Proyecto Final

"1- Prólogo "



Este trabajo surge como necesidad de brindar un nuevo servicio
para los clientes de una consultora del sector energético de la ciudad
de Rosario.
Se desarrolla sobre el benchmarking interno de un conjunto de
estaciones de servicio dedicadas a la venta de combustibles y a la
prestación de servicios adicionales. El objetivo es lograr la mejora global
de la organización mediante la búsqueda e identificación dentro del grupo
de estaciones de servicio, de las unidades con mejor desempeño para poder
analizar y trasladar las prácticas que en éstas se realizan a las
estaciones menos eficientes.
Agradecemos la colaboración de Mgter. Marta Liliana Cerrano quién
no tuvo problemas en responder a nuestras consultas a cualquier hora y
lugar.

































"2- Introducción "

El presente estudio se desarrolla en una compañía multinacional del
sector energético. A partir de ahora la llamaremos "la compañía". Entre sus
actividades se destacan la exploración de petróleo y de gas natural en seis
de los siete continentes. Además es el comerciante no público de gas más
grande del mundo. También ofrece una amplia variedad de combustibles,
lubricantes y otros productos derivados del petróleo.
Uno de los sectores de la compañía es el de distribución de
combustibles (estaciones de servicio); el proyecto analizará este último
sector mencionado.
La compañía cuenta con 88 estaciones de servicio ubicadas a lo largo
del territorio argentino.
Se tiene conocimiento que existen algunas estaciones de servicio con
mejores desempeños que otras de similares características.
El presente estudio toma un grupo homogéneo de este gran conjunto de
estaciones de servicio para determinar cuál o cuáles de ellas tienen
mejores desempeños y así establecer las prácticas que llevan a obtener
mejores resultados a las estaciones más eficientes para su traslado a las
de menor eficiencia. Este proceso se denomina benchmarking: un proceso
sistemático y continuo para evaluar los productos, servicios y procesos de
trabajo de las organizaciones que son reconocidas como representantes de
las mejores prácticas, con el propósito de realizar mejoras
organizacionales. En este caso, el benchmarking es interno porque la
comparación es entre unidades pertenecientes a la misma compañía matriz.
Entre las herramientas más utilizadas para la comparación del
desempeño de unidades productivas se encuentran:
el método de las proporciones simples (medidas de índice –Ratio
Analysis–)
métodos de modelos econométricos, entre los que se incluyen el análisis
de frontera estocástica (Stochastic Frontier Analisys, SFA)
métodos de modelos matemáticos como la metodología de Análisis Envolvente
de Datos (Data Envelopment Analysis, DEA)
métodos estadísticos como el Análisis de Componentes Principales (ACP).
Se desarrollarán los métodos citados anteriormente y se determinarán
las ventajas y desventajas de cada uno para determinar cuál o cuáles son
los más adecuados para este estudio así como también obtener una guía para
usos futuros. Finalizando con la identificación de las mejores prácticas.




















































"3- Desarrollo "


"3.1- Benchmarking "

El Benchmarking (BM) es una metodología que conlleva un proceso
continuo de búsqueda, aprendizaje y aplicación de prácticas óptimas, que
consiste en descubrir y conocer qué hacen y cómo lo hacen otras
organizaciones, identificadas como las mejores, para así mejorar las
propias actuaciones y capacidades. No es un estudio puntual; es un proceso
continuo, ya que en un entorno competitivo los cambios se producen muy
rápidamente, y este ritmo de cambio se acentúa precisamente en los sectores
donde el BM es habitual.
En definitiva, el BM es la búsqueda de las mejores prácticas que
conducen a un desempeño excelente. Es una herramienta de gestión. La
medición constituye la esencia del BM. Es necesario integrar dicha
metodología en el sistema de gestión de la empresa. Los procesos deben
estar perfectamente documentados, comprendidos por el personal involucrado,
medidos mediante la utilización de indicadores; ya que de poco servirá que
busquemos la mejor práctica de nuestro proceso si todavía no conocemos el
funcionamiento del mismo. Hay que tener claro que el BM consiste en una
actividad de equipo en la que pueden intervenir tanto especialistas
internos, como especialistas externos o los propios empleados que
participan directamente en los procesos relacionados con el proceso objeto
del BM
El BM ofrece sus mejores resultados en su aplicación externa, es decir
cuando la comparación es con otras empresas. A pesar de esto, el BM interno
brinda buenos resultados y a la vez proporciona práctica en el método para
su aplicación externa en un futuro.
En el proceso de BM se pueden identificar cuatro etapas que no son
necesariamente secuenciales.
1. Qué analizar mediante BM: definir los factores críticos de éxito. A
partir de ellos identificar y definir precisamente los datos
necesarios.
2. Cómo lo hacemos actualmente: conocer los procesos, las prácticas y los
métodos actuales.
3. Quién es el mejor: a partir del análisis de la información, conocer
quienes son los que desarrollan las mejores prácticas.
4. Cómo lo hace el mejor: identificar las mejores prácticas mediante el
estudio de los procesos y los métodos del mejor.
ANÁLI
La comparación entre las etapas 2 y 4 constituye el verdadero BM. Es
necesario entender las razones de las diferencias, evidenciadas por el
análisis de los datos y de la información interna, y llegar a detectar qué
cambios en procesos, prácticas o métodos deben incorporarse para alcanzar o
exceder el nivel del objeto de la comparación.
El presente trabajo se centra en la etapa 3 y la etapa 4, ya que los
factores críticos de éxito (etapa 1) fueron preestablecidos con
anticipación por parte de la compañía suministrándonos los datos
disponibles y sin posibilidad de nuestra participación en la elección de
los mismos.

"3.2- Frontera de posibilidades de producción "

Descubrir si se están utilizando "adecuadamente" los escasos recursos
destinados a la producción de la base material de nuestra existencia ha
sido siempre un tema de gran importancia en los estudios económicos.
El enfoque de frontera de producción puede ser utilizado para estudios
de productividad al nivel de firmas. En este caso se puede relacionar la
variación de las medidas de productividad que están implícitas en la
frontera de producción, con distintos factores que operan en las firmas. De
esta manera es posible encontrar factores que pueden explicar por qué
algunas firmas alcanzan niveles de eficiencia mayores que otras.
Alternativamente, se puede hacer un ranking de las firmas de una rama de
producción de acuerdo a su eficiencia y así escoger los mejores y los
peores ejemplos para estudios en profundidad que puedan explicar sus
resultados diferenciales.
También se puede usar este enfoque en un nivel macroeconómico o
agregado. Este enfoque permite la búsqueda de eventos y factores
macroeconómicos que expliquen las diferencias entre los resultados
productivos efectivos (lo que realmente se produce) y el producto potencial
señalado por la frontera de producción (lo que se debería producir siendo
eficiente).
Uno de los cuerpos teóricos que integran la microeconomía es la teoría
de la producción. Entre los objetos de estudio de esta disciplina ocupan un
lugar bien importante la búsqueda de una adecuada descripción formal de la
tecnología y las posibles medidas de la eficiencia, ambos íntimamente
relacionados. De hecho, obtener medidas sobre la eficiencia (o
ineficiencia) del proceso productivo ha sido la principal motivación para
formalizar la relación producto-insumos. En el intento de cuantificar la
eficiencia se trata de encontrar una referencia sobre lo que debe producir
una firma, dados determinados insumos a su disposición. Dicha referencia
puede entonces ser comparada con el resultado real del proceso productivo,
y esta relación nos daría una medida de cuán eficiente es el proceso, más
estrictamente, una medida de la eficiencia técnica.
Es conveniente distinguir entre distintos tipos de eficiencia, de
acuerdo a su inserción en el modelo teórico de la teoría de la producción.
En realidad, la eficiencia económica se descompone en tres medidas:
eficiencia técnica, eficiencia asignativa y eficiencia de escala.
Para encontrar una referencia que sirva para discutir el problema de
la eficiencia, hay que abordar la cuestión de describir formalmente el
proceso productivo. Las firmas pueden, dado cierto conjunto de insumos,
obtener determinados niveles de producto, pero otros niveles no son
alcanzables.
Igualmente, dado cierto nivel de producto, algunas combinaciones de
insumos pueden servir para obtenerlo, otras no. Justamente a la relación
entre insumos y productos se denomina tecnología. Una de las formas
posibles de representar formalmente la tecnología es la función de
producción (o la frontera de producción), y es la referencia que se
utilizará para llegar a medidas sobre la eficiencia. Más adelante se
mencionarán los diferentes enfoques para llegar a determinar dicha
frontera.
Para explicar la descomposición de la eficiencia económica, vamos a
considerar el caso más sencillo: una firma que produce un único bien, cuya
cantidad denominaremos y; para ello emplea n insumos x=(x1,x2,...,xn).
Adicionalmente, el desarrollo de algunos de estos conceptos de eficiencia
requiere de supuestos conductuales sobre las firmas. Así, se supone que la
firma se desenvuelve en un ambiente perfectamente competitivo; de ahí que
perciba como fijos los precios de su producto (p) y de sus insumos,
w=(w1,w2,...,wn).
La transformación eficiente de esos insumos en producto puede ser
caracterizada a través de la función de producción f(x), que muestra el
máximo resultado que se puede obtener, dada determinada disponibilidad de
insumos. Nótese que esta definición de función de producción, al involucrar
una noción de maximización, impone un límite a la variable dependiente y.
De hecho, como se verá más adelante, está imponiendo también restricciones
a ciertos componentes del modelo que representa la transformación de
insumos en producto.
Digamos que la firma tiene un plan de producción (x0, y0). Si se
cumple que y0=f(x0), entonces decimos que el plan de producción es
técnicamente eficiente.
Si y0f(x0) no es factible. La relación o razón 0(y0/f(x0)(1 daría
una medida de la eficiencia técnica del plan en cuestión. La ineficiencia
técnica se atribuye, entonces, al uso excesivo de insumos (en exceso a lo
estrictamente necesario, según la tecnología disponible), lo cual conduce a
mayores costos.
Un plan de producción puede ser técnicamente eficiente, pero eso no
significa que sea económicamente eficiente. La eficiencia técnica es sólo
una parte del problema. Examinemos otro de los componentes de la eficiencia
económica: la eficiencia asignativa.
Supongamos que la firma de la que hablamos toma su decisión de
producción (es decir, elige de entre los muchos posibles, cuál será su plan
de producción) a partir de resolver un problema de optimización: puede
minimizar costos o maximizar beneficios. De hecho, cuando la firma maximiza
beneficios está minimizando costos implícitamente.
Las condiciones de primer orden de la minimización de costos conducen
a que el plan de producción deberá cumplir las siguientes condiciones:
, que pertenecen al conjunto de insumos, en cuyo caso decimos entonces
que el plan en cuestión es asignativamente eficiente.
Se asume que f es diferenciable, siendo fi y fj las primeras derivadas
de f con relación a xi y a xj, respectivamente. Si , entonces el plan
es asignativamente ineficiente. La ineficiencia asignativa ocurre cuando
los insumos se utilizan en proporciones incorrectas, lo que también genera
mayores costos.
Finalmente, un plan puede ser técnica y asignativamente eficiente y,
con todo, no ser económicamente eficiente. Todavía queda la cuestión de la
eficiencia de escala. Las condiciones examinadas hasta ahora no garantizan
que la empresa maximice beneficios. La solución de la maximización de
beneficios implica que se cumplan las siguientes condiciones: , que
pertenecen al conjunto de insumos, en cuyo caso decimos entonces que el
plan en cuestión es eficiente en escala.
Es importante dar seguimiento a la evolución de la eficiencia
económica de los sectores productivos ya que hay evidencia contundente en
cuanto a que el motor del crecimiento en los países radica en las mejoras
continuas de la eficiencia.
Se puede concordar o no con los criterios de optimización de los
productores que propone la economía neoclásica. Podemos argumentar que los
productores no necesariamente maximizan beneficios, que pueden ser otros
sus objetivos. El Estado en muchos países apoya algunas producciones de
importancia estratégica o por motivos políticos, aún cuando generen
pérdidas económicas. En algunos casos el mecanismo de asignación de
recursos y los planes de producción se determinan siguiendo fuertes
criterios de tipo social. Los precios, en algunos casos, son precios
administrados. Sin embargo, en los razonamientos y propuestas metodológicas
anteriores hay cuestiones que pueden y deben ser rescatadas.
En cuanto al criterio de eficiencia técnica, cualquiera sea el
objetivo de la actividad productiva, no resultaría racional aplicar más
recursos que los que exige la tecnología en uso. Los recursos no están
libremente disponibles y, por tanto, no cabe espacio para el desperdicio.
Así tampoco el criterio de eficiencia asignativa parece censurable. En
definitiva, la eficiencia asignativa significa lograr determinada meta de
producción con el mínimo gasto posible. En cuanto a la maximización de
beneficios, podría argumentarse que el fin último del proceso de producción
es generar valores de uso, que la generación de excedente económico es un
objetivo demasiado "materialista". Sin embargo, la viabilidad de cualquier
economía en el largo plazo dependerá precisamente de que genere resultados
que le permitan su reproducción.
Dentro de los componentes de la eficiencia económica, la eficiencia
técnica es el menos controvertido: sólo se asienta en las restricciones que
impone la naturaleza al proceso de producción. En el caso de los restantes
componentes, las propuestas se basan en un supuesto que no se verifica en
todos los casos: que el mecanismo de asignación de recursos es el mercado.
Finalmente, queda por abordar la cuestión de cómo llegar a una
referencia concreta para la tecnología. Esta referencia podría constituirla
una relación técnica de carácter ingenieril. Sin embargo, en muchos
estudios sobre eficiencia la referencia se presenta como una función (o
frontera) de producción, que es preciso estimar. Es decir, no se parte de
una relación teórica, sino que la comparación se realiza respecto a las
condiciones que imperan en el espacio tiempo - actividad que se somete a
estudio.
Las primeras estimaciones de funciones de producción fueron más bien
estimaciones de funciones promedio, que estimaciones de fronteras. La
investigación en este campo se enfocó fundamentalmente al desarrollo de
formas funcionales adecuadas para la representación de la tecnología. Entre
las especificaciones funcionales más importantes encontramos: la Cobb-
Douglas; las funciones de producción de elasticidad de sustitución
constante, conocidas por sus siglas en inglés CES; la especificación
transcendental-logarítmica. En este enfoque de funciones promedio, las
firmas pueden ubicarse sobre, por debajo y también por encima del límite
que establece la función. Las firmas se distribuyen simétricamente a ambos
lados de la función.
Sin embargo, el enfoque teórico básico de tecnología o función de
producción apunta, naturalmente, a una frontera antes que a una función
promedio. Lo que se trata de capturar es una relación entre combinaciones
factibles de insumos y posibilidades de producción. La función promedio
establece una relación más estrecha que atribuye a cada combinación de
insumos un resultado productivo único, cuando en la realidad observamos que
para una misma combinación de insumos, distintas firmas obtienen distintos
resultados.
La frontera de producción captura más adecuadamente esta situación. La
función de producción en su carácter de frontera impone determinadas
condiciones al componente de error del modelo. Inicialmente se consideró,
para ser consecuentes con el significado de frontera, que las firmas sólo
podrían ubicarse por debajo de la función; de modo que estaríamos en
presencia de un error unilateral. Se desarrollaron métodos para estimar
funciones con estas características: fronteras determinísticas, pues el
origen del error se atribuía sólo a la inhabilidad de las firmas de obtener
los mejores resultados de la tecnología disponible. Las primeras
estimaciones recurrieron a métodos no estadísticos, basados en enfoques de
programación lineal.
La frontera determinística sigue el siguiente modelo:



donde u es el error unilateral y e-u la medida de la ineficiencia técnica.
Sin embargo, el desempeño de las firmas puede ser afectado también por
factores que escapan a su control; digamos, por ejemplo, las condiciones
meteorológicas o las interrupciones en el suministro de insumos. Estos
factores exógenos no tienen que ser necesariamente negativos.
Adicionalmente, están también los errores que pueden generarse por
problemas en la medición de los insumos y productos, que pueden producirse
lo mismo en un sentido que en otro. Así, surge el modelo de frontera
estocástica, igualmente denominado modelo de error compuesto.
La idea esencial detrás del modelo de frontera de producción
estocástica es que el error está compuesto por dos partes: un componente
simétrico, que permite la variación estocástica de la frontera y captura
los posibles errores de medición así como los efectos de factores exógenos;
y un componente unilateral, que capturaría la ineficiencia.
El modelo de frontera de producción estocástica puede formalizarse
como sigue:

,

donde es la frontera de producción estocástica, v es el componente de
error simétrico, y la ineficiencia técnica en relación con la frontera
estocástica se captura por el componente de error unilateral e-u donde u (
0.
Las fronteras a que nos hemos referido hasta aquí son de tipo
paramétrico: se asume una cierta forma funcional y se estiman sus
parámetros característicos.
También están las fronteras no paramétricas, que no asumen una forma
funcional a priori, y por lo tanto no tienen en cuenta los posibles errores
vinculados a la elección de dicha forma funcional y/o de las variables
explicativas. No obstante esta ventaja, una limitación de este enfoque
reside en que no captura el componente estocástico del proceso. Entre los
métodos de estimación de fronteras no paramétricas se puede mencionar el
análisis envolvente de datos (DEA) desarrollado en el contexto de la
investigación de operaciones.
"3.3- Desarrollo teórico de los métodos "


Para establecer un ordenamiento de las diferentes unidades de
transformación y así encontrar las mejores prácticas se identificaron
cuatro métodos:
Método de índices o ratios
Análisis Envolvente de Datos (DEA)
Análisis de Frontera Estocástica (SFA)
Análisis de Componentes Principales (ACP)
A continuación se desarrollarán los diferentes métodos en forma
teórica.
3.3.1- Índices o Ratios
Un método comúnmente usado es el de ratios. Lo que se hace es tomar
alguna medida de salida y dividirla por alguna medida de entrada. En la
terminología usada, las estaciones de servicio toman las entradas (energía
eléctrica, personal, …) y las convierten, con varios grados de eficiencia,
en salidas.
(1)

Esta metodología hace una aproximación a la medición de eficiencia a
través del cálculo de índices o ratios y obtiene un orden de las unidades
de transformación mediante la comparación de los mismos. Esta técnica
define medidas de entrada y de salida, para posteriormente construir
indicadores que establecen la mayor o menor productividad de una unidad de
transformación. Sin embargo, este método tiene algunas limitaciones:
La comparabilidad de los indicadores de productividad obtenidos en
cortes y en años diferentes. No obstante, este es un problema común a
todos los métodos de medición de la productividad.
Con esta metodología no se logra hacer afirmaciones respecto al nivel
absoluto de ineficiencia alcanzado y sólo permite hacer comparaciones
de tipo relativo.
Este método no está capacitado para medir la productividad en términos
agregados, sino que lo hace con indicadores independientes.
No es claro cuál es el criterio para la definición de los índices.
Por todo lo anterior, un método recomendado para complementar este
análisis de eficiencia es a través de la asignación de ponderaciones a cada
ratio. No obstante esta metodología asume que quienes deben tomar esta
decisión logran ponerse de acuerdo sobre las ponderaciones asignadas a cada
relación, lo cual resulta muy difícil de lograr en la práctica.

3.3.2- Análisis Envolvente de Datos (Data Envelopment Analisys, DEA)
DEA - Introducción
DEA se ha convertido en estos últimos años en un método de
Benchmarking muy utilizado por las empresas. Se utiliza para evaluar la
eficiencia de un número de unidades de transformación (UDT) estudiadas y
comparadas. Las metodologías generalmente usadas se caracterizan por
analizar una tendencia central y evalúa a las UDT en base o en relación con
una unidad promedio. En cambio DEA es un método matemático que compara cada
una de las UDT únicamente con la mejor UDT virtual (más adelante en el
texto se profundizará el concepto de UDT virtual).
Este método se basa en asumir que si una UDT determinada (A), es capaz
de producir un número determinado de salidas X(A) con una determinada
cantidad de entradas Y(A), entonces todas las demás UDT deben de poder
producir con la misma eficiencia. Es por esto que, si una UDT es más
eficiente que las demás en determinado proceso y otra UDT es más eficiente
en otro proceso distinto, se pueden intercambiar los mejores procesos y
llegar a una UDT virtual con los mejores procesos de cada una de las UDT.
Se le llama UDT virtual porque no es una UDT existente sino que es una
combinación de las mejores UDT en sus respectivos procesos.
Lo importante del análisis es encontrar la mejor UDT virtual para cada
una de las UDT reales. Si la UDT virtual es mejor que la UDT original ya
sea por producir más salidas con las mismas entradas o por producir la
misma cantidad de salidas con menos entradas, entonces las UDT originales
son ineficientes.
El procedimiento de encontrar la mejor UDT virtual se puede formular
como un programa lineal. Analizando la eficiencia de n productores el
problema se formula mediante un grupo de n problemas de programación
lineal.

DEA - Ejemplo
Inicialmente se ilustrará la técnica DEA a través de un pequeño
ejemplo. Hay que hacer notar aquí que mucho de lo que se verá a
continuación es una aproximación gráfica al DEA. Esto es muy útil si es
necesario explicar DEA a aquellos técnicamente menos calificados. Una
explicación matemática se dará más adelante.
Considere un número de estaciones de servicio. Para cada estación
tenemos dos medidas de salida (metros cúbicos de GNC vendidos y metros
cúbicos de gasoil vendidos) y una única medida de entrada (energía
eléctrica consumida).
Los datos que tenemos son:

"Estación "Energía "Metros cúbicos "Metros cúbicos "
" "Eléctrica [MWh] "de GNC [millar] "de Gasoil "
" " " "[millar] "
"Rosario "18 "125 "50 "
"Santa Fe "16 "44 "20 "
"Buenos Aires "17 "80 "55 "
"Córdoba "11 "23 "12 "


Por ejemplo, para la estación de Santa Fe en un año se vendieron
44.000 metros cúbicos de GNC, 20.000 metros cúbicos de Gasoil y se
consumieron 16 MWh.
Como se dijo anteriormente, un método comúnmente usado es el de
índices o ratios. Generalmente se toma una de las medidas de salida y se la
divide por una de entrada.
Para nuestro ejemplo la medida de entrada es la energía eléctrica
consumida y las dos medidas de salida son metros cúbicos de GNC y metros
cúbicos de Gasoil. De esta manera se obtienen dos ratios:

"Estación "Metros cúbicos de GNC "Metros cúbicos de "
" "por MWh consumido "Gasoil por MWh "
" " "consumido "
"Rosario "6.94 "2.78 "
"Santa Fe "2.75 "1.25 "
"Buenos Aires "4.71 "3.24 "
"Córdoba "2.09 "1.09 "


Aquí se observa que Rosario posee el índice más elevado en metros
cúbicos de GNC por MWh consumido mientras que Buenos Aires tiene el índice
más elevado en metros cúbicos de Gasoil por MWh consumido.
Santa Fe y Córdoba no se comparan tan bien con Rosario y Buenos Aires,
por lo tanto se presupone que sus desempeños son menores. Esto significa
que son relativamente menos eficientes en el uso de su recurso de entrada
(energía eléctrica) para producir salidas (metros cúbicos de GNC y Gasoil).
Un problema con esta comparación a través de ratios es que diferentes
ratios pueden dar distintas interpretaciones del problema y es difícil
combinar un conjunto de ratios en un único criterio numérico.
Una manera de resolver el problema de la interpretación de diferentes
ratios, al menos para problemas que contengan solo dos salidas y una única
entrada es un simple análisis gráfico. A continuación se expone un gráfico
conteniendo los dos ratios para cada estación.



























Las posiciones en el gráfico representadas por Rosario y Buenos Aires
muestran un nivel de desempeño superior a las otras estaciones de servicio.
La línea compuesta por una línea horizontal dibujada desde la ordenada
hasta Rosario, la que va desde Rosario hasta Buenos Aires, y la línea
vertical desde Buenos Aires hasta la abscisa; esta línea es llamada
frontera eficiente. Matemáticamente es la combinación convexa de los datos.
La frontera eficiente, obtenida a partir de las mejores prácticas
contenidas en los datos considerados, representa un estándar de desempeño
el cuál deberían poder alcanzar las estaciones de servicio que no están
sobre dicha frontera.
De esta manera se observa que el nombre Análisis Envolvente de Datos
surge porque la frontera eficiente "envuelve" todos los datos utilizados.
Si bien un gráfico es útil, un número es a menudo más fácil de
interpretar. Se dice que cualquier estación sobre la frontera eficiente
tiene una eficiencia del 100%. En nuestro ejemplo, Rosario y Buenos Aires
tienen eficiencias del 100%.
Esto no quiere decir que el desempeño de Rosario y/o Buenos Aires no
pueda ser mejorado. Puede o no; de todas maneras, con los datos
disponibles, no se puede determinar hasta donde el desempeño puede ser
mejorado.
Es importante aclarar que DEA solo brinda eficiencias relativas a los
datos considerados. No brinda índices de eficiencia absoluta.
Considerando ahora Santa Fe y Córdoba en el gráfico anterior, se
observa que Rosario supera en ambos ratios a Santa Fe y Córdoba.
Evidentemente, Santa Fe y Córdoba tienen una eficiencia menor al 100%.
Considerando Córdoba se obtiene:
MWh consumidos: 11
metros cúbicos de GNC [millares]: 23
metros cúbicos GNC por MWh (23/11) = 2.09
metros cúbicos de Gasoil [millares]: 12
metros cúbicos Gasoil por MWh (12/11) = 1.09
Para Córdoba el ratio metros cúbicos GNC dividido metros cúbicos
Gasoil = (23/12) = 1.92, significa que se venden 1.92 metros cúbicos de GNC
por cada metro cúbico de Gasoil.
Por definición, 1.92 es también el ratio:
metros cúbicos GNC por MWh dividido metros cúbicos Gasoil por MWh
En otras palabras (2.09/1.09) es también igual a 1.92


























Considerando el diagrama anterior se observa que cualquier estación
con un ratio igual a 1.92 cae sobre la línea recta dibujada desde el origen
y que pasa por Córdoba hasta la frontera eficiente. Geométricamente, 1.92
es la pendiente de la recta mencionada.
Por consiguiente, si Córdoba quisiera retener la misma mezcla de
negocios (en este ejemplo 1.92 metros cúbicos GNC por metro cúbico Gasoil)
variando la energía consumida su desempeño se desplazaría sobre la línea
citada anteriormente. Si el consumo de energía aumentase, su posición sobre
la recta se alejaría de la frontera eficiente acercándose al origen. En el
caso inverso, su posición sobre la recta se acercaría a la frontera
eficiente; siendo su mejor desempeño el punto denominado óptimo virtual.
En otras palabras, el óptimo virtual representa una estación de
servicio que si existiese tendría la misma mezcla de negocios que Córdoba
pero con una eficiencia del 100%.
Entonces, en DEA se mide la eficiencia de Córdoba mediante el
siguiente ratio:
o longitud de la línea desde el origen hasta Córdoba dividido longitud de
la línea desde el origen, pasando por Córdoba hasta la frontera
eficiente por 100
Para Córdoba esta es una eficiencia del 36%. Para Santa Fe es de 43%.
Esto no quiere decir que Córdoba es aproximadamente un tercio de
eficiente que las mejores estaciones. Esto quiere decir que las otras
estaciones tienen prácticas y procesos que, si Córdoba las adoptara, podría
mejorar su desempeño. El óptimo virtual de Córdoba en realidad puede no
existir; es útil para compararlo con Córdoba ya que tienen la misma mezcla
de negocios. Sin embargo, las estaciones de referencia para Córdoba son las
que recaen sobre la frontera eficiente y están mas cercanas a su óptimo
virtual, en este caso Rosario y Buenos Aires.
La referencia para cualquier otra estación con menos del 100% de
eficiencia consisten en aquellas estaciones con 100% de eficiencia con las
que es más directamente comparable. Esto es porque tienen una mezcla de
negocios similar.
En caso de agregar otra estación de servicio a los datos con un
desempeño mayor a Rosario y/o Buenos Aires en alguno de los dos ratios
considerados, la frontera de eficiencia se expandiría y las eficiencias
relativas de las que no caen sobre la frontera disminuirían evidenciando
las posibilidades de mejora.

DEA - Desarrollo Matemático

Si se supone que una UDT necesita una entrada para obtener una salida,
la eficiencia de la UDT esta dada por salida / entrada.
En general, una UDT utiliza más de un recurso (entrada) para producir
más de un producto (salida). De manera natural, se puede definir suma de
salidas / suma de entradas.
El principal problema en esta medida de eficiencia, es la falta de
homogeneidad en las dimensiones de las entradas y las salidas de la UDT.
Este problema se resuelve introduciendo un sistema de pesos adecuados que
normalice tanto el numerador como el denominador. Así, se obtiene la
siguiente definición para la eficiencia de la UDT:
eficiencia de la UDT = suma de salidas ponderada / suma de entradas
ponderada
Si la j-ésima UDT utiliza N entradas para producir M salidas, se
define su eficiencia relativa como:

(2)
Donde:
: Eficiencia relativa de la j-ésima UDT.
: Vector M dimensional. Las componentes de este vector, indican la
cantidad elaborada de los diversos productos fabricados.
: Vector N dimensional. Las componentes de este vector, indican la
cantidad utilizada, de los diferentes insumos que se usan en la fabricación
de los productos.
: Ponderaciones asociadas a los productos que son fabricados.
: Ponderaciones asociadas a los insumos utilizados.
Este cociente ponderado de los insumos y los productos que utiliza la
j-ésima UDT, se puede expresar de forma explicita como:

(3)

Donde:
( : Eficiencia observada.
: Peso asociado al r-ésimo producto elaborado.
: Peso asociado al i-ésimo insumo utilizado en la fabricación de los
productos.
: Cantidad del r-ésimo producto fabricado.
: Cantidad del i-ésimo insumo utilizado en la elaboración de los
productos.
El problema asociado a la definición (2) es encontrar un conjunto
adecuado de pesos, y . En general, estos pesos son diferentes en
cada UDT analizada. El análisis envolvente de datos, desarrollado por E.
Rhodes [25] en su tesis doctoral, dirigida por W. Cooper, proporciona un
método para encontrar este conjunto de pesos, bajo el supuesto que los
datos observados son homogéneos. La formulación propuesta por él es:
Maximizar:

Sujeto a:


(4)






Las variables utilizadas en el modelo (4) se definen como en el modelo
(3). Aunque este modelo DEA inicial es fraccional, A. Charnes y W. Cooper
[8] habían presentado un método para linealizar esta clase de modelos. Más
tarde, autores como A. Charnes, W Cooper, y E. Rhodes [9], R. Banker, A.
Charnes y W. Cooper [6], L. Seiford y R. Thrall [28], R. Färe y S.
Grosskopf [12] realizan modificaciones al modelo DEA inicial (4). La
ventaja de los modelos DEA es que construye, de forma paramétrica, una
región de productividad, la cual está limitada por la frontera de
eficiencia.
El análisis envolvente de datos es un método usado para estimar la
medida de la eficiencia relativa de una UDT a partir de la obtención de una
frontera de eficiencia, hallada con información recopilada de un conjunto
inicial de observaciones, cuando se desconocen relaciones funcionales entre
las entradas y las salidas que intervienen en un problema. El objetivo
fundamental de DEA es optimizar la eficiencia relativa de cada UDT, para
establecer una frontera de eficiencia, usando el criterio de eficiencia de
Pareto. DEA considera que la j-ésima UDT es eficiente si elabora más
unidades de alguno de los productos fabricados, manteniendo la producción
de los otros, usando las mismas entradas, o si puede generar las mismas
salidas, utilizando una menor cantidad de, al menos, una entrada. La
frontera eficiente esta conformada por aquellas UDT eficientes. Se sigue de
la definición de UDT eficiente que DEA es no paramétrico, es decir no es
necesario explicitar una función de producción.
Después de obtenida esta frontera, se evalúa la eficiencia de cada UDT
que no pertenezca a esta, asumiendo que no existen perturbaciones
aleatorias. La idea es comparar cada UDT no eficiente con aquella que lo
sea y, además, tenga una técnica de producción similar. En general, la
unidad con la que se comparan las UDT ineficientes es una combinación
lineal de las UDT eficientes. Estas unidades ficticias reciben el nombre de
Grupo de Referencia.
Se puede medir la eficiencia de una UDT:
Orientada a la Entrada: Cuando se minimiza la cantidad de recursos
usados para obtener el mejor nivel de producción.
Orientada a la Salida: Cuando se maximiza la cantidad de productos
elaborados usando un nivel fijo de insumos.
Escoger la orientación para medir la eficiencia de la UDT depende de
las características del problema analizado.

El modelo DEA básico

La idea inicial, planteada por E. Rhodes, fue maximizar la función de
eficiencia relativa de la UDT, sujeto a que el radio de eficiencia no
supere la unidad. Su formulación inicial fue:

Maximizar:

Sujeto a:


(5)





Donde:
: Peso asociado a la r-ésima salida.
: Peso asociado a la i-ésima entrada.
: Cantidad de la r-ésima salida en la j-ésima UDT.
: Cantidad de la i-ésima entrada en la j-ésima UDT.
Este modelo, propuesto por E. Rhodes, es fraccional y tiene infinitas
soluciones. En este modelo se considera la eficiencia de una UDT como la
razón entre la producción ponderada total y el consumo ponderado total. El
valor de estas ponderaciones las proporciona el modelo sin necesidad de
conocer los precios de las entradas o las salidas.
Para obtener la formulación lineal para este problema es necesario
hacer lo siguiente: introducir una restricción adicional haciendo que el
denominador de la función objetivo sea igual a uno. Esto es posible debido
a que el problema no lineal anterior posee un grado de libertad disponible.
El programa lineal queda de la siguiente manera:

Maximizar:


Sujeto a:



(6)




o equivalentemente


Minimizar:

Sujeto a:

(7)







Las variables en las formulaciones (6) y (7) se definen de igual
manera que en (5). La mayor desventaja que tiene este modelo, es que puede
asignar una ponderación nula a un factor que, desde el punto de vista
teórico, tenga gran importancia en la eficiencia de la UDT. Para evitar
este hecho, muchas veces, se introduce al modelo información adicional
acerca del comportamiento que se requiere satisfaga la UDT.

Modificaciones del modelo DEA básico

El modelo que vamos a utilizar es el modelo CCR. Las siglas
corresponden a los autores del mismo, Charmes, Cooper y Rhodes.
El modelo DEA básico fue inicialmente propuesto por E. Rhodes [25] y
W. Cooper. Allí definen la eficiencia como una razón constante entre los
recursos utilizados por una UDT y los productos que obtiene, después de
aplicada una misma técnica de elaboración de productos. El problema de su
modelo es que, al no colocarle ninguna restricción a las ponderaciones que
requería hallar para normalizar la dimensión entre los productos y los
recursos que utiliza la UDT para medir la eficiencia, algunas ponderaciones
tomaban el valor de cero. A. Charnes [9] modifica este modelo suponiendo
que cada una de las ponderaciones es mayor que una cierta cantidad
positiva. Además evita que el denominador de la razón que mide la
eficiencia tome el valor cero. La formulación es la siguiente:

Maximizar:

Sujeto a:



(8)





donde ( es una constante. En la práctica generalmente se toma ( = 10-6.
Existen además del modelo DEA básico, otros que se clasifican,
principalmente, en cuatro clases: Los CCR, visto anteriormente (Siglas de
A. Charnes, W. Cooper y E. Rhodes), los BCC (Siglas de R. Banker, A.
Charnes y W. Cooper), los FG (Siglas de R. Färe y S. Grosskopf) y los ST
(Siglas de L. Seiford y R. Thrall). Cada uno tiene sus respectivas
aplicaciones que pueden consultarse en la bibliografía enumerada en los
anexos.

3.3.3- Análisis de la Frontera Estocástica (Stochastic Frontier Analisys,
SFA)

Introducción

Primero se introduce el Análisis de Frontera Determinística (DFA).
Esta herramienta, mediante información estadística estima una función de
producción con una o más entradas como variables independientes, pero sólo
una variable de desempeño (eficiencia, calidad o efectividad) actuando como
variable dependiente. Se estiman diferentes regresiones, esto es, se evalúa
el efecto de las variables independientes en cada variable de desempeño en
forma individual.
Cada regresión se convierte en predicción de una situación: por
ejemplo, para un nivel dado de entrada (dotación de personal), ¿qué
desempeño (ingresos, calidad o resultado) debe esperarse? Las predicciones
resultantes representan un promedio basado en el desempeño de todas las
demás UDT para una categoría de desempeño dada. Las diferencias entre el
desempeño de una UDT dada y el desempeño promedio de todas las UDT están
determinadas por los residuos obtenidos en la regresión. Estos residuos son
positivos para aquellas UDT que producen mayores salidas que las
pronosticadas. La mejor UDT será aquella con los residuales positivos más
altos.
No obstante su superioridad sobre el análisis de índices o ratios, es
una medida imprecisa de la "mejor práctica" de la UDT, debido a que se basa
en un nivel promedio de desempeño estándar y un supuesto de no
maximización.
Al igual que la metodología de índices o ratios, la metodología de
regresión tiene limitaciones en términos de identificar cuál es la mejor
práctica y sólo provee información limitada sobre eficiencia. Un análisis
más detallado permite, a través del método de Análisis de Frontera
Estocástica (SFA), modelar el término de error en dos partes: una
reflejando desviaciones sistemáticas de una frontera (costo o producción) y
la otra reflejando el ruido estadístico. Esta metodología utiliza este
error descompuesto para estimar el nivel de eficiencia global a través de
una muestra de UDT, para luego calcular las desviaciones de eficiencia de
cada observación con relación a la frontera.

Desarrollo Teórico

Dentro de las técnicas de estimación de fronteras de eficiencia
paramétricas o estadísticas, se encuentra el Análisis de Frontera
Estocástica (SFA). Este método estima un ranking de eficiencias que
fluctúan entre 0 y 1, "ordenando" a las UDT de menos a más eficientes. SFA
requiere especificaciones para la función de costos y supuestos de
tecnología de la empresa, permitiendo la inclusión de errores estocásticos
en el análisis y testeo de hipótesis. Sin embargo, al introducir un
componente estocástico, se produce un nuevo requerimiento, que consiste en
la necesidad de especificar una función de probabilidad para la
distribución de estos errores.
Como se detalló anteriormente, existen diferentes definiciones de
eficiencia: eficiencia técnica, eficiencia económica y eficiencia
asignativa. Dado que todos estos conceptos suponen que las funciones de
producción de las UDT eficientes son conocidas, hecho que dista de ser
cierto en la práctica, surge la necesidad de estimarlas utilizando datos
muestrales.
En la literatura de las estimaciones paramétricas, Aigner y Chu [3],
Afriat [1], Richmond [26] y Schmidt [27], estimaron una frontera de
producción con una función Cobb-Douglas, utilizando una muestra de N UDT,
como se muestra en la ecuación (9).

(9)

Dónde:
es el número de UDT;
es el logaritmo natural del producto de la UDT i-ésima,
es un vector fila de (K+1) elementos, con el primer elemento igual a
1 y el resto, a los K logaritmos naturales de las entradas utilizados por
la empresa i-ésima;
es un vector columna de (K+1) elementos con los parámetros asociados
a las entradas en la función de producción, y
es una variable aleatoria no negativa, que se asocia con la
ineficiencia técnica en la producción de la UDT i, dentro de la industria
analizada.
La eficiencia técnica de la UDT i-ésima, se define en la ecuación (10)
y corresponde a la razón entre el producto observado y el potencial, dada
la tecnología y el vector de entradas , y puede estimarse como la
razón entre la salida observada y la estimada, a partir de la ecuación (9).

(10)

La salida estimada puede obtenerse utilizando:
programación lineal o cuadrática (Aigner y Chu)
máxima verosimilitud con una distribución gamma para los errores
(Afriat) o
mínimos cuadrados corregidos (COLS) (Richmond).
Posteriormente Schmidt notó que los estimadores originales de
programación lineal y cuadrática de Aigner y Chu eran equivalentes a los
máximos verosímiles cuando los errores se distribuían exponencialmente o
como seminormales, respectivamente.
Este tipo de fronteras de producción se denomina determinística porque
la salida está acotada por la cantidad determinística () con lo que
todas las desviaciones sobre la frontera se consideran ineficiencias
técnicas, y no se evalúa la posible existencia de ruidos, como por ejemplo
errores de medición.
Tomando en consideración lo anterior, y de manera independiente,
Aigner, Lovell y Schmidt [4] y Meeusen y Van den Broeck [17] propusieron el
Análisis de Frontera Estocástica (SFA), en el cual agregaron un término de
error aleatorio adicional, , a la variable aleatoria no negativa
, como se muestra a continuación, en la ecuación (11).

(11)

El término aleatorio considera los errores de medición y otros
factores aleatorios sobre el valor de la salida, así como también los
efectos de entradas no especificadas en la función de producción. Estos
errores se asumen iid (independientes y con idéntica distribución),
normales con media 0 y varianza , independientes de los , que a
su vez se asumen iid, distribuidos semi normal o exponencialmente.
La frontera estocástica se denomina así porque el valor de la salida
está acotado por , que corresponde a una variable estocástica, en
donde el error aleatorio puede ser mayor o menor que cero.
El gráfico a continuación muestra las diferencias entre ambas
especificaciones, asumiendo una función de producción con retornos a escala
decrecientes. La curva continua representa la función de producción,
mientras que los círculos con una cruz al interior representan
realizaciones de la frontera estocástica . Los puntos rellenos
representan el valor efectivo de la salida de cada UDT. Utilizando el
modelo estocástico, es posible que el valor de la salida en la frontera
estocástica se encuentre por encima o por debajo de la función de
producción, dependiendo de si el término aleatorio es menor o mayor que
cero. Además, una UDT puede ser técnicamente ineficiente aunque su nivel de
salida efectiva se encuentre por encima de la función de producción
(determinística), como es el caso de la empresa A (con ), o bien ser
eficiente técnicamente aún estando por debajo de la función de producción,
como la empresa B (con ). La empresa C es ineficiente en ambos modelos
(con ) y la D es eficiente en ambos modelos (con ).



















La frontera estocástica tiene algunos inconvenientes. El principal es
que la elección de la distribución de los errores aleatorios no tiene
una justificación.
En cuanto a la estimación de las ecuaciones (9) y (11), la primera
opción es menos demandante en términos de programación computacional que la
segunda. Sin embargo, existen en la actualidad dos programas
computacionales, LIMDEP (Greene [14]) y FRONTIER 4.1 (Coelli [10], [11]),
que han automatizado la estimación de máxima verosimilitud. La existencia
de estos paquetes, sumado a la superioridad del estimador de máxima
verosimilitud, aconsejan preferir este tipo de estimación por sobre la
COLS.

3.3.4- Análisis de Componentes Principales (ACP)
Este método se utiliza para ordenar desde el punto de vista de la
eficiencia técnica, unidades decisionales de transformación (UDT) que
utilizan múltiples entradas y múltiples salidas. ACP es un método
estadístico multivariado de ordenación y reducción de dimensión, que se
aplica sobre medidas definidas en base a las entradas y salidas de las
unidades evaluadas.
Según Zhu [31], es posible también, observar y calcular cocientes de
salidas individuales sobre entradas individuales, es decir:

(12)

obteniendo de esta forma una medida de la eficiencia técnica parcial de
cada salida con respecto a cada entrada. Esta medida estaría vinculada con
una determinada tecnología adoptada por la UDT bajo consideración, en base
a una decisión de transformación particular de un vector de entradas x en
un vector de salidas y, adoptada por la misma.
El vector da el cociente entre cada salida y cada entrada y por
lo tanto una medida solo parcial de la eficiencia de una determinada UDT.
Obviamente, cuanto mayor sea , mejor será el desempeño de UDTj en
términos de r-ésima salida y la i-ésima entrada.
Ahora, sea donde k es definida de forma tal que k=1 cuando i=1 y
r=1, k=2 cuando i=2 y r=1 y así hasta k=m x s cuando i=m y r=s.
Para lo cual, necesitamos encontrar pesos que combinen aquellos p=m x
s cocientes individuales para cada UDTj.
Consideremos la siguiente matriz n x p compuesta por :
D=(d1,...,dp)n x p
donde cada fila representa p cocientes individuales para cada UDT (es
decir, la fila j-ésima incluye todas las medidas de eficiencia parcial de
la UDTj). Por otra parte, cada columna de la mencionada matriz representa
un cociente específico entre una determinada salida r y una particular
entrada i. Esto es dk=(dk1,...,dkn)T representa la k-ésima columna de D.
El ACP permite obtener nuevas variables llamadas "Componentes
Principales" (CP), que son combinaciones lineales de d1,...,dp. Con ellas
se realiza, posteriormente, una combinación lineal para obtener una medida
ponderada del vector , utilizando como coeficientes los autovalores de
la matriz de correlación.
El proceso de ACP de D es llevado a cabo de la siguiente forma:
1º paso: calcular el vector de medias muestrales () y la matriz
de varianzas y covarianzas (S).
2º paso: calcular la matriz de correlación (R).
3º paso: obtener las componentes principales por descomposición en
valor singular de la matriz de correlación R.
4º paso: seleccionar un número M de CP que expliquen más de un 90% de
la varianza total.
Definimos

(13) procurando que CM > 90%.
Donde (k representa el autovalor de la componente principal k-ésima
(CPk) y .
5º paso: definimos la siguiente medida resumida para las M CP:
(14) , donde z es un vector n-dimensional.
Los elementos wk se utilizan para agregar las M componentes
principales (CP) en esta medida resumida z, y se determinan de la siguiente
forma:
Si el autovector de la CPk contiene solo valores positivos:

Si el autovector de la CPk contiene solo valores negativos:

Si el autovector ( lk=[l1k, l2k,..., lpk]T ) de la CPk contiene
valores positivos y negativos, el signo se determina de forma tal que
el producto de wk por la suma de los elementos del autovector k-ésimo
sea positivo, donde . Por lo tanto, si llamamos wk' a dicho
producto, el mismo se puede expresar de la siguiente forma:
para q=1,...,p.
En otras palabras, lo que se quiere expresar es que wk (incluido en la
fórmula anterior) puede asumir los siguientes valores:

(15)

Posteriormente, sobre la base de z, podemos evaluar y ordenar el
desempeño de las UDT a través del ACP.
Premachandra [24], cuestiona el procedimiento de ordenación a través
del ACP adoptado por Zhu [31], sosteniendo que no tiene en cuenta los
siguientes aspectos del ordenamiento:
la eficiencia global de una UDT con respecto a todas las entradas y
salidas, es decir, con respecto a todas las variables .
cuánto mejor es la eficiencia de una UDT particular con respecto a
una variable cuando la comparamos con otras UDT consideradas.
De acuerdo a la propuesta de Premachandra [24], podemos modificar
levemente el procedimiento, de la siguiente forma:
Modificar la matriz D (D') agregando otra variable cuyos elementos
(dp+1) para cada UDT equivalen a la suma de los elementos de las
primeras p columnas de la matriz D, es decir:


(16)

La nueva variable adicionada (dk'), supone tener en cuenta la
eficiencia global de cada UDT con respecto a todas las variables .
Construir una nueva matriz ( D''=[dk''] ) dividiendo todos los
elementos en cada columna de la matriz D' por el mínimo de la columna.
De esta forma, cada elemento en alguna columna k de la matriz D''
indicaría cuanto mejor es cada UDT con respecto a la i-ésima entrada y
r-ésima salida, cuando la comparamos con la peor UDT con respecto a las
mismas variables.
Posteriormente, el ACP es realizado sobre la matriz D'' descripta por
Zhu [31] anteriormente.









3.3.5- Comparación de los métodos

"INDICES O RATIOS "
"VENTAJAS "DESVENTAJAS "
"Simplicidad del método "No tiene en cuenta toda la "
" "información disponible al mismo "
" "tiempo; solamente en dos "
" "dimensiones "
"Facilidad para monitoreo de "Compara contra el comportamiento "
"avances en cuanto a objetivos "promedio de la industria "
"propuestos " "
"Útil para casos sencillos en " "
"donde el número de variables " "
"relevantes es reducido " "



"ANALISIS ENVOLVENTE DE DATOS (DEA) "
"VENTAJAS "DESVENTAJAS "
"Permite el estudio simultáneo de "Al ser un modelo determinístico "
"múltiples entradas y salidas "identifica como ineficiencia toda"
" "desviación a la frontera. "
"No es necesario especificar a "Alta influencia en la frontera de"
"priori la forma funcional de la "valores extremos (outliers). Una "
"frontera de producción (las "sola UDT puede condicionar la "
"relaciones entre entradas y "ubicación final de la frontera. "
"salidas). " "
"No presupone distribuciones de "Complicación en obtener test de "
"probabilidades para los errores. "hipótesis (análisis de "
" "sensibilidad del modelo) "
"No es preciso ponderar a priori "Extensión del análisis de "
"las variables del modelo "indicadores: no brinda "
"multiproducto. Las ponderaciones "significatividad en las "
"de cada entrada y salida son una "ponderaciones de las variables. "
"variable que se obtiene como " "
"solución a los programas " "
"lineales. " "
"Brinda un único resultado. " "
"(óptimo de Pareto[1]) " "
"Aporta información útil para la " "
"gestión. (grupos de comparación, " "
"seguimiento de objetivos) " "
"Permite agregar restricciones al " "
"modelo " "
"Se adapta a modelos donde se " "
"desconocen los precios de los " "
"recursos y productos. " "
"ANALISIS DE FRONTERA ESTOCASTICA (SFA) "
"VENTAJAS "DESVENTAJAS "
"Permite dividir el error: uno "Es preciso definir una función de"
"para la aleatoriedad y el otro "producción y distribución de "
"para la ineficiencia. "variables aleatorias. "
"Brinda la posibilidad de hacer "No suministra el valor de las "
"test de bondad de ajuste del "holguras. "
"modelo y de significación de los " "
"parámetros. (valores t) " "
"Los valores t permiten hacer un "Contempla una sola salida. Para "
"análisis de causalidad de los "incorporar múltiples salidas se "
"parámetros. "requiere ponderarlas con algún "
" "criterio subjetivo. "
"Menor sensibilidad a los "Posibilidad de óptimos locales "
"comportamientos extremos. "debidos a la estimación por "
"(outliers) "máxima verosimilitud. Es "
" "necesario realizar diferentes "
" "pruebas para conocer el mejor "
" "resultado. "



"ANALISIS DE COMPONENTES PRINCIPALES (ACP) "
"VENTAJAS "DESVENTAJAS "
"Permite múltiples entradas y "Brinda un ordenamiento pero no "
"salidas "una medida de eficiencia "
" "relativa. "
"Es un método no paramétrico. No "No existe un software que "
"requiere estimar la función de "resuelva el método completamente."
"producción. "Se requieren cálculos posteriores"
" "No brinda información para la "
" "gestión. "


Hasta aquí se resaltaron tanto ventajas como desventajas teóricas de
las diferentes metodologías. Sin embargo, es evidente que los resultados
dependen de la elección de las variables, de los supuestos que se manejen
en las diferentes especificaciones de los modelos y la forma como se quiere
abordar la medición de eficiencia.












"3.4- Aplicación de los métodos al caso particular "


Los datos a analizar corresponden a las estaciones de servicio de la
compañía equipadas para la venta de GNC. Se seleccionaron las mismas debido
a la homogeneidad entre ellas (su similar equipamiento implica mayor
probabilidad de traslado de las mejores prácticas) y porque dentro de la
compañía son las estaciones de servicio de mayor facturación y por lo
tanto las de mayor potencial de ahorro. A continuación se las enumera y
luego se exhibe un cuadro con el detalle de la facturación media mensual y
la incidencia sobre el total:

"Nº UDT "Denominación "
"1 "MORENO "
"2 "LA CARMELA "
"3 "EL BOULEVARD "
"4 "ALSINA "
"5 "GUTIERREZ "
"6 "TESEI "
"7 "CAFERATA "
"8 "FISHERTON "
"9 "EL GAUCHO "
"10 "PELLIZA "
"11 "3 DE FEBRERO "
"12 "BONPLAND "
"13 "DON TORCUATO "
"14 "25 DE MAYO "
"15 "GARAY "
"16 "ECHEVERRIA "

El total de las estaciones de servicio de la compañía es de 88 en el
territorio argentino, con una facturación media mensual para todas las
estaciones de $2.423.801. Se observa que las 16 estaciones seleccionadas
para el estudio facturan el 60,5% de la facturación total.
Los datos de cada estación de servicio con los cuáles se cuenta son
los siguientes:
[2]
Estos datos se explicitan en el anexo 1.












3.4.1- Índices o Ratios
Para determinar las estaciones de servicio de mejor desempeño se
calculan los siguientes índices:

"Índice "Definición "
"Nº " "
"I " "
"II " "
"III " "
"IV " "
"V " "
"VI " "
"VII " "



Criterio de Evaluación

Se utiliza para todos los índices el criterio de que para todas las
UDT, cuanto mayor sea el indicador mejor será su desempeño evaluado a
través de ese indicador.
Luego de calcular los diferentes índices, se obtuvo para cada uno de
ellos su respectivo ordenamiento. El cálculo de los índices, los
ordenamientos y los gráficos se encuentran detallados en el anexo 2.
En la tabla a continuación se observan las tres primeras y las tres
últimas posiciones para cada indicador. La tabla contiene los números
correspondientes a las UDT según la tabla anterior.


Como no se puede llegar a una conclusión unánime analizando todos los
indicadores se procedió a adoptar como criterio el de las mayores
ocurrencias. Así, en verde y rojo están marcados los números de estaciones
de servicio que más ocurrencias tuvieron dentro de las tres primeras y las
tres últimas ubicaciones respectivamente.
Según esto último, se puede concluir que la estación de servicio a
estudiar para identificar las mejores prácticas es la número 16
(Echeverría) y que es necesario encontrar las prácticas que hacen
ineficiente a la estación número 7 (Cafferata) para evitarlas en las demás.
Mediante los índices se obtienen "medidas parciales" del desempeño de
las UDT de acuerdo a la entrada y salida seleccionadas. Además la elección
de las entradas y salidas así como la formulación de los indicadores es
arbitraria dependiendo de los criterios de la persona o grupo que las
realice. Ocurre la misma arbitrariedad al momento de la ponderación que se
le asigne a cada indicador.
También se hace notar que no se obtiene un índice de eficiencia
relativo. Los indicadores solamente brindan valores absolutos los cuáles no
permiten un análisis comparativo global de las UDT.
3.4.2- DEA
Se seleccionaron las siguientes entradas y salidas para su aplicación
con el método DEA debido a que son las suministradas por la compañía.

"Entradas "
"1 "Gastos "
"2 "Área ocupada "
"3 "Personal "
"4 "Consumo de energía "
" "activa "
"5 "Consumo de energía "
" "reactiva "


"Salidas "
"1 "Facturación "
"2 "Metros cúbicos de combustibles "
" "líquidos vendidos "
"3 "Metros cúbicos de GNC vendidos "

Se utilizó para la aplicación de DEA el modelo de rendimientos
variables orientado a las entradas, radial y se seleccionó la opción de
"súper-eficiencia" que está disponible en el software que se utilizó (EMS)
para resolver el problema.
Se obtuvo el siguiente ranking:

"RANKING "
"Ubicaci"Nº UDT "Eficien"
"ón " "cia "
"1 "1 "big "
"2 "2 "big "
"3 "3 "187,71%"
"4 "7 "173,09%"
"5 "6 "159,17%"
"6 "16 "155,01%"
"7 "4 "147,89%"
"8 "15 "139,09%"
"9 "5 "137,98%"
"10 "11 "123,20%"
"11 "14 "105,70%"
"12 "9 "91,98% "
"13 "13 "87,24% "
"14 "12 "87,13% "
"15 "10 "75,09% "
"16 "8 "70,34% "

El software calcula el índice de eficiencia para las UDT ineficientes
de la misma manera que el definido en la teoría y existe la opción de que
para aquellas UDT eficientes (con 100% de eficiencia) calcule el porcentaje
extra en que puede aumentar sus entradas radialmente y seguir siendo
eficiente (súper-eficiencia).
La lectura de los resultados obtenidos en la salida del software (ver
anexo 3) es la siguiente:
El valor "big" significa que la UDT se mantiene eficiente
ante aumentos significativos de sus entradas.
También figura una columna llamada benchmarks. Esta indica
para las UDT eficientes, la cantidad de UDT ineficientes que la
toman como referencia para compararse. Para las UDT
ineficientes, la columna mencionada indica primero el número de
UDT que toma como referencia y entre paréntesis la intensidad
con la que se compara.
De acuerdo con este método se seleccionarán las UDT que más se repiten
para compararse con las demás, en este caso las estaciones de servicio
número 16 (Echeverría) y 6 (Tesei) son tomadas como referencia en todas las
UDT ineficientes. Es por ello que según este método se estudiarán las
estaciones de servicio citadas para encontrar las mejores prácticas.
Las dos últimas estaciones de servicio se analizarán debido a su bajo
índice de eficiencia. Estas son las estaciones 10 (Pelliza) y 8
(Fisherton).
3.4.3- SFA
Debido a la poca cantidad de UDT en el presente estudio, los
resultados obtenidos con la aplicación del método SFA a través del software
Frontier 4.1 son poco concluyentes para establecer un ranking.
Al ser un método de regresión se requieren una gran cantidad de datos
para estimar una función de producción que represente fielmente el
funcionamiento del conjunto de unidades.
Se descarta la utilización de este método en este caso en particular
por los motivos ya citados.
3.4.4- ACP
Se seleccionaron las siguientes entradas y salidas para su aplicación
con el método ACP debido a que son las suministradas por la compañía.

"Entradas "
"1 "Gastos "
"2 "Área ocupada "
"3 "Personal "
"4 "Consumo de energía "
" "activa "
"5 "Consumo de energía "
" "reactiva "

"Salidas "
"1 "Facturación "
"2 "Metros cúbicos de combustibles "
" "líquidos vendidos "
"3 "Metros cúbicos de GNC vendidos "

A partir de la salida obtenida mediante el software Minitab
(autovalores, autovectores y componentes principales), y siguiendo los
pasos 4º y 5º del proceso de ACP especificados en el punto 3.3.4 (ver
resultados en anexo 4) se obtuvo el siguiente ranking:

"RANKING "
"Ubicación"Nº UDT "
"1 "5 "
"2 "2 "
"3 "16 "
"4 "3 "
"5 "6 "
"6 "15 "
"7 "1 "
"8 "4 "
"9 "14 "
"10 "9 "
"11 "8 "
"12 "13 "
"13 "11 "
"14 "12 "
"15 "10 "


Con este método no se obtienen eficiencias relativas sino un orden de
las distintas UDT. Se estudiarán la estación número 5 (Gutierrez) y la
estación número 2 (La Carmela) para identificar las mejores prácticas. Se
observarán las estaciones 12 (Bonpland) y 10 (Pelliza) por estar en las
últimas ubicaciones.
3.4.5- Comparación de los resultados

ACP vs. DEA

El coeficiente de correlación simple determina el grado en que dos
variables x e y están relacionadas linealmente. Puede suceder que y se
incremente a medida que x lo hace, pero no necesariamente de un modo
lineal. En tal caso, la correlación simple no refleja correctamente el
grado de relación entre y y x. Uno de los procedimientos para medir la
asociación entre x e y en tal situación es el cálculo del coeficiente de
correlación de rangos de Spearman. Este coeficiente se encuentra entre los
valores –1 y 1. Si la relación es positiva (cuando x crece, y también lo
hace) el coeficiente estará entre 0 y 1. Si es negativa (cuando x crece, y
decrece o viceversa) el coeficiente se ubicará entre –1 y 0.
La significatividad estadística de la correlación por rangos se puede
someter a una prueba. La hipótesis nula es que no hay ninguna tendencia
general en y ya sea para disminuir o incrementarse con x. Esto es verdad si
x e y son independientes. Se utiliza el estadístico t con n-2 grados de
libertad (n son las observaciones):



donde rs es el coeficiente de Spearman. La aproximación realizada con
el estadístico t es suficientemente precisa para n ( 10. Si el valor
absoluto del estadístico calculado se encuentra más allá de los valores t
tabulados con n-2 grados de libertad la hipótesis nula se puede rechazar
concluyentemente.
Mediante el software Minitab se realizó el cálculo del coeficiente de
Spearman entre los rankings obtenidos a través de los métodos DEA y ACP. Se
obtuvo que el coeficiente de correlación de Spearman es de 0,764.

"RANKING "
"Ubicación"Nº UDT DEA "Nº UDT ACP "
"1 "1 "5 "
"2 "2 "2 "
"3 "3 "16 "
"4 "6 "3 "
"5 "16 "6 "
"6 "4 "15 "
"7 "15 "1 "
"8 "5 "4 "
"9 "11 "14 "
"10 "14 "9 "
"11 "9 "8 "
"12 "13 "13 "
"13 "12 "11 "
"14 "10 "12 "
"15 "8 "10 "


Con este coeficiente de Spearman se calculó el estadístico t cuyo
valor es de 4,269. Comparando este valor con los tabulados para la
distribución t se concluye que se rechaza la hipótesis nula para un ( igual
a 0,001. Por lo tanto ambos métodos arriban a similares ordenamientos.





Resumen resultados


"RANKING "
"Indices o Ratios "DEA "ACP "
" "1 "5 "
"16 "2 "2 "
" "3 "16 "
" " " "
" " " "
" "12 "11 "
"7 "10 "12 "
" "8 "10 "

En la tabla precedente se resume el resultado de la aplicación de los
tres métodos (Ratio, DEA, ACP) al caso particular. Los números en la tabla
corresponden a las UDT de acuerdo al ordenamiento establecido por cada
criterio. Solo se especifican las primeras y las últimas posiciones.
Para el estudio de las mejores prácticas se seleccionaron las UDT que
se repiten en los diferentes rankings. Las mismas están marcadas con
colores. Se estudiarán las UDT número 16 y 2 para la identificación de los
mejores procesos. Se tendrán en cuenta además las UDT número 10 y 12 para
individualizar las prácticas que las hacen ineficientes.

























"3.5- Identificación de las mejores prácticas "

Para la identificación de las mejores prácticas en las unidades
organizacionales en estudio se pueden desarrollar las siguientes acciones:
a. Intercambio de datos:
Esta actividad consiste en el intercambio de documentos relativos a
los procesos comunes como pueden ser procedimientos específicos,
instrucciones de trabajo de trabajadores implicados, registros
correspondientes a mediciones efectuados sobre dichos procesos,
diagramas de flujo en los que se aprecie la descomposición de los
procesos, estimaciones de costos, etc. Dichos documentos pueden ir
acompañados de comentarios suplementarios.
b. Visitas puntuales:
Con el fin de conocer el proceso en profundidad se pueden efectuar
visitas a la unidad organizacional, la cual será acordada previamente
en el transcurso de una reunión preliminar, en la cual se establecerá
el contenido de la información intercambiada.
Dichas visitas han de ser preparadas exhaustivamente con anterioridad
para sacarle el máximo partido a la misma y no convertirla en una mera
visita turística, para lo cual es imprescindible desarrollar una serie
de actividades previas como son:
planear un itinerario de visita
configurar un cuestionario a seguir durante la visita
comunicar al encargado las preguntas de la guía con anterioridad a
dicha visita, para que éste determine quienes serán los participantes
adecuados
organizar al equipo enviado a las instalaciones, definiendo quienes
serán los responsables de efectuar las preguntas, de tomar datos, de
fijarse en aspectos determinados de los procesos, etc.
hacer saber al equipo enviado cual es el ámbito de la visita, para
evitar que éste intente obtener información no acordada previamente y
de esta forma respetar en todo momento aquello que se acordó en la
reunión preliminar


c. Entrevistas telefónicas o encuestas:
Se recomienda siempre la encuesta en formato papel o digital frente a
la entrevista telefónica, ya que su registro y conservación es mucho
más fácil.
Estas entrevistas o encuestas estarán basadas en un cuestionario
elaborado con la participación directa de un experto en el o los
procesos objetos del benchmarking, en el cual se intentará extraer
cuáles son las causas que originan unos resultados comparativamente
mejores en el desarrollo de dicho proceso.
Dicho cuestionario será breve, debiendo estar constituido por 7 u 8
preguntas, siendo la mayoría de éstas específicas y enfocadas al
proceso en cuestión.

A través de las técnicas descriptas anteriormente se observaron las
prácticas de las estaciones de servicio en estudio. Las visitas se
diagramaron de manera que el encargado de la estación pudiera acompañar a
los visitantes por todos los aspectos que a estos últimos les resultara de
interés. Para las entrevistas se utilizó la técnica de entrevistas mixtas,
la cual es una combinación de preguntas estructuradas y no estructuradas.
Es una de las técnicas más empleadas debido a que proporciona respuestas
comparables, datos adicionales y a la vez, permite que las preguntas puedan
ser de alcance muy amplio.
En el anexo 5 se observa una de las encuestas utilizadas para la
investigación.
Dentro del grupo de estaciones de servicio que quedaron ubicadas en
los mejores puestos se identificaron varias prácticas que hacen a su mejor
eficiencia en el uso de los recursos.

Uso de la energía eléctrica

La energía es la potencia que se utiliza a lo largo del tiempo; se
mide en kWh. Se puede clasificar en energía activa y reactiva.
Existen artefactos como motores, equipos de iluminación fluorescente
(tubos), equipos electromecánicos (lavarropas, heladera, aire
acondicionado) en los cuales una parte de la energía se transforma en frío,
luz, movimiento, etc. (energía activa). La energía reactiva es la que los
campos magnéticos de los motores, reactores, balastos de iluminación,
intercambian con la red sin significar energía útil.
Cuanto mayor sea el consumo de energía reactiva, peor será el
aprovechamiento de la energía recibida.
Factor de potencia o tg de (
Las potencias activa y reactiva se suman entre sí en forma vectorial,
dando como resultado la potencia aparente. El ángulo que se forma entre la
potencia activa y la aparente se denomina ángulo (.
Al coseno del ángulo ( se lo denomina factor de potencia, y un valor
técnico-económico aceptable para un buen funcionamiento en las redes es de
0,85. Esto significa que el factor de Potencia es un indicador del
aprovechamiento de la energía, el cual puede tomar valores entre 0 y 1. Por
ejemplo, si el Factor de Potencia es igual a 0,80, indica que del total de
la energía suministrada (100%) sólo el 80% es energía activa o útil.
La tangente ( equivalente a ese valor es 0,62.
Consecuencias de la energía reactiva
Toda tangente ( superior a 0,62 indica que existen maquinarias con
elevados consumos de energía reactiva, situación que conviene ser corregida
puesto que, desde la perspectiva del proveedor del servicio eléctrico,
perjudica el funcionamiento de su red, fundamentalmente al incidir en:
Necesidad de contar con mayor capacidad de transformación para igual
entrega de energía activa.
Producir mayores caídas de tensión.
Producir mayores pérdidas en la red de distribución.
En consecuencia, al efecto de evitar abusos por parte de los clientes
(los clientes de las empresas distribuidoras de energía), las
distribuidoras establecen penalizaciones cuando no se respetan determinados
márgenes establecidos.
En las estaciones de servicio estudiadas se observa un mejor
aprovechamiento de la energía suministrada y como consecuencia la
inexistencia de penalizaciones por excesivo consumo de energía reactiva.
Esto es a causa de la instalación de bancos de capacitores que disminuyen
el consumo de energía reactiva.
Otra de las prácticas identificadas es tener un buen plan de
mantenimiento que permita disminuir el consumo de energía. Se observaron
las siguientes actividades:
Verificación periódica de la alineación del motor con la carga impulsada:
una alineación defectuosa puede incrementar las pérdidas por rozamiento y
en caso extremo ocasionar daños mayores en el motor y en la carga.
Correcta instalación del cableado que alimenta los motores para evitar
caídas de tensión: una tensión reducida en los terminales del motor,
genera un incremento de la corriente, sobre calentamiento y disminución
de su eficiencia.
Utilización de arrancadores a tensión reducida en aquellos motores que
realizan un número elevado de arranques: evita un calentamiento excesivo
en los conductores y logra disminuir las pérdidas durante la aceleración.
Limpieza de filtros y condensadores de equipos de aire acondicionado.
Instalaciones y prácticas del personal
Minimarket
En los minimarkets estudiados se observa un diseño que favorece la
iluminación natural y que utiliza lámparas de bajo consumo o fluorescentes
en lugar de lámparas incandescentes.
También se advierte la existencia de puertas y ventanas herméticamente
cerradas en caso de que exista un ambiente climatizado.
La presencia de buzones de sugerencia para que los clientes puedan
plantear sus inquietudes, malestares y sugerencias.
Playa de expendio
En una de las estaciones de servicio se detectó la presencia de
timmers y de sensores de movimiento para el control de los sistemas de
iluminación. El uso de estos dispositivos permite disminuir el consumo de
energía y a la vez mantener la iluminación activa sólo en los momentos
necesarios y en los sectores que la requieran.
El sistema de cobro centralizado en una sola computadora prevalece en
las estaciones de servicio estudiadas en lugar del sistema descentralizado
donde cada grupo de surtidores cuenta con su propia terminal. Esto evita
que se generen largas colas de espera para el cobro de los montos vendidos.

El uso de colas de espera únicas en donde el primero en llegar es el
primero en ser atendido. Como contrapartida, en las estaciones de servicio
de menor desempeño, se forman varias colas de espera paralelas en donde el
primero que llega se ubica en la posición que cree más conveniente. En
muchos casos, este cliente no es atendido antes que otros que llegaron
después debido a las diferentes demoras en las colas.
La existencia de indicadores luminosos y sonoros en los surtidores de
GNC permiten al personal a cargo de la carga de combustible atender con la
menor demora posible los autos que ya están cargados completamente. En las
estaciones de servicio de menor desempeño, este sencillo elemento no estaba
disponible y en varias ocasiones se veía a clientes esperando durante un
elevado tiempo después de llenado su tanque ya que el personal solo tenía
la posibilidad de observar si el tanque estaba lleno pasando por al lado
del surtidor.
El personal encargado de atender al público no solo se encarga de
cargar combustible sino que también, cuando le es posible, limpia los
vidrios de los autos.
La existencia de diferentes promociones tendientes a la fidelización
del cliente: obsequios por el consumo de determinados montos mínimos,
acumulación de tickets de consumo para futuros canjes por otros
productos de la línea, promociones conjuntas con otras empresas (descuentos
en cines, degustaciones, etc.).
La limpieza y pulcritud de algunas estaciones así como la buena
presencia y trato de sus empleados destacan sobre otras estaciones.
(también observable en el sector de minimarket)
La existencia de otros servicios como la posibilidad de pagar
impuestos en el minimarket, la presencia de cajeros automáticos,
instalaciones para el inflado y control de neumáticos, agencias de lotería.
Las instalaciones cuentan con un amplio parque de estacionamiento así
como también con equipos para el lavado de autos.









"4- Conclusiones "

Como se mencionara anteriormente la eficiencia económica tiene tres
componentes: eficiencia técnica, asignativa y de escala. De los cuales, la
eficiencia técnica es el componente menos controvertido: sólo se asienta en
las restricciones que impone la naturaleza del proceso de producción. En el
caso de los restantes componentes, se basan en un supuesto que no se
verifica en todos los casos: que el mecanismo de asignación de recursos es
el mercado. Es por tal motivo que para la medición de desempeño se tuvo en
cuenta la eficiencia técnica.
Después de la realización del trabajo se arriba a la siguiente serie
de conclusiones:
Las mediciones de desempeño basadas en la frontera de eficiencia (DEA) y
en el Análisis de Componentes Principales (ACP) son ampliamente
consistentes entre ellas, como se verificó con el test de Spearman.
El grado de correspondencia entre las mediciones obtenidas con DEA y ACP
no es tan importante como para sugerir que los métodos son
intercambiables. Debido a esto, es útil en la práctica, la aplicación
paralela de los métodos citados para verificar resultados.
El análisis de ratios brinda un panorama parcial del desempeño de las
unidades; solo da una idea de la eficiencia según la entrada y salida
utilizadas.
También hay que mencionar que cada método es útil en su contexto
específico:
DEA: Para múltiples entradas y salidas. Además mide eficiencia
relativa.
SFA: Adecuado para gran cantidad de datos. Se obtienen eficiencias
relativas.
ACP: Permite conocer cuales son las variables con más impacto en el
desempeño.
Ratios: Simplicidad.
En el caso en estudio, se combinaron los resultados obtenidos a través
de DEA, ACP y Ratios para seleccionar las estaciones de servicio con
mejores y peores desempeños.
El Benchmarking no tiene que estar sujeto a una técnica en particular
sino que es útil usarlas en conjunto para mayor consistencia en los
resultados.
Las mejores estaciones de servicio fueron la número 16 (Echeverría) y
la número 2 (La Carmela). Las peores estaciones de servicio fueron la
número 10 (Pelliza) y la número 12 (Bonpland).
Las prácticas identificadas que hacen a la eficiencia de las estaciones
de servicio están relacionadas con el mantenimiento de los equipos, el
uso racional de la energía eléctrica, servicios complementarios
orientados a la satisfacción del cliente y prácticas del personal.
Luego de realizado el trabajo se concluye que la utilización paralela de
métodos para la detección de las unidades de negocio más eficientes le
otorga mayor consistencia y robustez a los resultados obtenidos.























"5- Anexos "




















































"Anexo 1: Datos "













"Anexo 2: Índices o Ratios "
















































































"Anexo 3: DEA "




"Anexo 4: ACP "


















"Anexo 5: Encuesta "


Uso de la energía eléctrica

1) Enumere las acciones que realiza para disminuir el consumo de energía.
.......................................................................
.......................................................................
.......................................................................
.......................................................................
.......................................................................
..........................


2) ¿Conoce el concepto de coseno de (?


SI ¿Qué métodos utiliza para controlarlo?
.................................................................
.................................................................
.................................................................
..................................


NO

Instalaciones y prácticas del personal

3) ¿Posee minimarket?

SI ¿Qué servicios brinda?


pago de impuestos ( )
cajero automático ( )
venta de diarios y revistas ( )
regalería ( )
otros (especifique) ( )
.................................................................
.................................................................
.................................................................
...................................


NO

4) ¿Qué servicios, beneficios, promociones brinda además de la venta de
combustibles?


lavado de autos (carwash) ( )
inflado de neumáticos ( )
estacionamiento gratuito ( )
otros (especifique) ( )
.................................................................
.................................................................
.................................................................
...................................

5) ¿Posee un plan de mantenimiento?

SI Indique cuál de las siguientes metodologías utiliza:


( ) PREVENTIVO (acciones preventivas periódicas)
( ) PREDICTIVO (mediciones y estudios para conocer el estado
del equipo)
( ) CORRECTIVO (acciones que corrigen la falla después de
producida)


NO
"6- Bibliografía "



1. Afriat, S., "Efficiency Estimation of Production Functions",
International Economic Review 13, 1972, pp. 568-98.

2. Aguilar, Renato y García, Anicia, "Eficiencia Técnica y Producto
Potencial en el Agro Cubano", MEP-ASDI, 2002.

3. Aigner, D. y S. Chu, "On Estimating the Industry Production Function",
American Economic Review 58, 1968, pp. 826-39.

4. Aigner, D., C. Lovell y P. Schmidt, "Formulation and Estimation of
Stochastic Frontier Production Models", Journal of Econometrics 6, 1977,
pp. 21-37.

5. Alonso Malaver, Carlos, Castellanos, Wilma, Nieto, Angélica, Perez,
Carlos y Sarmiento, Alfredo, "Análisis de eficiencia técnica de la red
pública de prestadores de servicios dentro del Sistema General de
Seguridad Social en Salud", Dirección de Estudios Económicos:
Departamento Nacional de Planeación, Colombia, 2005.

6. Banker, R., Charnes, A. y Cooper, W., "Some models for estimating
technical and scale inefficiencies in data envelopment analysis",
Management Science 30, 1984, pp. 1078-1092.

7. Bertseka, D., Non linear programming, New York: Ed. Atenea Cientifice,
1993.

8. Charnes, A., y Cooper, W., "An explicit general solution in linear
fractional programming", Naval Research Logistics Quarterly 20, 1973.

9. Charnes, A., Cooper, W., y Rhodes, E., "Measuring the efficiency of
decision making unit", European Journal of Operation Research 2, 1978,
pp. 429–444.

10. Coelli, T., "A Computer Program for Frontier Production Function
Estimation: FRONTIER Version 2.0", Economic Letters 39, 1992, pp. 29-32.

11. Coelli, T., "A guide to FRONTIER Version 4.1: A computer program for
stochastic frontier production and cost function estimation", Centre for
Efficiency and Productivity Analysis, University of New England, 1996.

12. Färe, R. y Grosskopf, S., "A non-parametric cost approach to scale
efficiency", Scandinavian Journal of Economics 87, 1985, pp. 35-50.

13. FØrsund, Finn R., Knox Lovell y Peter Schmidt, "A survey of frontier
production functions and their relationship to efficiency meassurement",
Journal of Econometrics 13, 1980.

14. Greene, W., "LIMDEP Version 6.0: User's Manual and Reference Guide",
Econometric Software Inc., New York, 1992.

15. Hildebrand, David y Ott, Estadística aplicada a la administración y a
la economía, Prentice Hall, 1998.

16. Kotler, Philip y Armstrong, Gary, Fundamentos de Mercadotecnia,
Prentice Hall, 1998.

17. Meeusen, W. y J. Van den Broeck, "Efficiency Estimation from Cobb
Douglas Production Functions with Composed Error", International Economic
Review 18, 1977, pp. 435-44.

18. Mortimer, Duncan, "Competing Methods for Efficiency Measurement: A
Systematic Review of Direct DEA vs SFA/DFA Comparisons", Centre for
Health Program Evaluation: Working Paper 136, 2002.

19. Mortimer, Duncan y Peacock, Stuart, "Hospital Efficiency Measurement:
Simple Ratios vs Frontier Methods", Centre for Health Program Evaluation:
Working Paper 135, 2002.

20. Peretto, Claudia y Catalina Alberto, "Comparación de los métodos DEA y
análisis de componentes principales en la ordenación de unidades
decisionales de transformación", Publicación de la Escuela de
Perfeccionamiento en Investigación Operativa Año X Nº 21, 2001.

21. Pérez Mackeprang, Carlos, "Medidas de la eficiencia técnica utilizando
la programación matemática (Métodos DEA)", Publicación de la Escuela de
Perfeccionamiento en Investigación Operativa Año X Nº 21, 2001.

22. Piacenza, Luis Diego, El método DEA y su vinculación con la
Investigación Operativa, Rosario: Informe de Adscripción, 2004.

23. Pinzon Martínez, Maureen, "Medición de eficiencia técnica relativa en
hospitales públicos de baja complejidad mediante la metodología Data
Envelopment Analysis (DEA)", Trabajo de grado presentado a la Pontificia
Universidad Javeriana - Facultad de Ciencias Económicas y Administrativas
- Maestría en economía, 2003.

24. Premachandra, I.M., "A Note On DEA vs. Principal Component Analysis: An
Improvement to Joe Zhu's Approach", European Journal of Operational
Research 132, 2001, pp. 553-560.

25. Rhodes, E., "Data envelopment analysis and related approaches for
measuring the efficiency of decision-making unit with application to
program follow through U. S. education", Ph. D. thesis, Carnegie-Mellon
University School of Urban and Public Affair, Pittsburgh, 1978.

26. Richmond, J., "Estimating the efficiency of production", International
Economic Review 15 (2), 1974, pp. 515-521.

27. Schmidt, P., "On the Statistical Estimation of Parametric Frontier
Production Functions", Review of Econometric and Statistics 58, 1976, pp.
238-39.

28. Seiford, L. y Thrall, R., "Recent development in DEA, the mathematical
programming approaches to frontier analysis", Journal of Econometrics 46,
1990, pp. 7-38.

29. Taha, Hamdy, Investigación de Operaciones (7º Edic.), Pearson
Education.

30. Trillo del Pozo, David, "Análisis económico y eficiencia del sector
público", VII Congreso Internacional del CLAD sobre la Reforma del Estado
y de la Administración Pública, Portugal, 2002.

31. Zhu, Joe, "Data Envelopment Analysis vs. Principal Component Analysis:
An Illustrative Study of Economic Performance of Chinese Cities",
European Journal of Operational Research 111, 1998, pp. 50-61.
-----------------------
[1] Se considera que una UDT es eficiente en el sentido de Pareto cuando
produce más de alguna salida sin generar menos del resto de las salidas y
sin consumir más entradas, o bien, cuando utilizando menos de alguna
entrada, y no más del resto de las entradas, genere las mismas salidas. Es
decir, una unidad es eficiente, si y sólo si, es imposible darle un mejor
uso a los recursos y mejorar los resultados sin empeorar alguno de estos
dos factores.

[2] La energía eléctrica consta de dos componentes: energía activa y
energía reactiva. La energía activa es la energía útil, la que se
transforma en trabajo. La energía reactiva es la que se intercambia con la
red eléctrica. Para mayores detalles ver sección 4.


-----------------------











Ventas de los distintos combustibles (nafta, gasoil, GNC) en m3

Facturación

Gastos

Área ocupada

Consumo de energía activa y reactiva2

Cantidad de personal empleado

Penalizaciones y bonificaciones por consumo de energía reactiva



Buenos Aires

Rosario

Santa Fe

Córdoba



Óptimo virtual

Buenos Aires

Rosario

Santa Fe

Córdoba



y

x

D

C

B

y = exp (x(+v)

y = exp (x()

A