Aplicaciones del Análisis Envolvente de Datos

a problemas de evaluación en economía y

finanzas

Edgar Possani Espinosa

Departamento Académico de Matemáticas

Octubre 24, 2017

Programación lineal

• El Análisis envolvente de datos es una técnica de evaluación que se

apoya en la solución de problemas de programación lineal.
• Un problema de programación lineal es un problema de optimización
donde deseamos minimizar (maximizar) una función lineal de un
conjunto de variables de decisiones (reales) sujeto a que cumplan una
serie de desigualdades lineales.
 Programación lineal
• George B. Dantiz (49) desarrolló método para guiar la búsqueda del óptimo,
llamado el Método Simplex.
• Desarrollado mientras trabajaba parte del proyecto SCOOP (Scientific
Computation on Optimum Programs) esfuerzo derivado de la planeación en
el uso eficiente de recursos (2ª guerra mundial.
Koopmans & Kantorovich Premio Nobel de Economía 1975
“for their contributions to the theory of optimum allocation of resources”

“My work .. broadened out into the study of activity analysis ... as a result of
a brief but important conversation with George Dantzig, in early 1947. It
was followed by regular contacts and discussions extending over several
years thereafter. Some of these discussions included Albert W. Tucker of
Princeton who added greatly to my understanding of the mathematical
structure of duality.” Tajalling C Koopmans, Noble Prize Lectures

• La facilidad de modelar un número grande de problemas de decisión con programación

lineal y la eficiencia computacional promedio del algoritmo simplex hace que se convierta
en una herramienta omnipresente en la solución de problemas. (incluso parte de hojas de
cálculo)
• La complejidad algoritmo Simplex no es polinomial. Khachiyan (75) desarrollo un método
elipsoidal que prueba que los problemas de programación lineal pertenecen a P, se pueden
resolver en tiempo polinomial.
Análisis Envolvente de Datos

Inicia en el 78 cuando se le pide a Charnes y Cooper & Rhodes evaluar el desempeño de

diversas escuelas Norteamericanas “Evaluation Program Follow Through”.

¿Como evalúo unidades de decisión (administración escolar) cuando diferentes escuelas

pueden tener distintos objetivos y recursos y las variables a considerar no son todas
económicas? ¿Cómo puedo decidir cuales son eficientes en el uso de sus recursos?

Primero tengo que definir qué es la eficiencia:

no. alumnos atendidos / no. profesores
desempeño académico / ingresos de la institución

En otros contextos:
emisiones gases / consumo de energía

En general:
Salidas / Entradas

30 most influential papers in OR:

Charnes Cooper, Rhodes (1978) “Measuring the Efficiency of Decision Making Units”
European Journal of Operational Research, Vol 2, pp. 429-444.
¿Qué es la eficiencia?
Ejemplo donde la Unidad de Decisión es un Centro Educativo

Eficiencia Relativa 1.00 0.90 0.17 0.63 0.75 0.25

eficiencia relativa [0,1], e.g. Eficiencia i
Eficiencia máxima

Función Producción
G B
Salidas/ Entradas
= Eficiencia
No. Estudiantes

Presupuesto
¿Cómo puedo evaluar la eficiencia?
Ejemplo donde la Unidad de Decisión es un Centro Educativo

Otras salidas

¿más justo?
¿mejor evaluación?

Frontera de la eficiencia - mejores prácticas

C

w1 Estudiantes + w2 Personal
B
Presupuesto
Personal / Presupuesto

F A
E

No. Estudiantes / Presupuesto

Análisis Envolvente de Datos

¿Cómo manejo el problema fraccional?

Dando una formulación de programación lineal equivalente:

n

w y i i0
max  o  w1 y1o    wn yno
max 0  i 1
m

v x j j0
j 1 Sujeto a
Sujeto a
n

w y i ip
n m
0 1
w y   v j x jp
i 1
m

v x
i ip
j jp i 1 j 1
j 1

wi , v j  0 (i  1n, j  1m) wi , v j  0 (i  1n, j  1m)

Forma CCR del DEA

Resolvemos un problema de porgramación lineal por cada unidad de decisión O

Análisis Envolvente de Datos

max  o  w1 y1o    wn yno Si  * < 1 entonces debe haber alguna restricción o UD

Sujeto a para la cual la desigualdad sea estricta (de otra manera 
podría aumentar).
m

v x
j 1
j jp 1 Sea entonces EO el conjunto definido por esas unidades:
n m

w y i ip   v j x jp p  1,..., P  s m 
i 1 j 1 EO  k |  u *j y jk   vi* xik  llamado conjunto referente.
 j 1 i 1 
wi , v j  0 (i  1n, j  1m)

Ventajas del DEA:

•Expresa la productividad en un solo indicador 
•Permite a cada unidad maximizar su medida de productividad (eficiencia) con
respecto a la desempeño de las otras unidades usando los datos disponibless
•Permite identificar las “mejores prácticas” entre las unidades
•Permite referenciar cada unidad o con el conjunto de unidades eficientes.
•No presupone una función de producción predeterminada (wj, vj)
Conjunto de posiblidades de producción P
n m

åw y £ åv x
i =1
i ip
j =1
j jp P = { (x’, y’) | x’ ≥ X, y’ ≤ Y,  ≥0}
P = { (x, y) | x ≥ X, y ≤ Y,  ≥0} P = { (x, y) | x ≥ X, y ≤ Y, e=1  ≥0}

Modelo CCR Modelo BCC es

max u yh max B

Sujeto a que v xh = 1 Sujeto a B xh - X  ≥ 0

-v X + u Y ≤ 0 yh - Y  ≤ 0
v, u ≥ 0 e = 1
Frontera Producción CCR
Frontera Producción BCC
 ≥ 0
6
6

5
5

4
4
Salidas
Salidas

3
3

2
2

1
1

0
0
0 0.5 1 1.5 2 2.5 3 3.5
0 0.5 1 1.5 2 2.5 3 3.5
Entrada
Entrada

Se han desarrollado otros modelos alternativos para distintos supuestos sobre la forma del
conjunto de posibilidades de producción P en particular CCR considera retornos a escala
constantes mientras que el modelo BCC no lo considera.
Es común usar ponderadores sobre diferentes variables de interés en búsca de
generar una evaluación (tipo tablero de control- semáforos)
 Análsis Envolvente de Datos para la evaluación de proyectos de I +D

S.A. Thore (2002) “Technology Comercialization: DEA and related analytical methods for
evaluating the use and implementation of technical innovation” Kluwer Academic Publishers
Ejemplo de la Aplicación del DEA -Casos prácticos : Baker-Hughes y NASA

Recursos humanos (Nivel Tecnológico, Competencia I&D, Competencia

Aplicación e Ingeniería)
Datos de desempeño y costos para 14 proyectos de IyD en perforación petroléra
Proyecto Costo A B C D
mercado compatiblidad demanda intensidad Infraestructura (Nivel Ingeniería, Competencia I&D, Competencia Apl.
P1 $1.07 $32.0 8.2 $7.5 8.0 Ing.)
P2 $1.06 $50.0 7.6 $7.2 6.4
P3 $0.33 $40.0 7.6 $7.1 5.3
P4 $1.60 $30.0 7.1 $7.2 5.5
Alineación Líneas de Investigación (Competencia I&D, y Apl. Ing.)
P5 $0.55 $25.0 7.0 $7.0 5.1
P6 $0.20 $8.0 6.0 $6.1 6.9 Económicos- A) Características del Mercado: Tamaño, Crecimiento,
P7 $0.35 $2.0 5.9 $6.2 6.6 Desarrollo (Tamaño Mercado, Crecimiento Mercado, Naturaleza
P8 $0.53 $12.0 5.8 $5.8 5.4
P9 $0.21 $10.0 5.8 $5.8 4.7 Tecnológica, Competencia de Apl. Ing., Competencia I&D, Potencial
P10 $0.16 $0.8 5.4 $5.6 6.1 Diferenciación)
P11 $0.07 $3.0 5.3 $5.4 6.5
P12 $1.95 $300.0 6.8 $6.1 6.4
P13 $5.59 $60.0 6.2 $6.9 6.8 B) Inversión (Naturaleza Tecnología)
P14 $3.10 $240.0 6.5 $6.6 7.1
Servicio a Cliente (Potencial de Impacto, Potencial de Diferenciación
Resultados de los Proyectos (dic. 1996)
Proyecto Calificación DEA Resultado Obtenidos Innovación (Nivel Tecnológico, Naturaleza Tecnológica)
P1 1.000 Proyecto nunca empezó
P3 1.000 Proyecto de éxito sobresaliente Proyecto Gasto Autorizado Prob. Éxito Prob. Éxito Comercial PRI (años) Calificación Gasto Eficiente
P6 1.000 Proyecto nunca empezó en esta etapa técnico Pt por Mercado Potencial DEA
P11 1.000 No cumplió con los objetivos técnicos D.00226 $510,160 0.75 $613,000,000 2.3 1 $510,160
P12 1.000 Proyecto de éxito sobresaliente D.00228 $1,375,264 0.9 $955,980,000 2.6 0.43 $585,070
Comercialización en 1998- se espera éxito D.00235 $3,409,848 0.9 $1,578,930,000 3.4 1 $3,409,848
P14 1.000 sobresaliente D.00250 $1,408,019 0.9 $792,180,000 4.7 0.44 $615,371
P2 0.654 Comercialización en 1997 D.00238 $722,092 0.95 $11,808,186 4.6 0.85 $610,987
P10 0.624 Éxito moderado D.00242 $619,755 1 $1,065,910,000 4.8 1 $619,755
P9 0.619 Éxito moderado
Referencia de Desempeño por Proyecto
P7 0.596 Éxito marginal
Proyecto D.00226 D.00235 D.00242
P5 0.564 Producto outsourced - éxito marginal D.00226 1
P4 0.320 Comercialización en 1997 D.00228 0.316 0.683
P8 0.249 Éxito marginal D.00235 1
P13 0.136 Proyecto nunca empezó D.00250 0.04 0.96
D.00238 0.08 0.92
D.00242 1
Monitoreo de los proyectos en el tiempo

Calificación DEA

0.8

0.3

t t+1 t+e Evaluación en el tiempo

Proyecto A Análisis de Ventanas de tiempo

Proyecto B • {At, Bt, Ct}
Proyecto C • {At, At+1, At+2, Bt, Bt+1, Bt+2, Ct, …}
Algunos trabajos de aplicación del Análisis Envolvente de Datos
• M. Ramirez Bernal. E Possani (2016) “Resource Efficiency of the Mexican Seguro
Popular Health Service Scheme: a data envelopment analysis approach” ICORD-
International Conference of OR for Development DOI: 10.13140/RG.2.1.2078.9362
(trabajo realizado mientras trabajaba en la SP)
• Idea: Proponer un método de evaluación del gasto público de los fondos del SP, con la
información disponible y el cambio en el tiempo de la eficiencia en el uso de los recursos
por los 32estados
• Sistema de Protección Social en Salud (SPSS), inició 2003, prové protección a 52
millones (+ ½ población nacional), alcanzó cobertura universal en el 2012.
• Critero para ejercer el derecho es no pertencer al IMSS o ISSTE.
• En este periodo hasta la cobertura universal el gasto se ha incrementado de 231,000
millones de pesos en 2004 a 490,000 milliones pesos en 2012.
• Provee una serie de servicios médicos e intervenciones quirúrgicas preaprobadas en
un catlálogo (285 intervenciones, 1534 enfermedades) que se ha ido expandiendo a
lo largo de los años.
 Seguro Popular- Repartición de Fondos
• Los fondos son administrados independientemente por los 32 estados.
• Cada estado recibe una cantidad proporcional al número de personas
inscritas en el Seguro Popular (2,640.58 pesos per capita en 2012), cantidad
que se calcula en base al un estimado del gasto promedio nacional cubierto
por el catlálogo.
• Los fondos se clasifican por su fuente de financiamiento en: Aportación
Federal, Aportación Estatal, y Cuotas Familiares
• La Aportación Federal a su vez se divide en Cuota Social (CS) y Aportación
Solidaria Federal (ASF) (en el 2012 fue en promedio de 880.19 and
1,320.29 respectivamente), y estos representan el 83.3% del total de los
fondos, mientras que la Aportación Estatal cubre el 16.6% (440.10 pesos).
• Las Cuotas Familiares representa menos del 0.1% de los fondos y se
determinan con base a las condiciones socioeconómicas de cada familia.
• Hay reglas adicionales por modalidad de operación.
La ASF puede variar entre 1.4 y 1.6 veces la CS. No
más de 30% de la CS se puede usar en compra de
medicamentos y no más del 40% en pago a personal.
Aplicación del DEA en la evaluación del Seguro Popular

Objetivo del trabajo:

Proponer un método de evaluación del gasto público de los fondos del SP, con la
información disponible y el cambio en el tiempo de la eficiencia en el uso de los
recursos por los estados..

Medidas del desempeño del SP:

(G1) Pago a personal médico. Esto incluye el pago de personal eventual de apoyo
en campañas de vacunación , no considera personal administrativo de hospitales.
No más del 40% de la CS se puede gastar en este rubro.
(G2) Gasto en prevención y promoción de la salud. Gasto en acciones para prevenir
y promocionar el cuidado de la salud como servicios personales y medicamentos.
Ya que son considerados una prioridad cada Estado debe gastar al menos el 20% de
la ASF en este rubro.
(G3) Gasto en adquisición de medicamentos, material de curación e insumos
médicos. No debe ser mayor al 30 % de la CS y la ASF.
(G4) Gasto de operación del Régimen Estatal. Cubre los gasto de las oficinas
estatales del SP, no debe exceder el 6% de la CS.
Medidas del desempeño del SP
(G5) Gasto en apoyo administrativo. personal que no están directamente relacionados, no
hay un límite reglamentado de gasto en este rubro.
(G6) Pago a terceros por servicios de salud. Se destina a otros prestadores de servicios de
salud por la atención prestada a afiliados del SP.
(G7) Gasto operativo en unidades médicas. Esto incluye inversión en remodelación de
infraestructura de unidades médicas que cumpla con la regulación federal y acreditación.

(G1) Payment of medical staff.

(G2) Disease prevention and health promotion.
(G3) Prescription drugs, and medical supplies.
(G4) Operating cost of local State SP.
(G5) Administrative Support.
(G6) Payment to out-sourced health services.
(G7) Operation of medical units.
Medidas del desempeño del SP
Considera Encuesta Nacional de Satisfacción del SP que la CNPS (muestra de 22,000 asegurados) se
aplica cada año:

(S1) Satisfacción con la atención médica. Se cuenta el procentaje de afiliados que repsondieron
positivamente a la pregunta “¿Qué tan satisfecho está con la atención médica que recibe del SP?”

(S2) Nivel de satisfacción con el SP. Representa el porcentaje de afiliados del SP que respondió estar
satisfecho o muy satisfecho en general con el SP.

(S3) Nivel de satisfación con el surtimiento de recetas. El porcentaje de afiliados del SP que la última
vez que le recetaron medicinas, el SP le proporcionó todos o casi todos los medicamentos prescritos

(S4') Minutos de espera promedio para ser atendido –El promedio del número de minutos que en
promedio tuvo que esperar un afiliado para que recibiera atención médica. Medida de la calidad del
servicio.

(S4) 180- (S4’) diferencia entre el tiempo máximo esperado y el tiempo que el afiliado considera que
esperó, valore mayores de (S4i) representa un mejor servicio por parte del SP.
Selección del Modelo
Se discutieron varios modelos que incluía la elección de subconjuntos diversos de las
G’s y S’s . Cada modelo tenía una relevancia particular para los administradores.

Los Modelos que usaron la variable S3 resultaron con un mayor número de

unidades eficientes. Baja California Sur fue eficiente para todos los modelos
propuestos (BCS es el estado con el gasto operativo menor G7).
Variaciones al usar el modelo BCC
Usando el modelo BCC (modelo que considera retornos a escala) se obtienen los
siguientes resultados

Más estados se vuelven eficientes, ahora Aguascalientes, Chihuahua, Colima,

Nayarit, Nuevo León son eficientes.
Este análisis fue relevante para el personal del CNPSS y les ayudo en entender
mejores prácticas con respecto a las distintas medidas de desempeño seleccionadas
Comportamiento para el Modelo BCC
Usando el modelo BCC orientado a salidas, la eficiencia promedio de las unidades
de decisión incremento:
Análisis en el tiempo
Comparativo de la eficiencia para 2008-2011:

La eficiencia de algunos estados se mantiene igual en este periodo de 4 años, pero

otros estados tienen cambios significativos. Como ejemplo el estado de Morelos
tiene una caída considerable en su eficiencia en el 2010.
Componentes principales
Las variables G1, G3, G4 and S4 son las que explican el mayor porcentaje de la
variabilidad de los datos. La componente 1 (eje x) depende principalmente de las
variables de entrada y la segunda componente (eje y) de las variables de salida.
Aplicaciones del DEA en la conformación de portafolios
• Alejandro Federico Robles Hüe (2012) “Una aplicación del análisis envolvente de datos a
la selección de acciones para la conformación de carteras de inversión”.

• Idea es usar el coeficiente de Sharpe que mide la prima de riesgo

Aplicaciones del DEA en la conformación de portafolios
• Alejandro Federico Robles Hüe (2012) “Una aplicación del análisis envolvente de datos a
la selección de acciones para la conformación de carteras de inversión”.

Calculo Markowitz CALCULO LOS

Calculo DEA En subconjunto de rendimientos Comparo.
acciones Las dos diferentes opciones y
también
Que hubiera pasado si solo se
Calculo Markowitz invierte en el índice.
En el universo
S&P 500

Solo el índice

Se utilizó el DEA para aproximar el coeficiente de Sharpe.

Se demostró mediante extensas pruebas la utilidad de pre
seleccionar activos en base a su tendencia.
Se supero el rendimiento obtenido por la estrategia pasiva de
invertir únicamente en el índice estándar and Poor´s 100.
Aplicaciones en el análisis de mercado de rentas
• Eugenio Gutiérrez Santamaría (2017) “La eficiencia de mercado de rentas en la Ciudad
de México: una aplicación del análisis envolvente de datos”.

¿Será que los inmuebles dentro del

área competitiva son los que se
rentan más rápido?

¿Cómo utilizar esta información

para mejorar búsquedas en
portales o a la hora de tasar la
renta para los inmuebles?
Aplicaciones en el análisis de mercado de rentas
• Eugenio Gutiérrez Santamaría (2017) “La eficiencia de mercado de rentas en la Ciudad
de México: una aplicación del análisis envolvente de datos”.

Datos: portal inmuebles24.com

¿Será que los inmuebles dentro del

área competitiva son los que se
rentan más rápido? SI

¿Cómo utilizar esta información

para mejorar búsquedas en
portales o a la hora de tasar la
renta para los inmuebles? En
proceso de implementación.
 Gracias

epossani@itam.mx