Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen. Este trabajo evalúa eficiencia de las Universidades Públicas en Argentina. Se utilizan y
comparan resultados de dos metodologías: un modelo no paramétrico (DEA1) y el método TOPSIS2 de
Decisión Multicriterio . DEA es una herramienta de programación matemática, que permite comparar
la eficiencia relativa de un grupo de unidades que utilizan el mismo tipo de entradas para producir un
mismo grupo de salidas. Los modelos DEA miden la eficiencia relativa de cada unidad respecto a una
frontera empírica, como el cociente de distancias entre la unidad y otra potencialmente eficiente. En
este trabajo se utilizará el modelo Cross Efficiency (Doyle y Green, 1994), mediante el cual se
obtendrá un ordenamiento completo de las universidades. Los Métodos de Apoyo Multicriterio (MC)
son metodologías relativamente recientes caracterizadas por insertarse en contextos muy diversos
para la toma de decisiones. Se trabaja con el método TOPSIS (Yoon y Hwang, 1995), basado en el
concepto que es deseable que una alternativa determinada se ubique a la distancia más corta respecto
de una solución ideal positiva y a la mayor distancia respecto a una solución ideal negativa. TOPSIS
define un índice llamado similaridad respecto a la solución ideal positiva combinando la proximidad
a la solución ideal positiva y la lejanía respecto a la solución ideal negativa. Se selecciona aquella
alternativa que se ubica lo más cerca posible a la máxima similaridad respecto a la solución ideal
positiva. De la aplicación de estos métodos se concluye que: a) la ordenación de eficiencia de las
universidades analizadas presenta relativamente alta correlación. entre ambos métodos; b) que las
diferencias registradas obedecen a los supuestos de cada uno de ellos, en particular DEA impone
restricciones más severas que el método TOPSIS y c) se proponen ulteriores líneas de investigación
para la comprensión del uso de recursos en educación superior, con el empleo de los métodos
comparados.
1
Data Envelopment Analysis
2
Technique for Order Preference by Similarity to Ideal Solution
1 INTRODUCCIÓN
En el campo de la economía de la educación, el afán por garantizar la eficiencia de los
servicios prestados se puede abordar a través del análisis de la eficiencia de las unidades de
decisión educativas3. A tal fin, debemos entender estas instituciones como entes complejos,
los cuales producen múltiples salidas (salidas) a partir de la combinación de un conjunto dado
de entradas (entradas).
En Argentina en las últimas décadas, el crecimiento de la demanda de educación superior y
la diversificación de la oferta institucional tuvieron lugar en un contexto de políticas
constrictivas del déficit fiscal. La actual situación de restricción de fondos públicos
disponibles para el sector educativo en general y universitario en particular, trajo como
consecuencia la necesidad de incrementar la eficiencia en la utilización de los recursos. Por
otra parte, la sociedad, que sostiene total o parcialmente a las universidades con su
contribución impositiva, aspira a que la calidad de la enseñanza, la eficiencia de la gestión y
la equidad en la distribución de sus servicios, sean garantizadas de alguna manera. La
educación de nivel superior en Argentina, tiene una participación considerable y creciente
dentro del sistema educativo (15,6% de la matrícula total del sistema educativo). El 86 % de
la misma es provista por el sector estatal. Con respecto a los recursos financieros destinados a
las universidades nacionales, son muy bajos en términos de gasto por alumno cuando se los
compara internacionalmente. Así, el gasto promedio por alumno de nivel terciario en
Argentina para el año 1999 era de 2.408 dólares, mientras que en el año 2003, como
consecuencia de la crisis financiera del 2002, ese monto se redujo a 478 dólares por alumno.
En los países de la OECD (Organization for Economic Cooperation and Development) es de
12.081 dólares. En países europeos como España, el gasto por alumno es de 4.966 dólares.
México tiene un gasto promedio por alumno de 5.071 y Chile (con alto componente de
financiamiento privado) de 10.385 dólares. (OECD, 1997)4. Otra característica del sector
universitario nacional es la muy baja proporción de docentes con dedicación exclusiva. En el
año 2000 sólo el 14% tenía dedicación exclusiva. Con respecto a la actividad de
investigación, Argentina destinó en 1997 el 0,38% del PBI para su financiamiento, porcentaje
muy inferior a otros países latinoamericanos como Brasil 0,76%, Chile 0,64% o de la OECD
como España 0,89%, Canadá 1,56% y Estados Unidos 2,32% (RICYT, 1999). A partir de
estas características tan particulares del sistema universitario argentino, nos planteamos
evaluar la eficiencia con que cada universidad pública utiliza los escasos recursos asignados.
2 SELECCIÓN DE VARIABLES
Las variables fueron seleccionadas a partir de un conjunto de candidatas mediante la
aplicación del método “Selección de Variables para el incremento del poder de discriminación
en los modelos DEA” (Estellita Lins, 2004), resultando las siguientes:
Entradas:
Docentes_EDE: tamaño de la planta de cargos docentes, equivalente a dedicación
exclusiva, según Universidad.
Ejec-presup: ejecución presupuestaria (gasto total) en millones de pesos, en el año 2000.
Incluye las fuentes de financiamiento: Tesoro Nacional, recursos propios, remanente de
ejercicios anteriores y otras fuentes.
Salidas:
Alumnos: cantidad de alumnos activos en carreras de grado por Universidad.
3
El concepto de unidades de decisión (DMUs - decisión making units-) fue inicialmente empleado por Charnes, Cooper y
Rhodes (1978) al referirse a las organizaciones que actúan en el ámbito público.
4
En todos los casos el gasto está medido en dólares paridad poder adquisitivo.
Egresados: egresados de carrera de grado por Universidad
Produc_Invest: producción en investigación por Universidad.
Denotando con
{
A+ = v1+ ,......, vn+ } (1)
el vector de los vj+ mejores valores para el conjunto de criterios (ideal positivo), y con
{
A− = v1− ,......, vn− } (2)
los vj- peores valores alcanzables o no deseables para el mismo conjunto (ideal negativo), el
método TOPSIS determina primero el valor normalizado ponderado de cada alternativa i
respecto al criterio j mediante aplicación de la distancia euclidiana como:
x
rij = mij (3)
2
∑ xij i =1
Los coeficientes rij normalizados son luego ponderados obteniéndose los valores
(4)
vij = w j × rij
Se calculan las distancias de cada alternativa i al ideal positivos S+i y al ideal negativo S-i
con las expresiones:
n n
Si+ = ∑ (v
j =1
ij − v +j ) 2 S −j = ∑ (v
j =1
ij − v −j ) 2 (5)
Es decir que cuanto más elevado es el índice C*i más lejos se sitúa la alternativa i respecto
al ideal negativo en relación a las distancias totales a los dos ideales y por tanto más preferida
resulta su posición global. En el presente trabajo todas las variables tienen igual ponderación,
y fueron consideradas variables a maximizar Docentes_EDE y Ejec-presup, en tanto que,
Alumnos, Egresados y Produc_Invest , debían ser minimizadas.
REi =
VOi
= ∑ro
ij
(9)
VI i ∑r
ij
i
valor del índice compuesto de los flujos salientes y por denominador el valor del índice
compuesto de los flujos entrantes.
Donde VOi es el valor de los salidas, en tanto que VIi es el valor de los entradas, obtenidos
ambos mediante una simple agregación de los puntajes normalizados (equiponderados) de los
flujos salientes (rij0) y de los flujos entrantes (riji) respectivamente. El indicador RE se
constituye en una relación producto-insumo que brinda una estimación de la eficiencia de los
procesos productivos de cada universidad.
En la tabla 1 se puede observar el ranking de eficiencia de las universidades públicas
argentinas, obtenido mediante la aplicación del método TOPSIS.
Un estudio estadístico de los rankings obtenidos por cada metodología revela que hay una
muy elevada correlación, según puede observarse en la siguiente tabla:
TOPSIS DEA
TOPSIS 1 0,90408868
DEA 0,90408868 1
Tabla 2: Coeficientes de Correlación
Es de esperar que esta alta correlación se deba a que ambos métodos buscan determinar un
ranking de eficiencia a partir de datos observados. No obstante, las unidades de referencia en
DEA siempre son unidades factibles tecnológicamente, mientras que TOPSIS trabaja con
ideales no pertenecientes al conjunto de unidades analizadas.
Así DEA calcula, mediante un modelo lineal, los índices de eficiencia para cada
universidad mediante un cociente de distancias euclídeas, relacionando cada unidad analizada
con aquellas que verifican mejor desempeño.
En el método TOPSIS se trabajó utilizando como datos de cada universidad, medidas de
eficiencias parciales (salida/entrada), calculando a partir de distancias euclídeas el índice de
similaridad al ideal positivo. Así, cuanto más elevado resulte el índice, la universidad
considerada se situó más lejos respecto al ideal negativo en relación a las distancias totales a
los ideales y por lo tanto más preferida resultó su posición de eficiencia global.
En definitiva, ambos métodos, desde sus diferentes formas de operar, obtienen una
ordenación respecto a la eficiencia de las universidades a partir de los valores de entradas y
salidas observados.
6 CONCLUSIONES
Comparando los resultados obtenidos con la aplicación de los dos enfoques, se puede
observar que el ranking de eficiencia no ha sufrido variaciones significativas. Las diferencias
observadas se originan en la forma en que operan los métodos. Recordemos que DEA es un
método de programación matemática, que realiza un análisis global del problema, donde todas
las DMUs son comparadas al mismo tiempo, empleando la relación entradas/outputs de la
unidad evaluada con todas las de las restantes unidades presentes en el problema.
Para este caso en particular cabe destacar a) que el método DEA es relativamente sensible
a las especificaciones de los entradas y de los outputs; b) que el Modelo TOPSIS como
relación Producto-Insumo ha revelado ser el que mejor se aproxima a los ordenamientos
obtenidos con DEA, y cuyo ranking global coincide con este método en la clasificación de las
unidades más eficientes así como las menos eficientes, hecho que apoyaría su utilización
como mecanismo de control de las estimaciones brindadas por DEA.
Los resultados del análisis no son conclusivos, los mismos están condicionados por la
disponibilidad y calidad la de información disponible. Es de esperar que en un futuro
próximo, se apliquen las políticas necesarias para contar en este y otros sectores del Estado,
de datos actualizados, completos y obtenidos de forma homogénea a fin de mejorar
sustancialmente los resultados de este tipo de estudios.
BIBLIOGRAFÍA
Alberto C y Pérez Mackeprang C. (2001, 2002): “Medida de la Eficiencia Técnica Utilizando
Programación Matemática. Métodos DEA”. Revista de la Escuela de Perfeccionamiento
en Investigación Operativa. Nº 21 (Primera Parte) pp. 44-62 y Nº 22 (Segunda Parte) pp.
17-36. ISSN 03297322.
Andersen, P., Petersen, N.C. (1993): A Procedure for Ranking Efficient Units in Data
Envelopment Analysis. Management Science 39, 1261-1264.
Banker, R. D., Charnes, A. y Cooper, W. W. (1984): Some Models for Estimating Technical
and Scale Inefficiencies in Data Envelopment Analysis. Management Science, vol. 30 (9),
pp. 1078-1092.
Carignano C, Autran Monteiro Gomes L. y González Araya M. (2002): Toma de Decisión
en Escenarios Complejos. Introducción a los Métodos Discretos del Apoyo Multicriterio
a la Decisión. Editorial: Pioneira Thomson Learning Ltda. Brasil.
Charnes A., Cooper W. y Rhodes E. (1978): Measuring the Efficiency on Decision Making
Units. European Journal of Operations Research, vol. 2 (6), pp. 429-444.
Doyle J. y Green R. (1994): Efficiency and Cross –efficiency in DEA: Derivations, Meanings
and Uses. Journal of Operations Research Society, vol. 45 (5), pp. 567-578.
Doyle J. y Green R. (1994): Efficiency and Cross –efficiency in DEA: Derivations, Meanings
and Uses. Journal of Operations Research Society, vol. 45 (5), pp. 567-578.
Estellita Lins M, Soares de Melo JC, Angulo Meza E. (2004): Selección de Variables para el
Incremento del Poder de Discriminación en los Modelos DEA. Revista de la Escuela de
Perfeccionamiento en Investigación Operativa, 24, pp. 40-52.
Vincke, PH. (1989): L’aide multicritère à la décision, editions de l’ université de bruxelles.
Yoon, K. P. y Hwang C. (1995): Multiple attribute decision making, Sage university paper.