PRACTICA OI I – ELIES ENRIC Y ARES

Master's Degree in Industrial Engineering Industrial Organization 1 December, 17th 2021

Practice Lesson 8. Benchmarking with Data Envelopment Analysis (DEA)

1. Which are the efficient Japanese electric power generation companies in this data set? For each of them,
prepare a table showing the inefficient companies for whom the efficient company is a peer.

Generation Fuel
Capacity Consumption Number Total Generation
(MW) (109 kcal) Employees (GWh)
Chubu 18075 153335 2472 69300
Chugoku 6406 56194 1176 25717
Dengen-kaihatsu 4655 65728 825 30071
Fukui 250 754 59 326
Fukuyama 699 9704 187 4339
Hokkaido 3060 28850 659 13120
Hokuriku 2662 17127 664 7648
Jyouban 1625 15758 206 6940
Kansai 18581 114707 3132 50846
Kashima 1400 12380 141 5407
Kimitsu 950 12745 177 5533
Kyushu 9321 57229 1480 27448
Mizushima 543 6946 106 3107
Okinawa 1290 8134 477 4018
Ooita 500 7837 85 3351
Sakai 150 1530 63 594
Sakata 700 9468 86 4229
Shikoku 3171 29611 554 13113
Sumitomo 463 2456 97 990
Tobata 781 10446 104 4488
Tohoku 7868 73705 107 34228
Tokya 29254 280478 3751 127538
Tomakomai 250 1817 55 790
Toyama 500 6192 84 2703
Wakayama 306 4541 112 1921
 Resultados

Eficiencia

Podemos observar que solo las empresas con valor 1 son eficientes.

Peers

Observando los peers, vemos dos tipos de eficiencias.

En el ejemplo de la flecha naranja podemos observar que

hay 3 valores de peers y que ninguno de ellos es el suyo
propio, por lo tanto, esta empresa es ineficiente y necesita
la empresa 3, 14 y 21 para serlo.

En el ejemplo de la flecha azul se observa lo contrario, la

empresa es eficiente y solo depende si misma para serlo.
Esto lo podemos observar porque solo tiene un peer y es su
mismo valor.
2. En la tabla adjunta se detallan datos de producción y de uso de recursos para 28 sectores industriales.

Producció Consumos
n Trabajo intermedio Capital Carbón
(millones (miles de s (millones (millones (miles de Gas Electricida
Secto de euros) personas) de euros) de euros) toneladas) (hm3) d (GW·h)
r Y L CI K E1 E2 E3
S1 9500,8 138,2 4238,2 6912,1 50,0 155,0 8253,0
S4 44409,7 431,2 34273,0 12726,8 1040,0 685,0 5930,0
S5 4250,8 23,4 3109,4 1861,2 48,0 98,0 623,0
S6 1367,9 7,0 799,9 729,5 3,0 13,0 218,0
S7 3595,0 59,9 2311,6 917,7 10,0 32,0 427,0
S8 2735,1 96,8 1391,6 1223,9 3,0 6,0 98,0
S9 1136,1 29,0 770,5 348,0 2,0 5,0 80,0
S10 8468,9 136,6 5613,3 3144,0 81,0 31,0 2405,0
S11 8302,8 64,3 6130,9 2340,6 607,0 187,0 4442,0
S12 3774,9 55,9 2425,8 1371,7 0,0 14,0 364,0
S13 10586,3 14,1 10698,5 922,0 11815,0 2333,0 3407,0
S14 12508,3 82,3 9327,4 3118,3 2844,0 2768,0 7712,0
S15 2950,9 23,7 2237,1 1222,6 1,0 20,0 290,0
S16 19677,7 222,0 13764,4 5885,2 178,0 133,0 4090,0
S17 14183,9 141,5 8130,8 4695,3 915,0 1183,0 5485,0
S18 9247,8 68,4 7917,3 1505,3 1456,0 770,0 9265,0
S19 27179,3 357,9 16116,8 8873,4 27,0 157,0 2078,0
S20 11061,7 65,8 7998,2 2662,6 1,0 11,0 363,0
S21 15282,6 114,5 10390,3 3548,9 4,0 47,0 1165,0
S22 11059,6 135,1 7074,2 4370,7 26,0 43,0 1202,0
S23 33885,3 205,3 26620,7 5418,5 4,0 102,0 2534,0
S24 4731,8 46,4 3169,4 1540,4 13,0 16,0 394,0
S25 11095,0 198,3 7455,1 3923,2 6,0 12,0 1088,0
S26 3576,5 61,5 2133,9 1260,4 0,0 8,0 191,0
S27 8520,1 132,3 5497,8 2479,4 13,0 7,0 254,0
S28 22694,5 122,5 11387,0 11884,1 43018,0 1342,0 18263,0

Calcula los valores de eficiencia de cada sector, así como la reducción potencial total en el uso del
carbón, si todos los sectores fueran eficientes.
 Eficiencia Reducción potencial total en uso

Podemos ver que en la empresa 1 tiene un 1/1 de eficiencia por lo que en la reducción potencial toal en uso tiene
unos valores nulos, ya que esa eficiencia es máxima y no tiene que reducir ningún input.

En cambio la empresa 2 tiene una eficiencia de 0.3939, por lo que para llegar al 1.0 le faltan 0.6061.

Ahora e’=0.6061

Con este valor mutiplicamos los coeficientes de Y, CI y E1 por este valor e’=0.6061 y obtenemos los valores
siguentes:
3. The table attached summarizes input/output data of the main EEUU Airlines during 2019 (source: MIT
AIRLINE DATA PROJECT).

a) Define inputs and outputs.

b) Perform Data Envelopment Analysis to identify efficient and inefficient Airlines.

Airline data project 2019

$ Billions $ Billions $ Billions Millions $ Million $ Million $ Million

Total
System Outsourced
System Total Total Flight Total Flight
Total System Total Labor and System Equipment Equipment
Operating Operating Related Available Total Fuel Maintenance Maintenance
  Revenue Expenses Expenses Seat Miles Expense Expense Expense
American 45.8 42.7 13.4 248841.4 7338.6 1723.4 4162.9
Delta 47.1 40.6 13.4 251140.5 7281.5 1039.8 1739.5
United 43.3 39.0 12.8 253254.6 7175.0 1387.7 2913.5
Southwest 22.4 19.5 8.7 157296.7 4132.8 1015.4 2024.4
JetBlue 8.1 7.3 2.5 63832.0 1780.6 569.3 813.5
Frontier 2.5 2.2 0.6 28103.9 612.5 46.2 125.5
Alaska 8.8 7.7 2.3 59714.5 1492.8 355.9 597.6
Hawaiian 2.8 2.5 0.8 20564.4 519.3 216.3 302.8
Spirit 3.8 3.3 0.9 41817.3 942.4 45.0 216.0
Allegiant 1.7 1.4 0.5 15863.1 427.8 11.4 142.5

Data Source: US DOT Form 41 via BTS, Schedule P12.

#prueba
#carga datos#
datos<-read.table("activitat_3 datos.txt",header=TRUE)
datos
#crea columna output
y <- datos["STOR"]
y
#crea columnas input
x <- datos[("STOE","STLRE","TFE","TOFEME")]
x
#calcula eficiencia
e <- dea(x,y,RTS="crs")
eff(e)
print(e)
lambda(e)
peers(e)
summary(e)
#Input savings potential for each firm#
(1-eff(e)) * x
#Fully efficient units, eff==1 and no slack
sl <- slack(x,y,e)
data.frame(sl$sx,sl$sy)
y <- datos[,"STOR"]
x1<- datos[,"STOE"]
x2<- datos[,"STLRE"]
x3<- datos[,"TFE"]
x4<- datos[,"TOFEME"]
x11<-x1/y
x22<-x2/y
x33<-x3/y
x44<-x4/y

INPUTS Y OUTPUTS
DEA