el análisis envolvente de datos aplicado en la … · cuenta los municipios que reportan...
TRANSCRIPT
1
El Análisis Envolvente de Datos aplicado en la medición y evaluación de la eficiencia de los Municipios de Bolivia
Dante Ayaviri Nina
UNIVERSIDAD TÉCNICA DE ORURO
Silverio Alarcón Lorenzo UNIVERSIDAD POLITECNICA DE MADRID
Resumen El presente trabajo de investigación desarrolla un método de medida de la eficiencia, aplicado en la medición de la eficiencia asignativa de los recursos financieros en los municipios de Bolivia. Se consideran los criterios de eficiencia desde el punto de vista de la asignación y administración de recursos destinados a la inversión productiva, cuya representación mayor es el ámbito agrícola. El análisis de la eficiencia en los municipios de Bolivia toma como referencia el análisis de frontera no paramétrica (Análisis Envolvente de Datos, DEA) que envuelve los datos observados y permite una discriminación entre municipios eficientes e ineficientes. Para el análisis se toma en cuenta los municipios que reportan información financiera respecto al presupuesto de la Iniciativa para los Países Pobres Altamente Endeudados (HIPCII), presupuestos destinados a la ejecución de proyectos sociales y de desarrollo. La información recopilada y analizada contempla el periodo 2007-2011, por su disponibilidad en el Ministerio de Economía y Finanzas Públicas de Bolivia. Se realiza un estudio desde el punto de vista de la gestión y la Ley de Descentralización Administrativa que establece como norma, la búsqueda de la eficiencia en el uso y administración de los recursos financieros. Palabras claves: Análisis Envolvente de Datos, eficiencia asignativa, municipios, inversión productiva. 1. Introducción. La necesidad de abordar estudios de la eficiencia respecto a la administración y asignación de los recursos financieros en los municipios, es reciente e importante. Al respecto, diversos autores (Athanassopoulos y Triantis, 1998; Afonso y Fernandes, 2005; De Borger y Kerstens, 1996; Herrera y Málaga, 2007) señalan que la medición de la eficiencia en la administración pública, particularmente en los municipios, alcanza una especial importancia por el papel que juegan en el desarrollo local, aunque con algún grado de dificultad cuando los estudios se realizan en distintos contextos (Worthington y Dollery, 2000). Así, a partir de los años noventa en el intento de medir la eficiencia, se observa el surgimiento del indicador de gestión municipal, como una medida basada en los principios de economía, eficiencia y eficacia, como lo describen Prado y García (2004) y Afonso et al. (2003). Por otra parte, en la última década se realizaron investigaciones en el ámbito de la administración pública considerando los métodos paramétricos y no paramétricos (Prado y García, 2007; Herrera y Málaga, 2007; entre otros). En este contexto, el objetivo del presente trabajo de investigación es determinar la eficiencia asignativa de los recursos financieros en materia de inversión productiva agrícola en el conjunto de los Municipios de Bolivia.
2
Se desarrolla un método de medida y se valida en un caso de aplicación, como es la medición de la eficiencia asignativa de los recursos financieros en los municipios de Bolivia. Este elemento de análisis de gestión en la administración pública facilita el uso y aplicación en la mejora de los servicios a la población (Prado y García, 2004). Asimismo, se considera los criterios de eficiencia desde una perspectiva de la valoración de las intervenciones o acciones del municipio en materia de asignación presupuestaría a los programas y proyectos en su jurisdicción. El análisis de eficiencia en los municipios de Bolivia toma como referencia, el análisis de frontera no paramétrica porque el método envuelve los datos observados y realiza una discriminación entre eficiencia e ineficiencia. En concreto se emplea el Análisis Envolvente de Datos (DEA), que tiene mayor aceptación en la medición de la eficiencia (Pinilla, 2001). También conviene destacar que se toma en cuenta para el estudio, los municipios de Bolivia que reportan información financiera respecto a los presupuestos del HIPCII, presupuestos destinados a la ejecución de proyectos sociales y de desarrollo. Sin embargo, por una cuestión estratégica de análisis, se considera los recursos destinados al sector productivo (proyectos agrícolas). La información recopilada y analizada contempla el periodo 2007-2011, por su disponibilidad en el Ministerio de Economía y Finanzas Públicas del Estado Plurinacional de Bolivia. Se realiza un estudio desde el punto de vista de la organización y la Ley de Descentralización Administrativa que establece como norma, la búsqueda de la eficiencia en el uso y administración de los recursos financieros. 2. Metodología. El presente trabajo de investigación recoge la preocupación de la administración de los recursos financieros en los municipios. Y, aborda el estudio de la medición bajo criterios de eficiencia, que se constituye en el aporte científico sobre las acciones locales del municipio en materia de administración y asignación de recursos financieros (Loikkanen y Susiluoto, 2005). De esta forma, la medición de la eficiencia permite conocer de qué forma vienen administrando los recursos financieros en las políticas locales (Herrera y Málaga, 2007). Para determinar la eficiencia municipal, se utiliza la información estadística e indicadores de desempeño de los municipios de Bolivia, es decir, aquella información disponible en el Ministerio de Economía y Finanzas Públicas - Viceministerio de Presupuesto y Contabilidad Fiscal, que alcanza a 323 municipios en promedio; y se considera para el estudio el periodo 2007-2011. Para el tratamiento de los datos se emplea el Programa Frontier, herramienta diseñada con la finalidad de medir la eficiencia en las organizaciones (Coll y Blasco, 2006). En primera instancia se realiza una clasificación grupal de los municipios, a través del análisis cluster y su verificación con el análisis discriminante, con la finalidad de cumplir el requisito de homogeneidad del análisis de eficiencia productiva municipal; en segundo lugar, la utilización de la regresión lineal múltiple permite identificar las variables de la función de producción municipal. Finalmente se realiza el cálculo del índice de eficiencia (análisis de frontera no paramétrica) a través del método de Análisis Envolvente de Datos (DEA) cuya característica es la discriminación de elementos eficientes e ineficientes. Se emplea el DEA en la medición de la eficiencia, porque es un método aceptado en la evaluación o medición de la eficiencia en distintos sectores privado y público (Loikkanen y Susiluoto, 2005; Pinilla, 2001; Santín, 2006; Albi, 1992; Afonso y Fernandes, 2005; Herrera y Málaga, 2007; Dios Palomares et. al, 2004, Ayaviri, 2007). Para el análisis, se formula un modelo que tiene relación con la inversión productiva municipal, que contempla a los proyectos de inversión en el sector agropecuario.
3
Los indicadores de eficiencia se constituyen como una referencia para el análisis de las políticas locales que intentarán explicar la preocupación de la administración por los recursos financieros en los municipios. En otras palabras, la evaluación a la gestión municipal bajo los criterios de eficiencia, permite un conocimiento más apropiado sobre las acciones locales del municipio en función del manejo óptimo de los recursos (Ayaviri, 2011). El propósito de la medición de la eficiencia municipal es observar la forma en qué medida y forma vienen administrando los recursos financieros respecto a las políticas locales, operacionalizados a través de programas y proyectos de inversión productiva. La metodología y el método aplicado representan aportes importantes en el ámbito del desarrollo local y administración pública porque analiza la eficiencia en la asignación de recursos financieros a proyectos de desarrollo local. 3. Justificación. La creciente investigación de la eficiencia en organizaciones públicas tanto en Europa como en América Latina, ha provocando diferentes cambios en la consideración de variables inputs y ouputs de la función de producción. Así por ejemplo en la última década, el sector municipal ha considerado para su medición, indicadores de gestión municipal a fin de evaluar la gestión de los gobiernos municipales y proponer propuestas metodológicas considerando el concepto de benchmarking y los índices de desempeño municipal, con el objetivo de facilitar la toma de decisiones y la rendición de cuentas, sean en órganos superiores o políticos. Algunos estudios en el espacio europeo (Lasheras et al., 1991; Jiménez, 1987; Mendoza, 1993; Smith, 1993; Williams, 2003; Prado y García, 2004) utilizan los indicadores de gestión municipal. En cambio, en América Latina el estudio de la eficiencia municipal es reciente, es a partir del año 2005 que se inicia el estudio del desempeño municipal. Entre las investigaciones se pueden identificar a (Herrera y Málaga, 2005) quienes analizan y proponen indicadores de gestión municipal para los municipios de Perú, bajo el supuesto de la inexistencia de indicadores de gestión municipal; también (Caro, 2005) realiza una evaluación del desempeño municipal de los municipios de Chile, en un estudio elaborado por el Departamento de Estudios Municipales de la División de Políticas y Estudios de la Subsecretaria de Desarrollo Regional en Chile, como resultado del estudio se viene elaborando e implantando el Sistema Nacional de Indicadores Municipales en la actualidad. Otros países han planteado la necesidad de abordar sistemas de medición de la eficiencia en el ámbito de los municipios, entre ellos Argentina a través de la Subsecretaria de Asuntos Municipales; en Brasil, en el Estado de Paraná a través del Programa Paraná Urbano que viene aplicando siete medidas de desempeño referidos al uso de fondos transferidos, proyectos de inversión por programas; en Colombia a través del Departamento administrativo Nacional de Estadística, ha iniciado la formulación y construcción de un conjunto de indicadores sociales de gestión, de medio ambiente, así como de investigación y desarrollo de estos indicadores; en Uruguay se encuentra en fase experimental la formulación, construcción y desarrollo de indicadores de gestión municipal que se soporta técnicamente en el Plan Estratégico de la Ciudad de Montevideo que ha permitido la selección y sistematización de los indicadores. En el caso de Bolivia, tras una revisión bibliográfica se constata la ausencia de estudios respecto al análisis y medición de la eficiencia de los municipios. La falta de estudios acerca de la eficiencia municipal se debe al grado de dificultad que representa abordar el análisis de eficiencia en el sector público en general, así lo reconocen (Worthington y Dollery, 2000; (Athanassopoulos y Triantis, 1998; Afonso y Fernandes, 2005; De Borger y Kerstens, 1996; Herrera y Málaga, 2007; Ayaviri,
4
2011), ésta eficiencia define las reglas del juego formales e informales que otorgan una disciplina institucional (Alfonso Gil, 2001), sobre todo cuando se trata de medir la eficiencia de las políticas locales a nivel municipal y la determinación de la función de producción. Por ello, a partir de los años noventa en el intento de medir la eficiencia, se observa el surgimiento del indicador de gestión, como una medida basada en los principios de economía, eficiencia y eficacia, como lo describen (Prado y García, 2004). En consecuencia, se observa la necesidad de abordar el estudio de la eficiencia en los municipios de Bolivia, empleando una metodología científica, puesto que la mayoría de los indicadores de gestión establecidos por la administración pública y otras, están siendo considerados como poco útiles para el control de los servicios (Prado y García, 2004). Así también, conviene destacar que el estudio es de vital importancia, porque nos ayuda a entender y plantear algunas acciones que puedan surgir del trabajo, de tal forma que se pueda gestionar adecuadamente los recursos existentes en los procesos de implantación de los programas y proyectos de competencia municipal. 4. Aspectos teóricos - Eficiencia municipal Según (Pinilla, 2001:331) el análisis de la “eficiencia y la productividad tuvo su origen en los años cincuenta con los trabajos de Koopmas (1951), Debreu (1951), Farrell (1957). Sin embargo, su investigación formal tanto en términos analíticos como empíricos comenzó veinte años después con las contribuciones de Charnes et. al. (1978)”. A fecha de hoy, existen varios métodos y aplicaciones para medir y analizar la eficiencia en distintas áreas, pasando desde el ámbito privado al sector público, entre ellos se encuentran los municipios, ya que, conceptualmente la eficiencia en el ámbito público, es un elemento importante tanto para la expansión de la producción, del progreso técnico o de la productividad en el tiempo y es condición necesaria para la formulación de políticas económicas coherentes con necesidades reales de los municipios. Por ello, el análisis de la eficiencia tiene una creciente importancia no solamente en los sectores productivos sino también en el sector público, como se ha mencionado anteriormente. Conceptualmente la eficiencia desde la perspectiva microeconómica se encuentra relacionado con la economía de la producción, considerando para ello, el uso racional de los recursos disponibles, lo que permite calificar de eficiente a un proceso de producción, cuando se emplean los factores de producción de una manera óptima, dada una determinada tecnología. Sin embargo, en la literatura podemos encontrar diferentes definiciones de la eficiencia. Así por ejemplo la Intervención General de la Administración del Estado (IGAE, 1997:125), define la eficiencia “como el grado de optimización del resultado obtenido en relación con los recursos empleados”, La Asociación Española de Contabilidad y Administración de Empresas (AECA, 1996:25) señala que la eficiencia es “la relación existente entre los bienes y servicios consumidos y los bienes y servicios producidos; o, lo que es lo mismo, por los servicios prestados (outpusts) en relación con los recursos empleados a tal efecto (inputs)”. En el ámbito municipal la eficiencia es analizada en función a la conceptualización sobre eficiencia económica desarrollada por (Farrel, 1957), sin dejar de lado lo que señalan sus antecesores con relación a la cuantificación de la eficiencia, como: (Debreu, 1951:173), “que propone una medida de la eficiencia basada en una ratio de distancias, que consiste en la cuantificación de la proporción en que la situación obtenida en una economía se aleja de la óptima, considerando
5
como tal aquella en la que fuera posible aumentar la satisfacción de algún individuo sin, al menos, disminuir la de otro”. Por otro lado, (Koopmans, 1951), define a un punto de eficiencia como aquella combinación del producto neto que, siendo factible, posee la propiedad de que cualquier incremento en una de sus coordenadas puede ser lograda solo a costa de disminuir al menos una de las restantes, similar al modelo de los inputs y outputs, sin identificar como se obtendría los valores de eficiencia. Sin embargo, define la eficiencia técnica como aquella en la que un incremento en cualquiera de los outputs, exige una reducción en al menos alguno de los restantes o el incremento de alguno de los inputs (enfoque outputs), o bien en la que la disminución de un input, cualquiera, exige el aumento de algún otro, o la disminución de algún output (enfoque inputs). En el planteamiento inicial de la eficiencia, (Farrel, 1957) determina dos conceptos de eficiencia: 1) la eficiencia técnica (ET), que es la capacidad de una unidad económica para producir el máximo posible, dado en un conjunto de inputs y/o la habilidad de una organización de obtener el máximo nivel de producción con unos recursos dados, estos recursos pueden ser logístico, infraestructura y costes de operación en materia primas 2) la Eficiencia Asignativa (EA) que se refiere a la capacidad de una unidad económica para escoger un conjunto óptimo de inputs, dado los correspondientes precios, se trata de producir lo máximo a partir de una combinación de inputs, que con el mínimo coste se alcanzará un output determinado a unos precios establecidos (Athanassopoulos y Triantis, 1998; Afonso y Fernandes, 2005). Por su parte, (Stiglitz, 2002) propone valorar las instituciones por lo que llama la eficiencia distributiva, que mide no solo los resultados que se obtienen, sino también la eficiencia con la que estos resultados se distribuyen en la comunidad. La eficiencia distributiva se alcanza cuando los recursos se distribuyen de tal forma que maximizan el bienestar de la sociedad. A partir de ello, se determina la eficiencia global o económica (EE), que consiste en el producto de la eficiencia técnica y la asignativa (Albi, 1992), como se puede observar en el siguiente gráfico.
Gráfico 1 Eficiencia técnica y asignativa
A
Yo
C
Eficiencia Técnica
D
Eficiencia Asignativa B
F
E
C’ F’’ O L
K
Isocoste
Isocuanta
Fuente: Adaptado de (Albi, 1992) En el caso de la eficiencia municipal, ésta es conocida como eficiencia productiva municipal (Athanassopoulos y Triantis, 1998; Loikkanen y Susilouto, 2005). La eficiencia productiva es la comparación entre los valores observados y los valores óptimos de insumos y productos, donde la relación se encuentra entre la cantidad del producto obtenido y su nivel máximo, dada una
6
cantidad de insumo utilizado, (Albi, 1992; Athanassopoulos y Triantis, 1998; Herrera y Málaga, 2007). Así, según (Sampaio de Sousa y Stosic, 2003) la eficiencia productiva agrupa dos componentes: una puramente técnico -físico- y el segundo de tipo monetario -recursos financieros-. Por lo tanto, en el presente trabajo se contempla la eficiencia municipal como sinónimo de la eficiencia productiva municipal, dada las definiciones y aplicaciones realizadas en el ámbito de los municipios y que estos están ligados estrechamente en la búsqueda del desarrollo local. Conviene mencionar que la medición de la eficiencia en el ámbito de los municipios, es un proceso aún complejo en relación al sector privado, así lo señalan (Albi, 1992; Lovell, 2000; Afonso y Fernandes, 2005), debido a que el sector público se ve afectado por los objetivos públicos que son múltiples, complejos y en ocasiones difusos y no claramente definidos; aunque (Herrera y Málaga, 2007; Ayaviri, 2007) coinciden que la filosofía y actividad central, es la búsqueda del bienestar social a través de la implantación de programas y proyectos. a) Factores externos explicativos del índice de eficiencia Autores como (Fernández y Flores, 2009), han identificado variables para medir la eficiencia municipal, entre las que destacan las siguientes: - Nivel económico del municipio: Con carácter general, existe la creencia de que cuanto mayor sea el nivel económico de un municipio, mayores serán los ingresos recaudados, menores las necesidades a cubrir y, de esta forma, se producirá una relajación en la gestión municipio, con el consiguiente decremento del grado de eficiencia (Spann, 1977; Silkman y Young, 1982 y De Borges y Kerstens, 1996). No obstante, en los últimos años se han desarrollado estudios que contradicen esta relación, al no observar un impacto significativo del nivel económico sobre el grado de eficiencia local (Giménez y Prior, 2003; Benito López et al., 2005). - Tamaño del municipio: El impacto del tamaño del municipio sobre el grado de eficiencia de éste depende en gran medida de los inputs y outputs analizados. Así, por ejemplo, respecto a servicios públicos como los servicios policiales o la recogida de basuras, suele observarse una relación inversa entre el tamaño del municipio (medida en términos de territorio o de población) y la eficiencia conseguida, debido a la reducción de la intensidad en la prestación de los servicios (Darrough y Heineke, 1979; Cameron, 1989; Callan y Thomas, 2001 y Díez Ticio y Mancebón, 2003). No obstante lo anterior, existen estudios que observan la presencia de economías de escala hasta un determinado número de habitantes (Kitchen, 1976), o bien que descubren una débil asociación positiva entre ambas variables (Benito López et al., 2005) por lo que tampoco existe una teoría clara en este ámbito. Por lo que respecta a la consideración de inputs y outputs presupuestarios, apenas existen estudios en este campo, por lo que resulta difícil formular una hipótesis fundamentada acerca del impacto y signo de esta variable sobre la eficiencia municipal (Fernández y Flores, 2009). - Estacionalidad de la población: La estacionalidad de la población puede afectar directamente al nivel de eficiencia municipal, dado que cuanto más estable sea una población mayor capacidad tendrá la entidad local para estimar y cubrir sus necesidades, al tiempo que las inversiones realizadas alcanzarán un mayor nivel de productividad. Por el contrario, la presencia de una población estacional importante puede llevar a acometer inversiones que únicamente se empleen en determinadas épocas del año, o por el contrario a no satisfacer las necesidades de tales picos poblacionales debido a su menor vinculación con el entorno y a su carácter inestable (Bosch et al., 2001 y Díez-Ticio y Mancebón, 2003). No obstante, algunos estudios recientes no han encontrado
7
una relación significativa entre esta variable y el nivel de eficiencia municipal (Bel, 2005 y Benito López et al., 2005). - Esfuerzo fiscal: El esfuerzo fiscal ha sido utilizado habitualmente como variable de control, esperándose una relación directa entre los tributos pagados por los contribuyentes y el nivel de servicios públicos recibidos (Davis y Hayes, 1993 y De Borges y Kerstens, 1996). - Número de comunidades: Esta es una variable que debe ser considerada a objeto de contrastar con el tamaño del municipio y los recursos que administran y aquellos que destinan tanto a proyectos sociales y de desarrollo (Ayaviri, 2011) - Métodos de medición para la eficiencia municipal La medición de la eficiencia en el sector público como son los municipios, es un proceso aún complejo, debido a las siguientes razones: 1) que los supuestos microeconómicos que asume, se refieren a que los agentes maximizadores del beneficio son plenamente eficientes, que implica elegir de entre todas las combinaciones de inputs que producen el nivel anterior se elige la más barata (eficiencia asignativa) y no se desperdician recursos (eficiencia técnica); 2) el sector público se ve afectado por los objetivos públicos que son múltiples, complejos y en ocasiones difusos y no claramente definidos; 3) los bienes y servicios que produce el sector público se valoran generalmente solo por sus costes, ya que la actuación pública carece de mercados en competencia perfecta que determinen los precios; 4) las relaciones tecnológicas entre inputs y outputs están condicionadas por la presencia de los factores relacionados con la organización o también llamada ineficiencia x, así los trabajadores pueden limitar su esfuerzo y maximizar su utilidad empleando más factores de producción que los necesarios; 5) no suelen existir incentivos claros ligados a objetivos. En cambio en el sector privado, por la disponibilidad de información y el acceso a datos relacionados a ingresos y costos, su medición se torna más efectiva, por lo que su aporte en la toma de decisiones también resulta más oportuno y efectivo (Albi, 1992). Es importante considerar los tipos de análisis de eficiencia existentes en la teoría de la medición de la eficiencia. La teoría presenta dos tipos de análisis de eficiencia: una se refiere al análisis de coste – beneficio y la otra al análisis de la eficiencia en términos de output y la de inputs, entre otras. La que actualmente se viene utilizando y se encuentra difundida es el análisis de frontera, ésta intenta estudiar la eficiencia de unidad respecto del mejor comportamiento mostrando por algunas de las unidades de la muestra que formarán parte de la frontera, donde las ineficiencias se encuentran por debajo de la frontera de producción o por encima de la frontera de coste (Herrera y Málaga, 2007). Este tipo de análisis permite considerar varios inputs y ouputs. Los métodos de medición de la eficiencia han sido estudiados por varios autores (Lovell, 2000; Lovell y Schmidt, 1988; Pinilla, 2001; Prieto y Zofio, 2001) y coinciden que los métodos más utilizados son: el primero se refiere al análisis de coste – beneficio1 y el segundo al análisis de la eficiencia en términos de output e inputs. Esto último considera el difundido análisis de frontera,
1 El análisis coste – beneficio es la técnica más completa de valoración de la relación entre los recursos empleados y los objetivos perseguidos. Generalmente es utilizado para evaluar proyectos de inversión, así también a los gastos públicos en educación y sanidad. La eficiencia dado un nivel de ouput, la eficiencia técnica en términos de la minimización del input se mide por el ratio entre el input mínimo y el real, es decir que cuanto más recursos se utilice en la obtención del nivel dado de output menos eficiente será la producción, lográndose un nivel completo de eficiencia cuando el input real coincida con el mínimo. En cambio la eficiencia técnica en términos de la maximización del output, dada la utilización del input, se mide por el ratio entre el output real y el máximo, es decir cuanto menos sea el ouput en comparación con el máximo, más eficiente será la producción, llegando a un 100% de eficiencia cuando la producción sea máxima. Para mayor ampliación ver Albi, 1992: 160 – 170.
8
que estudia la eficiencia de una unidad respecto al mejor comportamiento de las unidades de la muestra que formarán parte de la frontera, donde las ineficiencias se encuentran por debajo de la frontera de producción o por encima de la frontera de coste (Afonso y Fernandes, 2005). Este tipo de análisis permite considerar varios inputs y ouputs. El análisis de frontera adopta dos tipos de análisis, una paramétrica y otra no paramétrica: a) Frontera paramétrica Es un método que requiere la especificación formal de la función de coste o beneficio. Esta característica viene relacionada con la econometría a través de la estimación; es decir, la frontera puede ser estimada econométricamente, siempre y cuando se conozca a priori la función que relaciona las variables pertinentes (Pinilla, 2001). Según (Herrera y Francke, 2007) existen tres métodos paramétricos: 1) la Frontera Estocástica (FE) o frontera econométrica, que consiste en la estimación de una frontera del entorno2; 2) la Distribution Free Approach (DFA), este método no requiere una distribución de probabilidad específica para la ineficiencia. Se puede encontrar el promedio del término de error para cada entidad a través del tiempo utilizando datos de panel y 3) el método de la Frontera Gruesa (FG), consiste en asignar los individuos de la muestra en dos grupos, aquellos considerados más eficientes y los más ineficientes, estimándose posteriormente dos fronteras, una para cada grupo, y se comparan las diferencias entre ellas. b) Frontera no paramétrica El análisis de frontera no paramétrica no requiere asumir una función de coste o beneficio. Se basa en un procedimiento básico, fundamentado en técnicas de optimización lineal, que consiste en el cálculo de una envoltura convexa alrededor de los puntos que representan en el espacio de producción, insumos y costes. Donde la envoltura se asimila a la frontera eficiente. Entre los métodos más conocidos en su aplicación, se encuentra el Data Envelopment Analysis (DEA) y el Free Disposal Hull (FDH) (Pinilla, 2001; Santín, 2006; Herrera y Francke, 2007). En el análisis no paramétrico, la frontera “permite ajustar en una envolvente los datos tomando como referencia las unidades más eficientes. No tiene en cuenta la existencia de unidades marginales” (Albi, 1992: 171). Es decir, que el DEA permite evaluar el desempeño de las unidades analizadas a partir de una comparación con el mejor productor3 (Santín, 2006). Se sustenta en la idea de que si un productor puede lograr un nivel de resultados con un nivel de recursos, -aunque éste no sea el óptimo-, todos los demás productores están en condiciones de hacer lo mismo o tomar medidas que le permitan mejorar sus resultados, su finalidad y la eficiencia, tal como se puede observar en el siguiente gráfico:
2 El término estocástico obedece a que las diferencias en eficiencia se capturan por medio del término de error, que se descompone entre el ruido estadístico y la ineficiencia; donde para llevar a cabo esta descomposición es necesario suponer que la ineficiencia proviene de una determinada distribución. 3 El productor en la presente investigación corresponde a la unidad productiva, es decir a los municipios.
9
Gráfico 2 Frontera de eficiencia
A
B
C
Frontera de
eficiencia
D
Fuente: Elaboración propia con base en Pinilla (2001) En el siguiente cuadro, se presenta la diferencia entre los métodos paramétricos y no paramétricos en la medición de la eficiencia.
Cuadro 1 Métodos de análisis de eficiencia y de estimación de la frontera de producción
METODOS
PARAMETRICOS
NO PARAMETRICOS
Tipología 1.Estadístico -Determinista -Estocástico 2.Programación Matemática -Determinista -Estocástico
1. Programación matemática - Determinista - Estocástico
Precursores 1.Estadístico -Determinista: Afriat (1972), Richmond(1974) -Estocástico: Aigner et.al (1977), Meeusen et.al (1977) 2.Programación Matemática -Determinista: Aigner y Chu (1968), Nishimizu y Page(1982) -Estocástico: Tintner (1960), Timmer (1971)
1. Programación matemática - Determinista: Charnes, Cooper y Rhodes (1978) y extendida por Banker, Charnes y Cooper(1984) - Estocástico: Sengupta(1990)
Supuestos estadísticos
Altos: necesitan supuestos acerca de varios aspectos del análisis como la función de distribución del error o de la ineficiencia. Exige una forma funcional
Bajos: No asume ninguna forma funcional con relación a la tecnología que relaciona los factores productivos y resultados. Utiliza supuestos poco restrictivos, como convexidad, libre disposición de inputs y outputs e imposición de rendimientos a escala.
Flexibilidad Media Alta: porque es sensible a la presencia de datos externos.
Cálculo de elasticidad
Si No permite el cálculo de elasticidades output – input,
Proyecciones/generaliz.
Media – Alta Ninguna: no permite predicciones de resultados
10
Tipo de frontera
Estocástica Estocástica
Modelos - MCO Corregido
- Frontera estocástica
- FDH (Free Disposable Hull)
- DEA (Data Envelopment Analysis)
Diferencias en los modelos
Se estiman una frontera estocástica por técnicas econométricas. Las desviaciones de la frontera son explicadas por la ineficiencia + un solo ruido.
Se estiman la frontera, a través de la utilización de la programación lineal- DEA (Se considera desviaciones de la frontera solo por ineficiencia no ruido).
Tipo de análisis
Especifican una determinada forma funcional para recoger las relaciones entre las variables analizadas. Las paramétricas deterministas consideran como ineficiencia cualquier desviación de la frontera de producción, y se pueden estimar mediante mínimos cuadrados corregidos u ordinarios modificados. Las estocásticas, consideran que las desviaciones de la frontera se descomponen en dos componentes independientes, un componente aleatorio y otro de ineficiencia. Se estima en dos etapas, la primera por mínimos cuadrados ordinarios y la segunda por máxima verosimilitud.
Analizan la eficiencia de las unidades productivas a partir de un conjunto de supuestos adoptados sobre la referencia tecnológica, usualmente desconocida, a partir de los datos disponibles.
Fuente: Elaboración propia con base en (Coll y Blasco, 2006; Santín, 2006; Herrera y Francke, 2007; Pinilla, 2001)
En función a lo expuesto, el análisis de eficiencia para los municipios de Bolivia toma como referencia, el análisis de frontera no paramétrica. Las razones son las siguientes: 1) se observa que la herramienta considerado en la medición de la eficiencia del sector público y en especial de los municipios, es el análisis de frontera, porque dependen de la forma en que la frontera esta especificada, ya sea, si la frontera es calculada a partir de una función de producción o una función de costos. Donde la función de producción muestra las cantidades producidas como función de los insumos utilizados; en cambio, una función de costes muestra el coste total de producción como función del nivel de producto y el precio de los insumos; 2) Asimismo, el análisis de frontera adopta dos tipos de análisis, la paramétrica y la no paramétrica, donde la primera “tienen una forma funcional concreta para la frontera, estimando sus parámetros mediante programación matemática o técnicas econométricas” (Pinilla,2001:30) en cambio en el no paramétrico “la frontera no se construye paramétricamente, sino que se realizan unos supuestos sobre las propiedades de la tecnología que permiten definir el conjunto de procesos productivos factibles, cuya frontera envuelve a los datos observados” (Pinilla, 2001:32). Y dentro del método no paramétrico la técnica más utiliza para medir la eficiencia, es el Data Envelopment Analysis (DEA). 5. Aplicación del DEA En primer lugar, señalar que el DEA es una metodología que surge “a raíz de la tesis de Rhodes (1978) y se trata de una técnica de programación matemática de tipo lineal, que se emplea para medir la eficiencia relativa de unidades organizativas que presentan las mismas metas y objetivos. Es una técnica desarrollada por Charnes, Coopers y Rhodes (1978) quienes se basaron en un trabajo preliminar de Farrell (1957). En este ámbito, después de realizar una revisión bibliográfica al respecto, existen investigaciones realizadas sobre la eficiencia de los servicios en las instituciones públicas donde emplearon 1)
11
DEA (Data Envelopmet Análisis - Análisis Envolvente de Datos), como Vanden Eeckaut et. al. (1993); Borger et.al. (1994); Borger y Kertens (1996a y 1996b); Athanassopoulus y Triantis (1998); Conceicao Sampaio de Sousa and Ramos (1999); Fried y Klein (1999); Tairou (2000); Nold Hughes y Edwards (2000); Worthington (2000); Prieto y Zofio (2001); Balaguer (2002); Balaguer et. al. (2002a, 2002b); Giménez et al. (2000 y 2003); Herrera et.al (2007), entre otros; 2) FDH (Free Disponsal Hull): Vanden Eeckaut et. al. (1993); Borger et.al. (1994); Borger et.al. (1996b); Conceicao Sampaio de Sousa and Ramos (1999). Entre los paramétricos, se encuentran Parks (1983); Cubbin et. al. (1987); Burgat y Jeanrenaud (1990); Norman y Stoker (1991); Chang y Kao (1992); Distexhe (1993) Tulkens (1993); Lambert y Diechev (1993); Levaggi (1994); Cuenca (1994); Thanasoulis (1995); Kerstens (1996); Carrington et. al. (1997); Calderón (1997); Ahanassopoulus (1998); Viton (1998); Nyhan y Martín (1999); Cowie y Asenova (1999); Worthintong y dollery (2001) (2000); Ancarani(2000) Ancarani y Capaldo(2001); Pina y Torres (2001); Bosch (2000 – 2001); Thanassoulis (2002); Jaldell (2002); Gaiola (2002), Anwandter y Ozuna (2002); Drake y Simper (2000, 2001, 2002); Tuper y Resende (2004); Karlaftis (2004); Boadme (2004); Hovald et. al (2004), Herrera y Ortega (2005); Herrera y Francke (2007), Fernández y Flores (2006) entre otros. La metodología del DEA, permite la construcción de una superficie envolvente, frontera eficiente o función de producción empírica, a partir de los datos disponibles del conjunto de unidades objeto de estudio de forma que las unidades que determinan la envolvente son denominadas unidades eficientes y aquellas que no permanecen sobre la misma son consideradas unidades ineficientes” en (Coll y Blasco, 2006: 23). Este método se diferencia de la metodología Free Disposal Hull (FDH), ya que el mismo a pesar de ser abordado por (Farrel, 1957) y formalizado por (Serpins et al., 1984) que es utilizado para medir la máxima reducción equiproporcional en la totalidad de inputs relacionados con la producción de outputs observados (Coelli et. al., 2002); donde, una unidad productiva es considerada técnicamente eficiente si es posible producir el mismo nivel de output con el empleo de menos inputs (Herrera y Francke, 2007). Por otro lado, el método establece dos direcciones básicas a la función de producción como mencionan (Coll y Blasco, 2006:21), “a) con dirección input: significa buscar, dado el nivel de outputs, la máxima reducción proporcional en el vector de inputs mientras permanece en la frontera la posibilidad de producción; b) con dirección output: significa que buscan, dado el nivel de inputs, el máximo incremento proporcional de los outputs permaneciendo dentro de la frontera de posibilidades de producción”. Al mismo tiempo, según (Pinilla, 2001; Albi, 1992) implica determinar la tipología de los rendimientos a escala que debe caracterizar a la producción, en esto último se observa tres tipos de rendimiento a escala: a) la de rendimiento constantes a escala, que ocurre cuando el incremento porcentual del output es igual al incremento porcentual de los recursos productivos; 2) la de rendimientos crecientes a escala -o económicas de escala-, ocurre cuando el incremento porcentual del output es mayor que el incremento porcentual de los factores y; 3) la de rendimientos decrecientes (o des economías de escala) a escala, que ocurre cuando el incremento porcentual del output es menor que el incremento porcentual de los inputs. En este contexto, dado que los gobiernos municipales ofrecen servicios a la comunidad, y además de maximizar la oferta de servicios con los recursos disponibles (Herrera y Málaga, 2007), el presente trabajo de investigación además de optar por el método DEA, incorpora el enfoque de dirección output, con rendimientos variables y constantes, ello con la finalidad de realizar comparaciones metodológicas. La literatura respecto a la medición de la eficiencia a través del DEA en la administración pública y específicamente en municipios, presenta metodologías que incorporan una serie de factores controlables e incontrolables al análisis (externos o exógenos)
12
que permiten observar la función de producción y recoge la mejor combinación posible (Afonso y Fernandes, 2005; Athanassopoulos y Triantis, 1998). a) Tipología de métodos de evaluación en el DEA La literatura respecto a la medición de la eficiencia del DEA, presenta diversas metodologías que incorporan una serie de factores controlables e incontrolables al análisis (externos o exógenos) que permiten observar la función de producción con calidad y recoge la mejor combinación posible. A continuación, en el siguiente cuadro se presentan los modelos de eficiencia no paramétrica:
Cuadro 2
Tipología de métodos de evaluación - Análisis Envolvente de Datos
Modelo de Eficiencia no paramétrica
Tipos de DEA
Autores
Modelos de separación de frontera. Persiguen la identificación de diferencias entre programas productivos alternativos mediante la realización de varios DEAs consecutivos.
DEA Farrel (1957)
Modelos de una etapa: Es un modelo unietapico básico desarrollado por Banker y Morey (1986), es una de las más utilizadas para la inclusión de inputs no controlables en el análisis. Donde existen una variable input y una output. Este modelo permite la introducción simultánea en el mismo programa DEA, de todas las variables relevantes, este hecho permite dotar al análisis de mayor sencillez en cuanto al cálculo de las operaciones necesarias, en comparación con las distintas fases de las propuestas multiétapicas.
DEA 1. Banker y Morey, (1986ª) 2. Lozano, Pastor y Pastor,
(2002) 3. Coelli et.al. (1999).
Modelos de dos etapas: Es un modelo multietápico, que consiste en la primera fase la estimación mediante DEA unos índices de eficiencia iniciales obviando el efecto de los inputs no controlables para, posteriormente, corregirlos en función del efecto de tales inputs. La corrección se pueden realizar directamente sobre los índices o modificando valores originales de las variables lo que da lugar a nuevas alternativas. Muestran la eficiencia de gestión.
DEA +
Regresión
1. Ray (1991) 2. Bhattacharyya et.al (1997) 3. Mc Carty y Yaisawarng
(1993) 4. Worthington y Dollery
(2000) 5. Balaguer – Coll et.al (2000) 6. Loikkanen y Susiluoto (2005) 7. Alfonso y Fernández (2005)
DEA + DEA Pastor (1994)
Método por programas
Charnes, Cooper y Rhodes (1981)
Método de tres etapas: es un modelo multiétapico, que fue propuesta originalmente por Fried y LLovel (1996), que consta de tres etapas, a través de los cuales se elimina (o compensa) el efecto de las variables no controlables sobre los índices de eficiencia técnica de los productos evaluados.
DEA+Múltiple DEA + DEA
1. Fried y Lovell(1996) 2. Muñiz (2001)
DEA+ Múltiple MLG + DEA
Friend, Schmiedt y Yaisawng (1999)
DEA+ Multiple SFA+DEA
Fried et.al (2002)
DEA+DEA+DEA
Dios Palomares et.al (2004)
13
Metodo por programas: El objetivo es la detección de potenciales diferencias en eficiencia entre distintos programas de producción. Se utiliza en aquellos casos en que una variable no controlable se considere como categoría, pero sin que pueda establecerse ninguna asunción a priori de ordinalidad entre sus distintos valores.
DEA Charnes, Cooper y Rhodes (1981)
Fuente: Elaboración propia con base en (Dios Palomares et. al., 2004:7-11; Pinilla, 2001: 197)
De este modo, se adopta el método unietápico4 planteado por (Banker y Morey, 1986) y aplicado en otras investigaciones (Loikkanen y Susilouto, 2005; Herrera y Málaga, 2007), método que permite incluir un determinado número de inputs en el análisis con orientación output. No obstante, el trabajo también contempla el método de dos etapas planteado por (Charnes et al., 1993), que consiste según (Dios Palomares et. al, 2004), en estimar la eficiencia de cada DMU5, corrigiendo la ineficiencia a posteriori mediante una proyección a la frontera. El análisis de la eficiencia establece un proceso y el mismo, agrupa aspectos de relevancia que permite asegurar los resultados que se esperan en la investigación. Para ello, a continuación se presenta la expresión matemática del modelo y la determinación de la función de producción municipal. b) Expresión matemática del modelo El DEA tiene como objetivo medir la eficiencia de una unidad productiva (DMU). La particularidad del DEA sobre cualquier otra ratio de eficiencia, radica en que los pesos asignados vienen determinados por la resolución del modelo. Una cuestión importante, es cuando nos encontramos con múltiples inputs y varios outputs, se debe considerar la propuesta de Charnes, Cooper y Rhodes (1978), más conocida como el modelo CCR. Por ejemplo, si consideramos la evaluación de n Municipios (DMUs) que utilizan m inputs para la producción de s outputs y a su vez, cada DMUj puede caracterizarse por un vector de inputs Xj = (x1j, x2j,...., xmj), para j= 1,...,n y un vector de outputs Yj = (y1j, y2j,...ysj), para j = 1,...,n. Así, para DMU1 tendríamos: X1 = (X11, X21, X31,...,Xm1) y Y1 = (Y11, Y21, Y31,...,YS1). Y, para DMU2: X2 = (X12, X22, X32,..., Xm2) y Y2 = (Y12, Y22, Y32,..., YS2) y para DMUn: Xn = (X1n, X2n, X3n,..., Xmn) y Yn = (Y1n, Y2n, Y3n,...,YSn). Así, la fórmula del modelo CCR tiene la siguiente expresión:
4 El modelo unietapico desarrollado por Banker y Morey (1986), es una de las más utilizadas para la inclusión de inputs no controlables en el análisis. Donde existen una variable input y una output. Este modelo permite la introducción simultánea en el mismo programa DEA, de todas las variables relevantes, este hecho permite dotar al análisis de mayor sencillez en cuanto al cálculo de las operaciones necesarias, en comparación con las distintas fases de las propuestas multiétapicas. Los otros modelos se puede observa en el anexo 3 5 Las DMU se refiere a las Unidades de Toma de Decisiones.
14
Donde, el subíndice “0”, se refiere a la unidad productiva, definido anteriormente como DMU, que corresponden a los Municipios, cuya eficiencia será evaluada; Yrj, es la cantidad de “r” producida por la DMU “j”; por otra parte Xij, será la cantidad de input “i” utilizado por la DMU “j”; y Ur0 y Vi0 serán las ponderaciones asignadas a cada input y output, correspondientes a cada DMU. En consecuencia, la optimización permitirá obtener un conjunto de valores positivos de Ur0 y Vi0, y el índice de eficiencia ho asignada a cada DMU. Las n restricciones aseguran que ninguna DMU podrá tener una eficiencia superior a la unidad 1; a su vez, los pesos asignados deben ser positivos. Así también, se puede evaluar con orientación input u output. Sin embargo, debe tener una orientación output, porque permite medir los resultados en base los recursos utilizados. En este caso, cuando intervienen dos inputs y tres outputs o más, se aplica el modelo planteado por (Banker, Charnes y Cooper, 1984) que asume la hipótesis de rendimientos variables a escala. La eficiencia de la DMU será la siguiente:
En caso,
Si la función objetivo es igual a 1 con multiplicadores positivos, entonces la DMU será eficiente, caso contrario será ineficiente. Este modelo debe ser considerado bajo rendimientos variables a escala y en consecuencia, se obtendrá una eficiencia técnica. En caso de que sea restringido a cero, entonces el modelo responde a rendimientos a escala constantes. Si consideramos una solución envolvente, entonces tendremos:
15
Para cada DMU el índice de eficiencia se refleja en φj, en tanto que las unidades referenciales de la misma frontera (i tales que λi ≠0), y si estas presentan holguras en alguna de las restricciones. En el modelo, cada DMU es eficiente cuando φj = 1, y las holguras tendrán un valor 0. De acuerdo al planteamiento, el objetivo es vincular la situación financiera de un Municipio con la eficiencia, revisando los mecanismos de asignación de recursos a los proyectos productivos, de tal forma identificar DMUs eficiente e ineficientes, en estos últimos coadyuven mejorar su eficiencia; de esta forma, puedan diseñar y ejecutar políticas que supongan una mejora de la eficiencia en la provisión de los servicios. c) La función de producción municipal La eficiencia en el presente trabajo es medida en función a los indicadores de desempeño (Herrera y Francke (2007:8) definen el desempeño municipal “como el resultado del desarrollo de diversas políticas públicas locales y como eficiencia del gasto municipal, al resultado relativo vinculado al análisis del gasto de recursos, por lo que una forma de medir dicha eficiencia del gasto será mediante la comparación entre municipalidades, donde los recursos (inputs) son transformados en servicios locales provistos a la población (outputs)”, donde las variables que componen obedecen a la determinación de las unidades productivas y de las variables de la función de producción.
- Determinación de las unidades productivas
De acuerdo a los criterios de aplicación del análisis de eficiencia a través del método DEA, se
debe contar con un mínimo de 5 unidades productivas (UP)6, cuya finalidad es comparar los
índices de eficiencia de la unidad principal a ser analizada con sus referentes (Herrera y Málaga,
2007; De Borges y Kerstens, 2000). Este criterio permite en primera instancia considerar el total
de UP existentes en Bolivia que componen 337 municipios. Sin embargo, por la disponibilidad de
datos se consideran 323 municipios.
- Determinación de las variables de la función de producción
Diversos autores (Afonso et al., 2003; Athanassopoulos y Triantis, 1998; Afonso y Fernandes,
2005; De Borger y Kerstens, 1996; Herrera y Málaga, 2007; Sampaio de Sausa y Stosic, 2003)
sugieren y contemplan, en sus estudios desarrollados en el sector público, variables tanto sociales
y económicos que otorgan al modelo una relevancia significativa. En función a ello, en la presente
6 Se entiende por unidad productiva a cualquier empresa, organización no empresarial o persona que realiza actividades de interés económico, en el presente trabajo se considera como UP a los municipios estudiados.
16
investigación se incorpora las variables más recomendadas y se plasma en un modelo (ver cuadro
1). Conviene destacar que las variables orientadas a ouput e input, son las que con frecuencia son
utilizadas en la contabilidad y las operaciones municipales, se convierten así en sus principales
objetivos (De Borges y Kerstens, 2000). Por tanto, el output -inversiones-, es el centro de
atención y razón de ser de los Gobiernos Municipales, en cambio que los inputs -insumos- son los
que más se destacan tanto en el ámbito académico y operativo (Herrera y Málaga, 2007; Sampaio
de Sausa y Stosic, 2003). A continuación se aplica la regresión múltiple, ello a fin de explicar la
relación y variabilidad entre las variables dependientes e independientes a ser utilizados como base
para construir la función de producción de los municipios y aplicar el modelo del Análisis
Envolvente de Datos.
- Aplicación de regresión múltiple
El análisis de regresión en la presente investigación, se aplica con el objetivo de observar y
determinar las variables más significativas entre sí (Doran, 1989; Pulido, 2001), ello permite
establecer el número de variables y su relación estadística en los modelos planteados. Su
aplicación de la regresión múltiple está asociada por la incorporación en el análisis de más de dos
variables. Así, se establece una relación funcional entre una variable dependiente (Y) y una serie de
variables independientes (X1, X2, X3,...), (Artís y Suriñach, 2002; Gujarati, 1997; Pulido, 2001;
Uriel, 1990). El estadístico que permite establecer la correlación es el (R2), que expresa la
proporción de la varianza de la variable dependiente explicada por una o varias variables
independientes (Gujarati, 1997; Pulido, 2001; Artís y Suriñach, 2002).
Así, para la presente investigación se construye un modelo, con orientación output la Inversión
Productiva Municipal -modelo de inversión productiva-. La definición de las variables empleadas -
output e inputs- se observa en el cuadro 3. Para el análisis de regresión para el modelo, se
considera como variable dependiente –output-, la Inversión Productiva Municipal, y como
variables independientes -inputs- nº de Comunidades, y los Gastos (recursos destinados). Los
resultados del análisis muestran que el p-valor es inferior a 0,01, lo que conduce a afirmar, que
existe una relación estadísticamente significativa entre las variables, siendo (R2) = 96%, que
significa que existe una relación significativa entre las variables analizadas, a su vez, se considera el
modelo, óptimo.
17
Cuadro 3. Variables inputs y outputs de la función de producción
Factor de producción
Modelo
Objetivo del modelo
Explicación de la selección de las variables
Modelo Inversión Productiva
Outputs
- IPM=Inversión productiva Municipal. Este es un indicador que resulta de la división entre la Inversión Productiva Ejecutada y la Inversión Total Ejecutada por cien.
Evaluar la eficiencia de los municipios con relación a la inversión en proyectos productivos, ya que las políticas de desarrollo local se reflejan por la inversión productiva en las comunidades rurales del municipio
Los inputs y outputs elegidos intentan explicar la eficiencia en la asignación de los recursos financieros de los municipios sobre las políticas de desarrollo, a partir de la inversión productiva. La IPM permite conocer el nivel de apoyo que brinda un municipio a las actividades que generan desarrollo económico local y favorecen la actividad productiva en las comunidades.
Inputs
- Gastos (recursos destinados). - Nº de comunidades por municipios.
Fuente: Elaboración propia con base a (Afonso et al., 2003; Athanassopoulos y Triantis, 1998; Ayaviri 2011.
La información estadística del periodo que contempla el estudio, se consolidó en un cuadro y
almacenado en el software Frontier. El tratamiento de los datos contempló las 323 DMUs, para
cada una de ellas se han observado las variables definidas en el cuadro anterior. A continuación, el
software permitió seleccionar el modo de optimización -modelo input u output-, en este caso, se
selecciona la orientación output y la tipología de rendimientos constantes y variables. A partir de
las puntuaciones de eficiencia obtenidas al resolver los modelos de rendimientos constantes y
variables, se obtuvo la eficiencia bajo rendimientos a escala para cada una de las unidades, que es
el cociente entre el modelo CCR y BCC7. En base al análisis realizado, se presentan los resultados
de la aplicación del DEA.
6. Resultados.
El análisis de la eficiencia tiene una orientación output porque el municipio será eficiente, sino
existe otro que pueda producir mayor cantidad de bienes y servicios con la misma cantidad de
insumos -DEA orientado a productos-, a diferencia de producir la misma cantidad de bienes y
servicios, pero utilizando menos cantidad de insumos -DEA orientado a insumos-.
7 El primer modelo ha sido inicialmente propuesto por Charnes, Cooper y Rhodes (1978), conocido por las siglas de sus autores (CCR). Este modelo implica unos rendimientos constantes y está orientado hacia el uso y aplicación de los inputs, es decir que los imputs son constantes en un determinado tiempo. En tanto, Banker, Charnes y Cooper, (1984) conocido por (BCC) caracterizando una función de producción con rendimientos variables, donde los inputs varían de un periodo a otro.
18
Así, los parámetros para la medición de eficiencia serán8: 1) Municipios con índices menores a
100, se consideran ineficientes; 2) Municipios con índices iguales a 100, se consideran eficientes;
3) Para los municipios ineficientes se busca la explicación y se realizan algunas recomendaciones.
6.1. Determinación de la muestra empírica - Selección de la muestra La evaluación de la eficiencia a través del modelo DEA, implica:1) la selección de las unidades de decisión a ser evaluadas, 2) y cumplir el requisito de homogeneidad de las unidades de decisión. Así: 1) las unidades de decisión son municipios más pobres del Estado Plurinacional de Bolivia a fin de identificar que municipios entre ellos son eficientes, y 2) a fin de cumplir el requisito de homogeneidad, las unidades (municipios) a ser comparadas deben ser homogéneas, lo que significa que no pueden existir grandes disparidades en términos de inputs empleados y outputs producidos, además de que todas deben encontrarse en las mismas circunstancias, ya que una evaluación negativa de una DMU podría depender de factores sobre los que esta no puede influir. Para cumplir este requisitos más importante, se realiza una tipificación de los municipios, recurriendo para ello al análisis de conglomerados, que corresponde a una técnica estadística multivariante. La literatura, presenta varios intentos de homogeneización municipal, entre ellas se puede encontrar en las investigaciones realizadas, por ejemplo en: Loikkanen y Susiluoto (2006) quienes trabajaron con 353 municipios de Finlandia, Athassopoulos y Triantis(1998) con 172 municipios de Grecia y Herrera y Francke (2007) con 1634 municipios de Perú, Balaguer – Coll et,al (2003) y Alfonso Fernandez (2003) con 258 municipios de la región de Valencia – España y 51 municipios de las regiones de Lisboa y Vale do Tejo en Portugal, De Borge et.al (1994) con 589 municipios en Bélgica, Giménez y Prior (2003) con 258 municipios catalanes de más de 2000 hab., Prieto y Zofio (2001) con 209 municipios de Castilla y León de menos de 20.000 hab. Tairou (2000) con 3.553 municipios de Francia entre 2.000 y 9.999 hab., Vanden Eechkaut et.al. (1993) con 253 municipios de Bélgica, Worthington (2000) con 166 municipios de Australia. Por lo que, en el caso de los municipios del Estado Plurinacional de Bolivia se agrupa a los municipios considerando variables como9: 1)El tamaño de la población: porque representa el grado de complejidad de la administración del municipio. Considerando que existen economías de escala en la gestión municipal. Esta variable es sometida a una transformación, a través de la aplicación del logaritmo neperiano; 2) el grado de urbanidad: porque representa el grado de complejidad de la gestión municipal, para esto se utilizará el porcentaje de población urbana y; 3) El nivel de pobreza: porque representa una medida que se aproxima a explicar la complejidad situacional de la poblacional, para ello se utilizará el porcentaje de población con necesidades
8 Para una mayor ampliación sobre las direcciones del modelo, ver Pinilla Álvarez A. (2001). La medición de la eficiencia y la productividad. Pirámide. España. 9 Para la determinación de las variables de agrupación, se considero el criterio utilizado por Herrera y Francke (2007: 24) quienes no consideran variables a ser utilizadas en el análisis de eficiencia a nivel endógeno y exógeno, sino que permiten “capturar similares condiciones iniciales para la provisión de servicios municipales, es decir aquellas variables sobre las cuales las municipalidades no poseen injerencia para modificarlas, al menos no en el corto plazo: son variables de estado”. Estas variables nos parecen pertinentes por las características propias de los municipios de Bolivia. Además de reconocer que las “unidades de gestión local agrupadas según variables de estado debieran tener similares características estructurales” y permitir afirmar que las “diferencias en los resultados de la eficiencia depende de las variables de control o políticas sobre las cuales las autoridades municipales tienen injerencia” y explicar además si estas diferencias es producto no solo de variables de gestión sino también de territorio.
19
insatisfechas. En este punto es importante mencionar la importancia de haber utilizado como una variable de aglomeración los ingreso per cápita en el municipio, como lo señalan también Herrera y Francke (2007) y Herrera y Málaga (2004), al no contar con información del total de municipios y solo existir datos parciales sobre el consumo, se ha adoptado utilizar la variable propuesta por los autores anteriormente mencionados. - Análisis de conglomerado de los municipios El análisis consiste en la utilización de la medida de distancia euclídea y la medida de asociación, ya que el “análisis de grupos, conglomerados o cluster análisis, sirve para determinar grupos homogéneos, pero distintos entre sí, bien por agrupación de unidades más pequeñas o por división de segmentos mayores” (Santesmases, 2005:384). Para ello, se ha seguido los siguientes pasos: a) Análisis descriptivo de las variables de homogeneidad El análisis descriptivo y exploratorio de los datos, muestra que los valores de las variables se encuentran dentro los rangos pertinentes como se observa en el siguiente cuadro siguiente:
Cuadro 4. Estadísticos descriptivos
N Mínimo Máximo Media Desv. típ.
POBLACION 323 221,00
793293,00
22082,4396
66649,32994
NBI 323 23,14 100,00 84,0357 17,49381
POB_URBT 323 ,00
789565,00
12419,9752
66356,62898
POB_URB 323 ,00 99,93 19,2998 27,95348
LN_POB 323 5,40 13,58 9,1428 1,19070
N válido (según lista) 323
Fuente: Elaboración propia
b) Análisis de correlación de las variables de homogeneidad Por la importancia de conocer la existencia o no de rrelación entre las variables elegidas para la homogeneidad de los municipios, se realiza el análisis de correlación. Los resultados del análisis de correlación muestra que existe una correlación significativa entre las variables, como se observa en el cuadro siguiente:
Cuadro 5. Correlación entre variables
NBI POB_URB LN_POB
NBI Correlación de Pearson 1 -,760(**) -,476(**)
Sig. (bilateral) ,000 ,000
N 323 323 323
POB_URB Correlación de Pearson -,760(**) 1 ,533(**)
Sig. (bilateral) ,000 ,000
N 323 323 323
LN_POB Correlación de Pearson -,476(**) ,533(**) 1
Sig. (bilateral) ,000 ,000
N 323 323 323
20
Tau_b de Kendall NBI Coeficiente de correlación 1,000 -,546(**) -,272(**)
Sig. (bilateral) . ,000 ,000
N 323 323 323
POB_URB Coeficiente de correlación -,546(**) 1,000 ,396(**)
Sig. (bilateral) ,000 . ,000
N 323 323 323
LN_POB Coeficiente de correlación -,272(**) ,396(**) 1,000
Sig. (bilateral) ,000 ,000 .
N 323 323 323
Rho de Spearman NBI Coeficiente de correlación 1,000 -,695(**) -,391(**)
Sig. (bilateral) . ,000 ,000
N 323 323 323
POB_URB Coeficiente de correlación -,695(**) 1,000 ,526(**)
Sig. (bilateral) ,000 . ,000
N 323 323 323
LN_POB Coeficiente de correlación -,391(**) ,526(**) 1,000
Sig. (bilateral) ,000 ,000 .
N 323 323 323
** La correlación es significativa al nivel 0,01 (bilateral). Fuente: Elaboración propia
c) Selección y aplicación del criterio de agrupación Para el análisis de conglomerados, la literatura presenta una gran variedad de técnicas incluidas en los enfoque de conglomerados jerárquicos y no jerárquicos. Por las características de los municipios se ha definido utilizar el algoritmo de agrupamiento de tipo jerárquicos aglomerativo, porque permite generar sucesiones ordenadas o jerarquías de conglomerados; y la técnica a utilizarse es de tipo descendente del algoritmo de Howard – Harris” que forma grupos por división de otros de tamaño mayor, de modo también secuencial, utilizando el criterio de la minimización de la varianza intra – grupos en cada nivel de la división” (Santesmases, 2005:385). Una vez definida la técnica a utilizar se ha procedido a la determinación de los grupos. Para ello se ha recurrido al Programa DYANE, como también la del SPSS con el fin de comparar los resultados; tras realizar las operaciones necesarias se ha obtenido el siguiente resultado de conglomerados utilizando el algoritmo de Howard - Harris:
21
ANÁLISIS DE GRUPOS
——————————————————
(Algoritmo de Howard-Harris)
IDENTIFICACIÓN DE LAS VARIABLES SELECCIONADAS:
----------------------------------------------
1. NBI - NBI
2. POB_URB% - PORCENTAJE DE POBLACION URBANA
3. LÑ_POB - LOGARITMO DE LA POBLACION TOTAL
PROCESO DE GENERACIÓN DE LOS GRUPOS
-----------------------------------
DIVISIÓN N° 1 NUMERO DEL GRUPO ANTERIOR DIVIDIDO: 1
VARIABLE CON MAYOR VARIANZA: POB_URB%
Suma de cuadrados del total de la muestra: 969,00
Suma de cuadrados intragrupos (de todos los grupos): 479,81
Suma de cuadrados explicada por la partición en grupos: 50,48%
TOTAL
MUESTRA GRUPO 1 GRUPO 2
¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯
Número: 323 80 243
Suma cuadrados: 969,00 199,62 280,19
¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯
Variables: ANOVA / F de Snedecor
¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯
NBI Media: 0,00 -1,37 - 0,45 + F(1,321) = 524,2281
Des.Est.: 1,00 0,96 0,45 (p = 0,0000)
POB_URB% Media: 0,00 1,45 + -0,48 - F(1,321) = 730,5340
Des.Est.: 1,00 0,83 0,43 (p = 0,0000)
LÑ_POB Media: 0,00 0,78 + -0,26 - F(1,321) = 80,0272
Des.Est.: 1,00 0,95 0,88 (p = 0,0000)
+ : Grupo con media más alta
- : Grupo con media más baja
¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯
DIVISIÓN N° 5 NUMERO DEL GRUPO ANTERIOR DIVIDIDO: 4
VARIABLE CON MAYOR VARIANZA: LÑ_POB
Suma de cuadrados del total de la muestra: 969,00
Suma de cuadrados intragrupos (de todos los grupos): 190,69
Suma de cuadrados explicada por la partición en grupos: 80,32%
TOTAL MUESTRA GRUPO 1 GRUPO 2 GRUPO 3 GRUPO 4 GRUPO 5 GRUPO 6
¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯
Número: 323 21 67 43 64 34 94
Suma cuadrados: 969,00 31,02 49,63 20,41 13,85 39,42 36,36
¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯
Variables: ANOVA / F de Snedecor
¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯
NBI Media: 0,00 -2,23 - -0,12 0,70 + 0,68 -1,54 0,36 F(5,317) = 212,1479
Des.Est.: 1,00 0,79 0,49 0,24 0,22 0,65 0,52 (p = 0,0000)
POB_URB% Media: 0,00 2,42 + 0,49 -0,61 -0,60 1,33 -0,69 - F(5,317) = 437,2929
Des.Est.: 1,00 0,36 0,53 0,32 0,20 0,60 0,04 (p = 0,0000)
LÑ_POB Media: 0,00 1,94 + 0,37 -1,68 - 0,55 0,29 -0,40 F(5,317) = 207,9510
Des.Est.: 1,00 0,85 0,47 0,56 0,36 0,61 0,34 (p = 0,0000)
+ : Grupo con media más alta
- : Grupo con media más baja
¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯ Fuente: Elaboración propia
Los resultados del análisis de grupos, muestran que con la formación de 2 grupos se logra reducir la suma de cuadrado en un 50,48%, observándose claramente que a medida que se va aumentando el número de grupos, se incrementa la homogeneidad de los mismos, y por consiguiente, la proporción de la varianza explicada, llegando a reducir la suma de cuadrados hasta 80,32% con 6
22
grupos. Lo que significa que los perfiles de cada grupo son diferentes en las variables consideradas. Mayor información de los otros grupos, ver Anexo 1. c) Análisis discriminante de las variables de agrupación A fin de validar la formación de los grupos obtenidos se realizó el análisis discriminante, considerando como variable dependiente la nueva variable creada. Los resultados muestran que existe un 98,45% de asignación por las funciones discriminantes, comprobándose de esta manera que la prueba discriminante corrobora el proceso de agrupación, permitiendo de esta manera explicar la permanencia de los municipios a los grupos establecidos en el análisis de conglomerados.
A N Á L I S I S D I S C R I M I N A N T E M Ú L T I P L E ==============================================================================
IDENTIFICACIÓN DE LAS VARIABLES
-------------------------------
GRUPOS (VAR.CRITERIO): Clust_HH - Grupos de pertenencia - algoritmo Howard-Harris
GRUPO 1. Clust_HH: Grupo 1
GRUPO 2. Clust_HH: Grupo 2
GRUPO 3. Clust_HH: Grupo 3
GRUPO 4. Clust_HH: Grupo 4
GRUPO 5. Clust_HH: Grupo 5
GRUPO 6. Clust_HH: Grupo 6
VARIABLES PREDICTORAS:
1. NBI. NBI
2. POB_URB%. PORCENTAJE DE POBLACION URBANA
3. LÑ_POB. LOGARITMO DE LA POBLACION TOTAL
-----------------------------------------------------------------------------------------------
VARIABLE MEDIAS MEDIAS MEDIAS MEDIAS MEDIAS MEDIAS
MEDIAS
PREDICTOR GRUPO 1 GRUPO 2 GRUPO 3 GRUPO 4 GRUPO 5 GRUPO 6
TOTALES
------------ ------------ ------------ ------------ ------------ ------------ ------------ ---
1.NBI 45,0262 81,9497 96,3079 95,8942 57,1900 90,2599
84,0357
2.POB_URB% 86,8414 33,0463 2,3107 2,6670 56,3176 0,1191
19,2998
3.LÑ_POB 11,4505 9,5836 7,1407 9,7917 9,4868 8,6627
9,1428
----------------------------------------------------------------------------------------------
AUTOVALORES:
Correlación
Función Autovalor % Varianza % Acumulado canónica Ji-cuadrado Gr.lib. Prob.
------- --------- ---------- ----------- ----------- ----------- ------ ------
1 13,2497 87,53 87,53 0,9643 1205,9877 15 0,0000
2 1,7346 11,46 98,99 0,7964 363,8027 8 0,0000
3 0,1522 1,01 100,00 0,3634 44,9041 3 0,0000
Coeficientes estandarizados de las funciones discriminantes canónicas:
FUNCIÓN 1 FUNCIÓN 2 FUNCIÓN 3
----------- ----------- -----------
Var. 1 - NBI -0,5944 0,3333 0,7502
Var. 2 - POB_URB% 0,8130 -0,2557 0,5463
Var. 3 - LÑ_POB 0,3546 0,9341 -0,0674
23
Correlaciones entre las variables y las funciones discriminantes:
FUNCIÓN 1 FUNCIÓN 2 FUNCIÓN 3
----------- ----------- -----------
Var. 1 - NBI -0,8808* 0,1945 0,4318
Var. 2 - POB_URB% 0,9583* -0,1312 0,2537
Var. 3 - LÑ_POB 0,6731 0,7370* -0,0609
*. Mayor correlación absoluta entre cada variable y las funciones discriminantes
Valores de las funciones en los centroides de los grupos:
FUNCIÓN 1 FUNCIÓN 2 FUNCIÓN 3
----------- ----------- -----------
Gr. 1. Grupo 1 9,6301 0,4556 -0,0477
Gr. 2. Grupo 2 1,5309 0,2769 0,5129
Gr. 3. Grupo 3 -3,4643 -2,3069 0,3954
Gr. 4. Grupo 4 -1,7856 1,9367 0,0701
Gr. 5. Grupo 5 5,0992 -1,4485 -0,4040
Gr. 6. Grupo 6 -2,2865 -0,0385 -0,4374
Lambda de Wilks: 0,0223
F de Snedecor con 15 y 869 grados de libertad = 172,1065 (p = 0,0000)
Ji cuadrado de Bartlett con 9 grados de libertad = 1207,8899 (p = 0,0000)
Matriz de confusión calculada con las 3 primeras funciones discriminantes
(con probabilidades previas iguales para cada grupo):
ASIGNACIÓN SEGÚN
FUNCIONES DISCRIMINANTES
------------------------------------------------------------------
GRUPO GRUPO GRUPO GRUPO GRUPO GRUPO
GRUPOS REALES 1 2 3 4 5 6 TOTAL
------------- ----- ----- ----- ----- ----- ----- ------
1 21 0 0 0 0 0 21
2 0 65 0 0 1 1 67
3 0 0 43 0 0 0 43
4 0 0 0 64 0 0 64
5 1 2 0 0 31 0 34
6 0 0 0 0 0 94 94
----- ----- ----- ----- ----- ----- ------
TOTAL 22 67 43 64 32 95 323
PORCENTAJE DE ASIGNACIONES ACERTADAS POR LAS FUNCIONES DISCRIMINANTES: 98,45%
Esto se puede observar cuando los resultados muestran claramente que un 0,0223 de lambda de Wilks muestra que existe bastante discriminación (valores entre 0 y 1: donde los valores próximos a 0, indican mucha discriminación, están muy separados, mientras que valores cercanos a 1 representan escasa discriminación o poca diferencia entre los grupos) y diferencias entre los grupos debida a las funciones discriminantes, observándose que el porcentaje de población urbana y la población con necesidades insatisfechas son las variables que mayor discrimina a la hora de conformar los grupos, ya que sus valores se acercan a 1(Toma valores entre 0 y 1 de forma que, cuanto más cerca de 1 esté su valor, mayor es la potencia discriminante de la i-esima función discriminante). d) Tipificación de los conglomerados municipales La conformación de conglomerados viene compuesta por 6 grupos que explican la asignación de los casos en un 98,45%, donde cada grupo está compuesto por un número determinado, como se puede observar en la siguiente distribución:
24
Variable: Grupos de pertenencia - algoritmo Howard-Harris
Código Significado Frecuencia %
------ ----------------------------------- ---------- -------
1 Grupo 1 21 6,50
2 Grupo 2 67 20,74
3 Grupo 3 43 13,31
4 Grupo 4 64 19,81
5 Grupo 5 34 10,53
6 Grupo 6 94 29,10
---------- -------
Total frecuencias 323 100,00
Variable: Grupos estimados con las funciones discriminantes
Código Significado Frecuencia %
------ ----------------------------------- ---------- -------
1 Grupo 1 22 6,81
2 Grupo 2 67 20,74
3 Grupo 3 43 13,31
4 Grupo 4 64 19,81
5 Grupo 5 32 9,91
6 Grupo 6 95 29,41
---------- -------
Total frecuencias 323 100,00
En el primer cuadro, se observa el número de municipios que pertenecen a cada grupo, según el método de algoritmo Howard – Harris. Al observar los municipios, se puede observar entre tres municipios con observaciones, estos, se ha logrado corregir la pertinencia y se han incluido en el análisis. Finalmente, los municipios agrupados por el análisis de conglomerados y comprobados por el análisis discriminante, estos son seis grupos. Y, se ha categorizado de la siguiente manera:
Cuadro 6. Categorías asignada a los Municipales procedentes del análisis de conglomerados
Nº
Categorías Muni cipio
s
Población total 2001
Necesidades Básicas
Insatisfechas
% de población
Urbana
Valor mínim
o
Valor máxim
o
1 Ciudades metropolitanas 22 3535784 45,72 86,41 22324 793293
2 Urbano 67 1148482 81,34 32,20 4981 51153
3 Rural Pobre extremo 43 21639 96,31 2,31 221 2766
4 Semi Urbanos 64 1267486 95,89 2,67 9030 70371
5 Urbanos pobres 32 509431 57,91 58,34 2548 45318
6 Rural Pobre 95 606528 90,07 0,12 2133 17574
Total 323 7089350 77,87 30,34
Fuente: Elaboración propia
Como se ha mencionado anteriormente, se ha conformado seis grupos, cada conglomerado se presenta en el Anexo 2. El análisis contempla el grupo 6, que corresponde a los municipios Rural Pobre. Los resultados de la eficiencia de este grupo 6 se presentan en los siguientes cuadros:
25
6.2. Resultados de la eficiencia.
Cuadro 7. Modelo CCR – BBC Maximización
Nº Municipios Score CCR Score BBC
1 Huachacalla 100 100
2 San Pedro de Totora 100 100
3 Porvenir 100 100
4 Trigal 100 100
5 Poopó (Villa Poopó) 100 100
6 Caraparí 92,53 92,95
7 Yanacachi 90,21 100
8 Arampampa 90,03 90,34
9 San Lorenzo 88,19 92,02
10 El Choro 84,69 96,54
11 Filadelfia 83,57 92,27
12 Tacacoma 81,98 94,85
13 Santuario de Quillacas 80,85 81,19
14 Santivañez 79,66 80,31
15 Ichoca 79,28 79,87
16 Licoma Pampa 75,6 76,39
17 Porco 74,71 74,81
18 Acasio 71,2 72,95
19 Jesús de Machaca 70,54 83,32
20 Cuevo 69,98 80
21 Toledo 69,8 81,93
22 Aucapata 68,45 69,59
23 Escara 68,33 76,26
24 Taraco 68,26 100
25 Villa Rivero 67,7 72,66
26 Postrer Valle 66,2 71,48
27 Puerto Pérez 64,73 65,47
28 Malla 63,59 64,81
29 Chaqui 61,84 66,85
30 Charagua 61,75 61,85
31 Yaco 60,95 63,2
32 Collana 60,82 100
33 Icla (R.Mujia) 60,35 64,86
34 Cajuata 59,46 60,68
35 Sacabamba 58,98 63,84
36 Vila Vila 58,18 58,45
37 Camataqui (Villa Abecia) 57,93 60,22
38 Las Carreras 57,14 57,52
39 Llica 55,4 55,58
40 Guaqui 54,68 56,15
41 San Pedro de Curahuara 54,02 57,16
42 Papel Pampa 53,55 53,92
43 Yunchara 53,49 54
44 Omereque 53,26 53,87
45 Calacoto 53,11 72,58
46 Belén de Andamarca 52,91 53,12
47 Mecapaca 52,56 52,61
48 Alalay 52,47 53,7
49 Loreto 52,47 52,93
50 Villa Alcalá 52,24 52,97
51 Yamparáez 51,89 52,13
52 Sabaya 51,4 51,61
53 Caiza D 51,34 55
26
54 El Puente 50,22 51,08
55 Villa Mojocoya 49,9 62,1
56 Huacaraje 49,66 57,99
57 Ayata 49,61 50,02
58 Porongo (Ayacucho) 49,37 49,79
59 Toko 49,26 49,98
60 Tomina 48,51 52,97
61 El Villar 48,5 53,95
62 San Pablo de Huacareta 48,32 54,58
63 Comanche 47,69 49
64 Anzaldo 47,63 47,64
65 Antequera (Bolivar) 47,11 47,57
66 Sopachuy 45,99 47,62
67 Ayo Ayo 45,85 48,07
68 Uriondo (Concepción) 44,84 45,53
69 Colcha K ( Villa Martín) 44,78 49,15
70 Pelechuco 44,56 45,21
71 Machareti 44,35 44,5
72 Pasorapa 43,82 44,18
73 Moro Moro 43,16 43,89
74 Irupana (Villa de Lanza) 42,98 48,81
75 Exaltación 42,61 42,71
76 Bolívar 42,35 42,45
77 Pampa Aullagas 41,05 41,42
78 Yotala 39,35 40,17
79 Yocalla 39,34 39,58
80 Turco 39,16 52,79
81 Puerto Gonzalo Moreno 38,09 100
82 Ixiamas 37,95 38,29
83 Andamarca (Santiago de Andamarca 37,3 38,53
84 Presto 37,27 43,34
85 San Antonio de Lomerio 36,96 37,47
86 Salinas de García Mendoza 35,84 43,16
87 Villa Zudañez(Tacopaya) 32,74 33,5
88 San Pedro de Tiquina 31,01 33,26
89 Puerto Rico 30,27 32,38
90 Luribay 29,07 29,74
91 Lagunillas 23,78 23,83
92 Cruz de Machacamarca 23,68 100
93 Pazña 20,78 69,52
94 San Buenaventura 20,77 21,66
95 Santiago de Callapa 14,26 19,04
Fuente: Elaboración propia
Los resultados muestran la existencia de 5 municipios eficientes, bajo el modelo de rendimientos constantes (CCR) y un porcentaje importante de municipios ineficiente; aunque se acercan algunos a la unidad de eficiencia. Lo que si significa, que los municipios deben realizar importantes mejoras en la administración y asignación de los recursos a proyectos de inversión, en particular proyectos y programas agrícolas. Asimismo los resultados globales obtenidos de la aplicación del DEA de los municipios del grupo seis, según la clasificación del clusters municipal presenta que en promedio el nivel de eficiencia alcanzado es del 5,26% y el 94,74% como ineficiente. La distribución de los municipios del grupo analizado, se observa en la siguiente figura:
27
Gráfico 3. Distribución de los municipios - CCR
Fuente: Elaboración propia
En el segundo análisis bajo rendimientos variables (BBC), los resultados del estudio reflejan que la eficiencia en los municipios se incrementan a 10, en tanto que la ineficiencia mejora pero no considerablemente. Equivale estos resultados a que el 10,52% de los municipios (en el grupo seis) son considerados eficientes, frente al 89,48% de municipios ineficientes. Significa, que las variaciones en los procesos de toma de decisiones y asignación de recursos financieros a proyectos de inversión productiva, pueden hacer más eficientes a los municipios, y no necesariamente considerar una planificación rígida e inmóvil, estos pueden ser reprogramados en función a las necesidades de la población. La distribución de los municipios del grupo analizado, se observa en la siguiente figura:
Gráfico 4. Distribución de los municipios - BBC
Fuente: Elaboración propia
28
7. Conclusiones.
El Análisis Envolvente de Datos se constituye como uno de los Modelos importantes para medir o evaluar la eficiencia en el sector público. Así se ha constatado en el presente trabajo de investigación, su versatilidad en el uso y su aplicación es relevante para determinar las Unidades Productivas (DMUs) eficiente e ineficientes.
Bajo el Modelo de rendimientos constantes (CCR), se establece que el número y porcentaje de municipios eficientes es menor en relación al modelo de rendimientos variables (BBC). Esto indica que, los municipios se presentan más eficientes en la asignación de recursos a proyectos de inversión productiva, en relación al modelo anterior; por lo que, se establece que los municipios realizan ajustes en su Planificación en el proceso, y además, éstos repercute de manera positiva en su eficiencia.
Los municipios ineficientes, tendrán que revisar sus procesos e identificar las causas que interfieren en su ineficiencia. Priorizar las inversiones en el sector productivo, deberá ser uno de los objetivos de la gestión y además, de llegar a satisfacer las demandas y necesidades de la población de su distrito.
El tema abordado, tiene una estrecha relación con el Desarrollo Local, de ahí que, el conjunto de los municipios (mayoría), deben establecer líneas prioritarias de inversión en el sector agropecuario, y establecer mecanismos de asignación de recursos oportunos y con criterios de eficacia y eficiencia.
29
Bibliografía. Afonso, A.; Schuknecht, L.; Tanzi, V. (2003). “Public Sector Efficiency: An International Comparison”, ECB Working Paper, n° 242, pág. 76 – 96.
Afonso A. y Fernandes, S. (2005). “Assessing and Explaining the Relative Efficiency of Local Government: Evidence for Portuguese Municipalities”, Working Papers 2005/19, Department of Economics, Institute for Economics and Business Administration (ISEG), Technical University of Lisbon.
Albi, E. (1992.: “Evaluación de la eficiencia pública. El control de la eficiencia del sector público”, Hacienda Pública Espoñola, nº 120, pág. 299 – 319.
Athanassopoulos, A. y Triantis, K (1998). “Assessing Aggregate Cost Efficiency and the Related Policy Implications for Greek Local Municipalities”, INFOR, vol. 36, nº 3, pág. 66-83.
Ayaviri, D. y Quispe, G. (2011): La medición de la eficiencia asignativa en la gestión de los gobiernos municipales de Bolivia. Caso: municipios de Potosí, Banco Central de Bolivia.
Alarcón, S. (2007): “Endeudamiento y eficiencia en las empresas agrarias”, Revista Española de Financiacion y Contabilidad, Vol. 7, Nº 138, págs. 211 – 230.
Bosch, E. A., Navarro, A. I., y Giovagnoli, P. I. (1999). “Eficiencia Técnica y Asignativa en la Distribución de Energía Eléctrica: El Caso de EPE SF”, Asociación Argentina de Economía Política, pág. 1 - 24.
Charnes, A., Cooper, W. y Rodhes, E. (1978). “Measuring the efficiency of Decision Making Units”. European Journal of Operational Research, vol. 2, nº6, pág. 429-444.
Charnes, A.; Cooper, W.; Lewin, A. y Seiford, L.M. (1993). Data Envelopment Analysis. Theory, Metodhology and Applications, Kluwer Academic Publishers. Massachusetts.
Coelli, T. J.; Rahman, S. y Thirtle, C. (2002). “Technical, allocative, cost and scale efficiencies in Bangladesh rice cultivation: A non-parametric approach. Journal Economic. vol. 53, nº 3, pág. 607-626.
Coll, V. y Blasco, O. (2006). Evaluación de la eficiencia mediante el análisis envolvente de datos Edición electrónica. Texto completo en www.eumed.net/libros/2006c/197/
Coll, V. y Blasco, O. (2006). Frontier Analyst, una herramienta para medir la eficiencia. Universidad de Málaga.
De Borger, B. y Kerstens, K. (1996). “Cost efficiency of Belgian local governments: A comparative analysis of FDH, DEA, and econometric approaches”, Regional Science and Urban Economics, vol. 26, pág. 145-170.
De Borges, B. y Kerstens, K. (2000). “What Is Known about Municipal Efficiency” en Blank, Jos L. T. (ed), Public Provision and Performance: contributions from efficiency and productivity measurement, Amsterdam, North-Holland, pág. 299 – 330.
De la Fuente, M. (2001). “Participación popular y desarrollo local: La situación de los municipios rurales en Cochabamba y Sucre”, PROMEC-CEPLAG-CESU / Universidad San Simón, pág. 1 – 20.
Dios Palomares R., Martinez Paz J.M., Martinez Carrasco Pleite. (2004). “Variables de entorno en el análisis de eficiencia. Un método de tres etapas con variables categóricas”, Documentos de trabajo, Serie Economía E2004/78. Centro de Estudios Andaluces, pág. 1-23.
Farrell, M. J. (1957). “The Measurement of Productive Efficiency”, Journal of the Royal Statistical Society Series A, General, vol. 120, nº 3, pág. 45 - 67.
Galindo, M. y Medina, F. (2000). “Descentralización Fiscal en Bolivia”, Serie Política Fiscal, Comisión Económica para América Latina y el Caribe. Santiago de Chile.
Golany, R. y Roll, Y. (1989). “An application procedure for DEA”, International Journal of Management Science, vol. 17, nº 3, pág. 237-250.
30
Herrera, P. y Málaga, R. (2007). Indicadores de desempeño y análisis de eficiencia de los municipios peruanos: una aproximación no paramétrica en un contexto de descentralización, Ediciones CIES, Lima. Herrera, P. y Málaga, R. (2005). “Indicadores de desempeño y capacidades de gestión: una aproximación al análisis de la eficiencia municipales el marco del proceso de descentralización”, Revista CIES- Pontificia Universidad Católica del Perú, pág. 1-94. Lima –Perú.
Heerera, P. y Francke, P. (2007): Un análisis de la eficiencia del gasto municipal y deus determinantes. Universidad Católica de Perú, Lima.
IGAE. (1997). El establecimiento de objetivos y la medición de resultados en el ámbito público, Intervención General de la Administración del Estado –MEH, Madrid.
Koopmans, T. C. (1951). An Analysis of Production as an Efficient Combination of Activities. En Koopmans, T.C., Ed. Activity Analysis of Production and Alocation, Cowells Commission for Research in Economics, Monograph, nº 13. John Wiley and Sons, Inc. New York.
Lovell, C. (2000). “Measuring Efficiency in the Public Sector». En Jos L. T. Blank (editor). Public Provision and Performance. Amsterdam: North-Holland.
Loikkanen, H. y Susiluoto, I (2005). “Cost efficiency of finnish municipalities in basic service provision 1994-2002”, ERSA conference papers, European Regional Science Association, nº 5, pág. 1 – 24.
Lovell, C., y Schmidt, P. (1988). “Comparison of Alternative Approaches to the Measurement of Productive Efficiency”, en A. Dogramaci y R. Fare (editores). Applications of Modern Production Theory: Efficiency and Productivity. Boston: Kluwer Academic Publishers.
Pinilla, A. (2001). La medición de la eficiencia y la productividad, Edición Pirámide, Madrid.
Prado, J.M y García, I. M. (2004). “Los indicadores de gestión en el ámbito municipal: implantación, evolución y tendencias”. Revista iberoamericano de Contabilidad de Gestión, alojada en www.observatorio-iberoamericano.org., nº4, págs 149 – 180.
Prado, J. M. y García, I. M. (2007). “Efficiency evaluation in municipal services: an application to the street lighting service in Spain”, Springer Science+Business Media, vol. 27, pág. 149–162.
Prieto, A. y Zofio, J. (2001). “Evaluating Effectiveness in Public Provision of Infrastructure and Equipment: The Case of Spanish Municipalities”, Journal of Productivity Analysis, vol. 15, nº 1, pág. 41-58.
Quispe, G. M. (2009). La formación de la ciudad de El Alto y sus consecuencias, Tesis Doctoral presentada en la Universidad Autónoma de Madrid, España.
Reyes, M.; Figueredo, E. Córdoba, J. A. y López, F. (1993). “Análisis envolvente de datos: aplicación en la medida de la eficiencia en los servicios de medicina preventiva hospitalarios de Andalucía”, Revista San Hig, nº 6, (noviembre), pág. 1 – 10.
Sampaio de Sousa, M. y Stosic, S. (2003). “Technical Efficiency of the Brazilian Municipalities: Correcting Non-Parametric Frontier Measurements for Outliers”. Working Paper, Department of Economics University of Brasilia, nº 294. Santesmases, M. (2005). DYANE Diseño y análisis de encuestas en investigación social y de mercados, Ediciones Pirámide, Madrid.
Santín, D. (2009). La Medición de la Eficiencia en el Sector Público Técnicas Cuantitativas, Instituto de Estudios Fiscales. Madrid.
Worthington, A. y Dollery, B. (2000). “An empirical Survey of Frontier Efficiency Measurement
Techniques in Local Government”. Local Government Studies. nº 26, pág. 23- 52. London.
31
ANEXO1
DIVISIÓN N° 2 NUMERO DEL GRUPO ANTERIOR DIVIDIDO: 2
VARIABLE CON MAYOR VARIANZA: LÑ_POB
Suma de cuadrados del total de la muestra: 969,00
Suma de cuadrados intragrupos (de todos los grupos): 348,64
Suma de cuadrados explicada por la partición en grupos: 64,02%
TOTAL
MUESTRA GRUPO 1 GRUPO 2 GRUPO 3
¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯
Número: 323 59 179 85
Suma cuadrados: 969,00 137,13 156,54 54,97
¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯
Variables: ANOVA / F de Snedecor
¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯
NBI Media: 0,00 -1,69 - 0,28 0,58 + F(2,320) = 301,6139
Des.Est.: 1,00 0,85 0,55 0,42 (p = 0,0000)
POB_URB% Media: 0,00 1,73 + -0,26 -0,65 - F(2,320) = 364,8726
Des.Est.: 1,00 0,70 0,60 0,23 (p = 0,0000)
LÑ_POB Media: 0,00 0,90 + 0,28 -1,21 - F(2,320) = 213,8858
Des.Est.: 1,00 1,05 0,46 0,64 (p = 0,0000)
+ : Grupo con media más alta
- : Grupo con media más baja
DIVISIÓN N° 3 NUMERO DEL GRUPO ANTERIOR DIVIDIDO: 2
VARIABLE CON MAYOR VARIANZA: POB_URB%
Suma de cuadrados del total de la muestra: 969,00
Suma de cuadrados intragrupos (de todos los grupos): 259,82
Suma de cuadrados explicada por la partición en grupos: 73,19%
TOTAL
MUESTRA GRUPO 1 GRUPO 2 GRUPO 3 GRUPO 4
¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯
Número: 323 39 72 75 137
Suma cuadrados: 969,00 73,98 75,65 50,43 59,76
¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯
Variables: ANOVA / F de Snedecor
¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯
NBI Media: 0,00 -2,06 - -0,42 0,53 + 0,51 F(3,319) = 285,1032
Des.Est.: 1,00 0,74 0,62 0,48 0,39 (p = 0,0000)
POB_URB% Media: 0,00 1,98 + 0,71 -0,64 - -0,58 F(3,319) = 499,0648
Des.Est.: 1,00 0,65 0,61 0,24 0,26 (p = 0,0000)
LÑ_POB Media: 0,00 1,33 + 0,30 -1,31 - 0,18 F(3,319) = 191,4317
Des.Est.: 1,00 0,96 0,54 0,62 0,46 (p = 0,0000)
+ : Grupo con media más alta
- : Grupo con media más baja
32
DIVISIÓN N° 4 NUMERO DEL GRUPO ANTERIOR DIVIDIDO: 2
VARIABLE CON MAYOR VARIANZA: NBI
Suma de cuadrados del total de la muestra: 969,00
Suma de cuadrados intragrupos (de todos los grupos): 220,55
Suma de cuadrados explicada por la partición en grupos: 77,24%
TOTAL
MUESTRA GRUPO 1 GRUPO 2 GRUPO 3 GRUPO 4 GRUPO 5
¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯
Número: 323 21 66 75 127 34
Suma cuadrados: 969,00 31,02 48,46 50,43 51,22 39,42
¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯ ¯¯¯¯¯¯¯¯¯¯¯
Variables: ANOVA / F de
Snedecor
¯¯¯¯¯¯¯¯¯¯
¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯
NBI Media: 0,00 -2,23 - -0,11 0,53 + 0,53 -1,54 F(4,318) = 238,6870
Des.Est.: 1,00 0,79 0,48 0,48 0,40 0,65 (p = 0,0000)
POB_URB% Media: 0,00 2,42 + 0,51 -0,64 - -0,64 1,33 F(4,318) = 552,6397
Des.Est.: 1,00 0,36 0,52 0,24 0,17 0,60 (p = 0,0000)
LÑ_POB Media: 0,00 1,94 + 0,40 -1,31 - 0,17 0,29 F(4,318) = 179,2927
Des.Est.: 1,00 0,85 0,48 0,62 0,46 0,61 (p = 0,0000)
+ : Grupo con media más alta
- : Grupo con media más baja
33
ANEXO 2
Grupo 1: Ciudades Metropolitanas Nº Departamento Municipios
1 Bení Puerto Guayaramerín
2 Bení Riberalta
3 Bení Trinidad
4 Chuquisaca Sucre
5 Cochabamba Cochabamba
6 Cochabamba Colcapirhua
7 Cochabamba Quillacollo
8 Cochabamba Sacaba
9 Cochabamba Tiquipaya
10 La Paz El Alto de La Paz
11 La Paz La Paz
12 Oruro Oruro
13 Pando Cobija
14 Potosí Llallagua
15 Potosí Potosí
16 Potosí Villazón
17 Santa Cruz Camiri
18 Santa Cruz La Guardia
19 Santa Cruz Montero
20 Tarija Bermejo
21 Tarija Tarija
22 Tarija Yacuiba
Grupo 2: Urbanos
Nº Departamento Municipios
1 Bení Baures
2 Bení Magdalena
3 Bení Puerto Rurrenabaque
4 Bení Reyes
5 Bení San Borja
6 Bení San Ignacio
7 Bení Santa Rosa
8 Chuquisaca Camargo
9 Chuquisaca Monteagudo
10 Chuquisaca Padilla
11 Chuquisaca Villa Serrano
12 Chuquisaca Villa Vaca Guzmán(Muyupampa)
13 Cochabamba Aiquile
14 Cochabamba Arani
15 Cochabamba Capinota
16 Cochabamba Chimoré
17 Cochabamba Colomi
18 Cochabamba Entre Rios (Bulo Bulo)
19 Cochabamba Pojo
20 Cochabamba Puerto Villarroel
21 Cochabamba San Benito (Villa José Quintín Mendoza)
22 Cochabamba Sipe Sipe
23 Cochabamba Tarata
24 La Paz Achocalla
25 La Paz Caranavi
26 La Paz Chulumani (Villa de la Libertad)
27 La Paz Colquencha
28 La Paz Colquiri
29 La Paz Copacabana
30 La Paz Coripata
31 La Paz Coroico
32 La Paz Desaguadero
33 La Paz Guanay
34 La Paz Mapiri
35 La Paz Patacamaya
34
36 La Paz Quime
37 La Paz San Andrés de Machaca
38 La Paz Teoponte
39 La Paz Tiahuanacu
40 La Paz Tipuani
41 La Paz Viacha
42 Oruro Santiago de Huari
43 Potosí Uncía
44 Santa Cruz Buena Vista
45 Santa Cruz Cabezas
46 Santa Cruz Colpa Bélgica
47 Santa Cruz Comarapa
48 Santa Cruz Concepción
49 Santa Cruz Cuatro Cañadas
50 Santa Cruz General Agustín Saavedra
51 Santa Cruz Okinawa Uno
52 Santa Cruz Pailón
53 Santa Cruz Pampa Grande
54 Santa Cruz Saipina
55 Santa Cruz San Ignacio (San Ignacio de Velasco)
56 Santa Cruz San Javier
57 Santa Cruz San Juan
58 Santa Cruz San Julián
59 Santa Cruz San Matías
60 Santa Cruz San Miguel (San Miguel de Velasco)
61 Santa Cruz San Pedro
62 Santa Cruz San Rafael
63 Santa Cruz Santa Rosa del Sara
64 Santa Cruz Yapacaní
65 Tarija Entre Rios (La Moreta)
66 Tarija Tomayapo (El Puente)
67 Tarija Villa San Lorenzo
Grupo 3 : Rural Pobre Extremo
Nº Departamentos Municipios
1 Bení Puerto Siles
2 Bení San Javier
3 Chuquisaca Villa de Huacaya
4 Cochabamba Cuchumuela (Villa Gualberto Villarroel)
5 Cochabamba Sicaya
6 Cochabamba Tacachi
7 La Paz Catacora
8 La Paz Chacarilla
9 La Paz Charaña
10 La Paz Combaya
11 La Paz Curva
12 La Paz Nazacara de Pacajes
13 La Paz Quiabaya
14 La Paz Tito Yupanqui
15 La Paz Waldo Ballivián
16 Oruro Caracollo
17 Oruro Challapata
18 Oruro Choque Cota
19 Oruro Coipasa
20 Oruro Corque
21 Oruro Curahuara de Carangas
22 Oruro Esmeralda
23 Oruro Eucaliptus
24 Oruro Huayllamarca (Santiago de Huayllamarca)
25 Oruro La Rivera
26 Oruro Todos Santos
27 Oruro Yunguyo de Litoral
28 Pando Bella Flor
35
Grupo 4: Semi Urbanos
Nº Departamento Municipios
1 Bení San Andrés
2 Chuquisaca Culpina
3 Chuquisaca Incahuasi
4 Chuquisaca Poroma
5 Chuquisaca San Lucas
6 Chuquisaca Tarabuco
7 Chuquisaca Tarvita (Villa Orías)
8 Chuquisaca Villa Azurduy
9 Cochabamba Arque
10 Cochabamba Ayopaya (Villa de Independencia)
11 Cochabamba Mizque
12 Cochabamba Morochata
13 Cochabamba Pocona
14 Cochabamba Tacopaya
15 Cochabamba Tapacarí
16 Cochabamba Tiraque
17 Cochabamba Totora
18 Cochabamba Vacas
19 Cochabamba Villa Tunari
20 La Paz Achacachi
21 La Paz Ancoraimes
22 La Paz Apolo
23 La Paz Batallas
24 La Paz Cairoma
25 La Paz Calamarca
26 La Paz Caquiaviri
27 La Paz Chuma
28 La Paz Coro Coro
29 La Paz Inquisivi
30 La Paz La Asunta
31 La Paz Laja
32 La Paz Mocomoco
33 La Paz Palca
34 La Paz Palos0Blancos
35 La Paz Pucarani
36 La Paz Puerto Acosta
37 La Paz Puerto Carabuco
38 La Paz Santiago de Machaca
39 La Paz Sapahaqui
40 La Paz Sica Sica (Villa0Aroma)
41 La Paz Sorata
42 La Paz Umala
43 Oruro Carangas
44 Oruro Chipaya
45 Oruro Soracachi
46 Potosí Betanzos
47 Potosí Caripuyo
48 Potosí Chayanta
49 Potosí Colquechaca
29 Pando Bolpebra (Mukden)
30 Pando El Sena
31 Pando Ingavi (Humaita)
32 Pando Esperanza)
33 Pando San Pedro
34 Pando Santa Rosa del Abuná
35 Pando Santos Mercado
36 Potosí Mojinete
37 Potosí San Agustín
38 Potosí San Antonio de Esmoruco
39 Potosí San Pablo de Lípez
40 Potosí San Pedro de Quemes
41 Potosí Tahua
42 Potosí Urmiri (Belén de Andamarca)
43 Santa Cruz Quirusillas
36
50 Potosí Cotagaita
51 Potosí Ocurí
52 Potosí Pocoata
53 Potosí Puna (Villa Talavera)
54 Potosí Ravelo
55 Potosí Sacaca (Villa de Sacaca)
56 Potosí San Pedro de Buena Vista
57 Potosí Tacobamba
58 Potosí Tinguipaya
59 Potosí Tomave
60 Potosí Toro Toro
61 Potosí Vitichi
62 Santa Cruz Gutiérrez
63 Santa Cruz Pucara
64 Tarija Padcaya
Grupo 5. Urbanos Pobres
Nº Departamentos Municipios
1 Bení San Joaquín
2 Bení San Ramón
3 Bení Santa Ana
4 Cochabamba Cliza
5 Cochabamba Punata
6 Cochabamba Tolata
7 Cochabamba Vinto
8 Oruro Machacamarca
9 Oruro Huanuni
10 Potosí Atocha
11 Potosí Tupiza
12 Potosí Uyuni (Thola Pampa)
13 Santa Cruz Ascención de Guarayos
14 Santa Cruz Boyuibe
15 Santa Cruz Cotoca
16 Santa Cruz El Carmen Rivero Tórrez
17 Santa Cruz El Torno
18 Santa Cruz Fernández Alonso
19 Santa Cruz Mairana
20 Santa Cruz Mineros
21 Santa Cruz Portachuelo
22 Santa Cruz Puerto Quijarro
23 Santa Cruz Puerto Suárez
24 Santa Cruz Roboré
25 Santa Cruz Samaipata
26 Santa Cruz San Carlos
27 Santa Cruz San Jose de Chiquitos
28 Santa Cruz San Ramón
29 Santa Cruz Urubicha
30 Santa Cruz Vallegrande
31 Santa Cruz Warnes
32 Tarija Villamontes
37
Grupo 6. Rural Pobre
Nº Departamentos Municipios
1 Bení Exaltación
2 Bení Huacaraje
3 Bení Loreto
4 Chuquisaca Camataqui (Villa Abecia)
5 Chuquisaca El0Villar
6 Chuquisaca Icla (R.Mujia)
7 Chuquisaca Las Carreras
8 Chuquisaca Machareti
9 Chuquisaca Presto
10 Chuquisaca San Pablo de Huacareta
11 Chuquisaca Sopachuy
12 Chuquisaca Tomina
13 Chuquisaca Villa Alcalá
14 Chuquisaca Villa Mojocoya
15 Chuquisaca Villa Zudañez(Tacopaya)
16 Chuquisaca Yamparáez
17 Chuquisaca Yotala
18 Cochabamba Alalay
19 Cochabamba Anzaldo
20 Cochabamba Bolívar
21 Cochabamba Omereque
22 Cochabamba Pasorapa
23 Cochabamba Sacabamba
24 Cochabamba Santivañez
25 Cochabamba Toko
26 Cochabamba Vila Vila
27 Cochabamba Villa Rivero
28 La Paz Aucapata
29 La Paz Ayata
30 La Paz Ayo Ayo
31 La Paz Cajuata
32 La Paz Calacoto
33 La Paz Collana
34 La Paz Comanche
35 La Paz Guaqui
36 La Paz Ichoca
37 La Paz Irupana (Villa de Lanza)
38 La Paz Ixiamas
39 La Paz Jesús de Machaca
40 La Paz Licoma Pampa
41 La Paz Luribay
42 La Paz Malla
43 La Paz Mecapaca
44 La Paz Papel Pampa
45 La Paz Pelechuco
46 La Paz Puerto Pérez
47 La Paz San Buenaventura
48 La Paz San Pedro de Curahuara
49 La Paz San Pedro de Tiquina
50 La Paz Santiago de Callapa
51 La Paz Tacacoma
52 La Paz Taraco
53 La Paz Yaco
54 La Paz Yanacachi
55 Oruro Andamarca (Santiago de Andamarca)
56 Oruro Antequera (Bolivar)
57 Oruro Belén de Andamarca
58 Oruro Cruz de Machacamarca
59 Oruro El Choro
60 Oruro Escara
61 Oruro Huachacalla
62 Oruro Pampa Aullagas
63 Oruro Pazña
64 Oruro Poopó (Villa Poopó)
38
65 Oruro Sabaya
66 Oruro Salinas de García Mendoza
67 Oruro San Pedro de Totora
68 Oruro Santuario de Quillacas
69 Oruro Toledo
70 Oruro Turco
71 Pando Filadelfia
72 Pando Porvenir
73 Pando Puerto Gonzalo Moreno
74 Pando Puerto Rico
75 Pando San Lorenzo
76 Potosí Acasio
77 Potosí Arampampa
78 Potosí Caiza D
79 Potosí Chaqui
80 Potosí Colcha K ( Villa Martín)
81 Potosí Llica
82 Potosí Porco
83 Potosí Yocalla
84 Santa Cruz Charagua
85 Santa Cruz Cuevo
86 Santa Cruz El Puente
87 Santa Cruz Lagunillas
88 Santa Cruz Moro Moro
89 Santa Cruz Porongo (Ayacucho)
90 Santa Cruz Postrer Valle
91 Santa Cruz San Antonio de Lomerio
92 Santa Cruz Trigal
93 Tarija Caraparí
94 Tarija Uriondo (Concepción)
95 Tarija Yunchara