Medición de la eficiencia de la educación pública en

Antioquia (Colombia) utilizando análisis de envolvente

de datos.
Lina Mar'A Grajalesa, Sergio Sanesa, Pablo A. Maya Duqueb,∗, JuanG. Villegasb
a
Departamento de Economp'a, Facultad de Ciencias Econ'omicas , Universidad de Antioquia ´
Departamento de Ingenier'áa Industrial, Facultad de Ingenierp´'a, Universidad de Antioquia
b

Abstracto
En 2012, el gobierno local de Antioquia (Colombia) lanzó su plan Antioquia el más educened
2012-2105 (Antioquia la más educada 2012-2015). Algunas de las policies y programas
dentro de este plan tienen como objetivo mejorar el acceso y la calidad de la educación.
Conscientes de la importancia de medir los logros de los programas, el gobierno regional,
la Universidad de Antioquia y otras instituciones asociadas crearon una unidad de
investigación para recopilar y analizar información relativa a la educación en el Departamento.
Este artículo describe uno de los estudios realizados por esta unidad de investigación. Más
específicamente, este estudio describe el uso del Análisis de Envolción de Datos (DEA, por sus
datos, por sus datos, por sus datos, por sus).)", para medir la eficiencia de las instituciones
públicas secundarias del Departamento.
La eficiencia relativa de un conjunto de 435 instituciones se calculó utilizando siete
insumos y cinco productos que corresponden a resultados medios en diferentes áreas de una
prueba estandarizada. Como metodologíal insight, nuestro estudio contrapone lo que se sugiere
en la literatura con respecto a la DMU, la selección de insumos y resultados a lo que es
factible de aplicar basado en la información disponible y las prácticas sobre el terreno.
Además, los resultados nos permiten sacar conclusionessobre los factores que afectan a la
eficiencia de las escuelas secundarias y también cómo se comporta a lo largo de las diferentes
regiones del Departamento.
Palabras clave:
Análisis de envolvente de datos, educación, medición de la eficiencia

1. Introducción
La educación ha sido reconocida como un factor clave para superar problemas sociales a
largo plazo como la inequidad, la violencia y la corrupción. En Antioquia (Colombia), el
gobierno local launched su plan Antioquia the most educated 2012-2105 (Antioquia la m'as
educada 2012- 2015). Este plan constituyó una vía para mejorar el equilibrio social y
proporcionar más oportunidades a toda la población. Algunas de las políticas y programas
de este plan están dirigidos a mejorar el acceso y la calidad de la educación.
 Consciente de la importancia de medir los logros de algunos de los programas e iniciativas,
la Universidad de Antioquia junto con algunas otras instituciones se involucraron en el
proyecto de crear una unidad de investigación que recopile y antase información relativa a la
educación en Antioquia. Este artículo describe uno de los estudios realizados por esta nueva
unidad de investigación. Más específicamente, presentamos en este documento lamedición
eficiente de lasescuelas secundarias públicas del Departamento. La medición de la eficiencia se
refiere a la comprensión de cómo las escuelas utilizan sus escasos recursos para generar
resultados en términos del desarrollo del capital humano. Para ello, analizamos los resultados
medios en una prueba nacional estandarizada realizada por los alumnos de 435 institutos
públicos bajo la perspectiva de los recursos que cada una de esas instituciones ha utilizado para
llevar a cabo su proceso educativo.
El sistema colombiano de educación primaria y secondaria tiene dos esquemas de financiamiento
principales:
escuelas privadas financiadas con honorarios pagados por los padres de los estudiantes; y
escuelas públicas (financiadas por el estado) que no cobran ninguna cuota a los estudiantes.
Mientras que las escuelas privadas son administradas principalmente por rórdenes r eligiosas,
fundaciones y cooperativas; las escuelas públicas son administradas por autoridades educativas
regionales, en este caso el Secretario de Educación de An- tioquia gestiona alrededor del
80% de las escuelas del Departamento. Sin embargo, algunos municipios (generalmente
grandes) con suficiente capacidad técnica, financiera y administrativa gestionan
directamente sus escuelas públicas (estos se denominan municipios certificados por la
educación). La Secretaría de Educación de Antioquia no tiene acceso a la mayor parte de la
informacióntion sobre los recursos utilizados dentro del proceso educativo de escuelas
privadas y escuelas públicas ubicadas en municipios certificados. Así, este estudio se
limita a las escuelas secundarias públicas de los municipios no certificados del Departamento de
Antioquia para losque sus alumnos realizaron la prueba nacional estandarizada a finales de
2014.
El estudio nos permite dibujar ideas en tres dimensiones diferentes. En primer lugar, la brecha entre
las variables que se refieren comúnmente en la literatura y aquellas para las que el
Secretario de Educación de Antioquia recopilan información como un camino para ocultar
la teoría y la práctica; en segundo lugar, la medición de la eficiencia de las instituciones
educativas consideradas que validaba la pertinencia de utilizar el análisis de enriquecimiento de
datos en la educación a partir de un estudio de caso real; y en tercer lugar, los impulsores y
las razones que determinan la medición de la eficiencia y los resultados obtenidos que
señalan las consideraciones metodológicas que deben tenerse en cuenta en estudios
futuros.
El resto de este documento se estructura de la siguiente manera. Inicialmente, en la Sección 2
revisamos la literatura relacionada sobre la aplicación de la DEA a la medición de la eficiencia
de la escuela secundaria. A continuación, en la Sección 3 presentamos la metodología seguida
en el estudio. La sección 4 describe las principales aletasdings del estudio. Por último, la
Sección 5 presenta nuestras conclusiones, discute las principales implicaciones prácticas
para la formulación de políticas públicas en el Departamento y propone futuras orientaciones de
investigación.

2. Análisis de envolvente de datos en la medición de la educación

En resumen, Data Envelopment Analysis (DEA) es un método no paramétrico que
estima una frontera eficiente mediante problemas de optimización. Esta metodología
utiliza la información de los insumos utilizados por un conjunto de unidades de gestión
para producir un conjunto de

2
requieren a priori el conocimiento de una forma funcional que relaciona las entradas con
las salidas. Una vez que se dispone de la frontera eficiente, cada unidad de gestión se
compara utilizando la información de las unidades eficientes (es decir, las de la frontera) para
medir su eficiencia y sugerir posibles caminos de mejora. Para un texto introductorio en
DEA, el lector se refiere a Cooper et al. (2006)
Desde sus inicios, la DEA apareció como una metodología adecuada para la medición
de la eficiencia de las instituciones y programas educativos. En su aplicación seminal,
Charnes et al. (1981) evaluó la eficacia de Program Follow Through (PFT), un programa
federal destinado a mejorar la educación de los niños en las comunidades de riesgo
implementadas en los años 70 en los Estados Unidos. En este caso, la DEA sirvió como una
herramienta para eliminar la ineficiencia gerencial al comparar las escuelas PFT con las
escuelas no PFT. Sorprendentemente, no encontraron pruebas de apoyo para la supuesta
superioridad de PFT para producir mejores resultados educativos en la escueladondese había
implementado.
Más recientemente, Johnes (2015) identificó a la DEA como una herramienta popular
para la eficiencia y la medición de perfor- mance de instituciones educativas que van desde
jardines de infantes y escuelas primarias (Burney et al., 2013) hasta universidades
(Bayraktar et al., 2013). Del mismo modo, Liu et al. (2013) encontró que la educación se
encuentra entre las cinco industrias principales abordadas con la DEA. Dado que nuestro
trabajo se centra en las escuelas secundarias, presentamos una revisión de las solicitudes de
DEA para este tipo de escuelas en diferentes países. Para una revisión detallada y más amplia de
las solicitudes de la DEA en materia de educación, el lector interesado se remite a Johnes
(2015) y Liu et al. (2013) y referencias en el mismo.
Ray (1991) combinó un modelo DEA orientado a la producción (con salidas limitadas)
unanálisis de regresión de lin- ear para evaluar la eficiencia relativa de los distritos públicos de
secundaria de Connecticut. Contrariamente a otros estudios anteriores (Charnes et al., 1981;
Bessent et al., 1982) que incluyen algunos factores socioeconómicos incontrolables, este
modelo sólo incluye la enseñanza, el apoyo (consejeros, consultores de lectura, etc.) y el
personal administrativo como insumos. Como resultados tsu modelo incluye los resultados
promedio en matemáticas, artes del lenguaje, escritura y lectura en una prueba a nivel estatal. En
una segunda etapa, el análisis de regresión se utiliza para evaluar la influencia de los estudiantes
factores socioeconómicos en la eficiencia de la escuela. Esta segunda etapa muestra que el nivel
de educación universitaria de la población en el distrito, el porcentaje de grupos minoritarios y
el porcentaje de familias monoparentales tienen un impacto importante en la eficiencia de
un distrito dado.
Thanassoulis y Dunstan (1994) ilustran el uso de modelos de DEA para la evaluación
rendimiento de las escuelas utilizando datos de una autoridad educativa local británica. Analizan
que ni la suposición de retorno variable o constante a escala puede justificarse
plenamente. Sin embargo, después de algún ajuste de los datos utilizan un retorno
constante al modelo scale. Este modelo utiliza la puntuación media de razonamiento verbal
por estudiante en la entrada, y el porcentaje de estudiantes que no reciben comidas gratuitas
como insumos. El primero tiene por objeto medir el potencial educativo de los estudiantes,
mientras que el posterior actúa como una medida del entorno socioeconómico de la escuela.
Como resultado, su modelo incluye la puntuación media de los estudiantes en el certificado
general de educación secundaria (GCSE) y el porcentaje de students no desempleados después
de GCSE. Estos resultados miden respectivamente el logro académico del estudiante, y la
capacidad de la escuela para colocar a sus estudiantes (ya sea en trabajos o en educación
superior)
al graduarse.
Silva Portela y Thanassoulis (2001) evalúan la eficiencia de las escuelas secundarias
británicas mediante el uso de un modelo de DEA que descompone la eficiencia en tres
elementos: (i) eficiencia estudiantil, (ii)eficiencia de school dentro de las escuelas del mismo
esquema de financiación, y (iii) eficiencia escolar sobre el conjunto de todas las escuelas.
Una característica distintiva de esta aplicación es el uso de información individual de los
estudiantes para evaluar la eficiencia en lugar de los resultados promedio de la escuela. Usando
este enfoque es posible identificar los efectos incontrolables del estudiante en la eficiencia de la
escuela. Además, la descomposición de la ency effici permite evaluar la influencia del
esquema de financiación de las escuelas en su eficiencia.
(2001) evalúan la eficiencia de las escuelas secundarias de inglés durante cinco años
periodutilizando de LA DEA. Su modelo DEA, utiliza como salida la tasa de asistencia de la
escuela además del porcentaje de estudiantes con buenas calificaciones de GCSE. Como
insumos, su modelo incluye la proporción de maestros calificados y el porcentaje de
estudiantes que no son elegibles para comidas gratuitas. Estas aportaciones tienen como
objetivo medir la calidad de los estudiantes y los profesores, respectivamente. Utilizando los
resultados de la DEA en un modelo Tobit (que incluye varias variables para medir la
independencia, la competencia, la composición de género,el entornoy los recursos disponibles),
los autores muestran que la competencia entre escuelas ayuda a mejorar la calidad de la
prestación educativa.
Manceb'on y Munéiz (2007) comparan la eficienciaciency de public y privateate grant-
escuelas asistidas schools en tres regiones españolas utilizando el enfoque de modelado
propuesto por Thanassoulis y Dunstan (1994). Sin embargo, en este caso los autores utilizan
datos agregados de la escuela en lugar de la información del estudiante. Su modelo utiliza como
insumos el porcentaje de estudiantes cuyo padre es un trabajador de cuello blanco y el
porcentaje de estudiantes que suelen estudiar más de diez horas a la semana. Elantiguo insumo
mide el trasfondo socioeconómico de los estudiantes y el segundo es un apoderado de la calidad
de los estudiantes. Como salida, este modelo incluye el porcentaje de estudiantes que pasan el
examen de ingreso a la universidad nacional y el promedio de gradeobtenido por los que
han aprobado el examen. Utilizaron un modelo orientado a la salida con retornos variables a
escala. Los resultados de su estudio sugieren que (en el caso español) no hay superioridad de las
escuelas de gestión privadas y que sus mejoresreslts provienen de un trasfondo más favorable de
los estudiantes.
En un subsequent study (Manceb'on et al., 2012), los resultados del examen PISA 2006
(programa de evaluación internacional de estudiantes) reveló que las escuelas públicas de
español son más eficientes que las escuelas privadas subvencionadas. Este estudio combina
un modelo DEA de casco de eliminación libre con un modelo lineal jerárquico (HLM). En
este caso, HLM se utiliza como una herramienta para estimar la tecnología educativa
subyacente y para seleccionar las variables utilizadas en el modelo DEA. Las puntuaciones de
los estudiantes en ciencias se utilizaron como la única salida de su modelo de DEA, mientras que
los insumos incluyen todas las variables que resultan tatísticamente significativas en su
HLM, (incluyendo características socioeconómicas y culturales, recursos educativos y su uso,
características escolares y estudiantiles, y recursos escolares).
(2010) utilizan DEA para evaluar la eficiencia de las escuelas secundarias turcas. En este
caso, los autores tratan como DMU las 81 provincias turcas. Su modelo de DEA tiene el número
de maestros y aulas como insumos, y también incluye como aporte la puntuación promedio
alcanzada en un examen de ingreso nacional para controlar la calidad de los estudiantes
en la entrada. Como resultados, su modelo de DEA incluye el número de estudiantes, las
puntuaciones cuantitativas y verbales promedio en un examen nacional deentr ance universitario.
En un enfoque diferente a los modelos anteriores, los autores incluyen la desviación estándar de
las puntuaciones como una salida indeseable. Su estudio reveló que la disminución de los
rendimientos a escala prevalece en 69 de las 70 provincias ineficientes.
(2012) evaluaron la eficiencia de las escuelas secundarias portuguesas. Su modelo de DEA
impone restricciones de peso con el fin de favorecer a las escuelas donde un mayor número
de estudiantes toman un examen dado. En este caso, los resultados medios de diferentes
exámenes se utilizan como entradas y salidas. Para los insumos, los autores consideran los
exámenes de portugués y matemáticas al final de la educación básica. Como productos, los
autores incluyen los resultados promedio en ocho áreas diferentes en un examen nacional.
(2014) estudiaron la eficiencia de las escuelas secundarias tunecinas teniendo en cuenta una
característica comúnmente descuidada en la literatura de la DEA: el hecho de que algunos
insumos son cuasi fijos (es decir, no se pueden ajustar a corto plazo). Desarrollaron un índice
Malmquist que utiliza modelos DEA para medir la distancia a la frontera. Debido a la ausencia
de puntuaciones de examen, los autores utilizan el número de sementales registradoscomo
producción primaria de las escuelas. Además, dado que las escuelas secundarias tunecinas
ofrecen alojamiento a sus estudiantes, el número de camas ocupadas y el número de
comidas servidas también se consideran como productos en su modelo de DEA. Como
insumos controlables, el modelo incluye el número de profesores, el número de empleados
administrativos, el número de empleados de cuello azul y un índice que mide los
suministros de oficina, el consumo estacionario y de alimentos. Como insumos cuasi fijos
(es decir, no discrecionales), el modelo incluye el número de aulas generales y especializadas.
En un estudio similar, Podinovski et al. (2014), utilice modelos de la DEA para estimar Malmquist
índices paralas escuelas secundarias Mala ysian. Centran su estudio en el uso simultáneo de
retornos variables y constantes para escalar en el modelo de DEA subyacente. El modelo
de DEA híbrido-retorno a escala híbrido resultante utiliza un retorno constante a escala para
los factores de cantidad (por ejemplo, profesores y tiempo de enseñanza) y el retorno
variable para escalar a los llamados factores de calidad que miden el logro académico de los
estudiantes. Como insumos los autores incluyen el número de clases en cinco áreas científicas
diferentes, otros dos insumos para controlar la calidad de los estudiantes en la entrada y
uno para medir el estatus socioeconómico de los estudiantes. Como resultados, su modelo
incluye el número de estudiantes en cinco áreas de ciencias (matemáticas, ciencias, física,
biología y química) y el number de estudiantes que lograron buenas calificaciones en estas
áreas en el certificado nacional de educación (un examen nacional estandarizado). Sus
resultados revelan una disminución de la productividad de las escuelas secundarias debido a
una política recientemente implementada de enseñanza de ciencias en English en lugar de en
el idioma nacional.
Finalmente, Acero Pineda et al. (2013) revisar la aplicación de la DEA en la educa-
instituciones cionales. En su revisión encontraron 23 documentos que usaron de la DEA para
evaluar diferentes instituciones que van desde escuelas primarias hasta universidades. Desde sus
resultados y hasta el mejor conocimiento, de la DEA no se ha utilizado para asses el desempeño
en escuelas secundarias u otras instituciones educativas del estado de Antioquia. La mayoría de
los estudios se centran en elementary- y high-schools en Bogotá, la capital del country
(por ejemplo, P'´erez Alema'n et al. (2003)). Con este documento nuestro objetivo es llenar
este vacío, utilizando por primera vez un modelo de de la DEA para medir la eficiencia de
las escuelas secundarias públicas del estado. Nuestro modelo comparte algunos
elementos con estudios previos en la literatura. En particular, la disponibilidad de calificaciones
de los estudiantes para una prueba nacional hace posible el uso de esta información como
resultados en nuestro modelo. Sin embargo, la falta de información sobre el entorno
socioeconómico de las escuelas no permite el uso de este tipo de factor como insumos o
productos.

3. Metodología
Basándonos en autores como Golany y Roll (1989) seguimos una metodología que
implica cuatro fases principales: 1. Definición y selección de DDU 2. Determinación de
los factores de entrada y salida que son relevantes y adecuados para evaluar la eficiencia
relativa de las DTU seleccionadas 3. Definición del modelo DEA a aplicar 4. Análisis de los
resultados
En esta sección, abordamos las tres primeras fases, describiendo cómo se llevaron a cabo.
Los resultados de estas tres primeras fases nos permitieron señalar algunas ideas sobre la brecha
entre las variables que se refieren comúnmente en la literatura y las que están registradas y
supervisadas por el Secretario de Educación de Antioquia.
3.1. Definición y selección de DDU
Las unidades de análisis en los modelos DEA se suelen designar como unidades de toma de
decisiones (DMU). Definir una DMU en particular puede generar variaciones importantes en el
análisis del estudio. In Con el fin de producir información dehormigas significativas para un
análisis adecuado, la selección de DMU pro- cedure debe hacerse done cuidadosamente.
El Departamento de Antioquia se divide en nueve regiones y cada una de esas regiones se
divide en municipios, 125 en total. El uso de regiones o municipios como DMU podría
haber sido la primera opción. Sin embargo, había dos razones principales para avanzar
one paso en la segregación de los datos y la selección de las instituciones educativas como las
DDU. En primer lugar, la definición de las regiones no se aplica a factores culturales o
económicos, de ahí que exista una gran variabilidad entre las instituciones que se encuentran
dentro de la misma región, se agregan, por ejemplo, instituciones rurales y urbanas de
municipios con características socioeconómicas muy diferentes. La segunda razón es el
alcance de las conclusiones y perspectivas que el modelo proporcionaría. Como los
municipios no certificados no gestionan directamente las instituciones educativas en su
territorio y no existe una política establecida para la asignación de recursos a cada
institución, nos preocupa más cómo las instituciones están utilizando los recursos disponibles
para producir mejores resultados educativos que sobre cómo esos recursos se agregan al nivel
de los municipios. Por lo tanto, en este documento, el conjunto de DTU está formado por
435 instituciones educativas públicas quelosmunicipios no certificados que los estudiantes
realizaron la prueba nacional estandarizada en el segundo semestre de 2014. Nos referiremos a
este conjunto a partir de entonces como el conjunto de DTU o conjunto de instituciones
educativas (EIs). Es importante tener en cuenta que el término institucióneducativa se refiere a
un concepto degestión que podría agregar varias escuelas que están bajo la administración de un
equipo de gestión único. Es decir, una EIs podría ser una sola escuela con su propia gestión o
un conjunto de escuelas cercanas que comparten ele mismo personal de administración y apoyo.
3.2. Determinación de variables de entrada y salida
Como señala Bradley et al. (2001), la aplicación de la DEA a las escuelas tiene varias
características en común. Las variables de entrada con frecuencia miden los recursos escolares
en diferentes dimensiones como el número de profesores, los gastos educativos, el número de
aulas, etc. Además, es una práctica común expresar estos valores como proporciones por un
número determinado de estudiantes (por ejemplo, profesores de tiempo completo por cada
cien de estudiantes). En algunos casos también se incluye la calidad del profesorado (por
ejemplo, % de profesores con máster). A medida que la revisión de la literatura revela insumos
relacionados con el entorno socioeconómico de laescuela y también se consideran losinsumos
para controlar la calidad de los estudiantes a la entrada. Por otro lado, la gran mayoría de los
estudios utilizan como resultados diferentes variables que miden el éxito de los estudiantes en las
pruebas estandarizadas.
Desafortunadamente, el conjunto de variables a tener en cuenta en este estudio fue restringido por la
disponibilidad de información. En los últimos años, los gobiernos locales y regionales han
mejorado sus sistemas de información, pero aún queda mucho por hacer en este asunto. Delo que
se puede determinar, para cuál de las variables identificadas en la revisión de la literatura, o
proxies de las mismas, había información disponible en las bases de datos oficiales y públicas.
Se utilizaron dos fuentes principales de información, una base de datos que compila
toda la información relacionada con las entradas y una segunda que recoge las salidas. El
primero fue construido como primer producto de la unidad de investigación financiada
por el Gobierno de Antioquia y ampliada para este estudio, con información del sistema
Educado(http://www.seduca.gov.co/http://www.seduca.gov.co/ sistemaeducado/). Proporciona
información descriptiva para todas las instituciones educativas (EI), como su
ubicacióngeográfica, e información de los recursos humanos, económicos y físicos que
cada EI tiene. La segunda base de datos contiene los resultados de las pruebas nacionales
estandarizadas realizadas en el segundo semestre de 2014 y agregadas a nivel EI. Esta
segunda base de datos se creó sobre la base de los datos publicados por el organismo
nacional para la medición de la calidad de la educación (ICFES) disponibles en
http://www.icfes.gov.co. Basándonos en la revisión de la literatura y la información vailable,
determinamos las variables de entrada y salida para el modelo DEA. Elegimos siete insumos:
número de profesores (nTeach), número de personal administrativo (nAdm), salarios totales
de maestros (sTeach), salarios administrativos totales (sAdm), porcentaje de profesores con
estudios de posgrado (tGrad ), porcentaje de profesores con siete o más años de
experiencia (tExp) y número de ordenadores (pc). Todos los insumos se expresan como
una proporción por cada 100 estudiantes, excepto los que representan porcentajes (es
decir,
tGrad y tExp).
En Colombia, la educación primaria y secundaria se evalúa a través de pruebas
estandarizadas que se aplican a los estudiantes en el tercer, quinto, noveno y undécimo
año del ciclo educativo. Sin embargo, sólo la prueba en el undécimo año es obligatoria
(conocida como la prueba Saber 11). Por lo tanto, en este estudio consideramos el
resultado en la prueba Saber 11 como el resultado del proceso educativo. Luego, como
resultados en el modelo DEA consideramos los resultados medios de la prueba Saber 11,a
escalaestandarizada con un máximo de 100, en las siguientes cinco áreas: matemáticas
(Matemáticas), ciencias naturales (NatSci ), sociales y cívicas (SocCiv ), Inglés (Eng ) y
lectura crítica (CritRead ) para cada una de las instituciones educativas.
El Cuadro 1 informa de varias estadísticas descriptivas de las entradas y salidas. La
primera columna enumera los nombres de las variables, mientras que las columnas 2 a 5
informan del valor mínimo, máximo
valor, media, mediana, desviación estándar y coeficiente de variación.

Variable Mínimo Máximo Decir Desviación V Coe

s Std ar ficie
. ntes
.
Entra
da
nTeach 0.18 6.85 3.76 0.98 0.2
6
nAdm 0.00 1.03 0.22 0.15 0.6
6
sTeach 3242.20 153387.6 64631.0 18589.08 0.2
7 4 9
sAdm 0.00 27958.14 5275.50 3575.05 0.6
8
CuadrotGrad 0.00de descde insumos
1: Estadísticas rastivas 3.88 y resultados
0.86 de la muestra 0.55 0.6educativas
de 435 instituciones
Los insumos con el mayor coeficiente de variación están relacionados con el personal 4 administrativo,
(nAdm) y el salario (sAdm), y el porcentaje de maestros conestudios graduados (tGrad),
mientras que los insumos relacionados con el número de maestros (nTeach) y sus salarios
(sTeach) tienen baja variabilidad. Del mismo modo, para las salidas, los resultados medios en
lectura crítica (CritRead) tienen la mayor variabilidad, mientras que los resultados en
english (Eng) tienen el valor medio y la variabilidad más bajos. Además, vale la pena
señalar la diferencia entre el coeficiente de variación de las entradas y salidas. Estos últimos
tienen una considerable variabilidad menor.
La Tabla 2 aportaents la matriz de correlación de las entradas. Todos los coeficientes de
correlación son positivos y varían de 0,1 a 0,951. Toda correlación es significativa en el
nivel del 1%, excepto uno que es significativo en el nivel del 5% (Pc y tGrad). Como
era de esperar, existe una alta correlación entre el número de personal administrativo
(nAdm) y los gastos en salarios administrativos (sAdm). Del mismo modo, existe una alta
correlación entre el número de profesores (nTeach) y los gastos en salarios de los maestros
(sTeach). Aunque se puede considerar que en cada una de estas dos variables uno es
redundante, en la base de datos de insumos (incluido como material suplementario) que
encontramos en que proporcionan información complementaria. Por ejemplo, algunos
factores como la accesibilidad a algunas IE hacen que las IE remotas no puedan atraer a
maestros con alta experiencia o estudios graduados, por lo tanto, los salarios no son tan altos
como lo serían en otras EE mejor ubicadas. Nosun alto gasto en salario no implica
necesariamente un alto número de maestros. Los años de experiencia de los maestros (tExp)
tienen una correlación moderada con el número de maestros (nTeach) y sus salarios
(sTeach), de manera similar el número de maestros tiene una conexión moderada rrelation
con el número de PCs (pc). El porcentaje de profesor con estudios graduados (tGrad) tiene,
en general, las correlaciones más bajas con los demás. correlations with the
 nTeach nAdm sTeach sAdm tGrad tExp Pc
nTeac 1.00
h
nAdm 0.40* 1.00
*
sTeac 0.86* 0.47* 1.00
h * *
** Correlación
sAdm 0.35*significativa
0.95* en el nivel del 1.00
0.45* 1% (bilateral)
* * *
* Correlación significativa en el nivel del 5% (bilateral)

Tabla 2: Correlación de Pearson

Del mismo modo, la Tabla 3 presenta la matriz de correlación de las salidas. Resultados en diferentes
las áreas de la prueba están altamente correlacionadas, siendo la lectura crítica (CritRead) y
cívico social (SocCiv) las salidas más correlacionadas, mientras que el inglés (Eng) y social
cívico (SocCiv) son los menos correlacionados.

Matemáticas NatSci SocCiv Eng CritRead

Matemá 1.00
tica
Natsci 0.86* 1.00
*
SocCiv 0.85* 0.86* 1.00
** Correlación significativa en el nivel*del 1% (bilateral)
*

* Correlación significativa en el nivel del 5% (bilateral)

Tabla 3: Salida de correlación de Pearson

Como muestra el Cuadro 4, no existen correlaciones elevadas entre las entradas y las
el valor máximo 0.276 para el porcentaje de profesor con estudios graduados (tGrad) y los
resultados en lectura crítica (CritRead). La mayoría de las entradas están correlacionadas
positivamente con lassalidas, excepto el número de profesores (nTeach) y el número de PC
(pc). Estos resultados refuerzan la idea de utilizar un método no paramétrico (como DEA) para
evaluar la eficiencia de losIE en la transformación de sus recursos disponibles en resultados
educativos (medidos con pruebas estandarizadas), ya que cada EI podría tener una
combinación y uso diferentes de los recursos para obtener resultados similares.
3.3. Modelo DEA
Siendo el primer estudio que mide la eficienciahools with de los
DEA mantuvimos el modelo lo más simple posible. Permítanme a nTeach, nAdm, sTeach, sAdm,
tGrad, tExp, pc.
 nTeac nAd sTeac sAd tGra tExp Pc
h m h m d
Matemá -0.10* 0.17* 0.03 0.21 0.26* 0.19* -
tica * ** * * 0.14**
Natsci -0.08 0.14* 0.05 0.17 0.23* 0.16* -0.12*
* ** * *
SocCiv -0.07 0.21* 0.39 0.25 0.23* 0.16* -0.89
* ** * *
Eng -0.11* 0.16* 0.03 0.18 0.22* 0.18* -
* ** * * 0.15**
CritRea -0.12* 0.17* 0.03 0.21 0.28* 0.18* -0.11*
d * ** * *
** Correlación significativa en el nivel del 1% (bilateral)

* Correlación significativa en el nivel del 5% (bilateral)

Tabla 4: Entrada y salida de correlación de Pearson

ser el conjunto de entradas y S - {Math, NatSci, SocCiv, Eng, CritRead- el conjunto de salidas.
El valor xesdecir, representa la cantidad de entrada utilizada por EI e. Del mismo modo, el
valor yse repre- envía la puntuación media de EI e en el área s. Usando esta notación el
modelo DEA resultante es el siguiente:
á á
Min Ηo + s( Ho i + o (1)
i∈I s∈S
Hs) a:
sujeto (2)
Σ
λe · xIe + hi
o
x ioio ∀ ∈ (3)
e∈EI
• ∈
s
? y á H áo Η ? ye se ∀s (4)
e∈EI ∈S
•e ≥ 0 o así que
(5)
∀e
HoY
o
≥0 ∈ Ie
hso ≥ 0 ∀∀s∈∈S (6)(7)
ηlibre ∈
free (8)
Dado que en el sector educativo sería mejor pedir a una EI determinada que
mejorar sus resultados que reducir sus insumos (como destaca Cook et al.), utilizamos
un modelo CCR clásico orientado a la producción (Cooper et al., 2006). Para medir la
eficiencia de EI0, el modelo (1)-(7) estructura un EI virtual utilizando una combinación lineal
de los EI en la muestra (con los valores de ee). La restricción (3) exige que el EI virtual no
utilice más entradas que EI0, mientras que las restricciones (4) imponen que produce al
menos las mismas salidas (resultados educativos) que EI 0. La función objetiva (1)
maximiza la medida de eficiencia de EI 0. (es decir,ηo). Los valores de η mayores que uno
indican que se pueden obtener mejores resultados en la prueba Saber 11 con el nivel de inputs
de EI0. El segundo término de la función objetiva minimiza la llamada eficiencia de
mezcla teniendo en cuenta las mejoras adicionales que se pueden realizar una vez eliminada la
ineficiencia radial (medida con ηoo). Esta segunda etapa se realiza
i
Por el Minimización De el Pantalones (h
o Y hs)o De Restricciones (3) Y (4) Respectivamente. Nosotros
 modelo implementado (1)-(8) utilizando la caja de herramientas Matlab para DEA desarrollada
por Restrepo y Villegas (2007).

4. Resultados
En esta sección describimos y analizamos los resultados de la aplicación de DEA para medir
la eficiencia de las EIs públicas en Antioquia. Informamos como eficiencia el valor de 1/ηo en
lugar del resultado óptimo original del modelo (1)-(7) ya que era más fácil para los
gerentes y las autoridades educativas del Departamento ver este valor como una medida
de eficiencia tradicional con valores en el intervalo [0,1]. En primer lugar, on
proporcionamos una visión general de las medidas de eficiencia obtenidas y de la
composición del conjunto de las EIs eficientes. A continuación, analizamos con más
detalle la relación entre los insumos y los productos con la medida de eficiencia, la distribución
geográfica de las medidas de eficiencia y las diferencias estructurales entre las instituciones
eficientes y no eficientes.
En Total 25 hacia fuera De el 435 Eis Son Eficiente. Entre Ellos 17 Son Situado En Rural
Áreas 5 en Urbano Áreas Y 3 Servir Ambos Rural Y Urbano Áreas. el Hecho ese Más De el
instituciones declaradas Como Eficiente Son Situado En Rural Áreas enlatar Ser pendiente Para
el Hecho ese Sable 11 Prueba resultados, incluidos En el Salida Variables Son No
Significativamente diferente Entre Rural Y Urbano EI, mientras que eso Parece Claro ese allí Es
Un Importante Diferencia Entre el Recursos Utilizado Por EIs rurales y urbanos. Nosotros vendrá
en este punto en la Sección 4.1. Además Mesa 5 Da algunos descriptivos Estadísticas Para el
Eficiencias De el Eis Dependiendo En Si Ellos Son Situado en zonas rurales o urbanas. Aunque
no hay diferencia significativa para el promedio, Mínimo Valores el Variabilidad De el Eficiencia
Para el Eis Situado En Urbano Áreas parece Ser más pequeños que los de las zonas rurales Áreas.

Rur Urb Mez to

al ano clad do
o
N 204 182 49 43
Cuadro 5: Estadísticas resumidas de las eficiencias de la muestra según 5la ubicación de los SI
η? 0.6 0.62 0.62 0.
La Figura 1 presenta un histograma 3 suavizado de las medidas 62 de eficiencia, es posible ver
que la mayoría de los EIs tienen eficiencias moderadas que van de 0,4 a 0,7. En este histograma
la media no se corresponde con el modo y la distribución está sesgada a la derecha,
haciendo que la mediana de la eficiencia sea más pequeña que su media.
4.1. Relationship entre eficiencia, entradas y salidas
El elevado número de EIs eficientes ubicados en las zonas rurales plantea algunas preguntas
sobre la relación de los insumos y los productos con la medida de eficiencia. Para responder a
estas preguntas analizamos la relación entre ellos.
 18
σ 0,1496 D1 D9
16
‾̅ η 0 . 6239 D10,4668 D9a0,8507
14

N×100 /NTot[%]
12
10
8 η̅
6
4
2

0 0,2 0,4 0,6 0,8 1

Η

Figura 1: Smothed histograma de las medidas de o eficiencia. La media ηde la distribución es shown con la
línea discontinua negra, mientras que el primer D1 y el último decil D9 seresaltan en amarillo.
La Tabla 6 muestra las correlaciones entre las entradas y la eficiencia. Como era de
esperar, los valores son negativos, lo que significa que un uso de recursos mayor
implicaría un impacto negativo en la eficiencia. La Figura 2 presenta la gráfica de
dispersión para algunas de las entradas (nTeach,sTeach y tExp) contra la eficiencia,
esta figura también muestra que cuanto menor sea el consumo de recursos, mayor será
la eficiencia. Se observan resultados similares para las otras entradas. En esta figura,
los EIs eficientes con el consumo de recursos por debajo del primer decil o por encima
del noveno decil de los recursos se resaltan con un círculo amarillo redondeado. It Es
importante señalar que los EI eficientes en el noveno decil son aquellos que a pesar
de utilizar niveles más altos de recursos producen puntuaciones medias altas, y luego
tienen una gestión adecuada de sus recursos (estos EI fueron declarados como puntos
de referencia importantes para el Secretario de Educación del Departamento haciendo
aconsejable un análisis detallado de sus procesos y prácticas). Por otro lado, los EIs
eficientes en el primer decil de los recursos son aquellos que son declarados eficientes
principalmente por los bajos valores del recurso que tienen que a los buenos
resultados que obtienen.

nTeach nAdm sTeach sAdm tExp tGrad Pc

η -0.43 -0.43 -0.57 -0.46 -0.40 -0.74 -0.55

Tabla 6: Correlación de Pearson entre eficiencia e insumos

1 1 1

0.8 0.8 0.8

0.6
0.6 0.6
Η

0.4
0.4 0.4

0.2
0.2 0.2
<10 o >90 Percentil
0
<10 o >90 Percentil <10 o >90 Percentil
0.0 2.0 4.0 6.0 8.0 10.0 12.0 14.0 16.0 0 0
0 1 2 3 4 5 6 7 0 20 40 60 80 100
Sueldo de maestros/100 estudiantes [×106COP]
Número de profesores/100 Exp. > 7Yr [%]
estudiantes

Figura 2: Gráficas de dispersión de la eficiencia y las entradas

 En un análisis similar, el Cuadro 7 presenta la correlación entre la eficiencia y los outputs.
Todos ellos son positivos pero muy pequeños, lo que significa que no hay una correlación lineal
clara. Del mismo modo, la Figura 3 muestra las gráficas de dispersión de la eficiencia frente a
dos de las salidas (Eng y Math). Reafirma laasencia de la correlación. Además, teniendo en
cuenta que las puntuaciones de las pruebas oscilan entre 0 y 100, estas gráficas muestran que los
resultados de las pruebas de Saber 11 tienen baja variabilidad y se concentran principalmente
en un intervalo entre 40 y 60. El mismo patrón fue encontrado para los otros outputs. En la
misma figura, las instituciones eficientes para las que las puntuaciones están por debajo del
primer decil o por encima del noveno decil se resaltan con un círculo amarillo
redondeado. It Vale la pena señalar que los EI declarados como eficientes y que tienen
puntuaciones inferiores a la primera vuelta decile para ser eficientes debido a un pequeño
consumo de recursos en comparación con todas las demás instituciones con puntuaciones
similares.

Matemáticas NatSci SocCiv Eng CritRead

η 0,02 0,07 0,06 0,05 0,02

Tabla 7: Correlación de Pearson entre la eficiencia ylassalidas

1 1

0,8 0,8

0.6 0.6
Η

0,4 0,4

0,2 0,2

<10 o >90 Percentil <10 o >90 Percentil

0
0 20 40
0
60 80 100 0 20 40 60 80 100
Puntuación media en inglés Media Puntuación Matemática

Figura 3: Gráficas de dispersión de eficiencia y resultados de pruebas

4.2. Diferencias estructurales entre las IE eficientes y no eficientes

Para establecer las características que motivan las diferencias entre instituciones eficientes y
no eficientes, los insumos y salidas de cada conjunto se analizaron y compararon
estadísticamente.
El Cuadro 8 muestra una comparación de los inputs en un conjunto eficiente y no eficiente
deEIs. En general, las instituciones eficientes tienen menos recursos que las instituciones no
eficientes. Es par- ticularmente notoria la diferencia con respecto a la experiencia de los
profesores (tExp) y la calificación (tGrad). Estas ences divergenciasse validaron utilizando una
prueba t de dos muestras para la igualdad de medios y una prueba de Levene para la igualdad de
la varianza con un nivel de confianza del 95% y todos ellos se convierten en significativos.
Del mismo modo, el Cuadro 9 muestra una comparación de los resultados de losIE
eficientes y no eficientes. Aunque, la puntuación media en todas las áreas es ligeramente inferior
para las instituciones eficientes, la prueba t de confianza del 95% indica que no hay evidencia
que concluya que estos medios
 EIs eficientes Los EI no
eficientes
Min Max Std Min Max Std
Promedio dev Promedio dev
nProsechar 6.25 2.68 1.39 1.62 6,85 3,82 0.92
0,18
nAdm 0.00 0,56 0,10 0.13 0.00 1.03 0.23 0.14
sTea 3242.2 85221. 41190. 18260. 23448. 153387. 66060. 17648.
ch 0 50 60 08 96 67 34 78
sAd 0.00 7294.3 2286.1 2423.6 0. 27958.1 5457.7 3555.0
m 0 0 0 00 4 8 0
tExp 0.00 2.13 0.29 0.48 0. 3.88 0.90 0.54
00
tGra 0.00 2.42 0.88 0.58 0. 6.06 2.51 0.90
d 00
Pc 1.65 17.32 7.80 3.93 2. 33.91 12.08 5.07
87

Cuadro 8: Comparison de niveles de entrada entre los EIs eficientes y no eficientes

son diferentes. El Cuadro 9 también muestra que, en general, la varianza es mayor para las puntuaciones de
instituciones eficientes que para las instituciones no eficientes. Específicamente, la prueba de
Levene con un nivel de confianza del 95% determinó que para Social
Civic(SocCiv),Matemáticas (Matemáticas)Mathy CienciasNaturales (NatSci) la varianza de las
puntuaciones es diferente entrelosEIs eficientes y no eficientes.

Min m Eficiente
Av Std M máxno eficiente
Avg Std
áx g dev in imo dev
im
o
Matemá 40.0 58. 47. 4.86 34. 60.2 47.8 3.55
tica 0 00 01 58 0 1

Tabla 9: Comparación estadísticas descriptivas de los productos en un conjunto eficiente y no eficiente de instituciones
Los resultados, de estos análisis, concluyamos que la eficiencia de una institución es de-
principalmente por el uso de recursos y no por los resultados que obtiene en las pruebas
estandarizadas. Esto se debe principalmente al hecho de que las puntuaciones de las pruebas
son muy similares independientemente de la cantidad de recursos que tengan los SI, por lo
tanto, las instituciones más eficientes son las que alcanzan los resultados medios de las pruebas
utilizando menos recursos. Las excepciones notables son los EI eficientes con el uso de recursos
por encima del noveno decil (resaltado en la Figura 2).
4.3. Distribución geográfica de las eficiencias
Estudiamos ahora la distribución geográfica de la eficiencia. La Figura 4 presenta un mapa
con la eficiencia media por municipio. Las áreas blancas corresponden a las
municipalidades certificadas que no fueron consideradas en este estudio. La capital y las
principales ciudades del departamento se encuentran en la zona blanca en el centro del mapa.
Los municipios que rodean esta zona tienen medidas de baja eficiencia, esto se debe al
hecho de que a pesar de que a pesar de estos municipios
son cercanos y accesibles desde el centro principal del Departamento, su puntuación
media en las pruebas es similar a otros municipios ubicados más lejos de la capital que utilizan
menos recursos. Hay dos regiones que funcionan mal en la medida de eficiencia y que
accessibilidad a la capital es difícil. La primera de estas regiones está formada por tres
municipios en la parte más occidental del departamento que se encuentran en una zona remota a
la que no se puede acceder por carretera. La segunda región está formada por municipios en la
parte más oriental del departamento que han sido históricamente afectados por el conflicto
armado del país. La ineficiencia de estas regiones no sólo podría s explicarse por
la escasez de recursos, porque hay otras regionesque el acceso a la capital también es difícil y
cuyos resultados son escasos pero que están funcionando mejor en la medida de eficiencia.

Figura
eficiente4: Mapa térmico de la eficiencia media de cada municipio de Antioquia y ubicación geográfica geográfica
En el Cuadro 10 se presentan estadísticas descriptivas de la medida de eficiencia para las
nueve regiones del departamento. Esta tabla presenta para cada región el número de EIs, el
porcentaje de EIs, la eficiencia media, el número de EIs eficientes, el porcentaje de EIs
eficientes ubicados en una región determinada y, por último, una relación de representación
de eficiencia (ERR)) que compara el tamaño de la región con el número de EIs eficientes.
Calculamos este valor utilizando las columnas tercera y sexta de la tabla de la siguiente
manera: ERR - %EIs ). Sobre la base de este valor es
%EIs eficientes EIs
claro que el número de EIs eficientes en una región no está relacionado con el número de EIs que tiene,
ya que hay regiones, como Nordeste (con ERR 2. 2), que cuenta con un número considerable de
instituciones eficientes a pesar de no ser una de las regiones con mayor número de instituciones.
Por otro lado, regiones como Magdalena Medio, Occidente, Suroeste y Norte, con un número
similar o mayor de EEs tienen ERR muy pequeño, lo que indica que no tienen una EIs lo
suficientemente eficiente con respecto a su tamaño (medido en términos de número de
EIs). Estas regiones merecen una atención especial por parte de las autoridades educativas del
Departamento, ya que han recibido en muchos casos recursos importantes, pero no han dado
mejores resultados educativos como se was esperaba

.
La Figura 5 proporciona un resumen gráfico de la distribución de las eficiencias de los SI
ubicados en cada región. En esta gráfica los recuentos de las puntuaciones de frecuencia para
los SI en cada
 Subregión Número % del total de EIs Eficiencia media [%] Número de Porcentaje de Relación de
de EIs eficientes EIs eficientes representación de la
EIs eficiencia
Magdalena Medio 2 4.6 60. 0 0. 0
0 0 64 0 .
0
Occidente 5 12. 57. 1 4 0
6 87 22 . .
0 3
Suroeste 6 15. 57. 1 4. 0
7 40 78 0 .
3
'
Valle de Aburr aa 3 7.3 56. 2 8 1
2 6 97 . .
0 1
Norte 4 10. 62. 2 8 0
7 80 99 . .
0 7
Bajo Cauca 3 8.7 65. 3 1 1
8 4 78 2. .
0 4
Nordeste 4 9.2 65. 5 2 2
0 0 41 0 .
. 2
0
Urab'aa 5 13. 65. 5 2 1
7 10 90 0. .
0 5
Oriente 7 17. 66. 6 2 1
8 93 61 4 .
. 3
0

Cuadro 10: Comparación de la eficiencia entre las nueve regiones del Departamento
región se agruparon en seis rangos de igual tamaño en el intervalo [0,1], y en consecuencia
suavizado y escalado para que fuera fácilmente comparable. Esta figura muestra que para la
mayoría de las regiones la eficiencia se concentra dentro del intervalo [0. 5, 0. 8] teniendo su
modo, que la altura difiere de una región a otra, en el intervalo [0. 6, 0. 7]. Hay dos regiones,
Valle de Aburr'a y Nordeste, para which la distribución de la eficiencia es slightly biased a
la izquierda, lo que significa que hay más instituciones en estas regiones que tienen valores de
eficiencia por debajo de la media. Sin embargo, la región de Nordeste también tiene un gran
porcentaje de instituciones con eficiencia entre 0,85 y 1. Mientras que, Magdalena Medio, la
región sin instituciones eficientes, tiene una distribución casi simétrica alrededor de 0,7.
10
9 Ⅴ. Aburra B Cauca

8 Mag. Medio Nordeste Norte

7
NSub×100 /NTot[%]

Occidente Oriente Sureste Urabá

6
5
4
3
2
1
0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Η

Figura 5: Distribución
del Deparment de las instituciones de porcentaje sobre el total en función de la eficiencia de cada subregión
de Antioquia.
5. Conclusiones
En este documento, utilizamos la DEA para evaluar la eficiencia relativa de 435
escuelas secundarias públicas ubicadas en municipios no certificados de Antioquia
(Colombia). Utilizamos un modelo DEA orientado a la salida con siete insumos (que miden el
nivel de recursos de las escuelas); y cinco productos (que representan la puntuación promedio en
cinco áreas diferentes de una prueba nacional estandarizada). Los resultados obtenidos con la
DEA indican que la eficiencia de una institución depende principalmente de la disponibilidad de
recursos y no de las puntuaciones de la prueba. Esto se debe al hecho de que las puntuaciones en
la prueba estandarizada para las escuelas secundarias consideradas en este estudio han
variabilidad muy baja. Por lo tanto, las escuelas eficientes son aquellas que logran los
mismos resultados promedio utilizando menos recursos. Para el gobierno regional, este
resultado presenta un desafío para subestimar cuáles son los factores clave a considerar para
mejorar la calidad de la educación y los resultados en la prueba estandarizada porque
actualmente pocas instituciones se destacan del desempeño promedio pobre. performance. Sin
embargo, un análisis detallado de la correlación de la eficiencia y los insumos y productos, nos
permitió identificar algunas escuelas secundarias de referencia que producen mejores resultados
con recursos por encima de la media.
Nos nutriólas medidas de eficiencia generadas por el modelo de la DEA considerando la
división ge- ográfica y política del Departamento. Los municipios que rodean la capital y las
principales ciudades, en el centro del Departamento, tienen medidas de baja eficiencia, se
explica por el hecho de que a pesar de que estos municipios son cercanos y accesibles desde el
centro principal del Departamento, su puntuación media en las pruebas no se destacan de la
media y son similares a otros municipios situados más lejos de la capital que utilizan menos
recursos. Estos resultados también señalaron que variables adicionales relacionadas con las
características socioeconómicas y las cuestiones relacionadas con el conflicto podrían tener
un efecto significativo en la eficiencia, ya que algunas de las escuelas altas que obtienen
medidas de baja eficiencia se encuentran en regiones inaccesibles por carretera, sufren
problemas económicos y sociales y se han visto gravemente afectadas por el conflicto.
Desde el punto de vista metodológico, es importante highlight que, a pesar de que usamos
un modelo orientado a la producción, donde la reducción de entradas no es el foco principal del
modelo, el análisis de la correlación de la eficiencia con los insumos y los productos, y la
comparación de las características de las escuelas secundarias eficientes y no eficientes dieron a
conocer la fuerte influencia que la disponibilidad de insumos tiene en la eficiencia de una
escuela secundaria en este caso práctico.
El estudio podría haberse enriquecido al incluir en el modelo variables que abordan los
factores antes mencionados (por ejemplo, la escolarización media de los parents, el ingreso
promedio de los hogares y la intensidad del conflicto, entre otros). A pesar de que esas variables
podrían no estar bajo el control directo del responsable de la toma de decisiones, el
Secretario de Educación de Antioquia, podrían proporcionar información sobre los factores
clave de la eficiencia de las instituciones y su perfor- mance en las pruebas nacionales
estandarizadas. Sin embargo, esta información no ha sido recopilada por el Secretario ni
por ninguna otra fuente oficial. Por lo tanto, señalamos que incluirlos en el ámbito del
sistema de información del Secretario (Ayudar) podría ser una mejora a tener en cuenta. La
medición de tales variables permitiría el uso de algunas de esas variables como entradas
en el próximo análisis. Además, dado que los resultados educativos tienen un retraso temporal y
evolucionan con el tiempo, la aplicación de modelos DEA que tienen en cuenta este fenómeno
es otra interesante extensión del estudio.
Referencias
Acero Pineda, A.J.DEA
, Arcadio, C.M.,
en elOviedo
'ambitoGarc´c'a, W., 2013. Revisi'on bibliogr'afica de la aplicaci'on de
la metodolog''a Civiliza educativo.r 13, 133-156.
Bayraktar, E., Tatoglu,
64, 1810-1830. E., Zaim, S., 2013. Medición de la eficiencia relativa de las prácticas de qm. J Oper Res Soc
Bessent, A., Bessent, W., Kennington, J., Reagan, B., 1982. Una Aplicación de Programación
para Evaluar la Productividad en ele Distrito Escolar Independiente de Houston. Ciencias deMatemática
la Gestión
28, 1355-1367.
Bradley, S., Johnes, G., Millington, J., 2001. El efecto de la competencia en la eficiencia de las escuelas
secundarias en Inglaterra. European Journal of Operational Research 135, 545–568.
Burney, N.A.,
kuwait. Johnes,de
Economía J.,laAl-Enezi,
Educación M.,21,
Al-Musallam,
360–379. M., 2013. La eficiencia de las escuelas públicas: el caso de
Charnes, A., Cooper, W.W., Rhodes, E., 1981.
del análisis de envoltorio de datos para el programa Evaluación
que de la eficiencia
sigue a través de.delCiencias
programade ylalaGestión
gestión:27,
Una aplicación
668–697.
Cook, W.D., Tone, K., Zhu, J., . Análisis de envolvente de datos: antes de elegir un modelo.
W.W., Seiford, L.M., Tone, K., 2006. Introducción al análisis de envolvente de datos y sus usos: con software Omega , 1–4. Cooper,
y
referencias de DEA-solver. Springer Science & Business Media.
Davutyan,
educación secundaria turca : Heterogeneidad , centralización , y diseconomias de escala. Ciencias de la
N., Demir, M., Polat, S., 2010. Ciencias de la planificación socioeconómica Comola eficacia de la
Planificación Socioeconómica 44, 35–44.
Essid, H., Ouellette, P., Vigeant, S., 2014. Productividad, eficiencia y cambio técnico de las escuelas
tunecinas:
Golany, Un Y.,
B., Roll, enfoque
1989. Un Malmquist arrancado
procedimiento con insumos
de solicitud casi Omega
para dea. fijos. Omega (Reino Unido) 42, 88–97.
17, 237–250.
Johnes, J., 2015.
243, 683–696. Investigación
Liu, J.S., Lu, L.Y.Y.,operativa en educación.
Lu, W.M., Lin, B.J.Y., European
2013. Una European
encuesta Journal
de of Operational
aplicaciones de la DEA. Research
Omega
41, 893–902. Manceb'on, M.J., Calero, J., Choi, A' ., Xim'enez-de Embu'n, D. P.,., 2012. La eficienciaciency
de las escuelas secundarias públicas y subvencionadas públicamente en España: Evidencias de PISA-2006.
Revista de laM.J.,
Manceb'on, Sociedad de Investigación
Munn'iz, M.A., 2007. Operacional 63, 1516-1533.
˜ Private versus public high schools en España: disentangling managerial
y eficiencias de los programas. Revista de la Sociedad de Investigación Operacional 59, 892–901.
P'erez Alem
colegios em'an, Y.O.,
distritales Araque Quijano,
de Bogot'a: D.R., Lancheros,
una aplicaci'on del an'alisisJ.F., envolvente
2003. La eficiencia
de datos.relati vaa en los
Cuadernos de
Administraci'el 16, 35-60.
Podinovski, V.V., Ismail, I., Bouzdine-Chameeva, T., Zhang, W., 2014. Combinando los supuestos de retornos
variables y constantes a escala en la evaluación de eficiencia de las escuelas secundarias. European
Journal de Investigación Operativa 239, 504–513.
Portela, M.C.A.S.,
instantánea de unCamanho,
país tomada A.S.,
porBorges,
la DEA.D., 2012.deEvaluación
Revista la Sociedaddel de rendimiento
InvestigacióndeOperacional
las escuelas63, secundarias:
1098–1115.la
Ray, S.C., 1991. Eficiencia en
Ciencias de la Gestión 37, 1620-1628. el uso de recursos en escuelas públicasa estudio de datos de Connecticut.
Restrepo,
an'alisis de envolvente de datos. Revista Facultad de Ingeniería Universidad de Antioquia 42, 105-119.aplicado
M.I., Villegas, J.G., 2007. Clasifi caci'on de grupos de investigaci'on colombianos
Silva Portela,Journal
European M.C.A., Thanassoulis,
of Operational E., 2001.
Research Descomposición
132, 357–373. de la eficiencia de la escuela y del tipo escolar.
Thanassoulis, E., Dunstan, P., 1994. Orientar a las escuelas para mejorar el rendimiento mediante
envolvente de datos: Una ilustración con datos de una autoridad educativa local. Revista deellaanálisis
Sociedad de
de Investigación Operacional 45, 1247–1262.