INTRODUCCION.

Se ha tomado como alternativa en muchas partes del mundo, la aplicación de una herramienta del
campo de la optimización avanzada, conocida como Data Envelopment Analysis (DEA), que
corresponde a una metodología para medir eficiencia relativa. Se habla de eficiencia relativa
porque la medición realizada por DEA es con referencia a algún conjunto de unidades que se
comparan entre ellas. Asi, en la práctica, las unidades a las que se les va a calculr su eficiencia,
deben ser capaces de mejorar su desempeño cada vez más.

Este documento presenta las bases conceptuales sobre las cuales se acostumbra definir la
metodología para la fijación de los cargos máximos de remuneración de la actividad de
comercialización, para lo cual aborda una descripción teórica y el estudio del caso
correspondiente, para una muestra significativa del conjunto de empresas prestadoras del servicio
de comercialización de energía eléctrica a usuarios finales, del país.

Una primera descripción teórica de la metodología DEA se presenta en el capítulo 1 donde se

muestran los detalles teóricos y la filosofía de la técnica. En el segundo capítulo se describe la
comercialización de energía eléctrica en Colombia comenzando por los posibles esquemas que se
pueden adoptar. Se pretende entender mejor la comercialización de energía eléctrica en
Colombia, comenzando con los posibles esquemas que se pueden adoptar. Se pretende entender
mejor la comercialización, con la visión general de la estructura del negocio. Por otra parte el
capítulo 3 describe los principales elementos constitutivos de la actividad de comercialización,
tratando de detallar cada uno de los procesos y sus actividades. Finalmente el estudio muestra el
modelo que más se ajustó a las necesidades de optimización del mercado colombiano, el conjunto
de DMUs eficientes resultado del análisis de los diferentes modelos y el costo base de
comercialización encontrado. Dentro de este estudio se propone unanueva forma de
remuneración de la actividad que hace parte del capítulo __.

OBJETIVOS.

El desarrollo del presente proyecto busca llevar a cabo los siguientes objetivos:

Determinar cuáles son las variables que influyen de manera directa sobre la actividad de -------
encaminadas a proponer el modelo DEA que más se ajuste a la aplicación de interés.

Valorarla eficiencia de las empresas ------- empleando la técnica DEA.

Otros objetivos.

ANALISIS ENVOLVENTE DE DATOS (DEA).

Data Envelopment Analysis (DEA) se define como una técnica de programación matemática en el
campo de investigación de operaciones desarrollada principalmente por académicos de los EUA, y
orientada a medir la eficiencia relativa de diferentes tipos de unidades organizacionales
homogéneas, donde por sus características, se cuenta con un conjunto múltiple de entradas y
salidas, que dificultan de alguna manera la comparación que de ellas se pretenda utilizar.

DEA es una metodología que puede ser utilizada para calcular la eficiencia relativa de una variedad
de instituciones, usando varios datos de inputs y outputs. El término “relativo” es importante,
porque una institución identificada por DEA como una unidad eficiente en un conjunto de datos
puede ser estimada como ineficiente cuando es comparada con otro conjunto de datos. Se
empieza el uso del DEA, constituyendo una razón relativa que consiste en los pesos totales delos
outputs sobre los pesos totales de los inputs para cada institución.

Las unidades más eficientes (de forma relativa estarán en la frontera de eficiencia, y los grados de
las ineficiencias de las otras unidades relativas a la frontera de eficiencia, serán determinadas
usando un método matemático. Una ventaja de DEA es que usa una muestra de datos actuales
para obtener la frontera eficiente mediante un algoritmo matemático que es usado para calcular
los puntajes de eficiencia para cada unidad.

Se han realizado aplicaciones en algunos sectores y subsectores de la economía estadounidense y

de países Europeos, demostrando una ventaja sobro otros tipos de estudios y análisis, sobre todo
por el hecho de trabajar de forma simultánea con diferentes recursos. Adicionalmente optimiza el
comportamiento de las unidades organizacionales comparándolas entre ellas y sacando un grupo
que compone la frontera eficiete, junto con los datos que estudiados de forma adecuada, dejan
ver el comportamiento que se debería tener para mejorar el desempeño de las unidades no
eficientes, para lograr situarlas en la mencionada frontera.

Esta herramienta se ha utilizado con éxito al interior de una sola organización buscando medir el
desempeño de los diferentes departamentos o sucursales con el principal objetivo de mejorar el
desempeño de cada unidad para finalmente reflejar el mejoramiento global de la organización o
empresa.

A utilizar DEA, se construye y resuelve un modelo de optimización para cada una de las unidades
organizacionales que se pretenden comparar. En este modelo, como ocurre en otros modelos de
optimización, se pretende maximizar o minimizar una función en presencia de un determinado
número de restricciones. Así, cuando se desea comparar o medir la eficiencia relativa de n
unidades organizacionales, se construyen n modelos de optimización y en cada uno de ellos la
función a maximizar es la eficiencia de la unidad organizacional j, donde j varía de 1 a n (j=1,2,..n).

Las restricciones para cada uno de los n modelos son idénticas y expresan que la eficiencia de cada
una de las unidades organizacionales debe ser menor que 1 (o que 100 o cualquier valor positivo),
con el objetivo de que todas estén en la misma escala de medida; en otras palabras, se da una cota
superior a la medida de eficiencia. Las variables de cada modelo son entonces los pesos que se
deben otorgar a cada input y a cada output con el objetivo de que la unidad en consideración (a la
cual se le está tratando de maximizar su medida de eficiencia) aparezca presentada de la mejor
manera posible.
El hecho de que cada uno de los n modelos que se construyen y resuelven, busque entre todos los
posibles pesos a otorgar a cada input y a cada output, y muestre como resultado final los valores
que hacen que cada unidad aparezca con el valor de eficiencia más alto posible, tiene dos
implicaciones importantes:

1. Si una unidad particular resulta ineficiente relativamente a las demás, entonces no existe
otra combinación de pesos que permitan que ella obtenga una valor de eficiencia más
alto, de modo que el administrador de dicha unidad organizacional no podría decir que su
unidad ha resultado ineficiente porque los pesos que se escogieron para los outputs y los
inputs lo perjudicaron.
2. Al resolver n modelos de optimización, los pesos que se otorgan a cada uno de los inputs y
los outputs pueden resultar diferentes para las diferentes unidades. Esto es el resultado
de la flexibilidad de la metodología al no determinar los pesos previamente como se hace
en otras técnicas, sino al determinarlos como resultado final.

Una vez resueltos todos los modelos, se tienen los valores de eficiencia de todas las unidades y se
puede reconocer cuales unidades son eficientes y cuáles no lo son. Además es posible determinar
cómo podrían “moverse” las unidades menos eficientes para mejorar, ya sea alguno o todos, sus
outputs, usando los mismos inputs, para producir los mismos outputs con menos inputs, o para
reducir y aumentar outputs simultáneamente. La manera como se mueven las unidades
ineficientes hacia la frontera de eficiencia depende del modelo DEA que se utilice.

ANTECEDENTES HISTORICOS.

El análisis envolvente de datos (DEA), llamado de vez en cuando análisis de frontera, se basó en el
trabajo iniciado por Farrell en 1957 e impulsado en la idea de crear una metodología que fuera
aplicable a situaciones donde las unidades organizacionales trabajen con varios insumos que se
transformen en múltiples productos Charnes, Cooper y Rhodes crean en 1978 DEA. Consistió en la
elaboración de un modelo de programación matemática basado en la definición general de
eficiencia para un solo output y un único input, propuesto en 1957 y ampliando el análisis para
evaluar la eficiencia técnica, publicado por primera vez en el European Journal Research.

Posteriormente esta herramienta fue extendida en 1984 por Banker, Charnes y Cooper incluyendo
variables de retorno a escala. Es por esta razón que los dos modelos básicos en DEA son conocidos
como CCR (Charnes, Cooper y Rhodes) y BCC (Banker, Charnes y Cooper). Desde un principio
reconocieron la dificultad de hallar el conjunto común de pesos para determinar la eficiencia
relativa, generalizaron la estructura propuesta por Farrell, incluyendo múltiples inputs y múltiples
outputs reformulando el modelo de programación matemática para calcular la eficiencia relativa
de las DMUs. Este modelos DEA original, también conocido en la bibliografía como modelos
Charnes se caracteriza por ser un modelo fraccionario y no lineal. La función objetivo del modelos
maximizará la razón de los pesos de los outputs sobre los inputs para una DMU en particular que
además estará sujeto a una restricción (una para cada una de las DMUs); que básicamente es la
razón de los pesos de los outputs sobre los pesos de los inputs, menor o igual que uno.
Desde 1978, a partir del desarrollo de Charnes, Cooper y Rhodes se han construido diversos
modelos que son usados de acuerdo con las características de cada problema en particular.
Diferentes modelos pueden generar diferentes fronteras de eficiencia. Además, la proyección de
una unidad ineficiente hacia la frontera varía según el modelo utilizado: En algunos de ellos, el
punto proyectado en la frontera corresponde a aquel que maximiza la distancia desde el punto
observado hacia el punto proyectado en la frontera en dirección noroeste; en otros el punto
proyectado corresponde a aquel que maximiza el movimiento de la unidad hacia la frontera
eficiente maximizando el aumento proporcional de todos los outputs, etc.

DESCRIPCION TECNICA

MODELOS

1. Modelo CCR
2. Modelo BCC
3. Modelos aditivo. Este modelo fue propuesto por Charnes, Cooper, Golany, Seiford y Stutz
en 1985. Este modelo selecciona un punto en la superficie envolvente que maximiza los
outputs y minimiza los inputs al tiempo. La superficie envolvente de este modelos es la
que se muestra a continuación.

Para cada uno de los anteriores casos se tiene un modelo que se construye sobre supuestos
diferentes generalmente relacionado con su tecnología y finalidad, es de esta manera que
aparecen para algunos de ellos orientaciones de Retornos Constantes a Escala, y para otros los
Retornos Variables a escala, además se pueden tener orientación a las entradas o a las salidas.

INFORMACION UTILIZADA.

En esta sección del informe se presenta la información disponible correspondiente al negocio de

------- en el país para el año ----.

La muestra total de empresas objeto de estudio está conformada por – productoras y

comercializadoras, de las cuales – corresponden a comercializadoras puras, -- a compañías que
realizan paralelamente las actividades de comercializacióny distribución y --- cuya finalidad es ---- y
---- conjuntamente.

Variables de salida. Para obtener las variables que se utilizaron como outputs en los modelos
planteados se empleó la información disponible presentada en la bases de datos SIREM de la
Superintendencia de Sociedades. Estos datos corresponden de los estados financieros y el estado
de flujo de efectivo de la muestra para el año 2009.

En la table se muestran las variables de salida utilizadas.

Variables de entrada. En cuanto a las variables de entrada que se utilizaron como inputs… etc.
Costo de capital operativo (depreciaciones y arrendamientos), costos de personal operativo,
honorarios operativos, contratos con terceros, impuestos (contribuciones y regalías), gastos
generales operativos (servicios públicos, generales, seguros), otros operativos (ordenes y
contratos de mantenimiento y reparación, otros costos de operación y mantenimiento), costo de
capital administrativo (depreciación de propiedades planta y equipo, amortización de intangibles),
costo de personal administrativo (sueldos y salarios, contribuciones imputadas, contribuciones
efectivas, aportes sobre la nómia), gastos financieros (intereses, comisiones, ajuste por diferencia
en cambio, financieros, extraordinarios), otros gastos administrativos (generales, impuestos
contribuciones y tasas)

ESTUDIO DE ECONOMIAS DE ESCALA.

Se grafica el costo por usuario mensual vs. número de usuarios. Esto se hace para determinar si
hay economías de escala.

DESARROLLO DE LOS MODELOS DEA PARA ---------

Para los distintos modelos se plantearán a continuación, se usó como base la información de
variables de entrada y salida.