Ronald Raul Arce Coaquira

UNIVERSIDAD NACIONAL DEL ALTIPLANO
ESCUELA DE POSGRADO
DOCTORADO EN ECONOMÍA Y POLÍTICAS PÚBLICAS
TESIS
MEDICIÓN DE LA EFICIENCIA TÉCNICA DE LAS ESCUELAS

PROFESIONALES DE LA UNIVERSIDAD NACIONAL DEL ALTIPLANO:
UNA APLICACIÓN DEL ANÁLISIS ENVOLVENTE DE DATOS (DEA),
PERIODO 2014-2018
PRESENTADA POR:
RONALD RAUL ARCE COAQUIRA
PARA OPTAR EL GRADO ACADÉMICO DE:
DOCTORIS SCIENTIAE EN ECONOMÍA Y POLÍTICAS PÚBLICAS
PUNO, PERÚ
2020
DEDICATORIA
El estudio de investigación va dedicado en

agradecimiento infinito a mi familia y
amistades que siempre me apoyaron,
también a la virgen María de la Candelaria
patrona de Puno, quien protege a nosotros
sus hijos y que siempre nos brinde salud y
fuerzas ante las desavenencias que
tengamos que pasar.
i
AGRADECIMIENTOS
- Es preciso agradecer y reconocer a la Universidad Nacional del Altiplano, primera

casa de estudios, al programa de doctorado en economía y políticas públicas, que
me formo a ella mi gratitud especial, a mis docentes que fuera de su tiempo de
labores o de su responsabilidad funcionaria, me brindaron las facilidades otorgadas
me dieron su ayuda a través de asesorías, para el desarrollo del trabajo de
investigación, puesto que no es tarea fácil por el limitado tiempo y las condiciones
de laborales.
- Reconocimiento especial a mi asesor, quien, con su paciencia, con su experiencia

profesional y con sus recomendaciones logré concluir el trabajo de investigación,
de igual manera, a mis jurados de tesis, con sus observaciones y recomendaciones
se pudo mejorar y concluir el trabajo de investigación.
ii
ÍNDICE GENERAL
Pág.
DEDICATORIA i
AGRADECIMIENTOS ii
ÍNDICE GENERAL iii
ÍNDICE DE TABLAS v
ÍNDICE DE FIGURAS vi
ÍNDICE DE ANEXOS vii
RESUMEN viii
ABSTRACT ix
INTRODUCCIÓN 1
CAPÍTULO I
REVISIÓN DE LITERATURA
1.1 Marco teórico 4
1.1.1 Sistema universitario peruano 4
1.1.2 Modelo de Calidad para la acreditación de carreras profesionales. 7
1.1.3 Eficiencia y calidad educativa 14
1.1.4 Economía de la educación, teoría de la producción y la eficiencia en el proceso
productivo 18
1.1.5 Medición de la eficiencia en el sector educativo 28
1.1.6 Determinantes de la eficiencia en el sector educativo 40
1.2 Antecedentes 43
CAPÍTULO II
PLANTEAMIENTO DEL PROBLEMA
2.1 Identificación del problema 54
2.2 Enunciados del problema 56
2.2.1 Problema general 56
2.2.2 Problemas específicos 57
2.3 Justificación 57
2.4 Objetivos 58
2.4.1 Objetivo general 58
2.4.2 Objetivos específicos 59
2.5 Hipótesis 59
iii
2.5.1 Hipótesis general 59
2.5.2 Hipótesis específicas 59
CAPÍTULO III
MATERIALES Y MÉTODOS
3.1 Lugar de estudio 60
3.2 Población 64
3.3 Muestra 64
3.4 Método de investigación 64
3.4.1 Tipo y diseño de investigación 64
3.4.2 Operacionalización de variables 65
3.4.3 Técnicas de recolección de datos 66
3.4.4 Tratamiento de los datos 67
3.4.5 Análisis e interpretación de los datos 74
3.5 Descripción detallada de métodos por objetivos específicos 75
CAPÍTULO IV
RESULTADOS Y DISCUSIÓN
4.1 Resultados 78
4.1.1 Medición de la eficiencia técnica DEA en las escuelas profesionales 78
4.1.2 Análisis descriptivo de la eficiencia técnica DEA 86
4.1.3 Estimación de los determinantes de la eficiencia técnica 100
4.2 Discusión 109
CONCLUSIONES 112
RECOMENDACIONES 113
BIBLIOGRAFÍA 114
ANEXOS 120
Puno, 14 de agosto de 2020.
ÁREA: Economía y Políticas Publicas.

TEMA: Medición de la eficiencia técnica de las escuelas profesionales de la Universidad
Nacional del Altiplano, una aplicación del DEA, periodo 2014-2018.
LÍNEA: Políticas Públicas.
iv
ÍNDICE DE TABLAS
Pág.
1. Modelo de calidad para la acreditación de carreras profesionales universitarias 10

2. Modelo de calidad para la acreditación de carreras de educación 11
3. Agrupación de estándares del modelo de calidad para la acreditación de carreras de
educación según su alcance de evaluación 12
4. Inputs y outputs de la actividad universitaria 20
5. Formulación básica del DEA: modelo CCR 31
6. Transformación del modelo CCR - Multiplicativa en CCR – Envolvente 37
7. Escuelas profesionales de la UNAP 61
8. Escuelas Profesionales Acreditadas por SINEACE de la Universidad Nacional del
Altiplano 63
9. Operacionalización de variables para el cálculo de la eficiencia educativa DEA 65
10. Operacionalización de variables para el modelo Tobit de eficiencia educativa 66
11. Recolección de datos para la investigación 67
12. Modelos DEA para medir la eficiencia técnica 68
13. Eficiencia DEA – CRS orientado a input según escuela profesional UNAP periodo
2014 – 2018 79
14. Eficiencia DEA – CRS orientado a output según escuela profesional UNAP periodo
2014 – 2018 81
15. Eficiencia DEA – VRS orientado a input según escuela profesional UNAP periodo
2014 – 2018 83
16. Eficiencia DEA – VRS orientado a output según escuela profesional UNAP periodo
2014 – 2018 85
17. Eficiencia técnica de la Universidad Nacional del Altiplano según modelo DEA
periodo 2014 – 2018 92
18. Ranking de eficiencia en las escuelas profesionales 94
19. Mejora de la eficiencia técnica 97
20. Producción educativa eficiente en las escuelas profesionales UNAP periodo 2014 –
2018 99
21. Estimaciones del modelo Tobit eficiencia DEA periodo muestral: 2014-2018 102
22. Comparación de resultados sobre la medición de la eficiencia técnica 110
v
ÍNDICE DE FIGURAS
Pág.
1. Proceso de Formación Profesional 8

2. Modelo de Calidad para la Acreditación de Carreras Universitarias 9
3. Calidad Educativa Universitaria 14
4. Frontera de Posibilidades de Producción 22
5. Frontera de Producción con Recursos Variables 23
6. Frontera de Producción con todos los Recursos Variables e Isocosto 24
7. Frontera de Producción y los Rendimientos a Escala Constante 34
8. Promedio de la eficiencia DEA – VRS orientado a output según escuela profesional
del área académica de ingeniería UNAP periodo 2014 – 2018 86
9. Variabilidad de la eficiencia DEA – VRS orientado a output según escuela
profesional del área académica de ingeniería UNAP periodo 2014 – 2018 (%) 87
del área académica de biomédicas UNAP periodo 2014 – 2018 88
profesional del área académica de biomédicas UNAP periodo 2014 – 2018 (%) 89
del área académica de sociales UNAP periodo 2014 – 2018 90
profesional del área académica de sociales UNAP periodo 2014 – 2018 (%) 91
14. Eficiencia técnica DEA VRS – output 93
15. Ranking de eficiencia en las escuelas profesionales 95
16. Mejora de la eficiencia técnica 98
vi
ÍNDICE DE ANEXOS
Pág.
1. Estadística descriptiva de las variables 121
2. Correlación entre variables 121
3. Estimaciones del modelo Tobit eficiencia DEA 122
4. Efectos marginales 124
5. Batería de estimaciones del modelo Tobit 126
6. Base de datos 128
vii
RESUMEN
El presente trabajo de investigación tiene como objetivo determinar el nivel de

eficiencia técnica de los recursos públicos en la Universidad Nacional del Altiplano en
el periodo 2014-2018, para tal fin se realiza un análisis en dos etapas sobre un total de
350 observaciones, correspondientes a las escuelas profesionales. En la primera etapa,
se evalúa el nivel de eficiencia técnica de cada escuela profesional, utilizando la
metodología no paramétrica Análisis Envolvente de Datos (DEA-CRS input, DEA-CRS
output, DEA-VRS input, DEA-VRS output) propuesto inicialmente por Charnes et al.
(1978). Por otra parte, en la segunda etapa, se analizan los determinantes de la eficiencia
a través de un análisis de regresión truncada Tobit. Los principales resultados muestran
que el grado de ineficiencia promedio mide en 0.65; sin embargo, algunas escuelas
profesionales registran eficiencia técnica durante un periodo determinado, las cuales
son: odontología, enfermería, ciencias contables, educación secundaria, educación
física, educación primaria, educación inicial, trabajo social, sociología, antropología,
arte y ciencias físico matemática. Por lo tanto, en su mayoría, las escuelas profesionales
de ingeniería y biomédicas son ineficientes. La ineficiencia está determinada por el
número de aulas, laboratorios, bibliotecas, número de alumnos matriculados, ratio
número de estudiantes por docente, número de docentes, número de docentes
nombrados, ratio de docentes varones con respecto a docentes mujeres y el número de
personal administrativo. El recurso humano docente nombrado y el número de
estudiantes por docente están relacionado positivamente con la eficiencia al nivel de
significación del 1%.
Palabras clave: DEA, eficiencia técnica, input, output, regresión truncada Tobit, rendimientos
a escala.
viii
ABSTRACT
The present research work aims to determine the level of technical efficiency of public
resources at the National University of the Altiplano in the period 2014-2018, for this
end a two-stage analysis is carried out on a total of 350 observations, corresponding to
professional schools. In the first stage, the level of technical efficiency of each
professional school is evaluated, using the non-parametric methodology Data Envelope
Analysis (DEA-CRS input, DEA-CRS output, DEA-VRS input, DEA-VRS output)
initially proposed by Charnes et al. (1978). On the other hand, in the second stage, the
determinants of efficiency are analyzed through a truncated Tobit regression analysis.
The main results show that the average degree of inefficiency measures 0.65; however,
some professional schools register technical efficiency during a given period, which are:
Dentistry, nursing, accounting sciences, secondary education, physical education,
primary education, initial education, social work, sociology, anthropology, art and
mathematical physical sciences. Therefore, for the most part, engineering and
biomedical professional schools are inefficient. Inefficiency is determined by the
number of classrooms, laboratories, libraries, number of students enrolled, ratio number
of students per teacher, number of teachers, number of teachers appointed, ratio of male
teachers to female teachers and the number of administrative staff. The named human
resource teacher and the number of students per teacher are positively related to
efficiency at the 1% level of significance.
Keywords: DEA, input, output, returns to scale, technical efficiency, truncated regression
Tobit.
ix
INTRODUCCIÓN
La producción educativa eficiente es uno de los objetivos actuales del Perú. Por un lado,
los gobiernos están interesados en conocer cuál es el máximo output educativo que
puede ser alcanzado a partir de los inputs educativos invertidos. Por otro lado, en el caso
de que se detecten comportamientos ineficientes, es necesario indagar acerca de las
posibles causas explicativas de la ineficiencia para llevar a cabo una mejor gestión de
los recursos públicos.
En el presente trabajo de investigación tiene como objetivo determinar el nivel de

eficiencia técnica de los recursos públicos en la Universidad Nacional del Altiplano en
el periodo 2014-2018, de igual forma, identificar sus determinantes. Se presenta un
análisis del grado de eficiencia técnica con que actúan las 35 escuelas profesionales que
conforman la Universidad Nacional del Altiplano. La metodología utilizada es el
Análisis Envolvente de Datos (DEA), se centra en las cantidades y no en los precios,
siendo una técnica fundamental para medir la eficiencia dentro del enfoque no
paramétrico, análisis que permite conocer mejor cómo funcionan los Escuelas
Profesionales. Además, la metodología suministra información para mejorar la
eficiencia y facilitar la gestión universitaria. Lo que se busca comprobar con el presente
estudio es que la asignación de los insumos y recursos destinados a la educación
superior universitaria, es susceptible de ser corregida y mejorada en los aspectos
concernientes a la eficiencia en el uso de los insumos y recursos.
La presente investigación determina la eficiencia técnica que en los años 2014-2018

alcanzo la Universidad Nacional del Altiplano y por ende las 35 escuelas profesionales
en el uso de sus recursos (docentes universitarios, estudiantes matriculados y aulas
académicas) y en los logros obtenidos (estudiantes invictos y titulados mediante la
modalidad de sustentación de tesis). El estudio se realizó utilizando la técnica de
Análisis Envolvente de Datos (DEA - Data Envelopment Analysis) siendo un método
no paramétrico mediante los paquetes Excel y el Stata, y los modelos DEA - BCC input
y, output orientado envolvente que miden la eficiencia con una puntuación igual a 1 y la
ineficiencia con una puntuación menor a l.
1
El Análisis Envolvente de Datos (DEA, por sus siglas en inglés) es una herramienta útil
para la medición de la eficiencia relativa en instituciones educativas, y así cabe señalar
que la primera aplicación del método fue en la evaluación de Colegios (tesis doctoral
Rhodes, 1978). Su bondad radica en una correcta definición de la unidad evaluada
(DMU en el contexto de DEA) y de las entradas y salidas de la misma, de modo que tras
su aplicación es posible establecer clasificaciones entre unidades eficientes e
ineficientes, y asignar pares de referencia para el mejoramiento de las unidades
ineficientes y crear metas para la utilización de recursos.
La hipótesis de partida en esta investigación ha sido que la asignación de los recursos

destinados a la educación superior universitaria, es susceptible de ser mejorada en los
aspectos concernientes a la eficiencia en el uso de los mismos. Situados en este
contexto, la presente investigación se ha centrado en la determinación de la eficiencia
con la que actúan las instituciones universitarias, como paso previo para la mejora en la
asignación de recursos, y por tanto, de la gestión. En el caso de la Universidad Nacional
del Altiplano, se han tomado como unidades de análisis sus Escuelas Profesionales.
Se tiene la preocupación por el uso eficiente de los insumos y recursos (inputs) y

maximizar la obtención de resultados y productos (Outputs) como contribución a la
sociedad, es un tema presente en las agendas de las universidades, por ende, de la
Universidad Nacional del Altiplano. Importantes avances se han mostrado en los
últimos años en el desarrollo y aplicación de técnicas para medir la eficiencia en la
Educación Superior Universitaria, siendo el Análisis Envolvente de Datos (DEA) una
de las metodologías ampliamente utilizada a nivel internacional. Se realizó una revisión
sobre las particularidades de la medición y evaluación de la eficiencia en las
universidades, se analizaron las bases teóricas, metodológicas que sustentan el DEA, y
los resultados de la aplicación de esta metodología en el ámbito universitario
internacional y nacional. Como resultado quedó demostrada la viabilidad y pertinencia
del uso de esta técnica para medir y evaluar el grado de eficiencia con que las
universidades emplean sus recursos, convirtiéndose en una herramienta de las
Universidades Públicas tan urgidas de métodos y técnicas que contribuyan a la mejora
de la gestión universitaria.
2
La medición de la eficiencia en las escuelas profesionales es importante para optimizar
la utilización de los recursos, lo que además pretende contribuir a la materialización del
ideal de una educación de calidad libre de barreras para el acceso con cobertura total.
Los resultados podrían tener claras implicaciones políticas, pudiendo ser utilizados
como guías para los gestores de las escuelas profesionales de las universidades con el
fin de adoptar medidas orientadas al logro de metas concretas en relación con las
variables que presentan influencia positiva o negativa en la eficiencia de las
universidades.
Para alcanzar el objetivo, en el primer capítulo del trabajo de investigación se desarrolla

el marco teórico referente al análisis envolvente de datos, se presenta los antecedentes
de investigación. En el segundo capítulo se plantea el problema, se presentan los
objetivos que han sido propuestos en esta investigación y se presenta las hipótesis
propuestas para ser demostradas afirmativa o negativamente. En el capítulo tercero se
presenta la metodología de investigación en donde se presenta la identificación de
variables, se determina la muestra, las técnicas de recolección de datos, el tratamiento
de los datos o información obtenida, y se presenta las técnicas estadísticas y
econométricas de análisis e interpretación de datos. En el capítulo cuarto, se presentan
los resultados de la investigación, en donde se muestran el grado de eficiencia técnica y
sus determinantes en las escuelas profesionales de la Universidad Nacional del
Altiplano. Finalmente, se presentan las conclusiones y recomendaciones de la presente
tesis.
3
CAPÍTULO I
REVISIÓN DE LITERATURA
1.1 Marco teórico
1.1.1 Sistema universitario peruano
1.1.1.1 Situación antes de la reforma universitaria
En la última década, el Perú experimentó importantes cambios

demográficos y económicos que impulsaron la demanda por
educación superior. El aumento de la demanda se reflejó en el
número de postulantes a las universidades, que creció casi 60%
en la última década. La demanda por universidades públicas
continuó siendo mayoritaria, pero el crecimiento fue mayor en
el número de postulantes a universidades privadas. La oferta
educativa, por su parte, respondió a la creciente demanda, pero
principalmente por la expansión de la oferta privada, dado que
la oferta pública prácticamente no aumentó. Esto generó un
incremento en la variedad de alternativas educativas, tanto en
términos de costos del servicio como en términos de salarios
esperados luego del egreso. Como resultado, el acceso a la
educación superior en el Perú aumentó en la última década.
Entre 2004 y el 2014, el número de ingresantes a las
universidades se duplicó, al pasar de 130 mil a casi 270 mil.
Este aumento fue posible por la mayor absorción de los
postulantes por parte de las universidades privadas,
principalmente las relativamente nuevas y de precios menores
4
al promedio. A medida que aumentó la cobertura y la
diversidad del sistema universitario, también lo hizo la
preocupación por la calidad del servicio. Diversos indicadores
internos a las universidades (como el nivel de capacitación de
los docentes, el estado de la infraestructura, y el nivel de
producción científica), y externos (como la empleabilidad de
los egresados y la dispersión salarial) dieron cuenta de la
necesidad de mejorar la calidad promedio de los servicios
educativos universitarios. El marco institucional vigente previo
a la reforma no contribuyó a generar mecanismos efectivos
para monitorear ni asegurar la calidad del servicio. La
regulación de la calidad se apoyaba en la auto regulación de las
universidades y la labor de los organismos encargados de
asegurar la calidad estuvo reducida a la exigencia de
condiciones básicas, no conducentes a asegurar ni mejorar la
calidad en el tiempo. Además, los participantes del sistema no
contaban con información para discriminar entre buenos o
malos programas.
1.1.1.2 Reforma universitaria: Ley universitaria 30220
Dada esta problemática, en el 2014 el Estado peruano inició la

Reforma Universitaria, con la aprobación de la nueva Ley
Universitaria (Ley N° 30220). En el 2015 el Ministerio de
Educación, le dio contenido a la reforma a través de la Política
de Aseguramiento de la Calidad de la Educación Superior
Universitaria. La reforma cuenta principalmente con dos ejes:
(I) un nuevo arreglo institucional y (II) la creación de un
Sistema de Aseguramiento de Calidad (SAC). En el nuevo
arreglo institucional destacan tres cambios principales: i) se
definió al Ministerio de Educación como el órgano rector del
aseguramiento de la calidad de la educación superior, ii) se creó
la Superintendencia Nacional de Educación Superior
Universitaria (SUNEDU) para supervisar la calidad del servicio
5
brindado por las universidades, y iii) se declaró en proceso de
reorganización al organismo encargado de acreditar la calidad
(SINEACE). Por su parte, el SAC se creó con el objetivo de
lograr que las universidades cumplan con condiciones básicas
de calidad, y que puedan superarlas continuamente. Este
sistema se basa en cuatro pilares: i) licenciamiento como
garantía de condiciones básicas de calidad, ii) acreditación para
la mejora continua, iii) información confiable y oportuna, y iv)
fomento para mejorar el desempeño. La reforma también se
caracterizó porque ha definido un tipo particular de
“universidad modelo”, la cual está orientada principalmente a
la producción científica y a la investigación. Así, la reforma ha
definido estándares de calidad pensando en este tipo de
“universidad modelo”, lo que puede ser restrictivo para las
universidades más orientadas a la formación de profesionales
con altos niveles de inserción laboral, pero no necesariamente
científicos o investigadores. Otros cambios adicionales
introducidos a través de la ley y la política de aseguramiento de
la calidad incluyen: (i) cambios en la elección de autoridades
administrativas y académicas en la universidad, la cual debe
hacerse a través del voto universal, es decir, a través del voto de
los docentes ordinarios y estudiantes matriculados con una
distribución determinada; (ii) cambios en la plana docente, la
cual debe estar constituida como mínimo por 25% de docentes
a tiempo completo, y tener grado de Maestro o Doctor; (iii)
modificaciones en el crédito tributario, el cual ahora se otorga
siempre que se haya generado utilidades y que la reinversión
haya sido en la misma universidad, entre otros.
Un aspecto importante que aún está pendiente de definición es

el rol de la internacionalización de la educación superior como
parte del proceso de mejora de la calidad del sistema
universitario peruano. Los intercambios académicos, los
programas de doble grado y la internacionalización de la
6
acreditación están siendo cada vez más usados por las
universidades latinoamericanas y algunas peruanas para generar
y mostrar mejoras en la calidad de sus programas. Pero estos
esfuerzos son generalmente descoordinados y diferenciados, en
lugar de ser parte de una política pública. Más aún, destacan
algunas limitaciones que tienen que resolverse para generar un
entorno propicio para la internacionalización de la educación,
como el limitado porcentaje de alumnos y profesores que
dominan el inglés o como el poco desarrollo de los sistemas de
reconocimiento de grados y títulos.
1.1.2 Modelo de Calidad para la acreditación de carreras profesionales.
Construyamos juntos una educación de calidad. Bajo este enfoque el Sistema

Nacional de Evaluación, Acreditación y Certificación de la Calidad Educativa
(SINEACE) y su órgano operador CONEAU buscan, lograr que más instituciones
asuman el compromiso de acreditar la calidad educativa que brindan. La
acreditación es una herramienta para la mejora continua que asegura la calidad, lo
que puede verificarse de forma eficiente y eficaz por el Estado y la sociedad.
Además, constituye una fuente de información para la toma de decisiones de los
padres, postulantes y sociedad en su conjunto.
El Modelo de calidad para la acreditación de carreras profesionales universitarias

del Perú se basa en el enfoque sistémico, aplicando en cada uno de los procesos
evaluados, la metodología conocida "planificar-hacer-verificar-actuar".
7
Figura 1. Proceso de Formación Profesional
Fuente: SINEACE.
El modelo cuenta con tres dimensiones: Gestión de la carrera, formación profesional y

apoyo para la formación profesional, que permite diferenciar los niveles de actuación y
facilita su aplicación.
La gestión de la carrera está orientada a evaluar la eficacia de la gestión institucional y

administrativa, incluyendo mecanismos para medir el grado de coherencia y
cumplimiento de su misión y objetivos, así como también el desarrollo de aquellos que
promuevan la mejora continua.
La formación profesional, que materializa las funciones de la universidad, está orientada

a evaluar la actividad formativa del estudiante en los procesos de enseñanza-
aprendizaje, investigación, extensión universitaria y proyección social, así como sus
resultados que están reflejados a través de su inserción laboral y su desempeño.
8
La tercera dimensión, referida al apoyo para la formación profesional, constata la
capacidad de gestión y participación de los recursos humanos y materiales como parte
del desarrollo del proceso enseñanza-aprendizaje.
Gestión de la Carrera
Planificación, Organización, Administración
Formación Profesional
Enseñanza – Aprendizaje, Investigación, Extensión y Proyección Social
Estudiante Graduado
Servicios de Apoyo para la Formación Profesional
Docentes Recursos Bienestar Infraestructura Grupos de

Financieros y Interés
Equipamiento
Figura 2. Modelo de Calidad para la Acreditación de Carreras Universitarias

Fuente: SINEACE.
Cada uno de los factores, criterios e indicadores, se establecieron tomando en cuenta los
lineamientos del Proyecto Educativo Nacional, así como otros documentos relacionados
con la realidad nacional, evolución de los estudios superiores en el país y el mundo,
competitividad y responsabilidad social. En tal sentido, se espera que la evaluación de la
calidad tenga en los procesos de enseñanza-aprendizaje, investigación, extensión
universitaria y proyección social, gestión administrativa, financiera y de recursos, y los
resultados obtenidos a partir de ellos, el sustento para la mejora continua de la
formación profesional del individuo, que lo lleve a convertirse en actor principal del
desarrollo sostenible de la sociedad.
9
La estructura del modelo para carreras profesionales universitarias se presenta en la
Tabla 1, que consta de 3 dimensiones, 9 factores, 16 criterios y 84 indicadores.
Tabla 1
Modelo de calidad para la acreditación de carreras profesionales universitarias
3 Dimensiones 9 Factores 16 Criterios 84 Indicadores
Gestión de la Planificación, Planificación estratégica. 5
Carrera. organización, Organización, dirección y control. 9
dirección y control.
Formación Enseñanza – Proyecto educativo – currículo. 13

Profesional. aprendizaje. Estrategias de enseñanza – aprendizaje. 2
Desarrollo de las actividades de enseñanza – 4
aprendizaje.
Evaluación del aprendizaje y acciones de 1
mejora.
Estudiantes y egresados. 8
Investigación. Generación y evaluación de proyectos de 7
investigación.
Extensión Generación y evaluación de proyectos de 8
universitaria y extensión universitaria y proyección social.
proyección social.
Servicios de apoyo Docentes. Labor de enseñanza y tutoría. 9

para la Formación Labor de investigación. 5
Profesional.
Labor de extensión universitaria y de 3
proyección social.
Infraestructura y Ambientes y equipamiento para la enseñanza – 2
equipamiento. aprendizaje, investigación, extensión
universitaria y proyección social,
administración y bienestar.
Bienestar. Implementación de programas de bienestar. 3
Recursos financieros. Financiamiento de la implementación de la 3
carrera.
Grupos de interés. Vinculación con los grupos de interés. 2
Fuente: CONEAU – 2008, modelo de calidad para la acreditación de carreras universitarias y estándares
para la carrera de educación.
Según la Tabla 2, se presenta el modelo de calidad para la acreditación de carreras de

educación; asimismo, señala la dimensión, factores, criterio, los estándares y fuentes de
verificación referenciales.
10
Tabla 2
Modelo de calidad para la acreditación de carreras de educación
Dimensión Factores Criterio Nº de Nºde Fuentes de
Estándares Verificación
Referenciales
Gestión de la Planificación, Planificación estratégica. 5 12
Carrera. organización, Organización, dirección y 9 30
dirección y control. control.
Formación Enseñanza – Proyecto educativo – 13 21
Profesional. Aprendizaje. currículo.
Estrategias de enseñanza – 2 7
aprendizaje.
Desarrollo de las 4 13
actividades de enseñanza –
aprendizaje.
Evaluación del aprendizaje 1 8
y acciones de mejora.
Estudiantes y egresados. 8 36
Investigación. Generación y evaluación de 7 25
proyectos de investigación.
Extensión Generación y evaluación de 8 16
universitaria y proyectos de extensión
proyección social. universitaria y proyección
social.
Servicios de apoyo Docentes. Labor de enseñanza y 9 28
para la Formación tutoría.
Profesional. Labor de investigación. 5 17
Labor de extensión 3 11
universitaria y de
proyección social.
Infraestructura y Ambientes y equipamiento 2 13
equipamiento. para la enseñanza –
aprendizaje, investigación,
extensión universitaria y
proyección social,
Bienestar. Implementación de 3 31
programas de bienestar.
Recursos Financiamiento de la 3 10
financieros. implementación de la
carrera.
Grupos de interés. Vinculación con los grupos 2 7
de interés.
En la Tabla 3, se presenta la agrupación de los estándares del modelo de calidad para la

acreditación de carreras de educación según su alcance de evaluación.
11
Tabla 3
Agrupación de estándares del modelo de calidad para la acreditación de carreras de
educación según su alcance de evaluación
Dimensión Factor Criterio Estándares Estándares del modelo de calidad
básicos Enseñanza - Investiga Extensión y
aprendizaje ción. proyección
social
Gestión de la Planificación, Planificación estratégica. 1,2,5 1,2,3,4,5 1,2,3,4,5 1,2,3,4,5
Carrera. organización, Organización, dirección y 6,7,8,9,10,14 7,8,9,10,11,1 7,8,9,10, 7,8,9,10,14
dirección y control. 2,13,14 14
control.
Formación Enseñanza – Proyecto educativo – 15,16,19,22,23 16,17,18,19,2 20,21,22, 20,21,22,25
Profesional. Aprendizaje. currículo. 0,21,22,23,24 24,25,27 ,26
,25,26,27
Estrategias de enseñanza – 28 29
aprendizaje.
Desarrollo de las 30,31,32,33
actividades de enseñanza –
aprendizaje.
Evaluación del aprendizaje 34 34,35
y acciones de mejora.
Estudiantes y egresados. 37,45 36,37,38,39,4
0,41,42,43,44
,45,46
Investigación. Generación y evaluación 47,50,51 25 47,48,49,
de proyectos de 50,51,52,
investigación. 53,54,55
Extensión Generación y evaluación 56,58,62,63 56,57,58,59
universitaria y de proyectos de extensión ,60,61,62,6
proyección universitaria y proyección 3,64,65
social. social.
Servicios de Docentes. Labor de enseñanza y 66,67,69,70,71, 66,67,68,69,7
apoyo para la tutoría. 72,73,74,75 0,71,72,73,74
formación ,75
profesional Labor de investigación. 76,77,78 76 76,77,78,
79,80
Labor de extensión 81 81,82,83
universitaria y de
proyección social.
Infraestructura Ambientes y equipamiento 84,85 84,85 84,85
y equipamiento. para la enseñanza –
aprendizaje, investigación,
extensión universitaria y
proyección social,
Bienestar. Implementación de 86,89,91 86,87,88,89,9 89,90,91
programas de bienestar. 0,91
Recursos Financiamiento de la 92,93 92,93,94 92,93,94 92,93,94
financieros. implementación de la
carrera.
Grupos de Vinculación con los grupos 95 95,96,97 95,96,97 95,96,97
interés. de interés.
3 9 16 45 68 42 34
12
Condiciones básicas de calidad
Las condiciones básicas de calidad son las siguientes:

- Condición I: existencia de objetivos académicos, grados y títulos a otorgar, y
planes de estudios correspondientes.
- Condición II: oferta educativa a crearse compatible con los fines propuestos en
los instrumentos de planeamiento.
- Condición III: infraestructura y equipamiento adecuado al cumplimiento de sus
funciones (aulas, bibliotecas, laboratorios, entre otros).
- Condición IV: líneas de investigación a ser desarrollados.
- Condición V: verificación de la disponibilidad de personal docente calificado
con no menos de 25% de docentes a tiempo completo.
- Condición VI: verificación de los servicios educacionales complementarios
básicos (servicio médico, social, psicopedagógico, deportivo, entre otros).
- Condición VII: existencia de mecanismos de mediación e inserción laboral.
- Condición VIII: CBC complementaria: transparencia de Universidades.
Proceso de acreditación
La acreditación peruana es un proceso innovador al tener en su modelo aspectos de

cultura organizacional, sistematización de los procesos académicos y administrativos
para una mejora continua y mejor control. Exige a su vez un sistema de gestión de la
calidad, del perfil del ingresante, así como la incorporación de los grupos de interés
(empresarios, colegios profesionales, etc.) al proceso de formación y no como en otros
modelos donde los tienen fuera del mismo.
El proceso de acreditación que lleva a cabo el Consejo de Evaluación, Acreditación y

Certificación de la Calidad de la Educación Superior Universitaria (CONEAU) es
objetivo y transparente y se inicia con la auto-evaluación, acreditación y evaluación
externa.
13
Figura 3. Calidad Educativa Universitaria
Fuente: CONEAU.
1.1.3 Eficiencia y calidad educativa
El concepto de calidad de educación, es relativamente nuevo, y aún no hay

consenso sobre una definición única, que incorpore todas las dimensiones desde
las cuales se puede abordar el concepto. La ‘calidad de la educación’ puede ser
abordada desde un punto de vista ideológico, económico, técnico pedagógico,
curricular, de política pública, entre otras (Holz, 2016).
La calidad aplicada a la educación, se presenta en la actualidad, como un aspecto

esencial que requiere de atención en el contexto nacional e internacional y centro
de las políticas educativas establecidas por organismos internacionales (OCDE,
2010; 2011; UNESCO, 2008).
De acuerdo con Martínez (2010) Los indicadores como herramientas para la

evaluación de la calidad de los sistemas educativos, establecen que Un buen
sistema educativo es aquel que reúne las siguientes cualidades, que definen
dimensiones abstractas de la noción de calidad: Establece un currículo adecuado a
14
las necesidades individuales de los alumnos (pertinencia) y a las de la sociedad
(relevancia). Logra que la más alta proporción posible de destinatarios acceda a la
escuela, permanezca en ella y egrese alcanzando los objetivos de aprendizaje
(eficacia interna y externa). Consigue que los aprendizajes se asimilen
duraderamente y den lugar a comportamientos sociales fructíferos para la
sociedad y los individuos (impacto). Cuenta con recursos suficientes (suficiencia)
y los aprovecha bien (eficiencia). Tiene en cuenta la desigualdad de situaciones y
apoya a quienes lo requieran, para que los objetivos sean alcanzados por el mayor
número posible (equidad).
En el marco de la II Reunión Intergubernamental del Proyecto Regional de

Educación para América Latina y el Caribe (EPT/PRELAC) la Oficina Regional
de Educación para América Latina y el Caribe de la UNESCO (OREALC)
publicó el informe, “Una Educación de Calidad para Todos: un asunto de
derechos humanos”. En este informe, la OREALC definió la calidad de la
educación a partir de 5 dimensiones que deberían estar presentes en los sistemas
educativos de calidad: Eficiencia, Eficacia, Relevancia, Pertinencia y la Equidad.
(UNESCO, 2006).
Eficacia y Eficiencia: son dos atributos básicos de la educación de calidad para

todos, que han de representar las preocupaciones centrales de la acción pública en
el terreno de la educación. Es preciso identificar entonces, en qué medida se es
eficaz en el logro de aspectos que traducen en términos concretos, en el derecho a
una educación de calidad para toda la población. Es necesario analizar en qué
medida la operación pública es eficiente, respetando el derecho ciudadano a que
su esfuerzo material sea adecuadamente reconocido y retribuido. La eficiencia no
es un imperativo economicista, sino una obligación derivada del respeto a la
condición y derechos ciudadanos de todas las personas.
Pertinencia: La pertinencia de la educación, alude a la necesidad de que ésta sea

significativa para personas de distintos estratos sociales y culturas, y con
diferentes capacidades e intereses, de forma que puedan apropiarse de los
contenidos de la cultura, mundial y local, y constituirse como sujetos,
desarrollando su autonomía, autogobierno y su propia identidad. Para que haya
15
pertinencia, la educación tiene que ser flexible y adaptarse a las necesidades y
características de los estudiantes y de los diversos contextos sociales y culturales.
Esto exige transitar desde una pedagogía de la homogeneidad hacia una pedagogía
de la diversidad, aprovechando ésta como una oportunidad para enriquecer los
procesos de enseñanza y aprendizaje, y optimizar el desarrollo personal y social.
Relevancia: La relevancia responde al qué y para qué de la educación. Desde un

enfoque de derechos, además de enfrentar la exclusión, hay que preguntarse
cuáles son las finalidades de la educación y si éstas representan las aspiraciones
del conjunto de la sociedad y no sólo de determinados grupos de poder. Una
educación es de calidad si promueve el desarrollo de las competencias necesarias
para participar en las diferentes áreas de la vida humana, afrontar los desafíos de
la sociedad actual y desarrollar el proyecto de vida en relación con los otros. El
desarrollo integral de la personalidad humana es una de las finalidades que se le
asignan a la educación, en todos los instrumentos de carácter internacional y en
las legislaciones de los países de la región. La educación también es relevante si
está orientada hacia las finalidades que son fundamentales en un momento y
contexto dados, en tanto proyecto político y social.
Equidad: Finalmente, una educación es de calidad si ofrece los recursos y ayudas

necesarias para que todos los estudiantes alcancen los máximos niveles de
desarrollo y aprendizaje, de acuerdo con sus capacidades. Es decir, cuando todos
los estudiantes, y no sólo aquellos que pertenecen a las clases y culturas
dominantes, desarrollen las competencias necesarias para ejercer la ciudadanía,
insertarse en la actual sociedad del conocimiento, acceder a un empleo digno y
ejercer su libertad. Desde esta perspectiva, la equidad se convierte en una
dimensión esencial para evaluar la calidad de la educación.
El enfoque de Política Pública: concepto de escuela eficaz como medida de

calidad
El enfoque de calidad de Política Pública establece que los resultados esperados

del proceso educativo dependen de la interacción de tres factores: el contexto
socioeconómico de los alumnos y del establecimiento, los insumos con los que
16
cuenta el establecimiento para impartir enseñanza, y los procesos educativos que
se dan al interior del establecimiento escolar. El factor ‘Contexto
socioeconómico’ está referido a variables como el capital cultural de los hogares,
el nivel educativo de los padres, el nivel socioeconómico del hogar, la pertenencia
del alumno a una etnia, y el clima social del entorno en el cual está inserta la
escuela. El factor ‘Insumos’ está referido a los recursos financieros, materiales y
humanos, que dispone el establecimiento educacional para proveer educación.
Entre las variables que se asocian a esta dimensión se encuentra, la infraestructura
del establecimiento, la disponibilidad de computadores, la calidad de los docentes
y el acceso a servicios básicos. El factor ‘Procesos educativos’ se refiere a las
interacciones entre los distintos miembros de la comunidad educativa, de manera
tal, que se construya un clima adecuado y relaciones positivas y fructíferas para
mejorar el aprendizaje.
Una escuela “efectiva” es aquella en la que el factor Contexto Socioeconómico de

los alumnos y de la escuela, no incide mayormente sobre los resultados educativos
de los alumnos, sino que son los procesos dentro de la escuela y la manera en que
se utilizan los insumos, los que tienen un mayor impacto sobre los resultados
educativos.
Por otra parte, la eficiencia se pregunta por el costo con que los objetivos son
alcanzados. Por lo tanto, es definida con relación al financiamiento destinado a la
educación, la responsabilidad en el uso de éste, los modelos de gestión
institucional y de uso de los recursos. En la gestión pública aparece actualmente
como objetivo central la eficiencia en los servicios públicos, entre ellos el sistema
educativo, lo que implica la necesidad de conseguir mejoras en la gestión de los
recursos, y optimizar la relación entre productividad, equidad y calidad en la
prestación de servicios.
La eficiencia se refiere a la relación entre los objetivos educativos esperados y los

aprendizajes logrados, mediante la utilización óptima de los recursos destinados
para ello. En el sistema educativo nacional se asocia a la eficiencia con los niveles
de logro de indicadores que se alcanzan en un periodo determinado. (UNESCO,
2008). Cuenta con recursos suficientes y los aprovecha bien. (Martínez, 2010). Un
17
sistema será de mayor calidad en la medida en que, comparado con otro, logra
resultados similares con menores recursos (Schmelkes, 2013).
1.1.4 Economía de la educación, teoría de la producción y la eficiencia en el

proceso productivo
Economía de la educación
Establecer criterios sobre la asignación eficiente de los recursos y en el uso

intensivo de los factores para generar competitividad en el sistema es tarea central
de los aspectos económicos Cardona et al. (2007). El punto de partida formal lo
dieron los estudios e investigaciones de Schultz (1961), Denison (1962) y Becker
(1962) en sus teorías del capital humano y la función de producción en educación.
La investigación en esta área ha tomado fuerza en los últimos años, ya que la

educación ha pasado a ocupar un lugar destacado en la discusión pública en la
mayoría de los países, y especialmente, debido a la potencial vinculación entre
educación y desarrollo económico. Entre los temas más estudiados figuran la
teoría del capital humano; la relación entre insumos y resultados educacionales a
través de una función de producción; y la relación entre educación, ingresos y
crecimiento económico. Como también así, el uso de mecanismos de mercados
para financiar sistemas de provisión de servicios educativos ha sido objeto de
estudio y una importante contribución a la Economía de la Educación a países
desarrollados.
Teoría de la producción
La esencia de una economía es la producción. Todas ellas utilizan cantidades de

diferentes factores de producción para producir bienes y servicios: materias
primas, insumos, materiales, bienes intermedios, mano de obra con distintas
calificaciones y capacidades, y bienes de capital, entre otros. Para producir una
determinada cantidad, los factores de producción pueden combinarse de diversas
maneras. Para maximizar los beneficios, las empresas deben elegir el método o
proceso de producción que minimice los costos de producir el nivel de producción
18
que seleccionen. El proceso tiene su descripción en razón de inputs y outputs
(Siems & Barr, 1998; Sufian, 2009).
Función de producción
La función de producción muestra las distintas combinaciones de factores

productivos que lograrán obtener la máxima cantidad de producto. Cuando hay
avance tecnológico, las empresas cambian sus métodos productivos, por lo tanto,
varían las funciones de producción y se vuelven más eficientes, es decir, se puede
producir más bienes y/o servicios con la misma cantidad de factores productivos
que se estaban utilizando o, dicho de otra manera, con un menor costo de
producción.
La función de producción muestra la cantidad máxima de output que se puede

lograr mediante la combinación de diversas cantidades de input. Este concepto es
la base para la creación de la relación insumo-producto. Una función de
producción implica la estimación entre la relación de las entradas (usualmente
acciones o flujos de capital y trabajo) con las medidas de salida, como ventas y
valor agregado. En otras palabras, la función relaciona la variación del producto
final en relación con la variación de la aplicación de un factor de producción
específico, o la variación de todos los factores simultáneamente.
La teoría de la producción es utilizada para evaluar la productividad de diferentes

outputs empresariales como: capital, trabajo, gastos con investigación y desarrollo
(Berndt, 1991). En el abordaje que realiza esta teoría, una organización, para ser
económicamente eficiente, debe alcanzar algunos objetivos económicos, tales
como minimizar costos y optimizar sus beneficios (Cummis et al., 2010). De
acuerdo con Mittal y Nault (2009), una función de producción es una relación
matemática entre las cantidades de inputs y outputs.
Función de producción universitaria
Antes de conocer la función de producción que caracteriza su proceso productivo,

se hace necesario identificar la relación existente entre los inputs y los outputs de
19
la actividad universitaria. Por tanto, para tratar de encontrar la función de
producción hay que comenzar con la identificación de las variables implicadas y
posteriormente, tratar de observar el tipo de relación que pueda existir entre ellas.
Es decir, es necesario identificar que recursos humanos, materiales y financieros a
partir de los cuales las universidades desarrollan sus funciones docentes e
investigadoras.
Los inputs y outputs de la actividad universitaria
A continuación, se presenta los inputs y outputs de la actividad universitaria
Tabla 4
Inputs y outputs de la actividad universitaria
Recursos Inputs Actividad Outputs

Humanos - Nº de profesores TP. Docencia - Nº de alumnos.
- Nº de profesores TC. - Nº de graduados o
- Nº de profesores nº de aprobados.
ETC. - Nota media en la
- Nº de profesores encuesta de
nombrados. evaluación
- Nº de profesores no docente.
nombrados. - Carga docente
- Nº de becarios.
- Salario profesores.
- Nº de estudiantes.
- Carga docente.
Materiales o - Infraestructuras Investigación - Nº publicaciones
físicos (ubicaciones). (libros, revistas,
- Nº de ordenadores. etc.).
- Inversión física. - Ayudas externas a
Financieros - Presupuesto. la investigación.
- Ayudas externas a la - Nº de tesis.
investigación. - Nº de citas
- Gastos en libros y
revistas
Fuente: Recuperado de Martin (2007). La Eficiencia Productiva en el Ámbito Universitario:
Aspectos Claves para su Evaluación.
20
La eficiencia del proceso productivo
La decisión del empresario es producir eficientemente. El concepto de eficiencia,

en economía, se asocia con el hecho de utilizar la menor cantidad de recursos
posible para obtener una determinada cantidad de producto. Eso implica que la
empresa puede escoger entre varios métodos de producción alternativos. Sin
embargo, seleccionará aquél que sea consistente con su objetivo de maximización
de beneficios. Para comprender mejor cómo lo hace, conviene distinguir entre
eficiencia técnica y eficiencia económica.
La eficiencia de una asignación de recursos a un nivel agregado la podemos

explicar cómo la situación en la que "no es posible aumentar el beneficio de
alguien sin perjudicar el beneficio de otro. Eficiencia a lo Pareto" (Nicholson,
2008:357).
A un nivel microeconómico se especifica como la situación en la que "no es

posible obtener más del producto final con la misma cantidad del insumo, o,
inversamente, no es posible obtener la misma cantidad del producto final con una
menor utilización del insumo" (Femández, 2000).
Esta precisión de eficiencia es el que en economía se denomina eficiencia técnica

para distinguirlo del concepto de eficiencia precios o asignativa donde intervienen
los precios de los factores productivos o el valor en dinero de los factores
utilizados en la producción de un bien o servicio, conforme pasamos a detallar:
a. La Eficiencia técnica
Aunque el estado de la tecnología es un dato para el empresario, éste tratará, sin

embargo, de actuar racionalmente a la hora de elegir la combinación de factores
que le permita obtener la cantidad de producto que él desee, minimizando el uso
de los recursos. Entonces, con el conocimiento de la tecnología, la empresa
buscará la eficiencia técnica y descartará aquellas combinaciones de factores que,
para obtener una misma cantidad de producto, exijan el uso de mayores
cantidades de dichos factores. Un método de producción es técnicamente eficiente
21
si la producción que se obtiene es la máxima posible con la cantidad de factores
especificada. La eficiencia técnica implica que, para producir mayores cantidades
de un bien, dado que se están utilizando todos los recursos que existen (pleno
empleo), deberá renunciarse a otros bienes que se estén produciendo (Costo de
oportunidad).
Es la situación en la que "no es posible aumentar la producción neta de un bien sin

reducir la producción de otro bien" (Femández, 2000), es decir, si aumentamos la
producción de un bien entonces se requiere más factores productivos y si se está
en una situación eficiente, esos mayores recursos que se requieren saldrán de la
producción de otro u otros bienes reduciendo su producción.
La situación mencionada se grafica con la Frontera de Producción que delimita la

máxima producción de bienes que puede realizarse dado el estado de la
tecnología, se representa mediante una curva cóncava (Figura 4) en la que los ejes
representan los bienes y supone un estado de la tecnología, la forma de la curva
identifica el costo de oportunidad creciente, es decir, que el aumento de la
producción de un bien se realiza cada vez con mayor disminución de la
producción del otro bien.
Figura 4. Frontera de Posibilidades de Producción
También se explica la eficiencia técnica como la situación en la que no es posible

aumentar la producción de un bien dado el nivel de factores utilizados o los
mínimos recursos utilizados dado un nivel de producción. Se representa con la
frontera de producción de una unidad de producción cuya forma depende de si un
recurso es fijo o si todos los recursos son variables.
22
➢ Si la tecnología es fija
La frontera delimita la máxima producción de un bien o producto con un nivel de
factor variable utilizado dado el estado de la tecnología (Ibídem, 324-325).
Puntos entre la abscisa y la frontera de producción son producciones ineficientes,

dado que con el recurso utilizado se puede lograr la producción que indica la
frontera.
Puntos por encima de la frontera de producción es imposible, dado que sobrepasa

la máxima producción que se puede lograr con el nivel de recursos utilizados.
➢ Si todos los factores son variables

La frontera de la Isocuanta, delimita la misma cantidad de producto en su máxima
producción con las distintas combinaciones de recursos utilizados (ibídem, 334).
Puntos por encima de la frontera (Isocuanta) son producciones ineficientes,

muchos recursos para el nivel de producción que indica la frontera.
Puntos por debajo de la frontera es imposible que se alcance la producción de la

frontera dado la combinación de recursos utilizados.
Figura 5. Frontera de Producción con Recursos Variables
Cuando todos los factores son variables, la eficiencia técnica se mide por la
relación de la longitud de la línea que une el origen al punto proyectado sobre la
23
isocuanta A' y la línea que une el origen al punto observado de la producción
ineficiente A:
Para elegir, deberá considerar no sólo aquel método que utilice menor cantidad de
recursos sino también el que tenga menor costo posible, por lo tanto, tendrá en
cuenta los precios de los factores productivos y éste es el concepto de eficiencia
económica.
b. La Eficiencia de Precios (o asignativa)
Teniendo en cuenta la eficiencia técnica y para un determinado conjunto de

precios de los factores, la eficiencia económica nos permite elegir el mejor
método de producción, al menor costo posible. Un método es económicamente
eficiente si es el método más barato de producir para un conjunto de precios de los
factores.
Es la situación en la que para un determinado nivel de producción se utilizan los

recursos al menor costo. Incorpora los precios de los factores productivos para
medir la eficiencia del uso de los recursos y se define como la combinación de
recursos en proporciones óptimas dados sus precios relativos (Coll y Blasco,
2006:4), para ello a la figura de la Isocuanta se le adiciona la recta de los precios
relativos denominada también Isocosto (Figura 4)
Figura 6. Frontera de Producción con todos los Recursos Variables e Isocosto

24
La eficiencia precio o asignativa se mide por la relación de la longitud de la línea
que une el origen al punto proyectado sobre la isocoste eficiente y la línea que une
el origen al punto proyectado sobre la isocuanta eficiente:
c. La Eficiencia Global o Eficiencia Económica
Es la situación en la que se obtiene la eficiencia técnica y la eficiencia asignativa

en la obtención de los productos (Fernández, 2000: 382-383).
Se obtiene considerando tanto la eficiencia técnica:
Como la eficiencia precio o asignativa:
La eficiencia global o económica se mide con el producto de ambas eficiencias,

implicando que la unidad de decisión es técnica y asignativamente eficiente, es
decir, menor cantidad del empleo de recursos y menor coste en una producción
determinada.
Este análisis y medida de la eficiencia en el aspecto teórico requiere conocer la

función de producción de la unidad de análisis la misma que en la práctica no se
realiza dado los altos costos que se darían al mover sucesivamente los factores
productivos los que además deben estar organizados para ser utilizados de la
25
mejor manera para observar la producción alcanzada que debe ser máxima a ese
nivel de recursos utilizados aspectos que si bien pueden ser medidos tienen una
alta dosis de subjetividad.
Siendo necesario estimar la función de producción se desarrollaron diferentes

métodos y técnicas para determinar la frontera de producción las que están en
función que se requiera o no especificar la relación entre inputs u outputs,
resultando métodos paramétricos y no paramétricos que a su vez pueden utilizar
técnicas estocásticas (aleatorio) y no estocásticas (determinista).
El producto marginal (PMg)
El producto marginal (PMg) de un factor variable (como el trabajo) es la

producción adicional que se obtiene utilizando de ese factor. En otras palabras, es
el aumento en el producto total que se obtiene al utilizar una unidad adicional del
factor variable, manteniendo constante el resto de los factores productivos.
Los rendimientos marginales son crecientes dado que el producto marginal de un

trabajador adicional es mayor que el correspondiente al trabajador anterior. Los
rendimientos marginales son decrecientes ya que el producto marginal de un
trabajador adicional es menor que el correspondiente al trabajador anterior.
Ley de los rendimientos decrecientes
La Ley de la productividad marginal decreciente o Ley de los rendimientos

decrecientes afirma que, si se mantienen constantes la tecnología y las cantidades
de todos los otros factores, al seguir incrementando la cantidad del factor variable
(por ejemplo, el trabajo), llegará un momento en donde los aumentos en la
producción serán cada vez menores e, incluso, eventualmente puede declinar.
Cabe aclarar que la ley de los rendimientos decrecientes tiene lugar en el corto
plazo debido a la presencia de factores fijos en la producción.
26
Economía de escala
En el largo plazo la empresa puede modificar la escala. El concepto de escala se

refiere al tamaño de la empresa medido por su nivel de producción. Las
propiedades técnicas de la producción a largo plazo se establecen en torno al
concepto de rendimientos de escala, que se aplica sólo cuando todos los factores
varíen simultáneamente y en la misma proporción (Eatwell, 1987).
Existen rendimientos crecientes de escala o economías de escala cuando al variar

simultáneamente la cantidad utilizada de todos los factores, en una determinada
proporción, la cantidad de producto varía en una proporción mayor (Vassilakis,
1987). Se dice que existen rendimientos constantes de escala cuando la cantidad
utilizada de todos los factores y la cantidad obtenida de producto varían en la
misma proporción. Por último, existen rendimientos de escala decrecientes o
deseconomías de escala cuando al variar simultáneamente la cantidad utilizada de
todos los factores en una proporción determinada, la cantidad obtenida de
producto varía en una proporción menor (Basu, 2008).
Eficiencia técnica orientada al Input
Koopmans (1951), definió la eficiencia técnica como la combinación

insumo/producto factible, en el que es imposible reducir uno de los insumos sin
que simultáneamente no se requiera incrementar por lo menos alguno de los otros.
En otras palabras, se dice que una Unidad de Decisión produce sobre la Frontera
de Posibilidades de Producción si para disminuir uno de sus insumos necesita
incrementar al menos uno del resto que utiliza, dado que el nivel de producción se
mantiene constante (Fried et al., 1993) y (Ruggiero, 1996). Asimismo, Debreu
(1951) y posteriormente Farrell (1957) desarrollaron un índice de eficiencia
técnica que equivalía a 1 menos la reducción equiproporcional en todos los inputs
que permiten seguir manteniendo el mismo nivel de producción (Fried et al.,
1993) y (Ruggiero, 1996). Si este valor es igual a 1, entonces se dice que la
Unidad Tomadora de Decisión es eficiente, pues no es posible reducir los insumos
utilizados sin afectar el nivel de producción.
27
Eficiencia técnica orientada al output
La definición de eficiencia técnica según Koopmans (1951) refiere a la

combinación insumo/producto factible, en la que es imposible incrementar uno de
los productos sin que a la vez no se necesite reducir por lo menos alguno de los
otros. En otros términos, una Unidad de Decisión produce sobre la Frontera de
Posibilidades de Producción si para incrementar uno de sus productos requiere
reducir al menos uno del resto que produce, dado que la cantidad de insumos se
mantiene constante (Fried et al., 1993) y (Ruggiero, 1996). De otro lado, Debreu
(1951) y luego Farrell (1957) crearon índices de eficiencia técnica que equivalen
al máximo incremento equiproporcional en los productos sin alterar la cantidad de
insumos inicial (Fried et al., 1993) y (Ruggiero, 1996). De ser factible este
incremento equiproporcional en los productos, entonces el valor de la medida de
eficiencia calculada será mayor que 1, y, por tanto, la Unidad Tomadora de
Decisión, ineficiente técnicamente.
1.1.5 Medición de la eficiencia en el sector educativo
A pesar de la abundante literatura sobre la evaluación de la eficiencia en

educación aún siguen vigentes muchos interrogantes sobre la función de
producción en este sector (Engert, 1996). Las explicaciones de esta situación son
diversas. La educación no es algo instantáneo, sino que produce sus efectos en el
medio plazo; el output, multidimensional y difícil de medir, es consecuencia de un
proceso complejo influido por diversos factores, algunos al margen del control de
las unidades productivas, etc. Todo ello dificulta extraordinariamente la definición
de una función de producción educativa genérica que incorpore correctamente
todos los aspectos relevantes del proceso de producción educativa y, en
consecuencia, la posibilidad de medir la eficiencia mediante una simple
comparación entre los resultados reales y los que potencialmente podrían
obtenerse (Hanushek, 1986). En este contexto el interés de los investigadores se
ha dirigido a intentar definir y medir el output educativo, identificar los factores
que tienen una mayor influencia sobre éste y relacionar unos con otros respetando
las especiales características del sector. La medición del output educativo suele
limitarse a aquellas dimensiones que son relativamente fáciles de medir y estén
28
directamente relacionadas con los objetivos fundamentales del nivel educativo
correspondiente. En cuanto a los inputs, pese a las dificultades que plantea la
especificación de una función de producción educativa, existe evidencia empírica
para identificar los factores que tienen una mayor influencia sobre el output
educativo.
Técnica para medir la eficiencia relativa
En cuanto a la técnica utilizada para medir la eficiencia relativa de las

instituciones educativas, la mayor parte de los trabajos optan por aproximaciones
no paramétricas y, concretamente, por el Análisis Envolvente de Datos (DEA). La
elección se basa, entre otras razones, en su gran flexibilidad, lo que resulta
especialmente adecuado en un ámbito como el educativo en el que se desconoce la
función de producción, y en su capacidad para adaptarse a procesos en los que
intervienen no solo una diversidad de inputs sino también, una serie de outputs
intermedios, en lugar de un único output final. Martín (2007), en su estudio sobre
la eficiencia productiva en el ámbito universitario, indica que el método DEA
ocupa un lugar destacado entre los métodos desarrollados para cuantificar la
eficiencia de las instituciones sin fines de lucro. Como principales ventajas del
DEA destacan:
- Su capacidad de adaptarse a sectores caracterizados por la presencia de

múltiples inputs y múltiples outputs.
- Su capacidad de ajustarse a la situación de ausencia de precios.
- La posibilidad de expresar los inputs y los outputs en unidades de medida
diferentes.
- La posibilidad de evitar la imposición de una forma funcional determinada
para la función de producción.
Sin embargo, también señala que la aplicación del DEA tiene ciertas limitaciones:
su carácter determinístico; la necesidad de que las Unidades comparadas sean
homogéneas; la posible saturación del modelo si no se mantiene la proporción
óptima entre Unidades a analizar y variables utilizadas, o la propia flexibilidad del
modelo. A pesar de ello, en los últimos años, el desarrollo de nuevas extensiones
29
del modelo ha permitido ir superando los inconvenientes que presenta éste en la
práctica, convirtiéndose en una herramienta cada vez más utilizada, no sólo para
la evaluación y análisis de la eficiencia técnica, sino también como punto de
partida para la toma de decisiones, dada la riqueza de la información que entrega.
El DEA trata de definir la frontera de producción empírica formada por las

mejores unidades observadas, para posteriormente cuantificar el grado de
eficiencia de las observaciones que forman parte de la muestra, es decir, su
distancia en relación con la frontera, a través de la programación lineal. Así, el
DEA compara a cada unidad únicamente con las mejores unidades observadas,
siendo el indicador de eficiencia que se obtiene relativo, es decir, el DEA es una
medida de eficiencia relativa.
Análisis Envolvente de Datos – DEA
El DEA, introducido por Charnes, Cooper y Rhodes (1978), se caracteriza por no

imponer una forma funcional determinada en la función de producción, sino que
se establecen unos supuestos sobre las propiedades de la tecnología que permiten
definir el conjunto de procesos productivos factibles, cuya frontera envuelve a los
datos observados. La formulación estándar del programa puede adoptar varias
formas en función de que se opte por una orientación a la reducción de inputs o al
incremento de outputs, o se presente como un programa fraccional (modelo
original), lineal o dual. Sin embargo, todas ellas comparten el mismo enfoque: la
eficiencia de cada unidad depende de la capacidad de cada productor para mejorar
sus resultados o reducir el consumo de recursos, estando sujeto a unas
restricciones que reflejan la actividad del resto de productores.
Por lo tanto, para medir la eficiencia, cuando nos encontramos con múltiples
inputs y outputs, surge la formulación propuesta por Charnes, Cooper y Rhodes
(1978), conocida como modelo CCR, que adopta la forma fraccional expuesta en
la Tabla 5.
30
La complejidad que presenta la resolución del programa en forma fraccional llevó
a Charnes, Cooper y Rhodes (1979) a transformarlo en uno equivalente de
programación lineal.
La versión utilizada en la mayor parte de los trabajos aplicados es el dual del

programa lineal puesto que cada una de las variables que aparecen en él tiene un
significado concreto y es una formulación más sencilla (Ganley y Cubbin, 1992).
Tabla 5
Formulación básica del DEA: modelo CCR
Fraccional Dual
Σ Ụro Yro Σ Ụro Yrj m s n
Max. h0 = r=1________ s.a.: r=1_______ ≤ 1; j = 1,2,.,n Minimiza θ0-ε[ Σ S +Σ S ]s.a.: Σ λi X

*
i
*
r ij +S*i = θ0Xio
Σ Vio Xio Σ Vro Xro n
i=1 r=1 j=1
i=1 i=1
Vio, Ụro ≥ 0 ; r= 1,2,.,s Σ λj Y rj -S*r = Yro λj. S*i S*r ≥ 0, j = 1,2,…n
j = 1,2,.,m j=1 i = 1,2,…m
r = 1,2,…s
Fuente: Charnes, Cooper y Rhodes (1978)
Entre las ventajas y desventajas de la técnica, Bonilla y otros (1996) mencionan:
Ventajas:
➢ DEA admite modelos con múltiples inputs y outputs.
➢ DEA no requiere una hipótesis de relación funcional entre los inputs y
outputs.
➢ Las unidades de medida se comparan directamente con otras unidades de
medida o una combinación de ellas.
➢ No precisa de la existencia de un sistema de precios sobre input y output,
los cuales son a menudo desconocidos en Instituciones Educativas
Superiores.
➢ Los inputs y outputs pueden representar diferentes unidades de medida,
por ejemplo, una magnitud puede venir medida en unidades físicas
(toneladas), mientras que otra unidad tiene su medida en unidades
31
monetarias (miles de pesos), sin que se requiera una relación a priori entre
ellas.
➢ Riqueza de los resultados ofrecidos que puedan constituir una base de
sumo interés en la implementación de estrategias de mejora de la gestión
institucional de los centros ineficientes.
Limitaciones del modelo DEA.

➢ Si bien la metodología no paramétrica presenta la ventaja de la gran
flexibilidad y ausencia de errores de especificación, al no ser preciso optar
por ninguna forma funcional, presenta el inconveniente de ser una técnica
determinista, por lo que la presencia de observaciones atípicas puede
sesgar las medidas de eficiencia obtenidas, imputando a la ineficiencia
cualquier "shock" de carácter aleatorio. Sin embargo, la medición de la
eficiencia mediante técnicas estocásticas (aleatorias) permite la existencia
de desviaciones de la frontera distintas de la ineficiencia.
➢ Los métodos no paramétricos ignoran generalmente los precios y miden
sólo la ineficiencia técnica cuando se utilizan demasiados inputs o se
producen pocos outputs.
➢ Dado que DEA es una técnica de punto extremo, tiene una alta
sensibilidad a la presencia de outliers (valores atípicos) y/o errores de
medición, pueden causar problemas significativos.
➢ DEA converge lentamente a la eficiencia absoluta, es decir, no nos indica
cómo se comporta una unidad en relación con un "máximo teórico".
➢ Las pruebas de las hipótesis estadísticas son difíciles de aplicar, por ser un
método no paramétrico.
➢ Este tipo de análisis funciona relativamente mal cuando el número de
unidades que toman decisiones (DMU) es bajo.
➢ Se asume que las unidades de medición son relativamente homogéneas y
emplean la misma tecnología para convertir input en output.
Así, DEA es habitualmente utilizado en la evaluación de la eficiencia de un cierto

número de productores, comparando cada uno de ellos únicamente con los
mejores productores. En DEA nos referiremos a productor como entidad,
organización, área, unidad objeto de análisis o DMU. A diferencia de habituales
32
aproximaciones estadísticas, DEA es un método de punto extremo, dado que se
construye una frontera de producción en la que se sitúan las unidades eficientes y
determinando la ineficiencia 'de las otras unidades por la posición relativa
respecto de esta frontera.
a. Modelos DEA-CCR
Las siglas CCR se deben a que este modelo fue desarrollado por Charnes, Cooper
y Rhodes en 1978.
Se clasifican por:
- El tipo de medida de eficiencia: Modelos radiales (fraccionales) y no
radiales.
- La orientación del modelo: Input orientado, Output orientado o Input -
Output orientado y,
- El tipo de rendimiento de escala que caracteriza la producción.
En el gráfico (recreación de los gráficos utilizados por Coll y Blasco páginas 10-
16) se representan la relación insumo-producto de situaciones hipotéticas de una
actividad económica en la que podemos observar que dependiendo de la cantidad
de input(s) utilizado (s) o de output (s) logrado (s) se determinan distintas medidas
de eficiencia, la orientación del modelo y el tipo de rendimientos a escala que en
el presente caso son rendimientos a escala constante, así tenemos:
En el gráfico de la izquierda (a), cada punto nominado como A, B, C o D

representa la cantidad de insumo (x) que se utiliza para un nivel de producción (y)
donde la pendiente de la línea que parte del origen a un punto es la productividad
media lograda siendo la de mayor pendiente la que tiene mayor productividad en
este caso el punto C.
En el gráfico del centro (b), cada punto A, B, C, D o E representa también una

actividad económica que se realiza con 1 insumo (x) y dos productos (y 1, y2),
donde los puntos más alejados del origen son las actividades que tienen mayor
productividad y, uniendo los puntos de las actividades más alejadas del origen se
33
forma la frontera de producción eficiente que son las actividades que mayor
producción realizan dado los recursos que utilizan que es el modelo output
orientado, quedando las demás actividades como ineficientes.
En el gráfico de la derecha (c) se representan las actividades económicas que se

realizan con dos insumos (x1 y x2) y un producto (y) donde la frontera que se
forma es la mínima cantidad de insumos que se utilizan para determinado nivel de
producción o input orientado.
Figura 7. Frontera de Producción y los Rendimientos a Escala Constante
Los puntos eficientes en cada caso tienen una puntuación de 1 como sigue:
a. ETA =1 b. ETA =1; ETB = 1 c. ETA =1; ETB = 1
La puntuación eficiente de un punto ineficiente se determina como sigue:

a. ETC= EC' /EC b. ETE = OE/OE' c. ETD = OD' /OD
Este método DEA puede modelarse de 3 formas: fraccional, multiplicativa y
envolvente que a continuación se detallan (Coll y Blasco, 2006: 27-41):
➢ Modelo DEA-CCR Forma Fraccional

Este es un modelo radial, input orientado y con rendimientos constantes a escala.
Busca minimizar el uso de los recursos dado un nivel de producto. La eficiencia
técnica (relativa) se mide como el cociente entre la suma ponderada de los
Outputs (∑uryro) y la suma ponderada de inputs (∑vixio):
34
Sujeto a:
Donde:
n = unidades (j = 1,2,..., n) cada una utiliza los mismo inputs (en diferentes
cantidades) para obtener los mismos outputs (en diferentes cantidades)
Xij (Xij ≥ 0) Son la cantidad de inputs i (i = 1,2,..., m) de la unidad j.
Yrj (Yij ≥ 0) Son la cantidad de outputs r (r=1,2,..., s) producidos por la unidad j.
Yro representa la cantidad de output de la unidad que se evalúa.
Ur (r =1,2,..., m) y Vi (i =1,2,..., m) son los pesos de los outputs e inputs
respectivamente.
Este modelo fue cambiado por los mismos autores para sustituir la condición de
no negatividad por la condición de positividad estricta:
Para evitar que una unidad h0 = 1, sea incorrectamente caracterizada como

eficiente al obtener la solución óptima algún peso input u output el valor cero que
daría lugar que dicho input u output sea obviado en la determinación de la
eficiencia.
➢ Modelo DEA-CCR en forma multiplicativa

En este modelo se linealiza el modelo DEA-CCR fraccional input orientado y
busca maximizar las ponderaciones de los inputs y outputs y la eficiencia de la
unidad evaluada calificándola de eficiente cuando la suma ponderada de la
producción es igual a la unidad (se tiene en cuenta que los inputs han sido
normalizados a la unidad), por lo que el modelo también es input orientado.
35
Para expresar el modelo en forma multiplicativa se tiene en consideración las
siguientes transformaciones:
Ur = t * Ur
δi = t*Vi para t > 0 Dónde: ∑δiXi,o = 1Input virtual normalizado a 1.
Sustituyendo en el modelo anterior fracciona} se obtiene el modelo lineal

equivalente conocido como modelo en forma multiplicativa:
El Modelo expresado matricialmente:
Y: es una matriz de outputs de orden (s x n), donde s es la cantidad de outputs y n

la cantidad de unidades de decisión
y0: es el vector output de la unidad evaluada
X: matriz de inputs (m x n)
x0: es el vector input de la unidad evaluada
u: vector (s x 1) pesos outputs
36
➢ Modelo DEA-CCR en Forma Envolvente
Es el modelo Dual (Envolvente) del modelo anterior en forma multiplicativa
(primal), por tanto, aquí se busca minimizar las ponderaciones de los inputs y
outputs y la puntuación de eficiencia.
El modelo se elabora teniendo en cuenta que una variable en el dual se
corresponde con una restricción en el primal y una restricción en el dual se
corresponde con una variable en el primal.
La correspondencia indicada anteriormente se puede observar en la tabla
Tabla 6
Transformación del modelo CCR - Multiplicativa en CCR - Envolvente
Restricción primal Variable dual Restricción dual Variable primal
CCR-Multiplicativa CCR-Envolvente CCR-Envolvente CCR-Multiplicativa
δT
X0 =1 Θ Yλ ≥ y0 δTX0 ≥ 1
µT Y - δTX ≤ 0 λ≥0 θ X0 – Xλ ≥ 0 µT ≥ 0
Fuente: (Coll y Blasco, 2006:38).
Con lo anterior pasamos del modelo DEA-CCR input orientado en su forma

multiplicativa al modelo DEA-CCR input orientado en forma envolvente:
Este modelo suele ser preferido para medir la eficiencia dado que trabaja con un
número de unidades de decisión (DMU) mayor a la suma de inputs y outputs del
modelo. En este modelo la solución óptima es 8* == 1 que indica que la unidad
evaluada es eficiente obteniéndose a su vez las variables de holgura en forma
residual.
37
A este modelo Coll y Blasco (2006) lo denomina modelo DEA-CCR envolvente
de una etapa y lo compara con el modelo de dos etapas según la Eficiencia de
Pareto-Koopmas, en la que incorpora las variables de holgura tanto output como
input, con lo cual la cantidad observada output aun cuando este en la frontera
eficiente puede ser aumentada si hay holgura output o disminuir el, uso de los
factores si hay holgura input (pág 41 idem). La 2da etapa estaría dada por (pág. 49
idem):
La primera y segunda etapa, se puede formular en un único modelo, como sigue:
b. Modelos DEA-BCC
En el trabajo (Coll y Blasco, 2006: 87-103) se analiza el modelo desarrollado por
Banker, Charnes y Cooper (1984) denominado DEA-BCC que relaja el supuesto
de la tecnología de rendimientos constantes a escala permitiendo la tipología de
rendimientos variables a escala, esto es que según la medida de eficiencia de la
unidad evaluada puede estar trabajando con rendimientos constantes a escala (el
aumento porcentual de la producción es igual al aumento porcentual de los
insumes), rendimientos crecientes a escala (el aumento porcentual de la
producción es mayor al aumento porcentual de los insumes) o rendimientos
decrecientes a escala (el aumento porcentual de la producción es menor al
aumento porcentual de los insumes), determinando que el modelo DEA-CCR con
rendimientos constantes a escala sea una medida de Eficiencia Técnica Global
38
(ETG) que puede ser descompuesta en Eficiencia Técnica Pura (ETP)
determinado por el modelo DEA- BCC y eficiencia escala (EE):
ETG (DEA-CCR) = ETP (DEA-BCC) Θ BE
Donde la noción económica de rendimientos a escala se relaciona con la eficiencia

escala (BE).
➢ Modelo DEA-BCC Forma Fraccional

La forma analítica del modelo DEA-BCC es similar al modelo DEA-CCR, siendo
diferente únicamente en que al primero se le suma el término ko que es el valor del
intercepto de la ordenada por lo que en el supuesto de rendimientos constantes a
escala tiene el valor de cero. (Pág. 93, ibídem), siendo en este caso el resultado del
modelo DEA-BCC forma fraccional igual al resultado del modelo DEA-CCR.
En consecuencia, el modelo DEA-BCC y suponiendo rendimientos variables a

escala, tenemos:
➢ Modelo DEA-BCC Forma Multiplicativa

Del mismo modo que en el modelo DEA - CCR, se utilizan las variables
transformadas y se le adiciona la constante K.o. que según su valor identifica el
tipo de rendimiento de escala, como sigue:
39
Como Ko es no restringida, este mismo modelo mide la eficiencia con el supuesto
de rendimientos a escala como sigue:
Si ko ≤ 0 los rendimientos son no crecientes a escala.
Si ko ≥ 0 los rendimientos son no decrecientes a escala.
➢ Modelo DEA-BCC Forma Envolvente
En consecuencia, el modelo DEA-BCC Envolvente (pág 100, íbidem) y
suponiendo rendimientos variables a escala, tenemos:
1.1.6 Determinantes de la eficiencia en el sector educativo
Para relacionar recursos y resultados educativos una de las funciones de

producción educativa más aceptada empíricamente (Levin, 1974; Hanushek,
1979) sería la definida por el siguiente modelo.
A = f (B , P , S , I ) (Ecuación 1)
is is is is is
Donde i denota alumno y s hace referencia a la escuela. A es el vector que

is
recoge los outputs educativos, frecuentemente medido como el resultado en una o
varias pruebas objetivas de conocimientos. A la derecha de la Ecuación 1 estarían
40
los inputs educativos, variables necesarias para que se produzca la adquisición de
conocimientos en mayor o menor medida. B serían las características
is
socioeconómicas en el hogar, P las influencias de los compañeros, S los inputs
is is
escolares tales como material educativo o la infraestructura del centro y
finalmente I denotaría la capacidad innata del alumno y otras características no
is
observables del alumno. La función anterior puede ser estimada asumiendo que
existen comportamientos ineficientes por parte de las escuelas, pero también de
los alumnos a través de la Ecuación 2.
A s=f(B s, S s, P s, I s) – uis (Ecuacion2)

i i i i i
Donde u s sería el nivel de eficiencia. Valores nulos de uis suponen que las
i
unidades analizadas son plenamente eficientes, es decir, dado su nivel de inputs
educativos y dada la tecnología existente estos centros están maximizando y
gestionando correctamente el nivel de outputs que obtienen. Valores positivos de
uis señalarían que el centro es ineficiente y por tanto la cuantía de la ineficiencia
indica la cantidad de output que podría ser aumentado si se eliminara la
ineficiencia.
El concepto de ineficiencia sugiere el despilfarro de los recursos existentes para

llevar a cabo una actividad productiva. A veces, tanto los inputs escolares como
familiares pueden presentar valores adecuados y sin embargo los resultados
académicos pueden ser bajos. Este hecho es posible por la existencia de
comportamientos ineficientes. La ineficiencia aparece cuando alguno(s) de los
agentes implicados: alumno, padres del alumno, profesor, decano de escuela
profesional, autoridades políticas educativas, etc. no cumple adecuadamente con
su papel.
Las causas de la eficiencia educativa serían diversas, aunque fundamentalmente

debidas al centro educativo y al alumno. En primer lugar, los profesores de una
escuela se enfrentan a un marco legal que en buena medida limita y condiciona la
organización de los recursos educativos. Así, una legislación educativa difusa en
cuanto a sus objetivos y con unos incentivos docentes limitados puede afectar
41
negativamente a la organización de los tamaños de las clases, el desdoble de
grupos, la mayor remuneración de los mejores profesores o el uso del mecanismo
de repetición de curso. En segundo lugar, el sistema pedagógico utilizado por el
profesor puede ser inadecuado para los alumnos que trata de educar, lo que podría
llevar a una caída de la atención o incluso de la disciplina en clase que también
afectaría a los resultados. Por último, la titularidad de la escuela, y por tanto el
margen de discrecionalidad a la hora de tomar decisiones, puede influir en la
contratación y el despido del profesorado, la introducción de incentivos, la
selección de alumnos y las fuentes de financiación para producir la educación,
condicionando así los mecanismos docentes de la escuela.
En cuanto al alumno si bien está claro que las variables de la Ecuación 1 son
determinantes de su rendimiento y todos los alumnos deben enfrentarse a ellas,
existen otras características que pueden condicionar su educación. Por ejemplo, el
tipo de familia en la que el alumno se encuentra y las relaciones entre sus padres,
ya que puede ser un indicador de dificultades afectivas que podrían influir en su
aprendizaje.
En definitiva y de acuerdo con la Ecuación 2 consideramos que existen tres tipos

de variables implicadas en el proceso educativo. El vector de competencias
obtenido en distintas materias (outputs), el vector de variables educativas
imprescindibles para llevar a cabo la educación; tal que una mayor dotación de
estas variables (individuales, compañeros y escuela profesional) aumentarían de
forma monótona los resultados (inputs) y un vector de variables explicativas de la
eficiencia educativa cuyo signo y cuantía deben ser determinadas.
42
1.2 Antecedentes
Referente a los trabajos sobre la medición de la eficiencia técnica en las universidades:
Los investigadores Tomkins y Green (1988) en su estudio analizan 20 facultades de

contabilidad en Reino Unido mediante DEA-CCR, usando tres entradas (input), a saber:
profesores de tiempo completo, salarios y otros; y seis salidas (output): estudiantes de
pregrado, investigaciones de postgrado, ingresos, egresados y postgraduados.
Sinuany et al. (1994) también aplica el modelo DEA-CCR con orientación a entradas
para medir la eficiencia de 21 departamentos educativos en Israel, utilizando como
entradas las siguientes: gastos operativos y salarios del profesorado; y como salidas las
siguientes: dinero de subvención, publicaciones, graduados y créditos del departamento
(horas); los resultados indican cuáles departamentos deben aumentar los estudiantes de
postgrado; y como complemento realizan análisis clúster y análisis de costos por
estudiante.
Castrodeza y Peña (2002) es su estudio realizan una medición con modelos CCR y BCC
orientados a salidas en 22 departamentos de Ciencias Sociales y Jurídicas, de la
Universidad de Valladolid, tomando como entradas las siguientes: recursos propios para
investigación y capacidad investigadora; y como salidas las siguientes: calidad, cantidad
e impacto En investigación y actividad en formación de investigadores. Bajo CRS
(rendimientos de escala constantes) la eficiencia media es del 75,5%, mientras que con
VRS asciende a 88,6%; dichos autores concluyen que, aproximadamente, un 13% de
ineficiencia procede de problemas de escala de operación.
Murias (2004), analiza los 72 departamentos académicos de la Universidad de Santiago

de Compostela; 38 de las cuales no experimentales (Ciencias Sociales y Humanidades),
y 34 de las cuales experimentales (Ciencias de la Salud, Experimentales y Técnicas);
dicho autor usa como entradas: capacidad docente, becarios, recursos de investigación y
matriculados; y usa como salidas: créditos de licenciatura ofertados, créditos de
doctorado ofertados, alumnos que aprobaron materias y producción de investigación; así
entonces Murias utiliza los modelos BCC y CCR orientados a salidas. La mayoría de los
43
departamentos eficientes (22) pertenecen al grupo no experimental, frente a 10 del
grupo experimental.
Caballero et al. (2004) estudian y evalúan 142 departamentos académicos de la

Universidad de Málaga, y establecen una agregación por rama de conocimiento
(Ciencias Experimentales, Ciencias de la Salud, Ciencias Sociales y Jurídicas,
Enseñanzas Técnicas y Humanidades). Ellos utilizan entonces cuatro entradas, a saber:
capacidad docente del profesorado funcionario y no funcionario, becarios y personal
administrativo y servicios de laboratorio; así como tres salidas, a saber: matriculados,
tamaño medio de los grupos de docencia y carga docente real. A partir de BCC y CCR
orientado a salidas, dichos investigadores generan el modelo DEA MCDMDEA con las
siguientes tres fases: DEA para Evaluación de eficiencia técnica, Modelo MCDM para
asignación presupuestaria, y un nuevo modelo DEA para comprobar mejora de
eficiencia media del sistema. Así ellos utilizan técnicas de toma de decisiones
multicriterio como son herramientas de planificación ex-ante, y DEA como instrumento
de evaluación ex-post.
Kaoa y Hungb (2006) aplican DEA en la Universidad Nacional Cheng Kung, evaluando
41 Facultades, seleccionan cuatro grupos de departamentos y los clasifican con
descomposición de eficiencia y análisis de conglomerados, bajo los modelos CCR y
BCC; las entradas consideradas son las siguientes: personal, gastos de operación y
espacio utilizado; mientras las salidas son las siguientes: horas-crédito, publicaciones,
donaciones externas y contratos.
Torrico et al. (2007) estudian 152 unidades académicas de la Universidad de Málaga,

considerando las siguientes dos entradas: capacidad docente del profesorado funcionario
y no funcionario; y como salidas se establecen las siguientes: alumnos, participación
académica de cada unidad funcional y productividad científica, aplicando los modelos
BCC y CCR, orientados a salidas que permiten identificar ineficiencias de escala.
Vásquez (2007), en su trabajo de investigación “Estudio sobre la eficiencia técnica de

las universidades públicas presenciales españolas”, expone que es preciso contar con
estudios sobre la eficiencia técnica de las instituciones de educación superior españolas.
La presente comunicación realiza un análisis de la eficiencia técnica para las
44
Universidades Públicas Presenciales en España, de los años académicos 2004-2005 y
2006-2007, a partir de bases de datos de la CRUE. Dicho análisis utiliza el Análisis de
Envolvente de Datos con 43 universidades públicas presenciales españolas, que acogen
aproximadamente el 70 por ciento del total de la matrícula universitaria en todo el
territorio español. Cabe mencionar que este análisis hace énfasis en el enfoque
institucional y regional, mostrando algunos resultados concluyentes sobre cómo operan
las universidades públicas españolas, materia prima fundamental en la tarea de los
encargados de gestionar la financiación educativa.
Martin (2008), realiza el estudio de investigación “La Medición de la Eficiencia

Universitaria: Una Aplicación del Análisis Envolvente de Datos”, presenta un análisis
del grado de eficiencia técnica con que actúan los departamentos universitarios, en la
Universidad de La Laguna en España, llevando a cabo el análisis para un curso
académico. La metodología utilizada es el Análisis Envolvente de Datos, análisis que
permite conocer mejor cómo funcionan los departamentos universitarios. Además, la
metodología suministra información para mejorar la eficiencia y facilitar la gestión
universitaria. La principal conclusión del estudio es que la asignación de los recursos
destinados a la educación superior, es susceptible de ser mejorada en los aspectos
concernientes a la eficiencia en el uso de los mismos.
Pino et al. (2010) recurren al modelo CCR orientado a salidas para medir la eficiencia
de los grupos de investigación en España. Utilizan las siguientes tres entradas: doctores
activos, demás personal de I+D+I y subvenciones recibidas en convocatoria de ayudas;
y las siguientes cuatro salidas: ingresos por proyecto, publicación en revistas ISI, tesis y
contratos. Dichos autores encuentran 19 grupos de investigación eficientes y determinan
cuál ha sido el grupo que aparece más veces como referencia, denominándolo líder.
Barbosa (2010) estudia 54 unidades (27 escuelas en los semestres de 2009), en las
Facultades de la Universidad Industrial de Santander, implementando las siguientes
cinco entradas (input): docentes de tiempo completo de planta, cátedra, con doctorado,
sin doctorado y presupuesto; y con las siguientes seis salidas: cupos de pregrado, cupos
de postgrado, graduados de pregrado, graduados de postgrado, evaluación docente y
resultados del ECAES (Hoy Saber Pro). Incluye tres modelos CCR-BCC orientados a
salidas (output); el primero de los mismos considera variables de formación, el segundo
45
de investigación y extensión y, el tercero, de formación, investigación y extensión;
muestra que 31 unidades son eficientes. Por otra parte, el modelo BCC indica que 42
unidades son eficientes. En consecuencia, 31 unidades presentan rendimientos
constantes a escala y 11 rendimientos variables a escala.
Pino y Solis (2010), desarrollan el estudio “Evaluación de la eficiencia de grupos de

investigación mediante análisis envolvente de datos (DEA)”, La evaluación de los
resultados de los grupos de investigación en función de los recursos de que disponen y
la obtención de indicadores de eficiencia constituyen cuestiones de gran relevancia para
el diseño de las políticas de fomento de la investigación y el desarrollo (I+D). La
existencia del Sistema de Información Científica de Andalucía en España, permite la
utilización de la técnica DEA para la medición de la eficiencia de los grupos de
investigación andaluces. La aplicación a los 86 grupos andaluces del área TIC ha
mostrado cómo la mayoría de ellos presentan niveles de eficiencia medios, existiendo
un total de 19 grupos de investigación que son 100% eficientes. Se ha obtenido cuál ha
sido el grupo de investigación líder, es decir, el que aparece como referencia en un
número mayor de veces para las unidades ineficientes. Y por último, y de forma
ilustrativa, se han identificado los resultados que debería lograr un grupo de
investigación para llegar a ser plenamente eficiente, tomando como referencia los
resultados de los grupos identificados como más eficientes.
Agasisti et al. (2011) evalúan 75 facultades italianas durante años, utilizando tres
entradas, a saber: área de laboratorios, personal (administrativo y de investigación) y
actividades de transferencia tecnológica; y establecen cinco salidas, a saber: ingresos de
actividades financiadas, ingresos de actividades financiadas desde el extranjero,
ingresos de pedidos (medida como actividades de investigación realizadas y financiadas
por otras instituciones), publicaciones anuales y doctorados en cooperación con órganos
externos. Ellos aplican modelos CCR y BBC orientados a salidas y concluyen que la
eficiencia de los departamentos universitarios de Lombardía es la más alta (eficiencia
CRS = 0.75, eficiencia VRS = 0.78).
Rodríguez (2011) evalúa las actividades de extensión en diferentes unidades de la
Universidad Nacional de Colombia, definiendo 31 DMUs de la forma que se especifica
a continuación. Sede Bogotá: 11 Facultades y seis institutos; Sede Medellín: cinco
Facultades; Sede Manizales: el nivel central y tres Facultades; Sede Palmira: dos
46
Facultades y de la Sede presencia nacional: Amazonia, Orinoquia y Caribe. Empleó dos
entradas, a saber: horas de dedicación de los docentes y dineros obtenidos de fuentes de
financiación; así como tres salidas, a saber: proyectos, transferencias y capital
relacional; relaciones internacionales en unidades, aplicando el modelo CCR, orientado
a salidas. La comparación entre departamentos se hace categorizando, puesto que hay
disciplinas que para adelantar sus actividades de investigación y docencia requieren de
laboratorios y tecnologías, lo que conlleva una alta inversión de recursos, contrastando
con aquellas que no lo requieren.
Cáceres y Kristjampoller (2012), en su estudio denominado “Análisis de la eficiencia

técnica y su relación con los resultados de la evaluación de desempeño en una
Universidad Chilena”, trata del uso eficiente de los recursos y la maximización de la
contribución a la sociedad, de parte de las instituciones de educación superior. Así, el
objetivo de esta investigación se centra en la medición de la eficiencia técnica de las
Unidades Académicas de una Universidad Chilena utilizando el método de Análisis
Envolvente de Datos (DEA). Se establece un marco metodológico que se adapta a la
disponibilidad de información y a la tecnología productiva de la institución, aplicando
procedimientos que permiten la reducción de variables a una cantidad apropiada para
que los resultados del DEA sean confiables, y condiciones de borde para atender a los
objetivos supuestos para la Universidad y no sólo a los de sus Unidades. Además, se
plantean cursos de acción para la mejora de la eficiencia. Luego, los resultados se
contrastan con el instrumento de evaluación de actividad académica que en la actualidad
posee la Universidad. Como conclusión se identifica discordancia entre ambos
resultados, estableciéndose las modificaciones que se debieran hacer por parte de la
Universidad en sus instrumentos de evaluación hacia la mejora de la eficiencia, lo que
es aplicable a otras instituciones de educación superior chilena y latinoamericana.
Ramírez y Alfaro (2013), desarrollan el estudio “Evaluación de la Eficiencia de las

Universidades pertenecientes al Consejo de Rectores de las Universidades Chilenas:
Resultados de un Análisis Envolvente de Datos”, El objetivo de este estudio es estimar
la eficiencia de dichas universidades. El trabajo se basa en la técnica de análisis
envolvente de datos (DEA) y tiene en cuenta la realidad del sistema universitario
chileno. Un modelo DEA con una variable de entrada (gastos operativos) y dos
variables de salida (publicaciones ISI y número de estudiantes matriculados) fue
47
desarrollado para evaluar el desempeño de las universidades. Los resultados empíricos
indican que 3 de las 25 instituciones son eficientes en el plano de investigación y
docencia. Además, estos resultados no revelan diferencias estadísticamente
significativas de eficiencia entre las instituciones estatales y las instituciones no
estatales, como tampoco entre las instituciones con distintos años de acreditación
institucional.
Barra y Zotti (2013) evalúan un grupo de 18 departamentos y seis facultades, el cual se

designa HSS, así como otro grupo con 10 departamentos y tres facultades, nombrado
como ST, en la Universidad de Salerno, y valoran así actividades de investigación y
docencia, con tres entradas, a saber: personal equivalente, gastos de investigación y
gastos de enseñanza y cinco salidas, a saber: publicaciones, índices de productividad de
investigación, fondos para investigación, graduados e índices de satisfacción. De tal
manera, ellos seleccionan el modelo BCC orientado a salidas y concluyen que el grupo
HSS es menos eficiente que el ST. También calcularon índices de Malmquist.
Ramírez (2013), en su estudio de investigación “La eficiencia del uso de los recursos en
las Facultades de la Universidad Nacional del Callao- año 2011”, el estudio se realizó
utilizando la técnica de Análisis Envolvente de Datos, mediante el programa Solver de
Excel y los modelos DEA-BCC input y, output orientado envolvente que miden la
eficiencia con una puntuación de 1 y la ineficiencia con una puntuación menor a l. Se
determinó como ineficientes a la Facultad de Ingeniería Eléctrica y Electrónica, con
eficiencia de 0.986 se determinó que para ser eficiente debió reducir en 22 el número de
docentes y en 7 el número de matriculados y, haber obtenido un mayor número de 3
egresados. La Facultad de Ciencias de la Salud con una puntuación de eficiencia de
0.926 y, para que se considere eficiente se debió aumentar en 12 el número de egresados
y en 3 el número de investigaciones. La disminución de docentes implica un ahorro en
los recursos financieros que se orientan a su pago y la del número de matriculados al
requerir menos docentes también implica un ahorro de recursos monetarios; El aumento
de egresados y de investigaciones determina más beneficio para la sociedad.
Buitrago y Espitia (2017), es su trabajo “Análisis envolvente de datos para la medición

de la eficiencia en instituciones de educación superior: una revisión del estado del arte”,
analiza los estudios más significativos a nivel mundial sobre medición de la eficiencia
48
en instituciones de educación superior (IES), que para tal fin utilizan el Análisis
Envolvente de Datos. Para cada estudio se consideran las siguientes características:
modelo seleccionado, orientación del modelo, entradas y salidas, resultados principales,
conclusiones y empleo de algún método complementario. Se analizan estadísticamente
los modelos y características estudiadas en las investigaciones citadas, destacando las
pautas más usadas. Se espera que los resultados sean útiles para brindar una base a
futuros investigadores sobre la forma de realizar la medición de eficiencia y el cálculo
de índices de productividad, usando esta metodología según sus necesidades y
requerimientos específicos. Se concluye que DEA se ha utilizado ampliamente para
medir la eficiencia de la educación a nivel mundial, identificando 254 entradas y 230
salidas.
Peñate y Rivero (2016), realizan el estudio “Análisis Envolvente de Datos (DEA): una
alternativa viable para la evaluación de la eficiencia en universidades” su interés por el
uso eficiente de los recursos y maximizar su contribución a la sociedad, es un tema cada
vez más presente en las agendas de las universidades, en particular de las ecuatorianas.
Se tienen avances importantes en los últimos años en el desarrollo y aplicación de
técnicas para medir la eficiencia en la Educación Superior, siendo el Análisis
Envolvente de Datos (DEA) una de las metodologías ampliamente utilizada a nivel
internacional. En el estudio se realizó una revisión sobre las particularidades de la
evaluación de la eficiencia en las universidades, se analizaron las bases teóricas
metodológicas que sustentan el DEA, y los resultados de la aplicación de esta
metodología en el ámbito universitario internacional. Como resultado quedó demostrada
la viabilidad y pertinencia del uso de esta técnica para evaluar el grado de eficiencia con
que las universidades emplean sus recursos, por lo que debería convertirse en una
herramienta propia de las universidades ecuatorianas tan urgidas de métodos y técnicas
que contribuyan a la mejora de la gestión.
Villarreal y Tohmé (2017), en su estudio “Análisis envolvente de datos. Un caso de

estudio para una Universidad Argentina”, analiza la eficiencia relativa del plan de
estudios de un programa universitario de la Universidad Nacional del Sur de Argentina;
esta situación es muy relevante, ya que los cursos del plan están financiados con fondos
públicos y por lo tanto afectan la eficiencia del gasto público global. El método aplicado
es el análisis envolvente de datos (DEA). Los resultados permiten identificar los cursos
49
optativos ineficientes que deberían aumentar el número de estudiantes y reducir al
mismo tiempo el número de docentes asignados a ellos para mejorar su eficiencia. En el
caso de cursos obligatorios, la mejora también requiere reducir el número de docentes
auxiliares.
Alcaraz y Bernal (2017), realizan el estudio “Evaluación de la eficiencia técnica de las

Universidades Públicas Estatales del noroeste de México mediante Análisis Envolvente
de Datos (DEA)”, evalúa la eficiencia técnica en el uso de los recursos federales
otorgados a las Universidades Públicas Estatales (UPE) mediante procesos
incrementales ordinarios y fondos extraordinarios, los cuales son considerados como
insuficientes por este tipo de instituciones. El objetivo es aplicar un procedimiento que
permita conocer la eficiencia técnica alcanzada por las UPE del noroeste de México
durante el periodo 2014-2015. La metodología empleada fue mediante el uso del
Análisis Envolvente de Datos (DEA) en su modelo CCR-O. Se estima la función de
producción utilizando las variables de financiamiento federal (ordinario y
extraordinario) como input y alumnos de nuevo ingreso, alumnos egresados, programas
educativos acreditados y cuerpos académicos como outputs. Los hallazgos principales
fueron que la relación entre las variables utilizadas como input y outputs refleja una
eficiencia técnica promedio de 0.860379 (en escala de 0 a 1), siendo técnicamente
eficientes la Universidad Autónoma de Baja California (UABC) y el Instituto
Tecnológico de Sonora (ITSON). Se obtienen los datos de peer group y targets para su
consideración como referencia de mejora de las instituciones que no resultan
técnicamente eficientes.
Referente a los trabajos sobre determinantes de la eficiencia técnica en las

universidades:
Fernández et al. (2015), analizan los determinantes de la eficiencia a través de un

análisis de Regresión Truncada, considerando una serie de factores que hacen referencia
tanto a las características internas de las universidades como a las condiciones
socioeconómicas del entorno donde éstas desarrollan su actividad. Sus hallazgos
revelan, por un lado, que la variable edad presenta efectos positivos sobre la eficiencia,
beneficiándose ésta del grado de experiencia en la gestión de estas instituciones
adquirida a través de los años y los privilegios que reporta su reputación conocida tanto
50
en el ámbito nacional como internacional, mientras que la especialización en
universidades politécnicas y la densidad de población regional afectan negativamente a
la eficiencia. Por otro lado, y sólo cuando se consideran los factores externos en el
estudio, tanto un mayor PIB per cápita regional como un elevado número de becarios
contribuyen a mejorar significativamente el nivel de eficiencia universitaria.
Wolszczak-Derlacz y Parteka (2011) realizan el análisis DEA en dos etapas

desarrollado por Simar y Wilson (2007), cuyos resultados indican que el “número de
facultades”, la presencia de la “titulación de medicina” y el “porcentaje de mujeres
sobre el total personal académico” afectan positivamente y significativamente a la
eficiencia de las instituciones, mientras que la “edad de la institución” y el “porcentaje
de ingresos corrientes sobre el total de ingresos” presentan una influencia negativa
estadísticamente significativa sobre los niveles de eficiencia. Por otro lado, el
coeficiente que hace referencia a “PIB de cada país” donde están localizadas las
universidades no es estadísticamente significativo.
Warning (2004) estudia 73 universidades alemanas en el año 1998, revelando que la

existencia de la “titulación de Medicina” en la universidad y la “localización de ésta en
el Oeste del país” incrementa la eficiencia significativamente. Por otro lado, el “número
de habitantes” de la ciudad donde está ubicada la universidad y la “edad” de la
institución no muestran efectos estadísticamente significativos en los niveles de
eficiencia.
Kemples y Pohl (2010) analizan 72 universidades públicas alemanas durante el periodo

1998-2003, llegando a la conclusión de que aquellas universidades localizadas en
regiones económicamente más prósperas, es decir, con mayor “PIB per cápita regional”,
se benefician de los efectos positivos que conlleva esa situación. Sin embargo, la
presencia de la “titulación de medicina” produce efectos negativos estadísticamente
significativos en la eficiencia técnica, al contrario de lo que concluía Warning (2004).
Por otra parte, Duch-Brown y Vilalta (2010), que identifican que tan sólo la calidad de
los estudiantes, medido a través de la variable “umbral de notas de entrada en el primer
año”, puede explicar la mayor eficiencia de las universidades, mientras que no existe
una relación estadísticamente significativa entre el nivel de eficiencia de aquéllas y la
51
“edad”, el “grado de especialización”, el “tamaño”, el “PIB regional” o el “número de
becarios”.
García-Aracil y Palomares-Montero (2008) realizan un análisis de eficiencia 43

universidades públicas españolas en el periodo 2002-2004, concluyendo que las
universidades situadas en las regiones más ricas, es decir, con mayor “PIB per capita
regional”, no siempre son más eficientes que aquéllas localizadas en las regiones más
pobres.
Santin y Sicilia (2012) identifican los factores determinantes de la eficiencia de la

educación secundaria en Uruguay utilizando los datos contenidos en PISA 2009. Para
ello, se plantea realizar un análisis en dos etapas. En primer lugar, se estima la eficiencia
educativa de cada uno de los centros educativos a través de un modelo DEA (Data
Envelopment Analysis), y posteriormente se regresan los índices estimados sobre
diversas variables asociadas a los centros y a los alumnos. Esta segunda etapa se lleva a
cabo mediante dos metodologías: un modelo de regresión censurada (Tobit)
convencional y diferentes modelos de regresión con bootstrap recientemente propuestos
en la literatura. Los resultados del estudio cuantifican en una media de un 7,5% los
comportamientos ineficientes en la producción educativa de los centros uruguayos
evaluados. Los resultados de la segunda etapa, establece que el incremento de recursos
educativos per se, como el aumento del número de profesores por grupo de alumnos, no
tiene efectos significativos sobre la eficiencia.
Moreno et al. (2018), analizan las diferencias de eficiencia y sus factores explicativos de
los estudiantes, según su pertenencia a escuelas públicas y privadas utilizando datos
PISA 2012 para Colombia. La metodología utilizada es no paramétrica order-m y el
enfoque meta frontera. Así mismo, aplicó un análisis de segunda etapa para determinar
los factores explicativos de la eficiencia. Los resultados muestran la existencia de
diferencias de eficiencia entre escuelas públicas y privadas, La influencia de los efectos
de los estudiantes y de la escuela como componentes de la ineficiencia; la identificación
de la influencia positiva sobre la eficiencia de la pertenencia de los alumnos a familias
monoparentales o nucleares frente a otro tipo de tutela, la influencia de la formación de
los padres, la pertenencia del alumno al grado que estudia, el mejor clima en el aula y la
52
localización de la escuela en el caso de la titularidad pública. El tamaño de la escuela no
resultó significativo.
53
CAPÍTULO II
PLANTEAMIENTO DEL PROBLEMA
2.1 Identificación del problema
A partir del año 2014, el Estado peruano inició la Reforma Universitaria, con la
aprobación de la nueva Ley Universitaria (Ley N° 30220). En el 2015 el Ministerio de
Educación, le dio contenido a la reforma a través de la Política de Aseguramiento de la
Calidad de la Educación Superior Universitaria. En razón de la necesidad de mejorar la
calidad promedio de los servicios educativos universitario, resultado del aumento de la
cobertura, la diversidad del sistema universitario y el deterioro de los indicadores
internos a las universidades (como el nivel de capacitación de los docentes, el estado de
la infraestructura, y el nivel de producción científica), y externos (como la
empleabilidad de los egresados y la dispersión salarial)
En ese contexto, la política institucional de la Universidad Nacional del Altiplano

expresa las orientaciones, decisiones y el mandato o voluntad de la autoridad de
gobierno, para la utilización eficiente de sus recursos humanos, presupuestales,
tecnológicos, de información y gerenciales; teniendo en cuenta el marco normativo
contenida en la Ley N° 30220, Ley Universitaria, en el Estatuto Universitario 2015,
políticas nacionales, sectoriales y reglas de decisión sobre temas de administración o
gestión de los sistemas administrativos. Busca impulsar la calidad académica en la
formación profesional de los estudiantes e implementar y garantizar la sostenibilidad del
sistema de gestión de calidad.
En tal sentido, la Universidad Nacional del Altiplano actualmente cuenta con licencia
institucional para ofrecer el servicio educativo superior universitario, otorgado por la
54
Superintendencia Nacional de Educación Superior Universitaria (SUNEDU), mediante
Resolución del Consejo Directivo N° 101-2017-SUNEDU/CD. Asimismo, la SUNEDU
ha realizado un ordenamiento de ranking universitario del país, en el cual lo considera a
esta Universidad en el onceavo lugar en el Ranking de las 33 mejores universidades del
país.
Por otra parte, la Ley exige que las universidades públicas deben contar con programas
acreditados, como reconocimiento público al cumplimiento de los estándares de calidad
establecidos; en razón de ello, la Universidad Nacional del Altiplano ha logrado la
aprobación de 26 programas académicos acreditados, con certificación oficial por el
Sistema Nacional de Evaluación y Certificación de la Calidad Educativa (SINEACE).
Sin embargo, en las últimas décadas las políticas educativas se han centrado en dotar de
mayores recursos al sistema, pero no se han logrado mejoras significativas en los
resultados académicos. Por ejemplo, Hanushek (1986, 2003) no encuentra una relación
directa y sistemática entre más recursos educativos y mejores resultados. Por lo tanto, es
oportuno formular la pregunta, ¿en qué medida la operación publica de la Universidad
Nacional del Altiplano es eficiente durante el periodo 2014 al 2018?. La importancia de
esta medida puede ser entendida como una herramienta adicional para la toma correcta
de decisiones a la hora de la asignación de recursos, o a la hora de plantear
modificaciones al sistema de prestación de servicios académicos dentro de la
Universidad.
En tal sentido, la eficiencia es un atributo básico de la calidad educativa universitaria, es

decir, el incremento en los niveles de calidad a partir del aumento de los índices de
eficiencia mediante el establecimiento de políticas en pro de mejora en cada una de las
variables objeto de análisis. En este mismo sentido, y en la actual coyuntura de
acreditación institucional y de los programas académicos que viven las escuelas
profesionales, el conocimiento del grado de eficiencia o de la magnitud de las
deficiencias en las variables propias del sistema universitario constituye una
información primordial.
Entendiendo del nivel de eficiencia de las Escuelas Profesionales que conforman la

Universidad Nacional del Altiplano constituye una fuente de información relevante para
55
la revisión de la gestión universitaria, así como para el diseño de políticas que
contribuyan al mejoramiento de los servicios de educación superior universitaria, y por
tanto, a una mayor satisfacción de las necesidades de educación superior de los
estudiantes.
El principal reto que se plantea en esta investigación es determinar los niveles de

eficiencia técnica relativa de las Escuelas Profesionales, estimando para ello una
frontera eficiente de producción, en base a los insumos de capital y trabajo que se
vienen empleando, esto con el fin de encontrar, para cada escuela profesional, la
combinación de insumos que maximice la relación producto por factor, e identificar
cuáles de ellas se gestionan correctamente, y cuáles lo hacen de manera incorrecta o por
debajo de sus posibilidades.
Existen diversas técnicas que ayudan a enfocar económicamente los problemas de

gestión pública (Álvarez, 2001). Pero las peculiaridades de la producción de servicios
en el Sector Público convierten unas técnicas en más idóneas que otras. Dentro de las
diferentes metodologías existentes, el Análisis Envolvente de Datos (DEA) (Coelli et
al., 1999; Charnes et al., 1994) se ha convertido en una técnica usualmente empleada
para evaluar la eficiencia, con la que actúan unidades tomadoras de decisiones, como es
en este caso las Escuelas Profesionales. El análisis de la eficiencia técnica con la que
actúan los Escuelas Profesionales, a través de la metodología DEA, permitirá
profundizar en el conocimiento de la tecnología de producción de los Escuelas
Profesionales y suministrará información para mejorar la eficiencia y, por tanto, facilitar
la gestión universitaria. En este contexto, el objetivo de este trabajo es analizar la
eficiencia técnica en las Escuelas Profesionales de la Universidad Nacional del
Altiplano.
En ese sentido, la interrogante que guía el presente trabajo de investigación es:
2.2 Enunciados del problema
2.2.1 Problema general
¿Cuál es el nivel de eficiencia técnica de los recursos públicos en la Universidad

Nacional del Altiplano en el periodo 2014-2018?
56
2.2.2 Problemas específicos
- ¿Cuáles son las escuelas profesionales eficientes e ineficientes de la

Universidad Nacional del Altiplano?
- ¿Cómo influye la condición del docente universitario sobre la eficiencia

del rendimiento académico del estudiante universitario?
- ¿Cómo influye el número de estudiantes por docente sobre la eficiencia del

rendimiento académico del estudiante universitario?
2.3 Justificación
Actualmente es una exigencia establecer criterios de racionalidad y eficiencia

económica en la gestión de las instituciones educativas públicas de los diferentes
niveles educativos, con el objetivo de mejorar en sus procesos, mediante la
identificación de algunas variables que puedan afectar esta gestión de forma
significativa. Por este motivo los gobiernos y organismos involucrados en la educación
superior están desarrollando estrategias para optimizar la eficiencia en las universidades
y así asegurar su correcto funcionamiento (Palomares, García, & Castro-Martínez,
2008).
En los últimos veinte años la Economía de la Educación está dirigiendo su atención de

forma creciente a la evaluación de la eficiencia interna de los centros educación
superior, principalmente públicos. El trabajo de investigación busca llevar a cabo una
aplicación empírica del Análisis Envolvente de Datos (DEA), con la finalidad de
analizar la eficiencia técnica en las escuelas profesionales de la Universidad Nacional
del Altiplano (UNA). Dicho análisis permitirá profundizar en el conocimiento de la
tecnología de producción de las escuelas profesionales y suministrará información para
mejorar la eficiencia y, por tanto, facilitar y mejorar la gestión universitaria.
El estudio de la eficiencia técnica de las instituciones de educación superior en los

últimos años se ha convertido en uno de los tópicos más relevantes para los estudiosos
de Economía de la Educación. En la actualidad, las condiciones económicas han
conducido a los gobiernos a enfatizar en el control y perseguir objetivos de eficiencia y
57
productividad en la asignación de recursos del sector público. Esta importante
preocupación ha encaminado a las instituciones educativas superiores a tener muy
presente la evaluación y el control de la financiación y dotación de recursos a las
instituciones públicas y, en particular, de las Universidades Nacionales.
La elaboración del presente trabajo de investigación se justifica por lo siguiente:
- El presente estudio investiga la eficiencia del uso de los insumos y recursos

públicos en las escuelas profesionales de la Universidad Nacional de Altiplano.
- La metodología aplicada del modelo DEA para medir la eficiencia relativa en el
uso de los recursos públicos en las escuelas profesionales como unidades de
decisión en la Universidad Nacional del Altiplano, puede ser extendido y aplicado
a otras Universidades Públicas del País.
- Las conclusiones del presente estudio tendrán consecuencias favorables en la
Universidad Nacional del Altiplano, dado que hará conocer un modelo de análisis
para considerar o mejorar la asignación de recursos y el uso de los mismos en las
Escuelas Profesionales de la Universidad Nacional del Altiplano.
El modelo permite la discusión para levantar la data necesaria que determine una mejor
medida de la eficiencia en el uso de los recursos en las Escuelas Profesionales y por
ende una mejor distribución y uso de los recursos que se les asignan.
Cabe resaltar que uno de los resultados de mucha utilidad al que se espera llegar con la
resolución de esta interrogante es la obtención de un mejor indicador del grado de
eficiencia relativa de las Escuelas Profesionales de la UNA, y que ayude a detectar, en
caso de su existencia, de recursos físicos y humanos ociosos.
2.4 Objetivos
2.4.1 Objetivo general
Determinar el nivel de eficiencia técnica de los recursos públicos en la

Universidad Nacional del Altiplano en el periodo 2014-2018.
58
2.4.2 Objetivos específicos
- Calcular el indicador de eficiencia técnica para identificar las escuelas

profesionales eficientes e ineficientes de la Universidad Nacional del
Altiplano.
- Determinar cómo influye la condición del docente universitario sobre la
eficiencia del rendimiento académico del estudiante universitario.
- Determinar cómo influye el número de estudiantes por docente sobre la
2.5 Hipótesis
2.5.1 Hipótesis general
El nivel relativo de eficiencia técnica de la Universidad Nacional del Altiplano se

encuentra determinado por variables como la ratio número de estudiantes por
docente, número de docentes nombrados, ratio de docentes varones con respecto a
docentes mujeres.
2.5.2 Hipótesis específicas
- Sobre la base de la construcción del indicador de eficiencia técnica, se

encontraría que escuelas profesionales son eficientes (IE = 1) y que
escuelas profesionales son ineficientes (IE < 1).
- A mayor número de docentes nombrados influye positivamente sobre la
- A mayor número de estudiantes por docente influye positivamente sobre la
59
CAPÍTULO III
MATERIALES Y MÉTODOS
3.1 Lugar de estudio
La Universidad Nacional del Altiplano de Puno fue fundada en 1856, sin embargo,
reapertura el 29 de abril de 1962 su actividad académica como Universidad Técnica del
Altiplano. Posteriormente fue cambiando la denominación de la universidad:
en 1961 fue nombrada Universidad Nacional Técnica del Altiplano, por Ley Nº 13516,
con las siglas UNTA; en 1983, Universidad Nacional del Altiplano, por la Ley Nº
23733, con las siglas UNA; y 2014, Universidad Nacional del Altiplano de Puno, por la
Ley Nº 30220, con las siglas UNAP. El 30 de diciembre de 2017, se publica la
Resolución del Consejo Directivo N° 101-2017-SUNEDU/CD, por el cual
la SUNEDU otorga la licencia institucional a la Universidad
La Universidad Nacional del Altiplano está fundamentada en el desarrollo científico y

humanístico de los estudiantes, tiene como misión “formar profesionales y
posgraduados calificados y competitivos; aportando a la sociedad los resultados de la
investigación científica, tecnológica y humanística, con identidad cultural y
responsabilidad social, que contribuyan al desarrollo sostenible de la región y del país"
y como visión "la Universidad Nacional del Altiplano, logra calidad académica y
resultados en la investigación; licenciada y acreditada; líder en la región sur,
posicionándose entre las mejores universidades del Perú, contribuyendo al desarrollo
sostenible de la región y del país ".
La Universidad Nacional del Altiplano oferta carreras profesionales para estudios de

pregrado, programas académicos de maestría y programas de doctorado.
60
Tabla 7
Escuelas profesionales de la UNAP
Área Facultad Escuela Profesional
INGENIERIAS CIENCIAS AGRARIAS Ingeniería Agronómica
Ingeniería Agroindustrial
Ingeniería Topográfica y Agrimensura
INGENIERÍA ECONÓMICA Ingeniería Económica
INGENIERÍA AGRÍCOLA Ingeniería Agrícola
INGENIERÍA CIVIL Y ARQUITECTURA Ingeniería Civil
Arquitectura y Urbanismo
Ciencias Físico – Matemáticas
INGENIERÍA ESTADÍSTICA E Ingeniería Estadística e Informática
INFORMÁTICA
INGENIERÍA GEOLÓGICA Y Ingeniería Geológica
METALURGIA
Ingeniería Metalúrgica
INGENIERÍA DE MINAS Ingeniería de Minas
INGENIERÍA QUÍMICA Ingeniería Química
INGENIERÍA MECÁNICA ELÉCTRICA, Ingeniería Mecánica Eléctrica
Ingeniería Electrónica
Ingeniería de Sistemas
BIOMEDICAS Medicina Veterinaria y Zootecnia
Biología
CIENCIAS DE LA SALUD Nutrición Humana
Odontología
ENFERMERÍA Enfermería
MEDICINA HUMANA Medicina Humana
SOCIALES CIENCIAS CONTABLES Y Ciencias Contables
ADMINISTRATIVAS
Administración
CIENCIAS DE LA EDUCACIÓN Educación Secundaria
Educación Física
Educación Primaria
Educación Inicial
TRABAJO SOCIAL Trabajo Social
CIENCIAS SOCIALES Sociología
Turismo
Antropología
Ciencias de la Comunicación Social
Arte
CIENCIAS JURÍDICAS Y POLÍTICAS Derecho
Fuente: Oficina de estadística de la OGPD - UNA
61
Ubicación
Región: Puno
Provincia: Puno
Distrito: Puno
Localidad: Ciudad Universitaria
Coordenadas:
UTM: 19L, 391160.95 m E, 8250194.32 m S
Altitud: 3831 msnm
Licenciamiento y acreditación
La Universidad cuenta con licencia institucional de funcionamiento para ofrecer el

servicio educativo superior universitario, otorgado con resolución del Consejo Directivo
N° 101-2017-SUNEDU/CD. Por otro lado, en la actualidad, la Universidad cuenta con
26 programas acreditados con certificación oficial por el SINEACE.
62
Tabla 8
Escuelas Profesionales Acreditadas por SINEACE de la Universidad Nacional del Altiplano
Nº Escuela Profesional Programa Vigencia Estado Resolución Fecha
expedición
Ingeniería Agronómica Ingeniería Agronómica Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 453-2017-SINEACE/CDAH-P 20/12/2017
1
Medicina Veterinaria y Medicina Veterinaria y Zootecnia Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 196-2017-SINEACE/CDAH-P 19/05/2017
2
Zootecnia
Ingeniería Económica Ingeniería Económica Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 162-2015-SINEACE/CDAH-P 10/12/2015
3
Contabilidad Ciencias Contables Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 054-2016-SINEACE/CDAH-P 20/05/2016
4
Administración Administración Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 196-2017-SINEACE/CDAH-P 19/05/2017
5
Enfermería Enfermería Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 210-2017-SINEACE/CDAH-P 19/05/2017
6
Sociología Sociología Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 259-2017-SINEACE/CDAH-P 12/06/2017
7
Turismo Turismo Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 454-2017-SINEACE/CDAH-P 20/12/2017
8
Antropología Antropología Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 053-2016-SINEACE/CDAH-P 20/05/2016
9
Ciencias de la Ciencias de la Comunicación Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 166-2017-SINEACE/CDAH-P 28/04/2017
10
Comunicación Social Social
Arte Arte: Música Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 452-2017-SINEACE/CDAH-P 20/12/2017
11
Ingeniería Estadística e Ingeniería Estadística e Informática Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 039-2017-SINEACE/CDAH-P 23/02/2017
12
Informática
Educación Secundaria Educación Secundaria de la Vigencia (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 166-2016-SINEACE/CDAH-P 03/11/2016
13
Especialidad de Ciencias Sociales
Educación Secundaria Educación Secundaria de la Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 167-2015-SINEACE/CDAH-P 21/12/2015
14
Especialidad de Lengua, Literatura,
Psicología y Filosofía
Educación Física Educación Física Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 238-2016-SINEACE/CDAH-P 22/12/2016
15
Educación Primaria Educación Primaria Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 008-2016-SINEACE/CDAH-P 20/01/2016
16
Educación Inicial Educación Inicial Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 167-2015-SINEACE/CDAH-P 21/12/2015
17
Ingeniería Química Ingeniería Química Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 210-2016-SINEACE/CDAH-P 19/12/2016
18
Nutrición Humana Nutrición Humana Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 135-2017-SINEACE/CDAH-P 24/04/2017
19
Odontología Odontología Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 196-2017-SINEACE/CDAH-P 19/05/2017
20
Ingeniería de Minas Ingeniería de Minas Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 039-2017-SINEACE/CDAH-P 23/02/2017
21
Derecho Derecho Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N°173-2017-SINEACE/CDAH-P 08/05/2017
22
Ingeniería Geológica Ingeniería Geológica Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 056-2017-SINEACE/CDAH-P 03/03/2017
23
Ingeniería Metalúrgica Ingeniería Metalúrgica Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 196-2017-SINEACE/CDAH-P 19/05/2017
24
Ingeniería Mecánica Ingeniería Mecánica Eléctrica Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 207-2017-SINEACE/CDAH-P 19/05/2017
25
Eléctrica
Ingeniería Electrónica Ingeniería Electrónica Vigente (3 años) Acreditada Resolución de Consejo Directivo Ad Hoc N° 056-2017-SINEACE/CDAH-P 03/03/2017
26
Total 26
FUENTE: SINEACE, Resolución Rectoral N° 4646-2016-R-UNA
Elaborado por la Oficina de Planeamiento Estratégico – OGPD-UN
3.2 Población
La población son las “unidades tomadoras de decisiones” (DMU) que son las 35
escuelas profesionales (estudiantes y docentes universitarios) que conforman la
Universidad Nacional del Altiplano, las que han sido analizadas en el uso eficiente de
los recursos correspondiente de los años 2014 al 2018.
3.3 Muestra
La muestra y la población son iguales, se determinó con los datos que se consideraron
corresponden a los inputs y outputs que utilizan las escuelas profesionales que son un
total de 10 por escuela profesional, haciendo un total de 350 observaciones por año para
determinar el nivel de eficiencia de las escuelas profesionales para la actividad del
rendimiento académico.
3.4 Método de investigación
3.4.1 Tipo y diseño de investigación
3.4.1.1 Tipo de Investigación

La investigación es explicativa de carácter cuantitativo, no paramétrico,
determinista y se vale de la programación estadística de optimización.
- El estudio se realiza teniendo como base los datos observados de la
realidad.
- Busca explicar con objetividad las variables de estudio.
- El análisis es de la realidad empírica de un caso de estudio.
- La medida de eficiencia de las escuelas profesionales evaluadas es
relativa en relación a una o un conjunto de facultades que lograron los
mejores resultados que las califican de eficientes.
- Cuantifica la cantidad mínima de recursos que se necesitan para un nivel
de producto o la mayor producción que puede realizarse con un nivel de
recursos.
3.4.1.2 Diseño de la Investigación

El tipo de diseño es determinista, no experimental, correlacional y de datos
de panel (Sincrónicas)
64
3.4.2 Operacionalización de variables
Tabla 9
Operacionalización de variables para el cálculo de la eficiencia educativa DEA
Variable Dimensión Indicador Instrumento

Variable Dependiente
Rendimiento Reporte estadístico de
Output académico Número de alumnos datos secundarios
aprobados o invictos
Variables Independientes
Recursos físicos Número de aulas Reporte estadístico de
datos secundarios
Numero de Reporte estadístico de
laboratorios datos secundarios
Numero de bibliotecas Reporte estadístico de
datos secundarios
Recursos Número de alumnos Reporte estadístico de
Humanos matriculados datos secundarios
Ratio alumnos por Reporte estadístico de
Input docente datos secundarios
Número de personal Reporte estadístico de
docente datos secundarios
Número de docentes Reporte estadístico de
nombrados datos secundarios
Ratio docentes Reporte estadístico de
varones por docente datos secundarios
mujer
Número de personal Reporte estadístico de
administrativo datos secundarios
65
Tabla 10
Operacionalización de variables para el modelo Tobit de eficiencia educativa
Variable Notación Indicador Instrumento

Variable dependiente
Eficiencia DEA THETA Nivel de eficiencia DEA con Stata.
educativa (θ ≤ 1)
Variables independientes
Aulas AUL Número de aulas Reporte estadístico de
datos secundarios
Laboratorios LAB Numero de Reporte estadístico de
laboratorios datos secundarios
Bibliotecas BIB Numero de Reporte estadístico de
bibliotecas datos secundarios
Alumnos AMAT Número de alumnos Reporte estadístico de
matriculados datos secundarios
ADOC Ratio alumnos por Reporte estadístico de
Docentes DOC Número de personal Reporte estadístico de
DOCN Número de docentes Reporte estadístico de
nombrados datos secundarios
DOCVM Ratio docentes Revisión estadística
varones por docente de datos secundarios
mujer
Administrativos ADM Número de personal Revisión estadística
administrativo de datos secundarios
3.4.3 Técnicas de recolección de datos
Dentro de las técnicas e instrumentos de recolección de datos, para el presente

trabajo de investigación se utilizará la revisión documental y la revisión
estadística.
3.4.3.1 Revisión documental
Se utilizó la técnica de revisión documental de aquellos textos de mayor

relevancia que hacen referencia a los objetivos anteriormente planteados.
Mediante este método se procederá a la recopilación de información
requerida para el estudio, entre ellas, documentos de gestión y trabajos de
investigación de la Universidad Nacional del Altiplano, textos a fines,
otras publicaciones, etc.
3.4.3.2 Revisión estadística

Se realizo la revisión estadística de datos observados de los alumnos
matriculados, alumnos invictos, características de los docentes
66
universitarios, infraestructura con que se cuenta (aulas académicas,
laboratorios y bibliotecas) de las escuelas profesionales y esta información
se encuentra en la Oficina de Estadística, Oficina de Recursos Humanos,
Oficina de Infraestructura y Oficina de Vicerrectorado de Investigación de
la Universidad Nacional del Altiplano.
Tabla 11
Recolección de datos para la investigación
Nro Datos Fuente

1 Número de estudiantes matriculados Oficina de estadística de la
por escuela profesional OGPD – UNA
2 Estudiantes invictos por escuela Oficina de estadística de la
profesional OGPD – UNA
3 Docentes universitarios por escuela Oficina de estadística de la
profesional OGPD – UNA y Oficina de
Recursos Humanos de la UNA
4 Condición del docente universitario Oficina de estadística de la
(nombrados y contratados) por OGPD – UNA y Oficina de
escuela profesional Recursos Humanos de la UNA
5 Genero del docente universitario Oficina de estadística de la
(varón o mujer) por escuela OGPD – UNA y Oficina de
profesional Recursos Humanos de la UNA
6 Número de aulas académicas por Oficina de Infraestructura de la
escuela profesional UNA Puno
7 Número de laboratorios por escuela Oficina de Vicerrectorado de
profesional Investigación - VRI
8 Número de bibliotecas por escuela Oficina de Vicerrectorado de
profesional. Investigación – VRI
3.4.4 Tratamiento de los datos
El procesamiento de la información recopilada implica la clasificación,

sistematización y/o tabulación de los datos estadísticos, que se realizara de
acuerdo a los objetivos propuestos en el trabajo teniendo en cuenta por una parte
el Análisis Envolvente de Datos – DEA propuesto por Charnes et. al. (1978) para
la medición de la eficiencia técnica de las escuelas profesionales de la
Universidad Nacional del Altiplano; y por otro lado, la estimación del modelo
Tobit de eficiencia técnica DEA, para la identificación de sus determinantes. En el
procesamiento de los datos se ha utilizado el software estadístico Microsoft Excel
y el software econométrico Stata 15.
67
El modelo DEA para medir la eficiencia en el uso de los recursos de las
Escuelas Profesionales de la Universidad Nacional del Altiplano.
En cuanto a la metodología utilizada, el Análisis Envolvente de Datos,

desarrollado por Charnes et al. (1978), a partir del trabajo seminal de Farrell
(1957), tiene por objeto la medición de la eficiencia de lo que sus autores
denominaron “unidades tomadoras de decisiones” (DMU), unidades que se deben
caracterizar por consumir el mismo tipo de inputs para la obtención del mismo
tipo de outputs, esto es, deben ser unidades homogéneas. El DEA trata de definir
la frontera de producción empírica formada por las mejores unidades observadas,
para posteriormente cuantificar el grado de eficiencia de las observaciones que
forman parte de la muestra, es decir, su distancia en relación con la frontera. Así,
el DEA compara a cada unidad únicamente con las mejores unidades observadas,
siendo el indicador de eficiencia que se obtiene relativo.
Tabla 12
Modelos DEA para medir la eficiencia técnica
Orientation Constant Return to Variable Return to

Scale - CRS Scale – VRS
Input Oriented Min θ Min θ
s.t. θxA - Xλ ≥ 0 s.t. θxA - Xλ ≥ 0
Yλ -yA ≥ 0 Yλ -yA ≥ 0
λ≥0 eλ=1
λ≥0
Output Oriented Max η Max η
s.t. xA - Xμ ≥ 0 s.t. xA - Xμ ≥ 0
ηyA -yμ ≤ 0 ηyA -yμ ≤ 0
μ≥0 eλ=1
μ≥0
En el modelo inicial de Charnes et al. (1978), la medida de eficiencia es la razón

entre la suma ponderada de entradas y de salidas de cada DMU, con la restricción
de que este índice debe ser positivo y menor que la unidad (IE ≤ 1).
68
El utilizado los 4 modelos para medir la eficiencia de las escuelas profesionales
de la Universidad Nacional del Altiplano, así tenemos que primero se realizaron
medidas de eficiencia parcial de 5 input-1 output, 2 inputs y 1 output, 1 inputs y 1
outputs, que orientan el conocimiento de las escuelas profesionales eficientes en
un proceso de producción con rendimientos a escala constante, luego se
relacionaron (combinaron) los insumos y los productos para aplicar el modelo
DEA-CRS envolvente input-orientado, el modelo DEA CRS- envolvente output
orientado, el modelo DEA-VRS envolvente input-orientado, el modelo DEA
VRS- envolvente output orientado, todo ello con la finalidad de observar la
coherencia de la medida de eficiencia en las diferentes escuelas profesionales de
la universidad y finalmente para las recomendaciones se ha considerado el modelo
DEA-CRS envolvente output-orientado dado que la asignación de los recursos
(inputs) son rígidos en una universidad.
En la aplicación en el modelo DEA se seguirán las siguientes etapas:
- Se establecieron las unidades de decisión para determinar las medidas de

eficiencia como son las escuelas profesionales de la Universidad Nacional
del Altiplano.
- Se identificaron las variables de análisis de los factores productivos –
productos con las que realizaron actividades las escuelas profesionales de
la Universidad Nacional del Altiplano.
- Se formuló la relación inputs-outputs relevantes que determinara el nivel
de eficiencia con que trabajan las escuelas profesionales de la Universidad
Nacional del Altiplano.
- Se identificó los modelos DEA (Data Envelopment Analysis): el DEA-
CRS input – orientad, el DEA-CRS output-orientado, el DEA-VRS input –
orientad, el DEA-VRS output-orientado para determinar la medida de
eficiencia.
- Se aplicó los 4 modelos DEA que determinaron los resultados de la
eficiencia en el uso de los recursos de cada una de las escuelas
profesionales evaluadas de la Universidad Nacional del Altiplano,
identificándose además la tipología de los rendimientos a escala con que
realizaron sus actividades.
69
- Se analizará los resultados determinándose las escuelas profesionales
relativamente eficientes y las escuelas profesionales relativamente
ineficientes y su conjunto de referencia formado por las escuelas
profesionales eficientes.
- Se determinó el DEA-VRS output-orientado como adecuado para la
educación universitaria, debido a que en una universidad no existen
muchos grados de libertad para influir en los inputs; así, la orientación
seleccionada para este estudio es hacia el output. (Johnes, 2006; Rivero,
2006 y Hung, 2008). En relación a la selección de la escala de
rendimiento, es necesario considerar rendimientos variables de escala dada
la heterogeneidad de los tamaños de las unidades.
La investigación de la medida de eficiencia se realizó con variables comunes a

todas las escuelas profesionales y por tanto reunieron el requisito de ser variables
homogéneas y medibles tanto en los recursos que se utilizaran como en los
productos que obtendrán, de lo contario se hubiera efectuado con variables que no
eran comparables entre las escuelas profesionales. Por tanto, en las variables
elegidas que son comunes y globales como inputs y outputs se trata de evitar el
problema de heterogeneidad que pudieron haberse presentado con los otros
recursos físicos que utilizaron las unidades de decisión que se evaluaron como son
de las áreas de ciencias sociales e ingenierías.
Modelo Tobit para los determinantes de la eficiencia técnica DEA
El método prevalente para encontrar los determinantes de las brechas de eficiencia

entre las DMU en la literatura está utilizando el análisis de regresión de Tobit
porque las puntuaciones de eficiencia están censuradas para lo anterior el valor
máximo del puntaje de eficiencia. El análisis de regresión Tobit utiliza los
puntajes de eficiencia como la variable dependiente para los posibles candidatos
de variables influyentes, ver por ejemplo Lee, Lee y Kim (2009). Tobin propuso
entonces modelizar este tipo de situaciones empleando la siguiente especificación:
70
y*i = xiβ + ε εi ̸ xi ~ N(0, σ2)
y*i = max (0, y*i)
El modelo supone que existe una variable latente (no observable por ejemplo) y*t.
Esta variable depende linealmente de Xi a través de un parámetro (vector) β que
determina la relación entre la variable independiente (o vector) X i y la variable
latente y*t (Tal como en un modelo lineal). Además, hay un término de error εi
con una distribución normal para captar las influencias aleatorias en esta relación.
La variable observable y t se define como igual a la variable latente cuando la
variable latente es superior a cero y cero en caso contrario.
Supuesto de linealidad
• La regla de observabilidad de los modelos censurados establece que y es

observable si y* > c.
• Dado el supuesto de linealidad, la anterior desigualdad se puede expresar de

manera equivalente como:
β0 + β1x1+ … + βk-1 xk-1 + εi ˃ c
(β0 – c) + β1x1+ … + βk-1 xk-1 + εi ˃ 0
• Solo la diferencia β− c está identificada.
• La constante del modelo solo está identificada si el umbral de censura es cero (c

= 0)
Supuesto de normalidad y homocedasticidad
• Estos supuestos facilitan la derivación del logaritmo de la función de

verosimilitud.
Ln L = Σ{diln f* (y ̸ x, θ) + (1-di) ln F* (ci ̸ x, θ)}
71
• Permiten definir:
f* (y ̸ x, θ) = ½ [ ln (2π) +ln σ2 + (yi – xiβ)2/ σ2]
F*(ci ̸ x, θ) = Pr(y* ≤ 0 ̸ x) = Pr(xβ + ε ≤ 0 ̸ x) = 1 - ɸ(xiβ/ σ)
• Entonces:
Ln L = Σ{diln f* (y ̸ x, θ) + (1 - di ln F* (ci ̸ x, θ)}
= Σ{di [- ½ [ ln (2π) +ln σ2 + (yi – xiβ)2/ σ2]] + (1 - di )ln [1 - ɸ(xiβ/ σ)]}
• Por otro lado, los supuestos de Normalidad y homocedasticidad permiten derivar

una expresión para E (y|x).
• La esperanza es:
E (y/x) = 0.Pr(y = 0/x) + E(y/x,y ˃ 0). Pr(y ˃ 0/x) = E(y/x,y ˃ 0). Pr(y ˃ 0/x).
• Bajo los supuestos enunciados:
Pr(y ˃ 0/x) = Pr(y* ˃ 0/x) = Pr(ε ˃ - xiβ/x) = Pr (ε/σ ˃ - xiβ/σ/x)
= 1 - ɸ(-xiβ/ σ) = ɸ(xiβ/ σ)
E(y/x,y ˃ 0) = xiβ + E(ε/ε ˃ - xiβ + σ[ ø (xiβ/σ)/ ɸ(xiβ/σ)]
• En consecuencia:
E(y/x) ={ xiβ + σ[ ø (xiβ/σ)/ ɸ(xiβ/σ)]} ɸ(xiβ/σ) = [xiβ + σ.λ(xiβ/σ)] ɸ(xiβ/σ)
• Donde:
λ(xiβ/σ = ø (xiβ/σ)/ ɸ(xiβ/σ)
• Es la inversa del ratio de Mills (o hazard función) evaluada en xβ/σ
• La expresión (no lineal) obtenida para E (y|x) sugiere que, dada la naturaleza
mixta de la distribución, el estimador MCO no resultara apropiado para el
modelo Tobit.
• ¿Qué ocurriría si en lugar de intentar estimar β partir de E (y|x) lo hiciéramos a

partir de E (y | x,y > 0)?
72
• La regresión resultante sería más sencilla, pero el problema en ese caso radicaría
en la presencia de la inversa del ratio de Mills como variable explicativa.
Efecto marginal
• El efecto marginal que presenta la beta estimado es sobre la variable latente y*

ϑE(y*/x) / ϑx = β
• El coeficiente estimado debe ajustarse para ser interpretado como efecto

marginal sobre la variable y
• Un cambio en la variable explicativa x tiene dos efectos sobre E (y|x): por un

lado, afecta a la media condicional de la variable dependiente en la parte positiva
de la distribución y por otro lado afecta a la probabilidad de que la observación
pertenezca a esa parte de la distribución
• En el modelo Tobit:
ϑE(y/x) / ϑx = β ɸ(xiβ/σ)
• En general se evalúa para las variables explicativas en las medias muestrales
Especificación del modelo Tobit eficiencia DEA
THETAi = β0 + β1 Xi + εi
Donde:
THETAi : Representa la Eficiencia DEA de cada escuela profesional
Xi: Representa a las variables explicativas o determinantes de la eficiencia DEA

de cada escuela profesional.
εi : Representa el termino de error.
Los modelos DEA permiten diferenciar las DMU eficientes de aquellas que no lo
son, identificando el valor del indicador de eficiencia è para cada una de ellas. Sin
embargo, una vez obtenido el valor de este indicador, resulta relevante considerar
73
cuáles son sus determinantes. Este análisis se realiza estimando una regresión del
indicador è en función de una o más variables latentes mediante un modelo Tobit
para contemplar el hecho de que è se encuentra truncado.
3.4.5 Análisis e interpretación de los datos
La información obtenida y procesada es analizada e interpretada utilizando los

métodos o test estadísticos generales y específicos que se emplean en trabajos de
investigación de esta naturaleza, el cual supone la búsqueda de sentido y grado de
significación de los datos recolectados que servirán para contrastar las hipótesis
planteadas.
Principales contrastes estadísticos a utilizar:
- Prueba de Z- Stadistic. - Es un contraste similar a la prueba t, sirve para

ver el nivel de significancia individual de los coeficientes, bajo la hipótesis
nula: Ho: β i = 0 (el coeficiente no es estadísticamente significativo en el
modelo).
- Test de Razón de Verosimilitud. - Esta prueba contrasta la hipótesis nula
de que los coeficientes del modelo son todos iguales a cero (excepto la
constante), es decir, no son significativos. El test de LR constituye otra
manera de llevar a cabo la hipótesis acerca de parámetros, es análogo a la
prueba F. El estadístico LR se distribuye como una X2 con k grados de
libertad. Hipótesis nula: Ho : B1 = B2 = B3...= Bk = 0 (los coeficientes no
son estadísticamente significativos). El estadístico se calcula con la
siguiente formula: LR chi2(k) = -2(LnLr – Lnli).
- Pseudos R2 de Mc Fadden. - Este estadístico toma valores entre 0 y 1 y
puede ser leído como el R2 de los modelos l lineales. La forma de
construir el estadístico es simple pues se trata de una relación entre el
modelo actual (irrestricto) y un modelo que será más simple, el que provee
menos información (restricto). En este modelo el modelo restricto será
aquel que solo contenga como variable explicativa la constante. Un R 2 de
Mc Fadden mayor a 0.5 estamos ante un muy buen modelo, R 2 de Mc
Fadden valores entre 0.3 y 0.5 estamos ante un buen modelo y R 2 de Mc
74
Fadden valores menores a 0.1 indican que el modelo analizado no es
bueno para clasificar a los individuos.
3.5 Descripción detallada de métodos por objetivos específicos
Asimismo, para alcanzar los objetivos y para poder determinar la veracidad o no

de la hipótesis del presente trabajo de investigación se utilizó los métodos de
análisis, síntesis, deducción y como herramienta econométrica de estimación
máxima verosimilitud (MV), lo que permitirá aproximar los objetivos planteados
para contrastar la hipótesis.
Métodos de Análisis y síntesis
Se empleó el método analítico para alcanzar el primer objetivo en la verificación

de detalles minuciosos del comportamiento y las características individuales de la
eficiencia técnica en las escuelas profesionales de la Universidad Nacional del
Altiplano. Se empleó el método de la síntesis para alcanzar el primer objetivo al
observar el comportamiento en conjunto de las variables y que permitirá
establecer el tipo de relación existente entre los recursos que se utilizan y los
productos que se obtienen en cada una de las escuelas profesionales de la
universidad nacional del Altiplano.
Para determinar la eficiencia del uso de los recursos hemos utilizado el método de
análisis DEA que es el que se utiliza para medir la eficiencia en las entidades del
sector público y se ha extendido para las entidades del sector privado. Este
método DEA es una técnica no paramétrica, determinista que se basa en la
programación estadística. Con la aplicación del método DEA en la medición de la
eficiencia entre las Escuelas Profesionales de la Universidad Nacional del
Altiplano y según la orientación de las variables (input, output-orientado) se
determinó la eficiencia relativa de las escuelas profesionales que conforman la
Universidad Nacional del Altiplano.
75
Método deductivo
Se empleó el método deductivo para alcanzar el segundo y tercer objetivo de la

investigación, al determinar el grado de influencia de los factores que influyen la
eficiencia técnica en las escuelas profesionales de la Universidad Nacional del
Altiplano. El método deductivo, o partiendo de lo general a lo particular. El
método deductivo nos permitirá formular ecuaciones del modelo, por intermedio
de reducción de variables no significativas en las estimaciones del modelo con el
uso de la econometría. Es decir, consiste en encontrar el proceso generador de
datos, que partiendo de una especificación lo más amplia posible, para luego ir
reparametrizando parsimoniosamente, utilizando criterios de significación
estadística, hasta hallar una ecuación que nos provea resultados razonables y
acordes a la teoría económica. La reducción de la ecuación es producto de los
datos y resultados de los test estadísticos.
Máxima verosimilitud como herramienta econométrica
La econometría nos permite utilizar diferentes herramientas de estimación, por lo

cual, en el presente trabajo de investigación se empleará la herramienta
econométrica de Máxima Verosimilitud (MV) para alcanzar el segundo y tercer
objetivo en la estimación de las ecuaciones de causa y efecto que consiste en
estimar parámetros de modo tal que la probabilidad de observar y sea lo máximo
posible.
(Yi − 1 −  2 X i )2
Maximizar (Ln FV) = -n/2 Ln 2 – n/2 Ln (2) – ½ 
2
Máxima Verosimilitud consiste en estimar los parámetros tal que la probabilidad

de observar y dado x sea lo más alta posible (máxima). Este es generalmente un
método para muestras grandes, por lo que las propiedades de los estimadores son
asintóticas.
76
Función máximo verosímil
n
n
f(Y1, Y2, …Yn) =   PiYi (1 − Pi )1−Yi
fi (Yi )
=
i =1
1
En logaritmos, tenemos:
n
Ln f(Y1, Y2, …Yn) =  [Yi Ln(Pi ) + (1− Yi )Ln(1− Pi )] =
i=1
n n
 [Yi Ln(Pi ) − Yi Ln(1− Pi ) + Ln(1− Pi)] =  [YiLnPi /(1− Pi )]+  Ln(1− Pi)
i =1 i =1 1
n n
Ln f(Y1, Y2, …Yn) =  Yi (1 +  2 X i ) +
i =1

i =1
Ln(1 + e 1 + 2 Xi )
Diferenciando la función máximo verosímil con respecto de  se obtiene solución

no lineal en parámetros.
77
CAPÍTULO IV
RESULTADOS Y DISCUSIÓN
4.1 Resultados
4.1.1 Medición de la eficiencia técnica DEA en las escuelas profesionales
A continuación presentamos los resultados obtenidos del cálculo de la

eficiencia técnica en el uso de los recursos, de acuerdo a los 4 los modelos
DEA (Data Envelopment Analysis) de cada una de las escuelas
profesionales evaluadas de la Universidad Nacional del Altiplano,
identificándose además la tipología de los rendimientos a escala con que
realizaron sus actividades: el DEA-CRS input – orientad, el DEA-CRS
output-orientado, el DEA-VRS input – orientad, el DEA-VRS output-
orientado para determinar la medida de eficiencia.
4.1.1.1 Modelo de eficiencia DEA – CRS orientado a input
78
Tabla 13
Eficiencia DEA – CRS orientado a input según escuela profesional UNAP periodo 2014
- 2018
Escuela profesional Theta Theta Theta Theta Theta Theta Var.
2014 2015 2016 2017 2018 Promedio %
2014-2018
Ingeniería Agronómica 0.40 0.42 0.52 0.61 0.64 0.52 59.88
Ingeniería Agroindustrial 0.61 0.71 0.43 0.75 0.76 0.65 24.10
Ingeniería Topográfica y 0.57 0.77 0.69 0.89 0.85 0.75 50.04
Agrimensura
Ingeniería Económica 0.81 0.81 0.69 0.69 0.79 0.76 -2.74
Ingeniería Agrícola 0.54 0.59 0.59 0.62 0.51 0.57 -5.64
Ingeniería Civil 0.34 0.33 0.38 0.39 0.56 0.40 64.29
Arquitectura y Urbanismo 0.52 0.63 0.64 0.77 0.81 0.67 54.87
Ciencias Físico - 0.38 0.54 0.45 0.59 0.59 0.51 57.54
Matemáticas
Ingeniería Estadística e 0.36 0.51 0.56 0.66 0.65 0.55 81.75
Informática
Ingeniería Geológica 0.42 0.39 0.36 0.50 0.65 0.47 54.50
Ingeniería Metalúrgica 0.45 0.50 0.52 0.54 0.59 0.52 31.45
Ingeniería de Minas 0.74 0.75 0.69 0.68 0.75 0.72 1.20
Ingeniería Química 0.42 0.38 0.48 0.57 0.61 0.49 45.07
Ingeniería Mecánica 0.43 0.49 0.44 0.55 0.59 0.50 37.85
Eléctrica
Ingeniería Electrónica 0.45 0.44 0.44 0.44 0.66 0.48 46.65
Ingeniería de Sistemas 0.37 0.34 0.47 0.52 0.62 0.46 66.68
Medicina Veterinaria y 0.23 0.34 0.37 0.41 0.42 0.35 86.37
Zootecnia
Biología 0.46 0.58 0.61 0.70 0.80 0.63 72.12
Nutrición Humana 0.55 0.50 0.65 0.68 0.80 0.64 44.61
Odontología 0.78 1.00 0.62 0.71 0.82 0.79 4.52
Enfermería 0.83 0.94 1.00 0.97 1.00 0.95 20.64
Medicina Humana 0.61 0.80 0.79 0.76 0.80 0.75 31.09
Ciencias Contables 1.00 1.00 1.00 1.00 1.00 1.00 0.00
Administración 0.82 0.74 0.75 0.79 0.90 0.80 9.51
Educación Secundaria 0.62 1.00 1.00 1.00 1.00 0.92 61.87
Educación Física 1.00 0.72 0.79 0.66 0.64 0.76 -35.77
Educación Primaria 0.68 1.00 1.00 0.96 0.97 0.92 41.64
Educación Inicial 1.00 1.00 1.00 1.00 1.00 1.00 0.00
Trabajo Social 0.89 1.00 1.00 1.00 1.00 0.98 11.82
Sociología 0.92 1.00 1.00 1.00 1.00 0.98 8.13
Turismo 0.80 0.80 0.73 0.78 0.72 0.77 -11.03
Antropología 0.87 1.00 1.00 1.00 1.00 0.97 15.15
Ciencias de la 0.65 0.64 0.59 0.68 0.82 0.68 25.74
Comunicación Social
Arte 1.00 1.00 0.85 0.91 1.00 0.95 0.00
Derecho 0.92 0.90 0.87 0.93 0.89 0.90 -2.42
Fuente: Datos obtenidos de data emvelopment analysis por Stata 15.
79
En la Tabla 13, reúne los datos calculados que corresponden a la
eficiencia DEA – CRS orientado a input según escuela profesional de la
Universidad Nacional de Altiplano para el periodo 2014 - 2018, los
resultados muestran que la escuela profesional de odontología es
eficiencia en el año 2015, enfermería es eficiente en los años 2016 y 2018,
ciencias contables es eficiente en todos los años 2014 al 2018, educación
secundaria es eficiente desde el 2015 al 2018, educación física es eficiente
en el año 2014, educación primaria es eficiente en los años 2015 y 2016,
educación inicial es eficiente en todos los años 2014 al 2018, trabajo social
es eficiente desde el año 2015 al 2018, sociología es eficiente a partir del
año 2015 al 2018, antropología es eficiente desde el año 2015 al 2018 y
arte es eficientes en los años 2014, 2015 y 2018. Por otro lado, todas las
escuelas profesionales del área académica ingeniería son ineficientes
durante el periodo 2014 al 2014; de igual manera las escuelas
profesionales del área académica biomédicas ineficientes son: Medicina
veterinaria y zootecnia, biología, nutrición humana y medicina humana. Y
las escuelas profesionales del área académica social ineficiente son:
Administración, turismo y Ciencias de la Comunicación Social durante el
periodo 2014 al 2018.
4.1.1.2 Modelo de eficiencia DEA – CRS orientado a output
80
Tabla 14
Eficiencia DEA – CRS orientado a output según escuela profesional UNAP periodo
2014 - 2018
2014 2015 2016 2017 2018 Promedio %
2014-2018
Agrimensura
Ingeniería Agrícola 0.41 0.46 0.48 0.59 0.51 0.49 25.08
Arquitectura y 0.37 0.41 0.42 0.61 0.67 0.49 82.24
Urbanismo
Ciencias Físico - 0.36 0.54 0.43 0.59 0.59 0.50 62.73
Matemáticas
Informática
Eléctrica
Zootecnia
Biología 0.44 0.56 0.58 0.70 0.80 0.61 83.68
Odontología 0.41 0.55 0.37 0.50 0.65 0.50 58.59
Enfermería 0.65 0.71 0.77 0.86 0.90 0.78 38.11
Medicina Humana 0.51 0.65 0.63 0.69 0.72 0.64 43.02
Administración 0.74 0.72 0.69 0.79 0.86 0.76 16.62
Educación Secundaria 0.62 0.72 0.71 0.77 0.82 0.73 32.76
Trabajo Social 0.62 0.68 0.75 0.86 0.84 0.75 34.45
Sociología 0.69 0.80 0.84 0.84 0.89 0.81 27.58
Turismo 0.75 0.76 0.65 0.77 0.71 0.73 -4.90
Antropología 0.64 0.73 0.74 0.81 0.87 0.76 35.57
Ciencias de la 0.57 0.57 0.51 0.67 0.80 0.62 39.51
Arte 0.49 0.46 0.42 0.50 0.66 0.51 36.05
Derecho 0.80 0.80 0.73 0.90 0.83 0.81 2.76
81
En la Tabla 14, reúne los datos calculados que corresponden a la eficiencia
DEA – CRS orientado a output según escuela profesional de la
resultados muestran que las escuelas profesionales del área social
eficientes con rendimientos constantes a escala son: Educación primaria en
los años 2015 y 2016 y educación inicial en los años 2014, 2017 y 2018.
Por otro lado, todas las escuelas profesionales del área académica
ingeniería y biomédicas son ineficientes durante el periodo 2014 al 2018.
4.1.1.3 Modelo de eficiencia DEA – VRS orientado a input
82
Tabla 15
Eficiencia DEA – VRS orientado a input según escuela profesional UNAP periodo 2014
- 2018
2014 2015 2016 2017 2018 Promedio %
2014 2018
Agrimensura
Arquitectura y 0.38 0.41 0.44 0.61 0.67 0.50 77.95
Urbanismo
Ciencias Físico - 0.58 1.00 1.00 1.00 1.00 0.92 71.72
Matemáticas
Informática
Eléctrica
Zootecnia
Biología 0.48 0.58 0.59 0.72 0.82 0.64 71.82
Odontología 0.44 0.55 0.50 0.61 0.77 0.58 76.02
Enfermería 0.69 0.74 0.87 0.86 0.92 0.82 33.68
Medicina Humana 0.53 0.66 0.64 0.71 0.74 0.66 41.19
Administración 0.80 0.76 0.77 0.79 0.89 0.80 10.99
Educación Secundaria 1.00 0.77 0.81 0.78 0.89 0.85 -11.01
Educación Física 0.75 0.87 0.83 0.76 0.81 0.80 8.29
Trabajo Social 0.66 0.72 0.85 0.88 0.87 0.80 31.01
Sociología 0.72 0.82 0.93 0.84 0.89 0.84 24.23
Turismo 0.79 0.78 0.70 0.78 0.73 0.76 -8.23
Antropología 0.66 0.74 0.81 0.81 0.87 0.78 33.12
Ciencias de la 0.58 0.58 0.51 0.68 0.81 0.63 38.33
Arte 0.52 0.56 0.60 0.66 0.78 0.62 48.87
Derecho 0.89 0.87 0.82 0.92 0.86 0.87 -3.27
83
eficiencia DEA – VRS orientado a input según escuela profesional de la
resultados muestran que las escuelas profesionales del área académica
social eficientes con rendimiento variable a escala son: Ciencias contables
durante 2014 al 2018, educación secundaria solo en el año 2014,
educación primaria desde el año 2015 al 2018 y educación inicial durante
el periodo 2014 al 2018 Por otro lado, todas las escuelas profesionales del
área académica ingeniería son ineficientes durante el periodo 2014 al
2014, a excepción de la escuela profesional de ciencias físico –
matemático que presenta eficiencia técnica a partir del año 2015 al 2018.
Respecto a las escuelas profesionales del área académica biomédicas,
todas presentan ineficiencia durante el periodo 2014 al 2018.
4.1.1.4 Modelo de eficiencia DEA – VRS orientado a output
84
Tabla 16
Eficiencia DEA – VRS orientado a output según escuela profesional UNAP periodo
2014 - 2018
2014 2015 2016 2017 2018 Promedio %
2014 2018
Agrimensura
Arquitectura y 0.41 0.46 0.49 0.63 0.71 0.54 72.59
Urbanismo
Ciencias Físico – 0.42 0.54 0.43 0.61 0.61 0.52 46.74
Matemáticas
Informática
Eléctrica
Zootecnia
Biología 0.46 0.59 0.63 0.70 0.80 0.64 72.36
Odontología 0.45 0.58 0.40 0.51 0.66 0.52 48.90
Enfermería 0.72 0.78 0.88 0.87 0.93 0.84 29.55
Medicina Humana 0.54 0.69 0.69 0.69 0.73 0.67 33.61
Administración 0.82 0.78 0.80 0.80 0.90 0.82 10.17
Educación Secundaria 1.00 0.80 0.83 0.80 0.94 0.87 -6.17
Trabajo Social 0.69 0.75 0.87 0.89 0.88 0.82 27.48
Sociología 0.75 0.84 0.94 0.84 0.89 0.85 19.30
Turismo 0.82 0.81 0.74 0.78 0.72 0.77 -12.34
Antropología 0.70 0.77 0.83 0.82 0.89 0.80 28.12
Ciencias de la 0.63 0.62 0.57 0.67 0.81 0.66 28.80
Arte 0.52 0.47 0.44 0.52 0.68 0.52 30.52
Derecho 0.90 0.88 0.84 0.92 0.88 0.89 -2.53
85
eficiencia DEA – VRS orientado a output según escuela profesional de la
resultados muestran que las escuelas profesionales del área social
eficientes con rendimientos variable a escala son: Ciencias contables
durante el periodo 2014 al 2018, educación secundaria solo en el año 2014,
educación primaria a partir del año 2015 al 2018 y educación inicial
durante el periodo 2014 al 2018.
4.1.2 Análisis descriptivo de la eficiencia técnica DEA
Área académica de ingenierías
Figura 8. Promedio de la eficiencia DEA – VRS orientado a output según

escuela profesional del área académica de ingeniería UNAP periodo 2014
– 2018.
86
En la Tabla 16 y la Figura 8, reúne los datos calculados que corresponden
al promedio de la eficiencia DEA – VRS orientado a output según escuela
profesional del área académica ingeniería en la Universidad Nacional de
Altiplano durante el periodo 2014 - 2018, los resultados muestran un rango
de promedio de la ineficiencia técnica entre un valor mínimo de 0.35 y un
valor máximo de 0.75 para las escuelas profesionales de ingeniería civil e
ingeniería económica respectivamente.
Figura 9. Variabilidad de la eficiencia DEA – VRS orientado a output

según escuela profesional del área académica de ingeniería UNAP periodo
2014 – 2018 (%).

a la variabilidad de la eficiencia DEA – VRS orientado a output según
escuela profesional del área académica ingeniería en la Universidad
Nacional de Altiplano durante el periodo 2014 – 2018; los resultados
muestran un rango de variación porcentual de la ineficiencia técnica entre
un valor mínimo de - 4.32% (rendimiento decreciente a escala) y un valor
máximo de 89.30% (rendimiento creciente a escala) para las escuelas
profesionales de ingeniería económica e ingeniería estadística e
informática respectivamente.
87
Área académica de biomédicas

escuela profesional del área académica de biomédicas UNAP periodo 2014
– 2018.

profesional del área académica biomédicas en la Universidad Nacional de
valor máximo de 0.84 para las escuelas profesionales de medicina
veterinaria y zootécnica y enfermería respectivamente.
88
según escuela profesional del área académica de biomédicas UNAP
periodo 2014 – 2018 (%).

escuela profesional del área académica biomédicas en la Universidad
un valor mínimo de 29.55% (rendimiento creciente a escala) y un valor
profesionales de enfermería y medicina veterinaria y zootecnia
respectivamente.
89
Área académica de sociales

escuela profesional del área académica de sociales UNAP periodo 2014 –
2018.

profesional del área académica sociales en la Universidad Nacional de
valor máximo de 1 para las escuelas profesionales de arte y educación
inicial y/o ciencias contables respectivamente.
90
según escuela profesional del área académica de sociales UNAP periodo
2014 – 2018 (%).

escuela profesional del área académica sociales en la Universidad
un valor mínimo de -14.22% (rendimiento decreciente a escala) y un valor
profesionales de educación física y educación primaria respectivamente.
Cabe indicar que las escuelas profesionales educación inicial y ciencias
contables registran rendimientos constantes a escala.
91
Eficiencia universitaria
Tabla 17
Eficiencia técnica de la Universidad Nacional del Altiplano según modelo
DEA periodo 2014 - 2018
Año DEA CRS DEA CRS DEA VRS DEA VRS

input output input output
2014 0.64 0.53 0.59 0.59
2015 0.70 0.59 0.65 0.62
2016 0.68 0.57 0.67 0.64
2017 0.73 0.67 0.73 0.69
2018 0.78 0.72 0.79 0.74
Promedio 0.71 0.62 0.69 0.65
2014-2018
Variación % 30.04 42.89 42.46 35.13
En la Tabla 17, se presenta los datos calculados que corresponden a la

eficiencia de la Universidad Nacional de Altiplano según modelo DEA
durante el periodo 2014 – 2018; los resultados muestran un grado de
ineficiencia, es decir, el modelo DEA-CRS orientado a input mide en 0.71
la ineficiencia en promedio, el modelo DEA-CRS orientado a output mide
en 0.62 la ineficiencia en promedio, el modelo DEA-VRS orientado a
input mide en 0.69 la ineficiencia en promedio y el modelo DEA-VRS
orientado a output mide en 0.65. Por otra parte, se observa una mejora en
el nivel de eficiencia, es decir, según los modelos DEA, los niveles de
eficiencia registran rendimientos crecientes a escala en 30.04%, 42.89%,
42.46% y 35.13% respectivamente.
92
Figura 14. Eficiencia técnica DEA VRS – Output.
En la Figura 14, se presenta la eficiencia técnica DEA VRS – output; los

resultados muestran un incremento en el nivel de eficiencia técnica de 0.59
en el año 2014 a 0.74 en el año 2018.
Ranking de eficiencia en las escuelas profesionales
93
Tabla 18
Ranking de eficiencia en las escuelas profesionales
Escuela profesional Nivel de Rendimiento

eficiencia a escala
Ciencias Contables 1.00 Constante
Educación Inicial 1.00 Constante
Educación Primaria 0.94 Decreciente
Derecho 0.89 Decreciente
Educación Secundaria 0.87 Decreciente
Sociología 0.85 Decreciente
Enfermería 0.83 Decreciente
Administración 0.82 Decreciente
Trabajo Social 0.82 Decreciente
Antropología 0.80 Decreciente
Turismo 0.77 Decreciente
Ingeniería Económica 0.75 Decreciente
Educación Física 0.72 Decreciente
Ingeniería de Minas 0.69 Decreciente
Medicina Humana 0.67 Decreciente
Ciencias de la Comunicación Social 0.66 Decreciente
Nutrición Humana 0.65 Decreciente
Ingeniería Agroindustrial 0.64 Decreciente
Biología 0.64 Decreciente
Ingeniería Topográfica y Agrimensura 0.59 Decreciente
Ingeniería Estadística e Informática 0.56 Decreciente
Arquitectura y Urbanismo 0.54 Decreciente
Ingeniería Agronómica 0.54 Decreciente
Ingeniería Agrícola 0.53 Decreciente
Arte 0.52 Decreciente
Ciencias Físico – Matemáticas 0.52 Decreciente
Ingeniería Metalúrgica 0.52 Decreciente
Odontología 0.52 Decreciente
Ingeniería Química 0.50 Decreciente
Ingeniería Electrónica 0.50 Decreciente
Ingeniería Mecánica Eléctrica 0.47 Decreciente
Ingeniería de Sistemas 0.46 Decreciente
Ingeniería Geológica 0.45 Decreciente
Ingeniería Civil 0.35 Decreciente
Medicina Veterinaria y Zootecnia 0.34 Decreciente
94
Figura 15. Ranking de eficiencia en las escuelas profesionales.
En la Tabla 18 y la Figura 15, reúne el ranking de los datos calculados que

corresponden al promedio de la eficiencia DEA – VRS orientado a output
según escuela profesional en la Universidad Nacional de Altiplano durante
el periodo 2014 - 2018, los resultados muestran un rango de promedio de
la ineficiencia técnica entre un valor mínimo de 0.34 y un valor máximo de
1 para las escuelas profesionales de medicina veterinaria y zootecnia y
95
ciencias contables y/o educación inicial respectivamente. Lo que
demuestra que al evaluar las escuelas profesionales con este último modelo
resulta que ciencias contables y educación inicial son eficientes o no
reportan ineficiencia en la mezcla de sus insumos o productos, es decir,
aprovechan al 100% los recursos que disponen, lo que sugiere que están
maximizando y gestionando correctamente el nivel output que obtienen.
Por otra parte las mayorías de las escuelas profesionales en la Universidad

Nacional del Altiplano son ineficientes en la producción educativa, debido
a problemas en la escala de operación, al tipo de retornos a escala
decreciente que presentan, a problemas en la mezcla de sus insumos o
productos, al bajo aprovechamiento y/o utilización de los recursos que
disponen (recursos ociosos), a problemas en el avance de tecnología
educativa (métodos de enseñanza – aprendizaje) y a problemas
administrativos.
La ineficiencia en las escuelas profesionales sugiere que se están

aumentando más de los recursos para obtener una misma cantidad de
producto, es decir, la ineficiencia técnica relativa se explica por el
despilfarro de los recursos existentes para llevar cabo la producción
educativa. Por otra parte, los inputs pueden presentar valores adecuados y
sin embargo los resultados académicos son bajos. Por lo tanto, la
ineficiencia en las escuelas profesionales es debido a que no cumplen
adecuadamente con su papel los agentes implicados: alumnos, docentes,
administrativos, decanos, autoridades universitarias.
Mejora de la eficiencia técnica
Sin embargo, los resultados del modelo DEA VRS output muestran que en
promedio la mayoría de las escuelas profesionales registran una mejora en
el nivel de eficiencia técnica, lo cual indicaría que presentan disminución
de la ineficiencia técnica relativa en la producción educativa. Ver Tabla 19
y Figura 16.
96
Tabla 19
Mejora de la eficiencia técnica
Escuela profesional Var. % Nivel de

Ineficiencia
Medicina Veterinaria y Zootecnia 91.50 Disminuye
Ingeniería Estadística e Informática 89.30 Disminuye
Arquitectura y Urbanismo 72.59 Disminuye
Biología 72.36 Disminuye
Ingeniería de Sistemas 69.92 Disminuye
Ingeniería Geológica 63.28 Disminuye
Ingeniería Civil 59.59 Disminuye
Ingeniería Agronómica 54.52 Disminuye
Ingeniería Mecánica Eléctrica 53.39 Disminuye
Ingeniería Topográfica y Agrimensura 50.42 Disminuye
Ingeniería Química 49.45 Disminuye
Ingeniería Metalúrgica 49.11 Disminuye
Odontología 48.90 Disminuye
Ciencias Físico - Matemáticas 46.74 Disminuye
Ingeniería Electrónica 42.45 Disminuye
Educación Primaria 40.12 Disminuye
Nutrición Humana 39.03 Disminuye
Ingeniería Agroindustrial 37.56 Disminuye
Medicina Humana 33.61 Disminuye
Arte 30.52 Disminuye
Enfermería 29.55 Disminuye
Ciencias de la Comunicación Social 28.80 Disminuye
Antropología 28.12 Disminuye
Trabajo Social 27.48 Disminuye
Sociología 19.30 Disminuye
Ingeniería Agrícola 17.86 Disminuye
Ingeniería de Minas 13.50 Disminuye
Administración 10.17 Disminuye
Ciencias Contables 0.00 Igual eficiencia
Educación Inicial 0.00 Igual eficiencia
Derecho -2.53 Aumenta
Ingeniería Económica -4.32 Aumenta
Educación Secundaria -6.17 Aumenta
Turismo -12.34 Aumenta
Educación Física -14.22 Aumenta
97
Figura 16. Mejora de la eficiencia técnica según escuela profesional
UNAP periodo 2014 – 2018.
Producción educativa eficiente
Esta disminución en la ineficiencia de las escuelas profesionales sugiere

que han ido aumentando el output con la utilización de los mismos inputs
disponibles; aunque no alcanzaron el nivel eficiente de producción
educativa. En la Tabla 20, se muestran los niveles de producción educativa
98
por escuela profesional que deberían aumentar para lograr la eficiencia
técnica.
Tabla 20
Producción educativa eficiente en las escuelas profesionales UNAP
periodo 2014 - 2018
Escuela profesional 2014 2015 2016 2017 2018

Ingeniería Agronómica 279 297 285 275 309
Ingeniería Agroindustrial 232 232 227 230 268
Ingeniería Topográfica y Agrimensura 349 405 431 489 481
Ingeniería Económica 500 550 582 657 655
Ingeniería Agrícola 391 442 457 494 479
Ingeniería Civil 580 616 620 702 700
Arquitectura y Urbanismo 448 501 527 562 547
Ciencias Físico - Matemáticas 118 134 144 146 189
Ingeniería Estadística e Informática 238 244 213 204 202
Ingeniería Geológica 418 439 454 509 498
Ingeniería Metalúrgica 286 305 287 287 298
Ingeniería de Minas 457 501 490 523 528
Ingeniería Química 212 227 231 247 262
Ingeniería Mecánica Eléctrica 432 441 439 431 419
Ingeniería Electrónica 266 295 300 327 340
Ingeniería de Sistemas 385 428 437 465 463
Medicina Veterinaria y Zootecnia 467 497 500 521 529
Biología 301 333 329 358 376
Nutrición Humana 261 300 325 361 375
Odontología 339 351 318 323 311
Enfermería 399 437 463 480 471
Medicina Humana 317 342 355 377 391
Ciencias Contables 665 688 693 728 713
Administración 417 442 450 493 511
Educación Secundaria 48 493 499 615 713
Educación Física 408 199 238 260 281
Educación Primaria 171 207 219 227 275
Educación Inicial 211 289 331 376 383
Trabajo Social 426 462 472 522 532
Sociología 328 351 381 397 403
Turismo 363 393 389 408 400
Antropología 332 372 395 436 431
Ciencias de la Comunicación Social 371 403 382 407 410
Arte 290 300 266 272 313
Derecho 455 481 482 534 560
Fuente: Resultados del modelo DEA – VRS orientada output.
99
4.1.3 Estimación de los determinantes de la eficiencia técnica
4.1.3.1 Especificación del modelo Tobit eficiencia DEA
THETAi = β0 + AULi + LABi+ BIBi + AMATi+ADOCi + DOCi + DOCNi

+ DOCVMi + ADMi + εi
Donde:
THETA= Eficiencia técnica DEA por escuela profesional
AUL = Número de aulas académicas por escuela profesional
LAB = Numero de laboratorios por escuela profesional
BIB = Numero de bibliotecas por escuela profesional
AMAT= Número de alumnos matriculados por escuela profesional
ADOC = Número de alumnos por docente por escuela profesional
DOC= Número de docentes por escuela profesional
DOCN = Número de docentes nombrados por escuela profesional
DOCVM = Número de docentes varones por docente mujer por escuela

profesional
ADM = Número de personal administrativo por escuela profesional
i = representa a las unidades tomadoras de decisiones (DMU), toma valores

1, 2, 3…35
εi = Representa termino de error
El grado de relación o asociación entre las variables explicativas

cuantitativas con la variable dependiente; es decir, el coeficiente de
correlación entre las variables explicativas: aulas, laboratorio, biblioteca,
100
alumnos matriculados, alumnos por docente, docentes, docentes nombrados,
docentes varones por cada docente mujer y personal administrativo con la
eficiencia técnica es de -0.01, -0.48, -0.12, 0.02, 0.13, -0.12, -0.11, -0.26, y -
0.28 respectivamente. Ver el anexo 2.
4.1.3.2 Estimación del modelo Tobit eficiencia DEA
Para determinar cuál es el impacto de algunas variables seleccionadas

sobre la eficiencia técnico-asignativa y la eficiencia de escala, se estiman
dos modelos TOBIT. Para explicar la eficiencia técnico-asignativa se
utilizó el siguiente modelo:
101
Tabla 21
Estimaciones del modelo Tobit eficiencia DEA periodo muestral: 2014-2018
Modelo Tobit Modelo Tobit Modelo Tobit Modelo Tobit
Eficiencia DEA CRS Eficiencia DEA CRS Eficiencia DEA VRS Eficiencia DEA VRS
input output input output
Β dy/dx β dy/dx β dy/dx β dy/dx

AUL -0.0268383 -0.0268383
(-4.56) (-4.56)
LAB -0.012775 -0.012775 -0.0136827 -0.0136827 - 0.0175755 -.0175755 -0.0156077 -0.0156077

(-4.27) (-4.27) (-7.43) (-7.43) (-8.64) (-8.64) (-7.82) (-7.82)
BIB -0.0862747 -0.0862747

(-2.47) (-2.47)
DOC -0.003047 -0.003047

(-2.84) (-2.84)
ADOC 0.012641 0.012641 0.0057476 0.0057476

(3.85) (3.85) (2.25) (2.25)
DOCN 0.0116036 0.0116036 0.0046324 0.0046324 0.0058222 0.0058222 0.0038763 0.0038763

(4.58) (4.58) (2.42) (2.42) (3.87) (3.87) (2.52) (2.52)
DOCVM -0.0060173 -0.0060173 -0.0057518 -0.0057518 - 0.0054561 - 0.0054561 - 0.0062778 - 0.0062778

(-2.94) (-2.94) (-3.79) (-3.79) (-3.38) (-3.38) (-3.77) (-3.77)
ADM -0.0187551 -0.0187551

(-2.81) (-2.81)
AMAT -0.0003655 -0.0003655

(-4.74) (-4.74)
Constante 0.8609794 0.7835671 0.9442594 0.653845

(11.19) (24.03) (21.45) (10.68)
LR chi2(7)= 91.97 LR chi2(4)= 65.69 LR chi2(4)= 86.24 LR chi2(4)= 72.22

Prob > chi2= 0.0000 Prob > chi2= 0.0000 Prob > chi2= 0.0000 Prob > chi2= 0.0000
Estadístico Pseudo R2= 0.9946 Pseudo R2= -0.9399 Pseudo R2= 11.2359 Pseudo R2= -10.4781
de Validez Log likelihood = - Log likelihood = Log likelihood = Log likelihood =
0.25127296 67.788042 39.284414 39.555533
102
Modelo Tobit eficiencia DEA CRS INPUT
THETA= 0.8609 - 0.0268AUL - 0.0127 LAB - 0.0862 BIB+ 0.0126 ADOC
+ 0.0116 DOCN - 0.0060 DOCVM - 0.0187 ADM
El valor calculado de LR chi2 (7) por Stata es 91.97, indica que los
coeficientes son conjuntamente significativos para explicar la eficiencia
técnica, es decir, se acepta la hipótesis nula que el conjunto de las
variables explicativas tiene validez en el modelo estimado. Esto da lugar a
que las variables explicativas son completamente exógenos y que dichas
variables están correctamente especificadas (incluidas) en la estimación
del modelo (no existe el problema de variables omitidas). De igual manera,
la Prob > chi2 es cero, lo cual indica que podemos rechazar en 0% la
hipótesis alterna de todos los coeficientes que sean igual a cero.
El Pseudo R2 de 0.99 indica un aumento del 99% en la función probabilidad de

registro. Por otro lado, los tests (t), de cada parámetro de las variables
explicativas son altamente significativos, muy cercano al 100% de
confianza. De igual manera la constante es altamente significativa al
100%. De los resultados se desprende que el modelo Tobit eficiencia DEA
CRS INPUT estimado por el método de máxima verosimilitud obedecería
a un proceso estocástico parsimonioso; por lo tanto, la evidencia empírica
indica que la eficiencia técnica en las escuelas profesionales de la
Universidad Nacional del Altiplano está determinado por los recursos
físicos aula académica, laboratorio y biblioteca, y también por los recursos
humanos alumnos por docente, docentes nombrados, docente varones por
cada docente mujer y por el personal administrativo.
103
Modelo Tobit eficiencia DEA CRS OUTPUT
THETA= 0.7835 - 0.0136 LAB - 0.0030 DOC + 0.0046 DOCN
– 0.0057 DOCVM
El Pseudo R2 de -0.93 indica una disminución del 93% en la función

probabilidad de registro. Por otro lado, los tests (t), de cada parámetro de las
variables explicativas son altamente significativos, muy cercano al 100%
de confianza. De igual manera la constante es altamente significativa al
100%. De los resultados se desprende que el modelo Tobit eficiencia DEA
CRS OUTPUT estimado por el método de máxima verosimilitud
obedecería a un proceso estocástico parsimonioso; por lo tanto, la
evidencia empírica indica que la eficiencia técnica en las escuelas
profesionales de la Universidad Nacional del Altiplano está determinada
por el recurso físico laboratorio, así como también por los recursos
humanos docente, docentes nombrados y docente varones por cada
docente mujer.
104
Modelo Tobit eficiencia DEA VRS INPUT
THETA= 0.9442 - 0.0175 LAB + 0.0058 DOCN - 0.0054 DOCVM
- 0.0003 AMAT
El Pseudo R2 de 11.23 indica un aumento de más del 100% en la función de

probabilidad de registro, sin embargo, cabe mencionar que el pseudo-R2 para
algunos modelos, como el Tobit, en realidad crea valores positivos o puede
dar resultados > 1. Las estimaciones de Tobit no se eligen para maximizar
un R cuadrado; maximizan la función de probabilidad de registro. A
menos que el pseudo-R2 sea 0 o 1, la estadística no se puede interpretar en
relación con sus datos.
Por otro lado, los tests (t), de cada parámetro de las variables explicativas
son altamente significativos, muy cercano al 100% de confianza. De igual
manera la constante es altamente significativa al 100%. De los resultados
se desprende que el modelo Tobit eficiencia DEA VRS INPUT estimado
por el método de máxima verosimilitud obedecería a un proceso
estocástico parsimonioso; por lo tanto, la evidencia empírica indica que la
eficiencia técnica en las escuelas profesionales de la Universidad Nacional
del Altiplano está determinada por el recurso físico laboratorio, así como
también por los recursos humanos alumnos matriculados, docentes
nombrados y docente varones por cada docente mujer.
105
Modelo Tobit eficiencia DEA VRS OUTPUT
THETA= 0.6538 - 0.0156 LAB + 0.0057 ADOC + 0.0038 DOCN
- 0.0062 DOCVM
El pseudo-R2 para algunos modelos, como el Tobit, en realidad crea

valores negativos <0 o puede dar resultados > 1 para probabilidades
continuas o mixtas continuas / discretas como Tobit. El pseudo-R2
obtenido -10.47 (indica una disminución de menos del 0% en la función de
probabilidad de registro) es incorrecto para muchos investigadores, debido a
que piensan que está midiendo directamente la bondad de ajuste del
modelo o capacidad explicativa. El pseudo-R2 no significa lo que significa
R cuadrado en la regresión de MCO (la proporción de varianza de la
variable de respuesta explicada por los predictores). Una medida de psuedo-
R2 no le dice nada sobre la coincidencia entre las cantidades predichas y
observadas. Las estimaciones de Tobit no se eligen para maximizar un R
cuadrado; maximizan la función de probabilidad de registro. Las medidas
de pseudo-R2 generalmente no miden la varianza, pero sí miden los
cambios en la probabilidad y las cantidades relacionadas. Por ejemplo, el
R2 de McFadden mide cambios en las funciones de probabilidad, que no
tienen una interpretación obvia. La mayoría de las medidas de pseudo-R2
no tienen una interpretación intuitiva para valores distintos de 0 o 1.
106
La investigación debe preocuparse por la relevancia lógica que tienen las
variables explicativas para la variable endógena y por su significancia
estadística, seleccionar un modelo con R2 más elevado, puede tener sesgo
preprueba. En tan sentido, los tests (t), de cada parámetro de las variables
explicativas son altamente significativos, muy cercano al 100% de
confianza. De igual manera la constante es altamente significativa al
100%.
De los resultados se desprende que el modelo Tobit eficiencia DEA VRS

OUTPUT estimado por el método de máxima verosimilitud obedecería a
un proceso estocástico parsimonioso; por lo tanto, la evidencia empírica
indica que la eficiencia técnica en las escuelas profesionales de la
Universidad Nacional del Altiplano está determinada por el recurso físico
laboratorio, así como también por los recursos humanos alumnos por cada
docente, docentes nombrados y docente varones por cada docente mujer.
Efectos Marginales
Los resultados del modelo Tobit DEA-CRS INPUT muestran que el

recurso físico aula académica (AUL) está relacionado negativamente con
la eficiencia de CRS puntajes de DMU al nivel de significación del 1%; es
decir, un incremento en una unidad en el número de aulas académicas
genera una disminución de 0.02 del nivel de eficiencia técnica.
Respecto al recurso físico laboratorio, los resultados de los 4 modelos
Tobit DEA muestran que el recurso físico laboratorio (LAB) está
relacionado negativamente con la eficiencia de CRS y/o VRS puntajes de
DMU al nivel de significación del 1%; es decir, un incremento en una
unidad en el número de laboratorios genera una disminución de 0.01 del
nivel de eficiencia técnica.
Respecto al recurso físico biblioteca, los resultados del modelo Tobit

DEA-CRS INPUT muestran que el recurso físico biblioteca (BIB) está
relacionado negativamente con la eficiencia de CRS puntajes de DMU al
nivel de significación del 1%; es decir, un incremento en una unidad en el
107
número de bibliotecas genera una disminución de 0.08 del nivel de
eficiencia técnica.
Respecto al recurso humano alumnos matriculados, los resultados del

modelo Tobit DEA-VRS INPUT muestran que el recurso humano alumnos
matriculados (AMAT) está relacionado negativamente con la eficiencia de
VRS puntajes de DMU al nivel de significación del 1%; es decir, un
incremento en una unidad en el número de alumnos matriculados genera
una disminución de 0.0003 del nivel de eficiencia técnica.
Respecto al recurso humano alumnos por cada docente, los resultados del
modelo Tobit DEA-VRS OUTPUT muestran que el recurso humano
alumnos por cada docente (ADOC) está relacionado positivamente con la
eficiencia de VRS puntajes de DMU al nivel de significación del 1%; es
decir, un incremento en una unidad en la ratio alumnos por cada docente
genera un aumento de 0.005 del nivel de eficiencia técnica.
Respecto al recurso humano docente, los resultados del modelo Tobit

DEA-CRS OUTPUT muestran que el recurso humano docente (DOC) está
relacionado negativamente con la eficiencia de CRS puntajes de DMU al
número de docentes genera una disminución de 0.003 del nivel de
eficiencia técnica.
Respecto al recurso humano docente nombrado, los resultados del modelo

Tobit DEA-VRS OUTPUT muestran que el recurso humano docente
nombrado (DOCN) está relacionado positivamente con la eficiencia de
VRS puntajes de DMU al nivel de significación del 1%; es decir, un
incremento en una unidad en el número de docentes nombrados genera un
aumento de 0.003 del nivel de eficiencia técnica.
Respecto al recurso humano docente varones por cada docente mujer, los
resultados del modelo Tobit DEA-VRS OUTPUT muestran que el recurso
humano docente varones por cada docente mujer (DOCVM) está
108
relacionado negativamente con la eficiencia de VRS puntajes de DMU al
número de docentes varones por cada docente mujer genera una
disminución de 0.006 del nivel de eficiencia técnica.
Respecto al recurso humano personal administrativo, los resultados del

modelo Tobit DEA-CRS INPUT muestran que el recurso humano
administrativo (ADM) está relacionado negativamente con la eficiencia de
CRS puntajes de DMU al nivel de significación del 1%; es decir, un
incremento en una unidad en el número del personal administrativo genera
una disminución de 0.01 del nivel de eficiencia técnica.
4.2 Discusión
Referente a los resultados sobre la medición de la eficiencia técnica en las

universidades, de acuerdo con la restricción de que el índice de eficiencia debe ser
positivo, menor y/o igual a la unidad. (Charnes et al., 1978), las escuelas profesionales
en la Universidad Nacional del Altiplano presentan ineficiencia (0.65), lo cual sugiere,
según la teoría económica, que aún no se ha alcanzado una asignación eficiente en el
sentido de Pareto o punto economía Pareto-superior. (Pareto, 1909). Dado que la forma
de la curva de posibilidades de producción identifica el costo de oportunidad creciente,
es decir, que el aumento de la producción de un bien se realiza cada vez con mayor
disminución de la producción del otro bien. Por otra parte, la medición de la eficiencia
DEA es similar al encontrado en los trabajos por Castrodeza y Peña (2002), Agasisti et
al. (2011), Ramírez (2013) y Alcaraz y Bernal (2017). Véase la Tabla 22.
109
Tabla 22
Comparación de resultados sobre la medición de la eficiencia técnica
Autores DMU Modelo Eficiencia técnica

Castrodeza y Peña Departamentos de DEA – CRS 0.755
(2002) ciencias sociales y DEA – VRS 0.886
jurídicas de la
Universidad
Valladolid (España)
Agasisti et al. Departamentos DEA - CRS y 0.75
(2011) académicos en una DEA - VRS 0.78
Región Italiana orientados a salidas
Ramírez (2013) Facultades de la DEA-BCC input y, 0.986
Universidad output 0.926
Nacional del Callao
(Perú)
Alcaraz y Bernal Universidades DEA - CCR-O 0.86
(2017) Públicas Estatales
del Noroeste de
México.
Tesista Escuelas DEA – CRS input 0.71
(2014 – 2018) profesionales de la DEA – CRS output 0.62
Universidad DEA – VRS input 0.69
Nacional del DEA – VRS output 0.65
Altiplano (Perú)
Referente a los resultados sobre determinantes de la eficiencia técnica en las

universidades, el modelo Tobit DEA-VRS OUTPUT muestran que el recurso humano
alumnos por cada docente y docentes nombrados, están relacionado positivamente con
la eficiencia. Sin embargo, los resultados de Santin y Sicilia (2012) muestran que el
incremento de recursos educativos per se, como el aumento del número de profesores
por grupo de alumnos, no tiene efectos significativos sobre la eficiencia.
Los resultados del modelo Tobit DEA-VRS OUTPUT muestran que el recurso humano
docente varones por cada docente mujer está relacionado negativamente con la
eficiencia. Por otra parte, resultado similar encuentra Wolszczak-Derlacz y Parteka
(2011) en donde el porcentaje de mujeres sobre el total personal académico afectan
positivamente y significativamente a la eficiencia de las instituciones.
En los trabajos de Fernández et. al. (2015), Warning (2004), Kemples y Pohl (2010),
Duch-Brown y Vilalta (2010, García-Aracil y Palomares-Montero (2008) y Moreno et.
110
al. (2018), muestran otros determinantes internos y externos de la eficiencia técnica
relativa como: la variable edad presenta efectos positivos sobre la eficiencia, la
especialización en universidades politécnicas y la densidad de población regional
afectan negativamente a la eficiencia, el mayor PIB per cápita regional como un elevado
número de becarios contribuyen a mejorar significativamente el nivel de eficiencia
universitaria, la titulación en la universidad y la localización incrementa la eficiencia
significativamente, el número de habitantes de la ciudad donde está ubicada la
universidad no muestran efectos estadísticamente significativos en los niveles de
eficiencia, la titulación produce efectos negativos estadísticamente significativos en la
eficiencia técnica, al contrario de lo que concluía Warning (2004), la calidad de los
estudiantes, medido a través de la variable umbral de notas de entrada en el primer año,
puede explicar la mayor eficiencia de las universidades, las universidades situadas en
las regiones con mayor PIB per cápita regional, no siempre son más eficientes que
aquéllas localizadas en las regiones más pobres, la influencia positiva sobre la eficiencia
de la pertenencia de los alumnos a familias monoparentales o nucleares frente a otro
tipo de tutela, la influencia de la formación de los padres, la pertenencia del alumno al
grado que estudia, el mejor clima en el aula y la localización de la escuela en el caso de
la titularidad pública.
111
CONCLUSIONES
- En el presente trabajo de investigación se concluye que el nivel relativo de

eficiencia técnica de la Universidad Nacional del Altiplano durante el periodo
2014 al 2018 es ineficiente (0.65) y está determinado por el número de aulas,
laboratorios y bibliotecas, número de alumnos matriculados, ratio número de
estudiantes por docente, número de docentes, número de docentes nombrados,
ratio de docentes varones con respecto a docentes mujeres y el número de
personal administrativo.
- Respecto el cálculo del indicador de eficiencia técnica para identificar las
escuelas profesionales eficientes e ineficientes de la Universidad Nacional del
Altiplano, se concluye que, de acuerdo a los modelos DEA-CRS input, DEA-
CRS output, DEA-VRS input y DEA-VRS output, el grado de ineficiencia
promedio mide en 0.71, 0.62, 0.69 y 0.65 respectivamente. Sin embargo,
algunas escuelas profesionales registran eficiencia técnica durante un periodo
determinado, las cuales son: Odontología, enfermería, ciencias contables,
educación secundaria, educación física, educación primaria, educación inicial,
trabajo social, sociología, antropología, arte y ciencias físico matemática. Por
otra parte, en su mayoría, las escuelas de ingeniería y biomédicas son
ineficientes.
- Referente a cómo influye la condición del docente universitario sobre la
eficiencia del rendimiento académico del estudiante universitario, se concluye
que, de acuerdo al modelo Tobit DEA-VRS OUTPUT, el recurso humano
docente nombrado está relacionado positivamente con la eficiencia de CRS
puntajes de DMU al nivel de significación del 1%; es decir, un incremento en
una unidad en el número de docentes nombrados genera un aumento de 0.003
del nivel de eficiencia técnica.
- Respecto a cómo influye el número de estudiantes por docente en aula sobre la
eficiencia del rendimiento académico del estudiante universitario, se concluye
que, de acuerdo al modelo Tobit DEA-VRS OUTPUT, el recurso humano
alumnos por cada docente está relacionado positivamente con la eficiencia de
CRS puntajes de DMU al nivel de significación del 1%; es decir, un incremento
en una unidad en la ratio alumnos por cada docente genera un aumento de 0.005
del nivel de eficiencia técnica.
112
RECOMENDACIONES
- Las escuelas profesionales ineficientes de la Universidad Nacional del Altiplano

deben de incrementar el rendimiento académico de sus alumnos, a través del uso
adecuado de los recursos físicos (aulas, bibliotecas, laboratorios) y realizar
actividades que complementen el proceso de enseñanza y aprendizaje sin
necesidad de incrementar los recursos físicos y humanos disponibles.
- Las escuelas profesionales de la Universidad Nacional del Altiplano deben

mejorar la condición del docente a través del aumento en el porcentaje de
docentes nombrados por escuela profesional, en la contratación de docentes
mujeres y en la incorporación de buenas prácticas de enseñanza en los criterios de
evaluación docente, en los programas de estímulo a la docencia y en los procesos
de certificación y acreditación que permita mejorar el fundamento pedagógico.
- Las escuelas profesionales ineficientes deben de incrementar el número de

trabajos de investigación y artículos científicos en revistas indexadas a través del
apoyo a la formación del recurso docente en programas de doctorado, fortalecer el
acceso a bases de datos, favorecer proyectos de investigación y creación de
programas de posgrado y fomentar la participación de docentes y estudiantes en
redes de investigación.
- La Universidad Nacional del Altiplano debe enfocarse en las escuelas

profesionales ineficientes del área de ingenierías y biomédicas, a través de la
implementación de un plan de mejoramiento continuo acorde con los avances de
la revolución digital y calidad educativa.
- La universidad Nacional del Altiplano deben mejorar el puntaje de ingreso de los

alumnos e incrementar el número de vacantes en las escuelas profesionales a
través de un sistema de evaluación que mida adecuadamente sus capacidades y
vocación.
113
BIBLIOGRAFÍA
Agasisti, T., Dal Bianco, A., Landoni, Sala, A., Salerno, M. (2011). Evaluating the
Efficiency of Research in Academic Departments: An Empirical Analysis in an
Italian Region. Italy, Volume 65, No. 3, pp 267–289.
Barra, C., Zotti, R., (2013). Interdepartmental Centre for Research in Labour Economics
and Economic Policy. Interdepartmental Centre for Research in Labour
Economics and Economic Policy. University of Salerno, pp. 1-30.
Basu, S. (2008). "Returns to scale measurement," The New Palgrave Dictionary of

Economics, 2nd Edition.
Bouza Suárez, A. (2000). Reflexiones acerca del uso de los conceptos de eficiencia,
eficacia y efectividad en el sector salud. Rev Cubana Salud Pública, 50-56.
Barbosa, S., (2010). Evaluación de la eficiencia de las escuelas de la Universidad

Industrial de Santander aplicando Análisis Envolvente de Datos (DEA).
Colombia. pp. 23107.
Barrantes, R., E. Cuba, et al. (2008). “La investigación económica y social en el Perú,
2004-2007: Balance y prioridades para el futuro”. Lima, CIES.
Becker, G.S. (1962). Investment in human capital: a theoretical analysis, The Journal of
Political Economy, vol. 70, Nº 5, parte 2, Chicago, The University of Chicago
Press.
Berndt, E. (1991) The Practice of Econometrics, Classic and Contemporary. Addison-

Wesley Publishing Company.
Buitrago, O., Espitia, A. y Molano, L. (2017). Análisis envolvente de datos para la

medición de la eficiencia en instituciones de educación superior: una revisión del
estado del arte. Recuperado de: http://dx.doi.org/10.21830/19006586.84.
Charnes, A., Cooper, W. y Rhodes, E. (1978). Medida de la eficiencia de las unidades de

decisión. Revista Europea de Investigación Operativa, 429-444.
Charnes, A., Cooper,W., Lewin, A.Y. and Seiford, L.M. (1994). Data envelopment
analysis:Theory, methodology and application. Kluwer Academic Publishers.
114
Charnes, A., Cooper, W. and Rhodes, E. (1981). Evaluating program and managerial
efficiency: An application of data envelopment analysis to program follow through.
Management Science. 27, 6 (1981), 668–697.
Castrodeza, C, Peña, T., (2002). Evaluación de la actividad investigadora universitaria:

Una aplicación a la Universidad de Valladolid. Estudios de Economía Aplicada,
vol. 20, pp. 29-44.
Cardona, M., Cano, C., Zuluaga, F. y Gómez, C. (2007). “Capital humana: Una mirada
desde la educación y la experiencia laboral”. Universidad EAFIT, cuaderno de
investigación 56. Medellín- Colombia.
Caballero, R.; Galache, T.; Gómez, T.; Molina, J. and Torrico, A. (2004) Asignaciones
presupuestarias y eficiencia en la política de recursos humanos de una
universidad bajo criterios múltiples. XI Encuentro de Economía Pública, pp.1-
25.
Coll Serrano, V. y Blasco Blasco, O. (2006). Evaluación de la eficiencia mediante el

Análisis Envolvente de Datos. Introducción a los modelos básicos. España:
Universidad de Valencia.
Cuevas L., K. A. (2003). Análisis de la eficiencia relativa de las maestrías de la

Universidad de las Américas Puebla. Tesis para obtener el título en Licenciatura en
Actuaría. Universidad de las Américas Puebla. Cholula, Puebla, México.
Díez M., Francisco de Asís (2008). Análisis de eficiencia de los departamentos

universitarios. El caso de la Universidad de Sevilla. España. Recuperado de:
http://vlex.com/vid/introduccion-41323267.
Doyle JR and RH Green (1991). “Comparing Products Using Data Envelopment

Analysis.”. Omega 1: 631-638.
Debreu, G. (1951). "The coefficient of resource utilization", Econometrica, (19)3, 273-292.
Denison, E. (1962). Sources of Economic Growth in the United States and the
Alternatives Before Us, Nueva York, Committee for Economic Development.
Eatwell, J. (1987). "Returns to scale," The New Palgrave: A Dictionary of Economics,

v. 4, pp. 165-66.
115
Engert, F. (1996). "The reporting of school district efficiency: the adequacy of ratio
measures", Journal of Public Budgeting, Accounting & Financial Management,
Vol. 8 No. 2, pp. 247-271.
Farro C., F. (2001). Planificación estratégica para instituciones educativas de calidad. Perú:
Editorial Udegraf S. A.
Farro C., F. (2004). Evaluación y acreditación para universidades de calidad. Perú:

Editorial Udegraf S. A.
Fernández, J. (2000). Microeconomía Teoría y Aplicaciones Tomo 1, Lima, Centro de

Investigación Universidad del Pacífico.
Fernández, Y., Martínez, A. y Fernández, J. (2015) Determinantes de la eficiencia en las

universidades públicas españolas: un análisis DEA en dos etapas. Universidad de
León. Investigaciones de economía de la educación, Vol. 10, pp. 491-508
Farrell, M. (1957). The measurement of productive efficiency. Journal of the Royal

Statistical Society. Series A. 120, 3 (1957), 253–290.
Fried, H.O., C.A.K. Lovell y S.S. Schmidt eds. (1993). The measurement of productive
efficiency. New York, Oxford University Press.
Hoetker, G. (2007) the use of logit and probit models in strategic management research:
critical issues. Strategic Management Journal College of Business, University of
Illinois at Urbana-Champaign, Champaign, Illinois, U.S.A.
Koopmans, T.C. (1951). “An analysis of production as an efficient combination of

activities”, en T.C. Koopmans ed. Activity analysis of production and allocation,
Cowles Commission for Research in Economics, Monograph n. 13, New York,
Wiley.
Holz, M. (2016). Conceptos de la calidad de educación. Biblioteca del Congreso

Nacional. Asesoría Técnica Parlamentaria.
Kaoa, C., Tai, H., (2006). Efficiency analysis of university departments: An empirical
study. Department of Industrial and Information Management, Tainan, Omega
36, pp. 653 – 664
116
Lockheed, M., y Hanushek, E. (1998). Improving Educational Efficiency in Developing
Countries: What Do We Know? en Compare, 50-56.
Malmquist, 1953; S. Malmquist. Index numbers and indifference surfaces. Trabajos de

Estadística, 4 (1953), pp. 209–242.
Murias, P., Martínez, R., Miguel, D., y Rodríguez, D., (2004), Un Análisis Envolvente
de Datos de la eficiencia de los centros de educación secundaria gallegos.
España, pp. 1-14.
Mesías, D. (2014). Modelo para la evaluación de la actividad investigativa en el postgrado:

caso Universidad Nacional de Educación Enrique Guzmán y Valle. Tesis de
Doctorado en Educación. Perú: Universidad Nacional de Educación Enrique
Guzmán y Valle.
Martínez C., M. E. (2001). Evaluación integral de la productividad académica en tres

departamentos de la universidad de Guadalajara. Tesis de Maestría en Educación.
México: Universidad del Valle de Atemajac.
Martínez, F. (2010). “Los indicadores como herramientas para la evaluación de la

calidad de los sistemas educativos” en Sinéctica, 35, pp. 50-62. Recuperado
de: http://sinectica.iteso.mx/assets/files/articulos/... [10 de Junio de 2015]
Martín, R. (2006). La evaluación de la eficiencia. Una aplicación del DEA a la

Universidad de la laguna. XV Jornadas de la Asociación de la Economía de la
Educación, 217-228.
Martin, R. (2007). La Eficiencia Productiva en el Ámbito Universitario: Aspectos

Claves para su Evaluación. Departamento de Economía de las Instituciones,
Estadística Económica y Econometría. Universidad de La Laguna. Estudios de
economía aplicada Vol. 25-3, 2007. Págs. 793-812
Moreno, J., Díaz, J., Rodríguez, D. y Segura, J. (2018) Análisis de la eficiencia

educativa y sus factores explicativos considerando el efecto de la titularidad en
Colombia con datos Pisa 2012. Revista Desarrollo y Sociedad.
Nicholson, W. (2006). Teoría Microeconómica. Principios básicos y Aplicaciones,

México, Cengage Learning Editores, S.A., Novena Edición.
117
Pérez R., K. M. (2009). Utilización del análisis envolvente de datos en la seguridad
ciudadana. Perú: Tesis para obtener el título de Licenciado en Investigación
Operativa. UNMSM.
Pino, J., Solís, M., Delgado, M., y Barea, R., (2010). Evaluación de la eficiencia de
grupos de investigación mediante análisis envolvente de datos (DEA)”. El
profesional de la información, v.19, n. 2, pp.160-167.
Ramírez, R. (2013). La eficiencia del uso de los recursos en las Facultades de la

Universidad Nacional del Callao - Año 2011, Tesis para el grado de maestro en
finanzas. Perú: Universidad Nacional del Callao.
Rhodes, E. (1978). Data envelopment analysis and approaches for measuring the
efficiency Capítulo 4. DEA EN R 91 of decision-making units with an application
to program follow-through in u.S. (education. Ph. D. dissertation), School of
Urban; Public Affairs, Carnegie-Mellon University
Rodríguez, G. (2011). Indicadores DEA (Data Envelopment Analysis) de Eficiencia y

Productividad para las actividades de Extensión universitaria Aplicación en la
Universidad Nacional de Colombia. pp. 15-240.
Ruggiero, J. (1996a) “On the Measurement of Technical Efficiency in the Public

Sector”, European Journal of Operational Research, vol. 90, núm. 3, pp. 553-
565.
Ruggiero, J. (1996b). “Efficiency of Educational Production: An Analysis of New York

School Districts”, Review Economics and Statistic, vol. 78, núm. 3, pp. 499-509.
Santin, D. y Sicilia, G. (2012). La medición de la eficiencia educativa en Uruguay.

¿Cuáles son sus determinantes? Departamento de Economía Aplicada VI.
Facultad de Ciencias Económicas y Empresariales. Universidad Complutense de
Madrid.
Sinuany, Z., Sterna, A., Barboys, A. (1994). Academic departments efficiency via DEA.
Department of Industrial Ensnaring & Management, Israel. Compurers Ops Res.
Vol. 21. No. 5, pp. 543-556.
Schmelkes, S. (2013). “Educación para un México intercultural” en Sinéctica, pp. 1-12.
118
Schultz, T. (1961). Investment in human capital, The American Economic Review, vol.
51, Nº 1, Nashville, Tennessee, American Economic Association.
Thorne, C. (2013). Indicadores de calidad de la universidad a nivel internacional y el caso

peruano. Pontificia Universidad Católica del Perú. Recuperado de:
http://www.geocities.com./P-E-R-U/lecturas/thorne/lecturas.html. (12-02-2013).
Tomkins, C., Green, R., (1988). An experiment in the use of data envelopment analysis
for evaluating the efficiency of UK university departments of accounting.
Financial Accountability B Management, pp. -4424.
Tam Maldonado, M. Y. (2008). Una aproximación a la eficiencia técnica del Gasto

Público en Educación en las regiones del Perú. Consorcio de Investigación
Económica y Social (CIES). Recuperado de: http://cies.org.pe/es/investigaciones/
educacion/una-aproximacion-la-eficiencia-tecnica-del-gasto-publico-en-educacion-
en.
Thanassoulis, E. (2001). Introduction to the Theory and Application of Data Envelopment

Analysis. A Foundation Text with Integrated Software. Boston.: Kluwer Academic
Publishers.
Torrico, A., Pérez, F., Galache, T., Molina, J., Gómez, T. y Caballero, R., (2007).
Análisis de la eficiencia de las unidades productivas de una universidad.
Universidad de Málaga. España, pp. 1-33.
UNESCO (2006) “Una Educación de Calidad para Todos: un asunto de derechos

humanos”. Recuperado de: http://unesdoc.unesco.org/images/0015/001502/150
272s.
Vassilakis, S. (1987). "Increasing returns to scale," The New Palgrave: A Dictionary of

Economics, v. 2, pp. 761-64.
119
ANEXOS
120
Anexo 1. Estadística descriptiva de las variables
Variable Obs Mean Std. Dev. Min Max
dmu 175 18 10.12848 1 35

aul 175 8.2 3.09616 2 17
lab 175 7.685714 6.834545 1 33
bib 175 .8571429 .5436603 0 2
amat 175 526.24 188.606 102 1024
adoc 175 15.69143 5.842441 2 31

doc 175 37.65714 16.96335 16 82
docn 175 19.93143 9.853868 2 51
docvm 175 6.708571 7.946711 0 34
adm 175 6.537143 3.545686 1 21
ainv 175 261.0857 133.8933 48 728

theta 175 .6155477 .1847018 .192442 1
Anexo 2. Correlación entre variables
dmu aul lab bib amat adoc doc docn docvm adm ainv theta
dmu 1.0000
aul -0.2685 1.0000
lab -0.3333 -0.0106 1.0000
bib -0.2296 0.4268 0.0342 1.0000
amat -0.0095 0.0976 -0.0704 0.3704 1.0000
adoc 0.0488 -0.0966 -0.1870 -0.0121 0.3661 1.0000
doc -0.1020 0.2206 0.1127 0.3050 0.3570 -0.6495 1.0000
docn -0.2165 0.4341 0.2890 0.4187 0.3247 -0.4597 0.7458 1.0000
docvm -0.2661 0.0711 0.1167 0.2790 0.1251 0.1414 -0.0513 0.0599 1.0000
adm -0.3242 0.0572 0.6466 0.2219 0.1282 -0.1021 0.2100 0.4802 0.1070 1.0000
ainv 0.3203 0.1244 -0.3742 0.1983 0.7273 0.3084 0.2006 0.2063 -0.0700 -0.0908 1.0000
theta 0.5213 -0.0149 -0.4869 -0.1230 0.0218 0.1359 -0.1277 -0.1113 -0.2696 -0.2852 0.6558 1.0000
121
Anexo 3. Estimaciones del modelo Tobit eficiencia DEA
Tobit regression Number of obs = 175

LR chi2(7) = 91.97
Prob > chi2 = 0.0000
Log likelihood = -.25127296 Pseudo R2 = 0.9946
theta Coef. Std. Err. t P>|t| [95% Conf. Interval]
aul -.0268383 .0058852 -4.56 0.000 -.0384568 -.0152198

lab -.012775 .0029932 -4.27 0.000 -.0186842 -.0068658
bib -.0862747 .0348793 -2.47 0.014 -.155133 -.0174165
adoc .012641 .0032871 3.85 0.000 .0061517 .0191303
docn .0116036 .0025352 4.58 0.000 .0065988 .0166085
docvm -.0060173 .0020494 -2.94 0.004 -.0100631 -.0019715
adm -.0187551 .0066809 -2.81 0.006 -.0319444 -.0055658
_cons .8609794 .0769576 11.19 0.000 .7090509 1.012908
/sigma .1962717 .012266 .1720563 .2204872
Obs. summary: 0 left-censored observations

140 uncensored observations
35 right-censored observations at theta>=1

LR chi2(4) = 65.69
Prob > chi2 = 0.0000
Log likelihood = 67.788042 Pseudo R2 = -0.9399
lab -.0136827 .0018424 -7.43 0.000 -.0173195 -.0100459

doc -.003047 .0010728 -2.84 0.005 -.0051646 -.0009294
docn .0046324 .0019113 2.42 0.016 .0008595 .0084052
docvm -.0057518 .0015164 -3.79 0.000 -.0087452 -.0027585
_cons .7835671 .0326032 24.03 0.000 .7192104 .8479237
/sigma .1562942 .008546 .139425 .1731633

122
LR chi2(4) = 86.24
Prob > chi2 = 0.0000
Log likelihood = 39.284414 Pseudo R2 = 11.2359
lab -.0175755 .0020345 -8.64 0.000 -.0215914 -.0135596

docn .0058222 .0015058 3.87 0.000 .00285 .0087945
docvm -.0054561 .001613 -3.38 0.001 -.00864 -.0022722
amat -.0003655 .0000771 -4.74 0.000 -.0005176 -.0002133
_cons .9442594 .0440259 21.45 0.000 .8573553 1.031164
/sigma .1660905 .0096253 .1470908 .1850903


LR chi2(4) = 72.22
Prob > chi2 = 0.0000
lab -.0156077 .0019956 -7.82 0.000 -.0195469 -.0116685

adoc .0057476 .0025558 2.25 0.026 .0007026 .0107925
docn .0038763 .0015399 2.52 0.013 .0008366 .0069159
docvm -.0062778 .0016646 -3.77 0.000 -.0095636 -.002992
_cons .653845 .061209 10.68 0.000 .5330224 .7746676
/sigma .1693832 .0096894 .1502569 .1885094

123
Anexo 4. Efectos marginales
Average marginal effects Number of obs = 175

Model VCE : OIM
Expression : Linear prediction, predict()

dy/dx w.r.t. : aul lab bib adoc docn docvm adm
Delta-method
dy/dx Std. Err. z P>|z| [95% Conf. Interval]
aul -.0268383 .0058852 -4.56 0.000 -.0383731 -.0153035

lab -.012775 .0029932 -4.27 0.000 -.0186417 -.0069084
bib -.0862747 .0348793 -2.47 0.013 -.1546369 -.0179125
adoc .012641 .0032871 3.85 0.000 .0061985 .0190836
docn .0116036 .0025352 4.58 0.000 .0066348 .0165725
docvm -.0060173 .0020494 -2.94 0.003 -.010034 -.0020006
adm -.0187551 .0066809 -2.81 0.005 -.0318494 -.0056608

Model VCE : OIM

dy/dx w.r.t. : lab doc docn docvm
Delta-method
lab -.0136827 .0018424 -7.43 0.000 -.0172938 -.0100717

doc -.003047 .0010728 -2.84 0.005 -.0051496 -.0009444
docn .0046324 .0019113 2.42 0.015 .0008862 .0083785
docvm -.0057518 .0015164 -3.79 0.000 -.008724 -.0027797
124
Model VCE : OIM

dy/dx w.r.t. : lab docn docvm amat
Delta-method
lab -.0175755 .0020345 -8.64 0.000 -.021563 -.0135881

docn .0058222 .0015058 3.87 0.000 .002871 .0087734
docvm -.0054561 .001613 -3.38 0.001 -.0086175 -.0022947
amat -.0003655 .0000771 -4.74 0.000 -.0005166 -.0002144

Model VCE : OIM

dy/dx w.r.t. : lab adoc docn docvm
Delta-method
lab -.0156077 .0019956 -7.82 0.000 -.019519 -.0116963

adoc .0057476 .0025558 2.25 0.025 .0007383 .0107568
docn .0038763 .0015399 2.52 0.012 .0008582 .0068944
docvm -.0062778 .0016646 -3.77 0.000 -.0095403 -.0030153
125
Anexo 5. Batería de estimaciones del modelo Tobit

LR chi2(9) = 94.19
Prob > chi2 = 0.0000
Log likelihood = .85868999 Pseudo R2 = 1.0186
aul -.0245514 .0061029 -4.02 0.000 -.0366008 -.0125021

lab -.0125972 .0029923 -4.21 0.000 -.0185051 -.0066893
bib -.0975844 .035715 -2.73 0.007 -.1680985 -.0270703
amat .0002374 .0001682 1.41 0.160 -.0000947 .0005695
adoc .0057028 .006637 0.86 0.391 -.0074011 .0188066
doc -.0015856 .0023834 -0.67 0.507 -.0062913 .00312
docn .010163 .0031862 3.19 0.002 .0038723 .0164538
docvm -.0059019 .0020381 -2.90 0.004 -.0099259 -.0018779
adm -.0179287 .0067051 -2.67 0.008 -.031167 -.0046903
_cons .9164549 .1206314 7.60 0.000 .6782854 1.154625
/sigma .1947104 .0121721 .1706783 .2187426


LR chi2(9) = 67.90
Prob > chi2 = 0.0000
aul -.0026123 .0047403 -0.55 0.582 -.0119713 .0067468

lab -.0138674 .0023537 -5.89 0.000 -.0185144 -.0092203
bib -.0286175 .0275252 -1.04 0.300 -.0829621 .025727
amat .000051 .0001275 0.40 0.690 -.0002008 .0003027
adoc -.0000916 .0050132 -0.02 0.985 -.0099894 .0098062
doc -.0033392 .0018421 -1.81 0.072 -.0069761 .0002977
docn .0057565 .0023746 2.42 0.016 .0010682 .0104448
docvm -.0053554 .0015848 -3.38 0.001 -.0084843 -.0022265
adm -.0003102 .005043 -0.06 0.951 -.0102668 .0096464
_cons .7934925 .0933795 8.50 0.000 .609128 .977857
/sigma .155274 .008491 .1385097 .1720383

126
LR chi2(9) = 91.80
Prob > chi2 = 0.0000
Log likelihood = 42.064146 Pseudo R2 = 11.9602
aul .0074304 .0051078 1.45 0.148 -.0026543 .017515

lab -.0164225 .0025053 -6.56 0.000 -.0213688 -.0114762
bib -.0414599 .0293649 -1.41 0.160 -.0994368 .0165169
amat -.0003722 .0001472 -2.53 0.012 -.0006628 -.0000815
adoc .0028627 .0055037 0.52 0.604 -.0080035 .013729
doc -.0002021 .002067 -0.10 0.922 -.004283 .0038788
docn .0072352 .0025395 2.85 0.005 .0022214 .012249
docvm -.0052283 .0016761 -3.12 0.002 -.0085376 -.0019189
adm -.0034629 .0053589 -0.65 0.519 -.0140432 .0071174
_cons .869431 .1008581 8.62 0.000 .6703009 1.068561
/sigma .1638898 .0095032 .1451271 .1826524

127
Anexo 6. Base de datos
DMU AUL LAB BIB AMAT ADOC DOC DOCN DOCVM ADM AINV
1 17 19 1 386 10 40 33 10 8 118
2 5 14 0 311 16 20 12 2 9 132
3 5 3 0 499 18 27 12 0 9 162
4 10 2 2 742 14 54 39 11 7 406
5 10 6 1 567 27 21 16 14 8 176
6 9 7 1 871 12 74 21 5 5 175
7 6 7 1 658 10 67 21 3 4 184
8 15 1 1 177 2 75 33 4 4 49
9 7 7 1 321 10 33 19 16 9 84
10 8 15 1 610 21 29 17 26 6 165
11 12 19 1 398 22 18 16 9 6 116
12 9 11 2 672 23 29 17 0 9 305
13 9 9 1 279 9 31 20 3 8 90
14 7 9 2 632 23 28 14 28 4 164
15 9 6 1 365 17 22 14 24 4 124
16 8 6 1 557 17 33 14 4 4 140
17 8 33 1 689 11 64 50 8 21 101
18 8 11 1 422 14 31 26 2 10 140
19 9 11 0 358 14 25 15 1 6 151
20 3 9 0 483 16 31 13 1 6 151
21 6 16 1 579 8 73 24 0 8 286
22 5 10 1 447 6 69 34 10 12 172
23 12 1 1 1007 19 52 33 8 5 665
24 11 3 1 609 20 31 13 2 5 342
25 9 2 1 102 2 61 36 2 2 48
26 6 2 0 593 31 19 8 1 3 314
27 6 2 1 234 15 16 8 0 4 122
28 7 2 0 277 17 16 12 3 3 211
29 6 3 1 622 25 25 19 0 8 295
30 8 1 1 465 13 35 22 7 2 246
31 10 2 1 521 18 29 13 1 5 296
32 5 2 0 471 12 39 18 25 2 231
33 7 4 1 535 15 36 16 3 5 233
34 2 13 0 404 12 33 2 3 3 150
35 13 1 1 669 15 45 22 5 10 410
1 17 19 1 394 10 39 33 10 8 128
2 5 14 0 303 15 20 12 2 9 159
3 5 3 0 568 22 26 12 0 9 227
4 10 2 2 801 14 57 39 11 7 440
5 10 6 1 627 30 21 16 14 7 222
6 9 7 1 908 12 73 21 5 5 173
7 6 7 1 722 11 67 21 3 5 228
128
8 15 1 1 174 2 75 33 4 4 72
9 7 7 1 319 10 33 19 16 9 124
10 8 15 1 623 21 29 17 26 6 162
11 12 19 1 407 23 18 16 9 5 156
12 9 11 2 723 25 29 17 0 8 333
13 9 9 1 297 10 30 20 3 7 86
14 7 9 2 626 22 28 14 28 4 190
15 9 6 1 391 19 21 14 24 4 131
16 8 6 1 605 18 33 14 4 4 142
17 8 33 1 717 12 62 50 8 21 158
18 8 11 1 452 15 31 26 2 11 195
19 9 11 0 398 16 25 15 1 6 154
20 3 9 0 481 16 31 13 1 5 203
21 6 16 1 620 8 74 24 0 8 339
22 5 10 1 467 7 70 34 10 13 235
23 12 1 1 1024 20 52 33 8 6 688
24 11 3 1 628 20 31 13 2 6 347
25 9 2 1 709 12 60 36 2 2 393
26 6 2 0 258 14 19 8 1 3 142
27 6 2 1 269 17 16 8 0 4 207
28 7 2 0 381 24 16 12 3 3 289
29 6 3 1 659 26 25 19 0 8 347
30 8 1 1 481 14 35 22 7 2 296
31 10 2 1 549 19 29 13 1 5 320
32 5 2 0 514 13 39 18 25 2 287
33 7 4 1 565 16 36 16 3 5 248
34 2 13 0 398 12 33 2 3 3 140
35 13 1 1 690 15 46 22 5 11 425
1 17 19 1 366 9 40 33 10 9 157
2 5 14 0 279 14 20 12 2 9 93
3 5 3 0 599 23 26 12 0 9 237
4 10 2 2 838 14 58 39 11 7 396
5 10 6 1 642 31 21 16 14 10 256
6 9 7 1 908 13 72 21 5 6 217
7 6 7 1 743 11 65 21 3 5 258
8 15 1 1 174 2 75 33 4 4 62
9 7 7 1 255 8 33 19 16 7 119
10 8 15 1 640 22 29 17 26 7 159
11 12 19 1 371 21 18 16 9 6 152
12 9 11 2 692 24 29 17 0 11 333
13 9 9 1 282 8 34 20 3 9 113
14 7 9 2 602 22 28 14 28 6 180
15 9 6 1 393 19 21 14 24 5 138
16 8 6 1 600 18 34 14 4 4 201
17 8 33 1 696 11 65 50 8 19 175
18 8 11 1 435 13 33 26 2 13 207
129
19 9 11 0 430 20 22 15 1 5 224
20 3 9 0 421 15 29 13 1 5 127
21 6 16 1 643 9 68 24 0 9 407
22 5 10 1 473 8 63 34 10 12 245
23 12 1 1 1015 20 52 33 8 6 693
24 11 3 1 631 20 31 13 2 5 360
25 9 2 1 703 12 60 36 2 1 414
26 6 2 0 294 15 19 8 1 3 183
27 6 2 1 265 17 16 8 0 4 219
28 7 2 0 437 27 16 12 3 3 331
29 6 3 1 661 26 25 19 0 8 411
30 8 1 1 515 15 35 22 7 2 358
31 10 2 1 533 18 29 13 1 6 288
32 5 2 0 537 14 39 18 25 2 328
33 7 4 1 518 14 36 16 3 6 218
34 2 13 0 341 10 33 2 3 4 117
35 13 1 1 674 15 45 22 5 7 405
1 17 19 1 348 8 42 33 10 9 172
2 5 14 0 296 14 21 12 3 9 178
3 5 3 0 620 26 24 12 23 9 342
4 10 2 2 848 15 56 38 10 7 442
5 10 6 1 626 27 23 16 11 10 298
6 9 7 1 909 22 42 20 7 5 240
7 6 7 1 718 20 36 21 2 7 352
8 15 1 1 188 3 73 33 5 4 89
9 7 7 1 263 8 34 19 10 7 141
10 8 15 1 646 22 29 17 28 8 247
11 12 19 1 362 18 20 16 9 5 157
12 9 11 2 665 21 32 17 34 10 352
13 9 9 1 315 10 32 21 3 9 144
14 7 9 2 541 16 33 14 32 8 229
15 9 6 1 409 16 26 14 0 7 146
16 8 6 1 587 19 31 14 3 4 241
17 8 33 1 663 10 64 51 8 19 208
18 8 11 1 445 13 33 26 2 13 250
19 9 11 0 449 20 23 15 1 5 246
20 3 9 0 404 14 29 13 1 5 164
21 6 16 1 607 10 61 24 0 8 419
22 5 10 1 468 6 74 36 7 12 261
23 12 1 1 944 17 54 33 6 7 728
24 11 3 1 625 20 32 13 1 5 396
25 9 2 1 790 13 61 36 2 1 489
26 6 2 0 331 14 23 12 4 3 175
27 6 2 1 292 17 17 8 1 4 227
28 7 2 0 466 26 18 8 0 3 376
29 6 3 1 664 27 25 19 0 8 463
130
30 8 1 1 495 16 31 22 7 2 334
31 10 2 1 509 22 23 13 1 6 318
32 5 2 0 547 20 28 17 8 2 357
33 7 4 1 508 16 31 16 4 6 274
34 2 13 0 344 13 26 2 4 5 140
35 13 1 1 681 14 49 21 7 7 493
1 17 19 1 374 9 41 31 9 11 202
2 5 14 0 329 16 20 11 2 9 210
3 5 3 0 595 21 28 12 27 10 336
4 10 2 2 843 14 59 38 9 8 509
5 10 6 1 592 20 29 16 14 9 254
6 9 7 1 907 20 46 19 8 4 337
7 6 7 1 689 18 39 20 2 5 388
8 15 1 1 231 3 75 33 2 4 115
9 7 7 1 248 8 33 19 10 5 135
10 8 15 1 619 19 32 16 10 9 321
11 12 19 1 362 17 21 16 6 6 180
12 9 11 2 661 19 35 17 34 13 400
13 9 9 1 321 10 33 20 2 9 166
14 7 9 2 506 15 33 14 0 5 244
15 9 6 1 408 16 26 14 0 4 226
16 8 6 1 569 15 38 14 4 4 286
17 8 33 1 663 11 61 47 7 17 219
18 8 11 1 447 13 35 25 2 11 301
19 9 11 0 446 14 32 15 1 5 301
20 3 9 0 376 10 37 12 1 5 206
21 6 16 1 581 7 82 23 0 6 438
22 5 10 1 467 7 66 32 7 12 284
23 12 1 1 925 16 57 32 6 5 713
24 11 3 1 637 18 36 13 2 4 461
25 9 2 1 969 15 65 33 2 2 669
26 6 2 0 344 15 23 12 2 4 186
27 6 2 1 337 17 20 8 1 5 275
28 7 2 0 455 23 20 8 0 4 383
29 6 3 1 667 23 29 19 0 7 470
30 8 1 1 484 16 31 22 7 1 361
31 10 2 1 479 19 25 12 1 4 286
32 5 2 0 524 15 36 17 6 1 385
33 7 4 1 493 15 32 16 4 4 331
34 2 13 0 378 13 29 2 3 3 211
35 13 1 1 707 14 51 22 6 7 492
131

Ronald Raul Arce Coaquira

Cargado por

Copyright:

Formatos disponibles

Ronald Raul Arce Coaquira

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ronald Raul Arce Coaquira

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DEL ALTIPLANO

DOCTORADO EN ECONOMÍA Y POLÍTICAS PÚBLICAS

MEDICIÓN DE LA EFICIENCIA TÉCNICA DE LAS ESCUELAS

RONALD RAUL ARCE COAQUIRA

PARA OPTAR EL GRADO ACADÉMICO DE:

DOCTORIS SCIENTIAE EN ECONOMÍA Y POLÍTICAS PÚBLICAS

El estudio de investigación va dedicado en

- Es preciso agradecer y reconocer a la Universidad Nacional del Altiplano, primera

- Reconocimiento especial a mi asesor, quien, con su paciencia, con su experiencia

Puno, 14 de agosto de 2020.

ÁREA: Economía y Políticas Publicas.

1. Modelo de calidad para la acreditación de carreras profesionales universitarias 10

1. Proceso de Formación Profesional 8

El presente trabajo de investigación tiene como objetivo determinar el nivel de

En el presente trabajo de investigación tiene como objetivo determinar el nivel de

La presente investigación determina la eficiencia técnica que en los años 2014-2018

La hipótesis de partida en esta investigación ha sido que la asignación de los recursos

Se tiene la preocupación por el uso eficiente de los insumos y recursos (inputs) y

Para alcanzar el objetivo, en el primer capítulo del trabajo de investigación se desarrolla

1.1 Marco teórico

1.1.1 Sistema universitario peruano

1.1.1.1 Situación antes de la reforma universitaria

En la última década, el Perú experimentó importantes cambios

1.1.1.2 Reforma universitaria: Ley universitaria 30220

Dada esta problemática, en el 2014 el Estado peruano inició la

Un aspecto importante que aún está pendiente de definición es

1.1.2 Modelo de Calidad para la acreditación de carreras profesionales.

Construyamos juntos una educación de calidad. Bajo este enfoque el Sistema

El Modelo de calidad para la acreditación de carreras profesionales universitarias

El modelo cuenta con tres dimensiones: Gestión de la carrera, formación profesional y

La gestión de la carrera está orientada a evaluar la eficacia de la gestión institucional y

La formación profesional, que materializa las funciones de la universidad, está orientada

Planificación, Organización, Administración

Enseñanza – Aprendizaje, Investigación, Extensión y Proyección Social

Servicios de Apoyo para la Formación Profesional

Docentes Recursos Bienestar Infraestructura Grupos de

Figura 2. Modelo de Calidad para la Acreditación de Carreras Universitarias

Formación Enseñanza – Proyecto educativo – currículo. 13

Servicios de apoyo Docentes. Labor de enseñanza y tutoría. 9

Según la Tabla 2, se presenta el modelo de calidad para la acreditación de carreras de

En la Tabla 3, se presenta la agrupación de los estándares del modelo de calidad para la

Las condiciones básicas de calidad son las siguientes:

La acreditación peruana es un proceso innovador al tener en su modelo aspectos de

El proceso de acreditación que lleva a cabo el Consejo de Evaluación, Acreditación y

1.1.3 Eficiencia y calidad educativa

El concepto de calidad de educación, es relativamente nuevo, y aún no hay

La calidad aplicada a la educación, se presenta en la actualidad, como un aspecto

De acuerdo con Martínez (2010) Los indicadores como herramientas para la

En el marco de la II Reunión Intergubernamental del Proyecto Regional de

Eficacia y Eficiencia: son dos atributos básicos de la educación de calidad para

Pertinencia: La pertinencia de la educación, alude a la necesidad de que ésta sea

Relevancia: La relevancia responde al qué y para qué de la educación. Desde un

Equidad: Finalmente, una educación es de calidad si ofrece los recursos y ayudas

El enfoque de Política Pública: concepto de escuela eficaz como medida de

El enfoque de calidad de Política Pública establece que los resultados esperados

Una escuela “efectiva” es aquella en la que el factor Contexto Socioeconómico de

La eficiencia se refiere a la relación entre los objetivos educativos esperados y los

1.1.4 Economía de la educación, teoría de la producción y la eficiencia en el

Establecer criterios sobre la asignación eficiente de los recursos y en el uso

Max. h0 = r=1__ s.a.: r=1_ ≤ 1; j = 1,2,.,n Minimiza θ0-ε[ Σ S +Σ S ]s.a.: Σ λi X