MÉTODOS NO PARAMÉTRICOS Y

APOYO MULTICRITERIO A LAS DECISIONES:

EFICIENCIA DE LA EDUCACIÓN SUPERIOR EN ARGENTINA
Catalina Lucía Albertoa, Claudia Carignanob
a
Facultad de Ciencias Económicas, Universidad Nacional de Córdoba. Argentina.
cazcona@eco.unc.edu.ar, http://www.fce.unc.edu.ar
b
Facultad de Ciencias Económicas, Universidad Nacional de Córdoba. Argentina.
claudiacarignano@yahoo.com.ar, http:// www.fce.unc.edu.ar

Palabras Clave: Métodos de Apoyo Multicriterio – Métodos no Paramétricos DEA -

Evaluación de Eficiencia - Universidades Públicas Argentinas.

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.

3 APLICACIÓN DEL MÉTODO DEA

DEA es una herramienta que permite comparar la eficiencia relativa de un grupo de
unidades (DMUs) que utilizan el mismo tipo de entradas para producir un mismo grupo de
salidas. La metodología identifica unidades eficientes y permite hallar indicadores de gestión
relativa para cada unidad con relación a aquellas que presentan el mejor desempeño. Además
permite identificar y cuantificar las ineficiencias con relación a las entradas y salidas, dando
así pautas para el mejoramiento de las distintas unidades analizadas.
Esta metodología, basada en la Programación Matemática, fue desarrollada a partir de los
trabajos fundacionales de Charnes, Cooper y Rhodes (1978) y Banker, Charnes y Cooper
(1984) conocidos como modelos clásicos. DEA ha tenido un fuerte impacto tanto en el sector
público como privado, en una gran cantidad de aplicaciones relacionadas con competitividad,
productividad y eficiencia en diversos campos (bancos, salud, servicios en general, educación,
producción, etc.).

3.1 Modelo de Evaluaciones Cruzadas (EC)

Los modelos DEA clásicos no permiten obtener un orden total de los scores de eficiencia,
dado que a todas las unidades eficientes les asignan un índice igual a uno -sin ser
necesariamente equivalentes desde el punto de vista de la eficiencia-. Para subsanar este tema,
se han propuesto modificaciones a los modelos clásicos, como el modelo Supereficiente
(Andersen y Petersen, 1993) y el modelo de Evaluaciones Cruzadas (Doyle y Green, 1994).
A través del modelo de Eficiencias Cruzadas se plantea evaluar la performance de una
unidad, utilizando los pesos óptimos de entradas y salidas de las otras unidades. Esta
metodología tiene como idea principal utilizar DEA en una evaluación de conjunto. Es decir,
cada DMU es evaluada según los esquemas de ponderaciones óptimos de las otras DMUs,
siendo la eficiencia cruzada, la media de todas esas eficiencias. De esta manera, se puede
obtener un orden completo de todas las unidades analizadas. Para el análisis DEA, se
consideró como DMUs del modelo a las universidades públicas de Argentina. Los índices de
eficiencia obtenidos por este modelo se muestran en la tabla 1.

4 APLICACIÓN DEL MÉTODO TOPSIS

Hwang y Yoon (1995) desarrollaron la técnica TOPSIS (Technique for Order Preference
by Similarity to Ideal Solution) basándose 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. Una solución ideal se define como un
conjunto de niveles (o puntuaciones) ideal respecto a todos los atributos considerados de un
determinado problema, aun cuando la solución ideal usualmente sea imposible o no sea
factible de obtener. En consecuencia, desde este punto de vista la racionalidad de la conducta
humana consiste en ubicarse lo más cerca posible de tal solución ideal y en alejarse lo más
posible de una solución antiideal o ideal negativa.
TOPSIS define un índice llamado similaridad (o proximidad relativa) 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 mas
cerca posible a la máxima similaridad respecto a la solución ideal positiva.
 A+
Atributo - * A1
*
* *
A2
*
A-
Atributo +
Figura 1: Método TOPSIS

En el gráfico (Hwang y Yoon, 1995) se consideran las posiciones de dos alternativas A1 y

A2 respecto al ideal de un atributo de beneficio (A+) y al de un atributo de costo o desventaja
(A-). Las distancias euclídeas al ideal positivo y al ideal negativo muestran que, en este
espacio bidimensional, A1 se encuentra más cerca de A+ y que A2 está mas lejos del antiideal
A-. Debido a esta situación de ambigüedad es necesario determinar el índice de similaridad de
las dos alternativas, valor mediante el cual se tiende a maximizar la distancia relativa al ideal
negativo respecto a la suma de las distancias respecto al ideal positivo y al ideal negativo
respectivamente. Este modelo de preferencia con la metodología TOPSIS puede ser explicado
de modo análogo al comportamiento del consumidor respecto a sus curvas de indiferencia de
la teoría económica.

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)

Finalmente el índice de similaridad al ideal positivo se evalúa como el cociente:

Si− (6)
Ci* =
( Si+ + Si− )

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.

4.1 Relación de eficiencia con el Método TOPSIS

En su expresión más general la función de valor de un caso o de una alternativa i respecto a
un atributo j (xij) puede expresarse como:
n
V ( Ai ) = Vi = ∑ w j × v j ( xij ) (7)
j =1

Donde vj es la función de valor atribuida al criterio j, y wj es el sistema de ponderación de

los criterios j. En el caso más simple en que la función de valor vj coincida con el puntaje xij,
entonces, si rij representa al puntaje normalizado, el valor total de la alternativa i está dado
por: n
Vi = ∑ w j × rij (8)
j =1

La Relación de Eficiencia (RE) consiste en determinar un indicador de Salida-Entrada,

mediante la construcción de un cociente de indicadores parciales que tiene por numerador el

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.

5 ANÁLISIS DE LOS RESULTADOS

En la siguiente tabla se muestran los resultados obtenidos en la aplicación de cada método.

UNIVERSIDAD TOPSIS DEA

Quilmes 0,7201 0,8890
Lomas de Zamora 0,4564 0,7668
La Plata 0,3994 0,8996
Buenos Aires 0,3819 0,7420
Córdoba 0,3814 0,7487
Nordeste 0,3672 0,6875
Rosario 0,3465 0,7669
Mar del Plata 0,3426 0,7721
Del Sur 0,3086 0,6579
Comahue 0,2982 0,6445
Río Cuarto 0,2657 0,6090
San Luis 0,2642 0,5778
Luján 0,2468 0,5461
Litoral 0,2456 0,5732
Tucumán 0,2383 0,5537
 Centro Bs. As. 0,2373 0,5213
Jujuy 0,2331 0,5412
Misiones 0,2277 0,4524
Salta 0,2202 0,4867
Cuyo 0,2161 0,5093
Sgo del Estero 0,2033 0,4930
La Matanza 0,1857 0,3308
Entre Ríos 0,1705 0,4236
Formosa 0,1591 0,3253
Catamarca 0,1587 0,4120
La Pampa 0,1382 0,3802
Gral. San Martín 0,1260 0,2827
UTN 0,1154 0,2656
San Juan 0,0957 0,2782
La Patagonia SJB 0,0464 0,2005
Tabla 1: Índices de Eficiencia

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.