UNIVERSIDAD SIMÓN BOLÍVAR

DECANATO DE ESTUDIOS PROFESIONALES

COORDINACIÓN DE MATEMÁTICAS

ANÁLISIS ENVOLVENTE DE DATOS Y ANÁLISIS DE FRONTERAS

ESTOCÁSTICAS APLICADO A LA ESTIMACIÓN DE FRONTERAS DE
PRODUCCIÓN

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

Sartenejas, Junio de 2015

 UNIVERSIDAD SIMÓN BOLÍVAR
DECANATO DE ESTUDIOS PROFESIONALES
COORDINACIÓN DE MATEMÁTICAS

ANÁLISIS ENVOLVENTE DE DATOS Y ANÁLISIS DE FRONTERAS

ESTOCÁSTICAS APLICADO A LA ESTIMACIÓN DE FRONTERAS DE
PRODUCCIÓN

Por
José Vidal Martı́nez Franquis

Realizado con la asesorı́a de:

Tutor académico: Zoraida Martı́nez
Tutor industrial: José Contreras

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

Sartenejas, Junio de 2015

 RESUMEN

La pasantı́a realizada en el Banco Central de Venezuela se basó en una investigación

del Análisis envolvente de datos (DEA) y el modelo de fronteras estocásticas (SFA) para la
estimación de una frontera de producción eficiente. Se revisó la literatura de ambos métodos
para la obtención de la eficiencia de un conjunto de empresas o entidades. Los datos utilizados
para realizar la estimación corresponde al sector manufacturero venezolano del año 2007
suministrados por el BCV, donde se tomaron como variables de interés el valor agregado
de la producción, los activos fijos, el consumo intermedio y la cantidad de empleados. Con
el método DEA se determinaron las empresas más eficientes y las menos eficientes, y se
plantearon algunas recomendaciones para el aumento de la productividad. Por el contrario,
las estimaciones de la eficiencia obtenidas por la función de producción estocástica el modelo
de fronteras estocásticas no se ajustó a los datos y caracterizaron a todas las empresas con
la misma medida de eficiencia. Finalmente se prefirió utilizar el modelo DEA para la data
utilizada ya que proporciona resultados más realistas. Los resultados obtenidos permiten
hacer un ranking de la eficiencia de las entidades y proporcionan información para mejorar
la productividad en un futuro.

Palabras clave: DEA, Eficiencia, Frontera de producción, Fronteras estocásticas.

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 TABLAS viii

ÍNDICE DE FIGURAS ix

LISTA DE ACRÓNIMOS x

INTRODUCCIÓN 1

CAPÍTULO I: DESCRIPCIÓN DE LA EMPRESA 3

1.1. Misión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Visión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Oficina de Investigaciones Económicas . . . . . . . . . . . . . . . . . . . . . 4

CAPÍTULO II: MARCO TEÓRICO 5

2.1. Conceptos y definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2. Suposiciones y Propiedades de la Economı́a de producción . . . . . . . . . . 9
2.2.1. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3. Tipos de rendimientos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4. Conjuntos y funciones de economı́a de Producción . . . . . . . . . . . . . . 12
2.4.1. Conjunto de Salida . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.2. Conjunto de Entrada . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4.3. Función de distancia output . . . . . . . . . . . . . . . . . . . . . . . 15
2.4.4. Función de distancia input . . . . . . . . . . . . . . . . . . . . . . . . 15

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

CAPÍTULO III: MARCO METODOLÓGICO 42

3.1. Base de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2. Estimación de la frontera eficiente DEA . . . . . . . . . . . . . . . . . . . . . 42
3.3. Mejora potencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4. Estimación de la frontera estocástica . . . . . . . . . . . . . . . . . . . . . . 45
3.5. Software STATA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

CAPÍTULO IV: ANÁLISIS Y DIAGNOSTICO DE LA EFICIENCIA 49

4.1. Metodologı́as empleadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.1.1. Modelo DEA BCC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.1.2. Modelo de Fronteras Estocásticas . . . . . . . . . . . . . . . . . . . . 59

CONCLUSIONES Y RECOMENDACIONES 63

vii
 ÍNDICE DE TABLAS

2.1. DEA con orientacion output . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

2.2. Principales caracterı́sticas del modelo DEA y SFA . . . . . . . . . . . . . . . 41

3.1. Descripción de las variables . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

4.1. Estadı́stica descritiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

4.2. Eficiencia y variables de holgura de las empresas eficientes . . . . . . . . . . 51
4.3. Insumos y producción de Empresas eficientes . . . . . . . . . . . . . . . . . . 52
4.4. Eficiencia y variables de holgura de las más empresas ineficientes . . . . . . . 52
4.5. Empresas menos eficientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.6. Estadı́stica descriptiva de la Eficiencia . . . . . . . . . . . . . . . . . . . . . 53
4.7. Valores objetivo y observados de las empresas ineficientes . . . . . . . . . . . 57
4.8. Mejora potencial de las empresas ineficientes . . . . . . . . . . . . . . . . . . 58
4.9. Estimación de u y la eficiencia técnica . . . . . . . . . . . . . . . . . . . . . 60
4.10. Prueba de hipótesis LR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.11. Estimación de la frontera estocástica de producción . . . . . . . . . . . . . . 62

viii
 ÍNDICE DE FIGURAS

2.1. Métodos de estimacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.2. Eficiencia técnica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3. Función de producción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4. Función de distancia output y Conjunto de posibilidades productivas . . . . 16
2.5. Funcion de distancia de Entradas . . . . . . . . . . . . . . . . . . . . . . . . 17
2.6. Eficiencia técnica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.7. Eficiencia tecnica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.8. Eficiencia Ténica y Asignativa output orientada . . . . . . . . . . . . . . . . 20
2.9. Fonteras de produccion CRS y VRS . . . . . . . . . . . . . . . . . . . . . . . 21
2.10. Eficiencia de Escala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.11. Tipos de Fronteras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.12. Forma envolvente de la frontera VRS . . . . . . . . . . . . . . . . . . . . . . 33
2.13. Orientaciones en el modelo DEA . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.14. Frontera estocástica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.1. Fronteras estocásticas en STATA paso 1 . . . . . . . . . . . . . . . . . . . . 48

3.2. Fronteras estocásticas en STATA paso 2 . . . . . . . . . . . . . . . . . . . . 48

4.1. Boxplot de variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

4.2. Histograma ETG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.3. Histograma ETP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.4. Histograma EE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.5. Boxplot de Eficiencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.6. Tipo de rendimientos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.7. Histograma de la mejora potencial . . . . . . . . . . . . . . . . . . . . . . . . 58
4.8. Boxplot de la eficiencia técnica . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.9. Histograma de u . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

ix
 LISTA DE ACRÓNIMOS

BCV Banco Central de Venezuela

OIE Oficina de investigaciones económicas

DEA Análisis Envolvente de Datos, llamado ası́ por sus siglas en ingles data envelopment
analysis

USB Universidad Simón Bolı́var

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

DMUs Unidades productivas o Tomadoras de decisiones

Entradas Disponibilidad de recursos

Salidas Cantidad de productos

VRS Retornos variables a escala (variable return scale)

CRS Retornos constantes a escala (constant return scale)

DEA CCR Modelo DEA con rendimientos constantes a escala

DEA BCC Modelo DEA con rendimientos variables a escala

ETP Eficiencia técnica pura

ETG Eficiencia técnica global

EE Eficiencia a escala

x
 INTRODUCCIÓN

El presente trabajo se centra en dos modelos de fronteras de producción, donde se desarro-

lla la teorı́a y el planteamiento matemático adecuado para cada método. Las estimaciones de
fronteras productivas están basadas en la premisa de que esta frontera representa una marca
de la empresa ideal eficiente, que se caracteriza por tener la máxima cantidad de producto
posible dados los insumos.
Las fronteras de producción tienen la capacidad de proporcionar información acerca de la
eficiencia productiva o también llamada eficiencia técnica. La eficiencia de una determinada
unidad de producción es consecuencia de una medida relativa de distancia respecto a una
frontera tomada a partir de los resultados obtenidos (función de producción), esta frontera
representa el lı́mite superior de la eficiencia. Los productores que operan en la frontera de
producción se clasificarán como técnicamente eficientes, mientra que los que están por debajo
serán técnicamente ineficientes.
Cuando se emplea el método de fronteras estocásticas, el error especificado con respecto a
la Frontera de Eficiencia se considera que es producido tanto de una mala medición como de
la ineficiencia. En éste método, para medir la ineficiencia se separan estas dos componentes
del error total, asignando supuestos estadı́sticos especı́ficos para la distribución de cada uno
de ellos. En el Análisis envolvente de datos (DEA) se desarrolla un modelo de optimización
que no impone una función determinada para la frontera eficiente y cualquier desviación de
ella se considera como ineficiencia.
La metodologı́a DEA y las fronteras estocásticas serán de ayuda para estudiar y analizar
el comportamiento y la eficiencia del sector manufacturero de Venezuela del año 2007. El cual,
viene sufriendo un cambio estructural desde mediados de los años ochenta. A continuación se
mencionan algunos autores que han mencionado que Venezuela está bajo la presencia de un
proceso de desindustrialización. (Vera, 2009) afirma que este proceso de desindustrialización
es de naturaleza prematura debido a los bajos niveles de PIB per cápita. (Velásquez, 2003)
atribuye al proceso de desindustrialización a factores de oferta vinculados con los mercados
de factores, el tipo de cambio, la carga fiscal y el deterioro de la infraestructura de apoyo
a la producción. Por otra parte, (Valecillos, 1994) enfatiza que los factores determinantes
de la caı́da de la tasa de inversión es la abrupta y desordenada liberalización financiera y
 2

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

El presente trabajo de pasantı́as se realizó en el Banco Central de Venezuela. En cualquier

paı́s un Banco Central es una institución en la cual la sociedad delega la capacidad de emitir
dinero y de regular el nivel de crédito de la economı́a.
El Banco Central de Venezuela (BCV) se creó mediante una ley promulgada el 8 de
septiembre de 1939, publicada en la gaceta oficial No. 19974 del 8 de septiembre de 1939,
bajo el mandato de Eleazar López Contreras. Inició sus operaciones el 15 de octubre de 1940
y el 1 de enero de 1941 comienza a operar formalmente con Jesús Herrera Mendoza como su
primer presidente.

1.1. Misión

El Banco Central de Venezuela tiene como objetivos principales, lograr la estabilidad

de precios y preservar el valor interno y externo de la moneda como parte de las polı́ticas
públicas que contribuyen con el desarrollo humano integral y el progreso armónico de la
economı́a nacional, para alcanzar los objetivos superiores del Estado y la nación.
Además, con el objetivo de apoyar la integración latinoamericana y caribeña, el Banco
Central de Venezuela establece los mecanismos para facilitar la coordinación de polı́ticas
macroeconómicas con los bancos centrales regionales.
Para lograr estos propósitos, el Instituto tiene entre sus funciones las de formular y eje-
cutar la polı́tica monetaria; participar en el diseño y ejecutar la polı́tica cambiaria; regular la
moneda, el crédito y las tasas de interés; administrar las reservas internacionales y estimar su
nivel adecuado; velar por el funcionamiento del sistema de pago; emitir especies monetarias
y asesorar a los poderes públicos nacionales en las materias de su competencia.
 4

1.2. Visión

El Banco Central de Venezuela se proyecta como un organismo:

Que armoniza la formulación y ejecución de las polı́ticas de su competencia con las

necesidades del paı́s y los fines del Estado en la regulación de la economı́a y el desarrollo
integral.

Que consolida su integración con el proceso nacional para cooperar con el desarrollo
del paı́s.

Que afianza, con el desempeño de cada una de sus funciones y responsabilidades, un

modelo de comportamiento de alta credibilidad, reputación, prestigio y solidaridad.

Que desarrolla un ambiente de ejercicio de sus plenas capacidades, de actuación res-

ponsable, transparente, coordinada y comprensible para la sociedad.

1.3. Oficina de Investigaciones Económicas

El proyecto de pasantı́as se realizó especı́ficamente en la oficina de investigaciones económi-

cas (OIE) que se encarga de apoyar a la toma de decisiones la vicepresidencia de estudios del
BCV. La OIE fue creada en el año 2002 con el objetivo de coordinar el sistema de estudios del
Banco Central de Venezuela. La misma trabaja en conjunto de todos los departamentos del
banco (como la Vicepresidencia de Operaciones Nacionales y Vicepresidencia de Operaciones
Internacionales, entre otras) para evaluar sus objetivos para el año y de esta forma asignar
prioridades en los asuntos que se encuentran dentro de su agenda de investigación. Además,
la oficina de investigaciones económicas se apoya en otras entidades que se relacionan con la
economı́a del paı́s, tales como el Ministerio de Finanzas y el Ministerio de Planificación.
Por otra parte, la OIE tiene como objetivo sustentar el trabajo de las áreas estratégicas
del BCV y sirve de apoyo a la toma de decisiones que surgen del directorio. Adicionalmente
favorece a la formación y el estudio de terceros, ya que todas sus investigaciones son repro-
ducidas en la serie Documentos de Trabajo, que forma parte de las publicaciones del Banco
Central de Venezuela.
 CAPÍTULO II

MARCO TEÓRICO

Los métodos de estimación se pueden clasificar en paramétricos y no paraméricos. En

cuanto a esta clasificación, los métodos paramétricos son aquellos que estiman la frontera de
producción con una función explı́cita, que relaciona los insumos empleados (Entradas) con el
producto obtenido (Salida), por otro lado, los no parmétricos son aquellos que no requieren
una función para la determinar la frontera de producción. Luego, como se puede ver en la
figura 2.1, se pueden sub dividir en métodos que recurren a la programacion matemática
y los que tienen un enfoque estadı́stico para la estimación de la eficiencia que puede ser
especificada como estocástica (aleatoria) o determinista.

Figura 2.1: Métodos de estimación de la eficiencia y

principales precursores (Cool y Blasco, 2006)

En este trabajo nos enfocaremos en el Análisis envolvente de datos (DEA)y el Análisis

de fronteras estocásticas (SFA) para estimar la eficiencia de una empresa o unidad de pro-
ducción. DEA es una técnica no paramétrica, determinı́stica y que recurre a la programación
matemática (en especifico la programación lineal) la cual fue planteada por Charnes, Cooper
y Rhodes en su tesis doctoral en 1978. En cambio, el método de fronteras estocásticas tiene
un enfoque paramétrico y estadı́stico, que supone errores de forma estocástica para la esti-
mación de la eficiencia y sus principales precursores son Meeusen y van den Broeck (1977) y
 6

Ainer, Lovell y Schmidt (1977).

2.1. Conceptos y definiciones

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:

Suma ponderada de Salidas

Ef iciencia =
Suma ponderada de Entradas

Si se toman en cuenta S variables de Salida y M variables de Entrada se tiene el siguiente

estimador de la eficiencia relativa:
 7

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

asignativa y la tecnica se combinan y dan una estimación general de la eficiencia económica.

Pero en este informe no se toman en cuenta este tipo de eficiencia asignativa por la falta de
información de los costos.
Este trabajo se va a enfocar en el análisis envolvente de datos DEA y las fronteras es-
tocásticas para estimar la eficiencia de las unidades productivas. Estos dos métodos son muy
usados en muestras de unidades de producción de un solo perı́odo de tiempo. Aunque también
pueden usarse para estimar el cambio de la eficiencia técnica en varios periodos de tiempo.

2.2. Suposiciones y Propiedades de la Economı́a de producción

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:

1. Las actividades de producción de la empresa se llevan a cabo en un solo perı́odo.

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),

donde q representa la Salida y x = (x1 , x2 , ..., xM )t es un vector de tamaño M x 1 de Entradas.

Se asume que estas Entradas son susceptibles a la toma de decisiones, por ejemplo los insumos
pueden ser cambiados por los gerentes de la empresa para mejorar su producción. Por otra
parte, se pueden asumir variables de Entradas que están fuera del control de la toma de
decisiones (por ejemplo, Lluvia)

2.2.1. Propiedades

La función de producción q = f (x) posee varias propiedades que se deben mencionar:

 10

P1 No Negatividad: El valor de f (x) es un número real no negativo.

P2 Esencialidad Débil: La producción de una Salida positiva es imposible sin el uso de

al menos una Entrada.

P3 No Decreciente en x: (o monótona) Las cantidades adicionales de una variable

de Entrada no disminuirán la producción. Más formalmente, si x0 > x1 entonces
f (x0 ) > f (x1 ). Si la función de producción es continuamente diferenciable, monoto-
nicidad implica todos los productos marginales1 son no negativos.

P4 Concavidad: Cualquier combinación lineal de los vectores x0 y x1 producirá una

Salida que no es menos que la misma combinación lineal de f (x0 ) y f (x1 ). Formalmente,
f (θx0 + (1 − θ)x1 ) ≥ θf (x0 ) + (1 − θ)f (x1 ) para todo 0 ≤ θ ≤ 1. Por tanto, si la función
de producción es continua diferenciable, entonces la concavidad implica que todos los
productos marginales son no crecientes

Estas propiedades no son absolutas, ni tampoco son universalmente mantenidas. Por

ejemplo, el supuesto P3 de monotonicidad se puede relajar en los casos en que el uso de
muchas variables de Entrada conduzca a la congestión de las Entradas (por ejemplo, cuando
en un restaurante se contratan demasiados cocineros a tal punto que estropean el caldo), y la
suposición P2 de esencialidad debil generalmente se reemplaza por una hipótesis más fuerte
en situaciones donde es esencial la utilización de cada uno de los insumos para la producción.
Para ilustrar algunas de estas ideas, la figura 2.3 muestra una función de producción
definida por una única Entrada o insumo, x. Se debe tener en cuenta que:

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.

La función pasa por el origen, por lo que satisface la propiedad P2

El producto marginal de x, definido gráficamente por la pendiente de la recta tangente

a la curva, es positiva en todos los puntos entre el origen y el punto G, lo que implica
que la propiedad P3 de monotonicidad se cumple en estos puntos. Sin embargo, la
monotonı́a no se cumple en todos los puntos de la curva GR.

El producto marginal de x aumenta a medida que avanzamos a lo largo de la función de

producción desde el origen al punto D. Por lo tanto, la propiedad P4 de concavidad no
1
En economı́a, el producto marginal esta definido como la derivada de la función de producción con
respecto a las variables xi
 11

se cumple en estos puntos. Sin embargo, la concavidad se cumple en todos los puntos
en el segmento curvo DR.

En resumen, la función de producción representada en la figura 2.3 viola la propiedad

concavidad en la región de OD y viola la propiedad de monotonicidad en la región GR. No
obstante, es consistente con todas las propiedades a lo largo de la curva entre los puntos D
y G; nos referimos a este intervalo como una región económicamente factible de producción.
Dentro de esta región, el punto E es el punto en el que se maximiza el producto. Nos referimos
a este punto como punto óptimo de operaciones.

Figura 2.3: Función de producción f (x) (Coelli et al. 2005)

2.3. Tipos de rendimientos

Si la función de producción q = f (x) es dos veces continuamente diferenciable se pueden

definir un conjunto de medidas importantes en economı́a. En primer lugar esta el producto
marginal,

∂f (x)
P Mn =
∂xn

El producto marginal M Pn = ∂f∂x(x)

n
mide la respuesta de Salida cuando se varı́a una
Entrada y todas las demás Entradas se mantienen fijas.
Sin embargo, a menudo se tiene el interés en medir la respuesta de Salida cuando se varı́an
todas las Entradas simultáneamente. Si un aumento proporcional en todas las Entradas
 12

resulta en un aumento proporcional de la producción (por ejemplo, si se duplican todos los

insumos y resulta en menos del doble de la producción) entonces se dice que la función de
producción presenta rendimientos decrecientes a escala (o deseconomı́as de escala). Si se dice
que un aumento proporcional de las Entradas resulta en el mismo aumento proporcional
de la producción (por ejemplo, si se duplican todas las entradas y resulta en exactamente
el doble de salida) la función de producción exhibe rendimientos constantes a escala. Por
último, si ocurre un aumento proporcional de las Entradas que conduce a un aumento mayor
a la proporción de las Salidas, entonces función de producción posee rendimientos crecientes
a escala (o economı́as de escala). Matemáticamente puede expresar, suponiendo k > 1.

f (kx) < kf (x) deseconomı́as de escala

f (kx) = kf (x) rendimientos constantes a escala
f (kx) > kf (x) economı́a de escala

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.

2.4. Conjuntos y funciones de economı́a de Producción

El objetivo principal en este sección es proporcionar una introducción a una representación

de la tecnologı́a de producción en teorı́a de conjuntos. Ademas de dar una definición de las
funciones de distancia, que se pueden utilizar para la estimación de la eficiencia técnica
Una manera conveniente de describir la tecnologı́a de producción con varias variables de
Entrada y Salida es utilizando el conjunto de la tecnologı́a S 0 . Donde x denota al vector de
Entrada M x 1 de valores no negativos y q al vector no negativo de Salida de tamaño S x l.
Entonces el conjunto de la tecnologı́a de producción se define como:
 13

S 0 = {(x, q) : x puede producir q}

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.

2.4.1. Conjunto de Salida

La tecnologı́a de producción dada por el conjunto S, se puede definir de manera equiva-

lente usando el conjunto de Salida P (x), que representa el conjunto de todos los vectores de
Salida q, que pueden ser producidos usando el vector de Entrada x. La notación del conjunto
de salida se define por

P (x) = {q : x puede producir q} = {q : (x, q) ∈ S 0 }

El conjunto de Salida es la base para la elaboración de las curvas de posibilidades de

producción. Los conjuntos de Salida se refieren a veces como conjuntos de posibilidades de
producción asociados con diversos vectores de Entrada x.
Para dar un sentido de la teorı́a económica el conjunto de Salida debe cumplir con ciertas
propiedades, que se resumen como sigue. Para cada x se supone que el conjunto de Salida
P (x) satisface:

i 0 ∈ P (x): nada puede producirse a partir de un conjunto dado de insumos

ii Los niveles de producción positivos no pueden ser producidos a partir de niveles de cero
insumos

iii P (x) satisface la fuerte disponibilidad de Salidas, es decir, si q ∈ P (X) y q ∗ ≤ q

entonces q ∗ ∈ P (x)

iv P (x) satisface la fuerte disponibilidad de Entradas, es decir, si q puede ser producido

a partir de x, entonces q puede producirse a partir de cualquier x∗ ≥ x
 14

v P (x) es cerrada

vi P (x) está acotada

vii P (x) es convexa

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.

2.4.2. Conjunto de Entrada

La Entrada asociada con un vector de Salida q, se define como el conjunto:

L(q) = {x : x puede producir q} = {x : (x, q) ∈ S 0 }

El conjunto de Entrada se compone de todos los vectores de Entrada x, que pueden

producir un vector de Salida dado q. Dados los supuestos básicos sobre la tecnologı́a de
producción, las siguientes propiedades de los conjuntos de Entrada se deben cumplir.

i L(q) es cerrada para todo q

ii L(q) es convexa para todo q

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)

iv Se dice las Entradas satisfacen la fuerte disponibilidad, es decir, si x ∈ L(q) y si x∗ ≥ x

entonces x∗ ∈ L(q).

Los conjuntos de Entrada y Salida proporcionan descripciones alternativas de la misma

tecnologı́a de producción pero también se interrelacionan. Se puede verificar que si q pertenece
a P (x) (es decir, q puede ser producido mediante la entrada de vector x) entonces x pertenece
al conjunto de Entrada L(q). Cabe destacar que estas descripciones son equivalentes, ya que
contienen la misma información.
 15

2.4.3. Función de distancia output

Las funciones de distancia son muy útiles en la descripción de la tecnologı́a de producción

y hace que sea posible medir la eficiencia y la productividad. El concepto de una función de
distancia está estrechamente relacionado con las fronteras de producción.
Las funciones de distancia permiten describir la tecnologı́a de producción sin la necesidad
de especificar los costos y el desempeño de la empresa. Una función de distancia input ca-
racteriza la tecnologı́a de producción tomando la mı́nima contracción del vector de insumos.
Mientras que la función de distancia output considera la máxima expanción del vector de
producción.
La función de distancia de salida se define en el conjunto de salida P (x), como:

do (x, q) = mı́n{δ : (q/δ) ∈ P (x)}

Para ilustrar el concepto de una función de la distancia output se va a mostrar un ejemplo

en el que se suponen dos salidas q1 y q2 y una entrada x. Podemos representar la tecnologı́a
de producción en la Figura 2.4 para un vector de entrada dada x. Aquı́ el conjunto de
posibilidades de producción P (x), es el área delimitada por la fronteta de producción y los
ejes q1 y q2 . El valor de la función de distancia para la DMU usando el nivel de entrada x
para producir las salidas q1A y q2A , representado por el punto A, es igual a la proporción
δ = 0A/0B.
Observamos que los puntos B y C están en la frontera de producción, y por lo tanto,
los valores de la función distancia son iguales a la unidad, es decir, do (xB , q1B , q2B ) = 1 y
do (xC , q1C , q2C ) = 1.

2.4.4. Función de distancia input

La función de distancia input esta definida en el conjunto de entrada L(q), como sigue:

di (x, q) = máx{ρ : (x/ρ) ∈ L(q)}

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

Figura 2.4: Función de distancia de salida y Conjunto

de posibilidades productivas (Coelli et al. 2005)

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

di (x, q) ≥ 1 si y sólo do (x, q) ≤ 1

Además, si la tecnologı́a presenta rendimientos constantes a escala, entonces podemos

afirmar que:

di (x, q) = 1/do (x, q) para todo x y q

 17

Figura 2.5: Funcion de distancia input

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).

2.5. Medición de la Eficiencia utilizando distancias

El propósito principal de esta sección es delinear una serie de medidas de eficiencia de

uso común y discutir la forma en que pueden calcularse en relación con una determinada
tecnologı́a de producción que está representada por algún tipo de frontera de producción.
Esta sección define diversas medidas de eficiencia y describe su relación con algunos de los
conceptos desarrollados hasta el momento.
La medición de la eficiencia comienza con Farrell (1957), que se basó en el trabajo de
Koopmans (1951) para definir una medida de eficiencia de las empresas con múltiples En-
tradas. Farrell (1957) propuso que la eficiencia de una empresa consiste en dos componentes:
la eficiencia técnica que refleja la capacidad de una empresa para obtener la salida máxima
de un conjunto dado de insumos y la eficiencia asignativa que refleja la capacidad de una
empresa para utilizar los insumos en proporciones óptimas, dados sus respectivos precios y
 18

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.

2.5.1. Medidas 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 firma bajo consideración es técnicamente eficiente si está en la frontera, en cuyo caso

T E = 1 y di (x, q) es también igual a uno.
Esta medida de eficiencia supone que la tecnologı́a de producción se conoce. En la práctica,
este no es el caso, y la isocuanta eficiente debe estimarse a partir de los datos.
 19

Figura 2.6: Eficiencia técnica

2.5.2. Medidas de Orientación Output

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.

Figura 2.7: Eficiencia tecnica con rendimientos Variables y Constantes a Escala

 20

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.

T E = 0A/0B = do (x, q).

donde do (x, q) es la función de distancia de salida en el vector de entrada observado x y el

vector de salida q observado.
Además, en la Figura 2.8, la distancia AB representa la ineficiencia técnica, que es la
cantidad en que las salidas podrı́an incrementarse sin necesidad de aumentar los insumos.

Figura 2.8: Eficiencia Ténica output orientada

2.6. Eficiencia Escala

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.

Figura 2.9: Fonteras de produccion CRS y VRS

La Figura 2.9 representa la tecnologia de producción, considerando rendimientos variables

a escala (VRS), de tres empresas que tienen una entrada y una sola salida. El conjunto
de producción S, es el área entre la frontera producción VRS, y el eje x. Las empresas
que trabajan en los puntos A, B y C son todas técnicamente eficiente, debido a que están
operando en la frontera de producción. Sin embargo, debido a que la productividad de cada
una de estas firmas es igual a la relación de sus entrada y salida cantidades observadas (es
decir, y/x), y esta expresión es equivalente a la pendiente de la recta que pasa por el origen
y través de los puntos A, B y C, podemos ver que a pesar de que estas tres empresas están
 22

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 }

que es equivalente a encontrar el punto de producción que maximiza la productividad. La

recta que pasa por el punto B a menudo se le llama la frontera CRS.
Una medida la eficiencia de escala puede ser utilizada para indicar la cantidad en que
la productividad se puede aumentar moviendo hasta el punto de máxima producción. Para
ilustrar la eficiencia de escala, representamos la tecnologı́a de producción en la Figura 2.10.
En la figura representamos una empresa técnicamente ineficiente que operan en el punto D,
y describimos cómo se puede calcular la eficiencia de escala mediante una orientación input.
En primer lugar, a partir de esta figura, es evidente que la productividad de la firma de
D (como se refleja en la pendiente de la recta que parte desde el origen) podrı́a mejorarse
moviendo desde el punto D al punto E que esta en la frontera V RS (es decir, la eliminación
de la ineficiencia técnica) y podrı́a mejorarse aún más moviendo desde el punto E al punto
B (es decir, la eliminación de la ineficiencia de escala).
Notemos que el cociente de la pendiente de la recta 0D (q/xD ) y la pendiente de la recta
0E (q/xE ) es igual a la relación GE/GD, y que la proporción de la pendiente de la recta 0E
a la pendiente de la recta 0F (q/xF ) es igual a la relación GF/GE. Por lo tanto, podemos
utilizar las medidas de distancia para calcular las diferencias de productividad.
Es decir, la eficiencia técnica de la firma de D se refiere a la distancia desde el punto a la
tecnologı́a V RS y es igual al cociente

ETV RS = ET P = GE/GD

Además, la eficiencia de escala de la firma de D se refiere a la distancia desde el punto

de proyección en la frontera VRS hasta la frontera CRS y es igual a
 23

Figura 2.10: Eficiencia de Escala

EE = GF/GE

En la literatura DEA, la medida EE generalmente no se obtiene directamente, pero se

calcula indirectamente, si se calcula la distancia desde el punto a la frontera CRS definida
como,

ETCRS = ET G = GF/GD

luego puede ser utilizada para calcular la EE como se muestra a continuación.

EE = ETCRS /ETV RS = (GF/GD)/(GE/GD) = GF/GE

La para la medición de la eficiencia de escala en el caso que se tienen multiples Entradas

y multiples Salidas se puede definir la medida con orientacion Input de la eficiencia de escala
para un un vector de Entrada x y de Salida q, como sigue:

di (x, q|V RS) T ECRS

EE(x, q) = =
di (x, q|CRS) T EV RS

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.

2.7. Análisis Envolvente de Datos (DEA)

El análisis envolvente de datos es un modelo que se utiliza para estimar la eficiencia un

conjunto de unidades de producción o DMU. Para ello Charnes, Cooper y Rhodes (1978)
definen la eficiencia técnica como el cociente de Sr=1 ur yr0 entre M
P P
i=1 vi xi0 , que representan
la suma ponderada de las variables de Salida (output) entre la suma ponderada de las variables
de Entrada (input).
El modelo (2.1) asume N unidades de producción o empresas, las cuales tienen valores no
vacı́os de variables de Entrada y Salida. Para cada DMU existen M variables de Entrada y S
variables de Salida. Los insumos se denotan con xij , donde j es la j-ésima unidad productiva,
i representa el i-ésimo insumo. Análogamente las Salidas se denotan con yrj donde j indica
la j-ésima unidad y r el r-ésimo valor de Salida. Para todo los modelos DEA se asume que
los valores Entrada y Salida son positivos o cero, los que es xij ≥ 0 y yrj ≥ 0.
El modelo DEA CCR es llamado ası́ por las siglas se sus precursores Charnes, Cooper y
Rhodes (1978), los cuales plantearon el modelo DEA fracional. Es un problema no lineal con
orientación hacia las variables de Entrada o de orientación input.

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:

N Se consideran N unidades de producción j = 1, 2, ..., N ; cada una de las cuales utilizan

las mismas Entradas (en diferentes cantidades) para obtener las mismas Salidas (en
diferentes cantidades)
 25

xij (xij ≥ 0) Representa las cantidades de Entradas i (i = 1, 2, ..., M ) consumidos por la

j-ésima DMU.

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 .

ur (r = 1, 2, ..., S) Representa los pesos asociados a las Salidas.

vi (i = 1, 2, ..., M ) Representa los pesos asociados a las Entradas.

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

2.7.1. DEA CCR en forma multiplicativa.

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

Luego se obtiene el siguiente problema de programación lineal,

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

y0 representa el vector Salidas de la DMU que está siendo evaluada.

x0 representa el vector Entradas de la DMU que está siendo evaluada.

µ es el vector (S x l) de pesos de Salida

δ es el vector de (M x l) de pesos de Entradas

x11 x12 ··· x1N !
x21 x22 ··· x2N
X es una matriz de Entradas de orden (M x N ) X = .. .. . . ..
. . . .
xM 1 xM 2 ··· xM N
y11 y12 ··· y1N !
y21 y22 ··· y2N
Y es una matriz de Salidas de orden (S x N ) Y = .. .. . . ..
. . . .
yS1 yS2 ··· ySN

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.

2.7.2. DEA CCR (dual) en forma matricial

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.

θ denota la puntuación de eficiencia técnica

mı́n z0 = θ de la Unidad.
θ
sujeto a: λ es el vector (N x 1) de pesos o multiplicado-
Xλ ≤ θx0 (2.6) res λ = (λ1 , λ2 , ..., λN )t . De esta manera
Y λ ≥ y0 λi representa el peso o multiplicador de
λ ≥ 0, θ ∈ R la unidad j.

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.

2.7.3. Método DEA CCR en dos etapas

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

condición de eficiencia de Farrell, a un punto sobre la superficie eficiente que satisface la

condición de optimalidad de Pareto-Koopmans 2 .

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

s+ es el vector de holguras de dimensión S, asociado a las variables de Salida

s− el el vector de holguras de dimensión M , asociado a las variables de Entrada

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− .

mı́n z0 = θ − (Is+ + Is− )

θ,λ,s+ ,s−
sujeto a:
Xλ + s− = θx0 (2.8)
Y λ − s+ = y0
λ, s+ , s− ≥ ~0, θ ∈ R

2.7.4. Modelo DEA BCC

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:

Rendimientos constantes: es cuando el incremento porcentual de las variables de Salida

es igual que el incremento porcentual de los recursos o variables de Entrada.

Rendimientos crecientes: el incremento porcentual de las variables de Salida es mayor

que el incremento porcentual de las variables de Entrada

Rendimientos decrecientes: el incremento porcentual de las variables de Salida es menor

que el incremento porcentual de los factores productivos.

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.

Figura 2.11: Fronteras RCE, RVE y RNCE

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)

2.7.5. Caracterización de la eficiencia por rendimientos

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:

co > 0 indica que la unidad de producción evaluada posee rendimientos crecientes a

escala.

co = 0 indica que en la unidad de producción evaluada prevalecen los rendimientos

constantes a escala.

co < 0 indica que en la unidad de producción evaluada prevalecen los rendimientos

decrecientes a escala.

Por tanto, al resolver el problema de optimización se deben estimar las variables u, v y c0 .

De las cuales, el signo de la variable c0 va a determinar el tipo de rendimiento de la unidad0 .
Análogo al cambio de variable de normalización que se realizó en capı́tulos anteriores se puede
aplicar para obtener el modelo en su forma multiplicativa.

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

Figura 2.12: Forma envolvente de la frontera VRS

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.

2.7.6. Modelo DEA BCC en forma envolvente

El modelo DEA BCC al igual que el DEA CCR posee un problema dual asociado en dos
etapas, como se muestra en a continuación.

mı́n z0 = θ − (Is+ + Is− )

θ,λ,s+ ,s−
sujeto a:
Xλ + s− = θx0 (2.11)
Y λ − s+ = y0
λt~1 = 1
λ, s+ , s− ≥ ~0, θ ∈ R

El problema presentado (2.11) es distinto al modelo DEA CCR en su forma (2.8), ya que
 34

existe una restricción de adicional que es llamada la restricción de convexidad.

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

2.7.7. Orientación DEA

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 resumen dependiendo de la orientación definida, una DMU es eficiente si y solo si, no es

posible incrementar las cantidades de las Salidas fijando las cantidades de Entrada utilizadas,
ni es posible disminuir las cantidades de Entrada utilizadas sin alterar las cantidades de Salida
obtenidas.

Figura 2.13: Orientaciones en el modelo DEA

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

DMU0 , según sea el caso.

Tabla 2.1: DEA con orientacion output

DEA CCR DEA BCC

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

2.8. Método de Fronteras Estocásticas

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.

2.8.1. Fronteras estocásticas de Producción

Anteriormente se consideró una medida de la eficiencia económica de una empresa que es

llamada la eficiencia técnica, que mide la capacidad de la empresa para obtener el máximo
 37

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:

lnqi = x0i β − ui para i = 1, 2, ..., N (2.12)

donde qi representa la salida de la i-ésima empresa; xi es un vector M x 1 que contiene los

logaritmos de los insumos; β es un vector de parámetros desconocidos a estimar; y ui , es una
variable aleatoria no negativa asociada con la ineficiencia técnica.
La frontera de producción (2.12) es determinista. Un problema con las fronteras de este
tipo (y con la frontera DEA) es que no se tiene en cuenta los errores de medición y otras
fuentes de ruido estadı́stico, todas las desviaciones de la frontera se supone que son el resultado
de la ineficiencia técnica. Una solución a este problema es introducir otra variable aleatoria
que representa el ruido estadı́stico. La frontera resultante se conoce como una frontera de
producción estocástica.
Aigner, Lovell y Schmidt (1977) y Meeusen y van den Broeck (1977) propusieron de
manera independiente el modelo de función de producción frontera estocástica de la forma

ln qi = x0i β + vi − ui para i = 1, 2, ..., N (2.13)

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

qA∗ = exp(β0 + β1 lnxA + vA )

qB∗ = exp(β0 + β1 lnxB + vB )

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

Figura 2.14: Frontera estocástica

2.8.2. Estimación de los Parámetros

Cada vi se distribuye de forma independiente de cada ui , y no están correlacionados con

las variables explicativas en xi . Además las variables ui y vi cumplen con lo siguiente:

E(vi ) = 0, (media cero)

E(vi2 ) = σv2 (homocedástico)
E(vi vj ) = 0 para todo i = j, (no correlacionada)
E(u2i ) = constante, (homocedástico)
E(ui uj ) = 0 para todo i = j, (no correlacionada)

Aigner, Lovell y Schmidt (1977) propusieron las estimaciones de Máxima Verosimilitud

bajo los supuestos

vi ∼ iidN (0, σv2 ) (2.17)

ui ∼ iidN + (0, σu2 ) (2.18)

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.

2.8.3. Estimación de la Eficiencia Técnica

Como ya se mencionó anteriormente la eficiencia técnica de una empresa tomando en

cuenta el método de Fronteras estocásticas se define como,

ETi = exp(−ui ) para i = 1, 2, ..., N (2.19)

La ecuación (2.19) da una estimación de la eficiencia técnica de una empresa o industria

productiva. A continuación, consideramos la metodologı́a de estimación, en el contexto del
modelo de frontera estocástica suponiendo la distribución Half Normal.
Con el fin de predecir la eficiencia técnica, se necesita tener alguna información sobre ui .
Entonces se estima la variable de ruido estocástico como sigue:

 
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

2.8.4. Prueba de Hipótesis

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

LR = −2[ln LR − ln LU ] ∼ χ21−α (2)

donde ln LR y ln LU denotan los valores máximos del logaritmo de la función de verosimilitud

que se distribuyen como una chi-cuadrado con dos grados de libertad con una confianza de
1 − α.

2.9. Comparación de los métodos DEA y SFA

En la tabla 2.2, se muestran las caracterı́sticas principales exponentes de las técnicas

paramétricas, fronteras estocásticas (SFA), y las no paramétricas, análisis envolvente de datos
(DEA), para la medición de la eficiencia. A pesar de estos enfoques, ninguna de las técnicas
anteriormente mencionadas domina a la otra, ya que ninguno de los dos métodos es perfecto
y ambos presentan ventajas e inconvenientes. Por esta razón, la escogencia de uno y otro
dependerá del caso concreto de estudio.

Tabla 2.2: Principales caracterı́sticas del modelo DEA y SFA

Análisis envolvente de datos (DEA) Fronteras estocásticas (SFA)

*Enfoque no paramétrico
*Enfoque determinista
*No considera error aleatorio
*Sólo contempla factores controlables por
la empresa
*No permite contrastar hipótesis es-
tadı́sticas
*No realiza supuestos sobre la distribución
del término de ineficiencia
*No requiere especificar una forma funcio-
nal de producción
*Facilidad de acomodar procesos multi-
productivos
*Sensible al número de variables y a erro-
res de medición
*Método de estimación que utiliza progra-
mación matemática
*Enfoque paramétrico
*Enfoque estocástico
*Considera error aleatorio
*Contempla factores controlables y no
controlables por la empresa
*Permite contrastar hipótesis estadı́sticas
*Realiza supestos sobre la distribución del
término de ineficiencia
*Requiere especificar una forma funcional
de producción
*Dificultad e imposibilidad de acomodar
procesos multiproductivos
*Puede confundir ineficiencia con una ma-
la especificación del modelo
*Método de estimación utilizado es es-
tadı́stico
 CAPÍTULO III

MARCO METODOLÓGICO

En este capı́tulo se describen los procedimientos llevados a cabo para la estimación de

una frontera eficiente mediante dos métodos distintos, además de especificar las herramientas
utilizadas para su estimación

3.1. Base de datos

En el presente trabajo de investigación se utilizaron datos proporcionados por el Banco

Central de Venezuela (BCV). Los datos utilizados contienen la información de la producción
de un conjunto de empresas pertenecientes al sector manufacturero venezolano. Especı́fica-
mente, para cada empresa se tienen las mediciones de del valor agregado de la producción
en Bs, de los activos fijos en Bs, el consumo intermedio en Bs, y la cantidad de trabajadores
que posee. La data proporcionada corresponde a 261 empresas del año 2007.
Contreras, Santeliz, y Carvallo (2012) proponen la elección de las variables activos, con-
sumo intermedio y el trabajo para la explicación de la producción de una empresa.

3.2. Estimación de la frontera eficiente DEA

Se estimó la eficiencia de la productividad de las empresas utilizando el modelo DEA

BCC propuesto por Banker, Charnes y Cooper (1984). Se utilizó este método debido a que
este modelo considera que los rendimientos de las empresas son variables a escala. La cual, es
una ventaja sobre el modelo CCR, pues se estima una eficiencia en un sentido mas realista.
Este modelo permite establecer tres tipos de eficiencia. Cada una de estas medidas define
cierto comportamiento de las DMUs, lo que permite identificar cómo debe operar cada una
de las DMUs evaluadas para alcanzar el nivel de eficiencia necesario a fin de ubicarse sobre
la frontera eficiente:
 43

La eficiencia técnica pura refleja en qué medida la empresa aprovecha el rendimiento de

los insumos empleados

La eficiencia de escala refleja el nivel que una empresa en comparación con la escala de
producción que tiene el grupo.

La eficiencia técnica global es aquella que refleja la combinación de la eficiencia técnica

pura y la eficiencia de escala, por lo que establece una medida de la eficiencia más
general.

A modo de hacer la comparación del modelo de DEA y fronteras estocásticas, se prefirió

establecer una orientación hacia las salidas, ya que según Coelli, Rao, O’Donnell y Battese
(2005) las fronteras estocásticas establecen la misma medida hacia las salidas para la estima-
ción de la eficiencia. La orientación hacia las salidas tiene como objetivo principal aumentar
su producción con determinada cantidad de insumos.
El problema de programación lineal a resolver va estar determinado por la variables de
Entrada (Activos, Consumo intermedio y el Trabajo), y la variable de Salida (Producción).
El software STATA resuelve el siguiente problema de programación lineal, para estimar la
eficiencia de la DMU0 .

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

3.3. Mejora potencial

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

En este orden de ideas, la proyección de la empresa ineficiente proporciona una medida

de mejora potencial para las variables de Entrada y Salida. En nuestro caso, se realizó el
cálculo de la mejora potencial dado por la ecuaciones (3.2) y (3.3) asociado a las variables de
producción, activos, consumo intermedio y trabajo. Resultando la capacidad de mejora de la
productividad de algunas empresas para el aumento de la producción en un futuro cercano.

3.4. Estimación de la frontera estocástica

Se hizo la estimación de la frontera estocástica de producción y con ello la eficiencia técnica

usando el modelo propuesto por (Battese y Coelli ,1995), que según (Gonzalez, 2004) sus
ventajas radican en que se realizan supuestos sobre la distribución del término de ineficiencia
para la estimación de fronteras de producción. Otras ventajas relevantes son, como afirma
(J. Arias 2009) tener la posibilidad de separar los efectos aleatorios no controlables por las
empresas de la ineficiencia de las mismas, además de permitir el contraste de hipótesis en la
estimación de la eficiencia.
Se utilizó la función de transformación logarı́tmica de Coob Douglas de la siguiente ma-
nera:

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

donde q es el valor agregado de la producción de la empresa y xi son insumos (trabajo,

activos fijos y consumo intermedio). También la ecuación añade términos de segundo orden
de interacción de los insumos. Las variables aleatorias v y u se distribuyen como una Normal
y Half-Normal respectivamente, con media cero y varianza no nula. Las variables utilizadas
en el modelo de frontera estocástica dado por la ecuación (3.4) están explicadas en la tabla
3.1 que se presenta a continuación.
Una vez se hayan estimado los valores de los parámetros del modelo (3.4) con el método
de Máxima Verosimilitud que propusieron (Aigner, Lovell y Schmidt 1977). Entonces, será
posible estimar la componente estocástica u mediante (2.20) y la eficiencia técnica de cada
empresa por (2.21).
Finalmente, para validar la efectividad de la estimación del modelo de fronteras estocásti-
cas, se aplicó una prueba de hipótesis LR. La cual tiene como hipótesis nula H0 : σu2 = 0 y
 46

Tabla 3.1: Descripción de las variables

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.

3.5. Software STATA

STATA es un paquete de software estadı́stico creado en 1985 por StataCorp. Es utiliza-

do principalmente por instituciones académicas y empresariales dedicadas a la investigación,
especialmente en economı́a, sociologı́a, ciencias polı́ticas, biomedicina y epidemiologı́a. Sta-
ta proporciona un múltiples herramientas estadı́sticas entre estas funcionalidades están: la
gestión de datos, el análisis estadı́stico, el trazado de gráficos y las simulaciones.
El tipo de archivos que utiliza son de extención:

.dta archivos de datos

.do archivos de comandos

.ado programas

.hlp archivos de ayuda

.gph gráficos

.dct archivos diccionarios

.smcl archivos log

La comunidad de usuarios e investigadores pueden consultar en Stata Journal artı́culos

de interés para el uso apropiado de el software. Stata Journal una publicación trimestral que
contiene artı́culos sobre estadı́sticas, análisis de datos, métodos de enseñanza, y el uso eficaz
del lenguaje de Stata. La revista publica artı́culos revisados junto con las notas más cortas y
 47

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

Figura 3.1: Fronteras estocásticas en STATA (a)

Figura 3.2: Fronteras estocásticas en STATA (b)

 CAPÍTULO IV

ANÁLISIS Y DIAGNOSTICO DE LA EFICIENCIA

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.

Tabla 4.1: Estadı́stica descritiva

Muestra Media Mediana Desv est Mı́nimo Máximo

PRODUCCIÓN 261 152543,2 49293,1 307896,3 117,0 2837824,0
CONSUMO INT 261 101587,9 32703,8 212269,5 6,3 1997746,1
ACTIVOS 261 18030,2 5205,6 49896,7 28,6 505071,2
TRABAJO 261 19004,9 9831,2 34747,7 66,6 422087,9

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

Figura 4.1: Boxplot de variables

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.

4.1. Metodologı́as empleadas

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

Para la estimación de todas la medidas y estadı́sticos; la elaboración de gráficos de boxplot

y histogramas, se ultilizó el software STATA 12. En el cual se implementó el modelo DEA
usado por Ji y Lee (2010) y el modelo de Fronteras estocásticas que ya estaba incorporado
como una herramienta de STATA 12.

4.1.1. Modelo DEA BCC

En esta sección se muestran los resultados que se obtuvieron al implementar el modelo

DEA BCC para la estimacion de la eficiencia técnica global de las empresas venezolanas. A
continuación, se muestran las empresas más eficientes según el modelo DEA en la tabla 4.2,
donde se puede apreciar que las empresas más eficientes. Nótese que están clasificadas como
eficientes porque utilizan una cantidad de insumos para obtener el máximo producto posible.

Tabla 4.2: Eficiencia y variables de holgura de las empresas eficientes

Tipos de Eficiencia Variables de holgura

DMU ETG ET EE Cons Act Trab Prod
14 1 1 1 0 0 0 0
23 1 1 1 0 0 0 0
25 1 1 1 0 0 0 0
32 1 1 1 0 0 0 0
34 1 1 1 0 0 0 0
117 1 1 1 0 0 0 0
143 1 1 1 0 0 0 0
178 1 1 1 0 0 0 0
215 1 1 1 0 0 0 0
232 1 1 1 0 0 0 0
243 1 1 1 0 0 0 0

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

Tabla 4.3: Insumos y producción de Empresas eficientes

DMU ETG ET EE Producción Consumo Activos Trabajo

243 1 1 1 1.972.134,0 1.060.342,2 29.918,5 158.795,2
23 1 1 1 706.894,8 457.944,9 27.278,1 18.066,8
178 1 1 1 347.812,7 297.612,9 3.286,2 22.338,3
117 1 1 1 223.850,0 65.054,8 12.683,8 31.488,1
25 1 1 1 147.525,9 131.646,3 2.272,5 7.882,7
143 1 1 1 28.486,1 8.795,7 1.315,1 7.318,1
14 1 1 1 14.236,0 10.730,9 31,4 2.146,8
232 1 1 1 10.132,6 3.706,0 204,4 1.353,1
215 1 1 1 9.959,7 5.910,5 49,8 1.172,2
32 1 1 1 4.543,8 1.110,2 486,6 2.536,5
34 1 1 1 672,5 6,3 351,5 187,8

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.

Tabla 4.4: Eficiencia y variables de holgura de las más empresas ineficientes

Tipos de eficiencia Variables de holgura

DMU RVE ETG ETP EE Cons Act Trab Prod
145 drs 0,463 0,549 0,844 0 0 22399 0
66 irs 0,461 0,461 1,000 0 5332 0 0
218 irs 0,460 0,460 1,000 0 9880 0 0
159 drs 0,452 0,480 0,941 0 4189 0 0
63 drs 0,448 0,480 0,932 0 0 2076 0
140 irs 0,445 0,445 0,999 0 1282 0 0
208 irs 0,438 0,439 0,998 0 879 0 0
99 irs 0,433 0,433 1,000 0 7835 0 0
79 drs 0,416 0,482 0,862 0 3042 0 0
7 irs 0,403 1,000 0,403 0 0 0 0
5 irs 0,368 0,369 1,000 0 5533 0 0

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

Tabla 4.5: Empresas menos eficientes

DMU RVE ETG ETP EE Producción Consumo Activos Trabajo

145 drs 0,463 0,549 0,844 187.993 123.963 19.849 69.153
66 irs 0,461 0,461 1,000 61.469 40.959 12.907 18.064
218 irs 0,460 0,460 1,000 117.304 101.424 22.970 27.052
159 drs 0,452 0,480 0,941 47.022 28.325 9.908 15.565
63 drs 0,448 0,480 0,932 42.295 30.081 4.066 13.449
140 irs 0,445 0,445 0,999 45.656 30.275 7.233 14.282
208 irs 0,438 0,439 0,998 26.744 21.447 4.374 7.388
99 irs 0,433 0,433 1,000 97.326 71.202 20.272 29.672
79 drs 0,416 0,482 0,862 25.866 15.233 7.209 25.866
7 irs 0,403 1,000 0,403 117 43 85 67
5 irs 0,368 0,369 1,000 48.244 40.668 12.949 17.575

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.

Tabla 4.6: Estadı́stica descriptiva de la Eficiencia

Media Mediana Desv est Mı́nimo Máximo

ETG 0,655 0,624 0,139 0,368 1
ET 0,681 0,641 0,151 0,369 1
EE 0,966 0,994 0,067 0,403 1

El histograma 4.2 muestra que la eficiencia global de las empresas venezolanas en el

2007 se sitúan entre 0,3 y 1. De los cuales exite un 60 % aproximadamente que tienen una
medida de eficiencia del 0,5 al 0.7. Además se puede notar que en promedio las empresas
son clasificadas con una eficiencia técnica global de 0,65. Notemos también que 9 de cada 10
empresas venezolanas tienen una eficiencia mayor a 0,5. Lo cual, nos da una idea de como
fue productividad en la economı́a venezolana en el 2007, es decir, que en general el sector
manufacturero tuvo una eficiencia promedio de 0,65 y la mayorı́a tienen una eficiencia mayor
a 0,5.
 54

30
20
Percent
10
0

0 .2 .4 .6 .8 1
ETG

Figura 4.2: Histograma de la Eficiencia técnica global

30
20
Percent
10
0

0 .2 .4 .6 .8 1
ET

Figura 4.3: Histograma de la Eficiencia Técnica Pura

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

Figura 4.4: Histograma de la Eficiencia de escala

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

Figura 4.5: Boxplot de Eficiencia técnica global,

Eficiencia técnica pura y Eficiencia de Escala
 56

En el gráfico de boxplot 4.5 se puede observar el comportamiento de la eficiencia de estas

empresas en el 2007. Puede observar que la eficiencia de escala es mayor a 0,9, los que nos dice
que la frontera de rendimientos variables RVE está muy cerca a la de rendimientos constantes
RCE. Por tanto, estas empresas si quieren aumentar su productividad deben optimizar su
tecnologı́a de producción.
Además como la eficiencia global esta dada por la relación ET G = ET P · EE y la EE
es casi 1, entonces se tiene que la eficiencia técnica global está explicada mayormente por la
ET P .

4%

50%
46%

- drs
irs

Figura 4.6: Tipo de rendimientos

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.

Análisis de los pesos

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

Donde, Xj son los insumos correspondientes a la empresa j, y Yj son los productos

correspondientes a la empresa j.
Los valores de los insumos x∗0 y productos y0∗ son llamados valores objetivo, ya que repre-
sentan hasta cuanto puede mejorar la empresa0 dada una frontera de producción. En la tabla
4.7 se puede observar las empresas con menor eficiencia técnica global y el valor de la proyec-
ción en la frontera eficiente. Se puede observar que las unidades clasificadas como ineficientes
podrı́an aumentar su producción. En particular, la empresa 5 puede aumentar su producto
de 48244 hasta 130873. Pero no todas las empresas pueden aumentar su productividad. La
entidad 7 a pesar de ser ineficiente en el sentido global, tiene una máxima eficiencia técnica
pura (ET P = 1) y presenta ineficiencia de escala (EE = 0.403). Es decir, la empresa 7 se
encuentra en la frontera rendimientos variables a escala.

Tabla 4.7: Valores objetivo y observados de las empresas ineficientes

VALORES OBJETIVO VALORES OBSERVADOS

DMU Cons Act Trab Prod Cons Act Trab Prod
145 123963 19849 46754 342469 123963 19849 69153 187993
66 40959 7574 18064 133363 40959 12907 18064 61469
218 101424 13090 27052 254922 101424 22970 27052 117304
159 28325 5719 15564 97909 28325 9908 15565 47022
63 30081 4066 11373 88057 30081 4066 13449 42295
140 30275 5951 14282 102514 30275 7233 14282 45656
208 21447 3495 7388 60921 21447 4374 7388 26744
99 71202 12437 29672 224546 71202 20272 29672 97326
79 15233 4167 25866 53654 15233 7209 25866 25866
7 43 85 67 117 43 85 67 117
5 40668 7416 17575 130873 40668 12949 17575 48244
Fuente: Cálculos propios y datos del Banco Central de Venezuela

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

Tabla 4.8: Mejora potencial de las empresas ineficientes

MEJORA POTENCIAL MEJORA POTENCIAL ( %)

DMU ETG Input Output Input Output
Cons Act Trab Prod Cons Act Trab Prod
145 0,463 0 0 22399 154476 0% 0% 32 % 82 %
66 0,461 0 5332 0 71894 0% 41 % 0% 117 %
218 0,460 0 9880 0 137618 0% 43 % 0% 117 %
159 0,452 0 4189 0 50886 0% 42 % 0% 108 %
63 0,448 0 0 2076 45762 0% 0% 15 % 108 %
140 0,445 0 1282 0 56858 0% 18 % 0% 125 %
208 0,438 0 879 0 34178 0% 20 % 0% 128 %
99 0,433 0 7835 0 127220 0% 39 % 0% 131 %
79 0,416 0 3042 0 27788 0% 42 % 0% 107 %
7 0,403 0 0 0 0 0% 0% 0% 0%
5 0,368 0 5533 0 82630 0% 43 % 0% 171 %
Fuente: Cálculos propios y datos del Banco Central de Venezuela
.4
.3
Fraction
.2.1
0

0.00 0.50 1.00 1.50

Mejora potencial Producto

Figura 4.7: Histograma de la proporción de la mejora potencial

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

4.1.2. Modelo de Fronteras Estocásticas

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

Donde q es la producción de las empresas, x1 corresponde lo activos presentes, x2 es el

consumo intermedio y x3 es la cantidad de trabajadores que posee la entidad. Además los
valores a estimar, α0 es el asociado a la constante del modelo, αi son los parámetros de cada
variable de insumos, y los parámetros αij corresponden a los terminos de segundo orden de
los insumos. Las variables aleatorias v y u se distribuyen como una Normal y Half-Normal
respectivamente, con media cero y varianza no nula.
En la tabla 4.11 se muestra la estimacion de los parámetros del modelo con su correspon-
diente estadı́stico de prueba z. Se tomaron en cuenta cuatro modelos para hacer la estimación.
El modelo 1 toma en cuenta todas las variables de primer orden y de segundo orden. En cam-
bio los otros modelos tienen menos variables ya que se consideraron no significativas con una
confianza del 99 %, por ejemplo el modelo 2 se le eliminó la variable (Activos2 )/2.
Al estimar todos los parámetro se obtiene un modelo de fronteras estocásticas. Si conside-
ramos el modelo 1 que contiene todas la variables, entonces la formula va a quedar expresada
de la siguiente manera:

ln q = 1.328 + 0.0722 ln x1 + 0.334 ln x2 + 0.514 ln x3

−0.0455 ln x1 ln x2 + 0.0457 ln x1 ln x3 − 0.160 ln x2 ln x3
+ 12 (−0.000235)(ln x1 )2 + 21 (0.217)(ln x2 )2 + 21 (0.114)(ln x2 )2

Posteriormente, se hizo la estimación la eficiencia técnica de cada de las empresas del

2007 con cada uno de los modelos mencionados anteriormente. Luego se hizo el boxplot de la
eficiencia correspondiente a cada modelo de fronteras estocásticas que se muestra en la figura
4.8. Se puede observar que en el modelo 1 se tiene una eficiencia técnica que varı́a de 0.9980
a 0.9982, mientras que en los modelos 2, 3 y 4 varı́an entre 0.9982 y 0.9984.
Además, en la tabla 4.9 se muestra la estimación de la eficiencia obtenida a partir del
término de ineficiencia u. Se verifica que la media de la eficiencia técnica es muy parecida
en todos los modelos, con una estimación promedio de (ET = 0.998). Adicionalmente es
 60

.9984
.9983
.9982
.9981
.998

Modelo 1 Modelo 2
Modelo 3 Modelo 4

Figura 4.8: Boxplot de la eficiencia técnica

importante destacar que en todas las estimaciones la desviación estándar de u es sumamente

pequeña (1.02E-05), lo que nos da un indicio que puede ser cero. Por ello, se hace necesario
aplicar una prueba de hipótesis para verificar que σu2 = 0.

Tabla 4.9: Estimación de u y la eficiencia técnica

MODELO 1 MODELO 2 MODELO 3 MODELO 4

u ET u ET u ET u ET
Media 0,0019 0,9981 0,0017 0,9983 0,0018 0,9982 0,0017 0,9983
Desv. Est. 1,28E-05 1,27E-05 1,02E-05 1,02E-05 1,10E-05 1,10E-05 1,04E-05 1,04E-05
Min 0,0018 0,9981 0,0016 0,9983 0,0017 0,9982 0,0017 0,9983
Max 0,0019 0,9982 0,0017 0,9984 0,0018 0,9983 0,0018 0,9983
Rango 1,04E-04 1,03E-04 8,27E-05 8,26E-05 8,96E-05 8,94E-05 7,87E-05 7,86E-05

La estimación de la eficiencia en las fronteras estocásticas esta determinada por la com-

ponente estocástica u, la cual se distribuye como una Half Normal con media cero y varianza
no nula, es decir, u ∼ N + (0, σu2 ).
A continuación se van a verificar los supuestos del modelo propuesto, en primera instancia
se va a verificar la distribución de la variable u.
En la figura 4.9 se muestra el histograma de u, donde se puede observar que podrı́a tener
una distribución Half Normal, ya que tiene la forma de la parte positiva de una distribución
Normal.
 61

60
40
Percent
20
0

0 .00005 .0001 .00015

u

Figura 4.9: Historama de u

Luego se procedió a aplicar la prueba LR para comprobar si la estimación de la compo-

nente estocástica se apega a los supuestos. Entonces, se tomó como hipótesis nula H0 : σu2 = 0
e hipótesis alternativa H1 = σu2 > 0. Los resultados obtenidos se muestran en la tabla 4.10,
donde se puede notar que en los modelos 1, 2, 3 y 4 se acepta que la varianza del término de
ineficiencia es cero con una significancia del 5 %.

Tabla 4.10: Prueba de hipótesis LR

MODELO 1 MODELO 2 MODELO 3 MODELO 4

Estadı́stico de Prueba 0 0 0 0
p-valor 1 1 1 1

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

Tabla 4.11: Estimación de la frontera estocástica de producción

Modelo 1 Modelo 2 Modelo 3 Modelo 4

Activos 0.0722 0.0730
(0.74) (1.00)
Consumo intermedio 0.334∗∗∗ 0.334∗∗∗ 0.345∗∗∗ 0.241∗∗∗
(4.09) (4.09) (4.25) (3.69)
Trabajo 0.514∗∗∗ 0.513∗∗∗ 0.586∗∗∗ 0.732∗∗∗
(3.35) (3.62) (4.80) (7.21)
Activos x Consumo -0.0455∗∗ -0.0455∗∗ -0.0476∗∗ -0.0657∗∗∗
(-2.97) (-2.97) (-3.13) (-5.17)
Activos x Trabajo 0.0457 0.0454∗ 0.0558∗∗ 0.0766∗∗∗
(1.44) (2.24) (3.21) (5.27)
Consumo x Trabajo -0.160∗∗∗ -0.160∗∗∗ -0.165∗∗∗ -0.107∗∗∗
(-5.28) (-5.37) (-5.61) (-9.72)
(Activos2 )/2 -0.000235
(-0.01)
(Consumo2 )/2 0.217∗∗∗ 0.217∗∗∗ 0.222∗∗∗ 0.196∗∗∗
(10.31) (10.55) (11.11) (12.30)
(Trabajo2 )/2 0.114∗ 0.114∗ 0.102∗
(2.09) (2.31) (2.12)
Intercepto 1.328∗∗∗ 1.328∗∗∗ 1.252∗∗∗ 1.136∗∗∗
(3.38) (3.83) (3.61) (3.34)
ln σv2 -3.677∗∗∗ -3.677∗∗∗ -3.673∗∗∗ -3.656∗∗∗
(-41.24) (-41.92) (-41.77) (-41.64)
ln σu2 -12.10 -12.32 -12.24 -12.29
(-0.06) (-0.14) (-0.10) (-0.12)
Observaciones 261 261 261 261
Log verosimilitud 109.5 109.5 109.0 106.8
Chi cuadrado 23789.3 23789.2 23696.7 23290.4
Grados de lib 9 8 7 6
σv 0.159 0.159 0.159 0.161
σu 0.00236 0.00211 0.00220 0.00214
En paréntesis el estadı́stico z
∗
p < 0.05, ∗∗ p < 0.01, ∗∗∗ p < 0.001
 CONCLUSIONES Y RECOMENDACIONES

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.

Ali, A. I. y Seiford, L. M. (1993). The mathematical programming approach to efficiency

analysis. The measurement of productive efficiency, pp. 120–159.

Álvarez Pinilla, A. (2001). La medición de la eficiencia y la productividad.

Arias, J. D. y M.Sc. Requena, K. (2009). Evaluación de la eficiencia bancaria en venezue-

la desde el análisis de fronteras deterministas (perı́odo 2005 - 2008). Tesis de máster,
Universidad de Oriente, Cumaná Venezuela.

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.

Chvatal, V. (1983). Linear programming. Macmillan.

Coelli, T. J., Rao, D. S. P., O’Donnell, C. J., y Battese, G. E. (2005). An introduction to

efficiency and productivity analysis. Springer Science & Business Media.

Coll, V. y Blasco, O. M. (2006). Evaluación de la eficiencia mediante el análisis envolvente

de datos. Juan Carlos Martı́nez Coll.
 66

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.

González, M. M. (2004). Eficiencia en la provisión de servicios de infraestructura portuaria:

Una aplicación al tráfico de contenedores en España. Tesis doctoral, Universidad de Las
Palmas de Gran Canaria, Las Palmas de Gran Canaria.

Ji, Y.-b. y Lee, C. (2010). Data envelopment analysis. The Stata Journal, 10(2):267–280.

Koopmans, T. C. (1951). Analysis of production as an efficient combination of activities.

Activity analysis of production and allocation, 13:33–37.

Kumbhakar, S. C. y Lovell, C. K. (2000). Stochastic Frontier Analysis. Cambridge University

Press.

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.

Valecillos, H. (1994). Reajuste estructural de la economı́a y desindustrialización en venezuela.

Revista BCV, (8):61–99.

Velásquez, E. (2003). Desindustrialización y polı́tica económica. Diario Tal Cual.

Vera, L. V. (2009). Cambio estructural, desindustrialización y pérdidas de productividad:

evidencia para venezuela. Cuadernos del CENDES, (71):89–115.