“Productivity isn't everything, but, in the long run, it is almost everything.

A country’s
ability to improve its standard of living overt time depends almost entirely on its ability to
raise its output per worker.”

“La Productividad no es todo, pero, a largo plazo, lo es casi todo. La capacidad de un país
de mejorar su estándar de vida en el tiempo depende casi por completo de aumentar su
producción por trabajador”

Frase del Nobel Paul Krugman

Desde que el hombre se asentó en un territorio o localidad y la caza dejó de ser su principal fuente
de sustento, los excedentes de la agricultura y el intercambio dieron lugar a la producción
artesanal. Tuvo que pasar centurias para que la producción en masa tal como la conocemos hoy,
diera el salto cualitativo. Sea la artesanal o la de mayor escala, la producción implica la
transformación de insumos, mano de obra, materiales, suelo, capital (financiero si se trata de
dinero; físico si se trata de instalaciones, suelo, equipo y maquinaria; humano si se trata de
habilidades y capacidad de gestión), en productos (bienes y servicios).

En función de lo que se va a transformar, los insumos se combinan en diferentes proporciones.

Cuánta mano de obra, materiales, y capital en forma de maquinaria e instalaciones interviene en
la producción constituye la tecnología. Dependiendo de la disponibilidad y costo de la mano de
obra – por un lado - y acceso a diferentes fuentes de financiamiento y tasas de interés – por el
otro lado, dará como resultado que su tecnología se sitúe en un continuo. En un extremo del
continuo la tecnología será intensiva en capital, en el opuesto será intensiva en mano de obra lo
que dependerá su combinación de los precios de los recursos y sus respectivas productividades
marginales de los mismos.

La proporción de la composición de los costos ofrece una pista sobre el comportamiento y la toma
de decisiones de una empresa. Por ejemplo, si los costos fijos de la operación constituyen una
gran proporción de los costos totales, esto implica que en la medida que la empresa incrementa
sustancialmente la producción, hasta prácticamente alcanzar su capacidad plena, sus costos
unitarios se reducen.

Los textos sobre microeconomía empiezan a describir la función de producción dando por sentado
que el aspecto de la ingeniería de la producción, la optimización, está ya resuelta. Lo cierto es que
lo está en parte, pero el tiempo es un concepto dinámico como para separar la ingeniería y aislar
su análisis del enfoque exclusivamente económico. Quizás es tentador pensar que como una
planta no se puede ampliar en un relativo corto espacio de tiempo, los tiempos y horizontes son
discretos y estáticos. Sin embargo, hoy en día, con mercados globalizados, transportes flexibles,
comunicación instantánea, amplios mercados de capital, ciclos de vida más cortos, la economía de
producción no tiene que estar divorciada de la ingeniería.

Un ejemplo donde se percibe el enfoque diferenciado entre la economía y la ingeniería se

relaciona con la capacidad. Mientras que para la economía la capacidad de producción es el
máximo rango de alternativas de procesos productivos determinados por elementos de costo fijo
(tamaño de la planta y maquinaria), la ingeniería percibe la capacidad como la optimización
productiva determinada por elementos conformados por el proceso.

Se puede obtener mayor capacidad de una planta sin mayores inversiones en maquinarias – con la
misma dimensión y tamaño, gestionando los tiempos de producción, reduciendo los tiempos
muertos y las pérdidas de velocidad. Tan solo basta saber qué indicador medir, cómo medirlo, y
cómo analizarlo. Tal como el enfoque económico describe la capacidad, ésta tiene un máximo
aprovechable con la implantación de mejoras. Otra manera de aprovechar la capacidad de una
planta con programas de mejoras es reduciendo el número de productos defectuosos.

Un producto defectuoso consume recursos y tiempo. Al reducir al máximo posible el número de

defectos y rechazos, mayor la cantidad de unidades producidas que pueden comercializarse. Tan
solo basta saber qué variables de producción monitorear y controlar y conocer las secuencias de
las operaciones que transforman las entradas o inputs en salidas u outputs para predecir en cuáles
de las secuencias existe mayor posibilidad de vulnerabilidad y variación. Esta secuencia de
operaciones es lo que se conoce como proceso productivo y la relación de la transformación que
convierte las entradas en salidas es lo que se conoce como la función de producción la cual
muestra las posibles opciones tecnológicas que enfrenta una empresa. Mide la salida máxima
posible que se puede obtener a partir de una cantidad dada de entradas. Dicha relación puede ser
descrita mediante una representación matemática de la tecnología que convierte a los insumos y
factores en producto terminado.

A los cambios en las entradas que ocasionan cambios en las salidas se los conoce como cambios de
escala. Diferentes procesos productivos no equivalen a cambios de escala, para que lo sean, el
mismo proceso productivo debe generar diferentes niveles de salida. Variaciones en costos
acompañan a ambos, tanto a los cambios en los procesos productivos como a los cambios en
escala.

En el continuo del tiempo, el horizonte distingue el corto plazo y el largo plazo. Por definición, en
el corto plazo por lo menos uno de los recursos permanece fijo. La planeación a corto plazo
excluye decisiones acerca de la producción relacionadas a la ampliación de la planta o al cambio
de tamaño, escala o la capacidad. En cambio, el análisis a largo plazo sí los incluye. De particular
importancia es el costo promedio de largo plazo para la determinación de la escala de operación
de la planta y el análisis combinado de variaciones de costos de corto y largo plazo en la
planeación.

En el corto plazo se da la Ley de Proporciones Variables la cual relaciona a un factor de producción

en un rango de niveles con otro factor que permanece fijo de manera que la proporción entre
ambos varía. A esta variación en las proporciones se la conoce como el principio de los retornos
marginales decrecientes, la cual explica que si la cantidad de un insumo se incrementa en
incrementos iguales mientras que a la cantidad de por lo menos otro insumo se la mantiene fija,
entonces, en el rango de salida la producción aumentará a un ritmo menor. Y así como es dable
que existan retornos decrecientes cuando la escala o capacidad no cambie, también es posible que
se manifiesten retornos decrecientes cuando se cambie la escala.

Productividad vs Eficiencia
Dos conceptos relacionados entre sí que se prestan para confusiones son la productividad y la
eficiencia. Quizás, si se explica la diferencia fundamental, el elemento diferenciador, antes que la
similitud, quedaría establecido. Mientras que la productividad es una medida absoluta, la
eficiencia es una medida relativa.

La productividad es un índice que mide la producción (bienes y servicios) en relación con el insumo
(capital, mano de obra, materiales, energía, y otros recursos) utilizados para producirlos. La
productividad tiene en el numerador la salida (output) y en el denominador la entrada(input). Sus
unidades son “salida por unidad de entrada”. Describe una relación física: cuánta producción se
convierte por unidad de insumos.

Cuando de un periodo al siguiente se logra un incremento de la productividad, éste no se deriva

del incremento en el uso de insumos sino directamente del crecimiento de la producción. Esto se
explica mejor si visualiza al crecimiento de la productividad como dos crecimientos: la salida
(output) crece, e igual lo hace la entrada (input) pero la salida crece a un ritmo mayor que la
entrada por lo que los recursos se tornan más eficiente en su uso.

La idea de contar con una medida o un índice de productividad es iluminar cómo una empresa
puede obtener más unidades de producción por hora de trabajo, por máquina o por libra de
materiales que sus competidores.

El problema con las medidas de productividad de factor único (ya sea la producción por hora de
trabajo, la producción por máquina o la producción por tonelada de material) es que es fácil
aumentar la productividad de un factor al reemplazarlo con otro. El trabajo, el capital y los
materiales son sustitutos potenciales entre sí. La medición efectiva de la productividad requiere el
desarrollo de un índice que identifique la contribución de cada factor de producción y luego los
rastree y los combine.

Sin embargo, gran parte de la industria sigue preocupada por la mano de obra directa: las cifras de
productividad se concentran mucho en productividad laboral. La contabilidad de costos también
refuerza este sesgo. La asignación de gastos generales, por ejemplo, a menudo se basa
exclusivamente en las horas de trabajo. Este enfoque puede haber sido razonable cuando las
horas de trabajo representaron un gran porcentaje de los costos totales, pero hoy en día, para
muchas empresas, la mano de obra es un elemento de costo menor.

Es difícil para un índice multifactor abarcar todas las entradas. El uso de varias medidas diferentes
de factor único también puede proporcionar una perspectiva multifactor. De hecho, incluso si una
planta usa una medida agregada, tiene sentido usar medidas de factor único porque ayudan a
identificar las fuentes de las tendencias de productividad agregada. Un gran cambio en una
medición de productividad multifactor plantea preguntas obvias: ¿el cambio se debe a cambios
simultáneos en la productividad del trabajo, el capital y los materiales, o ha cambiado solo una
dimensión?

Medidas parciales de productividad - rendimiento por persona empleada; producción por hora
trabajada; producción por hectárea, etc. Medidas de productividad de factor total: medida de
productividad que involucra todos los factores.
Una de las maneras de medir la productividad de periodo a periodo es a través de índices de
cantidad: Laspeyres, Paasche, Fisher, Tornqvist. (Hackman, 2011)

La eficiencia es la relación entre la salida real generada y la salida esperada (o estándar) prescrita.
La eficiencia responde al siguiente tipo de preguntas: (i) ¿Cuánto más podemos producir con un
nivel dado de insumos?, (ii) ¿Cuánta reducción de entrada es posible para producir un nivel dado
de salida observada?, (iii) ¿Cuánto ingreso extra se puede generar con un nivel dado de entradas?

Ejemplo Productividad
Cantidad $/Unidad
Planta A 3000 $80
Planta B 5000 $90
Horas
mano obra 9,000 $15/Hora
A
Horas
mano obra 15,000 $16/Hora
B

Para ilustrar la diferencia entre productividad y eficiencia suponer que una empresa local importa
piezas y partes de bicicleta y las ensambla en dos plantas, A y B. ¿Cuál es la productividad de la
mano de obra en el ensamblado de las bicicletas para cada planta?

Planta A: (3,000 bicicletas / 9,000 Horas) = 0.33 bicicletas/Hora

Planta B: (9,000 bicicletas / 15,000 Horas) = 0.33 bicicletas/Hora

¿Y si la pregunta que se plantea es “¿Cuál es la productividad laboral en US$?”?

Planta A: [(3,000 * $80) / (9,000 * $15)] = $1.77/bicicleta

Planta B: [(5,000 * $90) / (15,000 * $16)] = $1.87/bicicleta

¿Cuál es la similitud entre productividad y eficiencia? Ambas miden el rendimiento, pero al

comparar la eficiencia, la producción real contra la producción más alta posible, la medida es
relativa.

Suponer que la gerencia contrata a un ingeniero especializado en estudios de tiempo y él

determina que el estándar para ensamblar una bicicleta de las mismas especificaciones es 2 horas
en lugar de las casi 3 horas que le toma al personal en ambas plantas (1/0.33=3.03). Para
determinar la eficiencia se procede de la siguiente forma:

(1/3.03)/(1/2) = 0.667. Entonces en ambas plantas la eficiencia de ensamblado de la bicicleta es

66.7%

Eficiencia Técnica
Una empresa con fines de lucro puede ser rentable, pero ¿cómo saber si esta organización está
utilizando sus recursos en forma eficiente y quizás algunas de sus unidades podrían reducir sus
gastos operacionales e incrementar aún más la rentabilidad?

Cualquiera sea la intensidad con la que se emplean los factores de producción, en forma de
equipos automáticos (capital), o manual (mano de obra), a esta combinación de input y output se
la conoce como tecnología de producción. Dada la tecnología de producción, existe entre todas las
combinaciones posibles de input y output una combinación que tiene la mayor
productividad. Aquellas combinaciones de mayor productividad son las combinaciones más
eficientes. Una empresa que opera en forma eficiente optará por la combinación de inputs que
minimice los costos de producción dado un nivel de output; o maximizará la producción dado un
presupuesto operativo. Y es aquí en donde radica la diferencia sutil entre eficiencia y
productividad. La eficiencia relaciona la productividad actual con la máxima productividad posible,
es decir, aquella correspondiente a la mejor práctica. Las mejores prácticas de la combinación de
inputs y outputs dan lugar a la función matemática que se llama frontera de producción. (Hirschey
& Bentzen, 2016)

Con el fin de aclarar más la diferencia entre eficiencia y productividad, vale añadir un par de ideas
más: Si un proceso de producción corresponde a todas aquellas combinaciones de inputs que van
a producir un cierto producto o servicio en diferentes niveles en función de la variación del nivel
de inputs, a aquellos cambios en el nivel de los inputs que dan lugar a cambios en output, se los
conoce como cambios de escala. Relacionado con la escala está la capacidad de producción,
estando esta última determinada por elementos de costos fijos tales como: tamaño de la planta,
capacidad de la maquinaria, el espacio físico de la planta. No sólo la capacidad de la planta está
condicionada por el rango máximo de los procesos de producción (los recursos de costo fijo), sino
también por la utilización de recursos de costo variable – la jornada laboral de 40 horas. Entonces,
se entiende como un cambio en la capacidad de producción como un cambio en la escala de tal
manera que dicho cambio implique un salto de nivel de costo fijo a otro nivel diferente de costo
fijo. (Hirschey & Bentzen, 2016)

Volviendo al tema de indicadores, la eficiencia técnica determina la capacidad de una unidad para
obtener el máximo nivel de output o salida a partir de la transformación de un nivel dado de
entrada, input, materia prima o recurso (o al revés, obtener el mismo nivel de output con el
empleo de menos recursos). En el sentido más estricto, la eficiencia técnica se relaciona con todas
las fuentes de desperdicio que hay que eliminar sin empeorar a los inputs y output. (Cooper,
Seiford, & Tone, 2006)

La eficiencia técnica es un indicador estático en el tiempo, pero sirve como referencia de

comparación de la ineficiencia entre diferentes unidades dentro de una organización o como
benchmarking entre diversas organizaciones en una industria o sector. Por último, una empresa
puede ser técnicamente eficiente pero aún puede incrementar su productividad si logra explotar
su economía de escala asumiendo que está operando en aquella porción de los retornos
crecientes de su frontera de producción. Ahora bien, los cambios de escala y las correspondientes
economías y deseconomías se entrelazan en un continuo de manera sutil; es decir, no las separa
una línea divisoria explícita. (Hirschey & Bentzen, 2016)

Análisis Envolvente de Datos

Una de estas técnicas para la medición de la eficiencia técnica se la conoce como “Análisis
Envolvente de Datos” (DEA – por sus siglas en inglés – Data Envelopment Analysis. El vocablo
“Envelop” proviene de “envolver” y la frontera de producción aparenta envolver los datos). Es una
técnica no paramétrica porque no asume ninguna relación funcional entre los insumos y el
producto terminado. Dicho de otra manera, no es paramétrica porque para la estimación de la
función de producción no requiere la elaboración de una hipótesis sobre su forma funcional; los
parámetros de la función de un método paramétrico se obtienen a partir de sus datos. (Cooper et
al., 2006)

El DEA emplea datos de los inputs más relevantes en la transformación de los outputs y mediante
programación matemática obtiene la eficiencia técnica. La técnica se deriva de la programación
fraccional (cuando la función objetivo que se maximiza o minimiza tiene una expresión en el
numerador y otra expresión en el denominador se trata ya no de programación lineal sino
fraccional) y al linearizar en forma algebraica la función objetivo, esta última se convierte en una
función de programación lineal. El análisis de los resultados plantea dos enfoques: producir el
mismo nivel de output reduciendo el nivel de uso de los inputs o mantener fijo el nivel de uso de
los inputs y aumentar el nivel del output. (Hackman, 2011)

El siguiente ejemplo pone de manifiesto en qué consiste el método. Suponer que las siguientes
organizaciones (se las conoce como “Decision Making Unit”, o en forma abreviada: DMU)
denominadas como A, B, C, D, E, F, G tienen un input – sus colaboradores – y como resultado del
esfuerzo de trabajo consiguen dos outputs: clientes y ventas. La tabla que sigue resume los niveles
de input y correspondientes niveles de output. Las unidades pueden ser miles, decenas de miles,
etc. Lo importante son los “ratios".

DMU A B C D E F G
Número de
Empleados 1 1 1 1 1 1 1
Número de Clientes 1 2 3 4 4 5 6
Ventas 5 7 4 3 6 5 2

Al número de output o salida se lo ha tipificado por unidad de input (o número de empleados); es

decir, a cada output se lo ha dividido entre el nivel de input (No. Clientes/No. Empleados y de igual
forma, Ventas Total/No. Empleados; asimismo se ha procedido con No. Empleados/No.
Empleados, por eso la fila del input No. Empleados está llena de los números 1. La razón por la que
se han tipificado los valores de las variables de salida o output quedará clara en el párrafo
siguiente.

En el gráfico que se aprecia en el link aparecen dos ejes: el de las abcisas (eje de las X) corresponde
a la expresión Clientes/Empleado y el de las ordenadas (eje de las Y) corresponde a
Ventas/Empleado. Los puntos que corresponden a las DMUs B, E, F, y G son de organizaciones
eficientes. Los puntos conectados con la línea forman la frontera eficiente de producción. Los
puntos por debajo de la frontera de producción, A, C y D, corresponden a unidades u
organizaciones que desde el punto de vista de la eficiencia técnica son ineficientes.
Tomar como ejemplo a la organización D, para la cual las DMU F y G sirven como referencia. ¿Por
qué sirven como referencia? Extender una línea desde el origen (0,0) que pase por el punto D
hasta que cruce la frontera de producción, en el punto P, sobre la curva. P está ubicado justo
entre F y G. En realidad, P no existe como entidad – las entidades son A, B, C, D, E, F, G, H – pero su
creación servirá para explicar qué requiere D para ser eficiente lo cual implica un incremento en
sus outputs con el mismo nivel de inputs (Cooper et al., 2006)

Para conocer a qué nivel de producción la unidad D debe llegar a fin de ser eficiente se emplea la
fórmula de la distancia euclidiana:

El punto D tiene coordenada (4,3) y el punto P tiene coordenada (16/3, 4). Las distancias d(OD) y
d(OP) se calculan de la siguiente forma:

d(OD) = (4^2 + 3^2)^1/2= 5

d(OP) = ((16/3)^2 + 4^2)^1/2= 20/3

d(OD)/d(OP) = 5 : 20/3 = 0.75

El punto P se obtiene de la intersección de OP con FG utilizando la fórmula de la pendiente de una

recta y la fórmula punto-pendiente para una recta. Para obtener el punto de intersección se iguala
la ecuación de OP con la ecuación de FG. Partiendo de las coordenadas F(5,5) y G(6,2) se procede
como sigue: a = y2 - y1/x2 - x1, de donde “a” es la pendiente de FG. Entonces la pendiente FG = 2 -
5/6 - 2 = -3.

Como y - y1 = a*(x - x1) es la fórmula para obtener la ecuación de la recta FG, se sustituye de la
siguiente forma (se puede escoger las coordenadas del punto F o las del G así que se opta por las
de G): y - 2 = -3 * (x - 6), lo que da como resultado la expresión para el segmento FG: y = -3 x + 20
Utilizando el mismo procedimiento para obtener la expresión del segmento de recta OP y
tomando como referencia las coordenadas del origen O(0,0) y D(4,3), la ecuación de la recta OP es
y = (3/4) x

Al sustituir (3/4) x = -3x + 20 y despejar x, su valor es 16/3; al reemplazar 16/3 en cualquiera de las
dos ecuaciones obtenemos y = 4.

Lo que esto indica es que la organización D produce solamente el 75% de lo que produce la
supuesta unidad eficiente P. Para conocer qué nivel de producción se requiere a fin de alcanzar tal
nivel de eficiencia se obtiene el recíproco de 0.75, o sea, 1.333 (que es lo mismo que 4/3). Como
las coordenadas de D son (4,3), al multiplicar por 4/3 cada elemento, entonces la producción
debería ser (16/3, 4) en lugar de (4,3). Lo que se logra con este método es identificar el “target” al
que la organización puede llegar con la misma capacidad o recursos.

El ejemplo ha sido sencillo con el objetivo de ilustrar el concepto. En la realidad una organización
produce múltiples líneas de productos y para ello procesa infinidad de inputs. El principio es el
mismo, se utiliza promedios ponderados tanto para inputs como para outputs.

Los inputs lo conforman aquellos recursos que imponen una limitación en la capacidad de
producción, mismos que la empresa intenta minimizar en su uso: personal, insumos, materiales,
espacio físico. Los outputs son el resultado de la utilización de tales recursos: ventas, clientes,
productos, ganancia.

Orientación del modelo

¿Cuál orientación del modelo DEA CCR escoger: el orientado hacia los inputs o hacia los
outputs? La respuesta a esta pregunta depende sobre cuál variable se tiene mayor control. Si por
alguna razón hay mucha variación con respecto a algún proceso o a cualquier otro input, entonces
se debería escoger el modelo CCR orientado hacia la variable de salida (output). Si hay variaciones
en el proceso de salida, entonces se debería escoger el modelo orientado hacia la variable de
entrada (input). Hay que tener en mente que lo que se quiere lograr con la medición de la
eficiencia técnica es su maximización. Esto se puede conseguir o manteniendo fijo el nivel de input
y aumentar el nivel de output, o al revés, manteniendo fijo el output y reducir el nivel de input.
Este objetivo debe guardar relación con aquella variable sobre la que existe mayor control. Si no
existen problemas de control el criterio de selección será dado de acuerdo a si es de interés
reducir costos o incrementar la producción. (Huguenin, 2012)

Independiente de la orientación del modelo, el score va a ser el mismo, en tal caso lo que varía
será el sentido de la proyección. Por ejemplo, en la gráfica que sigue, el punto A representa
ineficiencia. Cuando la proyección es paralela al eje de los inputs, el modelo es orientado hacia los
inputs; cuando la proyección es paralela al eje de los outputs el modelo es orientado hacia los
outputs. La proyección son las líneas punteadas.

La proyección es el valor del input que debe reducirse o el valor del output que debe sumarse para
que gráficamente el punto que se encuentre fuera de la curva de la frontera de eficiencia pueda
posar en la curva. Únicamente los puntos sobre la frontera o curva corresponden a unidades
(empresas) eficientes.
En la primera gráfica se puede apreciar la frontera de eficiencia de un modelo CCR con retornos
constantes de escala (CRS – por sus siglas en inglés). El único eficiente es la agencia B,
representado en el gráfico por el punto B que está sobre la curva. Un punto como el C es
ineficiente. Para que sea eficiente debe procesar un incremento en alrededor de 25% su output
(en lugar de procesar 5 documentos, el servidor público debería procesar 6.67 documentos).
(Huguenin, 2012)

En el gráfico de abajo aparecen los mismos servidores públicos, pero en esta ocasión, aparte de B
que se presenta eficiente bajo los dos modelos (el de retornos constantes y el de retornos
variables, lo cual indica que opera en el tamaño de escala más productiva), A y E son eficientes en
la frontera de retornos variables de escala (curva VRS – por sus siglas en inglés). En cambio, C y D
son ineficientes en ambas escalas, tanto en la de retornos constantes de escala como en la
variable. Cuando una organización es eficiente en un modelo de retornos variable pero no lo es
para el modelo de retornos constantes significa que es eficiente desde el punto de vista local mas
no desde la perspectiva global. Lo global tiene implicaciones más amplias y se describen a
continuación. (Huguenin, 2012)
La eficiencia técnica es parte de la eficiencia general. La eficiencia en precios, la eficiencia de
asignación, y la eficiencia en escala también forman parte de la eficiencia general. La eficiencia en
precios se relaciona con la compra de los inputs de la calidad que reúne los estándares y al precio
más bajo; la eficiencia de asignación se relaciona con el uso de la óptima combinación de inputs; la
eficiencia de escala determina si la organización opera con su tamaño óptimo. (Sowlati & Paradi,
2004)

A diferencia del modelo CCR de retornos constantes de escala, el score de la orientación

input/output no es el mismo en el modelo de retornos variables de escala. Se supone que una
organización podría operar con retornos constantes bajo condiciones óptimas, pero no es así bajo
condiciones de excesiva regulación, dificultades financieras, entornos desfavorables que impiden
su normal desenvolvimiento. La modalidad de retornos constantes castiga a aquellas
organizaciones que no están operando en entornos favorables; por lo tanto, si se emplea el
enfoque de retornos constantes, así como también con el de retornos variables de escala, se debe
descomponer el score en dos componentes: uno que determine la ineficiencia de escala y otro que
determine la eficiencia técnica en su forma “pura”. De existir alguna diferencia en los scores CRS y
VRS para alguna organización, esto indica que la empresa tiene ineficiencia en escala. (Heizer &
Render, 2009)
La medida de la eficiencia en escala se puede interpretar como un índice entre el producto medio
de la empresa cuando opera en el punto DVRS (en el segundo gráfico) y el producto medio cuando
opera en la escala óptima (B). Para determinar si la empresa está operando o no en la región de
retornos crecientes o decrecientes de escala se debe agregar al modelo de programación lineal
una restricción de escala no creciente. Desde el punto de vista geométrico lo que hace la adición
de esta restricción es formar una especie como de “casco” convexo que intersecta a los planos que
“envuelve” a los datos en una forma más ajustada que el casco de tipo cónico del enfoque de
retornos constantes. En otras palabras, reduce el cono convexo de la región factible del modelo de
retornos constantes a un casco convexo. Por definición, el casco convexo para un determinado
conjunto de unidades (representados por los puntos), es el polígono convexo más pequeño que
envuelve a todos los puntos. Entonces esta restricción proporciona un score de eficiencia técnica
mayor que aquel que se obtiene al emplear el modelo de retornos constantes. Si el score de
eficiencia técnica correspondiente a esta restricción de escala no creciente difiere del score de
eficiencia técnica VRS, entonces existe retornos crecientes para la empresa. Si los scores son
iguales, existe retornos decrecientes de escala. (Huguenin, 2012)

En resumen, para organizaciones que operan en la región de retornos constantes de escala, el

modelo DEA CCR orientado a input y a output son viables. Para organizaciones que operan con
retornos crecientes o decrecientes de escala el modelo DEA BCC es recomendable.

OEE

Ahora que se ha aclarado la diferencia entre productividad y eficiencia, resulta útil aclarar también
la diferencia entre una medida y un indicador. Este indicador puede contribuir enormemente a
mejorar la eficiencia técnica de una organización.

Así de simple, una medida mide algo; en cambio, un indicador indica algo. Vale recordar que lo
que se mide no siempre es útil para todo el mundo. Suponer que el dueño de un restaurante
desea mandar a hacer una mesa a un carpintero. Para el carpintero es importante conocer las
dimensiones de la mesa para comprar la materia prima. Una mesa que mide 3 metros de largo x 2
metros de ancho es parte de la información que le sirve a él. Para el dueño del restaurante,
conocer las dimensiones de la mesa no le sirve mucho, pero si a él le indican que esas dimensiones
sientan cómodamente a 6 individuos, ese indicador es de utilidad para él.

Un indicador de gran utilidad y uso en el piso de planta es el Overall Equipment Effectiveness (OEE,
traducido como Eficacia General del Equipo). El OEE indica la proporción del tiempo de
manufactura que un equipo o máquina es productivo. Tome nota que en lugar de Eficiencia se
denota Eficacia. Eficacia significa hacer bien las cosas y en el contexto que ocupa, implica fabricar
bien las cosas y hacerlo en lo posible la primera vez, cero defectos, sin retrabajo. El OEE es un
indicador de eficiencia porque el estándar contra el cual se compara el score es con el OEE de la
misma empresa, la misma línea, el mismo equipo. A pesar que existe un referente: un score de
85% en adelante son consideradas empresas de Clase Mundial, la comparación es entre la misma
máquina en una fecha determinada y luego, después de realizadas las mejoras, en una fecha
posterior se compara su score. Desde el desarrollo del OEE por parte de Seiich Nakajima, el
concepto estuvo más relacionado con TPM y Confiabilidad, hoy su implantación se ha ampliado a
las áreas de Operaciones. (Hansen, 2001)
Se mencionó arriba que la eficiencia es un concepto relativo, pues en ese sentido, el OEE ayuda a
descubrir la verdadera posición de la planta en relación con su rendimiento actual. La buena
noticia es que nunca es tarde para iniciar la implantación del OEE pero debe estar consciente que
para convertirse en una organización de Clase Mundial debe ser un proceso sostenido de un par
de años mínimo. Sin lugar a dudas, Las mejoras del OEE van a generar el mayor impacto en
aquellos equipos que son los cuellos de botellas de la línea.

El indicador OEE está conformado por tres factores; Disponibilidad, Rendimiento, Calidad. Aquella
porción de Disponibilidad del indicador OEE representa el tiempo programado que va a operar el
equipo. Al tiempo que se ha desperdiciado, que no se lo ha aprovechado – a pesar que sí estuvo
programado su uso – se lo conoce como las Pérdidas en Disponibilidad. Eventos como averías,
quedarse sin material para la elaboración o para el empaque si el equipo es una envasadora
contribuye a las Pérdidas en Disponibilidad.

𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑂𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛
𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 =
𝑇𝑖𝑒𝑚𝑝𝑜 𝑃𝑙𝑎𝑛𝑖𝑓𝑖𝑐𝑎𝑑𝑜

El siguiente ejemplo ilustrará el concepto. Suponer que una línea de envasado de yogur opera los
5 días a la semana, durante dos turnos de 8 horas cada uno. La línea se detiene 30 minutos
durante la hora del almuerzo y 30 minutos durante un receso o refrigerio. La Capacidad Nominal
de la envasadora es 100 botellas por minuto y se envasó 35500 botellas, incluidas 500 mal
llenadas. Para calcular el tiempo planificado se procede así:

Tiempo planificado = 480 minutos - 60 minutos = 420 minutos.

Tiempo de operación = 480 Minutos – 60 Minutos de Paros Programados – 45 Minutos de Paros

No Programados = 375 Minutos

375 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 = 420 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
= 0.8228, es decir, 82.28%

Durante un equipo en funcionamiento, éste opera en sincronización con el resto de actividades en

estaciones aguas arriba o aguas abajo. Un concepto fundamental es el tiempo de ciclo. El Tiempo
de Ciclo es el tiempo que transcurre entre la producción de dos unidades consecutivas. Si se va a
registrar el OEE en una envasadora, por ejemplo, una botella de 500 ml, al menos que una bebida
del mismo volumen haga espuma y otra de similar volumen no haga espuma, los tiempos de ciclo
de cada una debeb variar. Por razones obvias, como se envasará a menor velocidad aquella bebida
que haga espuma, su tiempo de ciclo será menor. Si las propiedades de la bebida son similares,
entonces el tiempo de ciclo será el mismo para el mismo formato. Envases de mayor volumen
tomarán mayor tiempo en el proceso de llenado, por lo que su tiempo de ciclo será mayor.

Sin embargo, el tiempo de ciclo es una referencia. Lo que se acostumbra es a utilizar en lugar del
tiempo de ciclo, a un parámetro teórico, de diseño que sirva como una comparación idealizada: el
Tiempo de Ciclo Ideal (ICT por sus siglas en inglés). El ICT es el equivalente de la máxima velocidad
de operación de un equipo y algebraicamente, la máxima velocidad y el ICT son el recíproco del
otro. Mientras que ICT viene dado en unidades de tiempo por productos (o partes o piezas),
ejemplo: segundos por partes; la máxima velocidad viene dada en unidades de producto por
unidades de tiempo., ejemplo: partes por segundo.

El segundo componente del OEE es el performance (rendimiento), que compara la producción real
con aquella que se espera en aquel tiempo. Algebraicamente se expresa de la siguiente forma:

𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝐶𝑖𝑐𝑙𝑜 𝐼𝑑𝑒𝑎𝑙 𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝐶𝑖𝑐𝑙𝑜 𝐼𝑑𝑒𝑎𝑙∗𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑃𝑖𝑒𝑧𝑎𝑠

𝑃𝑒𝑟𝑓𝑜𝑟𝑚𝑎𝑛𝑐𝑒 = 𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑂𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛 = 𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑂𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛
=
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑃𝑖𝑒𝑧𝑎𝑠
1
∗𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑃𝑖𝑒𝑧𝑎𝑠
𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑁𝑜𝑚𝑖𝑛𝑎𝑙
𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑂𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛

1 𝑚𝑖𝑛
∗35500 𝑏𝑜𝑡𝑒𝑙𝑙𝑎𝑠
100 𝑏𝑜𝑡𝑒𝑙𝑙𝑎
𝑃𝑒𝑟𝑓𝑜𝑟𝑚𝑎𝑛𝑐𝑒 = 375 𝑚𝑖𝑛
= 0.9467 , es decir, 94.67%

Un ladrón silencioso que afecta el rendimiento son las pérdidas de velocidad que ocurren ya sea
por ciclos lentos o pequeñas paradas. En el primer caso, los ciclos lentos ocurren a velocidades
menores que la estándar. Por ejemplo: En el caso de productos que durante su envasado para
reducir la formación de espuma, el operario se ve forzado a operar a menores velocidades; puede
darse el caso que por fallas mecánicas o falta de calibración adecuada, a velocidades mayores se
produzcan atascos. De cualquier forma, con estos atascos se producen paradas breves que a pesar
que no son paradas largas que interrumpen el flujo de producción, estas paradas cortas, cuando
suceden en innumerables repeticiones a lo largo del turno, consumen tiempo valioso.

Al comparar el tiempo de ciclo real con el tiempo de ciclo ideal OEE permite determinar la
cantidad de producción que se perdió por ciclos que no cumplieron.

El tercer componente del OEE es la Calidad. Incluye solo aquellas partes o productos libre de
defectos que se han procesado en el primer paso a través de la estación o en el equipo. No incluye
al reproceso. Se calcula con el cociente entre las partes buenas y el total procesado:

𝑃𝑖𝑒𝑧𝑎𝑠 𝐵𝑢𝑒𝑛𝑎𝑠
𝐶𝑎𝑙𝑖𝑑𝑎𝑑 = 𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑃𝑖𝑒𝑧𝑎𝑠

35000
𝐶𝑎𝑙𝑖𝑑𝑎𝑑 = 35500
= 0.9859, es decir, 98.59%

Al multiplicar los tres factores, el OEE es 76.79%.

Análisis de las Pérdidas

Previo al análisis, es imperativo recopilar las tendencias para identificar las mayores pérdidas o las
de mayor impacto.
Caso hipotético tomado del libro “Overall Equipment Effectiveness – A Powerful
Production/Maintenance Tools for Increased Profits” (Robert C. Hansen).

El OEE de la empresa es 0.60 (=0.65*0.97*0.95, que corresponden a Disponibilidad,

Performance, Calidad, respectivamente).

La empresa labora 3 turnos durante 320 días al año, que equivale a 7680 horas. En este tiempo
la empresa elabora un millón de unidades en perfectas condiciones (se excluyen las unidades
con defectos). Se procederá a calcular la capacidad nominal.

# 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔 𝒃𝒖𝒆𝒏𝒂𝒔
Por definición, 𝑻𝒊𝒆𝒎𝒑𝒐 𝒅𝒆 𝒆𝒋𝒆𝒄𝒖𝒄𝒊ó𝒏 𝒕𝒆ó𝒓𝒊𝒄𝒐 = ,y
𝑪𝒂𝒑𝒂𝒄𝒊𝒅𝒂𝒅 𝒏𝒐𝒎𝒊𝒏𝒂𝒍

𝑻𝒊𝒆𝒎𝒑𝒐 𝒅𝒆 𝒆𝒋𝒆𝒄𝒖𝒄𝒊ó𝒏 𝒕𝒆ó𝒓𝒊𝒄𝒐

𝑶𝑬𝑬 = 𝑻𝒊𝒆𝒎𝒑𝒐 𝒑𝒓𝒐𝒈𝒓𝒂𝒎𝒂𝒅𝒐
, por lo tanto,

# 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔 𝒃𝒖𝒆𝒏𝒂𝒔
𝑪𝒂𝒑𝒂𝒄𝒊𝒅𝒂𝒅 𝒏𝒐𝒎𝒊𝒏𝒂𝒍
𝑶𝑬𝑬 = . Al despejar para Capacidad nominal, queda como sigue:
𝑻𝒊𝒆𝒎𝒑𝒐 𝒑𝒓𝒐𝒈𝒓𝒂𝒎𝒂𝒅𝒐

# 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔 𝒃𝒖𝒆𝒏𝒂𝒔
𝑪𝒂𝒑𝒂𝒄𝒊𝒅𝒂𝒅 𝒏𝒐𝒎𝒊𝒏𝒂𝒍 =
𝑶𝑬𝑬 ∗ 𝑻𝒊𝒆𝒎𝒑𝒐 𝒑𝒓𝒐𝒈𝒓𝒂𝒎𝒂𝒅𝒐

Al sustituir las respectivas cantidades, la capacidad nominal es 217 unidades/hora

𝟏𝟎𝟎𝟎𝟎𝟎𝟎 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔
𝑪𝒂𝒑𝒂𝒄𝒊𝒅𝒂𝒅 𝒏𝒐𝒎𝒊𝒏𝒂𝒍 = 𝟎.𝟔𝟎∗𝟕𝟔𝟖𝟎 𝒉𝒐𝒓𝒂𝒔

Suponer que debido a los esfuerzos de mejora por el lado de la confiabilidad y cambios de
formato, la empresa incrementa el OEE de 60% a 66% (solamente mejora el factor de
Disponibilidad de 65% a 71.6%, tanto el Performance como la Calidad permanecen sin variar).
Aunque el incremento en el OEE desde 60% a 66% no parece representar mucho, sí lo es y su
impacto es relativamente importante en cuanto a costo por mano de obra directa se refiere. Se
procederá a calcular el nuevo tiempo programado con este nuevo score del OEE.
 # 𝒖𝒏𝒊𝒅𝒂𝒅𝒆𝒔 𝒃𝒖𝒆𝒏𝒂𝒔 𝟏𝟎𝟎𝟎𝟎𝟎𝟎
𝑻𝒊𝒆𝒎𝒑𝒐 𝒑𝒓𝒐𝒈𝒓𝒂𝒎𝒂𝒅𝒐 = =
𝑪𝒂𝒑𝒂𝒄𝒊𝒅𝒂𝒅 𝒏𝒐𝒎𝒊𝒏𝒂𝒍∗𝑶𝑬𝑬 𝟐𝟏𝟕∗𝟎.𝟔𝟔
= 6982 horas

Este incremento en Disponibilidad representa un ahorro de 7680 – 6982 = 698 horas para este
hipotético ejemplo.

Las causas más comunes de pérdidas en eficiencia en la manufactura se conocen como las Seis
Grandes Pérdidas. Estas seis categorías están divididas por el tipo de impacto: Pérdidas por
Paradas, Pérdidas en Velocidad, y Pérdidas en Calidad. Por ejemplo: Cuando se realiza
mantenimiento no programado por algún daño en el equipo, la pérdida adonde se clasifica este
evento corresponde a Averías. Para eventos que ocasionan interrupciones debido a una
calibración mal hecha, esto pertenece a Ajustes. Si ocurren atascos en la máquina, este evento
se clasifica a paradas cortas.

Cartas de control para el OEE

El propósito de las cartas de control es monitorear si la variable que es motivo de análisis está o no
en control y determinar su tendencia. La mayoría de las cartas de control conocidas parten del
supuesto que los datos son normales. Sin embargo, la pérdida del tiempo sigue una distribución
beta de dos parámetros. Con el siguiente ejemplo se procederá a escoger la distribución que
mejor se ajusta a los datos con algunas librerías del lenguaje R.

Una vez instalados los paquetes estadísticos en R, se procede a cargar las librerías:

library(outliers)
library(stats)
library(plyr)
library(moments)
library(fitdistrplus)

Con la función summary se procede a obtener un resumen de la estadística descriptiva de la

variable OEE:
summary(oee$`0EE`)
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.0314 0.4849 0.5982 0.5786 0.7415 0.9648

Con la función outlier se procede a graficar un gráfico de caja para comprobar la existencia de valores atípicos. Se
confirma que el valor mínimo es un valor atípico. Para determinar qué valor es se utiliza la función which, la cual
arroja que el valor atípico es la entrada 33.
outlier(oee$`0EE`)
[1] 0.0314
boxplot(oee$`0EE`)
which(oee$`0EE`==0.0314)
[1] 33
0.0 0.2 0.4 0.6 0.8 1.0

Existe una forma de identificar las características de los datos sin necesidad de generar el gráfico.
Esto es mediante la manera cómo los datos tienden a reunirse de acuerdo con la frecuencia con
que se hallen dentro de la información. Dos de tales características descriptivas son la curtosis y el
sesgo de los datos.

La curtosis determina el grado de concentración que presentan los valores en la región central de
la distribución. El grado de curtosis permite identificar si existe una gran concentración de valores,
una concentración normal ó una baja concentración. La referencia es el valor 0. Cuando la curtosis
es alrededor de 0 es mesocúrtica; cuando es menor que 0 es platicúrtica; y mayor a 0 es
leptocúrtica. Con una curtosis de 3.09, la distribución es leptocúrtica.

La asimetría o insesgamiento identifica si los datos se distribuyen o no de forma uniforme

alrededor del punto central, la media aritmética. Cuando la mayoría de los datos se encuentran
por encima del valor de la media aritmética, la asimetría es positiva. No existe asimetría – o dicho
al revés - la curva es simétrica cuando se distribuyen aproximadamente la misma cantidad de
valores en ambos lados de la media. Cuando se mayoría de los datos se encuentran por debajo de
la media, la asimetría es negativa. En el caso que nos ocupa, la asimetría es -0.553. Si observa el
gráfico en la Figura …, la gráfica de color verde está ligeramente inclinada hacia la derecha. Si Ud.
ordena los datos de menor a mayor, son 62, y cuenta los valores que son mayor que la media
(0.5786), contará que 33 de estos son mayores. Es por esto que la curva aparece ligeramente
inclinada hacia la derecha, porque hay 33 valores del lado derecho de la media y 29 valores del
lado izquierdo. No es substancial la diferencia, por este motivo es relativamente bajo el sesgo.

Con la librería moments y las funciones kurtosis y skewnnes, respectivamente, se procede a

determinar el apuntamiento y sesgo de la distribución del OEE-
kurtosis(oee$`0EE`)
[1] 3.093387

skewness(oee$`0EE`)
[1] -0.5534136

hist(oee$`0EE`)

Histogram of oee$`0EE`
8 10
Frequency

6
4
2
0

0.0 0.2 0.4 0.6 0.8 1.0

oee$`0EE`

Para probar si una muestra sigue una distribución normal hay varias alternativas. Dos de ellas son
el test de Kolmogorov-Smirnov (para n > 50) y el de Shapiro Wilk (hasta n=50). Se procederá a
realizar la prueba con la función ks.test de la librería stats. La prueba requiere la inclusión de la
media y desviación estándar de la variable oee. Los valores de la media y destivación estándar
quedan almacenados en media_oee y destand_oee
Media_oee<- mean(oee$`0EE`)
Destand_oee<-sd(oee$`0EE`)
ks.test(oee$`0EE`, media_oee, destand_oee)
 Two-sample Kolmogorov-Smirnov test

data: oee$y and media

D = 0.54839, p-value = 0.9206
alternative hypothesis: two-sided

La prueba Kolmogorov-Smirnov tambien sirve para la bondad del ajuste.

ks.test(oee$y, dbeta, shape1= p.shape1, shape2=p.shape2)

One-sample Kolmogorov-Smirnov test

data: oee$y
D = 1.1694, p-value = 7.772e-16
alternative hypothesis: two-sided

plotdist(oee$`0EE` , histo = TRUE, demp = TRUE)

Empirical density Cumulative distribution

0.0 0.2 0.4 0.6 0.8 1.0
2.0
1.5
Density

CDF
1.0
0.5
0.0

0.0 0.4 0.8 0.0 0.4 0.8

Data Data

descdist(oee$`0EE` , boot = 1000)

summary statistics
------
min: 0.0314 max: 0.9648
median: 0.5982
mean: 0.57855
estimated sd: 0.2117871
estimated skewness: -0.5672302
estimated kurtosis: 3.20477

Cullen and Frey graph

Observation Theoretical distributions

2

bootstrapped values normal

uniform
exponential
logistic
beta
lognormal
4

gamma
kurtosis

(Weibull is close to gamma and lognormal)

6
8
10

0 1 2 3 4

square of skewness

fnormal<-fitdist(oee$`0EE` , "norm")
summary(fnormal)
Fitting of the distribution ' norm ' by maximum likelihood
Parameters :
estimate Std. Error
mean 0.5785500 0.02667919
sd 0.2100722 0.01886311
Loglikelihood: 8.764673 AIC: -13.52935 BIC: -9.275078
Correlation matrix:
mean sd
mean 1 0
sd 0 1

fweibull<-fitdist(oee$`0EE` , "weibull")
summary(fweibull)
Fitting of the distribution ' weibull ' by maximum likelihood
Parameters :
estimate Std. Error
shape 2.9860805 0.31686120
scale 0.6420778 0.02834985
Loglikelihood: 5.821924 AIC: -7.643848 BIC: -3.389579
Correlation matrix:
shape scale
shape 1.0000000 0.2686356
scale 0.2686356 1.0000000

fgamma<-fitdist(oee$`0EE` , "gamma")
summary(fgamma)
Fitting of the distribution ' gamma ' by maximum likelihood
Parameters :
estimate Std. Error
shape 4.363885 0.7557268
rate 7.542750 1.3843870
Loglikelihood: -3.35675 AIC: 10.7135 BIC: 14.96777
Correlation matrix:
shape rate
shape 1.0000000 0.9435474
rate 0.9435474 1.0000000

fbeta<-fitdist(oee$`0EE` , "beta")
summary(fbeta)
Fitting of the distribution ' beta ' by maximum likelihood
Parameters :
estimate Std. Error
shape1 2.316239 0.4028456
shape2 1.750859 0.2945624
Loglikelihood: 9.237633 AIC: -14.47527 BIC: -10.221
Correlation matrix:
shape1 shape2
shape1 1.0000000 0.7853519
shape2 0.7853519 1.0000000

flognormal<-fitdist(oee$`0EE` , "lnorm")
summary(flognormal)
Fitting of the distribution ' lnorm ' by maximum likelihood
Parameters :
estimate Std. Error
meanlog -0.6661556 0.07654012
sdlog 0.6026775 0.05412137
Loglikelihood: -15.27741 AIC: 34.55482 BIC: 38.80909
Correlation matrix:
meanlog sdlog
meanlog 1.00000e+00 -1.83962e-12
sdlog -1.83962e-12 1.00000e+00

flogistic<-fitdist(oee$`0EE` , "logis")
summary(flogistic)
Fitting of the distribution ' logis ' by maximum likelihood
Parameters :
estimate Std. Error
location 0.5906296 0.02599208
scale 0.1179343 0.01254200
Loglikelihood: 8.729402 AIC: -13.4588 BIC: -9.204536
Correlation matrix:
location scale
location 1.00000000 -0.03598518
scale -0.03598518 1.00000000

par(mfrow = c(2, 2))

plot.legend <- c("norm", "beta", "logis")
denscomp(list(fnormal, fbeta, flogistic), legendtext = plot.legend)

La densidad beta tiene la forma de una U cuadno a < 1 y b < 1, es simétrica, alrededor de 0.5
cuando a = b > 1, Tiene la forma de J cuando (a - 1)(b - 1) < 0, y es unimodal para otros valores de
a y b.

El software SigmaXL genera el siguiente reporte con respecto al ajuste de los datos con la
distribución beta.
Cooper, W. W., Seiford, L. M., & Tone, K. (2006). Introduction to data envelopment analysis and its
uses: With DEA-solver software and references. Introduction to Data Envelopment Analysis and Its
Uses: With DEA-Solver Software and References. https://doi.org/10.1007/0-387-29122-9

Hackman, S. T. (2011). Production economics: Integrating the microeconomic and engineering

perspectives. Production Economics: Integrating the Microeconomic and Engineering Perspectives.
https://doi.org/10.1007/978-3-540-75751-1

Hirschey, M., & Bentzen, E. (2016). Managerial economics.

Hackman, S. T. (2011). Production economics: Integrating the microeconomic and engineering

perspectives. Production Economics: Integrating the Microeconomic and Engineering
Perspectives. https://doi.org/10.1007/978-3-540-75751-1
Hansen, R. C. (2001). Overall Equipment Effectiveness. (I. P. Inc., Ed.) (First).
Huguenin, J. (2012). Data Envelopment Analysis ( DEA ) Chair of Public finance (Vol. 41).
Sowlati, T., & Paradi, J. C. (2004). Establishing the “practical frontier” in data envelopment analysis.
Omega, 32(4), 261–272. https://doi.org/10.1016/j.omega.2003.11.005
Hackman, S. T. (2011). Production economics: Integrating the microeconomic and engineering
perspectives. Production Economics: Integrating the Microeconomic and Engineering
Perspectives. https://doi.org/10.1007/978-3-540-75751-1
Hansen, R. C. (2001). Overall Equipment Effectiveness. (I. P. Inc., Ed.) (First).
Huguenin, J. (2012). Data Envelopment Analysis ( DEA ) Chair of Public finance (Vol. 41).
Sowlati, T., & Paradi, J. C. (2004). Establishing the “practical frontier” in data envelopment analysis.
Omega, 32(4), 261–272. https://doi.org/10.1016/j.omega.2003.11.005