Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Chediak P. Francisco*
Valencia A. Luz Stella**
Resumen
49
de decisión DMUs (del inglés Decision Making Unit). Muestra los modelos matemáticos básicos de la
técnica DEA (del inglés Data Envelopment Analysis); se presentan recomendaciones fundamentales a
adecuado en
la obtención de los resultados de los diferentes modelos.
Palabras clave:
///
'
/
/$#
Abstract
-!
!
! ¸
4'9 /$
decision units (Decision Making Unit). It shows the basic mathematical models of DEA (Data Envelopment
Analysis), and provides some key recommendations to take into account in order to obtain correct
¸
!Â*
!+
models.
1. Introducción
//–, se ha convertido, desde los principios de su desarrollo (1978),
!
#>
/!
"
!
!
dando origen a nuevas aplicaciones. Esta técnica se ha aplicado con éxito en el sector gubernamental, en
centros educativos, hospitales, bancos, sector eléctrico, portuario y las empresas interesadas en medir
#
*
M.Sc. Investigación de Operaciones y Estadística, Universidad de Ibagué. E-mail: kchediak@telecom.com.co
**
Candidata a M.Sc. Investigación de Operaciones y Estadística, Universidad Tecnológica de Pereira. E-mail: lsvayala@gmail.com
En este artículo se establece una metodología básica para adelantar un Análisis Envolvente de Datos
/–, mediante las técnicas CCR1, BCC2, modelos que pueden ser orientados hacia los inputs (CCR-I,
BCC-I) o hacia los outputs (CCR-O, BCC-O).
2. Marco teórico
>
unidades de decisión, las cuales pueden ser: empresas, hospitales, escuelas, municipios y cualquier
&
#'
&
&
recursos a un nivel de producto dado. En la Figura No. 1 se ilustra cómo la DMU j-ésima puede tener
varias entradas de insumos y varias salidas de productos, esto hace necesario hallar el cociente entre la
suma ponderada de los productos y la suma ponderada de los insumos.
^<"
? @"
\
|]
$
&
#'!
4
69
procedimiento se le denomina CCR orientado a las salidas (productos, outputs), denominado CCR-O;
{
4
69
1
CCR: técnica de análisis envolvente de datos, denominada CCR en honor a sus creadores: Charnes, Cooper y Rhodes (1978).
2
BCC: técnica de análisis envolvente de datos, denominada BCC en honor a sus creadores: Banker, Charnes y Cooper (1984).
[ 71 ]
Vector, Volumen 3, Enero - Diciembre 2008, págs. 70 - 81
? @
B
!
"
'
&
*
este procedimiento se le denomina CCR orientado a las entradas (insumos, inputs), usando la abreviación
==\
"4='-
?HH9#
Y (Producto)
F(x)
O
B
P
A
C
X
Insumo
\
/"[
#[
;;
#
##
El modelo BCC trabaja con retornos de escala variable, relaja el supuesto restrictivo del CCR, permitiendo
que la tipología de rendimiento a escala en un momento dado, caracterice la tecnología variable; el modelo
B==
==\
|#?#
[ 72 ]
:
;
<
=/>'=
Y (Producto)
D F(x)
A
B
P
C
X
O Insumo
\[
/"[
#[
;;
#
!
Maximice Z =
(2)
c.s.r.3
(3) (4)
(5)
$ÁN 4~9
c.s.r.
(7)
3
c.s.r. = con las siguientes restricciones.
[ 73 ]
Vector, Volumen 3, Enero - Diciembre 2008, págs. 70 - 81
? @
B
!
"
'
&
*
(8)
(9)
Aquí, el modelo es totalmente operativo y solucionable empleando el método simplex, método que
&
#
Generalmente el número de vi y ur es pequeño en comparación con la cantidad de DMUs, por esto, si
se tienen muchas DMUs, j será grande y el modelo tendrá una cantidad de restricciones apreciable, por
lo anterior, se acostumbra resolver el problema empleando el DUAL del problema primal, ya que el
problema DUAL tendrá tantas variables como restricciones tenga el problema primal, y un número de
restricciones igual al número de variables del primal, por lo que resulta computacionalmente ventajoso
resolver el problema mediante el DUAL, para ello asociamos una variable dual a cada restricción del
principal, y lo expresamos en su forma canónica, así:
Variables duales
$ÁN
c.s.r.
(10)
4'i-); i = 1,…,m
(14)
Minimice Z = Ã + ] (15)
c.s.r.
46~9
[ 74 ]
:
;
<
=/>'=
(17)
(19)
'
==\
"
&
Maximice Z = §Ã + ] (22)
c.s.r.
(23)
(24)
==\!!&
DMUs bajo la hipótesis de retorno a escala constante. De esta forma, la dimensión de las DMUs que
/$
!
/$
#
global y tiene lugar cuando la DMU seleccionada de referencia es la de mayor productividad de todas
las unidades que se están estudiando. Pero también se podrían considerar problemas donde las DMUs
/$
#
{
{
de escala variable. Para resolver este inconveniente y poder trabajar con problemas de escala variable,
Charnes Abraham, Cooper William y Rhodes E. (1984) añaden al modelo anterior, en su presentación
dual la siguiente restricción:
(28)
[ 75 ]
Vector, Volumen 3, Enero - Diciembre 2008, págs. 70 - 81
? @
B
!
"
'
&
*
Esta restricción impone que el punto de referencia en la frontera de producción para las DMUs de
/$
#"
en el modelo CCR-O la formulación del dual es:
Minimice Z = Ã + ] (29)
c.s.r.
(30)
(31)
(32)
(34)
'
B==
"
Maximice Z = §Ã + ] (35)
c.s.r.
4~9
[ ¡~]
:
;
<
=/>'=
3. Metodología
3.1 Unidades de Decisión DMUs
En la elección de los insumos y los productos se debe ser cuidadoso: que realmente sean insumos y que
realmente sean productos. El análisis DEA requiere de datos relativamente homogéneos para lograr
#'
errores de digitación o porque son reales pero atípicos, es necesario hacer una depuración previa para
#z
9|
#9=
#
existente entre las variables. Éste toma valores entre 1 y -1. En donde 1 representa una relación directa
(aumento de X produce aumento en Y), 0 no existe correlación y -1 relación inversa (aumento de X
produce disminución en Y). Igualmente, se deben correlacionar los insumos entre sí, para determinar
si se está duplicando un insumo al estar altamente correlacionado con otro. c) Relaciones tipo XY entre
9
desviación estándar, valor mínimo, valor máximo y rango, entre otras. Por último, el análisis DEA no
!
#5&
&
%
relativamente a los demás valores.
Aquí es necesario el uso del &
! &
programación lineal como DMUs existan, con: m + n + t + 1 variables y m + t restricciones en los modelos
duales. Los recomendados son el Frontier Analyst de Banxia, cuya versión demo se puede
!***#
#/'>\&
Introduction to Data
Envelopment Analysis and Its Uses4='·
?HH~9#
Â*
/$
#>
a escala, esto es, con los rendimientos constantes o variables. Cuando el aumento del 1% en los insumos
genera un aumento del 1% en los productos, los rendimientos son constantes. Cuando el aumento del
1% en los insumos genera un aumento mayor al 1% en los productos los rendimientos son crecientes y
serán decrecientes en el caso en que el aumento sea inferior al 1%. Mediante el se pueden estimar
#4==\9
&
4=\'9
{
4-|9#
[ 77 ]
Vector, Volumen 3, Enero - Diciembre 2008, págs. 70 - 81
? @
B
!
"
'
&
*
&
4\'9
{
4-z9#z
{
{
49
&
/$
#>
N-|-z
&
\
N==\B==
4==\9{
4B==9
49#
>
4B==9#
=
rendimientos variables (BCC); el muestra el orden de las DMUs de acuerdo con el indicador
#
decisión que están usando mejor sus recursos. En otras palabras, el ordenamiento es con respecto a la
/$
/$#/
con los datos disponibles, se puede establecer que las DMUs que obtienen 100 puntos son aquellas que
#
/$&
6HH
#
#
&
!
&
nivel de producto con los recursos disponibles. La gestión del decisor debe estar enfocada a reducir esa
#
El análisis de dispersión se debe complementar con otros resultados que suministran información acerca
/$
#
que deben hacer todas y cada una de las unidades de decisión con el objeto de llegar a la frontera de
#
&
&
disminución de insumos también se dé un aumento de producto. Esto puede parecer contradictorio,
&
#'
y las recomendaciones en insumo son sólo indicativas que pueden tenerse en cuenta dependiendo del
grado de lógica y conocimiento.
El {
/$
&
#
[ 78 ]
:
;
<
=/>'=
El {
#
Además del análisis de correlación entre los insumos y de estos con el producto, el también
#-
#
$
=
ranking
#z
4==\94B==9#
&
{
4
9
{
49
/$
#
&
N-|-z N==\B==#
4. Conclusiones y Recomendaciones
Es de vital importancia, la veracidad en la información primaria, esto es, las cantidades que se están
usando de cada insumo y las cantidades de cada producto que se está generando. Dicha información
debe estar completa para cada DMU.
1. Levantamiento de la información.
2.
#
3. Validación de la información y análisis estadístico básico.
4. Estimación de funciones de producción empíricas.
5. Interpretar los resultados.
~# Medir la productividad de las DMUs.
7. "
4
9#
8.
%
#
9. "
4
producción).
10.
#
1. S
&
&
#
2. Capacidad para trabajar con múltiples factores, a diferencia del análisis tradicional de
ratios que consideran sólo dos factores de la actividad, representados en el numerador y
denominador.
3.
#
[ 79 ]
Vector, Volumen 3, Enero - Diciembre 2008, págs. 70 - 81
? @
B
!
"
'
&
*
1.
&
/$#
2.
{
#
3. z
/$
/$
#
B
4677~9
{
Algunas de las limitaciones que presentan los modelos DEA, según los mismos autores (Bonilla y otros,
677~9
1. '
{
1
inconveniente de ser una técnica determinista, por lo que la presencia de observaciones atípicas
&
²!³
#'
{
#
2. > {
{
{
#
3. Dado que DEA es una técnica de punto extremo, ruidos (incluso las distorsiones simétricas con
9
#
4. /
DMU en relación con un máximo teórico.
5. Los test de hipótesis estadístico son difíciles de aplicar, por ser un método no paramétrico.
5. Bibliografía
A. Arieu. ?
#]
!
<
<#
|
"
[
envolvente de datos. La situación del puerto de Bahía Blanca. Consorcio de gestión del puerto de Bahía Blanca.
Universidad Tecnológica Nacional. Argentina. (2004).
=!
!=«\!#467¥9#¸
!
+
/
#'
z
'
#
??467¥¥9%#
[ 80 ]
:
;
<
=/>'=
#'#4?HH¡9#Fundamentos teóricos y prácticos del análisis envolvente de datos. Primera Edición. Pereira:
Universidad Tecnológica de Pereira. 227p.
$#B
-#=#$\#'#4677~9#
"#
Universidad
de Valencia.
'#
$!
\#>!46779#0/
!
3#European
Journal of Operational Research, 85: 700-710.
W. Cooper, L. M. '·# ·
#4?HH~9#Introduction to Data Envelopment Analysis and Its Use, With DEA-
{!
{
/ "#~¡
#«!=/
\$'Â"'B7¡¥
H
¥¡
?¥¥H
6#
[ 81 ]
Vector, Volumen 3, Enero - Diciembre 2008, págs. 70 - 81