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: