Académique Documents
Professionnel Documents
Culture Documents
Por
José Vidal Martı́nez Franquis
INFORME DE PASANTÍA
Presentado ante la ilustre Universidad Simón Bolı́var
como requisito parcial para optar al tı́tulo de
Licenciatura en Matemáticas opción Estadı́stica y Matemáticas Computacionales
Por
José Vidal Martı́nez Franquis
INFORME DE PASANTÍA
Presentado ante la ilustre Universidad Simón Bolı́var
como requisito parcial para optar al tı́tulo de
Licenciatura en Matemáticas opción Estadı́stica y Matemáticas Computacionales
iv
AGRADECIMIENTOS
A Dios en primer lugar, por darme la persistencia, amor, voluntad, y brindarme muchas
bendiciones para lograr el término de esta carrera.
A mis padres Vidal Martı́nez y Daisy Franquis, por todo su apoyo incondicional, por la
formación y la fuerza que me han dado, por todos sus consejos, por guiarme en el camino del
bien y por alentarme para el logro de mis metas.
A mis hermanos Dalvin y Daivisel Martı́nez, que han estado a mi lado y acompañado en
los buenos y en los malos momentos, además me motivan a ser mejor persona, a crecer y a
salir adelante.
A mi abuela y mis tı́os, por su amor y cariño, y por haberme brindado todo el apoyo que
necesitaba.
A mis amigos Sandy, Alisbel, Emily, Aura, Astrid, Danny, Luis y Adrian que me han
acompañado durante toda mi carrera universitaria, porque han sido como una familia para
mı́, gracias por todo el apoyo y todos los momentos especiales que compartimos durante estos
años en la universidad.
Además quiero agradecer a todos mis los profesores de la Universidad Simón Bolı́var que
han contribuido con mi formación profesional, especialmente a la profesora Zoraida Martı́nez
por ser mi tutora, por su orientación, interés y paciencia durante la realización de este proyecto
de pasantı́a.
A el tutor industrial, José Contreras por permitirme participar en este proyecto, por su
ayuda y su dedicación.
A todos aquellos que de una u otra forma siempre estuvieron pendientes de mi pasantı́a,
sin ustedes, tampoco hubiera sido posible alcanzar esta meta.
v
ÍNDICE GENERAL
RESUMEN iv
AGRADECIMIENTOS v
ÍNDICE GENERAL vi
ÍNDICE DE FIGURAS ix
LISTA DE ACRÓNIMOS x
INTRODUCCIÓN 1
vi
2.5. Medición de la Eficiencia utilizando distancias . . . . . . . . . . . . . . . . . 17
2.5.1. Medidas de Orientación Input . . . . . . . . . . . . . . . . . . . . . . 18
2.5.2. Medidas de Orientación Output . . . . . . . . . . . . . . . . . . . . . 19
2.6. Eficiencia Escala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.7. Análisis Envolvente de Datos (DEA) . . . . . . . . . . . . . . . . . . . . . . 24
2.7.1. DEA CCR en forma multiplicativa. . . . . . . . . . . . . . . . . . . . 26
2.7.2. DEA CCR (dual) en forma matricial . . . . . . . . . . . . . . . . . . 27
2.7.3. Método DEA CCR en dos etapas . . . . . . . . . . . . . . . . . . . . 28
2.7.4. Modelo DEA BCC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.7.5. Caracterización de la eficiencia por rendimientos . . . . . . . . . . . . 31
2.7.6. Modelo DEA BCC en forma envolvente . . . . . . . . . . . . . . . . . 33
2.7.7. Orientación DEA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.8. Método de Fronteras Estocásticas . . . . . . . . . . . . . . . . . . . . . . . . 36
2.8.1. Fronteras estocásticas de Producción . . . . . . . . . . . . . . . . . . 36
2.8.2. Estimación de los Parámetros . . . . . . . . . . . . . . . . . . . . . . 39
2.8.3. Estimación de la Eficiencia Técnica . . . . . . . . . . . . . . . . . . . 40
2.8.4. Prueba de Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.9. Comparación de los métodos DEA y SFA . . . . . . . . . . . . . . . . . . . . 41
CONCLUSIONES Y RECOMENDACIONES 63
vii
ÍNDICE DE TABLAS
viii
ÍNDICE DE FIGURAS
ix
LISTA DE ACRÓNIMOS
DEA Análisis Envolvente de Datos, llamado ası́ por sus siglas en ingles data envelopment
analysis
SFA Análisis de Fronteras Estocásticas, llamado ası́ por sus siglas en ingles stochastic frontier
analysis
DMU Unidad productiva o Tomadora de decisiones, son llamadas DMU por sus siglas en
inglés Decision Making Unit
EE Eficiencia a escala
x
INTRODUCCIÓN
comercial.
El presente trabajo tiene como objetivo obtener una frontera eficiente mediante los dos
métodos antes mencionados y ası́ una estimación de la eficiencia técnica de un conjunto de
empresas venezolanas del año 2007. De esta manera se puede determinar el estado de la
productividad. Para el cumplimiento de esto se planteó lo siguiente: Investigar los conceptos
básicos para el planteamiento de una frontera de producción, la eficiencia técnica, los tipos de
rendimientos presentados en una producción, ect; el estudio del análisis envolvente de datos
y el método de fronteras estocásticas para la estimación de la eficiencia; adquirir habilidades
en el uso del software STATA para la aplicación de los distintos modelos y estimaciones
estadı́sticas; analizar los resultados obtenidos de cada modelo.
CAPÍTULO I
DESCRIPCIÓN DE LA EMPRESA
1.1. Misión
1.2. Visión
Que consolida su integración con el proceso nacional para cooperar con el desarrollo
del paı́s.
MARCO TEÓRICO
En primer lugar, se deben tener claro algunas definiciones y conceptos para la introducción
de los modelos de frontera eficiente. Algunos de los términos más importantes que se deben
tener claro son los de productividad, eficiencia técnica, economı́as de escala, frontera de
producción, y conjunto de posibilidades de producción.
Si se supone que una empresa produce un producto con un insumo. Se define la produc-
tividad de una unidad productiva o DMU como la proporción de la Salida entre la Entrada
y se denota como,
Salida
P roductividad =
Entrada
La estimación de la eficiencia relativa surge del cálculo del cociente de la Salida entre la
Entrada, que es una estimación de la productividad de una unidad que tenga una variable
de Entrada y una de Salida
Pero esta medición no es precisamente apropiada en todos los casos, ya que la unidad
productiva puede llegar a tener más de un valor de Entrada y Salida. Por esta razón se
planteó la siguiente expresión para estimar la eficiencia técnica de cada DMU.
Suma de Salidas
Suma de Entradas
Pero cuando hay existencia de heterogeneidad de las Entradas y de las Salidas (Por
ejemplo si se tienen como Entradas las variables trabajo y activos, estas no se pueden sumar
ya, que son variables distintas que se tomaron con medidas diferentes) entonces es necesario
considerar normalizar estos valores. Para cumplir con este objetivo se consideran unos pesos
o multiplicadores, y ası́ se obtiene la siguiente formula:
S
ur yrj
u1 y1j + u2 y2j + ... + uS ySj
Ef iciencia = = r=1
v1 x1j + v2 x2j + ... + vM xM j M
vi xij
i=1
Esta expresión planteada por Charnes, Cooper y Rhodes (1978) tiene el objetivo de en-
contrar un conjunto de pesos u y v, que dan una medida del tipo determinista de la eficiencia
para una unidad productiva. La técnica DEA estima un conjunto de pesos o multiplicadores
óptimo para cada DMU, proporcionando ası́ la eficiencia técnica.
La productividad y la eficiencia son usadas con frecuencia de forma indistinta, pero no
significan lo mismo, a pesar de que están muy relacionadas. Alvarez (2002) propone que
cuando se habla de productividad normalmente se hace referencia al concepto de producti-
vidad media de un insumo, es decir, al número de unidades de Salida o producto que son
producidas por cada insumo.
Figura 2.2: Productividad, Eficiencia técnica y Economı́as de escala (Coelli et al. 2005)
En la figura 2.2 se ilustra un ejemplo de una producción con una variable de Entrada x
y una de Salida y. Con el insumo x se produce la cantidad y. La curva 0F representa la
frontera de producción que puede ser útil para definir la relación entre la Entrada y la Salida.
La frontera de producción representa el máximo valor de Salida que se puede producir por
cada nivel de Entrada, de hecho esta frontera refleja el estado de la tecnologı́a en la industria,
ya que si una empresa puede producir una cantidad de producto con determinados insumos,
entonces da por hecho que existe la tecnologı́a para operar de esa manera.
8
Una unidad productiva que opera en la frontera es técnicamente eficiente, pero si esta por
debajo de la frontera, esta unidad es identificada como técnicamente ineficiente. En la figura
2.2 el punto A representa una DMU ineficiente mientras que los puntos B y C representan
unidades de producción eficientes. La DMU dada por el punto A es ineficiente, ya que existe
la tecnologı́a para aumentar las Salidas al nivel de la unidad B con la misma cantidad de
Entradas.
Además en la figura 2.2 se puede ilustrar el concepto del conjunto de posibilidades de
producción, que es el conjunto de todas las combinaciones que se puede tener de las variables
de Salida y Entrada. Este conjunto esta representado como todos los puntos o pares (x, y)
que están entre la frontera de producción 0F 0 y el eje x. Los puntos que están en la curva
0F 0 , es el subconjunto donde las unidades son caracterizadas como eficientes. Esta definición
de conjuntos de la tecnologı́a de producción es ventajosa cuando se tienen múltiples variables
de Entrada y Salida.
La diferencia entre la eficiencia técnica y la productividad se puede ilustrar en la figura
2.2. En la figura se presenta una recta que parte desde el origen hasta un punto (x, y). La
pendiente de la recta es y/x y provee de una medida de productividad (o producto medio del
insumo x). En cambio la medida de la eficiencia va a estar determinada por la distancia de
la DMU hasta la frontera de producción.
Si la unidad productiva dada por el punto A se mueve al punto B, que es técnicamente
eficiente y la pendiente de la recta va a aumentar. Esto implica que también va a aumentar su
productividad y eficiencia como la del punto B. El punto C representa la unidad productiva
que tiene la mayor productividad, debido a que la recta asociada es la que tiene mayor
pendiente. Es posible que la unidad A se mueva hasta la unidad C, entonces la unidad va a
ser eficiente y va a tener la mayor productividad asociada.
En economı́a se pueden tomar acciones para que una unidad de producción utilice los
mismos insumos para obtener un mayor producto, y ası́ una eficiencia mayor. La economı́a
de escala se refiere al poder que tiene una empresa cuando alcanza un nivel óptimo de
producción para ir produciendo más a menor coste, es decir, a medida que la producción en
una empresa crece, sus costes por unidad producida se reducen. En particular una unidad de
producción o DMU puede ser técnicamente eficiente pero estar en la capacidad de mejorar
su productividad haciendo uso de economı́as de escala.
En algunas ocaciones la data presentada contine la información de los precios, y se tiene
como objetivo la minimización de los costos y la maximización de los beneficios, entonces
es necesario, que se estime el desempeño de la DMU. Por esta razón, se puede considerar la
eficiencia asignativa, además de la eficiencia tecnica. La eficiencia asignativa mide la cantidad
de insumos (por ejemplo trabajo y capital) que se producen a un costo mı́nimo. La eficiencia
9
Se van a presentar los conceptos económicos necesarios para una correcta comprensión de
la eficiencia y la medición de la productividad. Para ello se debe suponer lo siguiente:
2. Una empresa es técnicamente eficiente en el sentido de que utiliza sus insumos para pro-
ducir los máximos resultados que son tecnológicamente factibles (este último supuesto
se puede cambiar, como se observará más adelante, usando las distintas orientaciones
del método DEA)
Se considera una empresa que utiliza M insumos distintos (por ejemplo, Mano de obra,
maquinaria, materias primas) para producir un solo producto o Salida. La frontera de pro-
ducción de una empresa o unidad productiva se puede resumir con la siguiente función de
producción
q = f (x),
2.2.1. Propiedades
Para los valores de x representados en el eje horizontal, los valores de q son todos los
números reales no negativos y finitos. Ası́, la función satisface la propiedad P1 de no
negatividad.
se cumple en estos puntos. Sin embargo, la concavidad se cumple en todos los puntos
en el segmento curvo DR.
∂f (x)
P Mn =
∂xn
Hay muchas razones de por que las empresas pueden experimentar los diferentes rendi-
mientos de escala. Por ejemplo, una empresa puede exhibir economı́as de escala si la contra-
tación de más personal permite cierta especialización del trabajo, pero con el tiempo puede
ser clasificadas como deseconomı́as de escala, si llega a ser tan grande que la gestión ya no es
capaz de ejercer un control efectivo sobre el proceso de producción. Las empresas que pueden
replicar todos los aspectos de sus operaciones en el tiempo tienen rendimientos constantes
a escala. Las empresas que operan en las regiones de rendimientos crecientes a escala son a
veces considerados como demasiado pequeñas, mientras que las empresas que operan en las
regiones de rendimiento decreciente suelen ser considerados como demasiado grandes. En el
ámbito empresarial, tanto privado como público, estas consideraciones a veces dan lugar a
fusiones, adquisiciones, la descentralizaciones del trabajo, la reducción de personal y otros
cambios en la estructura organizacional.
Este conjunto se compone de todos los vectores de Entrada y Salida (x, q), tales que con
los insumos x se pueda producir la cantidad resultante q. Como se presentó anteriormente,
este conjunto de tecnologı́a de producción también puede representarse mediante una función
de producción q = f (x1 , x2 , ..., xM ), pero esta definición es más general ya que contempla la
posibilidad de tener múltiples variables de Salida.
La tecnologı́a de producción puede ser representada y descrita con el conjunto de Entrada
y Salida que se definirá a continuación.
ii Los niveles de producción positivos no pueden ser producidos a partir de niveles de cero
insumos
v P (x) es cerrada
La propiedad de estar acotada de P (x) implica que no podemos producir niveles ilimitados
de producto con un conjunto dado de insumos. Convexidad implica que si dos combinacio-
nes de niveles de Salida pueden ser producidos con un vector de entrada x dado, entonces
cualquier medida ponderada de estos vectores de Salida puede también ser producida.
iii Se dice que las Entradas satisfacen la debil disponibilidad de insumos, es decir, si
x ∈ L(q) entonces, para todo λ ≥ 1, λx ∈ L(q)
La función de distancia input esta definida en el conjunto de entrada L(q), como sigue:
donde el conjunto de entrada L(q) representa el conjunto de todos los vectores de Entrada
x, que pueden producir el vector de Salida q.
Se ilustra la función de distancia input usando un ejemplo donde se consideran dos En-
16
tradas x1 y x2 , que se utilizan para producir la cantidad q. Entonces para un vector de Salida
dado, podemos representar la tecnologı́a de producción en un gráfico de dos dimensiones
representado en la Figura 2.5. Donde el conjunto de entrada L(q) es la zona que esta por
encima de la isocuanta. El valor de la función de distancia input para el punto A es igual a
la relación ρ = 0A/0B. Donde A utiliza la cantidad x1A de entrada 1 y la cantidad x2A de
entrada 2 para producir el vector de salida q.
Cabe destacar que las funciones input y output pueden relacionarse entre sı́. Como ya se
mencionó anteriormente, si q ∈ P (x), entonces x ∈ L(q), es decir, si q pertenece al conjunto
de posibilidades de producción asociada con el vector de entrada x, entonces x pertenece al
conjunto de entradas posibles asociado con vector de salida q. Por otra parte, si las Entradas
y Salidas cumplen con la propiedad de disponibilidad débil (Es decir, si q ∈ P (X) y q ∗ ≤ q
entonces q ∗ ∈ P (X)), entonces podemos afirmar que
Esto quiere decir que si se suponen rendimientos constantes a escala entonces la función
de la distancia input es la inversa de la función de distancia output, para cualquier (x, q).
Las funciones de distancia input y output proporcionan la base conceptual de varias medi-
das de eficiencia y productividad. Estas funciones de distancia pueden estimarse directamente
utilizando cualquiera de los métodos econométricos o de programación matemática como el
Análisis de Fronteras Estocásticas (SFA) o el Análisis Envolvente de Datos (DEA).
la tecnologı́a de producción. Estas dos medidas se combinan entonces para proporcionar una
medida de la eficiencia económica total
Farrell planteó la eficiencia como la máxima reducción de los insumos (Entradas), que
generalmente se llaman medidas de orientación hacia las entradas o de orientación input.
Farrell ilustra sus ideas usando un ejemplo que implica las empresas que utilizan dos
entradas (x1 y x2 ) para producir una sola salida q, bajo el supuesto de rendimientos constantes
a escala. En la figura 2.6 la isocuanta SS’permite la medición de la eficiencia técnica. La
ineficiencia de una DMU representada por el punto P, puede ser determinada por la distancia
QP; la cual es la cantidad proporcional que se pueden reducir los insumos sin alterar la
producción, en otras palabras es la reducción proporcional de las Entradas sin disminuir la
Salida. Esto normalmente se expresa por la relación QP/0P , que representa el porcentaje de
reduccı́on de las Entradas para lograr una producción eficiente técnicamente. La eficiencia
técnica ET de una empresa se mide con mayor frecuencia por la relación
ET = 0Q/0P = 1 − QP/0P
La medida ET toma un valor entre cero y uno, por lo tanto, proporciona un indicador
del grado de eficiencia técnica de la empresa. Un valor de uno implica que la empresa es
totalmente técnicamente eficiente. Por ejemplo, el punto Q es técnicamente eficiente, ya que
se encuentra en la isocuanta eficiente.
La medida input orientada de la eficiencia técnica de una empresa puede ser expresada
en términos de la función de distancia input di (x, q) como sigue:
T E = 1/di (x, q)
La medida de la eficiencia con orientación output esta definida por la cantidad propor-
cional en que puede aumentar el producto (Salidas), sin alterar los insumos (Entradas). En
la figura 2.7 se muestra la diferencia que existe en la orientación input y output en el caso
que se tiene una Entrada x y una Salida q. En la figura 2.7 (a) se consideró una tecnologı́a
de rendimientos decrecientes a escala escala, representada por f (x). En cambio en la figura
2.7 (b) se presentan rendimientos constantes a escala. Para la estimación de la eficiencia con
orientación input se establece la siguiente medida ET=AB/AP, por otro lado si se quiere
estimar la eficiencia con orientación output se considera la medida ET=CP/CD.
Alternativamente se puede ilustrar el caso en que se tienen dos Salidas q1 y q2 , una Entra-
da x, en la figura 2.8. Si se asume una tecnologı́a de rendimientos constantes a escala (CRS),
la curva ZZ’representa la curva de posibilidades de producción y el punto A corresponde a
una DMU ineficiente. Si asumimos CRS podemos representar la tecnologı́a por una curva
de posibilidades de producción en dos dimensiones. Tenga en cuenta que la empresa inefi-
ciente A se encuentra por debajo de la curva, porque ZZ 0 representa la cota superior de las
posibilidades de producción.
La medida de eficiencia con orientacion output se define como sigue.
En esta sección se va a suponer que la empresa está utilizando una tecnologı́a de retornos
variables a escala (VRS). Entonces, la empresa implicada puede ser demasiado pequeña en
21
su escala de operación, lo que podrı́a estar dentro de los rendimientos crecientes a escala
parte de la función de producción. Del mismo modo, una empresa puede ser demasiado
grande y puede operar dentro de los rendimientos decrecientes a escala parte de la función
de producción. En ambos casos, la eficiencia de las empresas podrı́a mejorar cambiando su
escala de operaciones, es decir, para mantener la misma mezcla de entrada, pero cambiar
el tamaño de las operaciones. Si la tecnologı́a de producción presenta retornos constantes a
escala (CRS), entonces la firma se clasifica automáticamente como eficiente.
La eficiencia de escala es un concepto que es fácil de entender cuando se tiene una sola
Entrada y una sola Salida, pero es más difı́cil de conceptualizar en el caso que se tienen
múltiples Entradas y Salidas. Por tanto, primero discutimos el caso de una sola entrada y de
una sola salida.
técnicamente eficiente, no son igualmente productivas. Este fenómeno es debido a los efectos
de escala.
La empresa A está funcionando en la parte de rendimientos crecientes a escala de la
frontera de producción. Podrı́a ser más productiva, aumentando su escala de operación hacia
el punto B. El punto C está funcionando en la parte de los rendimientos decrecientes a escala
y podrı́a ser más productivos disminuyendo su escala de operación hacia el punto B.
La firma que opera en el punto B no puede ser más productiva si se cambia su escala de
operación, entonces está operando en el punto más productivo. Visualmente, este es el punto
donde la recta que parte desde el origen es tangente a la frontera de producción. Dicho punto
se puede definir como sigue
máx{x/y | (x, y) ∈ S 0 }
ETV RS = ET P = GE/GD
EE = GF/GE
ETCRS = ET G = GF/GD
La eficiencia de escala sólo se puede estimar si las fronteras V RS y CRS pueden ser
24
identificados por lo que las distancias involucradas en la definición se pueden medir adecua-
damente.
S
X
ur yr0
r=1
máx h0 = M
u,v X
vi xi0
i=1
sujeto a:
S (2.1)
X
ur yrj
r=1
M
≤1 j = 1, 2, . . . , N
X
vi xij
i=1
ur , vi ≥ 0
donde:
xi0 (xi0 ≥ 0) Representa las cantidades de Entradas i consumidas por la DMU que es eva-
luada, DMU0 .
yrj (yrj ≥ 0) Representa las cantidades de Salidas r (r = 1, 2, ..., S) producidos por la j-ésima
DMU.
yr0 (yr0 ≥ 0) Representa las cantidades de Salidas r (r = 1, 2, ..., S) producidos por la j-ésima
DMU0 .
Cabe destacar que este problema de optimización debe resolverse para cada unidad, y
obteniéndose ası́ valores de h0 , u y v. En otras palabras DEA resuelve N problemas de opti-
mización matemática, el valor asociado de la DMU0 cambia para cada problema a resolver,
por tanto se plantea un problema diferente para cada unidad productiva. Además el modelo
no lineal (2.1) intenta buscar el conjunto optimo de pesos (u, v) que maximicen la eficien-
cia relativa h0 de cada unidad; con la restricción de que ninguna unidad pueda tener una
eficiencia técnica mayor a uno.
Nótese que la eficiencia técnica relativa h0 va a tomar valores entre 0 y 1. Si h0 toma
valor 1, entonces se dice que la que la unidad0 es eficiente, mientras que si h0 es menor a uno
entonces se dice que la unidad no es eficiente.
Poco despues se cambió la condición de no negatividad (ur , vi ≥ 0) del problema frac-
cional (2.1) por una condición de positividad estricta (ur , vi ≥ ε) donde ε es un infinitésimo
(ε = 10−6 ) cuyo uso evita que una DMU, a pesar de presentar h∗0 = 1, sea incorrectamente
identificada como eficiente.
El problema fraccional quedará:
26
S
X
ur yr0
r=1
máx h0 = M
u,v X
vi xi0
i=1
sujeto a:
S (2.2)
X
ur yrj
r=1
M
≤1 j = 1, 2, . . . , N
X
vi xij
i=1
ur , vi ≥ ε
Luego surgió el modelo DEA CCR en forma multiplicativa que busca corregir el problema
de que si (u∗ , v ∗ ) es solución del problema 2.2 entonces cualquier múltiplo de esta solución
también es una solución al problema (es decir, (αu∗ , αv ∗ ) para α > 0). Entonces si se hace el
siguiente cambio de variables, propuesto por Charnes y Cooper (1962)
µr = tur
δi = tvi para t > 0
1 (2.3)
t= m
X
vi xi0
i=1
S
X
máx w0 = µr yr0
µ,δ
r=1
sujeto a:
XM
δi xi0 = 1 (2.4)
i=1
S
X M
X
µr yrj − δi xij ≤ 0 j = 1, 2, . . . , N
r=1 i=1
µr , δi ≥ ε
Pm
Notemos que el denominador a sido normalizado a la unidad i=1 δi xi0 = 1, y se agregó
27
esta condición como una restricción a nuestro problema, Coll y Blasco (2006) la llamaron
restricción de normalización.
El problema resultante es un problema de programación lineal, donde w0 estima la eficien-
cia de la unidad0 , al igual que el problema en forma fraccional. Si w0 es igual a uno entonce
es eficiente, y si es menor a uno la DMU es clasificada como ineficiente.
El modelo (2.4) puede representarse matricialmente como:
máx w0 = µt y0
µ,δ
sujeto a:
δ t x0 = 1 (2.5)
µt Y − δ t X ≤ ~0
µ, δ ≥ ~1ε
donde
Se plantea el modelo en forma matricial para obtener una notación resumida del modelo
principal DEA CCR, además ayuda a plantear la teorı́a de programación lineal que se muestra
en la próxima sección.
En materia de programación lineal se conoce que todo problema primal, tiene un problema
lineal asociado llamado dual. De este modo resolviendo el problema dual se puede determinar
la solución del primal. Según el teorema de dualidad si el problema dual tiene solución única
28
entonces el problema primal tiene solución única, y las soluciones de la función objetivo son
iguales (Chvatal, 1983).
El problema dual asociado al problema 2.5 es el que se muestra a continuación.
El problema dual asociado (2.6) posee S + M restricciones a contrario del primal que
tiene N + 1 restricciones.
Para la resolución de problemas de programación lineal el costo computacional va en
aumento a medida que hay mayor número de restricciones. Por esta razón usualmente se
resuelve el problema dual, ya que en la practica el numero de unidades productivas son
mayores a la cantidad de variables de Salida y Entrada. En efecto existe una preferencia del
problema dual sobre el primal cuando se utiliza el método de análisis envolvente de datos
DEA y es usual que en los distintos programas que tienen este método se obtenga la solución
del problema dual.
El método DEA (2.6) busca la máxima reducción de las variables de Entrada, y ası́ obtener
una medida de la eficiencia de la unidad de producción (DMU). Notemos que se pueden
obtener variables de holgura al resolver el problema, porque las restricciones son desigualdades
(En programación lineal si el problema planteado tiene restricciones de desigualdad, se deben
agregar variables de holgura).
Ali y Seiford (1993) estimaron las variables de holgura de las variables de Entrada y
Salida con el método en dos etapas; el cual busca maximizar la suma de las holguras, fijando
el valor óptimo de θ que coincide con la solución dada por el problema (2.6)
Entonces el método en dos etapas consiste en resolver dos problemas, uno en cada etapa.
El objetivo de la primera etapa es hallar el valor optimo θ. En cuanto a la segunda etapa
consiste en fijar el valor de θ determinado en la etapa anterior, y se procede a maximizar el
siguiente problema (2.7). El cual, maximiza las variables de holgura asociada a las Entradas
y las Salidas para mover radialmente el punto proyectado en la etapa 1, que satisface la
29
mı́n
+ −
− (Is+ + Is− )
λ,s ,s
sujeto a:
Xλ + s− = θx0 (2.7)
Y λ − s+ = y 0
λ, s+ , s− ≥ ~0, θ ∈ R
donde
Por otra parte, se puede considerar un modelo (2.8) que resuelve los problemas (2.6) y
(2.7). El cual no es necesario hacer las dos etapas en forma secuencial, sino que optimiza el
valor objetivo θ al igual que las variables de holgura s+ y s− .
El modelo DEA BCC fue sugerido por Banker, Charnes y Cooper (1984), y fue llamado
ası́ por sus autores. A diferencia del modelo DEA CCR, en el cual se consideran rendimientos
constantes a escala, el modelo DEA BCC plantea que estos rendimientos pueden ser variables
(VRS).
Debe señalarse que el modelo DEA BCC es una extensión del anterior, muchos de los
supuestos dados en la sección anterior pueden aplicarse, tales como la orientación que puede
ser hacia las Entradas o las Salidas, la metodologı́a una etapa o en dos etapas, entre otras.
Para evaluar la eficiencia de un conjunto de unidades de producción es necesario identificar
el tipo de rendimientos que define la tecnologı́a de producción. Estos rendimientos a escala
2
Pareto-Koopmans establece que una DMU es eficiente si θ es 1 y sus variables de holgura son cero.
30
indican los incrementos de la producción, los cuales son el resultado del incremento de todos
los factores de producción y se pueden clasificar de la siguiente manera:
Las suposiciones del modelo DEA CCR son válidas cuando todas las unidades de pro-
ducción o DMU están operando con los mismos rendimientos. Pero mientra que exista una
competencia imperfecta, o cuando hay regulaciones gubernamentales, o restricciones finan-
cieras, etc., puede causar que la unidad de producción no opere con una escala óptima. Por
esta razón Banker, Charnes y Cooper (1984) plantean una idea mas realista, al considerar
los rendimientos variables a escala VRS.
En la figura 2.11 se muestra los tipos de fronteras DEA que se pueden estimar dependiendo
de la naturaleza de los rendimientos: frontera de rendimientos constantes a escala CRS,
rendimientos variables a escala VRS y rendimientos no crecientes a escala NIRS.
La eficiencia estimada por el modelo DEA CCR corresponde a la frontera CRS (Rendi-
mientos constantes a escala), mientras que la eficiencia estimada por el modelo DEA BCC
va a estar determinada por la frontera VRS (rendimientos variables a escala).
31
Por otra parte, el modelo DEA BCC considera tres tipos de eficiencia, la eficiencia técnica
global (ETG) que a su vez se descompone en la eficiencia técnica pura (ETP) y la eficiencia
a escala (EE).
ET G = ET P · EE 3
Además en la figura 2.11 se ilustra la ineficiencia a escala en el caso de tener una variable
de Entrada y una de Salida. Bajo el modelo DEA con rendimientos constantes a escala CRS
y suponiendo una orientación a las variables de Entrada, la ineficiencia técnica de la unidad
B depende de la distancia de B a B2. Mientras que bajo rendimientos variables a escala
VRS la eficiencia esta determinada por la distancia de B a B1. La diferencia entre estas dos
medidas, es decir, B2 y B1 es la eficiencia de escala (EE), que puede ser interpretada como
la parte de la ineficiencia presente en ETG.
CB2 1
ET G = =
CB di (B|CRS)
CB1 1
ET P = =
CB di (B|V RS)
CB2 di (B|V RS)
EE = =
CB1 di (B|CRS)
El origen del modelo DEA BCC es inspirado a hacer una formulación que introduzca el
supuesto de rendimientos variables a escala.
El modelo DEA BCC de forma fraccional es el siguiente:
ut y0 + c0
máx h0 =
u,v,c v t x0
sujeto a:
ut Yj + c0 (2.9)
≤1 j = 1, 2, . . . , N
v t Xj
ut , v t ≥ ~1ε;
c0 no restringida
El problema (2.9) es una extensión del problema original (2.2). Se puede observar que la
t
eficiencia esta dada por (h0 = u vyt0x+c
0
0
). Por otra parte, la eficiencia mediante el modelo con
3
Coelli et al (2005) y otros autores lo llaman, T ECRS = T EV RS · SE
32
t
rendimientos constantes a escala (h0 = vut xy00 ) no esta presente el término constante c0 que
esta sumado en el numerador. Esta constante marca la caracterización de los rendimientos
variables a escala para la unidad de producción de la siguiente manera:
máx w0 = µt y0 + c0
µ,δ,c
sujeto a:
δ t x0 = 1 (2.10)
µ t Y + c0 ≤ δ t X
µ, δ ≥ ε~1;
c0 no restringida
Por otra parte, según Norman y Stoker (1991) la suma ponderada de las Salidas más la
constante c0 , forma un hiperplano. Como puede verse en la figura 2.12 para cada unidad de
producción j con j = 1, 2, . . . , N se obtiene un hiperplano que define una frontera envolvente.
Debe señalarse que en este caso, donde se tiene una variable de Salida y una de Entrada,
cada hiperplano se puede representar en el plano cartesiano y forma una cara de la frontera
eficiente.
Luego la superficie envolvente esta conformada por los hiperplanos de dimensión M + S,
que forman las caras del casco convexo de los puntos (Yj , Xj ) para j = 1, 2, . . . , N donde
Yj ∈ RS y Xj ∈ RM . La ecuación de cada hiperplano en RM +S esta dada por
S
X M
X
µr yrj − δi xij + c0 = 0 para j = 1, 2, . . . , N
r=1 i=1
33
Cabe destacar que cuando una unidad es caracterizada por tener rendimientos constantes
a escala, entonces su eficiencia coincidirá con la del modelo DEA CCR. En efecto, este
fenómeno ocurre porque el modelo DEA CCR es un caso particular del modelo DEA BCC
cuando el rendimiento es caracterizado como constante (es decir c0 = 0).
Es de esperar como en casos anteriores que la DMU evaluada es eficiente si w0 = 1 y
existe al menos un optimo par (µ∗ , δ ∗ ) con µ∗ > 0 y δ ∗ > 0. El valor optimo de c∗0 se utiliza
para verificar el tipo de rendimiento a escala que posee la unidad a evaluar.
El modelo DEA BCC al igual que el DEA CCR posee un problema dual asociado en dos
etapas, como se muestra en a continuación.
El problema presentado (2.11) es distinto al modelo DEA CCR en su forma (2.8), ya que
34
N
X
λt~1 = λi = 1
i=1
Esta restricción esta asociada a la variable c0 y restringe el rango de valores que pueden
tomar las componentes del vector de multiplicadores λ de manera que sumen 1.
La unidad productiva evaluada es eficiente en el sentido Pareto-Koopmans, si y solo si
en la solución óptima θ∗ = 1 y las variables de holgura son todas nulas, es decir, s+ = 0 y
s− = 0 .
Con el problema en forma envolvente (2.11) también se puede caracterizar la naturaleza
de los rendimientos a escala de la unidades. Por esto, si se tiene una muestra de N unidades
productivas y se tiene que la unidad0 cumple con las condiciones de Pareto-Koopmans, con
valores óptimos λ∗i , entonces los rendimientos se clasificarán de la siguiente manera:
n
X
λ∗i > 1, prevalecen localmente rendimientos decrecientes a escala para la unidad0
i=1
n
X
λ∗i = 1, prevalecen localmente rendimientos constantes a escala para la unidad0
i=1
n
X
λ∗i < 1, prevalecen localmente rendimientos crecientes a escala para la unidad0
i=1
Los modelos DEA se pueden clasificar con relación a la orientación, pueden tener orien-
tación input u output:
Orientación Input Estos buscan la minimización proporcional del vector de Entradas, dado
una cantidad de Salidas fija. La reducción de el vector de Entradas debe permanecer
en la frontera de posibilidades de producción. Por tanto, una unidad productiva no es
eficiente si es posible disminuir cualquier Entrada sin alterar sus variables de Salida.
Orientación Output Dado un nivel de medidas de Entradas, este tiene como objetivo la
máximización proporcional en los vectores de Salida permaneciendo en la frontera de
posibilidades de producción. Entonces una unidad no puede ser eficiente si es posible in-
crementar cualquier medida de Salida sin incrementar ninguna Entrada y sin disminuir
ninguna otra Salida.
35
En la Figura 2.13 se ejemplifica los tipos de orientación que puede tener el modelo DEA
para el caso que se tiene una sola variable de Salida y una de Entrada, además de tomar en
cuenta el supuesto de rendimientos constantes a escala.
La unidad A no es técnicamente eficiente al contrario de las unidades A1, A2 y A3
las cuales son eficientes. Como se puede observar la unidad A puede llegar a ser eficiente
dependiendo del la orientación se proponga. Podrı́a reducir la cantidad de insumos x y seguir
produciendo la misma cantidad y, en este caso la DMU deberı́a tomar como referencia la
unidad A1 lo cual se clasificarı́a como input orientados. Mientras que si se considera la
orientación output, entonces la unidad A deberı́a tomar como referencia a A2 consumiendo
la misma cantidad de Entradas para tener una mayor cantidad de producto y.
Cabe destacar que en los modelos input orientados las variables de Entrada están sus-
ceptibles a cambios por decisiones, en otras palabras son controlables, en cambio cuando se
toma una orientación output las variables que son susceptibles a cambios son las de Salida.
Además se puede considerar los modelos no orientados o también llamados Input-Output
orientados, en los cuales, tanto como las variables de Entrada como las de Salida son contro-
lables. El objetivo de esta orientación es la reducir los insumos y expandir la producción de
forma proporcional. Este tipo de orientación ofrece una estimación de la eficiencia del tipo
hiperbólica.
Por otra parte, en la tabla 2.1 se resumen los problemas de programación lineal a resolver
del método DEA con orientación output en dos etapas. Donde 1/φ estima la eficiencia de la
36
M S
M S X X
−
máx z0 = φ + ε( si + s+
r )
X X
máx z0 = φ + ε( s−
i + s+
r ) φ
φ i=1 r=1
i=1 r=1
sujeto a: sujeto a:
N
N X
xij λj + s−
i = xi0
X
xij λj + s−
i = xi0
j=1
j=1
N
N X
yrj λj + s+
r = φyr0
X
yrj λj + s+
r = φyr0
j=1
j=1
N
λj ≥ 0 X
λj = 1
j=1
λj ≥ 0
Hemos visto cómo se puede utilizar el método DEA para estimar la eficiencia de las uni-
dades de producción. El método DEA es computacionalmente simple comparado con otros
métodos y tiene la ventaja de que se puede implementar sin conocer la forma algebraica de la
relación entre Salidas y Entradas (es decir, podemos estimar la frontera sin saber si las varia-
bles de Salida son lineales, cuadrática, exponencial con relación a las variables de Entrada).
El Análisis de frontera estocástica SFA es un método alternativo para la estimación de una
frontera, que asume una forma funcional para relacionar las variables de los insumos y de
la producción. Cuando se especifica la forma funcional entonces los parámetros desconocidos
de la función deben estimarse utilizando técnicas estadı́sticas. Estos requisitos hacen que el
método de fronteras estocásticas sea computacionalmente más exigente que el DEA, ya que
utiliza métodos de optimización más complicados. Sin embargo, las Fronteras estocásticas
tienen algunas ventajas que hacen que la carga computacional adicional valga la pena.
rendimiento de los insumos dados. Al calcular esta medida de eficiencia implica estimar una
frontera de producción desconocida. Como se ha visto en el método anterior se puede estimar
una frontera utilizando un método no paramétrico. En el análisis de fronteras estocásticas
SFA se considera una frontera paramétrica.
Se asume que se tienen datos de M insumos de las N empresas. Aigner y Chu (1968)
consideraron la frontera de producción de Cobb-Douglas que esta dada por:
que es idéntico al modelo determinista excepto se añadió un error aleatorio vi , para tener en
cuenta el ruido estadı́stico. Notemos que el ruido estadı́stico captura los errores de medición y
los errores de aproximación asociados con la elección de la función Cobb-Douglas. La función
definida por (2.13) es llamada frontera de producción estocástica, porque los valores de Salida
qi están acotadas superiormente por la variable estocástica exp(x0i β + vi ). El error aleatorio
vi puede ser positivo o negativo.
Estas caracterı́sticas del modelo de frontera estocástica se pueden ilustrar gráficamente.
Para ello es conveniente tomar como ejemplo a las empresas que producen una Salida qi
utilizando sólo una Entrada xi . En este caso, un modelo de frontera estocástica tipo Cobb-
Douglas toma la forma:
M
X
ln qi = β0 + βj ln xij + vi − ui (2.14)
j=1
38
M
X
qi = exp(β0 + βj ln xij + vi − ui ) (2.15)
j=1
M
X
qi = exp(β0 + βj ln xij ) · exp(vi ) · exp(−ui )
j=1
| {z } | {z } (2.16)
| {z }
Parte determinista ruido ineficiencia
Dicha frontera se representa en la figura 2.14, donde trazamos las Entradas y Salidas de
dos empresas, A y B. Los valores de la Entrada x se miden a lo largo del eje horizontal y
las Salidas se mide en el eje vertical y. La empresa A utiliza xA cantidad de Entrada para
producir qA cantidad de Salida, mientras que la empresa B utiliza el xB cantidad de Entrada
para producir la Salida qB (estos valores observados son indicados por los puntos marcados
con ×). Si no hubo efectos de ineficiencia (es decir, si uA = 0 y uB = 0), entonces la frontera
de las Salida serán
Estos valores de frontera están indicados por los puntos marcados con ⊗ en la figura 2.14.
Cabe destacar que la producción de la empresa A se encuentra por encima de la frontera
determinista de producción por el efecto del ruido positivo (es decir, vA > 0), mientras que la
Salida de la empresa B se encuentra por debajo de la frontera determinista porque el efecto
del ruido es negativo (es decir, vB < 0).
Gran parte del análisis de frontera estocástica está dirigido hacia la predicción de los
efectos de ineficiencia, dado por la componente estocástica ui . En las fronteras estocásticas
se toma la medida de eficiencia con orientacion a las salidas, o como se llamó en el modelo
DEA orientación output. Luego la eficiencia técnica va a estar dada por:
qi exp(x0i β + vi − ui )
T Ei = = = exp(−ui )
exp(x0i β + vi ) exp(x0i β + vi )
Esta medida de la eficiencia técnica toma valores entre cero y uno. Entonces el primer
paso en la predicción de la eficiencia técnica T Ei , es estimar los parámetros del modelo de
frontera de producción estocástica.
39
La suposición (2.17) dice que las vi son variables aleatorias, independientes e idénticamen-
te distribuidas como una Normal con media cero y varianza σv2 . Mientras que la suposición
(2.18) mantiene que las ui son variables aleatorias, independientes y idénticamente distribui-
das como una Half-Normal con parámetro σu2 . La distribución Half Normal es una versión
40
truncada de la distribución Normal con media cero y varianza σu2 , es decir se toma sólo la
parte positiva de la distribución normal.
φ(−µ∗i /σ∗ )
ûi ≡ E(ui |εi ) = µ∗i + σ (2.20)
Φ(µ∗i /σ∗ )
p
donde ε = yi − xi β, µ∗i = −εi σu2 /σS2 y σ∗ = σu σv /σS . Además, σS = (σu2 + σv2 ), λ =
σu /σv , γ = σu2 /σS2 . Por otra parte Φ(x) es la función de distribución acumulativa y φ(x) es la
función de densidad de la Normal estandar evaluado en la variable x, respectivamente.
Además alternativamente la eficiencia técnica de una unidad productiva puede ser esti-
mada como sigue,
1 − Φ(σ∗ − µ∗i /σ∗ ) 1
ETi = E(exp(−ui )|εi ) = exp −µ∗i + σ∗2 (2.21)
1 − Φ(−µ∗i /σ∗ ) 2
La prueba de hipótesis utilizada es la llamada Likelihood Ratio (LR) que reporta los
resultados de la prueba de hipótesis de la componente de ineficiencia técnica del modelo.
Este test plantea como hipótesis nula H0 : σu2 = 0 y como hipótesis alternativa H1 : σu2 > 0.
Si la hipótesis nula es cierta, el modelo de frontera estocástica se reduce a un modelo de
Fronteras determinista que no supone la componente estocástica u y con errores distribuidos
de forma normal.
41
Por otra parte, (Coelli et al, 2005) muestra que la prueba estadı́stica LR dada por el
estadı́stico
MARCO METODOLÓGICO
La eficiencia de escala refleja el nivel que una empresa en comparación con la escala de
producción que tiene el grupo.
3
X
máx
+ −
z0 = φ − ( s− +
i +s )
φ,λ,s ,s
i=1
sujeto a:
261
X
xij λj + s−
i = xi0 i = 1, 2, 3
j=1
261 (3.1)
X
+
y1j λj − s = φyr0
j=1
261
X
λj = 1 j = 1, 2, ..., 261
j=1
λ, s+ , s− ≥ ~0
El problema de programación lineal DEA BCC en dos etapas con orientación output (3.1)
tiene como objetivo maximizar la variable z0 . Considerando 5 restricciones que determinan
la tecnologı́a de producción que se presentó en el año 2007, 261 variables asociadas a los
multiplicadores λi y 4 variables que representan el movimiento de holgura de los insumos y
la producción.
El software STATA 12 no posee como herramienta predeterminada modelo DEA ası́ que
se importó el algoritmo implementado en STATA por Ji y Lee (2010). El cual resuelve el
44
problema 3.1 para determinar los valores de la eficiencia tecnica pura, eficiencia de escala y
la eficiencia global de cada empresa. Adicionalmente proporciona un registro de los valores
de los multiplicadores y las variables de holgura asociada a cada DMU.
Una vez que se hayan conseguido los valores del problema de optimización, se procedió
a calcular cada uno de los tipos de eficiencia. La eficiencia técnica pura de un modelo con
orientación output esta dada por la ecuación
1
ET P =
φ
La eficiencia técnica global va a estar dada por la resolución del modelo DEA CCR con
orientación output de la siguiente manera.
1
ET G =
θ
Una vez estimada la eficiencia técnica pura y la eficiencia técnica global, entonces la
eficiencia a escala se determina de la siguiente manera,
ET G
EE =
ET P
Toda unidad productiva ineficiente tiene un punto de proyección (x∗0 , y0∗ ) sobre la frontera
eficiente, que representa una DMU eficiente (real o virtual). Las unidades clasificadas como
eficientes representan un conjunto de referencias sobre la frontera que proporcionan a una
marca o señal para las demás empresas ineficientes.
El conjunto de referencias está determinado por los multiplicadores λi que son solución
al problema DEA, cabe destacar que cada DMU posee un conjunto de referencias distinto.
Porque esta formado por las unidades que a las cuales su multiplicador asociado sea positivo
( λ∗i > 0).
En general, el punto de proyección es una combinación lineal de los puntos observados y
viene dado por (x∗10 , x∗20 , ..., x∗M 0 , y10
∗ ∗
, y20 ∗
, ..., yS0 ), donde,
N
X
x∗i0 = λj xij para i = 1, 2, ..., M (3.2)
j=1
45
N
X
∗
yr0 = λj yrj para j = 1, 2, ..., S (3.3)
j=1
3 3 3
X 1 XX
ln q = β0 + βi ln xi + βij ln xi ln xj + v − u (3.4)
i=1
2 i=1 j=1
Variables Descripción
Producto: ln(q) Logaritmo natural del valor agregado de la producción
en Bs
Trabajo: ln(x1 ) Logaritmo natural del número de personas empleadas
Activos: ln(x2 ) Logaritmo natural de los activos fijos en Bs
Consumo intermedio: ln(x3 ) Logaritmo natural del consumo intermedio en Bs
como hipótesis alternativa H1 : σu2 > 0. En otras palabras, el test verifica que si la componente
aleatoria u está capturando la ineficiencia técnica presente en las empresas venezolanas.
.ado programas
.gph gráficos
los comentarios, columnas regulares, reseñas de libros y otros materiales de interés para los
investigadores que aplican las estadı́sticas en una variedad de disciplinas.
Para efectos de este proyecto de pasatı́as el software STATA brinda una herramienta
sumamente potente para la implementación de los distintos modelos estadı́sticos y determi-
nistas. Ya que por su versatilidad en agregar programas que no están disponibles en la paleta
de funcionalidades predeterminadas. Cabe destacar, que para el uso de STATA no es necesa-
rio disponer de conocimientos en programación, pero adicionalmente este programa brinda a
sus usuarios más avanzados, la posibilidad de poder programar sus propios métodos.
A lo largo de este proyecto se utilizó STATA 12, por esta razón se dará una breve inducción
de como implementar el modelo DEA y el de fronteras estocásticas con este software.
Para el modelo DEA se utilizó el algoritmo publicado por (Ji y Lee 2010) en la revista
Stata Journal. Primeramente, se importó el archivo dea.ado, que contiene el programa que
estima eficiencia de cada empresa. Para ello, se debe cambiar el directorio de trabajo a donde
se encuentra el archivo de extensión ado. Al hacer este paso, el software tendrá disponible el
algoritmo de programación lineal que determina la eficiencia DEA. Se deben tener variables
de Entrada y Salida con valores no vacı́os, también se debe declarar una variable que llamada
dmu que va a representar a cada una de las empresas. Ası́ pues, se podrá utilizar mediante
el siguiente comando:
dea Entradas = Salidas [, rts(vrs) ort(out) stage(2)]
Donde rts especifica la tipologı́a de los redimientos a escala que pueden ser variables
(vrs) o constantes (crs), ort se refiere a la orientación que se desea para la estimación de
la eficiencia que son hacia las Entradas (in) o hacia las Salidas (out) y stage especifica la
cantidad de etapas del modelo DEA en nuestro caso se especificó que fuera en dos etapas.
Para la estimación de la eficiencia del modelo de fronteras estocásticas, se puede usar la
barra de herramientas de STATA 12. Pues a diferencia del modelo DEA el paquete de fron-
teras estocásticas está pre implementado en esta version del software. Se declara la variable
independiente y se añaden las variables que servirán de regresores en el modelo o variables
de Entrada. Luego se procede a la estimación de los parámetros como se muestra en la figura
3.1 y 3.2
Por último, se hace la estimación de la componente de ineficiencia u y la eficiencia técnica
de cada variable con el comando de post-estimacion del modelo de fronteras estocásticas
como se muestra a continuación,
predict u, u
predict ET, te
48
En este capı́tulo se presenta un pequeño análisis descriptivo de los datos, ası́ como tam-
bién la estimación de la eficiencia técnica de las distintas empresas proporcionadas por el
BCV. Para la estimación de la eficiencia se tomaron en cuenta dos modelos, el primero de
modelo DEA BCC para la estimacion de una frontera eficiente con rendimientos variables y
la segunda el modelo de fronteras estocásticas que mide la eficiencia con una componente de
error aleatorio u.
Para la estimación de la eficiencia técnica en las industria venezolana se tomaron como
variables de interés la producción, el consumo intermedio, los activos y el número de personas
empleadas o también llamado trabajo. Además para hacer la estimación de la productividad
se tomaron en cuenta 261 empresas venezolanas representativas del año 2007. Estos datos
fueron suministrados por el Banco Central de Venezuela para la realización del proyecto de
pasantı́as. Para mantener la confidencialidad cada una de las empresas se enumeraron cada
una de las ellas con los números del 1 al 261 sin ningún orden especı́fico, entonces cuando
nos refiramos a la entidad numero 100, es la asignada en la lista con el numero 100.
Luego, se realizó el respectivo análisis descriptivo de cada una de las variables que se
muestra en la tabla 4.1.
Se puede observar que la producción promedio esta alrededor de los 150000 y varı́a desde
117 hasta empresas que puede producir hasta 2800000. En cuanto al consumo intermedio,
50
los activos y el número de trabajadores tienen una media de 101587, 18030 y 19004 respec-
tivamente.
0.0e+00
3.0e+06
2.0e+06
1.0e+06
4.0e+05
3.0e+05
2.0e+05
1.0e+05
PRODUCCION INTERMEDIO
ACTIVOS TRABAJO
En la figura 4.1 se muestran los boxplot correspondientes a cada una de las variables con
una escala logarı́tmica. Notemos que la mayorı́a de las empresas tienen una producción menor
a 400.000, exceptuando algunas que pueden llegar a tener una producción de 3 millones.
En cuanto a los activos que tienen las empresas se encuentran por debajo de los 100.000,
teniendo en cuenta que hay empresas que poseen activos de 500.000. Finalmente, las empresas
venezolanas en el 2007 tuvieron una cantidad de empleados menor a 200.000 pero existen
empresas que pueden tener más del doble de contratados.
En las 261 empresas venezolanas del 2007, se estimó la frontera de producción utilizando
dos métodos. El primero es el método DEA BCC con orientación output, esta estimación de
la frontera es no paramétrica y tiene un enfoque determinista (que supone que los datos no
contienen ningún error estadı́stico o de medición). Por en contrario, el segundo método de
fronteras estocásticas suponen que en los datos existe una componente de error aleatorio.
51
Una entidad se considera eficiente si tiene una medida de eficiencia de 1 y holguras igual
a cero, según la definición de Pareto-Koopmans . Por tanto, las empresas clasificadas como
eficientes son las siguientes 14, 23, 25, 32, 34, 117, 143, 178, 215, 232 y la 243. Estas empresas
se consideran que se encuentran la frontera de producción eficiente, es decir que marcan una
referencia de la tecnologı́a de producción existente en el 2007. Al clasificar una DMU como
eficiente se establece una marca de calidad, donde las empresas que están por debajo de ella
son ineficientes.
En la tabla 4.3 las unidades productivas 32, 34 y 215 tienen una producción pequeña
de alrededor de 4.500 comparada con las demás que pueden tener una producción de casi
52
2.000.000. Pero, como ya se habı́a mencionado anteriormente todas estás DMU son clasifica-
das como eficientes. Esto demuestra que la eficiencia no esta determinada por la cantidad de
producto, sino por la utilización de los insumos para obtener la máxima producción posible.
Por otro lado, las DMU que tienen menor eficiencia están dadas en la tabla 4.4, a diferencia
de las empresas eficientes estas tiene una eficiencia global menor que uno. Se puede ver que la
empresa que es clasificada con menos eficiencia es la 5 con una eficiencia global de 0,368, una
eficiencia técnica pura de 0,369 y una eficiencia de escala de 1. Por tanto, la empresa 5 podrı́a
aumentar su productividad si aumenta la tecnologı́a de producción presente e incerementa
sus activos en 5533. En cambio la empresa 7 tiene una eficiencia global de 0,403, una eficiencia
53
técnica pura de 1 y una eficiencia de escala de 0,403. Esta DMU se encuentra en la frontera
de rendimientos variables a escala VRS, es decir bajo el supuesto de rendimientos variables
a escala esta empresa es eficiente.
Las unidades 5 y 7 presentan rendimientos crecientes, lo cual nos da un indicio de que las
unidades podrı́an incrementar productividad en un futuro cercano.
Se puede observar en la tabla 4.5 todas menos la empresa 145, poseen una producción
por debajo del promedio. En otras palabras, en general las empresas venezolanas clasificadas
como ineficientes tienen una producción baja comparada con las demás.
30
20
Percent
10
0
0 .2 .4 .6 .8 1
ETG
0 .2 .4 .6 .8 1
ET
En la figura 4.3 se puede ver el histograma de la eficiencia técnica pura presente en las
empresas venezolanas. Al igual que la eficiencia global esta toma medidas entre 0,3 y 1. Se
pueden observar que más del 90 % de las empresas resultaron con una eficiencia mayor de
0,5. Además, en promedio las empresas se clasificaron con una eficiencia de 0,68. Entonces
podemos decir que la eficiencia técnica pura se comporta muy parecida a la global.
El histograma de la eficiencia de escala esta dado por la figura 4.4, donde es claro ver que
9 de cada 10 empresas venezolanas tienen una eficiencia de escala mayor al 0,9. En el año
2007 se reporta una eficiencia de escala bien elevada con una media de 0.966 donde la medida
máxima de eficiencia es de 1. Por consiguiente, la eficiencia de escala observada en el 2007
55
80
60
Percent
40 20
0
0 .2 .4 .6 .8 1
EE
es alta, entonces en general no existe este tipo de ineficiencias en las empresas estudiadas.
En particular, existen entidades que tienen una EE baja, como la unidad productiva 7 que
tiene una eficiencia de escala de 0.403, la cual representa la empresa con menor eficiencia de
escala.
1
.8
.6
.4
.2
0
ETG ET
EE
4%
50%
46%
- drs
irs
El modelo DEA BCC tiene como supuesto que las empresas estudiadas presentan ren-
dimientos variables a escala. En la figura 4.6 se observa un gráfico circular que describe la
proporción de entidades que poseen cada tipo de rendimientos. Se puede destacar que un 50 %
de las empresas muestran rendimientos crecientes a escala, un 46 % muestran rendimientos
decrecientes a escala y tan solo el 4 % tienen rendimientos constantes a escala. Notemos que
solo una pequeña porción de las empresas se clasifican con rendimientos constantes, mientras
que la gran mayorı́a presentan economı́as o deseconomı́as de escala.
En esta sección se realizará el análisis apropiado a los pesos λi los cuales proporcionan
información para mejorar la eficiencia de cada una de las empresas. Cada DMU ineficiente
posee una proyección (x∗0 , y0∗ ) sobre la frontera eficiente, que corresponde a una combinación
lineal de las entidades eficientes.
57
n n
!
X X
x∗0 = λj Xj , y0∗ = λj Yj
j=1 j=1
Además, si se compara los valores objetivo con los observados se puede determinar alguna
mejora de los insumos o del producto. En la tabla 4.8 se muestra en cuanto puede mejorar
la producción haciendo algunas modificaciones de los insumos. Por ejemplo, si la entidad 5
aumentara sus activos en 5533 entonces su producción se incrementarı́a en un 171 %, es decir
tendrı́a más del doble de la producción inicial. Por el contrario, la empresa 7 no tendrı́a mejora
alguna, ya que su ineficiencia esta dada por la medida de eficiencia de escala (EE = 0.403).
En la figura 4.7 se presenta el histograma de la proporcion de la mejora potencial del
58
producto. Se puede observar que 4 de cada 10 empresas pueden aumentar su producto hasta
un 50 %, mientras que las 6 resetantes podrı́an aumentar su producto en más del 50 %. Cabe
destacar, que en promedio las empresas pueden aumentar su eficiencia en un 53 % de su
producto actual, si se toman las medidas necesarias para la mejora de la tecnologı́a.
59
Se estimó la eficiencia técnica haciendo uso del modelo econométrico de fronteras es-
tocásticas utilizando la función de producción de Cobb Douglas. Se utilizó la siguiente forma
funcional del modelo:
3 3 3
X 1 XX
ln q = α0 + αi ln xi + αij ln xi ln xj + v − u
i=1
2 i=1 j=1
.9984
.9983
.9982
.9981
.998
Modelo 1 Modelo 2
Modelo 3 Modelo 4
60
40
Percent
20
0
Por tanto, podemos afirmar que este modelo de fronteras estocásticas no es propicio para
la estimación de una frontera eficiente de estos datos, ya que la variable estocática u no está
capturando apropiadamente la ineficiencia de las empresas venezolanas en el año 2007.
62
Este proyecto tiene como objetivo la obtención de la eficiencia de 261 empresas venezo-
lanas en el año 2007. Se aplicaron dos modelos distintos para llegar a esta estimación, el
primero se caracteriza por tener un enfoque determinista y no paramétrico; el segundo posee
un enfoque estadı́stico y paramétrico. Luego se analizaron las estimaciones y se determinaron
las ventajas y desventajas de cada uno de ellos.
Se aplicó el modelo DEA BCC que asume la existencia de retornos variables a escala y se
determinó la eficiencia global de cada entidad. Se obtuvo que en el 2007 habı́a una eficiencia
global promedio de 0.655, además se notó que 9 de cada 10 empresas tenı́an una eficiencia
mayor a 0.5. Es decir, la mayorı́a de las empresas están clasificadas con una eficiencia mayor
a 0.5.
Se presentó una eficiencia de escala elevada, con una media de 0.966. Lo que nos da a en-
tender el sector manufacturero se caracteriza por en su mayorı́a tener rendimientos constantes
a escala.
En cuanto a la producción de las empresas, se podrı́a mejorar si se toman las medidas
de acción apropiadas para cada una. La mejora potencial que podrı́a tener esta población de
la productividad es de un 53 %. Es decir, que en promedio las entidades estudiadas en un
futuro mejorarán su producción en un 53 %.
Por otra parte, el modelo de fronteras estocásticas no se ajustó a los datos proporcionados
en el BCV. Entonces, se recomienda para trabajos posteriores la racionalización de un modelo
de fronteras deterministas. El cual, no tome en consideración la componente estocástica
presentada en el modelo anterior.
Además, si se quiere hacer un estudio más exhaustivo de la ineficiencia y se tiene evi-
dencia de algún factor causante de la misma. Es recomendable, realizar el modelo de fronte-
ras estocásticas, explicando la componente estocastica con variables adicionales que puedan
añadirse al estudio y que podrı́an servir para el cálculo de determinantes de ineficiencia
técnica de las empresas.
En general, el modelo DEA es una herramienta muy útil para el cálculo de la eficiencia
que requiere un bajo costo computacional, mientras el modelo de fronteras estocásticas es
64
computacionalmente más complejo. El método DEA es capaz de manejar con facilidad pro-
cesos de múltiples inputs y outputs, que pueden estar expresados en distintas unidades. Otra
de las ventajas más robustas de esta técnica, es que ofrece información muy completa e indi-
vidualizada de las unidades productivas analizadas, como por ejemplo: unidades ineficientes,
unidades de referencia de las unidades ineficientes, niveles óptimos de producción y consumo
de recursos, entre otros. Pero entre sus desventajas destaca la imposibilidad de separar la
ineficiencia de factores aleatorios no controlables y de realizar inferencias estadı́sticas.
REFERENCIAS
Aigner, D., Lovell, C. K., y Schmidt, P. (1977). Formulation and estimation of stochastic
frontier production function models. journal of Econometrics, 6(1):21–37.
Aigner, D. J. y Chu, S.-F. (1968). On estimating the industry production function. The
American Economic Review, pp. 826–839.
Banker, R. D., Charnes, A., y Cooper, W. W. (1984). Some models for estimating technical
and scale inefficiencies in data envelopment analysis. Management science, 30(9):1078–
1092.
Charnes, A., Cooper, W. W., Golany, B., Seiford, L., y Stutz, J. (1985). Foundations of
data envelopment analysis for pareto-koopmans efficient empirical production functions.
Journal of econometrics, 30(1):91–107.
Charnes, A., Cooper, W. W., y Rhodes, E. (1978). Measuring the efficiency of decision
making units. European journal of operational research, 2(6):429–444.
Contreras, J., Santeliz, A., y Carvallo, O. (2012). Patrones de eficiencia técnica en el sector
manufacturero venezolano: 2007. BCV Colección Economı́a y Finanzas. Serie de docu-
mentos de Trabajo, (135):1–18.
Cooper, W. W., Seiford, L. M., y Zhu, J. (2011). Handbook on data envelopment analysis,
volumen 164. Springer Science & Business Media.
Farrell, M. J. (1957). The measurement of productive efficiency. Journal of the Royal Sta-
tistical Society. Series A (General), pp. 253–290.
Ji, Y.-b. y Lee, C. (2010). Data envelopment analysis. The Stata Journal, 10(2):267–280.
Lee, C. (2011). Malmquist Productivity Analysis using DEA frontier in Stata. CHI11 Stata
Conference 21, Stata Users Group.
Meeusen, W. y Van den Broeck, J. (1977). Efficiency estimation from cobb-douglas produc-
tion functions with composed error. International economic review, pp. 435–444.