Daniel, boa noite! Não compreendi o seu problema postado na lista, possivelmente pq não utilizo o pacote DEA, onde posso baixar o pacote DEA para testes? Também utilizo o R para analisar eficiência por meio de análise envoltória de dados. Estou trabalhando com o pacote Benchmarking, que além do excelente help tem o livro do mesmo autores que criaram o pacote que é bastante útil: Bogetoft and Otto (2011), Benchmarking with DEA, SFA, and R. Como exemplo do uso do pacote Benchmarking segue medidas de eficiência para o modelos básicos de DEA utilizando os dados da Tabela 2.1 de Coll e Blasco (2006) Evaluación de la Eficiencia mediante el Análisis Envolvente de Datos. Vale ressaltar que no seu caso o arquivo é grande, e nesse exemplo o arquivo .csv tem poucas linhas, mas acredito que não terá problema em manipular suas matrizes ou data.frames utilizando o Benchmarking. Espero que o exemplo sejá útil, caso encontre algum erro pode corrigir e postar a versão corrigida. Att Roney #################### # TODO: Dados da Tabla 2.1 Valores observados concesionarios, do livro de Coll e Blasco (2006) # INPUTS # x1 = Número de empleados # x2 = Depreciación del Inmovilizado, como proxy del capital # OUTPUTS # y1 = Número de vehículos vendidos # y2 = Número de órdenes de trabajo recibidas en taller # # Coll e Blasco (2006) Evaluación de la Eficiencia mediante el Análisis Envolvente de Datos # Ferreira e Gomes (2009) Introdução à Análise Envoltória de Dados. Teoria, Modelos e Aplicações # Bogetoft, Otto (2011) Benchmark and frontier analysis using DEA and SFA and R # Author: roney ############################################################################### rm(list=ls(all=TRUE)) getwd() setwd("/Users/roney/Documents/Economia/R-workspace/DEA") dir() library(Benchmarking) help(package="Benchmarking") ?dea ## dea(X, Y, RTS="vrs", ORIENTATION="in", XREF=NULL, YREF=NULL, # FRONT.IDX=NULL, SLACK=FALSE, DUAL=FALSE, DIRECT=NULL, param=NULL, # TRANSPOSE=FALSE, FAST=FALSE, LP=FALSE, CONTROL=NULL, LPK=NULL) # # Tabla 2.1 Valores observados concesionarios # x1 x2 y1 y2 # A 8 8 14 20 # B 11 15 25 42 # C 14 12 8 30 # D 12 13 25 8 # E 11 18 40 22 # F 18 20 24 30 # link baixar o arquivo .csv # http://www.datafilehost.com/download-b7ad5202.html read.csv("Coll-Blasco_exemplo.csv", header=TRUE) coll.blasco <- read.csv("Coll-Blasco_exemplo.csv", header=TRUE) namesAF <- c("A", "B", "C", "D", "E", "F") namesX <-c("x1", "x2") namesY <- c("y1", "y2") namesXY <- c("x1", "x2", "y1", "y2") insumos <- matrix(c(coll.blasco$x1, coll.blasco$x2), nrow=6, ncol=2, byrow=FALSE, dimnames=list(namesAF, namesX)) is.matrix(insumos) insumos produtos <- matrix(c(coll.blasco$y1, coll.blasco$y2), nrow=6, ncol=2, byrow=FALSE, dimnames=list(namesAF, namesY)) is.matrix(produtos) produtos ######## CCR Input Orientado ####### # Em benchmarking modelo CCR (crs) input orientado, o problema primal é a minimização do insumos dada a # quantidade de produtos. Modelo envoltório (que usa lambda), ver notação página 72 Ferreira e Gomes (2009) ccr.in <- dea(insumos, produtos, RTS="crs", ORIENTATION="in", SLACK=TRUE) # eff CCR insumo orientado com folgas summary(ccr.in) # função que trás o resumo das medidas, como número e % de unidades eficientes em cada # faixa de valor, assim como folgas. Muito útil para grande quantidade de DMU's lambda(ccr.in) # equivalente a saída Benchmarking do SAID, indica quais DMU's estão sendo referência, # as que estão nas colunas, para as demais DMU's, que estão nas linhas. # em outras palavras, parceiros relevantes (peers) para as DMU's ineficientes, e o valor do # lambda indica o quanto a DMU eficiente, o benchmarking, é importante para a DMU ineficiente lambda(ccr.in, KEEPREF = TRUE) # quando a opção "KEEPREF = TRUE" é utilizada todas as DMU's são mostradas # nas colunas, não penas as eficiêntes. print(ccr.in$eff, digits=2) # para mostrar a eficiência das DMU's which( ccr.in$eff == 1 & !ccr.in$slack) # para mostrar apenas as DMU's eficientes e sem folga data.frame("eff"=ccr.in$eff, "ins"=insumos, "rad"=ccr.in$eff * insumos, "fol"=ccr.in$sx, "alv"=insumos - ccr.in$sx) # i) eff, ii) insumos observados ou atual, iii) movimento radial, iv) folga e v) alvo # # iii) movimento radial é o cálculo da redução dos insumos em direção a fronteira eficiente # e é obtido pela multiplicação dos insumos observados pela eficiência das respectivas # unidades, ou pela multiplicação da unidade do insumo da unidade ineficiente pelo # lambda do(s) seu(s) benchmarks. (ver página 101 de Ferreira e Gomes, 2009) # iv) mesmo projetando DMU em direção a fronteira eficiente devido a possibilidade # de existir alguns seguimentos da fronteira poliangular linear paralelos aos eixos # coordenadas é possível ocorrer folgas nesses pontos. Ou seja, mesmo que o movimento # radial tenha projetado a DMU para a fronteira eficiente é possivel existir alguma # ineficiencia, que caracterizamos como folga. (ver página 102 de Ferreira e Gomes, 2009) # v) o alvo é o movimento radial dimunuido das possíveis folgas data.frame("eff"=ccr.in$eff,"pro"=produtos,"rad"=ccr.in$eff*produtos,"fol"=ccr.in$sy,"alv"=produtos+ccr.in$sy) # i) eff, ii) produtos observados ou atual, iii) movimento radial, iv) folga e v) alvo # o mesmo do exemplo anterior mas agora aplicado para aos produtos ## Problema da Dualidade ## # no problema dual do modelo CCR (crs) insumos orientado [maximização] é expressa a forma multiplicada desse modelo, # onde os lambdas são substituidos pelos peso insumo (u) e peso produto (v). ver notação pág 72 Ferreira e Gomes (2009) # # os pesos, peso insumo (u) e peso produto (v), que permitem calcular os insumos e produtos virtuais conforme são # obtidos na saída do SAID e no modelo insumo orientado multiplicadores (primal) de Coll e Blasco (2006) só são # encontrados pelo problema dual no pacote Benchmarking ccr.in.dual <- dea.dual(insumos, produtos, RTS="crs", ORIENTATION="in") names(ccr.in.dual) print(cbind("eff"=ccr.in.dual$eff, ccr.in.dual$u, ccr.in.dual$v), digits=5) # o valor eficiência é exatamente igual aos do SAID e do Excel, mas os pesos apresentam valores diferentes # para detalhes ver tabela 4.8 na página 130 de Ferreira e Gomes (2009) ou nas páginas 117 e 118 tabelas 4.2 e 4.3 ######## CCR Output Orientado ####### # Em benchmarking modelo CCR (crs) output orientado, o problema primal é a maximização do produto dada a # quantidade de insumos. Modelo envoltório (que usa lambda), ver notação página 130 Ferreira e Gomes (2009) ccr.out <- dea(insumos, produtos, RTS="crs", ORIENTATION="out", SLACK=TRUE) summary(ccr.out) lambda(ccr.out) # apresentou uma pequena mudança no valor dos lambdas comparado com o resultado do SAID, mas como # o modelo é CCR acredito não deveria acontecer isso lambda(ccr.out, KEEPREF = TRUE) print(1/ccr.out$eff, digits=2) which(1/ccr.out$eff == 1 & !ccr.out$slack) data.frame("eff"=1/ccr.out$eff, "ins"=insumos, "rad"=(1/ccr.out$eff) * insumos, "fol"=ccr.out$sx, "alv"=insumos - ccr.in$sx) data.frame("eff"=1/ccr.out$eff, "pro"=produtos, "rad"=1/ccr.out$eff * produtos, "fol"=ccr.out$sy, "alv"=produtos + ccr.out$sy) # apresentou pequenas mudanças diante dos resultodos do SAID # # o problema dual do modelo CCR (crs) output orientado é a minimização, modelo dos multiplicadores, que considera # os pesos insumos (u) e produtos (v) ccr.out.dual <- dea.dual(insumos, produtos, RTS="crs", ORIENTATION="out") # problema dual output orientado names(ccr.out.dual) print(cbind("eff"=ccr.out.dual$eff, ccr.out.dual$u, ccr.out.dual$v), digits=5) ######## BCC Input Orientado ####### # Em benchmarking modelo BCC (vrs) input orientado, o problema primal é a minimização do insumos dada a # quantidade de produtos. Modelo envoltório (que usa lambda), ver notação página 130 Ferreira e Gomes (2009) bcc.in <- dea(insumos, produtos, RTS="vrs", ORIENTATION="in", SLACK=TRUE) # eff BCC insumo orientado com folgas summary(bcc.in) lambda(bcc.in) lambda(bcc.in, KEEPREF = TRUE) print(bcc.in$eff, digits=2) which(bcc.in$eff == 1 & !bcc.in$slack) data.frame("eff"=bcc.in$eff, "ins"=insumos, "rad"=bcc.in$eff * insumos, "fol"=bcc.in$sx, "alv"=insumos - bcc.in$sx) data.frame("eff"=bcc.in$eff, "ins"=produtos, "rad"=bcc.in$eff * produtos,"fol"=bcc.in$sy, "alv"=produtos + bcc.in$sy) ## RENDIMENTOS DE ESCALA ## # na saida do SAID, além dos pesos do CCR, tem v0 que corresponde ao k da abordagem de Coll e Blasco (2006) bcc.in.irs <- dea(insumos, produtos, RTS="irs", ORIENTATION="in", SLACK=TRUE) # eff BCC ins orientado rend crescentes bcc.in.drs <- dea(insumos, produtos, RTS="drs", ORIENTATION="in", SLACK=TRUE) # eff BCC ins orientado rend decrescentes # Ferreira e Gomes (2009) página 198 # CCR = BCC rendimentos constantes de escala # DRS = RVE rendimentos decrescentes, se DRS != RVE rendimentos crescentes # IRS = RVE rendimentos crescentes, se IRS != RVE rendimentos decrescentes data.frame("CRS"=ccr.in$eff,"VRS"=bcc.in$eff, "IRS"=bcc.in.irs$eff, "DRS"=bcc.in.drs$eff, "E_ESC"=ccr.in$eff/bcc.in$eff, "REND"=ifelse(ccr.in$eff == bcc.in$eff | bcc.in$eff == bcc.in.irs$eff & bcc.in$eff == bcc.in.drs$eff, "constante", ifelse(bcc.in$eff == bcc.in.drs$eff & bcc.in$eff != bcc.in.irs$eff, "decrescen", "crescente"))) # de modo equivalente pode-se fazer data.frame("CRS"=ccr.in$eff,"VRS"=bcc.in$eff, "IRS"=bcc.in.irs$eff, "DRS"=bcc.in.drs$eff, "E_ESC"=ccr.in$eff/bcc.in$eff, "REND"=ifelse(ccr.in$eff == bcc.in$eff | bcc.in$eff == bcc.in.irs$eff & bcc.in$eff == bcc.in.drs$eff, "constante", ifelse(bcc.in$eff == bcc.in.irs$eff & bcc.in$eff != bcc.in.drs$eff, "crescente", "decrescen"))) # no problema dual do modelo BCC (vrs) insumos orientado [maximização] é expressa na forma multiplicada, onde os # lambdas são substituidos pelos peso insumo (u) e peso produto (v). ver notação pág 117 Ferreira e Gomes (2009) bcc.in.dual <- dea.dual(insumos, produtos, RTS="vrs", ORIENTATION="in") names(bcc.in.dual) print(cbind("eff"=bcc.in.dual$eff, bcc.in.dual$u, bcc.in.dual$v), digits=3) ######## BCC Output Orientado ####### # Em benchmarking modelo BCC (vrs) output orientado, o problema primal é a maximização do produto dada a # quantidade de insumos. Modelo envoltório (que usa lambda), ver notação página 118 Ferreira e Gomes (2009) bcc.out <- dea(insumos, produtos, RTS="vrs", ORIENTATION="out", SLACK=TRUE) summary(bcc.out) lambda(bcc.out) lambda(bcc.out, KEEPREF = TRUE) print(1/bcc.out$eff, digits=2) which(1/bcc.out$eff == 1 & !bcc.out$slack) data.frame("eff"=1/bcc.out$eff, "ins"=insumos, "rad"=(1/bcc.out$eff) * insumos,"fol"=bcc.out$sx, "alv"=insumos - bcc.in$sx) data.frame("eff"=1/bcc.out$eff, "pro"=produtos, "rad"=1/bcc.out$eff * produtos,"fol"=bcc.out$sy, "alv"=produtos + bcc.out$sy) bcc.out.irs <- dea(insumos, produtos, RTS="irs", ORIENTATION="out", SLACK=TRUE) # eff BCC out orientado rend crescentes bcc.out.drs <- dea(insumos, produtos, RTS="drs", ORIENTATION="out", SLACK=TRUE) # eff BCC out orientado rend decrescentes data.frame("CRS"=ccr.out$eff,"VRS"=bcc.out$eff, "IRS"=bcc.out.irs$eff, "DRS"=bcc.out.drs$eff, "E_ESC"=ccr.out$eff/bcc.out$eff, "REND"=ifelse(ccr.out$eff == bcc.out$eff | bcc.out$eff == bcc.out.irs$eff & bcc.out$eff == bcc.out.drs$eff, "constante", ifelse(bcc.out$eff == bcc.out.irs$eff & bcc.out$eff != bcc.out.drs$eff,"crescente","decrescen"))) # de modo equivalente pode-se escrever data.frame("CRS"=ccr.out$eff,"VRS"=bcc.out$eff, "IRS"=bcc.out.irs$eff, "DRS"=bcc.out.drs$eff, "E_ESC"=ccr.out$eff/bcc.out$eff, "REND"=ifelse(ccr.out$eff == bcc.out$eff | bcc.out$eff == bcc.out.irs$eff & bcc.out$eff == bcc.out.drs$eff, "constante", ifelse(bcc.out$eff == bcc.out.drs$eff,"decrescen","crescente"))) ### CUIDADO!! quando exite diferença entre as variáves selecionadas, considerando muitas casa ### decimais, pode ocorrer equívocuo na análise de rendimentos de escala. para evitar esse erro é necessário ### limitar o número de casa decinais com a função round(x, digits=n) print(cbind("CRS"=ccr.out$eff, "VRS"=bcc.out$eff, "IRS"=bcc.out.irs$eff,"DRS"=bcc.out.drs$eff), digits=18) ee <- data.frame(round((cbind("CRS"=ccr.out$eff, "VRS"=bcc.out$eff, "IRS"=bcc.out.irs$eff,"DRS"=bcc.out.drs$eff)), digits=6)) data.frame(ee, "E_ESC"=ee$CRS/ee$VRS,"REND"=ifelse(ee$CRS == ee$VRS | ee$VRS == ee$IRS & ee$VRS == ee$DRS, "constante", ifelse(ee$VRS == ee$IRS & ee$VRS != ee$DRS,"crescente","decrescen"))) # o problema dual BCC (vrs) output orientado é de minimização, na forma multiplicada que considera os pesos dos # insumos (u) e produtos (v) bcc.out.dual <- dea.dual(insumos, produtos, RTS="vrs", ORIENTATION="out") # problema dual names(bcc.out.dual) print(cbind("eff"=bcc.out.dual$eff, bcc.out.dual$u, bcc.out.dual$v), digits=5) ######## Análise de Supereficiência ####### # ver Coll e Blasco (2006) capítulo 4 página 135 # ver Ferreira e Gomes (2009) capítulo 4 página 136 s.ccr.in <- sdea(insumos, produtos, RTS="crs", ORIENTATION="in") data.frame("CRS"=ccr.in$eff, "CCR_SUPER"=s.ccr.in$eff) s.ccr.out <- sdea(insumos, produtos, RTS="crs", ORIENTATION="out") data.frame("CCR"=1/ccr.out$eff, "CCR_SUPER"=1/s.ccr.out$eff) ######## Modelo FHD ####### # ver Ferreira e Gomes (2009) capítulo 4 página 143 bcc.in.fhd <- dea(insumos, produtos, RTS="fdh", ORIENTATION="in") data.frame("CRS"=ccr.in$eff,"VRS"=bcc.in$eff, "IRS"=bcc.in.irs$eff, "DRS"=bcc.in.drs$eff, "FHD"=bcc.in.fhd$eff) bcc.out.fhd <- dea(insumos, produtos, RTS="fdh", ORIENTATION="out") data.frame("CRS"=1/ccr.out$eff,"VRS"=1/bcc.out$eff, "IRS"=1/bcc.out.irs$eff, "DRS"=1/bcc.out.drs$eff, "FHD"=1/bcc.out.fhd$eff) ######## Seleção de variáveis ######## cor(coll.blasco, use = "all.obs", method = c("spearman")) # teste de correlação de Spearman cor(coll.blasco, use = "all.obs", method = c("kendall")) # teste de correlação de Kendall cor(coll.blasco, use = "all.obs", method = c("pearson")) # teste de correlação de Pearson ######## Eficiência custo (econômica), alocativa, receita e lucro ####### # ver Ferreira e Gomes (2009) capítulo 5 página 213 ins <- data.frame(insumos) p.ins <- data.frame("px1"=c(2,2,2,2,2,2), "px2"=c(6,4,3,4,3,2)) eff.cost <- cost.opt(ins, produtos, p.ins, RTS="vrs") print(cbind(ins,p.ins, "custo_min"= eff.cost$cost, "eff_econ"=eff.cost$cost/ (ins$x1 * p.ins$px1 + ins$x2 * p.ins$px2), "eff_tec"=bcc.in$eff, "eff_aloc"=(eff.cost$cost/ (ins$x1 * p.ins$px1 + ins$x2 * p.ins$px2))/bcc.in$eff),digits=3) pro <- data.frame(produtos) p.pro <- matrix(1,nrow=dim(pro)[1],ncol=2) eff.renevue <- revenue.opt(ins, pro, p.pro, RTS="vrs") eff.profit <- profit.opt(ins, pro, p.ins, p.ins, RTS="vrs")