DEA--python处理锥比率模型

Data envelopment analysis–Cone-Ratio Model（锥比率模型）

锥比率模型，说到底，其实就是对其原数据进行变形，然后在用正常的方法进行效率计算。然后本篇内容是建立在CCR模型的基础之上进行修改，得到锥比率模型。

model

这里的V是m维的，U是s维的。
将V、U用个人决定的矩阵AB替换，得到：

把矩阵A、B都乘进原始数据X、Y中，把它们当成新的数据信息，那么接下来就是单纯CCR模型该解决的问题了。

对其进行变形，得到对偶形式：

python代码

个人认为，锥比率模型的代码，其难点在于数据处理（matrix 与 dataframe 之间的转换） ，因此这里仅放数据处理部分代码，其余请看前几章，都类似：

题目：
原始数据：

条件所给的矩阵：

    innum, outnum = 2, 2
    file = "C://Users//admin//Desktop//data.xlsx"
    data1 = pd.read_excel(file, header=0, index_col=0)
    X1 = data1[data1.columns[:innum]]
    Y1 = data1[data1.columns[innum:innum + outnum]]
    X1_values = X1.values
    Y1_values = Y1.values
    A = np.array([[1, 0.5], [1, 2]]).transpose()
    B = np.array([[1, 3]]).transpose()
    X1_values = np.dot(X1_values, A)
    Y1_values = np.dot(Y1_values, B)
    X = pd.DataFrame(X1_values)
    Y = pd.DataFrame(Y1_values)
    print(X)
    print(Y)
    data = pd.concat([X, Y], axis=1)
    data.columns=["x1","x2","y"]
    data.index = data1.index.T
    print(data)
    X = data[data.columns[:innum]]
    Y = data[data.columns[innum:innum + outnum]]

得到的锥比率结果与CCR模型结果进行比较：