Captulo 2

Anlisis por Envoltura de Datos (DEA).

CAPTULO 2. Anlisis por Envoltura de Datos (DEA).

1. Introduccin.
La produccin es el acto de transformar recursos en productos. El
objetivo de todo proceso productivo es la creacin de valor a travs de tal
proceso de transformacin. En estricto rigor, todas las decisiones tomadas
sobre la base de criterios econmicos recaen en determinar las combinaciones
de conjuntos de recursos que se utilizarn para producir distintas
combinaciones de productos finales. Dicha decisin se debera tomar a partir
de algn criterio (o funcin objetivo) que defina el nivel de funcionamiento de
las distintas opciones posibles. Dos objetivos complementarios para medir la
eficiencia en la utilizacin de los recursos para la produccin a nivel de las
unidades productivas, son el producir tanto como sea posible, dados los niveles
de recursos disponibles o el utilizar la menor cantidad de recursos posible para
transformarlos en un nivel de produccin dado.
La medicin de la productividad al nivel de las unidades de
produccin resulta ser una condicin necesaria para la evaluacin del
funcionamiento de las mismas. En trminos generales, se entiende por
productividad la relacin existente entre el (o los) productos y los recursos. Su
medicin parte de la cuantificacin de la produccin obtenida y los recursos

Captulo 2

Anlisis por Envoltura de Datos (DEA).

utilizados en el proceso de transformacin productiva. Es pertinente

preguntarse qu utilidad tiene la medicin de la productividad? Se pueden
enumerar algunas razones para preocuparse por la productividad:
1. Un valor fundamental del concepto y su medicin es la
estrecha relacin entre sta y la rentabilidad y/o funcionamiento
de las unidades productivas.
2. Una vez cuantificada la productividad se cuenta con bases
slidas para la planificacin estratgica. El seguimiento del
comportamiento histrico de la productividad puede revelar reas
problemticas en las unidades productivas y promover las
mejoras y el uso eficiente de los recursos disponibles.
3. Mediante la medicin, se adquiere una dimensin concreta que
admite la comparacin con unidades comparables.
La representacin tradicional para medir la productividad consiste
en calcular la relacin entre la creacin de valor agregado (la produccin
propiamente dicha: Y) y el valor de los factores productivos xi, involucrados en
el proceso de creacin de ese valor. Es as que se pueden definir medidas de
productividad parciales (PP):

PPi

Y
xi

i, factor o recurso

de productividades totales (PT):

PT

Y
n

x
i =1

donde i es alguna forma de ponderador (por ejemplo: los precios relativos al

producto). Si nos restringimos a los factores primarios de produccin que
considera la teora econmica tradicional (capital, y trabajo, por ejemplo),
tenemos que la productividad total de los factores tendra la siguiente
expresin:

TFP

Y
K + L

La representacin estndar que ofrece la teora econmica

neoclsica, para medir la productividad, consiste en formular este tipo de

Captulo 2

Anlisis por Envoltura de Datos (DEA).

relacin a travs de la funcin de produccin, la cual indica el valor agregado o

producto mximo que puede obtenerse a partir de un conjunto de recursos que
se utilizan tan eficientemente como sea posible. Un factor objetivo y limitante
en la forma que adquiere la funcin de produccin, es la tecnologa imperante
en el momento al que corresponden los datos con los que se realiza la
estimacin.
De esta forma, la manera de medir la eficiencia de una unidad de
produccin sera comparar el valor agregado generado por ella con el valor
agregado que define la funcin de produccin a idnticos niveles de utilizacin
de los recursos o factores. En tal sentido, la funcin de produccin cumple el rol
del ideal terico con el cual comparar el funcionamiento de las unidades. Una
aproximacin tradicional para realizar este tipo de clculo, de naturaleza
economtrica es el mtodo de frontera de produccin estocstica. En este
caso, es necesario suponer una determinada forma funcional explcita (y
usualmente parametrizada) para la funcin de produccin.

1.1. Algunas nociones de eficiencia.

Una alternativa no paramtrica para calcular la productividad total
de los factores, y que se basa en el uso de la programacin lineal, es lo que
ofrece el mtodo de envolvimiento de datos (DEA), basado en el trabajo
seminal de Farrell (1957) e introducido formalmente por Charnes, Cooper y
Rhodes (1978).
Antes de entrar en detalles sobre la metodologa propiamente
dicha, conviene repasar las nociones de eficiencia productiva y el clculo de los
ndices de eficiencia tcnica, tal como los plantea Farrell (1957). La propuesta
de Farrell es visualizar a la eficiencia desde una perspectiva real no ideal,
donde cada unidad de produccin sea evaluada en relacin con otras tomadas
de un grupo representativo y comparable. As, las medidas de eficiencia seran
relativas y no absolutas, donde el valor alcanzado por una determinada unidad
productiva, corresponda a una expresin de la desviacin observada respecto
a aqullas consideradas como ms eficientes dada la informacin disponible.
En este sentido, la metodologa que propone Farrell es una tcnica basada en
el concepto de benchmark o referenciacin.
Sea un conjunto ms o menos extenso de unidades productivas
comparables entre s con la particularidad de que emplean el mismo tipo de
recursos o factores para producir un conjunto de productos similares o
equivalentes. Para alcanzar un mayor nivel de generalidad, las denominamos
como Unidades de toma de Decisin (DMU: Decision Making Units).
Entonces, es posible definir tres medidas de eficiencia:

Captulo 2

Anlisis por Envoltura de Datos (DEA).

(a) Eficiencia Tcnica: refleja la habilidad de la DMU de obtener el
mximo nivel de produccin dados ciertos niveles en el uso de los
recursos o factores.
(b) Eficiencias de asignacin: refleja la habilidad de la DMU de
usar los recursos o factores en proporciones ptimas (dados sus
precios).
(c) Eficiencias de escala: se manifiestan segn la naturaleza de
los rendimientos a escala con que opera la DMU.

Supongamos que se conoce la frontera productiva eficiente.

Entonces, sera posible calcular ndices que cuantifiquen estos tres tipos de
eficiencias. En primer lugar, estudiemos las medidas de eficiencia a partir de
una orientacin basada en el uso de los recursos; es decir, basndonos en la
premisa de analizar en cunto se puede reducir el uso de recursos
equiproporcionalmente sin alterar las cantidades producidas. Para poder hacer
una representacin diagramtica, consideremos el caso en que se produce un
solo producto con dos recursos o factores. En la figura 2.1.1 se representa la
isocuanta unitaria. La curva SS cuantifica las combinaciones de recursos x1 y
x2 necesarios para producir una unidad de producto, en condiciones de mxima
eficiencia. Por ello, cualquier DMU que utilice combinaciones de recursos que
se encuentren por encima de la curva, por ejemplo el punto P, tendran que ser
consideradas como menos eficientes. Por otro lado, el punto Q correspondera
a una DMU eficiente, puesto que, comparada con P, se reduce la utilizacin de
ambos recursos, de forma equi-proporcional y produce la misma cantidad.
Entonces, si medimos la distancia entre P y Q, tendramos una medida de en
cunto se puede reducir el uso de recursos, sin alterar la produccin y calcular
el ndice de eficiencia tcnica, como se detalla en el figura 2.1.2.

Captulo 2

Anlisis por Envoltura de Datos (DEA).

x2/y
P

S'
O

A'

x1/y

Figura 2.1.1. Representacin diagramtica de la eficiencia tcnica segn Farell (1957).

Eficiencia tcnica:

QP Cantidad en que pueden reducirse equi-proporcionalmente las entradas

sin reducir la salida.

QP
% en que puede ser reducido el uso de entradas
OP
OQ
QP
ETI =
1
[0,1] Mide el grado de eficiencia tcnica de la DMU
OP
OP
Figura 2.1.2. Eficiencia tcnica, en el caso de dos entradas y una salida.

Similarmente, si tuviramos informacin de los precios relativos

entre los recursos y el producto, sera posible calcular (y dibujar) la recta de
iso-costes para comparar la situacin de la DMU que estamos analizando con
una en la que la adquisicin de recursos es econmicamente ptima, es decir
aqulla en la que la relacin de productividades marginales igualan a los
precios relativos, grficamente, cuando la recta de iso-costes es tangente a la
curva (figura 2.1.3). A partir de all y, adems, calculando distancias se puede
definir la eficiencia de asignacin. Ello queda claramente expresado en el figura
2.1.4.
Calculados ambos ndices de eficiencia, se puede definir el
indicador de eficiencia econmica que, como se muestra en la figura 2.1.4,
combina ambos tipos de eficiencia en un solo ndice. Dado que el modelo
trabaja con informacin de numerosas unidades productivas, suele no ser
posible conocer la estructura de precios relativos con la que se est operando,

Captulo 2

Anlisis por Envoltura de Datos (DEA).

por lo que se complica el clculo de estos dos indicadores adicionales.

Igualmente, vale la descripcin que hemos realizado.

x2/y
P

A
Q
R

Q'
S'

A'

x1/y

Figura 2.1.3. Representacin de la eficiencia de asignacin y econmica para el caso de dos

entradas y una salida.

Eficiencia de asignacin:

RQ Representa la reduccin de los costes de produccin si se produce en Q

OR
[0,1] Mide el grado de eficiencia de asignacin de la DMU
OQ
Eficiencia Econmica:
OR
EE I = ETI xEAI
[0,1] Da una medida de la eficiencia global
OP

EAI =

Figura 2.1.4. Eficiencia de asignacin y econmica, en el caso de dos entradas y una salida.

Es muy importante observar que todas estas medidas suponen

conocer la frontera productiva considerada como eficiente o terica.
Un clculo similar se puede realizar a partir de una orientacin
basada en la produccin. En este caso, lo que importa es estudiar en cunto
puede expandirse la produccin, dados los niveles de uso de los recursos o
factores. Para ejemplificar esto, en forma diagramtica, consideremos que la
produccin de dos bienes se realiza con un solo recurso. Entonces, es posible
representar esta situacin dibujando una curva de posibilidades de produccin
unitaria (Curva ZZ), como se muestra en la figura 2.1.5. En este caso, el punto
A representa una DMU ineficiente, por lo que, se encuentra debajo de la

Captulo 2

Anlisis por Envoltura de Datos (DEA).

frontera de posibilidades de produccin que representa la mxima produccin

de ambos productos asequible por la tecnologa imperante.
Como en el caso anterior, podramos calcular la eficiencia tcnica
calculando la distancia entre la DMU A y la B, que representa una DMU
eficiente y comparable con la A ya que su produccin es equiproporcional a
esta. Adems, si conociramos los precios relativos, es posible dibujar la recta
de iso-ingresos y calcular la eficiencia por asignacin. Todo esto se detalla en
la figura 2.1.5.

y2/x
D
C
B
Z
B'
A

D'
O

Z'

y1/x

Figura 2.1.5. Representacin de la eficiencia tcnica y por asignacin en el caso de una

entrada y dos salidas.

Eficiencia Tcnica

ET0 =

OA
[0,1] Mide el grado de eficiencia tcnica de la DMU
OB
Eficiencia de asignacin:

OB
[0,1] Mide el grado de eficiencia de asignacin de la DMU
OC
Eficiencia Econmica:
OA
EE 0 = ET0 xEAO
[0,1] Da una medida de la eficiencia global
OC

EA0 =

Figura 2.1.6. Eficiencia tcnica, de asignacin y econmica, en el caso de una entrada y dos
salidas.

Ntese que en ninguna situacin los indicadores de eficiencia tal

como se definieron pueden ser superiores a la unidad. Esta conclusin es

Captulo 2

Anlisis por Envoltura de Datos (DEA).

relevante al momento de realizar los clculos formalmente, como veremos en la

siguiente seccin.
Antes de terminar con esta descripcin introductoria y para
unificar las representaciones, consideremos una situacin en la que se utiliza
slo un recurso para producir un producto. En este caso la representacin
grfica se podra hacer directamente a travs de la funcin de produccin
unidimensional, como se muestra en la figura 2.1.7. Se puede observar la
diferencia de medicin de la eficiencia en ambos tipos de representacin, con
orientacin de entrada o de salida. Cabe destacar que, cuando la tecnologa es
tal que los rendimientos de escala son constantes, el valor del indicador de
eficiencia tcnica es el mismo independientemente del tipo de representacin
considerado.
Por otro lado, en los prrafos anteriores se coment acerca de los
indicadores de eficiencia de escala. Su clculo se realiza a travs de la
comparacin de los indicadores de eficiencia tcnica, cuando se suponen
rendimientos constantes respecto del caso en el que se consideran
rendimientos variables de escala; luego se profundizar ms sobre la cuestin.
Es importante destacar, que un aspecto interesante de todas las
medidas de eficiencia tal como las trabaja Farrell (1957) es que son invariantes
y no dependen de la unidad de medida ya que se calculan como cocientes de
distancias al origen de magnitudes con similares sistemas de medida.
y t=f(x t)

Medida
orientada
al producto

yt

(x t, y t)
Medida
orientada
al recurso

xt

Figura 2.1.7. Comparacin entre las medidas de eficiencia con orientacin de entrada o de
salida.

10

Captulo 2

Anlisis por Envoltura de Datos (DEA).

1.2. Una propuesta emprica para medir la eficiencia.

Hasta aqu, hemos presentado las definiciones de eficiencia
valindonos del supuesto de que conocemos la funcin de produccin, la
frontera de posibilidades de produccin o las isocuantas en condiciones de
ptima eficiencia. La propuesta que sugiere Farrell (1957) es recurrir al uso de
cnicas poligonales convexas para construir las isocuantas o fronteras, en
forma no paramtrica, y slo partiendo de la informacin disponible acerca del
comportamiento de numerosas DMU comparables, muchas de las cuales sern
ms eficientes que otras. La figura 2.1.8, esquematiza cmo se podra estimar
dicha curva (o mejor dicho, poligonal) a partir de datos empricos y segn el
tipo de aproximacin que se emplee, ya sea con orientacin de entrada o de
salida.

x2/y

y2/x

A
P'
B

P
A
P
P'
B
O

x1/y

y1/x

Figura 2.1.8. Representacin de la construccin de las fronteras a partir de datos empricos.

Ntese, que si buscramos calcular el indicador de eficiencia
tcnica de, por ejemplo, la DMU P, bastara con identificar a las DMU A y B,
para construir una DMU virtual o implcita, que llamamos P, que est en
algn punto entre el segmento definido por A y B y que cruza al segmento
formado por el origen de las coordenadas y la DMU bajo anlisis (en nuestro
caso, la P). Por ello, en este caso la eficiencia se medira no en relacin a un
ideal terico (abstracto y tal vez desconocido), sino a partir de la estimacin de
la frontera de las mejores prcticas productivas reflejadas en la informacin
disponible. En el ejemplo se trata del segmento que definen los puntos A y B.
La propuesta de Farrell (1957) se basa en un enfoque emprico basado en el

11

Captulo 2

Anlisis por Envoltura de Datos (DEA).

concepto de referenciacin o benchmark, que consiste en estimar y ubicar

DMU virtuales, a partir de buenas DMU comparables con la que deseamos
estudiar.
El mtodo de Anlisis por Envoltura de Datos (Data Envelopment
Analysis DEA) no es ms que una tcnica, basada en la programacin
matemtica que, dada una DMU, nos permite identificar aquellas otras que nos
sirven para construir la DMU virtual con la que compararemos la DMU bajo
anlisis. Decimos que es una tcnica general, puesto que es posible trabajar en
contextos de mltiples recursos y productos.

2. Mtodo no paramtrico: Anlisis por Envoltura de Datos.

El Anlisis por Envoltura de Datos (DEA) es una metodologa
basada en modelos de programacin lineal, propuesta por primera vez en 1978
por Charnes, Cooper y Rhodes, para estudiar la eficiencia relativa de una serie
de unidades de decisin.
La historia del Anlisis por Envoltura de Datos comienza en 1978,
en la conferencia de Edward Rhodes Data Envelopment Analysis and
Approaches for Measuring the Efficiency of Decision-Education. El problema
consista en evaluar la eficiencia relativa de una serie de escuelas que llevaba
aparejado el manejo de mltiples parmetros de entrada y salida, sin hacer uso
de las tcnicas tradicionales utilizadas hasta la fecha, fundamentadas
esencialmente en modelos econmicos de estudios en los precios. La
respuesta a este problema represent la primera formulacin matemtica de
DEA, en su variante CCR.
DEA nace como una tcnica para evaluar la eficiencia de una
serie de elementos, denominados usualmente Unidades de toma de Decisin
(DMU: Decision Making Unit), emplendose para dicha evaluacin mltiples
entradas y salidas para cada una de las DMUs consideradas. Las DMUs
deben ser comparables: tanto sus entradas como sus salidas deben ser
medibles en unidades homogneas para todas ellas.
La metodologa DEA requiere de un importante primer paso
consistente en la identificacin del conjunto de posibilidades de produccin del
problema, esto es, definir los posibles puntos de operacin. Las dos
alternativas ms frecuentes son las tecnologas denominadas Retornos de
Escala Constante (Constant Return to Scale, CRS) y Retornos de Escala
Variable (Variable Return to Scale, VRS). La tecnologa CRS considera como
unidad admisible dentro del problema cualquier combinacin lineal de las

12

Captulo 2

Anlisis por Envoltura de Datos (DEA).

DMUs observadas, mientras que en la tecnologa VRS slo se consideran

admisibles las combinaciones lineales convexas.
Un segundo paso consiste en la seleccin del modelo DEA
adecuado al problema a resolver. Existen multitud de modelos DEA, todos ellos
con el mismo objeto: encontrar un punto admisible de mayor productividad con
el que puedan compararse las diferentes DMUs del problema. De esta forma,
dada una cierta DMU0, se formula un modelo de programacin lineal que busca
una combinacin lineal (convexa en el caso VRS) de las DMUs existentes,
definiendo de esta forma un conjunto de puntos tecnolgicamente admisibles
que usan menos entradas que DMU0 y/o producen ms salidas que la DMU0.
Si ningn punto domina a DMU0, entonces se le denomina unidad
eficiente (global en el caso CRS, y tcnicamente eficiente en el caso de VRS).
Cuando una unidad domina a otra es porque tiene menos entradas y/o ms
salidas en la tecnologa considerada. Si por el contrario la DMU0 no es
eficiente, el modelo la proyecta sobre la frontera eficiente y mide la eficiencia
de la DMU0 en trminos de reduccin del consumo de las entradas e
incremento en la produccin de salida. Hay diferentes maneras de realizar la
proyeccin y medicin de la distancia entre la DMU0 y el punto sobre el que se
proyecta. As, la orientacin de entrada consiste en la reduccin tanto como
sea posible de todos los recursos de forma equi-proporcional sin reducir las
salidas. Por otra parte, la orientacin de salida consiste en incrementar tanto
como sea posible los productos de forma equi-proporcional sin un incremento
de las entradas. Existen modelos no radiales con orientacin de entrada o
salida as como modelos con orientacin de entrada-salida que intentan
conseguir tanto reduccin de recursos como incrementos de productos.
Debido a los desarrollos llevados a cabo en los ltimos aos, el
propsito, aplicaciones y perspectivas de futuro de DEA se han extendido ms
all de este concepto inicial. DEA y sus aplicaciones facilitan un nuevo enfoque
para analizar y organizar datos. As, ha llegado a ser una alternativa y un
complemento a los anlisis tradicionales de tendencias centrales aportando,
igualmente, un nuevo punto de vista para los anlisis de coste-beneficio,
estimacin de fronteras, diseo de estrategias, aprovechamiento de
caractersticas de los elementos punteros e induccin de teoras a partir de
observaciones externas.

3. Conceptos Fundamentales.
Antes de plantear los modelos bsicos de DEA, explicaremos los
conceptos fundamentales a partir de los cuales se basarn estos modelos.
Debemos tener presente que el Anlisis por Envoltura de Datos se utiliza para

13

Captulo 2

Anlisis por Envoltura de Datos (DEA).

evaluar la eficiencia relativa de unidades productivas que fabrican de forma

similar. Por lo tanto veamos en primer lugar uno de los conceptos que definen a
DEA: unidad productiva, para ir ms tarde desarrollando el resto.

Unidad productiva.
Cualquier organizacin que produzca consumiendo ciertos
recursos, con la capacidad de poder modificar tanto los recursos consumidos
(entradas) como la produccin creada (salidas).

ENTRADAS

S A L ID A S

D M U 's
RECURSOS

PRODUCTOS

Figura 2.3.1. Esquema de la fabricacin en una DMU.

Productividad.
La productividad (segn Farrel, 1957) de una determinada unidad
productiva se define como la relacin existente entre los resultados que obtiene
y los recursos empleados en su produccin. Es una forma de medir cmo se
estn aprovechando dichos recursos. Para el caso de una sola salida y una
sola entrada:

Productividad =

Produccin creada
Salida
=
Recurso consumido Entrada

En la medida de la productividad es importante destacar la

dificultad de determinar los factores que son realmente relevantes a la hora de
definir las entradas y salidas de la unidad productiva. En algunos casos los
recursos o los productos no son fcilmente mensurables y a veces ni siquiera
es sencillo obtener informacin cuantitativa sobre ellos.
Para el caso de varias entradas y varias salidas la expresin
matemtica es:

14

Captulo 2

Anlisis por Envoltura de Datos (DEA).

Productividad =

Suma ponderada de salidas

Suma ponderada de entradas

Por lo tanto si denotamos como xij a la cantidad de entrada o

recurso i utilizado por la unidad j, y como ykj a la cantidad de salida o
resultado k que produce la misma unidad, se obtiene la expresin:
m

Entrada virtual j = u ij xij

i =1

Salida virtual j = v kj y kj
k =1

En donde los trminos uij y vkj son respectivamente los pesos

correspondientes a cada entrada y salida, que adimensionalizan las
expresiones de entrada y salida virtuales, m el nmero total de entradas
consideradas y s el nmero de salidas de la unidad. Con estos nuevos
conceptos, se puede definir la productividad como:
s

Productividad j =

v
k =1
m

kj

u
i =1

ij

y kj
xij

Con esta expresin se puede determinar la productividad de una

unidad productiva. Sin embargo, lo interesante es tener algn ndice que nos
permita comparar unas unidades con otras similares, por eso debemos
introducir en este punto un nuevo concepto: eficiencia relativa.

Eficiencia relativa.
La expresin que define la eficiencia relativa es:
Salida virtual j
Eficiencia j =

Productividad j
Productividad max

Entrada virtual j
Salida virtual max

Entrada virtual max

Donde el subndice j indica la unidad que se va a estudiar, y el

subndice max la unidad de mxima productividad. Se pueden distinguir
varios tipos de eficiencias relativas en funcin de la unidad de referencia que se
utilice:

15

Captulo 2

Anlisis por Envoltura de Datos (DEA).

Se habla de la eficiencia global cuando se escoge como unidad

de referencia la de mayor productividad de entre las que estn en estudio.
Eficiencia tcnica: se utiliza cuando se elige como unidad de
referencia la de mayor productividad de entre las unidades de su tamao.
Se define la eficiencia de escala como el cociente entre la
eficiencia global y la eficiencia tcnica.
Desde la aparicin de la metodologa DEA, se han introducido
muchos y diversos modelos que han propiciado un gran inters. En este
proyecto se presentan los que son de alguna manera ms representativos, con
el objeto de estudiar con un mayor conocimiento del tema los modelos que se
utilizarn en la presente investigacin.
Para una mejor compresin de los modelos DEA, se hace
necesaria la introduccin de los conceptos: retornos de escala constante,
retornos de escala variable, orientacin de entrada y orientacin de salida,
utilizando la notacin presentada en este apartado.
Se denomina Retornos de Escala Constante (CRS) al hecho de
considerar que cualquier unidad puede alcanzar la productividad de las
eficientes, independientemente de su tamao. Por tanto la eficiencia que se
calcula en el estudio es la global, ya que todas las DMUs tienen como
unidades de referencia a las de mayor productividad.
Esta consideracin reduce las DMUs posibles al siguiente
conjunto:

r
r
r r
r r
r
TCRS = ( x , y ) : 0, X x; Y y

r
donde es un vector con tantas componentes como DMUs tenga el
problema. Por otra parte X e Y son respectivamente las matrices de las
entradas y las salidas observadas en las unidades del problema. Ambas
matrices tienen tantas filas como DMUs. Para X existen tantas columnas
como entradas se consideren en el problema. De igual forma, para la matriz Y
hay tantas columnas como salidas.

La representacin del conjunto para una entrada y una salida es

la siguiente:

16

Captulo 2

Anlisis por Envoltura de Datos (DEA).

20
18
16

Salida (y)

14
12
10
8
6
4
2
10

20

30

40

50

60

70

Entrada (x)

Figura 2.3.2. Representacin grfica para la tecnologa CRS para el caso de una entrada y una
salida.

Donde los puntos son las unidades reales observadas en el

problema y el conjunto TCRS es la zona sombreada. Las lneas discontinuas
indican que el conjunto se extiende hasta el infinito. Los puntos que pertenecen
al conjunto se dice que tienen tecnologas admisibles.
Se denomina Retornos de Escala Variable (VRS) al hecho de
considerar que algunas unidades de tamao diferente al de las eficientes
pueden no ser capaces de conseguir la productividad de stas. As pues, el
estudio se realizar mediante la eficiencia tcnica (referir cada DMU a la de
productividad mayor de entre las de su tamao).
De la misma manera que antes, se puede definir el conjunto de
los posibles puntos admisibles del problema:

r
r
r r
r rr
r r
TVRS = ( x , y ) : 0, X x; Y y; e T = 1

La diferencia con el anterior conjunto TCRS es que la suma de las

r
componentes del vector debe sumar la unidad. La representacin del
conjunto en el caso de una sola entrada y una sola salida es la siguiente:

17

Captulo 2

Anlisis por Envoltura de Datos (DEA).

20
18
16

Salida (y)

14
12
10
8
6
4
2
10

20

30

40

50

60

70

Entrada (x)

Figura 2.3.3. Representacin grfica para la tecnologa VRS para el caso de una entrada y una
salida.

De nuevo la zona sombreada representa TVRS, y los puntos son

las unidades que existen en el problema. La lnea discontinua indica que la
regin se extiende hasta el infinito.
La Orientacin de Entrada (Input Orientation) se refiere al hecho
de que una unidad alcance la productividad de la unidad de referencia a costa
de reducir la cantidad de recursos que consume.
La Orientacin de Salida (Output Orientation) en cambio hace
referencia al hecho de que una unidad consiga la productividad de la unidad
con la que se compara mediante el aumento de la cantidad de salidas que
produce.
Con todos estos conceptos se pasa a abordar los modelos DEA
ms fundamentales. Primero se van a presentar aquellos modelos que
contemplan retornos de escala constante y posteriormente los que operan con
retornos de escala variables.

4. Modelos bsicos DEA.

En este apartado se desarrollarn los modelos bsicos de DEA,
tanto para el caso de retorno de escala constante como para el caso de retorno
de escala variable, partiendo del modelo ms bsico: el modelo ratio.

18

Captulo 2

Anlisis por Envoltura de Datos (DEA).

4.1. Modelos DEA con Retornos de Escala Constante.

En los modelos que se exponen en este apartado las unidades
toman como DMUs de referencia las de mayor productividad de entre las
observadas a la hora de calcular su eficiencia relativa. A continuacin se
exponen tres de estos modelos: el modelo RATIO, el modelo CCR-INPUT y el
modelo CCR-OUTPUT.
4.1.1. Modelo Ratio.
A la hora de calcular la eficiencia de cada unidad, se tiene la
libertad de elegir los pesos que convierten la salida y la entrada agregadas en
valores adimensionales. Con la metodologa DEA cada unidad escoger los
valores de los pesos que optimicen su eficiencia, teniendo en cuenta que, una
vez elegidos, sern utilizados por las restantes unidades. Por tanto, cada
unidad va a comparar su productividad con el resto de las que estn en estudio
utilizando en cada caso los pesos con los que su eficiencia es mejor.
Antes de empezar a plantear los modelos debemos tener en
cuenta qu indica cada subndice, y cul ser la notacin que se vaya a utilizar:
j = 1, 2, , n
i = 1, 2, , m
k = 1, 2, , s
xij
ykj

subndice para las DMUs

subndice para las entradas
subndice para las salidas
cantidad de entrada i consumida por DMUj
cantidad de salida k producida por DMUj

Planteamos un modelo que maximice la eficiencia, con libertad

para elegir los pesos.
Analticamente se expresa de la siguiente forma:

19

Captulo 2

Anlisis por Envoltura de Datos (DEA).

hJ =

MAX

y kJ
k =1

m
u iJ xiJ

i =1

kJ

s.a :
s

v
k =1
m

kJ

u
i =1

iJ

y kj

j = 1,2,..., n

xij

v kJ

k = 1,2,..., s

u iJ

i = 1,2,..., m

donde es una constante no arquimediana (menor que cualquier nmero real

positivo). Debido a ello, en las restricciones donde aparece, se les obliga a los
pesos a que nunca puedan ser nulos. A la variable que est en estudio se la
denota con el subndice J.
El modelo consiste en la resolucin de n problemas de
maximizacin como el anteriormente presentado, correspondientes a cada una
de las unidades cuya eficiencia se quiere evaluar. La funcin objetivo elige los
pesos que hacen mxima la eficiencia hJ de la DMU que se estudia.
Hay una restriccin por cada unidad existente en el problema, y
que obliga a que ninguna DMU pueda tener una eficiencia mayor que uno. Esta
es la limitacin que tienen los pesos cuando cada unidad intenta alcanzar el
mximo valor posible. Es decir, cada vez que el modelo trata de imponer unos
pesos que garanticen una eficiencia grande, debe asegurarse al mismo tiempo
de que ninguna DMU del problema tenga una eficiencia inadmisible (mayor que
uno). Por la construccin del modelo, si la unidad no consigue ser eficiente, an
eligiendo los mejores pesos posibles para ello, es que existe otra que con esos
pesos ya lo es.
De esta forma, una vez resueltos los n problemas planteados, se
obtendr un subconjunto K formado por las unidades DMUr que han resultado
ser eficientes al resolverse el modelo, correspondindoles un valor hJ = 1. Es
decir, cumplirn la restriccin con signo de igualdad:

20

Captulo 2

Anlisis por Envoltura de Datos (DEA).

s

v
k =1
m

*
kr

u
i =1

*
ir

y kr

=1

rK

xir

Y por lo tanto, si la DMUJ que no cumple esta condicin, ser

considerada ineficiente respecto al subconjunto K definido, y tendr un valor de
eficiencia hJ < 1 y una ineficiencia, (1 hJ).
ste es un modelo que opera con retornos de escala constantes,
ya que el anlisis de una determinada unidad consiste en la comparacin con
las DMUs que poseen la mayor eficiencia observada. Ello es debido a la forma
que presenta el modelo, y por tanto, todas las DMUJ analizadas consideran a
las mismas unidades como eficientes.
El nombre del modelo RATIO proviene del hecho de que la
funcin objetivo es un cociente. Esto complica su resolucin, ya que no es un
problema lineal.
4.1.2. Modelo CCR-Input.
Las siglas CCR se corresponden con las iniciales de los autores
que lo propusieron: Abraham Charnes, William W. Cooper y Edward Rhodes.
Para resolver la complejidad del modelo anterior, se opta por
transformar el modelo RATIO en un problema lineal equivalente. De esta forma,
se sustituyen los cocientes que aparecen en el modelo por expresiones
lineales.
Maximizar un cociente equivale a hacer mximo su numerador si
su denominador permanece constante, y cuando un cociente es menor que la
unidad es porque el numerador es menor que el denominador. Con estas
consideraciones el modelo anterior quedara de la siguiente forma:

21

Captulo 2

Anlisis por Envoltura de Datos (DEA).

s

MAX

k =1

kJ

y kJ

s.a :
s

k =1

i =1

vkJ y kj uiJ xij 0

m

u
i =1

iJ

j = 1,2,..., n

xiJ = 1

v kJ

k = 1,2,..., s

u iJ

i = 1,2,..., m

Que es conocida como forma multiplicadora (multiplicative form).

Como puede observarse, se consigue un modelo de
programacin lineal con (n + 1) restricciones y (s + m) cotas. Las n primeras
restricciones provienen de linealizar la condicin de que todas las unidades
deben tener una eficiencia menor o igual que uno.
La restriccin adicional establece una medida de referencia de la
entrada virtual. As, se asegura que se maximiza la eficiencia cuando se hacen
mximas las salidas. De esta forma, no slo se consigue que el valor de la
funcin objetivo, cuando se resuelve el problema, sea la eficiencia de la unidad
DMUJ, sino que adems se reduce el nmero de soluciones alternativas de los
pesos, con la restriccin:

u
i =1

iJ

xiJ = 1 .

Sin embargo, es ms frecuente utilizar las variables del dual de

este modelo para analizar los resultados obtenidos de aplicar esta metodologa.
Por esto se expone a continuacin el modelo dual:

22

Captulo 2

Anlisis por Envoltura de Datos (DEA).

i =1

J hk+ + hi

MIN

k =1

s.a :
n

x
j =1

ij

y
j =1

kj

= J xiJ hi

j = y kJ + hk+

i = 1,2,..., m
k = 1,2,..., s

j , hi , hk+ 0
J

libre

A esta forma del modelo se le conoce como forma envolvente

(envelopment form).
Las n variables j son las correspondientes a las n primeras
restricciones del problema primal, J la variable correspondiente a la restriccin
restante, y hk+ y hi-, denominadas variables de holgura, son las
correspondientes a las (s + m) cotas existentes. La resolucin de este modelo
consta de dos fases.
En la primera etapa (Fase I) se resuelve el siguiente modelo:

MIN
s.a :
n

x
j =1

ij

y
j =1

kj

= J xiJ hi

j = y kJ + hk+

i = 1,2,..., m
k = 1,2,..., s

j , hi , hk+ 0
J

libre

Y con la solucin del modelo *J se resuelve la segunda fase

(Fase II):

23

Captulo 2

Anlisis por Envoltura de Datos (DEA).

m
s

hk+ + hi
i =1
k =1

MIN
s.a :
n

x
j =1

ij

y
j =1

kj

= J xiJ hi

i = 1,2,..., m

j = y kJ + hk+

k = 1,2,..., s

j , hi , hk+ 0
J

libre

Las funciones objetivo de ambos problemas, primal y dual,

coinciden en el ptimo, y por tanto se tiene que:
s
s
m

hJ* = J* hi* + hk+* = v kJ* y kJ

k =1
i =1
k =1

Se puede observar que cualquier unidad puede tener como

valores admisibles:

J =1
J = 1
j = 0,

j J

hi = hk+ = 0,

i y k

La funcin objetivo intenta, por tanto, que J tenga un valor menor

que la unidad. La resolucin de este problema dual tiene una interpretacin
grfica que a continuacin se procede a explicar. Las restricciones establecen
una combinacin lineal entre el punto (xiJ, ykJ) y los restantes puntos en estudio
(xij, ykj), cuyo resultado es la unidad virtual (*JxiJ-(hi-)*, ykJ+(hk+)*). La solucin
siempre admisible expuesta, corresponde a considerar que la DMUJ es
combinacin lineal de ella misma. Al minimizarse J, son reducidas
proporcionalmente las componentes de las entradas hasta llegar al punto que,
con las mismas salidas, se obtiene la menor entrada admisible con la
combinacin lineal de las unidades en estudio. Esto corresponde a proyectar el
punto sobre un hiperplano que pasa por el origen y por las unidades eficientes
del problema, reduciendo de forma radial las entradas. Si *J = 1 y (hk+)*, (hi-)*

24

Captulo 2

Anlisis por Envoltura de Datos (DEA).

0 para alguna entrada o para alguna salida, se produce una proyeccin

paralela al eje correspondiente a la variable de holgura que no es nula. Por otra
parte, si *J = 1 y (hk+)* = (hi-)* = 0; no se produce ninguna proyeccin, y por
tanto la unidad es eficiente (se proyecta sobre s misma).
En el caso de una entrada y una salida, se puede representar el
problema en el plano. As, considerando seis unidades, se tendra por ejemplo:

20
18
16

DMU6

Salida (y)

14
DMU5

12
DMU3

10

DMU4

8
6

DMU2

DMU1

2
10

20

30

40

50

60

70

Entrada (x)

Figura 2.4.1. Ejemplo grfico para una entrada y una salida.

Donde DMU3 es la unidad de mayor eficiencia relativa. La lnea

trazada desde el origen hasta dicha DMU son todos los posibles puntos que
tendran la misma eficiencia que DMU3, esto es, la de mxima eficiencia. A esta
lnea se le denomina frontera eficiente, y como se puede observar deja por
debajo suya todas las dems observaciones. En DEA se expresa como una
frontera que envuelve a todas las unidades, de aqu el nombre de la
metodologa. Al resolverse el problema para cada unidad J, grficamente se
estn calculando las proyecciones horizontales de las unidades en estudio
sobre la frontera eficiente.
La representacin de estas proyecciones
representado queda reflejada en la siguiente figura:

para

el

caso

25

Captulo 2

Anlisis por Envoltura de Datos (DEA).

20
18
16

DMU6

Salida (y)

14
DMU5

12
DMU3

10

DMU4

8
6

DMU2

DMU1

2
10

20

30

40

50

60

70

Entrada (x)

Figura 2.4.2. Resolucin grfica del modelo CCR-I para una entrada y una salida.

As pues, la frontera eficiente es el lugar geomtrico de las

unidades con eficiencia igual a uno. Las proyecciones calculadas representan
la unidad en la que debera convertirse cada DMUJ para que fuese considerada
eficiente, con una reduccin de sus entradas. Por esto, este modelo est
planteado con orientacin de entrada. Como proviene del modelo RATIO,
tambin es un problema con retornos de escala constante.
Analizando las variables del dual, e interpretando su significado
grfico, podemos observar que J es la proporcin de entradas actuales que
deben utilizarse para conseguir la eficiencia y j son las componentes del
vector de pesos asociados a la combinacin lineal resultante y que, de alguna
forma, mide la proximidad de la proyeccin resultante de cada DMUJ con las
unidades eficientes de las que es combinacin lineal. Pero en este caso de una
sola entrada y una sola salida no se ha comentado nada de las variables hk+ y
hi-. Para comprobar su significado grfico, se expone un ejemplo, con dos
entradas y una salida. Si las entradas se denotan como x1 y x2 y la salida
como y, se podra representar grficamente por la propiedad nomottica que
el problema posee. Un caso genrico es el siguiente:

26

Captulo 2

Anlisis por Envoltura de Datos (DEA).

D

20
x2/y

18
A

16
14
12

D'
B

10
8

A'

6
C

4
2
10

20

30

40

50

60
x1/y

Figura 2.4.3. Resolucin grfica del modelo CCR-I para dos entradas y una salida.

La frontera eficiente est representada mediante la lnea que une

los puntos B y C, correspondiente a la representacin del plano que pasa por el
origen y por dichas unidades. De esta forma, si se considera el conjunto TCRS
expuesto anteriormente de todas las combinaciones lineales de las unidades
observadas (los puntos admisibles en el problema), la envolvente de este
conjunto es precisamente la lnea quebrada representada en el grfico.
As pues, los hiperplanos paralelos a los ejes no forman parte de
la frontera eficiente ya que sus puntos no son unidades eficientes (no se
proyectan sobre s mismas, es decir, (hk+)* y (hi-)* no son 0). Un ejemplo de esto
es el caso representado de la unidad D, puesto que solucionando el problema
dual para esta unidad, la proyeccin resultante se producira en el punto B,
mediante una reduccin rectangular (paralelas a los ejes) de la entrada h1-.
En el caso general, por tanto, aparecern unidades que slo
necesitarn reduccin radial para proyectarse sobre la frontera eficiente
(unidad A), slo reduccin rectangular (unidad D) o ambos tipos de reduccin
(unidad D, al aplicar las 2 fases).
Dado un problema, un modelo DEA se dice que es invariante
frente a traslaciones, si haciendo una traslacin de las entradas y salidas
originales, resulta un nuevo problema que tiene la misma solucin ptima en la
forma envolvente del modelo que el anterior.
Se puede demostrar que este modelo es invariante ante
traslaciones en la dimensin de las salidas (ver Pastor, 1995).

27

Captulo 2

Anlisis por Envoltura de Datos (DEA).

4.1.3. Modelo CCR-Output.

Si optamos por linealizar la funcin objetivo del modelo RATIO
minimizando el denominador de la expresin y manteniendo el numerador
constante, obtendramos un modelo lineal similar al anterior:
m

MIN

i =1

iJ

xiJ

s.a :
s

k =1

i =1

vkJ y kj uiJ xij 0

s

v
k =1

kJ

j = 1,2,..., n

y kJ = 1

v kJ

k = 1,2,..., s

u iJ

i = 1,2,..., m

Donde la funcin objetivo representa ahora el inverso de la

eficiencia relativa de la unidad J, y por tanto siempre ser mayor o igual que
uno. Es un problema con retornos de escala constantes, por la razn ya
expuesta.
Las consideraciones de este modelo son anlogas a las que se
hicieron con el CCR-INPUT. Pero de nuevo, es en el problema expresado en
su forma dual donde se advierten las consideraciones grficas. As pues,
construyendo el problema dual se obtiene de forma similar al caso anterior:

i =1

J + hk+ + hi

MAX

k =1

s.a :
n

x
j =1

ij

y
j =1

kj

= xiJ hi

i = 1,2,..., m

j = J ykJ + hk+

k = 1,2,..., s

j , hi , hk+ 0
J

libre

28

Captulo 2

Anlisis por Envoltura de Datos (DEA).

Aparece en este modelo una nueva variable que no es ms que la

amplificacin radial que debe producirse en las salidas para proyectarse en la
frontera eficiente. Observando el mismo ejemplo de una sola entrada y una
sola salida pero resuelto con este nuevo modelo, se obtendra grficamente:

20
18
16
DMU6

Salida (y)

14
DMU5

12
DMU3

10

DMU4

8
6

DMU2

4
DMU1

2
10

20

30

40

50

60

70

Entrada (x)

Figura 2.4.4. Resolucin grfica del modelo CCR-O para una entrada y una salida.

Ahora una solucin siempre admisible del problema es:

J =1
J = 1
j = 0,

j J

hi = hk+ = 0,

i y k

Y al igual que en el anterior modelo, corresponden a los valores

que toman estas variables en el caso de unidades eficientes. Como en el
anterior modelo, las restricciones establecen una combinacin lineal entre el
punto (xiJ, ykJ) y los restantes puntos en estudio (xij, yij), que dan como resultado
la unidad virtual (xiJ (hi-)*, *JykJ + (hk+)*). La solucin siempre admisible
expuesta corresponde a considerar que el punto es combinacin lineal de l
mismo. Al maximizar J, las componentes de las salidas aumentan hasta llegar
al punto en que, con las mismas entradas tiene la mayor salida admisible con la
combinacin lineal de las unidades en estudio. Esto corresponde a proyectar el

29

Captulo 2

Anlisis por Envoltura de Datos (DEA).

punto sobre la frontera eficiente del problema, aumentando de forma radial las
entradas. Por esto es un problema con orientacin de salida.
De la misma forma que en el modelo anterior, si *J = 1 y (hk+)*,
(hi ) 0 para alguna entrada o para alguna salida, se produce una proyeccin
paralela al eje correspondiente al trmino que no es nulo. Si *J = 1 y (hk+)* =
(hi-)* = 0, no se produce ninguna proyeccin, y por tanto la unidad es eficiente
(se proyecta sobre s misma).
- *

En el caso de una entrada y dos salidas:

20
y2/x

18
16
A

14
12

10

8
6

4
F

2
10

20

30

40

50

60
y1/x

Figura 2.4.5. Resolucin grfica del modelo CCR-O para una entrada y dos salidas.

Se puede observar los dos tipos de incrementos de salida que se

pueden producir en el problema: radial (Fase I) y rectangular (Fase II).
Este modelo es invariante ante las traslaciones en las
dimensiones de entradas.

4.2. Modelos DEA con Retornos de Escala Variable.

Los modelos anteriores no pueden ser utilizados en los casos en
donde el problema se plantee con retornos de escala variables. De esta forma
aparecen nuevos modelos para solucionar dichos casos. A continuacin se
exponen los modelos BCC-INPUT y BCC- OUTPUT, pertenecientes a esta
clase de modelos.

30

Captulo 2

Anlisis por Envoltura de Datos (DEA).

4.2.1. Modelo BCC-Input.

BCC se corresponde con las iniciales de sus autores Rajiv D.
Banker, Abraham Charnes y William W. Cooper, fue propuesto por primera vez
en 1984.
Para que el modelo considere los retornos de escala variables,
habr que introducir, a partir del modelo RATIO linealizado, alguna restriccin
que le indique al modelo que cada DMUJ tiene que ser comparada con aquellas
de su tamao y no con todas las unidades presentes en el problema.
Modificando la forma envolvente del modelo CCR-INPUT de la
siguiente manera:

i =1

J hk+ + hi

MIN

k =1

s.a :
n

x
j =1

ij

y
j =1

j =1

= J xiJ hi

kj

j = y kJ + hk+

=1

i = 1,2,..., m
k = 1,2,..., s

j , hi , hk+ 0
J

libre

Se puede observar que la restriccin adicional que aparece en el

dual de este modelo (suma de las componentes del vector (1, 2, , n) igual a
uno) obliga a que la proyeccin de la unidad se efecte sobre el hiperplano que
forman las unidades ms productivas de su tamao. En general, para este
caso, aparecern unidades que no eran eficientes en el anterior modelo
(retornos de escala constantes) y que sin embargo en este modelo s lo son.
De ah que la frontera eficiente, est formada por ms unidades que en el
modelo CCR.
Al igual que en el anterior modelo CCR-INPUT, una solucin
admisible siempre ser:

31

Captulo 2

Anlisis por Envoltura de Datos (DEA).

J =1
J = 1
j = 0,

j J

hi = hk+ = 0,

i y k

Y la eficiencia relativa de cada unidad de nuevo es J. Las

mismas consideraciones que se hicieron con el modelo de retornos de escala
constantes CCR-INPUT referentes a las proyecciones realizada sobre la
frontera y los valores de las variables de holgura, son tambin vlidas aqu.
Como se puede ver, el problema tiene orientacin de entrada porque la
reduccin radial slo es permitida para las entradas.
El conjunto de los puntos admisibles en el problema sern los
elementos del conjunto TVRS y su envolvente, nueva frontera eficiente
(cualquier punto perteneciente a la envolvente se proyecta sobre s mismo).
Hay que hacer notar la nueva forma que adquiere la frontera
eficiente en este caso de retornos de escala variables si se considera el caso
de una sola entrada y una sola salida:

20
18
16

DMU6

Salida (y)

14

DMU5

12

DMU7

DMU3

10

DMU4

8
6

DMU2

4
2

DMU1

10

20

30

40

50

60

70

Entrada (x)

Figura 2.4.6. Resolucin grfica del modelo BCC-I para una entrada y una salida.

La frontera eficiente es la lnea quebrada DMU2-DMU3, DMU3DMU5 y DMU5-DMU6. Las unidades eficientes, por tanto, son DMU2, DMU3,

32

Captulo 2

Anlisis por Envoltura de Datos (DEA).

DMU5 y DMU6. Las posibles proyecciones se encuentran representadas en el

grfico. DMU4 slo necesita de una reduccin radial de su entrada para
proyectarse sobre la frontera, sin embargo DMU1 con la reduccin radial no
consigue llegar a la frontera y necesita de una reduccin rectangular adicional.
Se define peer group al conjunto de unidades eficientes de la
que la proyeccin de una determinada unidad es combinacin lineal. En el caso
de la unidad DMU4, su peer group son las unidades DMU2 y DMU3. Se puede
decir que la DMU analizada se debe comparar con su proyeccin para
conseguir alcanzar una eficiencia igual a uno, y esta proyeccin puede ser una
unidad que no existe en la realidad pero cuyo tamao o escala es el tamao de
las unidades que conformen el peer group.
Por otra parte, se observa que DMU4 opera con retornos de
escala crecientes (IRS) ya que se proyecta sobre la zona de la frontera
constituida por unidades que, para conseguir el tamao de la de mayor
productividad del problema (en este caso la unidad DMU3), deberan
incrementar su entrada. Por un motivo similar, DMU7 opera con retornos de
escala decrecientes (DRS).
El dual del problema planteado es el siguiente:
s

MAX

k =1

kJ

y kJ J

s.a :
s

k =1

i =1

vkJ y kj uiJ xij + J 0

s

u
k =1

iJ

xiJ = 1

v kJ

k = 1,2,..., s

u iJ

i = 1,2,..., m

j = 1,2,..., n

libre

Considerando que los pesos uiJ y vkJ son los vectores directores
del hiperplano que constituye la frontera eficiente, se puede observar cmo la
funcin objetivo permite que el hiperplano ptimo solucin del problema pueda
no pasar por el origen con la introduccin de la nueva variable J.

33

Captulo 2

Anlisis por Envoltura de Datos (DEA).

El modelo es invariante frente a las traslaciones de salidas, ya

que no existen amplificaciones radiales.
4.2.2. Modelo BCC-Output.
Si la orientacin del problema es de salida, se obtendra un
modelo anlogo al anterior.

i =1

J + hk+ + hi

MAX

k =1

s.a :
n

x
j =1

= xiJ hi

i = 1,2,..., m

kj

j = J ykJ + hk+

k = 1,2,..., s

=1

ij

y
j =1
n

j =1

j , hi , hk+ 0
J

libre

Resolviendo el modelo de forma grfica para el caso de una sola

entrada y una sola salida:

20
18
16

DMU6

Salida (y)

14

DMU5

12

DMU7

DMU3

10

DMU4

8
6

DMU2

4
2

DMU1

10

20

30

40

50

60

70

Entrada (x)

Figura 2.4.7. Resolucin grfica del modelo BCC-O para una entrada y una salida.

34

Captulo 2

Anlisis por Envoltura de Datos (DEA).

Se tiene como frontera eficiente la misma que en el ejemplo

anterior. Las proyecciones se realizan amplificando de forma radial las salidas,
en primer lugar, y si es necesario (como en DMU7) proyectando de forma
rectangular.
Llegados a este punto del anlisis, todas las consideraciones
hechas en los modelos anteriores son anlogas. Se puede comprobar que el
modelo dual al anterior es el siguiente:
s

MIN

k =1

iJ

xiJ J

s.a :
s

k =1

i =1

vkJ y kj uiJ xij + J 0

s

v
k =1

kJ

y kJ = 1

v kJ

k = 1,2,..., s

u iJ

i = 1,2,..., m

j = 1,2,..., n

libre

Este modelo es invariante frente a las traslaciones de entradas.

4.3. Comparacin entre los modelos CCR y BCC.

En este apartado se pretende analizar de forma conjunta las
soluciones obtenidas con los modelos CCR y BCC, para poder observar de
esta manera las diferencias entre ambos.
Ambos modelos, por lo explicado hasta ahora, se diferencian en la
consideracin de los retornos de escala. Si representamos en un mismo grfico
el caso de una entrada y una salida cuando el problema opera con orientacin
de entrada:

35

Captulo 2

Anlisis por Envoltura de Datos (DEA).

20
18
16

DMU6

Salida (y)

14

DMU5
7CCR
7BCC

12
DMU3

10

4CCR

8
6

1BCC

DMU7
DMU4

4BCC

DMU2

4
2

1CCR

DMU1

10

20

30

40

50

60

70

Entrada (x)

Figura 2.4.8. Comparacin entre los modelos CCR y BCC.

As podemos observar que en el MPSS (Most Productive Scale

Size, tamao de escala ms productivo) (lnea DMU3-DMU5), la solucin dada
por ambos modelos resulta ser la misma, ya que en esa zona la frontera es
coincidente. En cualquier otra situacin, la eficiencia calculada con el modelo
BCC (eficiencia tcnica), siempre ser mayor que la calculada con el modelo
CCR (eficiencia global), ya que las unidades sobre las que se proyectan las
unidades DMUJ analizadas son de menor productividad.

4.4. Modelo Aditivo.

Es un modelo que utiliza retornos de escala variable. La
diferencia con los modelos BCC es que en este caso la solucin no se halla
mediante la proyeccin radial de las unidades sobre la frontera eficiente
(aumento radial de las salidas o reduccin radial de las entradas), sino que slo
se realiza la segunda fase de los modelos BCC y CCR, es decir, slo se
efecta la proyeccin rectangular de las unidades.
Eliminando la variable que representa la amplificacin o reduccin
radial, en los modelos BCC con orientacin de salida o entrada
respectivamente, obtenemos el siguiente modelo:

36

Captulo 2

Anlisis por Envoltura de Datos (DEA).

hi + hk+
k
i

MAX
s.a :

xij = xi

xi = xiJ hi

y kj = y k

y k = y kJ + hk+

=1

j 0

j ,

hi , xi 0

i,

hk+ , y k 0

k ,

En los modelos CCR con orientacin de entrada o salida

respectivamente, eliminando la variable que representa la amplificacin o
reduccin radial, obtenemos el siguiente modelo:

hi + hk+
k
i

MAX
s.a :

xij = xi

xi = xiJ hi

y kj = y k

y k = y kJ + hk+

j 0

j ,

hi , xi 0

i,

hk+ , y k 0

k ,

Puesto que en estos modelos se trata de maximizar las holguras,

ya sea modelo de orientacin de entrada y salida, este modelo no distingue
entre estos dos tipos de orientaciones.
Las unidades eficientes que se obtienen con este modelo aditivo y
con el modelo BCC no varan, es decir, en ambos modelos se van a obtener la
misma frontera eficiente. Sin embargo cuando una DMU es ineficiente su
medida de eficiencia ser diferente en los dos modelos.

37

Captulo 2

Anlisis por Envoltura de Datos (DEA).

Aspectos muy similares ocurrirn en otros modelos DEA que

solucionan diferentes tipos de situaciones no contempladas en los modelos
anteriores. De esta forma se completa la teora contenida en este trabajo sobre
la metodologa DEA. Los modelos que a continuacin se exponen son: modelo
con RESTRICCIONES EN LOS PESOS, modelo con SALIDAS Y ENTRADAS
NO DISCRECIONALES.

5. Modelo DEA con restricciones en los pesos.

Es posible que en algunos casos convenga acotar el valor de uno
o varios de los pesos asignados en el problema para las salidas y las entradas.
Por otra parte, podra ocurrir que los valores que el modelo proporciona a los
pesos de entrada y salida de una determinada unidad eficiente, no fueran
nicos.
Las soluciones adoptadas para resolver estos problemas, se
basan en restringir los valores de los pesos, para delimitar as el rango de
niveles aceptables de entradas y salidas eficientes para una unidad en
concreto.
Existen varias posibilidades de realizar las acotaciones. A
continuacin se relacionan algunas de ellas.

Limitaciones absolutas aplicadas sobre los pesos. Estas

restricciones pueden ser aplicadas a cada una de las unidades
presentes en el problema:

k v kJ k
i u iJ i
Limitaciones relativas aplicadas sobre los pesos virtuales. No se
restringen los valores de los pesos directamente, sino la
proporcin entre todos:

v kJ y kj
s

v
k '=1

k 'J

u iJ xij
i '=1

i'J

k , j

yk ' j

i, j

xi ' J

38

Captulo 2

Anlisis por Envoltura de Datos (DEA).

Para reducir el nmero de restricciones (ya que [2ns + 2nm]

pueden llegar a ser muchas y complicar as la resolucin del modelo) se puede
optar por el siguiente grupo de restricciones:
1 n
y kj
n j =1
k s
k
1 n
vk 'J y k ' j

n j =1
k '=1

1 n
xij
n j =1
i m
i
1 n
u i ' J xi ' j

n j =1
i '=1

v kJ

u iJ

Reducindose as a 2s + 2m. De esta forma se acotan de forma

relativa la media aritmtica de los pesos virtuales.

Limitaciones relativas aplicadas sobre los pesos. Si en el

problema existe una relacin que debe cumplirse entre los
diferentes pesos. Por ejemplo, este caso sera til cuando las
entradas o salidas tienen grados de importancia relativos.

v kJ
k
v1J

u iJ
i
u1J

6. Modelos DEA con Entradas y Salidas no Discrecionales.

Antes de presentar estos modelos es preciso definir el concepto
de entrada y salida no discrecional. Una entrada (respectivamente salida) se
dice que es no discrecional si la unidad no tiene capacidad de variar su
cantidad. En multitud de problemas reales ocurre que los recursos son
extrnsecos a la unidad productiva, y sta no puede controlar el nivel que se
consume. De igual manera se encuentran problemas donde las salidas estn
fijadas y no pueden ser variadas.

39

Captulo 2

Anlisis por Envoltura de Datos (DEA).

Sera deseable implantar este aspecto en los modelos. Una forma

de realizarlo es la que se expone a continuacin. Primero se divide el conjunto
de entradas y salidas en otros dos subconjuntos de la siguiente forma:

I = I D U I ND
O = OD U O ND
Donde el subndice D indica el conjunto discrecional (en el cual se
pueden variar las entradas o salidas) mientras que el subndice ND indica el
conjunto no discrecional (entradas o salidas invariables).
Introduciendo estos conjuntos en la forma dual del modelo CCRINPUT se tiene:

J hk+ + hi

MIN

kOD

iI D

s.a :
n

x
j =1

ij

y
j =1

kj

j = ykJ + hk+

x
j =1

ij

= J xiJ hi

= xiJ hi

i I D
k = 1,2,..., s
i I ND

j , hi , hk+ 0
J

libre

Como se puede observar de la formulacin, la variable J no

afecta a las entradas no discrecionales. Adems, las nicas holguras que son
maximizadas en la funcin objetivo son las pertenecientes a los conjuntos
discrecionales. Esto significa que no se hace proyeccin radial ni rectangular
de los recursos o productos que no ser pueden modificar.
En el caso del modelo aditivo slo se hacen mximas las holguras
de las entradas o salidas discrecionales, ya que con las dems se carece de
capacidad de control sobre el nivel de las mismas.

40

Captulo 2

Anlisis por Envoltura de Datos (DEA).

MAX

+
k

kOD

+ hi
iI D

s.a :
n

x
j =1

ij

y
j =1

j =1

= xiJ hi

kj

j = y kJ + hk+

=1

i = 1,2,..., m
k = 1,2,..., s

j , hi , hk+ 0
Como se puede observar, es fcil implantar en los modelos DEA
modificaciones en la formulacin que permitan resolver problemas con este tipo
de variantes.

7. Modelos FDH
Son modelos que resuelven problemas donde las posibles
unidades admisibles que pueden ser analizadas corresponden a los elementos
del siguiente conjunto:

r
r
r r
r r
r r r
TFDH = ( x , y ) : 0, X x ; Y y; e T = 1; j {0,1}

Del conjunto expuesto, puede deducirse que slo una de las

componentes del vector (1, 2, , n) ser uno y las restantes cero. As que las
unidades se proyectarn siempre sobre una de las unidades existentes. Esta
tecnologa es ms restrictiva que las anteriores, en las que la proyeccin poda
hacerse sobre cualquier punto de la frontera eficiente.
El modelo en el caso de orientacin de salida es:

41

Captulo 2

Anlisis por Envoltura de Datos (DEA).

MAX
s.a :
n

x
j =1

xiJ

i = 1,2,..., m

kj

j J ykJ

k = 1,2,..., s

=1

ij

y
j =1
n

j =1

j {0,1}
J

libre

Con este modelo obtenemos un conjunto D(J) de unidades

productivas que dominan a la DMUJ, es decir, que son candidatas a ser su
proyeccin:

j : i ' : x < x
con xij xiJ i i ' y y kj y kJ k y /
i' j
i 'J

D(J ) =

k ': y k ' j > y k ' J con y kj y kJ k k ' y xij xiJ i

Si D(J) fuese el conjunto vaco, DMUJ se proyecta sobre s misma.

En el modelo no estn penalizadas las holguras, ya que slo interesa la
amplificacin radial.
La representacin de la resolucin del modelo anterior, con una
sola entrada y una sola salida, en el caso de orientacin de salida, se expone a
continuacin.

42

Captulo 2

Anlisis por Envoltura de Datos (DEA).

12
F

10
D

Salida (y)

8
B

E
C

2
A

10

12

Entrada (x)

Figura 2.7.1. Conjunto de unidades dominantes FDH-O con una entrada y una salida.

La lnea quebrada representada es el lmite del conjunto TFDH

anteriormente expuesto. Las unidades que dominan a E son B y D, que son las
nicas candidatas a ser su proyeccin. Sin embargo la nica candidata a ser
proyeccin de la DMUC es la B. La resolucin del problema consiste en realizar
la proyeccin radial, y luego la proyeccin rectangular que consiga terminar en
una unidad del conjunto D(J), como vemos en la siguiente figura:
12
F

10
D

Salida (y)

8
B

E
C

2
A

10

12

Entrada (x)

Figura 2.7.2. Proyecciones FDH-O con una entrada y una salida.

43

Captulo 2

Anlisis por Envoltura de Datos (DEA).

El caso de dos salidas (y1, y2) y una entrada (x) no puede ser
representado en el plano a no ser que las entradas sean las mismas para todas
las unidades, ya que el modelo FDH no tiene retornos de escala constantes.
Considerando tal suposicin resolvemos el modelo de la siguiente forma:
12

10

Salida (y2)

A
8
C=B'
6
E=D'

B
4
D

10

12

Salida (y1)

Figura 2.7.3. Proyecciones FDH-O con una entrada y dos salidas.

Si observamos las unidades B y D vemos que en primer lugar se

efecta la amplificacin radial de las salidas y posteriormente se proyecta de
forma rectangular sobre la unidad D(J) correspondiente.
Este modelo lineal tiene variables binarias, lo que podra
complicar su resolucin, ya que habra que recurrir a mtodos como la
Exploracin Dirigida. Sin embargo, debido a las caractersticas del problema,
podemos solucionarlo de una manera ms sencilla mediante el siguiente
algoritmo (para el caso de orientacin de salida):

y kj
jD ( J ) k =1,..., s y
kJ

* = max min

Este algoritmo se basa en el hecho de que una admisible debe

cumplir que:

jD ( J )

y kj

y kJ

44

Captulo 2

Anlisis por Envoltura de Datos (DEA).

a causa de la restriccin del modelo:

jD ( J )

y kj y kj

Como j debe ser 0 1, la solucin * es el valor mximo de esa

restriccin. Para la orientacin de entrada se tiene un modelo similar, que se
expone a continuacin:

MIN
s.a :
n

x
j =1

ij

y
j =1

j =1

= J xiJ hi

kj

j = y kJ + hk+

=1

i = 1,2,..., m
k = 1,2,..., s

j {0,1}
hi , hk+ 0

libre

El caso de dos entradas y una salida se puede representar

grficamente siempre que todas las unidades tengan la misma cantidad de
salida. Con esta suposicin la resolucin sera:

45

Captulo 2

Anlisis por Envoltura de Datos (DEA).

12

10

Entrada (x2)

D
8

6
B=D'

C=F'
2
E

10

12

Entrada (x1)

Figura 2.7.4. Proyecciones FDH-I con dos entradas y una salida constante.

El conjunto de DMUs que dominan a D y F son:

D(D ) = {A, B, C}, D(F ) = {C , E}

El algoritmo de resolucin correspondiente para el modelo con
orientacin de entrada es el siguiente:

xij
xiJ

* = min max
jD ( J ) i =1,..., m

Este algoritmo se deduce de forma anloga a la utilizada para la

orientacin de salida.

46