estimaciÓn de la eficiencia tÉcnica para clasificar...

ESTIMACIÓN DE LA EFICIENCIA TÉCNICA PARA

INVESTIGACIÓN DE POS

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE

Astrid Zulima Peñaranda Capera

UNIVERSIDAD DISTRITA

Maestría en Ingeniería Industrial

Énfasis en (Gestión de organizaciones)

CIENCIA TÉCNICA PARA CLASIFICAR LOS GRUPO

INVESTIGACIÓN DE POSTGRADO DE LA FACULTAD DE INGENIERÍA DE L

L FRANCISCO JOSÉ DE CALDAS MEDIANTE ANÁLISIS

ENVOLVENTE DE DATOS.

Autor

Astrid Zulima Peñaranda Capera

Directora

Lindsay Álvarez Pomar

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

Maestría en Ingeniería Industrial

Énfasis en (Gestión de organizaciones)

Bogotá, Colombia

mayo de 2018

CLASIFICAR LOS GRUPOS DE

D DE INGENIERÍA DE LA

ANÁLISIS

Estimación de la eficiencia técnica para clasificar los grupos de investigación de postgrado de la facultad de ingeniería de la Universidad Distrital Francisco José de Caldas mediante análisis envolvente de datos.

Página | 2

CONTENIDO

ÍNDICE DE FIGURAS ................................................................................................... 5

ÍNDICE DE TABLAS ..................................................................................................... 6

1. INTRODUCCIÓN ................................................................................................... 9

2. PROBLEMA DE INVESTIGACIóN ....................................................................... 11

2.1 PLANTEAMIENTO DEL PROBLEMA ........................................................... 11

3. OBJETIVOS ........................................................................................................ 13

3.1 OBJETIVO GENERAL .................................................................................. 13

3.2 OBJETIVOS ESPECÍFICOS ......................................................................... 13

4. JUSTIFICACIóN .................................................................................................. 15

5. LA INVESTIGACIÓN COMO FUENTE DE CONOCIMIENTO Y DESARROLLO

CIENTIFICO ............................................................................................................... 16

5.1 Aportes principales de la conformación de los grupos de investigación ........ 17

5.2 Situación actual de los grupos de investigación en Colombia ....................... 18

5.3 Grupos de investigación en la Universidad Distrital FJC ............................... 19

5.3.1 Antecedentes. ........................................................................................ 19

5.3.2 Centro de investigaciones y desarrollo científico. .................................. 22

5.3.3 Resultados preliminares convocatoria Colciencias 781. ........................ 22

6. MODELO DE MEDICIÓN DE GRUPOS DE INVESTIGACIÓN, TECNOLÓGICA O

DE INNOVACIÓN DE COLCIENCIAS ........................................................................ 27

6.1 Antecedentes ................................................................................................ 28

6.2 Modelo de Caracterización de Grupos de Investigación ............................... 31

6.2.1 Los indicadores de producción – ITP. .................................................... 34

6.2.2 Indicador de cohesión del grupo – IC..................................................... 35

6.2.3 Indicador de cooperación (ICoop). ......................................................... 36


Página | 3

6.2.4 Perfiles de un Grupo de investigación, Desarrollo Tecnológico e

Innovación. .......................................................................................................... 37

6.2.5 Indicador de Grupo. ............................................................................... 37

6.2.6 Producción normalizada por el número de investigadores. .................... 39

6.2.7 Productividad. ........................................................................................ 40

6.2.8 Pesos Globales e individuales de los Productos. ................................... 40

6.2.9 Indicadores de producción. .................................................................... 41

6.2.10 Índices del Grupo de Investigación. ....................................................... 41

7. MODELO DEA (DATA ENVELOPMENT ANALYSIS) .......................................... 42

7.1 Orientación del modelo ................................................................................. 43

7.2 Ventajas del Análisis Envolvente de Datos. .................................................. 44

7.3 DEA para la medición de la eficiencia de grupos de investigación ................ 45

7.4 Modelos DEA ................................................................................................ 47

7.4.1 Modelo CCR en Forma Fraccional. ........................................................ 47

7.4.2 Modelo CCR en Forma Multiplicativa. .................................................... 49

7.4.3 Modelo CCR en Forma Envolvente ....................................................... 50

7.4.4 Modelo CCR-O Orientado a las Salidas en Forma Multiplicativa. .......... 51

7.4.5 Modelo CCR-O Orientado a las Salidas en Forma Envolvente. ............. 52

7.4.6 Modelo Supereficiencia: Orientado a las Salidas en Forma Envolvente. 54

8. METODOLOGÍA .................................................................................................. 55

8.1 Tipo de investigación .................................................................................... 55

8.2 Grupos de Investigación objeto de estudio o DMU ....................................... 57

8.3 Aplicación del método DEA .......................................................................... 60

8.4 Variables del modelo (inputs y outputs) ........................................................ 60

8.4.1 Variables de entrada (inputs). ................................................................ 60

8.4.2 Variables de Salida (outputs) ................................................................. 64


Página | 4

8.5 Correlación de las variables del modelo ....................................................... 68

9. RESULTADOS Y análisis .................................................................................... 72

9.1 Resultados aplicación DEA output orientado ................................................ 72

9.2 Resultados del modelo DEA con supereficiencia ........................................ 105

9.3 Resultados DEA output orientado ............................................................... 107

10. CONCLUSIONES y RECOMENDACIONES .................................................. 109

11. LIMITACIONES DEL MODELO ...................................................................... 111

12. REFERENCIAS .............................................................................................. 112


Página | 5

ÍNDICE DE FIGURAS

Figura 1. Resultados preliminares convocatoria Colciencias 781 de 2017 ................. 23

Figura 2. Resultados convocatoria Colciencias 768 de 2016 para Indexación de

Revistas Científicas de la Universidad Distrital FJC en Publindex. .............................. 25

Figura 3. Frontera Eficiente y mejora ʎ. ................................................................... 43

Figura 4. Flujo del proceso realizado en la presente investigación. ........................... 56

Figura 5. Gráfica DMU’s dos outputs (artículos-Tesis). . .......................................... 71

Figura 6. Interpretación de las tablas de resultados para cada uno de los 21 grupos

de investigación de la Tabla 17. ................................................................................ 72


Página | 6

ÍNDICE DE TABLAS

Tabla 1. Clasificación preliminar de los grupos de investigación de la Facultad de

Ingeniería de la Universidad Distrital convocatoria Colciencias 781 de 2017. ............. 24

Tabla 2. Tabla 2: Tipos y subtipos de los integrantes de un grupo de investigación con

vigencia en años. ........................................................................................................ 31

Tabla 3. Tipología de los productos según las actividades de investigación y sus

subtipos. ..................................................................................................................... 32

Tabla 4. Ventana de observación en años para las cuatro tipologías de productos y

los productos específicos. ........................................................................................... 33

Tabla 5. Normas que regulan la vinculación de productos de investigación de los

integrantes del grupo, a la producción general del grupo. ........................................... 34

Tabla 6. Correspondencia entre restricción primal y variable dual. ............................ 50

Tabla 7. Correspondencia entre restricción dual y variable primal. ............................ 50

Tabla 8. Grupos de investigación de los posgrados de la Facultad de Ingeniería. ..... 58

Tabla 9. Grupos de investigación de la Facultad de Ingeniería seleccionados como

DMU de estudio definitivos. ........................................................................................ 59

Tabla 10. Aporte relativo de productividad a partir de la definición de la categoría de

los integrantes investigadores de un grupo de investigación. ...................................... 62

Tabla 11. Puntaje de la variable CATEGORÍA de los investigadores o integrantes

activos para cada grupo de investigación. .................................................................. 63

Tabla 12. Pesos relativos de productividad para cada tipo específico de producto de

acuerdo al tipo o categoría.......................................................................................... 64


Página | 7

Tabla 13. Valores de las variables para cada DMU en un período de dos años y seis

meses (2015, 2016, 2017-I). ....................................................................................... 67

Tabla 14. Cantidad de producción de cada DMU en un período de dos años y seis

meses (2015, 2016, 2017-I). ....................................................................................... 68

Tabla 15. Coeficientes de determinación de Pearson R2 de 21 grupos de

investigación que representan las variables de entrada y salida. ................................ 69

Tabla 16. Valores inputs y outputs iniciales del modelo para cada uno de los 21

grupos de investigación. ............................................................................................. 70

Tabla 17 Resultados y análisis para cada grupo de investigación o DMU - G5. ........ 74

Tabla 18. Resultados y análisis para cada grupo de investigación o DMU - G15. ..... 76



Tabla 21. Resultados y análisis para cada grupo de investigación o DMU – G19. ..... 80










Página | 8





Tabla 34. Resultados y análisis para cada grupo de investigación o DMU – G46. ...... 97



Tabla 37. Resultados y análisis para cada grupo de investigación o DMU – G55. ... 101

Tabla 38. Resultados de la clasificación final de los Grupos de Investigación,

Desarrollo Tecnológico o de Innovación obtenida mediante método DEA. ............... 103

Tabla 39. Resultados clasificación grupos de investigación mediante método DEA. 104

Tabla 40. Meta promedio propuesta redondeada a mejorar en las salidas. ............. 105

Tabla 41. Resultados de la clasificación de los grupos de investigación utilizando el

modelo DEA con supereficiencia. ............................................................................. 106

Tabla 42. Grupos de investigación organizados según su clasificación Colciencias y

comparados con el ranking DEA. ............................................................................. 108


Página | 9

1. INTRODUCCIÓN

Los postgrados de la Facultad de Ingeniería, han desplegado sus estrategias de

formación de investigadores con el propósito de alinearse con las políticas de la

Universidad Distrital Francisco José de Caldas, las cuales van encaminadas a

posicionar a la universidad como un centro de investigación de alto impacto a través

del fortalecimiento del sistema de investigaciones y formación del talento humano

dedicado a la investigación.

La presente investigación utiliza una metodología no paramétrica conocida como DEA

(del inglés Data Envelopment Analysis) o Análisis envolvente de Datos, la cual

construye una frontera eficiente formada por los mismo elementos a medir, o unidades

de decisión DMU (del inglés Decision Making Units), de modo tal que se puedan

clasificar y comparar los grupos de investigación sin utilizar parámetros arbitrarios; por

este motivo esta metodología ha sido muy utilizada en el ámbito académico (Villegas,

2006), (Pino, 2010), (Rojas Luna, 2010). El método DEA permite identificar

cuantitativamente las mejoras necesarias en los productos finales (clasificados con los

indicadores que emplea Colciencias) de los grupos de investigación asociados a los

postgrados de la Facultad de Ingeniería, de forma que se propenda la potencialización

de dichos grupos de investigación, y adicionalmente permita elaborar estrategias que

mejoren a futuro los resultados clasificatorios en el Sistema Nacional de Ciencia,

Tecnología e Innovación (SNCTeI), de Colciencias. Dentro de estos programas están

el Doctorado de Ingeniería, las Maestrías en Ciencias de la Información y

Comunicaciones, Telecomunicaciones móviles, en Ingeniería con énfasis en Ingeniería

Electrónica, en Ingeniería Industrial; las especializaciones en Avalúos, en

Bioingeniería, en Proyectos Informáticos, en Telecomunicaciones Móviles, en

Teleinformática, en Higiene, Seguridad y Salud en el Trabajo y en Ingeniería de

Software.

En la primera parte de esta investigación se realizó una breve descripción de la

importancia del conocimiento en el desarrollo socio – económico de la sociedad, para

luego hacer una descripción preliminar de los grupos de investigación en Colombia. A


Página | 10

continuación se realizó una reseña de los hechos institucionales que tuvieron un

impacto relevante en el fortalecimiento del concepto de grupos de investigación en la

Facultad de Ingeniería de la Universidad Distrital. Posteriormente, se muestra la

situación actual de los grupos de investigación de acuerdo con los resultados

preliminares de la convocatoria 781 hecha por Colciencias en el año 2017.

En el segundo capítulo se presenta la metodología utilizada por Colciencias para medir

la productividad de los grupos de investigación, los indicadores y ponderaciones del

Observatorio Colombiano de Ciencia y Tecnología (OCyT) que se realizan para la

clasificación de los grupos de investigación.

En el tercer capítulo se presenta la metodología no paramétrica DEA, se justifica la

elección de esta herramienta como alternativa en la medición de la eficiencia técnica

de la producción investigativa y se muestran sus ventajas y desventajas; se explica el

modelo, sus variaciones en la formulación matemática y la super-eficiencia como

extensión del modelo.

En el cuarto capítulo se realiza el desarrollo metodológico, se definen las variables del

modelo DEA y la aplicación del modelo para medir, comparar y clasificar los grupos de

investigación de la Facultad de Ingeniería de la UDFJC con base en la estimación de

la eficiencia técnica. Se hace una comparación entre los resultados obtenidos con

DEA y los resultados obtenidos con la clasificación hecha por Colciencias en la

convocatoria 781 del año 2017. Finalmente se aplica el modelo de super-eficiencia

DEA para reclasificar los grupos eficientes teniendo en cuenta otros aspectos, y

consolidando la validez del modelo.

En el quinto capítulo se exponen las conclusiones generadas del ranking DEA, se

realizan recomendaciones tendientes al mejoramiento en la producción investigativa

basándose en el estudio DEA con miras a futuras convocatorias de Colciencias.


Página | 11

2. PROBLEMA DE INVESTIGACIÓN

2.1 PLANTEAMIENTO DEL PROBLEMA

La investigación en la Universidad Distrital constituye junto con la formación

académica, uno de los pilares de la razón de ser de la institución, siendo parte

fundamental en la misión de contribuir al progreso sociocultural del país (CSU, 1997).

Es por esto que el generar métodos y herramientas que ayuden a medir el rendimiento

de los grupos de investigación institucionales, así como entender que parámetros

influyen en dicho rendimiento es de vital importancia para la administración de dichos

grupos.

El modelo del Observatorio Colombiano de Ciencia y Tecnología (OCyT) que emplea

el SNCTeI se limita a realizar una clasificación de los grupos de investigación

registrados con base en unos parámetros de medición de producción; este no tiene en

cuenta los insumos de entrada del sistema, como lo son el presupuesto, la cantidad de

miembros del grupo y las horas de dedicación oficial para investigación de estos con la

universidad, todos estos recursos cuantificables y limitados.

Así mismo, desde la creación del índice ScientiCol con umbral fijo para clasificar a los

grupos de investigación en las diferentes categorías, no se toma en cuenta

información contextual de los grupos por evaluar (pues no es su misión), lo que puede

hacer que los gestores de investigación que se basen en dicho umbral

exclusivamente, subvaloren elementos importantes (Duitama, 2007).


Página | 12

Plantear un modelo de comparación relativa que identifique la influencia de elementos

de entrada o inputs en el proceso de investigación de los grupos, o en otras palabras

establecer indicadores de repercusión en el producto final y no tomar exclusivamente

el producto final como indicador, puede llegar a responder a las preguntas: ¿Qué tan

eficientes son los grupos de investigación realizando una comparación relativa entre

los mismos, con base en los recursos empleados con base en la productividad

alcanzada en términos de Colciencias? y ¿Cuánto se deben mejorar las entradas o

inputs en los grupos ineficientes?


Página | 13

3. OBJETIVOS

3.1 OBJETIVO GENERAL

Realizar un modelo implementando Análisis Envolvente de Datos que permita medir la

eficiencia relativa de los grupos de investigación pertenecientes a los postgrados de la

Facultad de Ingeniería de la UDFJC, de modo que se puedan realizar comparaciones

cuantitativas entre la productividad de los grupos, estableciendo así metas

fundamentadas que propendan el mejoramiento productivo de los grupos de

investigación, con miras a la medición que realiza el OCyT de los grupos que

participan en las convocatorias anuales.

3.2 OBJETIVOS ESPECÍFICOS

• Caracterizar las DMUs, para verificar el estado de los grupos de investigación

de los postgrados de la Facultad de Ingeniería con base en los índices de

resultados dados por el OCyT para grupos que participaron en las

convocatorias en los años anteriores. Así mismo los resultados en producción

e investigación realizados por grupos que no hayan participado en dichas

convocatorias.

• Identificar los posibles factores insumo o input que puedan influir en el

desempeño productivo de los grupos de investigación, y que puedan ser

implementados en el modelo. Así mismo, indicadores output o de resultados

que pudieran resultar importantes y que los índices del OCyT no contemplen.

• Implementar y evaluar la pertinencia de modelos de eficiencia relativa basados

en DEA, con comparaciones de súper-eficiencia para observaciones atípicas y

análisis de sensibilidad.


Página | 14

• Proponer metas de resultados cuantitativos, fundamentadas en las

comparaciones relativas entre los grupos de investigación de los posgrados de

la Facultad de Ingeniería de la universidad, de modo que se propenda el

mejoramiento de los grupos de investigación que resulten ineficientes, así

como la conservación de la productividad de los grupos eficientes.


Página | 15

4. JUSTIFICACIÓN

La evaluación del desempeño de los grupos de investigación con base a los recursos

de que disponen y la obtención de indicadores de eficiencia son muy importantes para

el diseño de las políticas de fomento de la investigación y el desarrollo dentro de las

instituciones. Dicha evaluación de resultados puede basarse en métodos paramétricos

que “tracen la raya” de lo considerado buen desempeño, basándose en valores de

indicadores realizados con justificaciones arbitrarias, que por mucho son establecidas

por consenso de algunos administrativos del OCyT. Un modelo no paramétrico como

el que se puede generar mediante el Análisis Envolvente de Datos DEA, mide la

eficiencia relativa con base en los mismos elementos objeto de medición, por lo que

dicho desempeño deja de ser arbitrario.

DEA puede evitar algunos de los problemas del método utilizado por Colciencias,

llamado índice ScientiCol (OCyT, 2016); por ejemplo, tiene ventajas como la libre

escogencia de los pesos para los productos, la inclusión en la evaluación de entradas

tan importantes como la experiencia y el tamaño del grupo; y permite realizar una

evaluación comparativa de los grupos estudio sin utilizar umbrales fijos.

Así mismo, esta metodología también ofrece la posibilidad de identificar los factores

críticos que promueven el desempeño del grupo, permitiendo gerencialmente

fortalecer dichos factores de relevancia. La flexibilidad del método, permite desarrollar

modelos que en conjunto con otras herramientas estadísticas, incorporen

ponderaciones que reflejen la importancia relativa de los diferentes productos.

La presente investigación sirve para la toma de decisiones relacionadas con políticas

internas para el incremento de los volúmenes de producción de artículos A1, A2, B, C,

D, libros y tesis, ya que presenta cuantitativamente la cantidad a producir en un

período determinado. Esto permite justificar solicitudes de apoyo económico externo o

interno para lograr dichos objetivos de producción.


Página | 16

5. LA INVESTIGACIÓN COMO FUENTE DE CONOCIMIENTO Y

DESARROLLO CIENTIFICO

Dentro de una institución universitaria la Investigación es una herramienta de

desarrollo e impacto en los diferentes niveles productivos de la sociedad, por ello en la

actualidad es indiscutible la importancia de crear espacios para promover y fortalecer

una cultura investigativa desde la educación básica primaria hasta el nivel de

postgrado.

Es importante para el desarrollo de la sociedad del conocimiento considerar la

investigación y el emprendimiento como ejes transversales que conllevan las acciones

de los investigadores en formación para generar competencias que permitan la

reflexión, argumentación y presentación de nuevo conocimiento.

Según (Prat, 2007), tradicionalmente, y en todo el mundo, esta creación de nuevo

conocimiento se mide a través de los “productos” (outputs) y de los “efectos”

(outcomes). El "producto" (output) de la actividad, adquiere diferentes formas y cambia

según la disciplina, desde los artículos en revistas científicas, libros, presentaciones a

congresos, y todo tipo de publicaciones en general; patentes y otros productos

relacionados con la posibilidad de aplicación y transferencia del conocimiento y, según

las áreas, diseños, desarrollo de software, material multimedia, y otros.

Además de los productos cuantificables, existen los "resultados" o "efectos"

(outcomes) de la investigación, tales como producción de graduados de alta calidad,

innovaciones tecnológicas, ampliación de la capacidad de servicios de consultoría,

servicios de investigación entre otros; relaciones internacionales con potencialidad de

intercambio, acceso a resultados, participación en redes, etc.

Los actores involucrados en la sociedad del conocimiento y sus inquietudes cognitivas

dan lugar a la conformación de grupos de pares que intercambian información

relacionada con un mismo tema. Los resultados de sus investigaciones son

transformados en productos académicos.


Página | 17

La difusión y medición de este conocimiento mediante productos académicos

determina la estructura de ciencia y la tecnología (CyT) en una sociedad; por esto, la

conformación de grupos de investigación un creciente interés científico y una

expectativa económica.

5.1 Aportes principales de la conformación de los grupos de

investigación

Como principales aportes encontramos los siguientes:

Institucionalización de las acciones que fomentan la investigación y las prácticas que

desarrollan la actividad investigativa (Orozco L.E., 2001) en el ámbito universitario el

proceso de aparición y consolidación de la investigación abrió paso entonces, a la

conformación de institutos y centros, direcciones de investigación, comités, comisiones

y consejos (Aparicio, 2007).

Consolidación de la estructura de ciencia y tecnología mediante la difusión del

conocimiento y su medición derivados de la producción de los grupos de investigación

a través de productos académicos, que pueden derivar en un desarrollo económico

(Colciencias, 2017).

Pérdida de la relevancia de las áreas o líneas de investigación para dar paso al

fortalecimiento de los grupos de investigación, permitiendo orientar su trabajo hacia la

de verdaderos centros de promoción de la investigación científica y el desarrollo

tecnológico (Villaveces, 2001).

Identificación del Grupo de Investigación como el Núcleo (Triadó, 2007) o Unidad

Básica del Sistema Nacional de Ciencia y Tecnología para la generación de

conocimiento a través de la investigación (Charum, 1999).

Creación de una importante conexión entre las Universidades Públicas, el Sistema

Nacional de Indexación de Publicaciones Especializadas de Ciencia, Tecnología e


Página | 18

innovación (CT+I) y el Sistema Regional de Información en Línea para Revistas

Científicas de Iberoamérica.

5.2 Situación actual de los grupos de investigación en Colombia

Los resultados preliminares de la Convocatoria 781 de 2017, presentados el 25 de

septiembre, emplearon los criterios dispuestos para la definición de Grupo de

investigación, Desarrollo Tecnológico o de Innovación para 7.362 registros de

GrupLAC que fueron avalados por las instituciones para participar en la Convocatoria.

Así mismo, 5.926 registros de grupos se inscribieron al proceso de

medición/clasificación, de los registros avalados, 5.188 fueron reconocidos como

Grupo de Investigación, Desarrollo Tecnológico o de Innovación de los cuales 4.947

grupos cumplieron con las condiciones para ser reconocidos.

De este modo, la distribución de los grupos medidos/clasificados, es: Grupos A1: 504,

Grupos A: 779, Grupos B: 1.092, Grupos C: 2.149 y Reconocido-Sin Clasificar: 664.

Se aclara que este es el número total de grupos por categoría, no obstante, la

clasificación para cada grupo, se alcanzó en comparación por área del conocimiento

(Colciencias, Resultados preliminares de la convocatoria 781 de 2017, 2017).

Los resultados finales de la convocatoria 737 de 2015, publicados oficialmente el 20

de mayo de 2016, los criterios dispuestos para la definición de Grupo de Investigación,

Desarrollo Tecnológico o de innovación se aplicaron para 6.768 registros GrupLAC

que fueron avalados por las instituciones para participar en la Convocatoria. Se

resalta que 5.796 registros de grupos estuvieron inscritos al proceso de clasificación.

De los registros avalados, 4.638 fueron reconocidos como Grupo de Investigación,

Desarrollo Tecnológico o de Innovación y 4.458 cumplieron con las condiciones para

reconocimiento. La distribución de la categorización de grupos es la siguiente: Grupos

A1: 408, Grupos A: 549, Grupos B: 952, Grupos C: 1.939 y Grupos D: 610. Se aclara

que este es el número total de grupos por categoría, no obstante, la clasificación para


Página | 19

cada grupo fue calculada con medición comparativa por área del conocimiento

(Colciencias, 2016).

En el informe preliminar de resultados de la convocatoria 781 se observa un

incremento del 8.8% representado en 594 grupos adicionales que se registraron en el

aplicativo GrupLAC y estaban avalados por una institución para participar.

Probablemente esto no refleje la creación de nuevos grupos de investigación ni el

incremento de las actividades investigativas en el país y tan solo demuestre que más

grupos se formalizaron ante Colciencias en su plataforma. De esos el 2.87% es decir,

166 grupos más estuvieron inscritos para el proceso de clasificación. 550 grupos más

que en la convocatoria anterior, es decir, 11.86% fueron reconocidos y 489 cumplieron

con las condiciones para el reconocimiento como “grupo de investigación”,

evidenciando un aumento del 11% con respecto a la convocatoria anterior la 737 de

2015.

Los resultados de la medición de los grupos tuvieron los siguientes incrementos con

respecto a la convocatoria 737 de 2015: 96 grupos más en categoría A1, 230 grupos

adicionales en categoría A, 140 más en categoría B, 210 adicionales en categoría C y

54 grupos más reconocidos. Estas cifras corresponden a un incremento del 23,5% en

categoría A1, 41,89% en categoría A, 14,7% en categoría B, 10,8% en categoría C y

8.85% en la categoría denominada reconocidos-sin clasificar.

5.3 Grupos de investigación en la Universidad Distrital FJC

5.3.1 Antecedentes.

Los grupos de investigación en la Facultad de Ingeniería de la Universidad Distrital,

son generalmente conformados por iniciativa de profesores de diferentes proyectos

curriculares, en desarrollo de sus actividades académicas y dentro del trabajo

investigativo en las áreas de su competencia. En principio, estos grupos buscan

enmarcar su estructura dentro los objetivos misionales de la Universidad, mediante la


Página | 20

generación de conocimiento producto de diversas actividades de investigación de

personas de diferentes grados de escolaridad y diferentes disciplinas.

Un buen punto de partida para identificar los hechos que fortalecieron el proceso

investigativo en la Universidad Distrital Francisco José de Caldas, son las reformas

que se llevaron a cabo con el Acuerdo No. 014 de agosto 3 de 1994 del Consejo

Superior Universitario, por el cual se reglamenta el sistema de investigaciones de la

Universidad Distrital y se dictan otras disposiciones que tiene por objetivo establecer

unos principios y objetivos institucionales que definan y caractericen la investigación

en la universidad. (Consejo Superior Universitario UDFJC, 1994).

Posteriormente, con el Acuerdo No. 009 de octubre de 1996 denominado Estatuto de

Investigaciones, se reglamenta la organización y desarrollo de la investigación en la

Universidad Distrital creando el Centro de Investigaciones y Desarrollo Científico como

unidad académica y administrativa responsable de la orientación del trabajo y

desempeño investigativo de los profesores de la universidad (Consejo Superior

Universitario UDFJC, 1996).

Con el Acuerdo No. 01 de enero 18 de 2008 del Consejo Superior Universitario, se

confirma el plan estratégico de desarrollo de la Universidad Distrital Francisco José de

Caldas 2008-2016 denominado: “Saberes, Conocimientos e Investigación de Alto

Impacto para el Desarrollo Humano y Social”. Este documento plantea en el

componente estratégico relacionado con la investigación, en su Política 3:

Investigación de alto impacto para el desarrollo local, regional y nacional, comprende

el conjunto de lineamientos para la formulación de estrategias, programas y proyectos

orientados a consolidar el sistema de investigaciones de la Universidad Distrital

Francisco José de Caldas y generar una cultura investigativa que posibilite el

desarrollo de investigación de alto impacto científico y social que tenga incidencia

efectiva en el ámbito local, regional y nacional. (Consejo Superior Universitario

UDFJC, 2008).

Mediante el Acuerdo No. 023 de Junio de 2012 se reglamenta la política Editorial de la

Universidad Distrital Francisco José de Caldas definiendo el sistema editorial de la

universidad como la estructura institucional que articula las acciones, instancias,


Página | 21

instrumentos y mecanismos dirigidos al cumplimiento de las políticas, lineamientos y

objetivos relativos a los procesos de selección, evaluación, producción, distribución y

socialización de productos editoriales de calidad y rigor científicos qué, además de

responder a las necesidades del ámbito universitario y de la sociedad, buscan

impactar local, regional, nacional e internacionalmente. (Consejo Académico UDFJC,

2012).

Luego, con el Acuerdo No. 004 de octubre 11 de 2012, se expide el estatuto de

propiedad intelectual que tiene por objetivo la regulación de las relaciones en materia

de propiedad intelectual respecto de la Universidad Distrital Francisco José de

Caldas, sus servidores públicos, estudiantes, personal y entidades vinculadas a la

universidad en esta materia (Consejo Superior Universitario UDFJC, 2012).

Con la Resolución 176 de diciembre 2 de 2014 se reglamenta el proceso de aval

institucional de los grupos de investigación de la Universidad Distrital Francisco José

de Caldas mediante reglas concretas y los lineamientos para la conformación del

archivo de depósito de soportes físicos o digitales de la información registrada y

declarada por los grupos de investigación e investigadores (Consejo Académico

UDFJC, 2014).

Finalmente, con el Acuerdo No. 012 de diciembre 18 de 2014 se crea la Oficina de

Transferencia de resultados de investigación (OTRI-BOGOTA) que adiciona al artículo

tercero del acuerdo No. 009 de octubre de 1996 crear la OTRI-BOGOTA adscrita al

CIDC como una unidad técnica especializada que prestará sus servicios en materia de

transferencia de resultados de investigación para la Bogotá-Región y de gestión de las

relaciones entre los grupos de investigación, laboratorios e institutos de investigación

de la universidad enlazando a la Universidad Distrital Francisco José de Caldas con el

entorno socioeconómico, los sectores público y privado, y demás organizaciones a

nivel regional, nacional e internacional (Consejo Superior Universitario UDFJC, 2014).


Página | 22

5.3.2 Centro de investigaciones y desarrollo científico.

La dependencia Centro de Investigaciones y Desarrollo Científico tiene como misión:

reglamentar, promover, controlar, evaluar, y socializar la investigación mediante

políticas tendientes al desarrollo y consolidación de esta actividad como función

esencial de la Universidad. Como objetivos se plantea:

• Apoyar el trabajo académico e investigativo de docentes y estudiantes en todas

sus modalidades.

• Promover la interrelación entre la Universidad y los distintos sectores del

Distrito Capital y del país.

• Estimular la formación de grupos de investigación de carácter institucional e

interinstitucional de alta calidad.

• Fomentar, coordinar, gestionar, evaluar y divulgar los proyectos de

investigación y las actividades derivadas de tales procesos.

El sistema de información de investigaciones SICIUD es el sistema que utiliza la

oficina CIDC para acopiar las información y estadísticas relacionadas con las

actividades que apoyan el desarrollo de programas y/o proyectos de investigación, el

fortalecimiento de la investigación formativa en los proyectos curriculares en la

universidad, la formulación de nuevas líneas de investigación para las maestrías y el

doctorado, la estructuración de espacios académicos y la participación en redes de

investigación contiene estadísticas.

5.3.3 Resultados preliminares convocatoria Colciencias 781.

El día 25 de septiembre, Colciencias publicó los resultados preliminares de

la convocatoria 781 denominada Convocatoria nacional para el reconocimiento y

medición de Grupos de Investigación, Desarrollo Tecnológico o de Innovación y para

el reconocimiento de Investigadores del Sistema Nacional de Ciencia, Tecnología e

Innovación – SNCTeI 2017.


Página | 23

Actualmente la institución cuenta con 242 grupos de investigación registrados y activos

en el Sistema de Información de Investigaciones (SICIUD), de éstos, 147 cuentan con

aval institucional ante Colciencias y 118 se encuentran reconocidos y categorizados

como resultado de la convocatoria 781 de 2017 (Centro de Investigaciones y

Desarrollo Científico, 2017), tal como se describe en la figura 1.

Figura 1. Resultados preliminares convocatoria Colciencias 781 de 2017. Fuente:

(Centro de Investigaciones y Desarrollo Científico, 2017).

Según el boletín publicado por la Unidad de Investigaciones de la Facultad de

Ingeniería tenemos los resultados preliminares de la convocatoria Colciencias

781/2017 en la que aparecen 29 grupos clasificados de los cuales se resaltan 21

grupos que hacen parte del presente estudio, como se observa en la tabla 1.


Página | 24

Tabla 1. Clasificación preliminar de los grupos de investigación de la Facultad de

Ingeniería de la Universidad Distrital convocatoria Colciencias 781 de 2017.

Fuente: (Centro de Investigaciones y Desarrollo Científico, 2017).

En la tabla anterior el código que se encuentra al lado derecho del nombre de cada

grupo es asignado por el Centro de Investigaciones y Desarrollo Científico de la

Universidad Distrital. En la siguiente columna aparece el nombre del director oficial

para la última convocatoria Colciencias. Las dos últimas columnas tienen los

resultados de la clasificación de las convocatorias Colciencias 737 de 2015 y 781 de

2017. Es evidente que de los 21 grupos tan solo 8 cambiaron de categoría (ver celdas

sombreadas en morado), 6 pudieron mejorar su desempeño para subirla mientras que

los otros 2 bajaron. Los 13 grupos restantes conservaron la categoría que adquirieron

en la convocatoria Colciencias anterior.


Página | 25

El Centro de Investigaciones destaca los resultados de la convocatoria No 768 de

2016, denominada Convocatoria para Indexación de Revistas Científicas Colombianas

Especializadas – Publindex (Publindex-Colciencias, 2000), cuyo objetivo era evaluar la

calidad de las revistas científicas nacionales, mediante criterios relacionados con la

gestión editorial, visibilidad e impacto de las publicaciones, con el propósito de

incrementar la calidad de la producción científica nacional y la inserción de esta

producción a nivel internacional, tal como se presenta en la figura 2.

Figura 2. Resultados convocatoria Colciencias 768 de 2016 para Indexación de

Revistas Científicas de la Universidad Distrital FJC en Publindex. Fuente: (Centro de

Investigaciones y Desarrollo Científico, 2017).


Página | 26

Los resultados preliminares fueron publicados el pasado 15 de septiembre de 2017,

donde la Universidad Distrital obtuvo a nivel nacional la sexta posición como Institución

de Educación Superior con 7 revistas indexadas en el Índice Bibliográfico Nacional

Publindex – Colciencias (Centro de Investigaciones y Desarrollo Científico, 2017).


Página | 27

6. MODELO DE MEDICIÓN DE GRUPOS DE INVESTIGACIÓN,

TECNOLÓGICA O DE INNOVACIÓN DE COLCIENCIAS

Actualmente el Departamento Administrativo de Ciencia, Tecnología e Innovación –

Colciencias, es la entidad encargada de hacer la medición de los grupos de

investigación y reconocimiento de investigadores del sistema nacional de ciencia,

tecnología e innovación – SNCTeI y su correspondiente clasificación haciendo uso del

Modelo de Medición de Grupos de Investigación, Desarrollo Tecnológico o de

Innovación y de Reconocimiento de Investigadores del Sistema Nacional de Ciencia,

Tecnología e Innovación.

Esta medición continúa con la convocatoria 781 del 12 de mayo de 2017 (Colciencias,

2017), en donde se hacen ajustes al modelo de medición que está siendo desarrollado

en tres fases. La primera fase empezó con la elaboración del modelo, por parte de

Colciencias en compañía del Comité de Expertos para Medición de Grupos entre los

años 2010 y 2011, para ponerlo a consideración de la comunidad científica y

académica durante octubre de 2011 y septiembre de 2013.

En la segunda fase hace la implementación del modelo mediante las convocatorias

640 de 2013, 693 de 2014 y 737 de 2015. En la tercera fase, amplia la ventana de

observación desde enero de 2012 hasta diciembre de 2016 para hacer los ajustes con

base en la revisión y análisis de los resultados de las tres convocatoria anteriores.

A continuación se detallan los propósitos específicos de este modelo de medición de

grupos de investigación, desarrollo tecnológico o de innovación y de reconocimiento

de investigadores del Sistema Nacional de Ciencia, Tecnología e Innovación

(Colciencias, 2017):

• Brindar una herramienta que permita generar conocimiento sobre las

capacidades, fortalezas, debilidades y potencialidades de los grupos y que

sirva como un instrumento para la gestión interna y para la evaluación de

quienes integran el Sistema Nacional de CTeI.


Página | 28

• Actualizar la información sobre los investigadores y los Grupos de

Investigación, Desarrollo Tecnológico o de Innovación del país, sus actividades

y los resultados logrados.

• Consolidar el mecanismo por medio del cual Colciencias conoce la dinámica de

los grupos de investigación, desarrollo tecnológico o de innovación del país y

de sus investigadores para organizar la información recolectada para generar

estadísticas, de tal manera que sea posible reflejar y evidenciar la

productividad y trayectoria de los grupos a partir de descriptores de sus

actividades y de sus resultados, que manifiesten las fortalezas del país en

cuanto a capacidad científica, tecnológica y creadora.

• Consolidar la información de los resultados de la producción de conocimiento

como una herramienta para orientar el diseño de políticas de apoyo,

fortalecimiento y sostenimiento de los grupos y centros de investigación,

desarrollo tecnológico e innovación del país.

6.1 Antecedentes

Con el propósito de identificar los grupos de investigación que trabajaban en el país,

Colciencias comenzó a realizar convocatorias de grupos y centros de investigación

desde el año 1991.

Para el año 2008 se diseñó un nuevo modelo basado en la ponderación de los

productos resultados de investigación del grupo de investigación. El puntaje máximo

de índice ScientiCol se alcanzaría si la producción del grupo le aportaba 8.5 sobre 10,

en donde el recurso humano al interior del grupo valdría de 1.5 sobre 10 y la

divulgación de sus resultados valdría 0.5 sobre 10.

De acuerdo con el puntaje obtenido y la edad del grupo de investigación podría

clasificarse en cinco categorías. Para la producción científica se definió un umbral

anual de producción de 2.0, siendo 1.0 el peso de un artículo de tipo A, es decir, se


Página | 29

espera una producción acumulada de dos artículos de tipo A por año, dentro de la

ventana de observación (Colciencias, 2017).

Durante el período comprendido entre febrero de 2010 y diciembre de 2011 se

construyó un nuevo instrumento de medición para los grupos de investigación, que

evolucionó centrando la discusión en las siguientes variables:

• Definición del grupo de investigación.

• Integrantes de los grupos de investigación.

• Incorporación de nuevos productos resultados de investigación.

• Las ponderaciones relativas de los productos de investigación.

• Visibilidad de productos, proyectos y líneas de investigación.

• Ventanas de observación diferenciadas entre productos.

• Categorías de grupos.

• Vigencia del reconocimiento del grupo de investigación.

• Actualización de la información.

• Validación de la información registrada.

• Tipología para la clasificación de los productos.

Durante los años 2013 y 2014 se caracterización los grupos de investigación y se

tipificaron los integrantes haciendo particular énfasis en los investigadores. A partir de

la Convocatoria 693 de 2014 se hicieron los siguientes ajustes:

• Adaptación de la Plataforma e inclusión de campos para la captura de

información acerca de las actividades desarrolladas por las disciplinas de arte,

arquitectura y diseño.

• Mejoras en el aplicativo para la captura de la información de los artículos de

investigación.

• Ajustes en los indicadores de existencia del producto “Variedad Vegetal”.

• Inclusión del producto “Signo distintivo”, como parte de los productos

resultados de actividades de Desarrollo Tecnológico e Innovación.

• Ajustes en los elementos de validación de los productos de Apropiación Social

del Conocimiento.


Página | 30

• Inclusión de nuevos productos en los indicadores de productos Tipo Top y Tipo

A.

• Construcción de protocolos de verificación de productos.

• Ajustes en las condiciones de los Grupos A1, A, B y C, y de los Investigadores

Junior, Asociado y Sénior.

• Modificación en los tiempos de vigencia de reconocimiento para los

Investigadores Asociado y Sénior.

• Se determinó que el proceso fuera dirigido exclusivamente a investigadores

vinculados contractualmente a Instituciones Colombianas y Residentes en

Colombia.

Se especificó que las instituciones, entidades o centros deben avalar a los grupos de

investigación, validando la vinculación de los investigadores a éstos, así como la

producción registrada

Posterior a la publicación de los resultados de la Convocatoria 737 de 2015,

Colciencias inició una revisión interna del Modelo de Medición de Grupos de

Investigación y Reconocimiento de Investigación aplicado de donde derivaron los

siguientes cambios:

• Ajustes en los criterios de reconocimiento de los Investigadores Asociados,

específicamente los relacionados con producción mínima de CTeI.

• Eliminación de la categoría “D” en la medición de grupos de investigación y

homologarla a los grupos reconocidos sin clasificación.

• Ajustes a la ventana de observación por años completos.

• Ajustes en las vigencias de las categorías de grupos e investigadores.

Adicionalmente, Colciencias durante 2016 y 2017 decidió fijar una nueva ventana para

la Convocatoria que abarca años completos según calendario, en este caso del 1 de

enero de 2012 a 31 de Diciembre de 2016.

Para la siguiente convocatoria, la 781 de 2017, Colciencias decidió implementar 53

cambios en el Modelo de medición de Grupos de Investigación, Desarrollo Tecnológico


Página | 31

o de Innovación y de Reconocimiento de Investigadores del Sistema Nacional de

Ciencia, Tecnología e Innovación (Colciencias, 2017).

6.2 Modelo de Caracterización de Grupos de Investigación

De los ajustes anteriores surge el Modelo de Reconocimiento y Caracterización de

Grupos de Investigación, Desarrollo Tecnológico o de Innovación que se caracteriza a

continuación:

Presentando definiciones básicas relacionadas con Grupo de Investigación e

integrantes del Grupo de Investigación, Desarrollo Tecnológico o de Innovación que se

indican a continuación en la tabla 2:

Tabla 2. Tabla 2: Tipos y subtipos de los integrantes de un grupo de investigación con

vigencia en años.

Fuente: (Colciencias, 2017).


Página | 32

Los productos que son reconocidos como resultados de las actividades de grupo de

investigación se clasifican en cuatro (4) grandes tipos que se muestran en la tabla 3:

Tabla 3. Tipología de los productos según las actividades de investigación y sus

subtipos.

Fuente (Colciencias, 2017).

El interés de la medición de la producción de los grupos de investigación, se centra en

aquellos productos que sostienen su vigencia como resultado de la actividad

investigativa del grupo. Teniendo en cuenta que los productos se diferencian por su


Página | 33

naturaleza y vigencia e impacto, se implementaron ventanas de observación

diferenciadas que se muestran en la tabla 4:

Tabla 4. Ventana de observación en años para las cuatro tipologías de productos y

los productos específicos.



Página | 34

La Vinculación de los productos obedece a unas normas y presenta los siguientes

casos que se pueden observar en la tabla 5:

Tabla 5. Normas que regulan la vinculación de productos de investigación de los

integrantes del grupo, a la producción general del grupo.


6.2.1 Los indicadores de producción – ITP.

Para cada subtipo de producto, que se encuentra dentro de los cuatro grandes tipos

de producción, se define un indicador de producción único. El valor usado para

ponderar el peso relativo de un subtipo particular en cada indicador se usa para

ponderar la importancia relativa que se le da a los subtipos de productos dentro de un

mismo tipo. Estos pesos son dados en una escala de cero (0) a diez (10) en todos los

tipos.

Los indicadores de producción para cada subtipo de producto se calculan con la

siguiente fórmula:

�� ≡ �� ó� � � �� .

�� = �� {"ú$ �� %��}{� �í�� %� �(��ó�} + 1+ (6.1)

En donde,


Página | 35

�� : conteo escalado de los productos en cada subtipo.

��: logaritmo natural usado para escalar la producción en cada subtipo.

Número de productos en el subtipo: cantidad de productos que el grupo registra y que

cumple todos los requerimientos.

Período de observación: es el menor período de tiempo entre la ventana de

observación del tipo de producto y el período de existencia del grupo (Colciencias,

2017, pág. 75).

Ejemplo: Indicador de la producción de artículos de investigación D.

�BC�_E = � � � ��( ∗ �BC�_E

El modelo presenta 7 indicadores de producción para el tipo de productos resultados

de actividades de generación de nuevo conocimiento, 5 indicadores para productos

resultados de actividades de desarrollo Tecnológico e Innovación, 4 indicadores para

productos resultados de actividades de Apropiación Social del Conocimiento y

finalmente 9 indicadores de productos de actividades relacionadas con la Formación

de Recurso Humano para la CTeI, para un total de 25 indicadores de producción por

subtipo de producto (Colciencias, 2017).

6.2.2 Indicador de cohesión del grupo – IC.

Este indicador permite evidenciar la colaboración a nivel interno de los integrantes del

grupo de Investigación y se calcula de la siguiente manera:

IC = AutoresProductos − 1 (6.2 )

En donde,

Autores: es el número total de autores del grupo firmantes de productos del grupo.


Página | 36

Productos: es el número de productos del grupo.

Si el indicador toma un valor de 1.5 indica que en promedio cada producto es firmado

por 2.5 autores del grupo. Cero significa, un autor por cada producto (Colciencias,

2017).

6.2.3 Indicador de cooperación (ICoop).

El indicador de cooperación es el valor que permite evidenciar la colaboración entre

los Grupos de investigación, es decir, entre los autores (afiliados a distintos grupos o

coautorías declaradas en diferentes grupos. Este indicador se calcula de la siguiente

manera.

�� = "ú$ � �� L�� − 1 (6.3)

En donde,

Número total de grupos relacionados: grupos donde están vinculados los coautores.

Productos: es el número de productos del grupo.

Es decir, por cada producto se calcula el número de grupos relacionados y la suma

total. Al final se divide por el número de productos del grupo. Si el indicador toma un

valor de 0.2 indica que en promedio cada producto es firmado por 1.2 grupos y cero

significa, ausencia de cooperación (Colciencias, 2017).


Página | 37

6.2.4 Perfiles de un Grupo de investigación, Desarrollo Tecnológico e

Innovación.

Para cada grupo de investigación se podrán calcular seis perfiles, los cuales se

calcularán a partir de la información registrada por el grupo en el aplicativo GrupLAC.

Los perfiles son los siguientes:

PerOil de integrante − PI ;

PerOil de colaboración − PC ;

PerOil de producción del resultado de actividades de generación de nuevo conocimiento − PPNC ;

PerOil de producción del resultado de actividades de desarrollo tecnológico e innovación −PPAIDI ;

PerOil de producción del resultado de actividades de apropiación social del conocimiento − PPQRS ;

PerOil de producción de actividades relacionadas con la formación de recurso humano en CTeI − PPWX ;

El uso de estos perfiles permite verificar cuáles son las capacidades específicas de

cada uno de los grupos, en oposición al cálculo de una medida global. Cada perfil

está compuesto por indicadores independientes (Colciencias, 2017). Las instituciones

del sistema pueden hacer uso de estos indicadores para identificar las fortalezas y

debilidades de sus grupos de investigación y tomar decisiones misionales.

6.2.5 Indicador de Grupo.

Se calculará el Indicador de Grupo que permitirá identificar a los Grupos de

Investigación, con resultados diferenciados a nivel de calidad e impacto, por área de


Página | 38

conocimiento, lo que implica que los grupos de investigación deben indicar en cuál de

las seis áreas de conocimiento desean ubicar su campo de acción.

Las áreas de conocimiento definidas por la OCDE (Organización para la Cooperación

y el Desarrollo Económicos) son (OCDE y Eurostat, 2006):

• Ciencias Naturales.

• Ingeniería y Tecnología.

• Ciencias Médicas y de la Salud.

• Ciencias Agrícolas.

• Ciencias Sociales.

• Humanidades.

Este Indicador del Grupo se define como:

��. Y�� ≡ 4 ∗ NSTop + 2,5 ∗ NSA + 1 ∗ NSB + 0,2 ∗ AP + 1 ∗ FrA + 0,5 ∗ FrB + 0,4 ∗ IC + 0,4 ∗ IS``a (6.4)

En donde,

"b��: Índice de Producción de nuevo conocimiento A1

"bB: Índice de Producción de nuevo conocimiento A

"bc: Índice de Producción de nuevo conocimiento B

B�: Índice de divulgación y apropiación social

d�B: Índice de Formación de recursos A

d�c: Índice de Formación de recursos B

�e: Índice de cohesión.

�bff�: Índice de cooperación.


Página | 39

6.2.6 Producción normalizada por el número de investigadores.

Para calcular el indicador de grupo visto previamente debemos calcular (OCyT, 2016):

La Productividad de un grupo de investigación a partir de la definición del número de

investigadores mediante la siguiente fórmula:

N = 1 ∗ (AIS) + 0,8 ∗ (AIA) + 0,6 ∗ (AI) (6.5)

En donde,

AIS: Aporte investigadores Sénior.

AIA: Aporte investigadores asociados, investigadores junior, integrantes vinculados

con doctorado.

AI: Aporte demás autores no excluidos en anteriores.

Para normalizar a los investigadores, se dividirá la producción por el número de

integrantes del grupo, siguiendo las siguientes reglas:

Se calculará el aporte de cada investigador al grupo en tiempo, sumando los períodos

de tiempo dedicados en cada uno y sumando los aportes por cada tipo de

investigador.

Se calculará el número de autores del grupo así:

a. Se considerarán autores de productos dentro del grupo.

b. Se excluirán estudiantes y jóvenes investigadores autores de productos.

c. Se calculará el N, de esta forma.

Se tomará como valor mínimo N=1.


Página | 40

6.2.7 Productividad.

En el cálculo de productividad de un grupo de investigación se debe eliminar el efecto

escala normalizando la producción de acuerdo al número de investigadores, luego se

calcula la productividad del grupo; y se calculan los indicadores de producción con la

siguiente fórmula:

Indijklmno = {Númerodeproductosenelsubtipo}N + (6.6)

En donde;

N: es el número de autores del grupo teniendo en cuenta las siguientes reglas:

• Incluir solamente personas que son autores de productos dentro del grupo.

• Excluir a estudiantes y jóvenes investigadores que no sean autores de los

productos.

Se tomará como valor mínimo N=1.

6.2.8 Pesos Globales e individuales de los Productos.

Para calcular los pesos individuales de los productos se deben tener en cuenta los

pesos globales de la producción a partir de las definiciones de los productos

resultados de los procesos de investigación, desarrollo tecnológico e innovación de la

más alta calidad.

Luego se debe calcular el peso individual de cada producto multiplicando el peso

global de la por su peso relativo siguiendo la siguiente fórmula:

PesoGlobalijklmno = Pesoijklmnoqrlqsqrmtqt ∗ PesoRelativo ijklmno (6.7)

Por ejemplo, el peso de un artículo de subtipo A2 se obtiene mediante la fórmula

(Colciencias, 2017):


Página | 41

PesoGlobalQXw_Qx = PesoQXw_Qy ∗ PesoRelativo QXw_Qx (6.8)

6.2.9 Indicadores de producción.

Los indicadores de producción se calculan con la siguiente fórmula:

Indsrqiz = { λijklmno ∗ PesoGlobalijklmnoRjklmno∈srqiz

(6.9)

En donde,

Clase: es una de las seis clases siguientes: Productos Tipo TOP, Productos Tipo A,

Productos Tipo B, Productos de Apropiación Social del Conocimiento del

Conocimiento, Productos de Actividades Relacionadas con la Formación de Recurso

Humano para la CTeI Tipo A, Productos de Actividades Relacionadas con la

Formación de Recurso Humano para la CTeI Tipo B (Colciencias, 2017).

6.2.10 Índices del Grupo de Investigación.

Los índices de producción se calculan con la siguiente fórmula:

índice = Valor del indicadorValor máximo del indicador (6.10)

Este índice se calcula para los seis indicadores de producción, así como para el de

cohesión y el de cooperación.


Página | 42

7. MODELO DEA (DATA ENVELOPMENT ANALYSIS)

El análisis Envolvente de Datos es una técnica propuesta por (Charnes A. C., 1978)

basándose en el trabajo de (Farrel, 1957), que a través de programación lineal ofrece

la posibilidad de clasificar por su eficiencia técnica las unidades de estudio (Decision

Making Units DMU) con base en los insumos que recibieron dichas unidades

(entradas) y los resultados logrados por las mismas (salidas). Esta clasificación no

utiliza parámetros arbitrarios, sino que construye una frontera eficiente con las DMU

del sistema, por lo que permite comparar en forma auto-referenciada al conjunto de

unidades homogéneas participantes, o en otras palabras, hacer la evaluación de la

eficiencia relativa.

Esto permite identificar cuantitativamente los factores de desempeño (entradas y

salidas) a mejorar en las DMU analizadas con base en la frontera creada por las otras

DMU del sistema, facilitando fortalecer aquellos aspectos de mayor relevancia para

mejorar la eficiencia cada DMU. Su flexibilidad permite implementar modelos que en

conjunto con otras herramientas estadísticas, pueden incorporar ponderaciones que

reflejen la importancia relativa de los diferentes productos en cada disciplina de

conocimiento (Ruiz, 2006).

El análisis realizado con DEA como método no paramétrico (Álvarez Pinilla, 2001), es

una alternativa para la medición de la eficiencia de los grupos de investigación versus

métodos paramétricos o estadísticos (Kumbharkar, 2000), (Restrepo M. V., 2007),

(Rojas Luna, 2010), (Pino, 2010). El método DEA es uno de los que mejor se ajustan

a las necesidades de clasificación del ámbito educativo (Martín Rivero, 2007), ya que

evita fijar parámetros de comparación, que tienden a ser arbitrarios. Así mismo,

permite relacionar varias entradas y varias salidas en un modelo simultáneo, lo que

amplía el panorama de la investigación sin sesgos por simplemente realizar la suma

de análisis parciales incompletos.


Página | 43

7.1 Orientación del modelo

La eficiencia puede ser orientada con relación a dos enfoques básicos, hacia los

elementos de entrada o hacia los elementos de salida del sistema (Charnes A. C.,

1981).

Input orientados: dado el nivel de las salidas, buscan la máxima reducción

proporcional en el vector de las entradas mientras permanece en la frontera de

posibilidades de producción. Una unidad no es eficiente si es posible disminuir

cualquier input sin alterar sus outputs.

Output orientados: dado el nivel de las entradas, buscan el máximo incremento

proporcional de las salidas permaneciendo dentro de la frontera de posibilidades de

producción. Una unidad no puede ser eficiente si es posible incrementar cualquier

output sin incrementar ningún input y sin disminuir ningún otro output.

Independientemente de la orientación del modelo, la eficiencia resultado del método

DEA será la misma, ninguna unidad eficiente dejará de serlo al reorientar el modelo, y

viceversa.

Figura 3. Frontera Eficiente y mejora ʎ. Fuente: (Autor).


Página | 44

7.2 Ventajas del Análisis Envolvente de Datos.

La metodología DEA posee una serie de ventajas que la han convertido en una técnica

muy preferida sobro métodos paramétricos de comparación. Podemos destacar como

características importantes de DEA las siguientes tres (Charnes, Cooper, & Lewin,

1994) (Coll & Blasco, 2006):

1. “Caracteriza cada una de las Unidades mediante una única puntuación de

eficiencia (relativa).

2. Al proyectar cada Unidad ineficiente sobre la envolvente eficiente destaca

áreas de mejora para cada una de las Unidades.

3. La no consideración por DEA de la aproximación alternativa e indirecta de

especificar modelos estadísticos y hacer inferencias basadas en el análisis de

residuos y coeficientes de los parámetros”.

Además de estas tres destacadas ventajas, tenemos por ejemplo otras fortalezas,

como la posibilidad de ajustarse a variables exógenas e incorporar variables

categóricas o cualitativas (Kamakura, 1988).

Hay que tener cuidado con la aproximación DEA, pues un número insuficiente de

unidades a evaluar, puede hacer que muchas sean caracterizadas como eficientes. Es

por esto que es conveniente que la suma del número de inputs y outputs sea pequeña

en relación con el número de observaciones (Andersen, 1993).

Estimaciones hechas por (Howcroft, 1994), concluyen que probablemente DEA de

resultados congruentes cuando el número de observaciones es aproximadamente el

doble de la suma de los inputs y outputs.

El conjunto de Unidades que puntúan 1 en la función objetivo, conforman la frontera

eficiente y constituyen el denominado conjunto de referencia de la Unidad evaluada;

“la existencia de estas unidades eficientes es la que obliga a la unidad cero o unidad

evaluada a ser ineficiente” (Cooper & Seiford, 2000).


Página | 45

7.3 DEA para la medición de la eficiencia de grupos de

investigación

Son variados los campos de aplicación de DEA y cuenta con gran número de trabajos

como: la selección de proyectos de tecnologías de la información (Chen, Liang, Yang,

& Zhu, 2006), la medición de la eficiencia relativa de proyectos de investigación,

desarrollo e innovación financiados por el gobierno de Taiwán (Hsu & Hsueh, 2009), la

evaluación de las actividades de investigación, desarrollo e innovación en diversos

países (Wang & Huang, 2007), la comparación de los departamentos universitarios de

una misma disciplina en el Reino Unido (Beasley J. E., 1990), la capacidad de

adaptación estratégica de institutos públicos de investigación italianos (Coccia, 2008),

la eficiencia de las actividades de investigación, desarrollo e innovación en la industria

farmacéutica japonesa (Hashimoto & Shoko, 2008) y el examen de la eficiencia

relativa en investigación de más de 100 universidades chinas (Johnes & Yu, 2008).

Otro sector en el DEA que se ha desempeñado exitosamente ha sido el ámbito

universitario (Martín Rivero, 2007), facilitando la medición de la eficiencia y

comparación de departamentos académicos (Beasley., 1990), universidades (Visbal,

2006), producción de conocimiento en ciencias de la información (Guan, 2004),

investigación en los departamentos universitarios (Johnes J. J., 1995), la función

investigativa en la academia (Korhonen, 2001) o la eficiencia de los grupos de

investigación universitarios (Arenas, 2004), entre otros.

Johnes y Johnes (Johnes J. J., 1995) utilizaron DEA para evaluar el desempeño

investigativo de los departamentos de economía del Reino Unido, el modelo utilizado

considera como entradas el número de profesores y como salidas las publicaciones de

los integrantes de los departamentos en diferentes revistas académicas. Se

efectuaron estudios adicionales con más entradas y salidas demostrando que la

metodología es bastante robusta en cuanto a la elección de los datos (entradas y

salidas). También examina el impacto que tiene la financiación externa en la medición

de la eficiencia y su consideración como entrada o como salida. Adicionalmente se

realizaron comparaciones con los resultados obtenidos por el UFC (University Funding

Council) con correlaciones aceptables.


Página | 46

Beasley (Beasley J. E., 1995) propone un modelo para determinar la eficiencia de la

enseñanza e investigación para departamentos universitarios interesados en la misma

disciplina. La consideración de este problema resalta la cuestión de cómo determinar

las eficiencias cuando los recursos se comparten entre diferentes actividades, y se

presenta un enfoque no lineal de este tema basado en el análisis de envolvimiento de

datos. Los resultados se dan para los departamentos de química y física en el Reino

Unido a partir de cuatro niveles de excelencia investigadora previamente definidos por

Comités universitarios.

En la Escuela de Economía y Administración de Negocios de Helsinki, Korhonen

(Korhonen, 2001) usó DEA para medir la eficiencia investigativa de sus

departamentos. Para realizar el análisis definió cinco criterios para evaluar la

investigación: calidad de la investigación, actividades de investigación, impacto de la

investigación, educación de investigadores jóvenes y actividad en la comunidad

científica. Para cada criterio se utilizaron indicadores apropiados que fueron

ponderados usando el proceso analítico jerárquico (Saaty, 1994). Los modelos DEA

utilizados tienen retornos variables a escala y algunas extensiones que permiten

incorporar preferencias.

En la República Popular China, Guang y Wang (Guan, 2004) desarrollaron un nuevo

modelo DEA para evaluar la eficiencia de 21 proyectos de investigación en ciencias de

la información. Como entradas utilizaron el tamaño de los grupos y su presupuesto y

como salidas las publicaciones internacionales indexadas e indicadores de citación de

dichas publicaciones como total de citas, citas promedio por artículo, etc. El modelo

desarrollado permite evaluar la eficiencia y clasificar los grupos de investigación.

También permitió un estudio de los grupos más eficientes para identificar las prácticas

de gestión del conocimiento que utilizan.

Para los grupos de Investigación del área de Economía de la Universidad de Málaga,

Ruiz (Ruiz, 2006), desarrolló una aplicación del DEA para el estudio de la eficiencia del

sector universitario, aplicando el DEA a dos problemas específicos, el cálculo de las

tasas de transformación entre dos outputs y el análisis de las posibles economías de


Página | 47

alcance, muestra las posibilidades del Análisis Envolvente de Datos a la hora de

analizar la eficiencia de los Grupos de Investigación.

Arenas (Arenas, 2004) aplicó un modelo básico de DEA a los grupos de investigación

de la Universidad Tecnológica de Pereira. Los inputs fueron el número de

investigadores de cada grupo y los outputs los productos de nuevo conocimiento. Los

resultados obtenidos se compararon con la clasificación realizada por Colciencias en

2004 con resultados similares. Este modelo solo evalúa las DMU y no permite

clasificar los grupos evaluados. Además, comparó el resultado de la eficiencia

obtenida por medio de un modelo básico de DEA con la clasificación de los grupos

realizada por Colciencias.

Finalmente, Restrepo y Villegas (Restrepo M. V., 2007) proponen un enfoque del DEA,

para diseñar un modelo que mida la productividad de los grupos de investigación de la

Facultad de Ingeniería de la Universidad de Antioquía. Este estudio propone la

clasificación de los grupos primero evaluándolos, luego clasificándolos por medio de

modelos DEA para ranking y finalmente agrupándolos con análisis de conglomerados.

7.4 Modelos DEA

7.4.1 Modelo CCR en Forma Fraccional.

Este modelo se conoce como modelo CCR, por las letras iníciales de los autores del

artículo donde se presentó DEA (Charnes A. C., 1978). Las entidades que son

evaluadas con DEA se conocen como DMU (Decision Making Units).

Supóngase que se van a evaluar n DMU, cada una consume diferentes cantidades de

las m entradas para producir s salidas. La DMUj consume la cantidad Xm� de la entrada

i, y produce la cantidad Y�� de la salida r.

Para medir el desempeño de la DMU se resuelve un problema de optimización, que

busca maximizar la razón de sus salidas entre sus entradas. Como se tienen múltiples


Página | 48

entradas y múltiples salidas se construye una salida virtual usando ponderaciones U� y

V� para cada salida y cada entrada respectivamente. En la medición del desempeño

se espera que ninguna DMU puede tener una eficiencia mayor al 100%.

A continuación se presenta el modelo conocido como DEA-CCR orientado al input y

plantea el siguiente problema de optimización (Charnes A. C., 1978):

{ u�y��i

��y

maxj,� h� = ______________ (7.1)

{ vmxm��

m�y

Sujeto a:

{ u�y��i

��y

_______________ ≤ 1, j = 1, … , n (7.2)

{ vmxm��

m�y

u�, vm ≥ 0 (7.3)

En donde:

Se tienen n unidades (j=1,…, n), cada una de las cuales utilizan los mismos inputs

para obtener los mismos outputs, ambos en diferentes cantidades.

xm� donde xm� ≥ 0 son los inputs i (i=1,…,m) consumidos por la j-ésima unidad.

xm� es la cantidad de Input i consumido por la unidad que es evaluada, la unidad 0.

y�� donde y�� ≥ 0 son los outputs r (r=1,…,s) producidos por la j-ésima unidad.

ym� es la cantidad de output obtenido por la unidad que es evaluada, la unidad 0.


Página | 49

u� donde (r=1,…,s) y vm donde (i=1,..,m) representan los pesos o multiplicadores de

los outputs e Inputs respectivamente.

7.4.2 Modelo CCR en Forma Multiplicativa.

El modelo fraccional planteado en las ecuaciones (7.1), (7.2) y (7.3) puede expresarse

en forma lineal (Charnes A. W., 1962). El paso de un problema fraccional a un

problema lineal consiste simplemente en normalizar el denominador (o numerador) de

la función objetivo.

Mediante la introducción de una nueva restricción, tenemos el siguiente programa

lineal (CCR-I):

$��,� ℎ� { ��

��y (7.4)

Sujeto a:

{ (��

��y= 1, (7.5)

{ ��

��y≤ { (��

�

��y, � = 1, … , � (7.6)

�� ≥ 0, � = 1, … � (7.7)

vm ≥ 0, i = 1, … m (7.8)

El Input virtual ha sido normalizado a la unidad, por lo que esta ∑ (�� = 1��y , es la

restricción de normalización.

A este segundo modelo se le conoce como CCR en el espacio de los multiplicadores

ya que las variables de decisión son los valores de u y v (multiplicadores) (Doyle &


Página | 50

Green, 1994) que serán utilizados para ponderar cada una de las entradas y salidas

en la construcción de la entrada y salida virtual de la función objetivo (7.1).

7.4.3 Modelo CCR en Forma Envolvente

El programa lineal formulado desde (7.4) hasta (7.7) tiene un problema dual asociado

que se puede utilizar para determinar la solución del problema prima. Recordando que

existe una variable dual por cada restricción primal y una restricción dual por cada

variable primal (Cooper & Seiford, 2000). A continuación veremos esa

correspondencia en las tablas 6 y 7.

Tabla 6. Correspondencia entre restricción primal y variable dual.

Fuente: (Cooper & Seiford, 2000).

Restricción primal Variable dual

{ vmxm��

m�y= 1, (7.5) θ (7.9)

{ u�y��i

��y≤ { vmxm�

�

m�y, (7.6) λ� ≥ 0 (7.12)

Tabla 7. Correspondencia entre restricción dual y variable primal.

Fuente: (Cooper & Seiford, 2000).

Restricción dual Variable primal

{ λ�y��

��y≥ y��, (7.10) u� ≥ 0, (7.7)

{ λ�xm��

��y≤ θxm�, (7.11) vm ≥ 0, (7.8)


Página | 51

El modelo DEA-CCR Input orientado en su forma envolvente es el siguiente:

min θ� = θ (7.9)

Sujeto a:

{ λ�y��

��y≥ y��, r = 1, … , s (7.10)

{ λ�xm��

��y≤ θxm�, i = 1, … , m (7.11)

λ� ≥ 0, j = 1, … , n (7.12)

θ libre (7.13)

En donde:

λ es el vector de pesos por lo que λ� , es el peso de la Unidad j.

θ indica la puntuación de eficiencia técnica de la Unidad�.

En éste último modelo DEA denominado CCR en el espacio de la envolvente, se mide

el desempeño de la DMU 0 (θ) como la contracción radial de las entradas posibles

(7.11) garantizando obtener un nivel mínimo de salidas (7.10). Para esto se emplea

una DMU virtual construida usando las variables λ� (7.12), que es una combinación

lineal de las entradas (7.11) y salidas (7.10) de todas las DMU.

7.4.4 Modelo CCR-O Orientado a las Salidas en Forma Multiplicativa.

Los tres modelos descritos anteriormente se caracterizan por estar orientados a

entradas, ya que la mejora en el desempeño se logra contrayendo las entradas. Pero

es posible obtener un modelo DEA orientado a las salidas, el cual se obtiene


Página | 52

minimizando el inverso de la expresión (7.1). Un cambio en la orientación del modelo

prácticamente equivale a invertir el cociente entre el output virtual (Output total) y el

input virtual (Input total) (Charnes, Cooper, & Lewin, 1994).

Una transformación similar realizada al modelo fraccional original (Charnes A. W.,

1962), genera el siguiente programa lineal:

$�� { (��

��y (7.14)

Sujeto a:

{ ��

��y= 1, (7.15)

{ ��

��y≤ { (��

�

��y, � = 1, … , � (7.16)

�� ≥ 0, � = 1, … � (7.17)

(� ≥ 0, � = 1, … $ (7.18)

El anterior programa lineal se conoce como CCR orientado a salidas (CCR-O) en el

espacio de los multiplicadores. Es importante observar que al orientar la evaluación a

salidas no se requiere transformación alguna a los datos.

7.4.5 Modelo CCR-O Orientado a las Salidas en Forma Envolvente.

El problema dual asociado al problema del modelo CCR-O en forma multiplicativa es

conocido como modelo DEA-CCR output envolvente o CCR orientado a salidas en el

espacio de la envolvente y puede expresarse de la siguiente forma:

max �� = � (7.19)


Página | 53

Sujeto a:

{ ��

��y≤ ��, � = 1, … , $ (7.20)

{ ��

��y≥ ��, � = 1, … , � (7.21)

�� ≥ 0, � = 1, … , � (7.22)

� ��%� (7.23)

Este modelo busca maximizar la salida que se puede obtener dado un nivel máximo

de entradas.

La diferencia básica entre el modelo CCR-I y el modelo CCR-O envolventes radica en

que el modelo Input orientado pretende determinar la máxima reducción radial que

debería producirse en los Inputs de la Unidad analizada y en el modelo Output

orientado el objetivo es maximizar el aumento proporcional en los Outputs que podría

ser logrado por la Unidad evaluada, dado sus niveles de Inputs (Cooper & Seiford,

2000).

Se constata, además, lo indicado por Coelli, Prasada Rao y Battese (1998): “Los

modelos Input orientados y Output orientados estiman la misma frontera y por tanto,

por definición, el mismo conjunto de Unidades eficientes. Sólo las medidas de

eficiencia asociadas a las Unidades ineficientes pueden diferir entre los modelos”

(Coelli, 1998).


Página | 54

7.4.6 Modelo Supereficiencia: Orientado a las Salidas en Forma

Envolvente.

Desarrollado por (Andersen, 1993) y profundizado por (Wilson, 1995). Es una variación

del modelo DEA convencional, que resuelve un programa de programación lineal

similar, pero que desempata las puntuaciones asignadas a las DMUs eficientes

permitiendo así realizar una ordenación de los centros eficientes. La peculiaridad del

método consiste en eliminar del programa original la restricción correspondiente a la

DMU0 bajo análisis, con lo que el modelo al no contar con dicha DMU0 excluida, se

verá forzado a operar con una combinación lineal de las otras Unidades de la muestra;

el resultado puede superar la máxima eficiencia del modelo convencional, logrando

valores inferiores a 1 en el modelo dual envolvente (superiores a 1 en el modelo CCR),

y puede expresarse de la siguiente forma:

max �� = � (7.24) Sujeto a:

{ ��

��y,��≤ ��, � = 1, … , $ (7.25)

{ ��

��y,��≥ ��, � = 1, … , � (7.26)

�� ≥ 0, � = 1, … , � (7.27)

� ��%� (7.28)

En este modelo se observa como una DMU eficiente puede decrecer su output y

seguir siendo eficiente; esa variación posible en su output es la supereficiencia de

dicha DMU.

Estimación de la eficiencia técnica para clasificar los grupos de investigación de de ingeniería de la Universidad Distrital Francisco José de Caldas mediante análisis envolvente de datos.

8.1 Tipo de investigación

La investigación utilizada en

aplicada o práctica (Mendez., 2006)

sistemático y socializado que permita entender, explicar o comprender distintos

fenómenos relacionados con las variables

este caso un grupo de investigación

cuantitativamente con relación a los otros grupos existentes, lo que permite la toma

decisiones de mejoramiento.

recomendaciones cualitativas de cómo lograr mejorar los grupos, sino que establece a

través de la comparación relacionada metas cuantitativas razonables basadas en las

variables básicas del sistema,

periódica que realiza Colciencias mediante

innovación (Vargas., 2009).

En la figura 4 se muestra el diagrama de flujo


Página | 55

8. METODOLOGÍA

Tipo de investigación

en el presente trabajo se clasifica como investigación

(Mendez., 2006), ya que tiene por finalidad generar conocimiento

que permita entender, explicar o comprender distintos

con las variables, usando metodologías ya comprobadas;

un grupo de investigación de la UDFJC puede compararse

cuantitativamente con relación a los otros grupos existentes, lo que permite la toma

decisiones de mejoramiento. El presente trabajo no da como resultado

cualitativas de cómo lograr mejorar los grupos, sino que establece a


variables básicas del sistema, Esto debe redundar en mejorar la categorización

Colciencias mediante el sistema nacional de ciencia, tecnología e

se muestra el diagrama de flujo del proceso de la presente investigación.

postgrado de la facultad de ingeniería de la Universidad Distrital Francisco José de Caldas mediante análisis envolvente de datos.

se clasifica como investigación

por finalidad generar conocimiento

que permita entender, explicar o comprender distintos

, usando metodologías ya comprobadas; en

de la UDFJC puede compararse

cuantitativamente con relación a los otros grupos existentes, lo que permite la toma de

como resultado

cualitativas de cómo lograr mejorar los grupos, sino que establece a


la categorización

el sistema nacional de ciencia, tecnología e

el proceso de la presente investigación.


Figura 4. Flujo del proceso realizado en la presente investigación.


Página | 56

Flujo del proceso realizado en la presente investigación. Fuente:


(Autor)


Página | 57

8.2 Grupos de Investigación objeto de estudio o DMU

En total se recopilaron datos de 21 de los 29 grupos relacionados a los diferentes

proyectos en la página web institucional que están adscritos a los posgrados de la

Facultad de Ingeniería de la Universidad Distrital Francisco José de Caldas. Estos

grupos estaban clasificados en alguna de las categorías A1, A2, B o C de Colciencias

antes de la convocatoria 781 de 2017; el rango de tiempo o ventana temporal de los

datos es de dos años y seis meses (2015, 2016, 2017-I).

En la tabla 8 se encuentra la información registrada en el GrupLAC de cada uno de los

grupos de investigación avalados por la Universidad Distrital FJC.

Esta tabla tiene una fila en color verde que contiene el nombre del posgrado de la

Facultad de Ingeniería al que se encuentran asociados los grupos de investigación.

En la primera columna está el nombre completo del grupo de investigación, en la

siguiente columna el código asignado a cada grupo por el Centro de Investigaciones y

Desarrollo Científico y empleado por la Unidad de Investigaciones de la Facultad de

Ingeniería. La siguiente columna tiene la sigla que identifica al grupo, la siguiente

columna el año de formación, las dos columnas siguientes la categoría alcanzada en

la convocatoria Colciencias 737 del 2015 y en la convocatoria Colciencias 781 de 2017

respectivamente, y la última columna presenta la cantidad de integrantes activos

registrados en la plataforma GrupLAC de Colciencias.


Página | 58

Tabla 8. Grupos de investigación de los posgrados de la Facultad de Ingeniería.

Fuente: (CIDC y GrupLAC).


Página | 59

Los grupos de investigación que aparecen en la tabla 9 serán considerados como las

DMU o Unidades de Toma de Decisiones del presente estudio dado que son las

entidades evaluadas mediante el método DEA. En el cuadro inferior de la misma tabla

se observan las leyendas correspondientes a la guía de color en donde se resaltan los

grupos que tuvieron cambios en su categoría durante la convocatoria 781 de 2017.

Tabla 9. Grupos de investigación de la Facultad de Ingeniería seleccionados como

DMU de estudio definitivos.

Fuente: (CIDC y GrupLAC Colciencias).


Página | 60

8.3 Aplicación del método DEA

Se aplica el modelo DEA CCR envolvente orientado a salidas explicado en la

sección 7.4.5, porque es de interés en la investigación enfocarse en la eficiencia de los

productos, los cuáles son el objetivo a mejorar; no tiene sentido en esta investigación

orientarse a las entradas, dado que se sobreentiende que no es de interés institucional

disminuir la cantidad de miembros asociados a los grupos de investigación, ni mucho

menos las horas de dedicación a los mismos. El CCR envolvente es el modelo básico

estándar para DEA, pero es planteado desde el problema dual o punto de vista de la

geometría envolvente, el cual facilita observar la sensibilidad de los resultados de

mejor manera.

Posteriormente se aplica el modelo DEA de supereficiencia (ver sección 7.4.6), para

realizar una reclasificación de las unidades eficientes y así mismo permitir un análisis

de sensibilidad adicional.

8.4 Variables del modelo (inputs y outputs)

A diferencia del enfoque utilizado por Colciencias en su última convocatoria, la 737 de

2015, que en gran parte evalúa la cantidad de productos registrados por cada grupo

para hacer su clasificación, el análisis DEA utiliza la categoría de los investigadores

como entrada o insumo principal para la generación de productos.

8.4.1 Variables de entrada (inputs).

En Colombia varios de los modelos propuestos para la medición de la eficiencia han

considerado el tamaño y la experiencia como los insumos o inputs principales para la

generación de los productos (Arenas, 2004). Estos dos aspectos son importantes a la

hora de medir la eficiencia de un grupo, si lo que se espera es que el escalafón guarde

una relación directa con la productividad (Restrepo M. V., 2007).


Página | 61

De acuerdo con lo expuesto por Katzenbach y Douglas (Katzenbach, 1995) es de

esperar que el aprendizaje del grupo y su desempeño crezcan en función de su tiempo

de existencia; es decir, que la productividad de los grupos de investigación se

encontrará relacionada con su experiencia. Sin embargo, Bernal y Rodríguez (Bernal,

2009) expuso que el desempeño del grupo no necesariamente mejora con el tiempo ni

es acumulativo; es impredecible y aleatorio.

Por lo anterior se consideran otras variables relacionadas con el desempeño y la

productividad de un individuo dentro de un grupo y se toma como fuente de

información primaria el aplicativo Gruplac de cada grupo de investigación ya que

recientemente los grupos actualizaron esta información para la última convocatoria

Colciencias 781 de 2017. El rango de tiempo o ventana temporal de los datos es de

dos años y seis meses (2015, 2016, 2017-I).

Inicialmente se eligieron tres variables de entrada:

Integrantes, es la cantidad de investigadores que se encuentran registrados en el

Gruplac y aparecen como activos ya que desempeñan alguna tarea relacionada con la

actividad del grupo.

Categoría, define el perfil de investigador de acuerdo a la tipología de los integrantes

vinculados que cumplen con los requisitos para la asignación del subtipo que permite

su clasificación (ver sección 6.2.4 y 6.2.6). La categoría de cada investigador indica

un nivel de formación, una producción mínima, unos productos de formación y una

experiencia en investigación.

La medición de la productividad de un grupo de investigación a partir de la definición

de la categoría de sus integrantes se calcula utilizando los pesos relativos, por aportes

de cada investigador que es autor de productos, mostrados en la tabla 10:


Página | 62

Tabla 10. Aporte relativo de productividad a partir de la definición de la categoría de

los integrantes investigadores de un grupo de investigación.

Fuente: (Colciencias, 2017)

Para establecer la categoría de cada investigador se consultó la información

consignada en el aplicativo GrupLAC de Colciencias y se tuvieron en cuenta los

integrantes activos; para medir la categoría se utilizó el aplicativo CvLAC que contiene

la información de cada investigador incluyendo su categoría y se ponderó de acuerdo

al peso que le asigna Colciencias (Colciencias, 2017) a cada tipo de investigador para

calcular la productividad normalizada por el número de investigadores.

El puntaje de la variable categoría se obtiene multiplicando el peso relativo del aporte

de cada subtipo visto en la Tabla 10 por la cantidad de integrantes que tienen la

misma categoría dentro del mismo grupo de investigación. Esta información

corresponde dos años y seis meses (2015, 2016, 2017-I).

El valor final de la variable categoría se puede observar en la tabla 11.


Página | 63

Tabla 11. Puntaje de la variable CATEGORÍA de los investigadores o integrantes

activos para cada grupo de investigación.

Fuente: (CvLAC).

En la Tabla 11, Las iniciales que identifican cada columna pertenecen a las categorías

de la Tabla 10; teniendo en cuenta que la columna amarilla tiene un peso relativo de 1,

las tres columnas de color verde tienen peso relativo 0,8 y las cuatro columnas color

naranja tienen peso relativo de 0,6.

Horas de dedicación, o cantidad de tiempo que cada integrante de un grupo dedica a

las actividades de investigación. Equivale a las horas individuales reportadas por cada

integrante del grupo de investigación para la última convocatoria. Este recurso es el

más costoso y debería repercutir directamente en la calidad de los productos de

investigación.


Página | 64

8.4.2 Variables de Salida (outputs)

Dentro de las variables de salida es conveniente elegir tres para medir la producción

de conocimiento en cada grupo tomando como fuente de información primaria el

aplicativo GrupLAC ya que recientemente los grupos actualizaron esta información

para la última convocatoria Colciencias 781 de 2017.

Se utilizaron tres salidas diferentes; dos para medir los productos resultados de

actividades de generación de nuevo conocimiento: los artículos de investigación y libro

resultado de investigación. La otra para medir las actividades relacionadas con la

formación de recurso humano para la CTEI: tesis y trabajos de grado.

Dado que DEA no diferencia entre productos de mayor o menor “calidad”, se considera

conveniente mantener las ponderaciones o pesos relativos por tipo de producto

establecida en el índice ScientiCol durante la convocatoria de grupos 781 de 2017. La

ventana de tiempo de los datos es de dos años y seis meses (2015, 2016, 2017-I). En

la tabla 12 se pueden observar los pesos relativos para los componentes de cada

variable de salida.

Tabla 12. Pesos relativos de productividad para cada tipo específico de producto de

acuerdo al tipo o categoría.



Página | 65

Se eligieron tres variables de salida con base a los indicadores de Colciencias (ver

sección 6.2):

Artículos ponderados o artículos de investigación, se define como uno de los

productos resultado de las actividades de generación de nuevo conocimiento,

realizado por los integrantes del grupo de investigación, que se divulga mediante la

publicación en alguna revista especializada. Son elementos fundamentales y

cuantiosos para clasificar al grupo de investigación.

Hay que tener en cuenta la clasificación de los artículos con diversos pesos, pero no

se puede hacer cada tipo de artículo como un output independiente, pues no son

productos diferentes que impliquen metas diferenciadas, ya que en la medida de lo

posible se debe intentar producir todos los artículos en el tipo de mayor peso, el A1.

Por esto, el valor de la variable artículos se calcula sumando la ponderación de

todos los artículos publicados por cada grupo de investigación durante dos años y

seis meses (2015, 2016, 2017-I), clasificados en tipo A1, A2, B, C y D. La ponderación

es la multiplicación del número de artículos de un tipo por su correspondiente peso

relativo, según lo establecido por los indicadores del OCyT de Colciencias (ver Tabla

12). No se hace distinción entre los artículos avalados y No avalados por Colciencias,

dado que este suele ser un estado transitorio.

Para conocer la calificación de la revista en la que se publicó cada artículo se consultó

la base de datos PUBLINDEX de Colciencias. Las revistas nacionales se encuentran

en la opción Base de Datos Publindex, en donde se ingresa el ISSN (International

standard serial number o número internacional normalizado de publicaciones

seriadas), para luego consultar el IBN (Índice Bibliográfico Nacional Publindex) con la

calificación y vigencia respectiva.

Para los artículos publicados en revistas internacionales también se consultó

Publindex pero ahora ingresando en la opción Homologación; luego se ingresa el ISSN

de la publicación para observar la calificación, la vigencia y el SIRes (Servicios de

Indexación y Resumen) de cada una.


Página | 66

Libros o libro resultado de investigación, se define como una publicación cuyo

contenido es el resultado de un proceso de investigación y que tienen pesos relativos

altos dependiendo de su categoría.

A diferencia de los artículos, en este trabajo no se pondera el valor de los libros,

dado que las categorías de los mismos tienen un puntaje muy similar en la evaluación

del OCyT de Colciencias (8, 9, 10 Ver tabla 12), y dicha categorización es transitoria,

ya que dependerá de las citaciones que se hagan del mismo a través del tiempo,

convirtiendo dicha categoría en una propiedad no controlable.

El valor de la variable libros se calcula sumando todos los libros resultado de

investigación publicados por cada grupo de investigación durante dos años y seis

meses (2015, 2016, 2017-I), clasificados en tipo A1, A y B. Luego se multiplica el total

por cada uno de los pesos relativos de la Tabla 12. No se hace distinción entre los

libros avalados y No avalados por Colciencias.

Aquellos grupos de investigación que desarrollan aplicaciones informáticas, pueden

considerar como meta sustitutiva o complementaría a la creación de libros, el

desarrollo de software, dado que poseen para el OCyT de Colciencias un peso muy

similar.

Tesis, se define como todas las tesis de doctorado, los trabajos de grado de maestría

y los trabajos de grado de pregrado que resultan como productos de las actividades

relacionadas con la formación académica dirigidas por integrantes del grupo de

investigación y que tienen pesos relativos altos dependiendo de sus requerimientos de

calidad.

A diferencia de los artículos, pero al igual que en los libros, en este estudio no se

pondera el valor de las tesis, dado que la categorización de las mismas depende de

si es meritoria o no, por lo que dicha categorización se convierte en una propiedad con

muy poco control por parte del grupo de investigación.

El valor de la variable tesis se calcula sumando todas las tesis de doctorado tipo A y B,

todos los trabajos de grado de maestría tipo A y B, y todos los trabajos de grado de


Página | 67

pregrado tipo A y B, terminados por cada grupo de investigación durante dos años y

seis meses (2015, 2016, 2017-I). A continuación se multiplica el total por cada uno de

los pesos relativos de la Tabla 12. No se hace distinción entre los trabajos de grado

avalados y No avalados por Colciencias.

En la tabla 13 podemos observar los valores finales obtenidos para todas las variables

de entrada o inputs consideradas inicialmente al igual que el valor de todas las

variables de salida ó outputs. Estos resultados se tabularon para cada uno de los 21

grupos de investigación que hacen parte del presente estudio.

Tabla 13. Valores de las variables para cada DMU en un período de dos años y seis

meses (2015, 2016, 2017-I).

Fuente: (GrupLAC y CvLAC Colciencias).

Para que DEA tenga un mayor poder de discriminación se recomienda tener un

número de DMU, en este caso grupos de investigación, de por lo menos dos veces el


Página | 68

producto del número de entradas y salidas consideradas, si no, se corre el riesgo de

que muchas de las DMU sean evaluadas como eficientes, no porque realmente lo

sean sino por los pocos grados de libertad que tiene el modelo (Shale, 2001). En este

caso se tienen 21 grupos de investigación y se cumple con dicho criterio.

Tabla 14. Cantidad de producción de cada DMU en un período de dos años y seis

meses (2015, 2016, 2017-I).

Fuente: (GrupLAC Colciencias).

8.5 Correlación de las variables del modelo

Se realizó un análisis de correlación entre las variables de entrada y salida

presentadas anteriormente, utilizando la medida de relación lineal de Pearson, con el

objetivo de verificar si hay alguna relación de dependencia entre inputs y/o outputs. El

que exista un alto grado de relación entre dos inputs o dos outputs indica que


Página | 69

debemos eliminar alguno de los mismos del modelo DEA, ya que la incidencia de uno

en presencia del otro se hace irrelevante, y la idea es simplificar el modelo en la

medida de lo posible. Por el contrario, una alta correlación entre un input y un output

es buen síntoma para el modelo DEA.

Los resultados se encuentran en la tabla 15. En esta tabla se puede observar altas

correlaciones entre las variables input categoría, integrantes y horas de dedicación, lo

que era de esperarse, debido a que todas se pueden resumir la capacidad de trabajo

estimada del grupo.

Tabla 15. Coeficientes de determinación de Pearson R2 de 21 grupos de

investigación que representan las variables de entrada y salida.

Fuente: (Autor).

El valor del índice de correlación varía en el intervalo [-1,1] en donde el signo indica el

sentido de la relación que se muestra en el siguiente recuadro:

Valor del coeficiente de determinación de Pearson R2.

Se decide eliminar las variables integrantes y horas de dedicación, y mantener

sólo como variable de entrada a categoría, pues su información está fuertemente

relacionada con los indicadores de Colciencias, ya que se extrae del aplicativo CvLAC


Página | 70

que tiene cada integrante y se pondera según sus estándares. Adicionalmente dicho

valor depende directamente del número de integrantes.

Los artículos de investigación, los libros publicados y las tesis y trabajos de grado,

miden diferentes dimensiones de la investigación y la producción del conocimiento, lo

que se sustenta con la baja correlación entre ellas. Como no muestran ninguna

relación de dependencia entre ellas, las tres variables de salida se conservan en el

modelo.

Los valores de las variables del modelo seleccionadas input: categoría y outputs:

artículos, libros y tesis, se encuentran registrados en la tabla 16:

Tabla 16. Valores inputs y outputs iniciales del modelo para cada uno de los 21

grupos de investigación.

Fuente: (GrupLAC y CvLAC Colciencias).


Página | 71

En la siguiente gráfica podemos observar la eficiencia técnica existente entre dos de

las tres variables de salida. Los output graficados son artículos y tesis. Esta gráfica

permite observar la dispersión de los productos de los grupos en estudio.

Figura 5. Gráfica DMU’s dos outputs (artículos-Tesis). Fuente: (Autor).


Página | 72

9. RESULTADOS Y ANÁLISIS

9.1 Resultados aplicación DEA output orientado

Después de la aplicación a cada grupo de investigación, del modelo DEA-CCR

Envolvente Output orientado (ver 7.4.5), con base en los datos de la Tabla 16 se

obtuvieron los resultados presentados en la Tabla 17. El rango de producción

comparativa es de dos años y seis meses (2015, 2016, 2017-I). Estos resultados

fueron obtenidos después de aplicar el modelo CCR con la herramienta Solver.

A continuación se muestra cómo interpretar las Tablas con numeral 16:

Figura 6. Interpretación de las tablas de resultados para cada uno de los 21 grupos

de investigación de la Tabla 17. Fuente: (Autor).

Casilla 1: La eficiencia orientada a salidas φ (amarillo), el cual es un número

igual o mayor que 1. Entre más cercano a 1 indica que el grupo de

investigación es más eficiente en las salidas o resultados obtenidos (artículos,

libros y tesis) frente a los demás grupos.


Página | 73

Casilla 2: La eficiencia orientada a entradas θ (verde), es un número entre 0 y

1. Si el valor es 1 indica que el grupo de investigación es eficiente en el uso del

recurso de entrada “categoría integrantes” ó número de integrantes y su

categoría como investigadores. Dicha eficiencia técnica es con relación a los

demás grupos estudiados.

Casilla 3: φ-1 (rojo) indica la proporción a aumentar en las salidas para que el

respectivo grupo de investigación sea eficiente. Dicha proporción x 100 es el

porcentaje de mejora potencial.

Casilla 4: Valor actual de los outputs o variables de salida (rosado).

Casilla 5: Valor objetivo de mejora en las variables para ser eficientes.

Casilla 6: El movimiento radial muestra en qué cantidad debe incrementarse el

valor observado de cada salida para que el grupo de investigación respectivo

se convierta en eficiente.

Casilla 7: El movimiento de holgura indica el desplazamiento a través de la

frontera eficiente para la mejora de la respectiva salida en términos restrictivos.

Casilla 8: Porcentaje de mejora de las variables para ser eficientes.

Casilla 9: λ (azul) es el coeficiente de incremento-decremento de salida en los

grupos de referencia (grupos que crean la frontera eficiente para la DMU de

estudio) para que el grupo de estudio se convierta en eficiente. Estos

coeficientes indican la proyección de las coordenadas hacia la frontera

eficiente. Por ejemplo, para la DMU G5, cuyas DMU de referencia son G17 y

G33, tenemos que el valor objetivo para la salida “tesis” debe ser:

��y ∗ 49 + ��¡¡ ∗ 10 = 0.3677 ∗ 49 + 2.819 ∗ 10 = 46.2 ��


Página | 74

A continuación se analizan los resultados que han sido divididos en 21 tablas

individuales según la cantidad de grupos de investigación estudiados.

Los resultados están organizados según el código asignado por el CIDC (Centro de

Investigación y Desarrollo Científico) de la Universidad Distrital en las siguientes tablas

con numeración 17 hasta 37

Seguido se encuentra la interpretación de resultados indicando cuantitativamente la

mejora en la producción para alcanzar la eficiencia técnica de cada grupo. Esta

información se puede obtener del movimiento radial que debe realizar el grupo dentro

de la frontera establecida por los grupos eficientes.

El número de ARTÍCULOS META se puede calcular como una combinación de la

cantidad de artículos por categoría multiplicados por su peso así: 10*A1 + 6*A2 +

3.5*B + 2*C + 1*D = 102.9, siendo 102.9 el movimiento radial ponderado de los

artículos meta o incremento meta ponderado para cada grupo.

Ejemplo: 10*(5 tipo A1)+6*(7 tipo A2)+3.5*(0 tipo B)+2*(4 tipo C)+1*(2 tipo D)=103.

Dicho incremento anual meta debe sumarse a la producción promedio anual actual.

Tabla 17 Resultados y análisis para cada grupo de investigación o DMU - G5.

Fuente: (Autor).


Página | 75

Análisis grupo G5 - GICOECOL: Según la tabla 17 el grupo es eficiente en un 55%.

Cuantitativamente debe mejorar en un 80% para alcanzar a los grupos de referencia

G17 y G33 que son los más eficientes dentro de su frontera eficiente de comparación.

El siguiente cuadro expresa el número de artículos meta u objetivo si solo se producen

tipo A1, los libros meta y las tesis o trabajos de grado meta para un período de dos

años y medio:

La cantidad de artículos meta se puede calcular como una combinación del número de

artículos tipo por su peso así: 10*A1+6*A2+3.5*B+2*C+1*D = 102.99, siendo este

valor el movimiento radial ponderado de los artículos o incremento meta ponderado.

El siguiente cuadro muestra el número de artículos meta A1, libros meta y tesis o

trabajos de grado meta para un período ANUAL:

Dicho incremento anual meta debe sumarse a la producción promedio anual actual

mostrada en la siguiente tabla:

En la tabla 39 podemos observar que GICOECOL ocupó el puesto 8 en el ranking

DEA y categoría B-Colciencias en la convocatoria 781 de 2017. La relación de

productividad versus la cantidad de miembros es baja comparada con los grupos más

eficientes. Pese a ello cumplen con la cantidad de productos exigida por Colciencias.


Página | 76

Tabla 18. Resultados y análisis para cada grupo de investigación o DMU - G15.

Fuente: (Autor).

Análisis grupo G15 - GESETIC: En la tabla 39 podemos observar que ocupó el puesto

17 en el ranking DEA. Según la tabla 18 el grupo es eficiente en un 24%.



El siguiente cuadro expresa el número de artículos meta si solo se producen tipo A1,

los libros meta y las tesis o trabajos de grado meta para un período de dos años y

medio:







Página | 77




Fuente: (Autor).

Análisis grupo G16 - GEIT: En la tabla 39 podemos observar que ocupó el puesto 11

en el ranking DEA. Según la tabla 19 el grupo es eficiente en un 46%.


G17, G46 y G33 que son los más eficientes dentro de su frontera eficiente de

comparación.


Página | 78

El siguiente cuadro expresa el número de artículos meta si solo se producen tipo A1,

los libros meta y las tesis o trabajos de grado meta para un período de dos años y

medio:


artículos tipo por su peso así: 10*A1+6*A2+3.5*B+2*C+1*D = 30.49, siendo este valor

el movimiento radial ponderado de los artículos o incremento meta ponderado.






Página | 79


Fuente: (Autor).

Análisis grupo G17 - GIIRA: En la tabla 39 podemos observar que ocupó el puesto 1

en el ranking DEA. Según la tabla 20 el grupo es eficiente en un 100%. Este grupo de

investigación define la frontera eficiente de comparación. Debe mantener su

productividad y la categoría de sus integrantes.

Para un período de dos años y seis meses (2015, 2016, 2017-I) produjo 97 artículos,

2 libros y 49 tesis. En el siguiente cuadro se aprecia la cantidad de artículos de cada

tipo:

En promedio su producción anual fue de 5 artículos A1, 14 artículos A2, 9 artículos B y

10 artículos C; 1 libro; y 20 tesis, que reportó en la pasada convocatoria.


Página | 80

Tabla 21. Resultados y análisis para cada grupo de investigación o DMU – G19.

Fuente: (Autor).

Análisis grupo G19 - SES: Según la tabla 21 el grupo es eficiente en un 41%.

Cuantitativamente debe mejorar en un 139% para alcanzar al grupo de referencia G33

que es uno de los más eficientes dentro de su frontera eficiente de comparación.



años y medio:







Página | 81



En la tabla 39 podemos observar que SES ocupó el puesto 12 en el ranking DEA y

categoría A-Colciencias en la convocatoria 781 de 2017. La relación de productividad

versus la cantidad de miembros mejora su categoría C a categoría A.


Fuente: (Autor).

Análisis grupo G20 - GCEM: En la tabla 39 podemos observar que ocupó el puesto 7




Página | 82

G17, G46 y G33 que son los más eficientes dentro de su frontera eficiente de

comparación.



años y medio:









Página | 83


Fuente: (Autor).

Análisis grupo G22 - ARQUISOFT: En la tabla 39 podemos observar que ocupó el

puesto 18 en el ranking DEA. Según la tabla 23 el grupo es eficiente en un 20%.

Cuantitativamente debe mejorar en un 393% para alcanzar a los grupos más eficientes

dentro de su frontera, establecida por los grupos de referencia G17 y G46.



años y medio:







Página | 84




Fuente: (Autor).

Análisis grupo G23 - GICALYT: En la tabla 39 podemos observar que ocupó el puesto






años y medio:


Página | 85









Fuente: (Autor).


Página | 86

Análisis grupo G29 - GITEM: En la tabla 39 podemos observar que ocupó el puesto 14



dentro de su frontera de comparación, establecida por el grupo de referencia G33.



años y medio:









Página | 87


Fuente: (Autor).

Análisis grupo G31 - GICOGE: En la tabla 39 podemos observar que ocupó el puesto






años y medio:







Página | 88




Fuente: (Autor).

Análisis grupo G33 - INVID: Con referencia a los resultados de la tabla 27, el grupo es

eficiente en un 100%. Este grupo de investigación define la frontera eficiente de

comparación. Para un período de dos años y seis meses (2015, 2016, 2017-I) produjo

5 artículos, 1 libros y 10 tesis con tan solo cuatro integrantes.

En el siguiente cuadro se aprecia la cantidad de artículos de acuerdo al tipo:


Página | 89

En la tabla 39 podemos observar que INVID ocupó la posición 2 en el ranking DEA y

categoría C-Colciencias en la convocatoria 781 de 2017. Dado que el grupo está en

clasificación C en Colciencias, se recomienda que aumente la producción

incrementando el número de miembros en el grupo, los cuales deben tener el mismo

nivel productivo de los actuales integrantes.

En promedio su producción anual fue de cero artículos A1, un artículo A2, un artículo

B, un artículo C y cero artículos D; 1 libro; y 4 tesis, que reportó en la pasada

convocatoria.


Fuente: (Autor).

Análisis grupo G34 – INTERNET INTELIGENTE: Según la tabla 28 el grupo es

eficiente en un 43%. Cuantitativamente debe mejorar en un 130% para alcanzar al

grupo más eficientes dentro de su frontera de comparación, establecida por el grupo

de referencia G17.



años y medio:


Página | 90








En la tabla 39 podemos observar que INTERNET INTELIGENTE ocupó el lugar 13 en

el ranking DEA y categoría A-Colciencias en la convocatoria 781 de 2017. La relación

de productividad versus la cantidad de miembros es baja con respecto a los grupos de

la frontera eficiente. Sin embargo cumple con la cantidad y categoría de los productos

exigidos por Colciencias para la clasificación.


Página | 91


Fuente: (Autor).

Análisis grupo G36 - IDEAS: En la tabla 39 podemos observar que ocupó el puesto 20


Cuantitativamente debe mejorar en un 306% para alcanzar al grupo más eficiente




años y medio:







Página | 92




Fuente: (Autor).

Análisis grupo G38 - LAMIC: Según la tabla 30 el grupo es eficiente en un 19%.





años y medio:





Página | 93





En la tabla 39 podemos observar que LAMIC ocupó el lugar 19 en el ranking DEA y

categoría A1-Colciencias en la convocatoria 781 de 2017. La relación de la cantidad

de integrantes comparada con la productividad de los grupos DEA más eficientes es

baja. Sin embargo tiene una producción suficiente para clasificar en la categoría más

alta que otorga Colciencias porque sus productos cumplen con los requisitos exigidos.


Fuente: (Autor).

Análisis grupo G40 - LIFAE: En la tabla 39 podemos observar que tiene el puesto 6 en

el ranking DEA. Según la tabla 31 el grupo es eficiente en un 69%. Cuantitativamente


Página | 94

debe mejorar en un 45% para alcanzar a los grupos de referencia G17, G46 y G33

más eficientes dentro de su frontera eficiente de comparación.



años y medio:









Página | 95


Fuente: (Autor).

Análisis grupo G41 - LIDER: Según la tabla 32 el grupo es eficiente en un 47%.


G17 y G33 más eficientes dentro de su frontera eficiente de comparación.



años y medio:







Página | 96



En la tabla 39 podemos observar que LIDER ocupó el puesto 10 en el ranking DEA y

categoría A-Colciencias en la convocatoria 781 de 2017. La relación de productividad

versus la cantidad de miembros es baja comparada con los grupos más eficientes.

Pese a ello cumplen con la cantidad de productos exigida por Colciencias en la cual no

influye el tipo de vinculación de los integrantes.


Fuente: (Autor).

Análisis grupo G44 - MMAI: En la tabla 39 podemos observar que ocupó el puesto 16



dentro de la frontera de comparación, establecida por los grupos de referencia G17 y

G46.



años y medio:


Página | 97









Fuente: (Autor).


Página | 98

Análisis grupo G46 - NIDE: En la tabla 39 podemos observar que ocupó el puesto 3 en

el ranking DEA. Según la tabla 34 el grupo es eficiente en un 100%. Este grupo de

investigación define la frontera eficiente de comparación. Debe mantener su

productividad y la categoría de sus integrantes. Para un período de dos años y seis

meses (2015, 2016, 2017-I) produjo 7 artículos, 1 libro y 59 tesis. En el siguiente

cuadro se aprecia la cantidad de artículos de acuerdo al tipo:


Fuente: (Autor).

Análisis grupo G48 - GRECO: En la tabla 39 podemos observar que tiene el lugar 4 en

el ranking DEA. Según la tabla 35 el grupo es eficiente en un 89%. Cuantitativamente

debe mejorar en un 13% para alcanzar al grupo más eficiente dentro de su frontera

eficiente de comparación, establecida por el grupo de referencia G33. Para un periodo

de dos años y seis meses debe aumentar en 7 artículos, 1 libro y 29 tesis.



años y medio:


Página | 99


artículos tipo por su peso así: 10*A1+6*A2+3.5*B+2*C+1*D = 9.52, siendo este valor el

movimiento radial ponderado de los artículos o incremento meta ponderado.






Fuente: (Autor).


Página | 100

Análisis grupo G53 - GITUD: Según la tabla 36 el grupo es eficiente en un 55%.


dentro de su frontera de comparación, establecida por los grupos de referencia G17 y

G46.



años y medio:








En la tabla 39 podemos observar que GITUD obtuvo la posición 9 en el ranking DEA y

categoría B-Colciencias en la convocatoria 781 de 2017. La relación de productividad

versus la cantidad de miembros es promedio comparada con los grupos más eficientes


Página | 101

del DEA. Mantiene niveles de producción aceptables que pueden mejorar para

alcanzar una categoría más alta en Colciencias.


Fuente: (Autor).

Análisis grupo G55 - TRHISCUD: En la tabla 39 podemos observar que ocupó el

puesto 15 en el ranking DEA. Según la tabla 37 el grupo es eficiente en un 27%.





años y medio:





Página | 102





En la tabla 38 encontramos la clasificación final de los 21 grupos de investigación y

desarrollo tecnológico asociados a los programas curriculares de posgrado de la

Facultad de Ingeniería de la Universidad Distrital FJC, obtenida después de aplicar el

modelo de programación lineal CCR-O Orientado a las Salidas en Forma Envolvente

del método DEA o Análisis Envolvente de Datos. En la primera columna tenemos el

lugar que ocupa cada grupo de investigación desde el primer puesto hasta el puesto

21. En la segunda columna está el código CIDC de la Universidad Distrital asignado a

cada grupo de investigación. En la tercera columna está la clasificación Colciencias

para la convocatoria 737 del año 2015. En la cuarta columna está la clasificación

Colciencias obtenida por cada grupo en la convocatoria 781 del año 2017.


Página | 103

Tabla 38. Resultados de la clasificación final de los Grupos de Investigación,

Desarrollo Tecnológico o de Innovación obtenida mediante método DEA.

Fuente: (Autor).

En la Tabla 39 se organizan los grupos de investigación según su eficiencia técnica.

Se pude observar el puntaje de eficiencia tanto output (φ), como input (θ).

El porcentaje de mejora nos indica en qué proporción debe mejorar el grupo de

investigación para convertirse en eficiente.


Tabla 39. Resultados clasificación grupos de investigación mediante método DEA.

Fuente: (Autor).


Página | 104

Resultados clasificación grupos de investigación mediante método DEA.


Resultados clasificación grupos de investigación mediante método DEA.


Página | 105

El movimiento radial muestra en qué cantidad se deben aumentar las salidas para

hacer al respectivo grupo de investigación técnicamente eficiente. Pensando en el

modelo envolvente, sería el incremento del “radio” generado por la DMU analizada,

hacia la frontera envolvente. Es de anotar que el modelo es output orientado, dado

que no es de interés reducir el input, el número de investigadores, dedicación o

categoría. En la tabla 40 se presenta las cantidades promedio a incrementar para

cada variable de salida en un periodo de dos años y seis meses.

Tabla 40. Meta promedio propuesta redondeada a mejorar en las salidas.

Fuente: (Autor).

El hecho de que los grupos eficientes sean pocos respecto al total de grupos (3 de 21),

evidencia que las DMU’s son suficientes para garantizar que el modelo contiene un

poder adecuado de discriminación (suficientes grados de libertad).

9.2 Resultados del modelo DEA con supereficiencia

La supereficiencia es un método que consiste en comparar la DMU0 (unidad evaluada)

como una combinación de todas las otras DMU del sistema, por lo que dicha DMU0 es

excluida del modelo DEA (ver sección 7.4.6).

Aplicando el modelo de supereficiencia output orientado sobre los grupos de

investigación se obtienen los resultados observados en la Tabla 41:


Página | 106

Tabla 41. Resultados de la clasificación de los grupos de investigación utilizando el

modelo DEA con supereficiencia.

Fuente: (Autor).

En esta tabla la técnica de supereficiencia hace que las DMU o grupos de

investigación puedan superar la unidad, siendo la diferencia de más con respecto a la

unidad a lo que se le llama supereficiencia. El hecho de que la clasificación general no

haya cambiado muestra que no existen variaciones atípicas, lo que demuestra que la

información obtenida por el modelo DEA es lo suficientemente robusta.


Página | 107

Las DMU qué más participan acotando la frontera eficiente (conjunto de referencia)

siguen siendo GIIRA - G17 con 16 apariciones, INVID - G33 con 11 apariciones y

NIDE - G46 con 9 apariciones.

9.3 Resultados DEA output orientado

Para cada grupo de investigación se indica el porcentaje de eficiencia de acuerdo a la

clasificación proporcionada por el método DEA. Este análisis incluye la mejora

cuantitativa que debe tener cada uno para obtener la eficiente técnica de los grupos de

investigación GIIRA-17, INVID-33 y NIDE-46 que son los tres grupos más eficientes

asociados a los posgrados de la Facultad de Ingeniería. Adicionalmente se indica la

cantidad de salidas relacionadas con los artículos, los libros y las tesis que debe

producir cada grupo en un período de dos años y seis meses para mejorar su

clasificación al participar en la próxima convocatoria de Colciencias.

En la tabla 42 se registran las categorías Colciencias de las convocatorias 737 del año

2015 y 781 del año 2017 versus el ranking obtenido aplicando la metodología DEA de

la presente investigación. En la primera columna tenemos el código CIDC. En la

segunda columna el nombre del grupo. En la tercera columna los grupos organizados

según categoría Colciencias año 2017. En la cuarta columna el ranking DEA de cada

grupo y finalmente en la quinta columna el registro de la categoría Colciencias año

2015. Esta tabla está ordenada de acuerdo a la categoría Colciencias según

convocatoria 781 del año 2017.


Página | 108

Tabla 42. Grupos de investigación organizados según su clasificación Colciencias y

comparados con el ranking DEA.

Fuente: (Autor).


Página | 109

10. CONCLUSIONES Y RECOMENDACIONES

El hecho de que la universidad cuente con recursos diferentes a los de otras

instituciones, hace que comparar sus grupos de investigación con grupos de otras

universidades o con parámetros exógenos sea sesgado desde el punto de vista de

mejoras potenciales. El utilizar DEA como herramienta de clasificación permite

ponderar la verdadera capacidad de mejora potencial en los diferentes productos de

investigación, ya que los grupos de investigación de una misma institución poseen en

teoría limitaciones similares. Es por esto que el potencial de mejoramiento generado

por el estudio DEA del presente documento se entiende como metas factibles para los

grupos de investigación. Dichas metas expresadas en las Tablas 16 y 18 se proponen

como conclusión de la investigación.

Es de resaltar que uno de los grupos que tiene una mayor producción de artículos es

el grupo GIIRA-G17; ya que durante un período de dos años y seis meses (2015,

2016, 2017-I) logra producir 97 artículos. Este grupo desplaza la frontera eficiente en

gran medida, obligando a los demás grupos de investigación a aumentar en mayor

medida su producción o outputs para alcanzar la eficiencia técnica. Dado que los

grupos de investigación se encuentran en el mismo entorno, se consideran

homogéneos, y por tanto el grupo GIIRA no puede tratarse como una atipicidad

del sistema que tenga que sustraerse.

Los grupos que ingresan personas que no son lo suficientemente productivas están

afectando su eficiencia técnica. Esto por ahora no afecta la clasificación realizada por

Colciencias, pero es un factor en estudio para futuras clasificaciones según

(Colciencias, 2017). Ejemplo de esto es el grupo G23-GICALYT; pese a tener 12

artículos y 9 tesis, que no está alejado del promedio (Tabla 16), el tener 25 integrantes

activos (Tabla 11) hace que su eficiencia se vea disminuida al punto de quedar en el

último puesto del ranking de eficiencia (Tabla 39).

En la tabla 38 se puede comparar la clasificación por eficiencia DEA y la clasificación

de Colciencias. No necesariamente deben coincidir, ya que a Colciencias por ahora


Página | 110

no le interesan los recursos con los que cuentan los grupos de investigación, sino

exclusivamente los resultados o las salidas producidas por dichos grupos. Es por esto

que, por ejemplo, el Gr33-INVID, a pesar de ser eficiente técnicamente (su relación

entradas/salidas respecto a los demás es alta), el número bajo de integrantes que

posee hace que el volumen de resultados no le alcance para una más alta clasificación

por parte de Colciencias (Tabla 39). Con más integrantes que trabajen al mismo nivel

que los existentes en el mismo Gr33 se mejorará su clasificación en Colciencias.

Lo contrario ocurre con el GR38-LAMIC, el cuál pese a ser de clasificación A1, no es

eficiente bajo el método DEA, ya que el número de integrantes es muy alto respecto a

la producción.

Colciencias con su índice ScientiCol soporta sus resultados exclusivamente en la

evaluación de calidad y cantidad de los productos finales; la clasificación y análisis de

los grupos de investigación con la metodología DEA demuestran que una mirada auto-

referenciada que incluye los insumos o recursos de entrada al sistema permite

establecer con mayor facilidad las metas de producción por cada variable de salida

para el mejoramiento, que tienen en cuenta las limitaciones propias de la institución. El

establecer metas enfocadas y factibles disminuirá la “suma de ineficiencias”, lo cual se

hará notar en la clasificación de la institución y sus grupos de investigación frente a

otras en el ranking general de Colciencias.

Es de sugerir que el CIDC (Centro de Investigaciones y Desarrollo Científico) de la

universidad, mantenga registro de los recursos asignados a cada grupo de

investigación para poder hacer un seguimiento de eficiencia técnica de los recursos

económicos. Esto permitiría realizar un estudio DEA que admita incluir como input los

recursos asignados, de modo que se puedan realizar políticas económicas basadas en

la eficiencia económica, de modo que redunde en un mejor aprovechamiento de

recursos monetarios tendientes al desarrollo de la investigación en la UDFJC.


Página | 111

11. LIMITACIONES DEL MODELO

En la actualidad Colciencias tiene cinco tipos de actividades diferentes con diversidad

de productos para medir a un grupo de investigación en sus convocatorias. Estas

actividades son: la producción bibliográfica, la producción técnica y tecnológica, la

apropiación social y circulación del conocimiento, las actividades de formación y las

actividades como evaluador. En el presente análisis no se incluyen todos los productos

de los puntos mencionados anteriormente, enfocándose sólo en la producción

bibliográfica. La razón es que otros tipos de producciones no son comunes a todos los

grupos de investigación, lo que genera comportamientos que rompen la

homogeneidad requerida de un análisis DEA.

Pese a esto se pueden homologar tipos, como por ejemplo, la producción de libros

puede ser complementada con producción de software, proyectos o eventos

científicos, dependiendo de la similitud de peso que Colciencias asigne a estos

productos.

El método de Análisis Envolvente de Datos no ofrece características cualitativas

relacionadas con las entradas o salidas seleccionadas del grupo de investigación. Por

lo tanto no puede llegar a concluir sobre causas o consecuencias organizacionales

que influyan en la producción.

Para trabajos futuros trabajos se pueden incluir como inputs factores económicos, para

lo cual sería necesario contar con el apoyo de las divisiones que llevan el control

financiero de los grupos de investigación de la Universidad.


Página | 112

12. REFERENCIAS

Álvarez Pinilla, A. (2001). La medición de la eficiencia y la productividad. Madrid,

España: Editorial Pirámide.

Andersen, P. P. (1993). A Procedure for Ranking Efficient Units in Data Envelopment

Analysis. Management Science , 39, 1261-1264.

Anderson, T. R., Tugrul, U. D., & Francois, F. L. (2007). Measuring the efficiency of

university technology transfer. Technovation , 27 (5), 306-318.

Aparicio, P. G. (2007). Identificación de las características de los grupos de

investigación de la universidad de Barcelona. Un paso hacia el análisis de la eficacia

de investigar en grupo. XIX Congreso anual y XV Congreso Hispano Francés de

AEDEM , 1, 33-43.

Arenas, W. S. (2004). La evaluación de los grupos de investigación según Colciencias

versus su evaluación según el Análisis Envolvente de Datos. Scientia et technica , 10,

184-194.

Beasley, J. E. (1990). Comparing university departments. Omega , 18 (2), 171-183.

Beasley, J. E. (1995). Determining teaching and research efficiencies. Journal of

operational Research Society , 46, 441 – 452.

Beasley., J. (1990). Comparing university departments. Omega , 18, 171-183.

Bernal, G. y. (2009). Los grupos de Investigación como sistemas adaptativos

complejos. Bogotá: Facultad de ingeniería de la Universidad Nacional de Colombia.

Biblioteca de la Universidad de Sevilla. (2015). Guía de la BUS:investigación.

Recuperado el 10 de Junio de 2017, de Factor de impacto:

http://guiasbus.us.es/factordeimpacto/scopus


Página | 113

Bonaccorsi, A., & Daraio, C. (2005). Exploring size and agglomeration effects on public

research productivity. Scientometrics , 63 (1), 87-120.

Centro de Investigaciones y Desarrollo Científico. (2017). Boletín septiembre 2017.

Universidad Distrital. Bogotá D.C.: Equipo Informático del CIDC Universidad Distrital.

Charnes, A. C. (1981). Evaluating Program and Managerial Efficiency: An Application

of Data Envelopment Analysis to Program Follow Through. Management Science , 27,

668-697.

Charnes, A. C. (1978). Measuring the efficiency of decision making units (Vol. 2).

European journal of operational research.

Charnes, A. W. (1962). Programming with linear fractional fuctionals (Vol. 9). Naval

Research Logistics.

Charnes, A., Cooper, W., & Lewin, A. y. (1994). Data Envelopment Analysis: Theory,

Methodology and Applications. Boston: Kluwer Academic Publishers.

Charum, J. M. (1999). Sobre la gestión estratégica de la investigación y la tecnología:

un modelo de análisis para el seguimiento de las actividades científicas y tecnológicas.

UN Reportes , 69, 1-39.

Chen, Y., Liang, L., Yang, F., & Zhu, J. (2006). Evaluation of information technology

investment: a data envelopment analysis approach. Computers and operation research

, 33 (5), 1368-1379.

Cherchye, L., & Abeele, P. V. (2005). On research efficiency: A micro analysis of Dutch

university research in economics and business management. Research policy , 34,

495-516.

CIRC. (2012). Clasificación Integrada de Revistas Científicas. España: ANECA-

Agencia nacional de evaluación de la calidad y acreditación.

Coccia, M. (2008). Measuring scientific performance of public research units for

strategic change. Journal of informetrics , 2 (3), 183-194.


Página | 114

Coelli, T. P. (1998). An Introduction to Efficiency and Productivity Analysis. Bosto:

Kluwer Academic Publishers.

Colciencias. (15 de Octubre de 2015). Convocatoria Nacional para el Reconocimiento

y medición de grupos de investigación, desarrollo tecnológico o de innovación y de

reconocimiento de investigadores del Sistema Nacional de Ciencia, Tecnología e

Innovación (SNCTeI) 2015. Bogotá D.C., Colombia.


y Medición de Grupos de Investigación, Desarrollo Tecnológico o de Innovación y para

el Reconocimiento de Investigadores del SNCTeI 2014. Bogotá D.C., Colombia.


y Medición de Grupos de Investigación, Desarrollo Tecnológico y/o Innovación y para

el Reconocimiento de Investigadores del Sistema Nacional de Ciencia, Tecnología e

Innovación 2013. 10. Bogotá D.C., Colombia.

Colciencias. (2017). Documento Conceptual de la Convocatoria de Grupos de

investigación e Investigadores. Bogotá.

Colciencias. (2017). Modelo de Medición de Grupos de Investigación, Desarrollo

Tecnológico o de Innovación y de Reconocimiento de Investigadores del Sistema

Nacional de Ciencia, Tecnología e Innovación. Bogotá D.C., Colombia.

Colciencias. (15 de Octubre de 2014). Modelo de Medición de Grupos de

Investigación, Desarrollo Tecnológico o de Innovación y de Reconocimiento de

Investigadores del Sistema Nacional de Ciencia, Tecnología e Innovación, Año 2014.

Bogotá D.C., Colombia.

Colciencias. (2015). Modelo de medición de grupos de investigación, desarrollo

tecnológico o de innovación y de reconocimiento de investigadores del sistema

nacional de ciencia, tecnología e innovación, año 2015. Bogotá D.C.

Colciencias. (2017). Modelo de medición de grupos de investigación, desarrollo

tecnológico o de innovación y de reconocimiento de investigadores del sistema


Página | 115

nacional de ciencia, tecnología e innovación, año 2017. Bogotá D.C.: Dirección de

fomento a la investigación.

Colciencias. (20 de Mayo de 2016). Publicación de resultados finales de la

convocatoria 737 de 2015. Convocatoria nacional para el reconocimiento y medición

de grupos de investigación, desarrollo tecnológico o de innovación y para el

reconocimiento de investigadores del SNCTel, 2015 . Bogotá D.C., Colombia: Imprenta

Nacional.

Colciencias. (26 de Octubre de 2016). Resolución 1185. Resultado de los

investigadores eméritos en el marco de la convocatoria No.737 . Bogotá D.C.,

Colombia: Imprenta Nacional.

Colciencias. (25 de Septiembre de 2017). Resultados preliminares de la convocatoria

781 de 2017. Convocatoria nacional para el reconocimiento y medición de grupos de

investigación, desarrollo tecnológico o de innovación y para el reconocimiento de

investigadores del SNCTel, 2017 . Bogotá D.C., Colombia: Imprenta Nacional.

Coll, V., & Blasco, O. (2006). Evaluación de la eficiencia mediante el Análisis

Envolvente de Datos. Valencia: Universidad de Valencia.

Consejo Académico UDFJC. (19 de Junio de 2012). Acuerdo No.023. Bogotá D.C.,

Colombia.

Consejo Académico UDFJC. (2 de Diciembre de 2014). Resolución No.176. Bogotá,

Colombia.

Consejo Superior Universitario UDFJC. (3 de Agosto de 1994). Acuerdo No. 014.

Bogotá.

Consejo Superior Universitario UDFJC. (11 de Octubre de 2012). Acuerdo No.004.

Bogotá, Colombia.

Consejo Superior Universitario UDFJC. (25 de Octubre de 1996). Acuerdo No.009.

Bogotá.


Página | 116

Consejo Superior Universitario UDFJC. (18 de Enero de 2008). Acuerdo No.01.

Bogotá, Colombia.

Consejo Superior Universitario UDFJC. (18 de Diciembre de 2014). Acuerdo No.012.

Bogotá, Colombia.

Cooper, W. S. (2006). Introduction to data envelopment analisys and the uses: with

DEA-Solver software and references. Springer.

Cooper, W., & Seiford, L. y. (2000). Data Envelopment Analysis. A Comprehensive

Text with Models, Applications, References and DEA-Solver Software. Boston: Kluwer

Academic Publishers.

CSU. (1997). Estatuto General Universidad Distrital FJC(Actualizado 2016). Bogotá:

Universidad Distrital FJC.

Del Valle Rojas, C. D. (2012). Valoración a las actuales investigadoras chilenas sobre

los actuales índices editoriales. Ciencias de la información , 43 (1), 45-50.

Doyle, J., & Green, R. (1994). Efficiency and Cross-Effi ciency in DEA: Derivations,

Meanings and Uses. The Journal of the Operational Research Society , 45, 567-578.

Duitama, J. (2007). F. Análisis del Índice ScientiCol. Obtenido de

http://investigacion.udea.edu.co/archivos/documentos/analisisdelindicescienticol

Farrel, M. (1957). The measurement of productive efficiency (Vol. 120). Journal of royal

statistical society A.

Fundación Española Ciencia y Técnica (Fecyt). (2002). Manual de Frascati. Propuesta

de norma práctica para encuestas de investigación y desarrollo experimental.

Gatouffi, S. O. (2004). Epistemology of data envelopment analisys and comparison

with other fiels of OR/MS for relevance to aplications (Vol. 38). Socio - Economic

planning science.


Página | 117

Giraldo, N. (2007). Evaluación de los grupos de investigación según los indicadores de

eficiencia de Colciencias versus su evaluación según el análisis envolvente de datos.

Pereira, Colombia.

Guan, J. W. (2004). Evaluation and interpretation of knowledge production effi ciency.

Scientometrics , 59, 131-155.

Hashimoto, A., & Shoko, H. (2008). Measuring the change in R&D efficiency of the

Japanese pharmaceutical industry. Research policy , 37 (10), 1829-1836.

Howcroft, D. y. (1994). Relative Efficiency in the Branch Network of a UK Bank: An

Empirical Study. Omega , 22, 83-90.

Hsu, F.-M., & Hsueh, C.-C. (2009). Measuring relative efficiency of government-

sponsored R&D projects: a three-stage approach. Evaluation and program planning ,

32 (2), 178-186.

J., B. G. (2009). Los grupos de Investigación como sistemas adaptativos complejos.

Bogotá: Facultad de ingeniería Universidad Nacional de Colombia.

Johnes, J. J. (1995). Research funding and performance in U.K. University

Departments of Economics: A frontier analysis. Economics of Education Review , 14,

301-314.

Johnes, J. J. (1995). Research funding and performance in U.K. University

Departments of Economics: A frontier analysis. Economics of Education Review , 14,

301-314.

Johnes, J., & Yu, L. (2008). Measuring the research performance of Chinese higher

education institutions using data envelopment analysis. China economic review , 19

(4), 679-696.

Kamakura, W. (1988). A Note on the Use of Categorical Variables in Data

Envelopment Analysis. Management Science , 34, 1273-1276.

Katzenbach, J. y. (1995). La sabiduría de los equipos. México: Ediciones CECSA.


Página | 118

Korhonen, P. T. (2001). Value efficiency analysis of academic research. European

Journal of Operational Research , 130, 121-132.

Kostoff, R., & Geisler, E. (2007). The unintended consequences of metrics in

technology evaluation. Journal of informetrics , 1 (2), 103-114.

Kumbharkar, S. K. (2000). Stochastic Frontier Analysis. Cambridge, United Kingdom:

Cambridge University Press.

Leitner, K.-H., & Warden, C. (2004). Managing and reporting knowledge-based

resources and processes in research organisations: specifics lessons learned and

perspectives. Management accounting research , 15 (1), 35-51.

Levitt, M. J. (1987). The Growth and Efficiency of Public Spending. Cambridge:

Cambridge University Press.

Martín Rivero, R. (2007). La eficiencia productiva en el ámbito universitario:aspectos

claves para su evaluación (Vol. 25). Estudios de economía aplicada.

Mendez., C. (2006). Metodología: Diseño y desarrollo del proceso de investigación con

énfasis en ciencias empresariales (4a. Edición ed.). México D.F., MéxicO: Limusa.

Nelson, A. J. (2009). Measuring knowledge spillovers: what patents, licenses and

publications reveal about innovation diffusion. Research policy , 38 (6), 994-1005.

OCDE y Eurostat. (2006). Manual de OSLO. Guía para la recogida e interpretación de

datos sobre innovación.

OCyT. (2016). Indicadores de ciencia y tecnología 2015. Colombia: Colciencias-

Ediciones Ántropos Ltda.

Orozco L.E., y. o. (2001). Educación superior: desafío global y respuesta nacional (Vol.

Tomo II). Bogotá: Ediciones Uniandes.

Peneder, M. (2008). The problem of private under-investment in innovation: a policy

mind map. Technovation , 28 (2), 518-530.


Página | 119

Pino, J. S. (2010). Evaluación de la eficiencia de grupos de investigación mediante

análisis envolvente de datos (DEA). El profesional de la información , 19, 160-167.

Prat, A. (2007). La importancia de medir la producción científica. Comisión Nacional de

Investigación Científica y Tecnológica - CONICYT . Chile.

Publindex-Colciencias. (2000). Sistema Nacional de Indexación y homologación de

publicaciones especializadas en ciencia, tecnologia e innovación. Indice Bibliográfico

Nacional Publindex. Colombia.

Rasmussen, E. (2008). Government instruments to support the commercialization of

university research: lessons from Canada. Technovation , 28 (8), 506-517.

Ray, S. M. (1995). Comparing Parametric and Nonparametric Measures of Efficiency:

A Reexamination of the Christensen Data. Journal of Quantitative Economics , 11 (1),

155-168.

Restrepo, M. V. (2007). Clasificación de grupos de investigación colombianos

aplicando análisis envolvente de datos. Revista de la Facultad de Ingeniería

Universidad de Antioquia , 42, 105-119.

Restrepo, M. V. (2007). Clasificación de grupos de investigación colombianos

aplicando análisis envolvente de datos. Revista de la Facultad de Ingeniería

Universidad de Antioquia , 42, 105-119.

Richmond, J. (1974). Estimating the Efficiency of Production. Intenational Economic

Review , 15, 515-521.

Ricyt, OEA, Cyted/Colciencias, OCYT. (2001). Manual de Bogotá. Normalización de

indicadores de innovación tecnológica en América Latina y el Caribe. Colombia.

Rojas Luna, M. (2010). Clasificación de los grupos de investigación de la Facultad de

ingeniería de la Universidad Nacional de Colombia, mediante la estimación de la

eficiencia Técnica utilizando análisis envolvente de datos. Bogotá: Universidad

Nacional de Colombia.


Página | 120

Ruiz, C. (2006). La medida de la eficiencia técnica de los grupos de investigación del

área de economía de la Universidad de Málaga. (P. d. trabajo, Ed.) Cuadernos de

ciencias económicas y empresariales , 32.

Saaty, T. (1994). How to Make a Decision: The Analytic Hierarchy Process. Interfaces ,

24, 19-43.

Schmidt, P. (1976). On the Statistical Estimation of Parametric Frontier Production

Functions. Review of Economics and Statistics , 58, 238-239.

Shale, R. D. (2001). Pitfalls and protocols in DEA. European Journal of Operational

Research , 132, 3-17.

Subramanian, A. (1996). Innovativeness: redefining the concept. 13, 223-243.

Togia, A., & Tsigilis, N. (2006). Impact factor and education journals: a critical

examination and analysis. International journal of educational research , 45 (6), 362-

379.

Triadó, X. A. (2007). El perfil de los grupos de investigación más competitivos: estudio

del caso de la Universidad de Barcelona. XX Congreso anual de AEDEM , 1, 63-77.

Vargas., Z. (2009). La investigación aplicada: una forma de conocer. (U. d. Rica, Ed.)

Revista Educación , 33 (1), 155-165.

Villaveces, J. L. (2001). Los grupos de investigación en la universidad colombiana año

2000 (Vol. Tomo II). Bogotá: Ediciones Uniandes.

Villegas, J. (2006). Análisis envolvente de datos: Introducción y herramienta pública

para su utilización en el ámbito universitario. Universidad de Antioquia.

Visbal, D. (2006). Evaluación de la eficiencia relativa en el uso de recursos de las

universidades públicas colombianas mediante la metodología Data Envelopment

Analysis. CLAIO, Programa extendido con Resúmenes. , 1, 77.


Página | 121

Wang, E. C., & Huang, W. (2007). Relative efficiency of R&D activities: a cross-country

study for environmental factors in the DEA approach. Research policy , 36 (2), 260-

273.

Wilson, P. (1995). Detecting Influential Observations in Data Envelopment Analysis.

The Journal of Productivity Analysis , 6, 27-45.

Wu, L.-C., & Ong, C.-S. (2008). Management of information technology investment: a

framework based on a real options and mean variance theory perspective.

Technovation , 28 (3), 122-134.

estimaciÓn de la eficiencia tÉcnica para clasificar...

Documents