Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Autor:
Fecha:
Resumen
Este artculo se enfoca a describir la utilizacin de una metodologa de programacin lineal
llamada Anlisis de la Envoltura de Datos, DEA (del ingls Data Envelopment Analysis), para
determinar la eficiencia interna de unidades de negocio, poder compararlas y determinar
acciones para incrementar la eficiencia de las unidades de negocio que necesitan mejorar. La
descripcin de la metodologa se presenta, as como los pros y los contras del uso de DEA. Un
ejemplo se ilustra y los resultados del anlisis son explicados posteriormente.
Constructora
Empresa A
Empresa B
Empresa C
Empresa D
Empresa E
Costo
900
1500
1000
1400
1900
Personal
15
17
11
16
29
Salidas
Construccin K
35
40
20
40
70
Construccin L
30
37
14
23
19
Construccin M
9
25
14
35
63
Const. K /
Personal
2.33
2.35
1.82
2.50
2.41
Const. L /
Personal
2.00
2.18
1.27
1.44
0.66
Const. M /
Personal
0.60
1.47
1.27
2.19
2.17
Tabla 3. Residuales de la regresin de las variables de entrada vs. Cada una de las variables de
salida y sus valores reales.
Constructora Construccin K
Construccin L
Construccin M
Empresa A
1.58
6.53
-2.85
Empresa B
0.17
11.54
-8.63
Empresa C
-3.47
-11.08
3.78
2.94
-2.33
5.81
Empresa D
Empresa E
-1.22
-4.65
1.90
Nota: Los residuales sombreados son los ms eficientes.
Los valores residuales de la Tabla 3 nos pueden proporcionar informacin sobre la empresa D
que obtiene dos residuales positivos, lo que significa que su desempeo es mejor que el
promedio de las empresas. Esto no significa que su desempeo sea el mejor o el ms ptimo,
sino que es mayor al del promedio. En lugar de determinar el mejor desempeo global, el
anlisis de regresin identifica el mejor-comparado-al-promedio en cada una de las categoras
individuales. En este sentido, el anlisis de regresin no es mejor que el anlisis de radios.
DeLancer (1996) nos comenta que los anlisis tradicionales de radios y de regresin, que son
las tcnicas ms comunes para medir el desempeo, nos proveen informacin limitada sobre la
eficiencia y/o efectividad. DEA resuelve los problemas con los que se enfrenta el anlisis de
radios y el anlisis de regresin al permitir la comparacin simultnea entre varias entradas y
salidas del sistema y al no fijar de antemano una funcin de produccin. Como nos explica
Charnes (1994), DEA tiene las siguientes ventajas:
DEA no requiere la imposicin de una funcin especfica de produccin que relacione las
variables independientes con las variables dependientes. DEA asigna matemticamente
valores ponderados para las variables de entrada y de salida, lo que evita que un
experto asigne los valores ponderados (Nyhan & Martin, 1999).
DEA realiza comparaciones simultneas de procesos con mltiples variables de
entradas y salidas y produce una eficiencia agregada para cada institucin.
DEA puede calcular la cantidad de recursos que se pueden ahorrar, o la cantidad de
recursos adicionales para aquellas instituciones que no son eficientes.
DEA se puede utilizar para determinar la eficiencia tcnica y/o econmica, si la
informacin es proporcionada.
Sin embargo, tambin DEA tiene sus limitantes, entre ellas estn
DEA no tiene indicadores para medir error.
DEA no es apropiado para probar hiptesis.
DEA est basada en el trabajo de Farrell (1957) La medicin de la eficiencia productiva y se
puede considerar a DEA como una generalizacin de la eficiencia tcnica de una entrada y una
salida considerada por Farrell, y ampliada al caso de mltiples entradas y mltiples salidas
(Charnes, Cooper, Lewin y Seiford, 1994).
DEA se utiliza para estimar la eficiencia de unidades de negocio semejantes las cuales
pueden ser unidades de un mismo negocio o de la competencia. En este artculo se ha definido
el trmino de eficiencia como: el radio de las salidas sobre las entradas a un sistema, y en el
caso de un sistema que consiste de una sola entrada y una sola salida, eficiencia se puede
definir como:
Eficiencia =
salidas
entradas
En el caso de un sistema con mltiples entradas y salidas, eficiencia se puede definir como:
Eficiencia =
Con mltiples entradas y salidas, la eficiencia es difcil de estimar, especialmente cuando los
valores utilizados para la ponderacin son desconocidos y se necesitan calcular a priori, como se
ha mencionado con anterioridad. Charnes, Cooper y Rhodes (1978) desarrollaron una
metodologa donde a cada unidad de negocio se le determinan sus propios valores para la
ponderacin, y as poder calcular la eficiencia relativa a las dems unidades.
Es importante mencionar que DEA ofrece una considerable flexibilidad al seleccionar las
variables de entrada y de salida, ya que pueden ser variables continuas, ordinales, e incluso
variables categricas. Inclusive para modelos de DEA ms complejos, las variables de entrada
pueden ser catalogadas como controlables e incontrolables por parte de la administracin un
ejemplo de una variable incontrolable puede ser el nivel de competencia en una regin para
cierta unidad de negocio.
El modelo bsico de DEA propone que la eficiencia de la unidad de negocio j0 se puede obtener
al resolver el siguiente modelo (Boussofiane, Dyson, & Thanassoulis, 1991):
t
Max h0 =
u
r =1
m
y rj0
v x
i =1
Ecuacin (1)
ij 0
Sujeta a:
t
u
r =1
m
y rj
v x
i =1
1, j = 1,..., n,
ij
u r , vi , r e i,
donde:
y rj =
x ij =
ur =
vi =
n=
t=
m=
=
La ecuacin (1) nos presenta que la unidad j0 es eficiente (h0 = 1) cuando al compararse con otras
unidades, no se presenta algn indicio de que los recursos se estn utilizando ineficientemente. La
solucin a la ecuacin (1) produce la eficiencia de la unidad evaluada j0. La eficiencia de la unidad
j0 se maximiza al mantener la eficiencia de las demas unidades con un valor mximo de 1. Como
se mencion previamente, ste modelo tiene la peculiaridad de manejar los valores para las
ponderaciones ur y vi como desconocidos, y dichos valores se encuantran al resolver la ecuacin.
La eficiencia de cada unidad se obtiene al resolver la ecuacin (1) para cada unidad de negocio, y
los valores de las ponderaciones cambiarn para cada unidad de negocio tratando de maximizar la
eficiencia.
La eficiencia se puede redefinir, de acuerdo a Charnes y Cooper (1985), y con referencia a la
ecuacin (1):
Una unidad es 100% eficiente cuando:
1. Ninguna de sus salidas puede ser incrementada sin
(i)
aumentar una o ms de las entradas,
(ii)
reducir alguna de las otras salidas.
2. Ninguna de sus entradas puede ser reducicida sin
(i)
reducir alguna de las salidas,
(ii)
aumentar alguna de las otras entradas.
El modelo que se presenta en la ecuacin (1) es un problema fraccional que se puede convertir a
la forma lineal y utilizar los mtodos de programacin lineal para su solucin. La transformacin se
presenta en la ecuacin 2.
s
Max h0 = u r y rj0
Ecuacin (2)
r =1
Sujeto a:
m
v x
i =1
t
ij0
=1
m
u r y rj vi xij 0, j
r =1
i =1
u r , vi
En la ecuacin (2) el objetivo ha sido linealizado, y mtodos como simplex se puede utilizar para
resolver el sistema.
Mejor
Prctica
Cosntruccin M (y)
60
CDE
50
40
30
Comportamiento
Promedio
B
20
10
0
10
15
20
Personal (x)
25
30
La Figura 2 presenta el conjunto de constructoras donde se han graficado en el eje X los valores
de Construcciones L / Personal y en el eje Y los valores de Construcciones M / Personal. En
este caso especfico, las unidades que producen mayores cantidades de ambas salidas sern
las ms eficientes, y ellas formarn lo que se le denomina la envoltura de las unidades ms
eficientes. En la Figura 2, las constructoras que son 100% eficientes son B, D, y E. Las
constructoras A y C son ineficientes y se encuentran localizadas debajo de la envoltura formada
por las unidades ms eficientes. En este caso, la envoltura se ha prolongado entre la unidad E y
el eje Y, al igual que entre la unidad B y el eje X.
Mejor
Prctica
Cosntruccin M / Personal
EDB
C
B
1.5
C
C
0.5
0
Origen
0
0.5
1.5
Construccin L / Personal
2.5
Para la constructora ineficiente C, el grupo que sirve como referencia para obtener un valor el
cual la unidad C puede alcanzar, est determinado por las unidades D y B, y se ha representado
como C (ver Dyson, Thanassoulis y Boussofiane, 1990). Dado que para C existen varias formas
de mejorar su eficiencia, la cual implica acercarse a la frontera sin importar el camino que se
siga, tal como lo muestra el punto C el cual resulta en aumentar nicamente la produccin de la
construccin tipo L. La eficiencia de C se puede calcular usando la Figura 2, la cual nos muestra
los puntos C y C, donde ste ltimo es el que representa la unidad C si fuese 100% eficiente;
OC
, donde O es el origen.
entonces la eficiencia de C se da por la relacin de las distancias
OC'
100.00
100.00
74.35
100.00
100.00
pueden hacer a la empresa C. DEA si nos puede proporcionar estos valores y nos presenta que
para la empresa C las empresas que sirven de benchmarking son la B y la D por la proximidad a
su desempeo dado se encuentran en la frontera ms eficiente. Haciendo un anlisis semejante
al que nos muestra la Figura 2, podemos calcular las mejoras potenciales a la empresa C, y se
muestran en la Tabla 5. Por ejemplo, la empresa C puede mejorar el nmero de las
construcciones K y L en un 34% y las tipo M en un 50%, tal y como lo hacen las empresas B y
D, con los recursos con los que cuenta, y adems el costo lo puede reducir en 3%.
Tabla 5. Constructora C con anlisis de mejoras potenciales.
Constructora Costo Personal Construccin K
Empresa C (original)
Mejoras potenciales (%)
Empresa C mejorada
1000
-3%
970
11
0%
11
20
34%
26.8
Construccin L Construccin M
14
34%
18.76
14
50%
21
Es importante hacer notar que en este ejemplo fue una sola unidad de negocio la que no fue
eficiente de un total de 5; esto se debe a que el poder discriminatorio de DEA trabaja mejor
cuando el nmero de unidades de negocio es grande un nmero mnimo de unidades de
negocio que se recomienda para DEA debe se tres veces el nmero de variables de entrada
multiplicado por el nmero de variables de salida (Gemes, 2001). En ejercicios con un nmero
grande de variables de entradas y salidas, es importante realizar anlisis de correlacin entre las
variables para poder reducir el nmero de variables del estudio y aumentar el poder
discriminatorio de DEA.
4. Resumen y Conclusiones
Los anlisis de eficiencia o de desempeo se han estado desarrollando con herramientas que no
nos explican bien lo que est sucediendo en realidad. En este artculo se explic una
metodologa alterna que nos ayuda a poder comparar la eficiencia de las unidades de negocio de
una manera ms clara y objetiva llamada Anlisis de la Envoltura de Datos o DEA (por sus siglas
en ingls). DEA es superior al anlisis de radios y al de regresin ya que incorpora la
optimizacin en lugar de los promedios; tambin evita la asignacin de ponderaciones arbitrarias
asignadas por el analista. Sin embargo, al ver que DEA posee ventajas sobre mtodos
alternativos, es recomendable que las 3 herramientas se usen conjuntamente para poder obtener
una perspectiva ms completa de la situacin analizada.
5. Bibliografa
Boussofiane, A., Dyson, R. G., & Thanassoulis, E. (1991). Applied data envelopment analysis.
European Journal of Operational Research, 51(1), 1-15.
Charnes, A., & Cooper, W. W. (1985). Preface to topics in Data Envelopment Analysis. Annals
of Operations Research, 2, 59-94.
Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making
units. European Journal of Operational Research, 2(6), 668-697.
Charnes, A., Cooper, W. W., Lewin, A. Y., & Seiford, L. M. (1994). Data Envelopment Analysis:
Theory, Methodology, and Application: Kluwer Academic Publishers.
DeLancer, P. M. (1996, June). Public productivity and data e-nve-lopm,-nt analysis (DEA): How
compatible are they? Paper presented at the annual meeting of the American Society for Public
Administration, Atlanta, GA.
Dyson, R. G., Thanassoulis, E., & Boussofiane, A. (1990). A Data Envelopment Analysis
tutorial, [www document]. Adapted from the 'Data Envelopment Analisis' in Tutorial Papers in
Operational Research, L. C. Hendry and R. W. Eglese eds. Operational Research Society,
1990. Available: http://wwww.warwick.ac.uk/~bsrlu/dea/deat/deat1.htm [1999, 11/29/1999].
Farrell, F. M. (1957). The Measurement of Productive Efficiency. Journal of the Royal Statistical
Society, Series A(120), 253-290.
Gemes-Castorena, David (2001). An efficiency-based decision making model for higher education
funding in Mexico. Tesis Doctoral presentada a la Universidad de George Washington.
Nyhan, R. C., & Martin, L. L. (1999). Comparative Performance Measurement, a Primer on Data
Envelopment Analysis. Public Productivity & Management Review, 22(3), 348-364.
Sobre el Autor
David Gemes Castorena
El Dr. Gemes obtuvo su grado doctoral en ciencias de la administracin de la ingeniera en la
Universidad de George Washington, en Washington, D.C. en el 2001, y los grados de maestra
en ciencias y licenciatura en Ingeniera qumica ambas del Instituto Tecnolgico y de Estudios
Superiores de Monterrey (ITESM) campus Monterrey. El Dr. Gemes actualmente desarrolla
actividades de docencia e investigacin en el ITESM campus Monterrey; anteriormente trabaj
en Washington D.C. coordinando la planeacin, implementacin y evaluacin de proyectos de
desarrollo educativo y tecnolgico en varios estados de los Estados Unidos, as como en varios
pases de frica, Asia y Latinoamrica y en organismos internacionales de desarrollo. El Dr.
Gemes puede ser contactado en guemes@itesm.mx.