{D^{t}_c(x^{t},y^{t})/D^{t+1}_v(x^{t},y^{t})}=Dvt(xt,yt)Dvt+1(xt+1,yt+1)×[Dt+1(xt+1,yt+1)Dct(xt+1,yt+1)Dt+1(xt,yt)Dt(xt,yt)]0.5×Dct(xt,yt)/Dvt+1(xt,yt)Dct+1(xt+1,yt+1)/Dvt+1(xt+1,yt+1)
=TECH×TECCH×SECH=TECH \times TECCH \times SECH=TECH×TECCH×SECH -----------RD分解
其中,DcD_cDc表示按规模报酬不变计算效率,DvD_vDv表示按规模报酬可变计算效率,SECH表示规模变化。
3.2Global-Malmquist指数
Malmquist指数可能无解!
因此有Global Malaquist指数,思想很简单,计算一个全局效率,以他为基准,公式为:
GM=McG(xt,yt,xt+1,yt+1)=DcG(xt+1,yt+1)DcG(xt,yt)GM = M^G_c(x^t,y^t,x^{t+1},y^{t+1})=\dfrac{D^G_c(x^{t+1},y^{t+1})}{D^G_c(x^t,y^t)}GM=McG(xt,yt,xt+1,yt+1)=DcG(xt,yt)DcG(xt+1,yt+1)
其中,DGD^GDG表示基于全局前沿面的效率。DtD^tDt的计算方式是仅保留第t期的数据来计算效率,而DGD^GDG是将所有数据都保留来计算效率(不会无解)。
McG(xt,yt,xt+1,yt+1)M^G_c(x^t,y^t,x^{t+1},y^{t+1})McG(xt,yt,xt+1,yt+1)
=Dct+1(xt+1,yt+1)Dct(xt,yt)×DcG(xt+1,yt+1)Dt+1(xt+1,yt+1)Dct(xt,yt)DG(xt,yt)=\dfrac{D^{t+1}_c(x^{t+1},y^{t+1})}{D^t_c(x^t,y^t)}\times \dfrac{D^{G}_c(x^{t+1},y^{t+1})}{D^{t+1}(x^{t+1},y^{t+1})}\dfrac{D^{t}_c(x^{t},y^{t})}{D^{G}(x^t,y^t)}=Dct(xt,yt)Dct+1(xt+1,yt+1)×Dt+1(xt+1,yt+1)DcG(xt+1,yt+1)DG(xt,yt)Dct(xt,yt)
=TECH×BPC=TECH\times BPC=TECH×BPC
其中,TECH 是通常的效率变化指标,BPG 是最佳实践差距,表明t+1期的基准技术相较于t期是接近还是远离了全局的基准⽣产技 术。当然也可以采用RD分解,分解规模变化。
4.指数计算代码与案例
malmq2 inputvars = outputvars ,
选项:global 计算Golbal-Malmquist指数
saving() 保存
案例数据展示,其中投入为l和k,期望产出为g,非期望产出为w,s,f
year | city | w | s | f | l | g | k |
---|---|---|---|---|---|---|---|
2018 | 上海市 | 29144 | 9100 | 16163 | 1375.66 | 31521.2 | 7.60E+07 |
2018 | 南京市 | 15534 | 12375 | 35914 | 462.6 | 11752.8 | 7.00E+07 |
2018 | 无锡市 | 20622 | 40242 | 52929 | 388.2 | 11897 | 5.10E+07 |
先设置面板xtset
然后计算malmquist指数(l k为投入,g为产出),fare分解
RD分解:
GM指数计算
二、SBM模型
1.原理
带有非期望产出的SBM模型:
phi∗=min1−1m∑i=1m(Sio−Xio)1+1s1+s2(∑r1=1s1Sr1ogyr1og+∑r2=1s2Sr2obyr2ob)phi^*=min\dfrac{1 - \dfrac{1}{m} \sum_{i=1}^m(\dfrac{S_{io}^-}{X_{io}})}{1+\dfrac{1}{s_1+s_2}(\sum_{r_1=1}^{s_1}\dfrac{S_{r_{1o}}^g}{y_{r_{1o}}^g}+\sum_{r_2=1}^{s_2}\dfrac{S_{r_{2o}}^b}{y_{r_{2o}}^b})}phi∗=min1+s1+s21(∑r1=1s1yr1ogSr1og+∑r2=1s2yr2obSr2ob)1−m1∑i=1m(XioSio−)
s.tXo=Xλ+So−(1)s.t\kern5em X_o=X\lambda +S_o^- \kern3em(1)s.tXo=Xλ+So−(1)
yog=Ygλ−Sog(2)\kern6em y_o^g=Y^g\lambda -S_o^g \kern3em(2)yog=Ygλ−Sog(2)
yob=Ybλ+Sob(3)\kern6em y_o^b = Y^b\lambda + S_o^b \kern3em(3)yob=Ybλ+Sob(3)
So−,Sog,Sob,λ>0(4)\kern6em S_o^-,S_o^g,S_o^b, \lambda >0 \kern2em(4)So−,Sog,Sob,λ>0(4)
其中,(Xo,yog,yob)(X_o,y^g_o,y^b_o)(Xo,yog,yob)分别表示每个决策单元的值,(Xλ,ygλ,ybλ)(X\lambda,y^g\lambda,y^b\lambda)(Xλ,ygλ,ybλ)表示前沿面。
So−,Sog,SobS_o^-,S_o^g,S_o^bSo−,Sog,Sob表示松弛值,即投入或产出与前沿面的距离,也即投入比理想投入多的部分、期望产出比理想期望产出少的部分、非期望产出比理想非期望产出多的部分。ϕ∗\phi^*ϕ∗即得出的效率。
2.stata代码实现
无非期望产出
sbmeff inputvars = desirable_outputvars , dmu(varname)
有非期望产出
sbmeff inputvars = desirable_outputvars : undesirable_outputvars , dmu(varname)
TE表示效率
指数计算
** sbm_t
sbmeff l k = g:w s f,dmu(cit) time(year) sav(sbm_t,replace)
** sbm_g 全局前沿
sbmeff l k = g:w s f,dmu(cit) sav(sbm_g,replace)
merge m:m cit using sbm_g
rename TE TE_G
drop _merge
merge 1:1 cit year using sbm_t
drop _merge
xtset dmu year
tostring year, generate(time1)
gen lyear = l.year
tostring lyear, generate(time2)
gen time = time1 + "~" +time2
gen TFPCH = TE_G / l.TE_G
gen TECH = TE/l.TE
gen BPC = TFPCH / TECH
keep if TFPCH != .
list city time TFPCH TECH BPC
三、方向性距离函数(DDF)
1.原理
D→(x,y,b;g)=maxβ\overrightarrow{D}(x,y,b;g)=max\betaD(x,y,b;g)=maxβ
s.t.∑n=1Nznxmn≤xm−βgxm,m=1,2...,Ms.t. \sum_{n=1}^Nz_nx_{mn} \leq x_m-\beta g_{xm},m=1,2...,Ms.t.∑n=1Nznxmn≤xm−βgxm,m=1,2...,M
∑n=1Nznysn≥ys+βgys,s=1,2...,S\kern4ex\sum_{n=1}^Nz_ny_{sn} \geq y_s+\beta g_{ys},s=1,2...,S∑n=1Nznysn≥ys+βgys,s=1,2...,S
∑n=1Nznbjn=bj−βgbj,j=1,2...,J\kern4ex\sum_{n=1}^Nz_nb_{jn} =b_j-\beta g_{bj},j=1,2...,J∑n=1Nznbjn=bj−βgbj,j=1,2...,J
zn≥0,β>0,n=1,2...,N\kern4ex z_n\geq 0 ,\beta>0,n=1,2...,Nzn≥0,β>0,n=1,2...,N
其中,ggg为投⼊和产出的缩放的⽅向向量,β\betaβ为无效率值。
2.stata代码实现
ddfeff l k = g:w s f,dmu(cit) time(year) sav(ddf,)
merge 1:1 cit year using ddf
gen TE = 1-Dval
list year city Dval TE
3.非径向DDF模型(NDDF)
ND→(x,y,b;g)=max(wmxβsy+wstβsy+wjbβjb)\overrightarrow{ND}(x,y,b;g)=max( w^x_m \beta_s^y+w_s^t\beta^y_s+w_j^b\beta_j^b)ND(x,y,b;g)=max(wmxβsy+wstβsy+wjbβjb)
s.t.∑n=1Nznxmn≤xm−βmsgxm,m=1,2...,Ms.t. \sum_{n=1}^Nz_nx_{mn} \leq x_m-\beta_m^s g_{xm},m=1,2...,Ms.t.∑n=1Nznxmn≤xm−βmsgxm,m=1,2...,M
∑n=1Nznysn≥ys+βsygys,s=1,2...,S\kern4ex\sum_{n=1}^Nz_ny_{sn} \geq y_s+\beta_s^y g_{ys},s=1,2...,S∑n=1Nznysn≥ys+βsygys,s=1,2...,S
∑n=1Nznbjn=bj−βjbgbj,j=1,2...,J\kern4ex\sum_{n=1}^Nz_nb_{jn} =b_j-\beta_j^b g_{bj},j=1,2...,J∑n=1Nznbjn=bj−βjbgbj,j=1,2...,J
zn≥0,β>0,n=1,2...,N\kern4ex z_n\geq 0 ,\beta>0,n=1,2...,Nzn≥0,β>0,n=1,2...,N
NDDF模型对比DDF只是让投入产出的无效率系数变为不同。
NDDF模型代码实现
由于结果给出了所有方向的β\betaβ,也可以按照自己的方法计算TE(自己定义的公式).比如:
TE=1−0.2(B_l+B_k+B_w+B_s+B_f)1+BgTE=\dfrac{1-0.2(B\_l +B\_k+B\_w+B\_s+B\_f)}{1+B_g}TE=1+Bg1−0.2(B_l+B_k+B_w+B_s+B_f)
其内涵为每种因素的平均效率。
3.GML指数
计算完效率之后可以计算效率的变化率Global-Malmquist-Luenberger指数。
由于已被证明:
D→(x,y,b;g)=11+D(x,y,b)\overrightarrow{D}(x,y,b;g)=\dfrac{1}{1+D(x,y,b)}D(x,y,b;g)=1+D(x,y,b)1
因此有Malmquist-Luenberger指数:
ML=Dt(xt+1,yt+1,bt+1;gt+1)×Dt+1(xt+1,yt+1,bt+1;gt+1)Dt(xt,yt,bt;gt)×Dt+1(xt,yt,bt;gt)ML=\dfrac{{D^t}(x^{t+1},y^{t+1},b^{t+1};g^{t+1})\times{D^{t+1}}(x^{t+1},y^{t+1},b^{t+1};g^{t+1})}{{D^t}(x^t,y^t,b^t;g^t)\times{D^{t+1}}(x^{t},y^t,b^t;g^t)}ML=Dt(xt,yt,bt;gt)×Dt+1(xt,yt,bt;gt)Dt(xt+1,yt+1,bt+1;gt+1)×Dt+1(xt+1,yt+1,bt+1;gt+1)
=[1+Dt→(xt,yt,bt)1+Dt→(xt+1,yt+1,bt+1)×1+Dt+1→(xt,yt,bt)1+Dt+1→(xt+1,yt+1,bt+1)]0.5\kern4ex =[\dfrac{1 + \overrightarrow{D^t}(x^t,y^t,b^t)}{1+\overrightarrow{D^{t}}(x^{t+1},y^{t+1},b^{t+1})}\times \dfrac{1+ \overrightarrow{D^{t+1}}(x^t,y^t,b^t)}{1+\overrightarrow{D^{t+1}}(x^{t+1},y^{t+1},b^{t+1})}]^{0.5}=[1+Dt(xt+1,yt+1,bt+1)1+Dt(xt,yt,bt)×1+Dt+1(xt+1,yt+1,bt+1)1+Dt+1(xt,yt,bt)]0.5
和GML指数
GML=DG(xt+1,yt+1,bt+1)DG(xt,yt,bt)=1+DG→(xt,yt,bt)1+DG→(xt+1,yt+1,bt+1)GML = \dfrac{D^G(x^{t+1},y^{t+1},b^{t+1})}{D^G(x^t,y^t,b^t)} = \dfrac{1+\overrightarrow{D^G}(x^{t},y^{t},b^{t})}{1+\overrightarrow{D^G}(x^{t+1},y^{t+1},b^{t+1})}GML=DG(xt,yt,bt)DG(xt+1,yt+1,bt+1)=1+DG(xt+1,yt+1,bt+1)1+DG(xt,yt,bt)
=1+Dt→(xt,yt,bt)1+D+1→(xt+1,yt+1,bt+1)×(1+DG→(xt,yt,bt))/(1+Dt→(xt,yt,bt))(1+DG→(xt+1,yt+1,bt+1))/(1+D+1→(xt+1,yt+1,bt+1))\kern5ex = \dfrac{1+\overrightarrow{D^t}(x^{t},y^{t},b^{t})}{1+\overrightarrow{D^+1}(x^{t+1},y^{t+1},b^{t+1})} \times \dfrac{(1+\overrightarrow{D^G}(x^{t},y^{t},b^{t}) )/(1+\overrightarrow{D^t}(x^{t},y^{t},b^{t}))}{(1+\overrightarrow{D^G}(x^{t+1},y^{t+1},b^{t+1}))/ (1+\overrightarrow{D^+1}(x^{t+1},y^{t+1},b^{t+1}))}=1+D+1(xt+1,yt+1,bt+1)1+Dt(xt,yt,bt)×(1+DG(xt+1,yt+1,bt+1))/(1+D+1(xt+1,yt+1,bt+1))(1+DG(xt,yt,bt))/(1+Dt(xt,yt,bt))
=TECH×BPC\kern5ex = TECH \times BPC=TECH×BPC
4.指数测算
ML指数
存在大量缺失值,使用gml指数
四、总结
上述包含了 dea、malmq2、ddfeff等命令,可能需要高版本stata,stata16最好。如果缺少了命令,可通过 ssc install XX (XX为命令名称)下载,网络不好可能下载失败。也可使用其他人下载好的命令,推荐 连玉君老师的plus文件。
文中相关数据和资源:
链接:https://pan.baidu.com/s/15wMpDovYiqG-LI74Z_NhPQ
提取码:em4g
最后,在肝论文的小伙伴,都帮你们到这了,不点个大大的赞吗!!
DEA各种模型原理及stata代码实现相关推荐
- 计量模型、实证stata代码合集,附顶刊示例
超强整理!计量实证常用代码合集! 1.指标说明: 包含以下资料: 中介效应(三步回归.Sobel检验.Bootstrap自抽样检验) Heckman两阶段回归结果 分组回归(组间系数检验) 工具变量回 ...
- AFM模型原理及Pytorch代码复现
一.前言 该模型是和NFM模型结构上非常相似, 算是NFM模型的一个延伸,在NFM中, 不同特征域的特征embedding向量经过特征交叉池化层的交叉,将各个交叉特征向量进行"加和" ...
- Holt-Winters模型原理分析及代码实现(python)
引言 最近实验室老师让我去预测景区内代步车辆的投放量,于是乎,本着"一心一意地输出年富力强的劳动力"这份初心,我就屁颠屁颠地去找资料,然后发现了Holt-Winters模型 , 感 ...
- NFM(Neural Factorization Machines):模型原理及pytorch代码实现
一.前言 FM已经公认是稀疏数据预测中最有效的嵌入方法之一,真实世界中的数据往往是非线性且内部结构复杂,而FM虽然能够比较好的处理稀疏数据, 也能学习稀疏数据间的二阶交互, 但说白了,这个还是个线性模 ...
- Holt-Winters模型原理分析
Holt-Winters模型原理分析及代码实现(python) from:https://blog.csdn.net/u010665216/article/details/78051192 引言 最近 ...
- 整理空间权重矩阵和杜宾模型案例数据及分析(stata代码)
数据集名称:整理空间权重矩阵和杜宾模型案例数据及分析(stata代码) 相关说明:整理空间权重矩阵和杜宾模型案例数据及分析(stata代码).Stata 是一套提供其使用者数据分析.数据管理以及绘制专 ...
- 请写出空间计量模型stata代码
对不起,我不能直接给出完整的代码.但是,我可以提供一些指导,帮助您编写空间计量模型的Stata代码. 首先,空间计量模型的代码依赖于您所使用的空间计量模型的类型,例如空间自回归模型(SAR),空间错误 ...
- 【时间序列模型】AR模型(原理剖析+MATLAB代码)
目录 一.AR模型的原理剖析 1.1 AR模型原理 1.2 模型的参数估计 1.3 模型的定阶方法 (1)AIC (2)BIC 二.MATLAB代码 三.AR相关论文 参考文献: 前言 时间序列分析方 ...
- 双重差分法(DID):标准化流程和stata代码实现
文章目录 标准化流程 平行假设检验 效果评估 安慰剂检验 标准化流程 此前的文章介绍了双重差分法(difference-in-differences,DID)的原理,并说明了其是算法策略效果评估的有效 ...
- 彻底搞透视觉三维重建:原理剖析、代码讲解、及优化改进
视觉三维重建 = 定位定姿 + 稠密重建 + surface reconstruction +纹理贴图.三维重建技术是计算机视觉的重要技术之一,基于视觉的三维重建技术通过深度数据获取.预处理.点云配准 ...
最新文章
- SQL Server中SELECT会真的阻塞SELECT吗?
- 智能产品AI服务智商的权重研究|未来研究
- 不懂 Zookeeper?没关系,看这篇就够了
- UNION ALL returning wrong results?
- .NET Core快速入门教程 5、使用VS Code进行C#代码调试的技巧
- 如何使用Spring Security和Basic身份验证保护Jersey REST服务
- 【剑指offer】面试题33:二叉搜索树的后序遍历序列
- 关于 m_pszAppName
- 【Vue2.0】—常用的内置指令(九)
- Jscript中文变量乱码,又一次中招 _
- c语言二级考试程序设计题的做题步骤,计算机二级C语言上机考试操作步骤与流程.doc...
- JS纯前端导出PDF及分页和使用window.print()保存PDF
- 《老路用得上的商学课》81-85学习笔记
- 0441-Impala动态资源池及放置规则使用
- 数据分析的工作目标是什么
- ribbon的注解 @LoadBalanced 报错 No instances available for [IP]
- 2015美团算法工程师笔试、面试之旅
- android基础 [超级详细android Activity组件解析(Activity综述,Activity生命周期,Activity启动--携带参数启动)]
- Linux-基本指令02
- react安装postcss-pxtorem
热门文章
- 谷歌浏览器书签丢失,恢复工具
- 我常去的编程技术网站
- 计算机快捷键屏幕保护是什么,电脑屏保快捷键.pptx
- lumia 1520Android刷机包,诺言基亚Lumia 1520官方体系破开格提升固件释出产
- win7系统关闭蓝牙服务器,Win7系统怎么关闭蓝牙功能
- macOS Catalina10.15.4安装HP Laser Jet1020打印机驱动方法
- Ubuntu中下载安装NVIDIA显卡驱动
- 2019第十届互联网牛耳人人盛典圆满成功,罗超频道入选年度专栏作者
- DelphiXe3 FireMonkey 如何画图
- wps怎么修改云端服务器的地址,新版wps怎么没有云服务器