Título: Análisis de la Envoltura de Datos – Usos y Aplicaciones Autor: David Güemes Castorena, D.Sc. Fecha: Julio del 2004 Palabras Clave: Análisis de la Envoltura de Datos, DEA, Análisis de Eficiencia Resumen Este artículo se enfoca a describir la utilización de una metodología de programación lineal llamada Análisis de la Envoltura de Datos, DEA (del inglés Data Envelopment Analysis), para determinar la eficiencia interna de unidades de negocio, poder compararlas y determinar acciones para incrementar la eficiencia de las unidades de negocio que necesitan mejorar. La descripción de la metodología se presenta, así como los pros y los contras del uso de DEA. Un ejemplo se ilustra y los resultados del análisis son explicados posteriormente. 1. ¿Qué es un Análisis de la Envoltura de Datos (DEA)? DEA es una metodología que se utiliza para analizar la eficiencia relativa de varias unidades de negocio que participan en el análisis comparativo (una unidad de negocio se refiere a unidades que tienen características semejantes entre si, que tienen objetivos y funciones similares). La metodología utiliza técnicas de programación lineal y principios de análisis de frontera para analizar la eficiencia relativa de dichas unidades de negocio, donde la presencia de múltiples entradas y múltiples salidas hace que una comparación sea muy difícil de realizar. DEA simplifica el benchmarking – la comparación de ciertas unidades contra las unidades que obtienen mejores resultados en la misma área. Existen ocasiones en las que necesitamos comparar unidades de negocio sobre las cuales podemos tener influencia en el desempeño de los mismos, y necesitamos conocer cuáles son las unidades que no son eficientes, no proporcionan la calidad esperada, y/o no son efectivos, para identificar sus debilidades y poder tomar acción para elevar su nivel de eficiencia. Comúnmente tenemos toda la información disponible para todas las unidades de negocio, pero no tenemos una forma de analizar la información sobre el desempeño de las unidades de negocio y tampoco podemos compararla. Ejemplos de las unidades de negocio pueden ser los proveedores de servicios, las constructoras, las instituciones financieras, las instituciones educativas (universidades, colegios, escuelas), instituciones de salud (hospitales, clínicas), fábricas, tiendas, centros de investigación, gobiernos locales, etc., y ejemplos publicados de aplicaciones de DEA en estas áreas son extensos. Un método que se ha utilizado comúnmente para determinar las eficiencias de las unidades de negocio es el análisis de radios. Este análisis es sencillo de utilizar pero no es fácil de interpretar cuando las entradas y salidas son múltiples. Veamos un ejemplo de empresas constructoras, tal como se presenta en la Tabla 1. Tabla 1. Perfiles de las empresas constructoras. Entradas Constructora Empresa A Empresa B Empresa C Empresa D Empresa E Costo 900 1500 1000 1400 1900 Personal 15 17 11 16 29 Salidas Construcción K 35 40 20 40 70 Construcción L 30 37 14 23 19 Construcción M 9 25 14 35 63 Las empresas constructoras de la Tabla 1 realizan diferentes tipos de construcciones con diferentes costos y empleando una cantidad diferente de empleados. Existen casos donde la productividad de la empresa i es mayor que la de la empresa j al utilizar determinadas variables, pero puede ser menor al utilizar otras variables. Para poder ver todos los radios, veamos la Tabla 2, y tomemos el ejemplo de la empresa B que es la más eficiente en la construcción tipo L, pero no en los demás radios. Tabla 2. Radios de interés para el análisis. Costo / Costo / Costo / Const. K Const. L Const. M 25.71 30.00 100.00 Empresa A Empresa B 37.50 40.54 60.00 Empresa C 50.00 71.43 71.43 Empresa D 35.00 60.87 40.00 Empresa E 27.14 100.00 30.16 Const. K / Personal 2.33 2.35 1.82 2.50 2.41 Const. L / Personal 2.00 2.18 1.27 1.44 0.66 Const. M / Personal 0.60 1.47 1.27 2.19 2.17 Nota: Los radios sombreados son los más eficientes. Usando el análisis de radios, se puede ver que la empresa C es la más ineficiente, pues no es eficiente en ninguna categoría. Comúnmente se le asignan una ponderación a cada tipo de radio para obtener una suma ponderada y poder evaluar las diferentes empresas, pero este paso asume que el tomador de decisiones conoce la importancia relativa de las opciones – dependiendo del análisis y de la industria de la que se hable, existen radios que comúnmente utilizados pero donde no existe un patrón o un promedio aceptado para dicho radio y el encontrar dicho patrón es un problema en sí que se tiene que resolver antes de abordar el problema original. Otro método que se ha utilizado es el análisis de regresión donde la variable de salida es representada como una función de las variables de entrada. Este tipo de análisis genera un estimado de la relación entre las entradas y las salidas del sistema, y determina una relación entre las variables que puede ser positiva o negativa. Si este análisis se realiza para estudiar la eficiencia de un conjunto de organizaciones, aquellas organizaciones que sean más eficientes que la media se verán beneficiadas y aquellas que salgan por debajo de la media se verán perjudicadas. En este tipo de análisis lo que se mide es el desempeño promedio y no la eficiencia global, y también la función de producción del sistema se debe de determinar con anterioridad y en la mayoría de los casos, eso es precisamente lo que se está buscando, pues la relación entre entradas y salidas no se conocen con precisión. En el caso de las constructoras, se pueden realizar regresiones entre las dos variables de entrada (costo y personal) y cada una de las variables de salida, siendo tres las posibles combinaciones. Con las regresiones es posible predecir el valor esperado de cada caso, y si en realidad se superó ese valor esperado, entonces la unidad operó con mayor eficiencia – residual positivo. En la Tabla 3 se muestran los valores residuales para las tres regresiones posibles. Tabla 3. Residuales de la regresión de las variables de entrada vs. Cada una de las variables de salida y sus valores reales. Constructora Construcción K Construcción L Construcción M Empresa A 1.58 6.53 -2.85 Empresa B 0.17 11.54 -8.63 Empresa C -3.47 -11.08 3.78 2.94 -2.33 5.81 Empresa D Empresa E -1.22 -4.65 1.90 Nota: Los residuales sombreados son los más eficientes. Los valores residuales de la Tabla 3 nos pueden proporcionar información sobre la empresa D que obtiene dos residuales positivos, lo que significa que su desempeño es mejor que el promedio de las empresas. Esto no significa que su desempeño sea el mejor o el más óptimo, sino que es mayor al del promedio. En lugar de determinar el mejor desempeño global, el análisis de regresión identifica el mejor-comparado-al-promedio en cada una de las categorías individuales. En este sentido, el análisis de regresión no es mejor que el análisis de radios. DeLancer (1996) nos comenta que “los análisis tradicionales de radios y de regresión, que son las técnicas más comunes para medir el desempeño, nos proveen información limitada sobre la eficiencia y/o efectividad”. DEA resuelve los problemas con los que se enfrenta el análisis de radios y el análisis de regresión al permitir la comparación simultánea entre varias entradas y salidas del sistema y al no fijar de antemano una función de producción. Como nos explica Charnes (1994), DEA tiene las siguientes ventajas: • • • • DEA no requiere la imposición de una función específica de producción que relacione las variables independientes con las variables dependientes. DEA asigna matemáticamente valores ponderados para las variables de entrada y de salida, lo que evita que un “experto” asigne los valores ponderados (Nyhan & Martin, 1999). DEA realiza comparaciones simultáneas de procesos con múltiples variables de entradas y salidas y produce una “eficiencia” agregada para cada institución. DEA puede calcular la cantidad de recursos que se pueden ahorrar, o la cantidad de recursos adicionales para aquellas instituciones que no son eficientes. DEA se puede utilizar para determinar la eficiencia técnica y/o económica, si la información es proporcionada. Sin embargo, también DEA tiene sus limitantes, entre ellas están • DEA no tiene indicadores para medir error. • DEA no es apropiado para probar hipótesis. DEA está basada en el trabajo de Farrell (1957) “La medición de la eficiencia productiva” y se puede considerar a DEA como una generalización de la eficiencia técnica de una entrada y una salida considerada por Farrell, y ampliada al caso de múltiples entradas y múltiples salidas (Charnes, Cooper, Lewin y Seiford, 1994). DEA se utiliza para estimar la eficiencia de unidades de negocio semejantes – las cuales pueden ser unidades de un mismo negocio o de la competencia. En este artículo se ha definido el término de “eficiencia” como: el radio de las salidas sobre las entradas a un sistema, y en el caso de un sistema que consiste de una sola entrada y una sola salida, eficiencia se puede definir como: Eficiencia = salidas entradas En el caso de un sistema con múltiples entradas y salidas, eficiencia se puede definir como: Eficiencia = suma ponderada de las salidas suma ponderada de las entradas Con múltiples entradas y salidas, la eficiencia es difícil de estimar, especialmente cuando los valores utilizados para la ponderación son desconocidos y se necesitan calcular a priori, como se ha mencionado con anterioridad. Charnes, Cooper y Rhodes (1978) desarrollaron una metodología donde a cada unidad de negocio se le determinan sus propios valores para la ponderación, y así poder calcular la eficiencia relativa a las demás unidades. Es importante mencionar que DEA ofrece una considerable flexibilidad al seleccionar las variables de entrada y de salida, ya que pueden ser variables continuas, ordinales, e incluso variables categóricas. Inclusive para modelos de DEA más complejos, las variables de entrada pueden ser catalogadas como controlables e incontrolables por parte de la administración – un ejemplo de una variable incontrolable puede ser el nivel de competencia en una región para cierta unidad de negocio. El modelo básico de DEA propone que la eficiencia de la unidad de negocio j0 se puede obtener al resolver el siguiente modelo (Boussofiane, Dyson, & Thanassoulis, 1991): t Max h0 = ∑u r =1 m r y rj0 ∑v x i =1 i Ecuación (1) ij 0 Sujeta a: t ∑u r =1 m r y rj ∑v x i =1 i ≤ 1, j = 1,..., n, ij u r , vi ≥ ε , ∀r e i, donde: y rj = cantidad de la salida r de la unidad j, x ij = cantidad de la entrada i de la unidad j, ur = vi = n= t= m= ε = ponderación dada a la salida r, ponderación dada a la entrada i, número de unidades en el estudio número de salidas, número de entradas, número positivo muy cercano a cero. La ecuación (1) nos presenta que la unidad j0 es eficiente (h0 = 1) cuando al compararse con otras unidades, no se presenta algún indicio de que los recursos se estén utilizando ineficientemente. La solución a la ecuación (1) produce la eficiencia de la unidad evaluada j0. La eficiencia de la unidad j0 se maximiza al mantener la eficiencia de las demas unidades con un valor máximo de 1. Como se mencionó previamente, éste modelo tiene la peculiaridad de manejar los valores para las ponderaciones ur y vi como desconocidos, y dichos valores se encuantran al resolver la ecuación. La eficiencia de cada unidad se obtiene al resolver la ecuación (1) para cada unidad de negocio, y los valores de las ponderaciones cambiarán para cada unidad de negocio tratando de maximizar la eficiencia. La eficiencia se puede redefinir, de acuerdo a Charnes y Cooper (1985), y con referencia a la ecuación (1): Una unidad es 100% eficiente cuando: 1. Ninguna de sus salidas puede ser incrementada sin (i) aumentar una o más de las entradas, ó (ii) reducir alguna de las otras salidas. 2. Ninguna de sus entradas puede ser reducicida sin (i) reducir alguna de las salidas, ó (ii) aumentar alguna de las otras entradas. El modelo que se presenta en la ecuación (1) es un problema fraccional que se puede convertir a la forma lineal y utilizar los métodos de programación lineal para su solución. La transformación se presenta en la ecuación 2. s Max h0 = ∑ u r y rj0 Ecuación (2) r =1 Sujeto a: m ∑v x i =1 t i ij0 =1 m ∑ u r y rj − ∑ vi xij ≤ 0, ∀j r =1 i =1 u r , vi ≥ ε En la ecuación (2) el objetivo ha sido linealizado, y métodos como simplex se puede utilizar para resolver el sistema. 2. Representación Gráfica de DEA Una representación gráfica de la metodología es útil para la comprensión del análisis DEA. La Figura 1 presenta un sistema con una sola entrada (x) y una sola salida (y) – personal vs. construcción tipo M. Debido a que DEA utiliza múltiples entradas y salidas, la representación gráfica en la Figura 1 corresponde al de un DEA simplificado a una entrada y una salida. Analizando la Figura 1 se puede ver que DEA se enfoca en las unidades como tal, y no en su comportamiento promedio. DEA es capaz de determinar las unidades que se desempeñan mejor, y son las unidades que se encuentran en la extremidad –constructoras C, D y E– pues con menor cantidad en las variables de entrada (personal) produce una mayor cantidad en las variables de salida (construcciones M); a su vez, DEA también es capaz de fijar metas para las unidades que son ineficientes –constructoras A y B–, y para esto toma como referencia a unidades de negocio estudiadas en el análisis – es decir, toma unidades reales, y no comportamientos ideales. Dichas metas se obtienen al extrapolar los valores hasta la frontera delimitada por las unidades que alcanzan el 100% de eficiencia. Esta extrapolación se puede ver en la Figura 2, la cual muestra un caso de dos salidas y una entrada. Figura 1. Ejemplo gráfico de DEA con una entrada y una salida. 70 Mejor Práctica Cosntrucción M (y) 60 E CDE 50 40 D 30 Comportamiento Promedio B 20 C 10 A 0 10 15 20 Personal (x) 25 30 La Figura 2 presenta el conjunto de constructoras donde se han graficado en el eje X los valores de “Construcciones L / Personal” y en el eje Y los valores de “Construcciones M / Personal”. En este caso específico, las unidades que producen mayores cantidades de ambas salidas serán las más eficientes, y ellas formarán lo que se le denomina “la envoltura” de las unidades más eficientes. En la Figura 2, las constructoras que son 100% eficientes son B, D, y E. Las constructoras A y C son ineficientes y se encuentran localizadas debajo de la envoltura formada por las unidades más eficientes. En este caso, la envoltura se ha prolongado entre la unidad E y el eje Y, al igual que entre la unidad B y el eje X. Figura 2. Representación Gráfica de un sistema con 2 salidas y 1 entrada. 2.5 Mejor Práctica E D Cosntrucción M / Personal 2 EDB C´ B 1.5 C´´ C 1 A 0.5 0 Origen 0 0.5 1 1.5 Construcción L / Personal 2 2.5 Para la constructora ineficiente C, el grupo que sirve como referencia para obtener un valor el cual la unidad C puede alcanzar, está determinado por las unidades D y B, y se ha representado como C’ (ver Dyson, Thanassoulis y Boussofiane, 1990). Dado que para C existen varias formas de mejorar su eficiencia, la cual implica acercarse a la frontera sin importar el camino que se siga, tal como lo muestra el punto C’’ el cual resulta en aumentar únicamente la producción de la construcción tipo L. La eficiencia de C se puede calcular usando la Figura 2, la cual nos muestra los puntos C y C’, donde éste último es el que representa la unidad C si fuese 100% eficiente; OC , donde O es el origen. entonces la eficiencia de C se da por la relación de las distancias OC' 3. Construcción y resultados de un modelo DEA El modelo de DEA se construye más fácilmente si se utiliza la ecuación (2) y se resuelve utilizando el modelo simplex – se recomienda utilizar un programa de cómputo genérico de programación lineal. Los resultados de resolver el problema de las constructoras se vería como lo muestra la Tabla 4, que nos muestra que sólo la empresa C está trabajando ineficientemente en comparación con las otras empresas. Tabla 4. Eficiencia relativa usando el Análisis de la Envoltura de Datos. Constructora Eficiencia Relativa Empresa A Empresa B Empresa C Empresa D Empresa E 100.00 100.00 74.35 100.00 100.00 Si regresamos a revisar el análisis de radios y el de regresión, podemos corroborar la ineficiencia de la empresa C, sin embargo no podemos conocer cuales son las probables mejoras que se le pueden hacer a la empresa C. DEA si nos puede proporcionar estos valores y nos presenta que para la empresa C las empresas que sirven de benchmarking son la B y la D por la proximidad a su desempeño dado se encuentran en la frontera más eficiente. Haciendo un análisis semejante al que nos muestra la Figura 2, podemos calcular las mejoras potenciales a la empresa C, y se muestran en la Tabla 5. Por ejemplo, la empresa C puede mejorar el número de las construcciones K y L en un 34% y las tipo M en un 50%, tal y como lo hacen las empresas B y D, con los recursos con los que cuenta, y además el costo lo puede reducir en 3%. Tabla 5. Constructora C con análisis de mejoras potenciales. Constructora Costo Personal Construcción K Empresa C (original) Mejoras potenciales (%) Empresa C mejorada 1000 -3% 970 11 0% 11 20 34% 26.8 Construcción L Construcción M 14 34% 18.76 14 50% 21 Es importante hacer notar que en este ejemplo fue una sola unidad de negocio la que no fue eficiente de un total de 5; esto se debe a que el poder discriminatorio de DEA trabaja mejor cuando el número de unidades de negocio es grande – un número mínimo de unidades de negocio que se recomienda para DEA debe se tres veces el número de variables de entrada multiplicado por el número de variables de salida (Güemes, 2001). En ejercicios con un número grande de variables de entradas y salidas, es importante realizar análisis de correlación entre las variables para poder reducir el número de variables del estudio y aumentar el poder discriminatorio de DEA. 4. Resumen y Conclusiones Los análisis de eficiencia o de desempeño se han estado desarrollando con herramientas que no nos explican bien lo que está sucediendo en realidad. En este artículo se explicó una metodología alterna que nos ayuda a poder comparar la eficiencia de las unidades de negocio de una manera más clara y objetiva llamada Análisis de la Envoltura de Datos o DEA (por sus siglas en inglés). DEA es superior al análisis de radios y al de regresión ya que incorpora la optimización en lugar de los promedios; también evita la asignación de ponderaciones arbitrarias asignadas por el analista. Sin embargo, al ver que DEA posee ventajas sobre métodos alternativos, es recomendable que las 3 herramientas se usen conjuntamente para poder obtener una perspectiva más completa de la situación analizada. 5. Bibliografía Boussofiane, A., Dyson, R. G., & Thanassoulis, E. (1991). Applied data envelopment analysis. European Journal of Operational Research, 51(1), 1-15. Charnes, A., & Cooper, W. W. (1985). Preface to topics in Data Envelopment Analysis. Annals of Operations Research, 2, 59-94. Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 668-697. Charnes, A., Cooper, W. W., Lewin, A. Y., & Seiford, L. M. (1994). Data Envelopment Analysis: Theory, Methodology, and Application: Kluwer Academic Publishers. DeLancer, P. M. (1996, June). Public productivity and data e-nve-lopm,-nt analysis (DEA): How compatible are they? Paper presented at the annual meeting of the American Society for Public Administration, Atlanta, GA. Dyson, R. G., Thanassoulis, E., & Boussofiane, A. (1990). A Data Envelopment Analysis tutorial, [www document]. Adapted from the 'Data Envelopment Analisis' in Tutorial Papers in Operational Research, L. C. Hendry and R. W. Eglese eds. Operational Research Society, 1990. Available: http://wwww.warwick.ac.uk/~bsrlu/dea/deat/deat1.htm [1999, 11/29/1999]. Farrell, F. M. (1957). The Measurement of Productive Efficiency. Journal of the Royal Statistical Society, Series A(120), 253-290. Güemes-Castorena, David (2001). An efficiency-based decision making model for higher education funding in Mexico. Tesis Doctoral presentada a la Universidad de George Washington. Nyhan, R. C., & Martin, L. L. (1999). Comparative Performance Measurement, a Primer on Data Envelopment Analysis. Public Productivity & Management Review, 22(3), 348-364. Sobre el Autor David Güemes Castorena El Dr. Güemes obtuvo su grado doctoral en ciencias de la administración de la ingeniería en la Universidad de George Washington, en Washington, D.C. en el 2001, y los grados de maestría en ciencias y licenciatura en Ingeniería química ambas del Instituto Tecnológico y de Estudios Superiores de Monterrey (ITESM) campus Monterrey. El Dr. Güemes actualmente desarrolla actividades de docencia e investigación en el ITESM campus Monterrey; anteriormente trabajó en Washington D.C. coordinando la planeación, implementación y evaluación de proyectos de desarrollo educativo y tecnológico en varios estados de los Estados Unidos, así como en varios países de África, Asia y Latinoamérica y en organismos internacionales de desarrollo. El Dr. Güemes puede ser contactado en [email protected].