Revista de Ciencias Sociales (RCS)
Vol. XXX, Número Especial 10,
julio/diciembre 2024. pp.
745-759
FCES - LUZ ● ISSN: 1315-9518 ● ISSN-E: 2477-9431
Como
citar: Sánchez, M., Gutiérrez, C., Viancos-González, P., y González, P. (2024).
Economía circular del agua en Latinoamérica: Un análisis de eficiencia y
productividad. Revista De Ciencias Sociales, XXX(Número Especial
10), 745-759.
Economía
circular del agua en Latinoamérica: Un análisis de eficiencia y productividad
Sánchez Calderón, Marcos*
Gutiérrez Rojas, Cristián**
Viancos-González,
Patricio***
González,
Patricia****
Resumen
Con el incremento de la
temperatura global y la creciente escasez de agua, el análisis del uso
eficiente de este recurso se vuelve crucial. El objetivo principal de este estudio
es evaluar la economía circular del agua mediante un análisis de eficiencia
para un grupo de trece países latinoamericanos. Se emplea la metodología de
Análisis Envolvente de Datos para determinar los niveles de eficiencia global,
técnica y de escala correspondientes al año 2020. Además, se utiliza el Índice
de Malmquist para calcular los cambios en la productividad entre los años 2018
y 2020. Los resultados del análisis muestran que Brasil y Chile se
destacan como países eficientes, ya que logran maximizar el volumen de
tratamiento de aguas residuales en relación con la cantidad de insumos
utilizados. En contraste, los otros once países presentan una gestión
ineficiente y deben realizar esfuerzos significativos para alcanzar la frontera
de eficiencia. La principal contribución de este estudio radica en proporcionar
una herramienta para identificar posibles fuentes de ineficiencia y servir de
referencia para la toma de decisiones de los responsables en la gestión de
recursos hídricos.
Palabras clave: Agua; análisis envolvente de datos; economía circular,
eficiencia; índice de malmquist.
Circular economy of water in Latin America: An efficiency
and productivity analysis
Abstract
With the increase in global temperature and
increasing water scarcity, the analysis of the efficient use of this resource
becomes crucial. The main objective of this study is to evaluate the circular
economy of water through an efficiency analysis for a group of thirteen Latin
American countries. The Data Envelopment Analysis methodology is used to
determine the levels of global, technical and scale efficiency corresponding to
the year 2020. In addition, the Malmquist Index is used to calculate the
changes in productivity between the years 2018 and 2020. The results of the analysis
show that Brazil and Chile stand out as efficient countries, since they manage
to maximize the volume of wastewater treatment in relation to the amount of
inputs used. In contrast, the other eleven countries present inefficient
management and must make significant efforts to reach the efficiency frontier.
The main contribution of this study lies in providing a tool to identify
possible sources of inefficiency and serve as a reference for decision-making
by those responsible for water resource management.
Keywords: Water; data envelopment analysis;
circular economy; efficiency; Malmquist index.
Introducción
El recurso agua se está agotando principalmente debido
al crecimiento de la población y al cambio climático (Louzada, 2020). En este
contexto, la Fundación Endesa (2021) destaca que la disminución de los recursos
de agua dulce está directamente vinculada con la expansión urbana. Se estima que
para el año 2050, el 85% de la población mundial vivirá en áreas urbanas, lo
que implicará un aumento de los problemas relacionados con la escasez de agua
en las próximas décadas.
La carencia de agua se atribuye principalmente a
factores socioeconómicos, climáticos y demográficos, tales como los efectos del
cambio climático, desastres naturales, contaminación, crecimiento de la
población, conflictos, pobreza extrema y la falta de infraestructuras adecuadas
(García, 2020; Zhindon-Almeida,
Sánchez-Ancajima y Castañeda-Guzmán, 2024). Autores como Roccaro (2018); Voulvoulis (2018); y, Muñoz y Bustos (2021), consideran que factores como la escasez de agua en
regiones áridas y semiáridas, las preocupaciones de seguridad hídrica en áreas
donde la demanda de agua supera su disponibilidad, y los estrictos y costosos
requisitos para la eliminación de contaminantes de los efluentes antes de su
descarga en aguas superficiales han impulsado la reutilización del agua como
una fuente alternativa.
Según la Fundación CONAMA (2019), el uso del agua, en
la mayoría de los casos, requiere un sistema de saneamiento que recoja las aguas
residuales a través de redes de alcantarillado y las depure antes de
devolverlas al sistema hidrológico o regenerarlas para ser reutilizadas. La
circularidad del agua no solo implica el desarrollo de la reutilización y la
desalación, sino también otros procesos clave como la potabilización, el
dimensionamiento, la detección de fugas, la depuración, el drenaje urbano y la
integración entre agua y energía, entre otros; estos factores son
complementarios e interdependientes (Cerdá y Khalilova, 2016; Brears, 2020). Realizar un uso
eficiente de este recurso es una de las principales prioridades de las
entidades estatales encargadas de su gestión.
En las últimas décadas, la economía circular se ha
consolidado como un enfoque atractivo para aumentar el bienestar global y
minimizar los impactos ambientales de las actividades económicas dentro de un
sistema industrial restaurador o regenerativo, ya sea por intención o diseño
(Oblitas et al., 2019; Donati et al., 2020; Núñez-Tabales, Del Amor-Collado y
Rey-Carmona, 2021). Según Brears
(2020), la economía circular
se centra en el reciclaje, la limitación y la reutilización de los insumos
físicos de la economía, así como en el uso de residuos como recursos, lo que
conduce a una reducción en el consumo de recursos primarios.
En este sentido, el uso de indicadores para medir el
desempeño de la economía circular ha aumentado. La Fundación Ellen MacArthur,
ha sido una gran promotora, al igual que los estudios de autores como Ihobe
(2018); Giannakitsidou, Giannikos
y Chondrou (2020); y, Robaina et al. (2020), quienes han desarrollado
indicadores para evaluar el desempeño y la eficiencia de los países de la Unión
Europea en la economía circular. Sin embargo, estos indicadores están
principalmente orientados a la gestión de residuos sólidos. Los esquemas
conceptuales sobre economía circular publicados hasta la fecha priorizan los
ciclos de materiales, generalmente representados mediante círculos que
simbolizan cierres simples de materiales; no obstante, el sector del agua rara
vez se presenta de forma explícita a pesar de su importancia (Fundación CONAMA, 2019).
En la mayoría de los países, el tratamiento de aguas
residuales es responsabilidad de los gobiernos locales, es decir, es un
servicio público. Existen varios métodos para evaluar la eficiencia en la
prestación de estos servicios, los cuales se agrupan en modelos de frontera y
no-frontera.
Uno de los métodos de frontera no paramétricos más
utilizados es el Análisis Envolvente de Datos (DEA) (Cook y Seiford, 2009). Para su aplicación, es necesario definir las
Unidades Tomadoras de Decisiones (DMU, por sus siglas en inglés), que pueden
ser países, regiones, municipios o empresas, y que tienen capacidades similares
para convertir múltiples insumos en múltiples productos. Esta metodología
determina una relación óptima entre los insumos y los resultados, combinando el
rendimiento real con el ideal para evaluar la eficiencia (Bogetoft y Otto, 2011). En
las últimas décadas, el uso del DEA se ha extendido a múltiples organizaciones del
sector público, incluidas aquellas sin ánimo de lucro, como es el caso del
servicio de gestión de residuos (Huguenin, 2012).
Es importante señalar que los estudios académicos
sobre la circularidad de la economía en los países de América Latina han aumentado
considerablemente en los últimos años. No obstante, aún no se ha encontrado
evidencia empírica que permita comparar el desempeño de la economía circular en
el tratamiento eficiente de las aguas residuales a nivel estatal.
Para llenar este vacío, el objetivo principal de este
estudio es realizar una evaluación comparativa mediante la metodología DEA y el
Índice de Malmquist en una muestra de trece países de Centro y Sur América. Se
utilizaron como insumos la extracción de agua, la producción de agua y las
instalaciones para su tratamiento, y como resultado el agua tratada. Los datos
fueron obtenidos de AQUASTAT, un
sitio web oficial de la Organización
de las Naciones Unidas, para los años 2018 y 2020. Se espera proporcionar
información relevante que permita a los países comprender mejor sus propias
prácticas, comparar sus logros a nivel internacional y aprender de las
experiencias de otros países que enfrentan desafíos similares.
La estructura del artículo es la siguiente: Tras esta
breve introducción al tema, en el segundo apartado se presenta la
fundamentación teórica; en el tercero, se describen la metodología, los datos y
las variables, luego se exponen y discuten los resultados obtenidos,
clasificando a los países entre eficientes y no eficientes; y finalmente, en el
último apartado se presentan las conclusiones.
1. Fundamentación teórica
Winans, Kendall y Deng (2017), señalan que el concepto de economía circular
se popularizó en China en la década de 1990 como respuesta al crecimiento
económico y a las limitaciones de los recursos naturales. Según Yong (2007), la
economía circular busca resolver estos problemas reduciendo el flujo de
materiales y logrando un equilibrio entre el ecosistema y el sistema
socioeconómico. Este autor destaca que el enfoque de la economía circular
incluye principalmente dos elementos: 1) La reestructuración de los flujos de
materiales de un modelo lineal a uno circular; y, 2) el aumento de la
eficiencia en la utilización de recursos y la reducción de la intensidad de las
emisiones.
Dada la importancia del tratamiento y reutilización de
las aguas residuales, algunos autores, como Mavhungu et al. (2020), consideran
que la introducción de la economía circular en este ámbito puede promover la
gestión sostenible de las crecientes cantidades de aguas residuales
municipales, abordando al mismo tiempo problemas emergentes como la falta de
agua. Los estudios sobre la economía circular del agua están en aumento y, en
general, se enfocan en el desarrollo de tecnologías innovadoras para optimizar
el tratamiento de las aguas residuales municipales y la gestión de residuos
sólidos orgánicos. Entre los principales autores en este campo se encuentran Casiano
et al. (2018);
Voulvoulis (2018); Nika et al. (2020); Roychand et al. (2020); y, Kaszycki,
Głodniok y Petryszak
(2021).
La aplicación del DEA para evaluar la eficiencia de la
economía circular en el manejo del agua ha sido explorada por varios
investigadores. Byrnes (1987), estudió la relación entre la forma de propiedad
y la eficiencia en una muestra de empresas públicas y privadas de suministro de
agua en EE.UU. en 1976, encontrando que las diferencias en las tecnologías y
entornos operativos justifican las variaciones en sus medidas de eficiencia. Lambert, Dichev y Raffiee (1993), analizaron
la eficiencia relativa de empresas públicas y privadas de suministro de agua,
concluyendo que las empresas públicas son generalmente más eficientes,
especialmente en la eficiencia técnica relacionada con la mano de obra,
capital, energía e insumos materiales, y que la ineficiencia se debe en gran
medida al uso excesivo de capital.
Picazo-Tadeo, González-Gómez y Sáez-Fernández (2009), evaluaron
la eficiencia de empresas españolas de suministro de agua, destacando que las
puntuaciones de eficiencia ajustadas a nivel de insumo mejoran la evaluación
del rendimiento empresarial, y que factores ambientales como la propiedad y la
estacionalidad de la demanda afectan la gestión técnica de los insumos. Gupta, Kumar y Sarangi (2012), analizaron la eficiencia de las empresas de
suministro de agua en 27 ciudades de la India en 2004-2005, aplicando un modelo
de rendimientos constantes a escala (CRS) con orientación a los productos, y
encontraron que las empresas gestionadas por corporaciones municipales y
paraestatales superan a las gestionadas por el gobierno local.
Lo Storto (2013), evalúa la eficiencia de 21
operadores de servicios de agua con capital privado o público-privado y 32 con
capital público, analizando los factores de control que influyen en su
desempeño. Los insumos considerados incluyen el coste total de producción, la
longitud de la red de acueducto y la de alcantarillado; mientras que el
producto se mide a través de los ingresos por los servicios prestados. La
metodología utilizada se desarrolla en dos etapas: Primero, un modelo de
retornos variables a escala (VRS) orientado a los insumos; y segundo, un modelo
Tobit bootstrapped. Los resultados
muestran ineficiencias operativas entre los operadores y señalan que las
economías de escala y de aglomeración pueden influir significativamente en la
eficiencia.
Hsu y Lee (2014), utilizan como insumos las funciones
del gasto público, con énfasis en la protección del medio ambiente, y como
producto la tasa de crecimiento del PIB per cápita, analizando 18 países de la Organización para la
Cooperación y el Desarrollo Económico (OCDE) durante el período 1995-2002. Aplican modelos
CRS y VRS, ambos orientados a los insumos. Los resultados principales revelan
que 14 países muestran rendimientos variables a escala, lo que sugiere que
podrían reducir su ineficiencia técnica aprovechando economías de escala
internas.
Ablanedo-Rosas et al. (2020), llevaron a cabo un
análisis exhaustivo de la eficiencia en empresas mexicanas de suministro de
agua durante 2016, empleando un modelo DEA orientado a insumos junto con un
análisis de regresión truncada bootstrap.
Los insumos considerados fueron la distribución de agua, el número de empleados
y las cuentas con pago puntual; mientras que los productos evaluados incluyeron
las ratios de coste de producción, el volumen de agua producida y los gastos
totales. Los resultados sugieren que las empresas deben enfocarse en reducir
las fugas y mejorar la cobertura del alcantarillado para incrementar su
eficiencia.
Finalmente, Bronner,
See y Yu (2022) desarrollaron un
modelo DEA dinámico que permite analizar simultáneamente el suministro público
de agua, los servicios de aguas residuales y la dotación natural de agua,
considerando también la demanda hídrica. Este modelo, aplicado a la economía del
agua en Alemania durante el período 2013-2016, proporciona una visión
exhaustiva del rendimiento a nivel de los estados federales. Con una doble
orientación, el modelo identifica tanto la sobreutilización de insumos como los
déficits de producción. Los resultados del estudio revelan, en general, altos
niveles de eficiencia en Alemania.
Algunos estudios en el contexto latinoamericano se han
enfocado únicamente en el análisis de la eficiencia del recurso hídrico
mediante el enfoque DEA, sin abordar el tema de la economía circular. Entre
estos estudios se encuentran los de Cunha y Garzón (2007); Scaratti, Michelon y Scaratti (2013); Urrunaga y Jara (2013); y, Salas y Salcedo (2014).
Los hallazgos destacan un creciente interés académico
en la economía circular aplicada a la gestión del agua, especialmente en el
tratamiento de aguas residuales. Sin embargo, se identifican vacíos en la
literatura, particularmente en América Latina, donde la integración de la
economía circular en la gestión del agua es aún limitada. La mayoría de los
estudios se centran en la eficiencia operativa de las empresas de suministro,
pero no abordan de manera integral cómo los principios de circularidad pueden
transformar estos sistemas. Se requiere un enfoque más holístico que incorpore
tecnologías innovadoras y modelos de gestión sostenibles para enfrentar los
desafíos de la escasez de agua y promover la resiliencia en un contexto de
creciente urbanización y cambio climático.
2. Metodología
2.1. Método de estimación
El DEA, desarrollado por Charnes, Cooper y Rhodes (1978), se ha destacado en estudios que evalúan la
eficiencia, productividad y rendimiento de un conjunto de unidades. Su
flexibilidad y capacidad de adaptación a diversos problemas han facilitado su
aplicación en numerosos campos, como la energía, la agricultura, la banca y la
industria (Emrouznejad
y Yang, 2018), así como en políticas
públicas (Zeng,
2019; Mao et al., 2020; Lopes
et al., 2020; Benito, Martínez-Córdoba
y Guillamón, 2021; Zou et al., 2021; Yadava y Neog, 2022). Aunque su uso sigue siendo limitado en el análisis
de residuos sólidos y líquidos, su aplicación está en expansión.
La metodología DEA compara la eficiencia técnica de
organizaciones o DMU que operan en entornos similares y que manejan múltiples
insumos y productos. Una DMU se considera eficiente si no hay ninguna otra DMU
o combinación lineal de DMU que pueda mejorar alguno de sus productos (DEA
orientado a salidas) o insumos (DEA orientado a entradas) sin empeorar la
eficiencia de otra DMU. Una DMU es eficiente cuando
alcanza la unidad, lo que indica que está en la frontera de producción,
de acuerdo con el criterio de Pareto (Benito et al., 2021).
El primer paso para aplicar esta metodología es
definir y seleccionar la unidad a evaluar. A continuación, se deben elegir los
insumos y productos sobre los cuales los directivos tienen mayor influencia y
control (Aristovnik, Seljak y
Mencinger, 2014). El tercer paso
consiste en seleccionar el tipo de rendimiento a escala, que define la forma de
la frontera de eficiencia. Los modelos clásicos son: CCR, formulado por Charnes et al. (1978), que considera retornos
constantes a escala (Constant Return to
Scale, CRS), y BCC, desarrollado por Banker, Charnes y Cooper (1984), que
considera retornos variables a escala (Variable
Return to Scale, VRS). El
modelo BCC, una variación del CCR, añade una restricción para asegurar que cada
DMU se compare con otras de tamaño similar. Todos los modelos DEA buscan
estimar la tecnología mediante extrapolación mínima, aunque difieren en los
supuestos utilizados (Bogetoft y Otto, 2011).
En el cuarto paso se especifica el concepto de
distancia, seleccionando la medida de proximidad de cada DMU respecto al punto
proyectado en la frontera de eficiencia. El DEA ofrece dos enfoques: Uno de minimización
de insumos, que busca reducirlos mientras se mantiene el nivel de producción; y
otro de maximización de producción, que busca aumentarla con los insumos
actuales.
Los gobiernos enfrentan una creciente presión en la
gestión de servicios públicos debido a la alta demanda y los recursos
financieros limitados. Los trece países en la muestra luchan con presupuestos
ajustados mientras intentan mantener la estabilidad en los servicios, lo que
les impide operar a escala óptima (Parra,
García y Rodríguez, 2015). Reducir
costos y mejorar el servicio simultáneamente parece un objetivo difícil, por lo
que mejorar la eficiencia para maximizar la producción con recursos limitados
surge como una solución viable (Akdogan, 2012; Benito et al., 2021). En este análisis DEA se han
utilizado los modelos CCR y BCC, orientados a la producción, para maximizar los
resultados con el nivel de recursos disponible (Benito, Bastida y García, 2010).
En el Cuadro 1, se presentan los modelos en su forma
dual, conocida como forma envolvente. A menudo se prefiere resolver el cálculo
utilizando la forma envolvente, puesto que contiene solo s + m restricciones, en
lugar de n + 1 restricciones como en la forma multiplicadora (Huguenin, 2012).
Cuadro
1
Modelos DEA orientados a las salidas con holguras
|
CCR |
BCC |
|
|
|
|
|
|
Sujeto a las restricciones: |
Sujeto a las restricciones: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Fuente: Elaboración propia a partir de Huguenin (2012).
Donde: i
es un subíndice para los insumos; k es un subíndice para las salidas; xij representa la cantidad de insumos
i consumidos por la DMUj; ykj denota la cantidad
de productos k producidos por la DMUj; n es el conjunto de DMU a evaluar,
que consumen m entradas para producir s salidas; hk+ y hi- son las variables
de holgura correspondientes a las s + m restricciones existentes;
λj son las variables de intensidad; y, ⋎J
es la eficiencia relativa de cada DMU. El modelo CRS puede modificarse relajando la
hipótesis de rendimientos constantes a escala al añadir una restricción de
convexidad
La aplicación de esta metodología se realiza para cada
DMU mediante un modelo de programación lineal no paramétrico, con el objetivo
de estimar una frontera lineal a trozos, determinada por las DMU eficientes.
Por esta razón, no se impone ninguna restricción en la forma funcional de la
relación entre insumos y productos (Charnes et al., 1997).
En la Figura I, se muestra la frontera de eficiencia
CRS (línea discontinua) y la frontera de eficiencia VRS (línea continua), para
ilustrar un ejemplo sencillo con una entrada y una salida. Se observa que solo
la DMU3 se encuentra en ambas fronteras. Las DMU1, DMU4, y DMU5 son eficientes
bajo el supuesto VRS, pero ineficientes bajo el supuesto CRS. Las DMU2 y DMU6
son ineficientes en ambas especificaciones.
Fuente:
Elaboración
propia, 2024.
Figura I: Retornos de
escala constantes versus variables
La metodología DEA se utiliza frecuentemente para estimar
la eficiencia de varias DMU en un periodo de tiempo específico, lo que puede
hacer que los resultados reflejen las condiciones de ese momento en particular.
Para evaluar los cambios en los niveles de productividad, en lugar de la
eficiencia, se emplea el índice de Malmquist,
que mide la evolución de la eficiencia relativa de cada DMU a lo largo del
tiempo (García-Sánchez,
Rodríguez-Domínguez y Parra-Domínguez, 2013). Färe et al. (1994), demuestran
cómo estimar las funciones de distancia de Shephard
en dos años consecutivos, utilizando métodos similares a los del DEA (Chen,
2017). Además, muestran que los índices de Productividad Total de los Factores
(PTF) resultantes pueden descomponerse en dos componentes: Cambio en la eficiencia
técnica y cambio técnico (Martínez
y Rueda, 2013).
Desde la perspectiva de la producción, estos índices
permiten interpretar las diferencias de productividad como capacidades
variadas, dadas las restricciones tecnológicas, para incrementar la producción
sin consumir más recursos (García-Sánchez
et al., 2013).
Valores de los índices superiores a 1 indican que la DMU es más productiva en
el segundo año en comparación con el primero.
2.2. Datos y descripción de variables
En este estudio, se han
seleccionado como DMU a trece países de Centro y Sur América, basados en su
capacidad para regenerar residuos líquidos o aguas residuales. Se recopilaron
series completas de datos para los años 2018 y 2020, provenientes principalmente
de AQUASTAT (2023), un portal de la Organización de las Naciones Unidas que
proporciona estadísticas nacionales sobre medio ambiente, salud, geografía,
población, desarrollo de riego y drenaje, recursos hídricos, y uso del agua.
Siguiendo el ciclo de la
economía circular del agua propuesto por Bronner et al. (2022), se han
seleccionado las siguientes variables para los cálculos de eficiencia:
a. Insumos: Extracción de agua total, medida en km3/año
o 109 m3/año; Aguas municipales producidas, medidas en km3/año o 109 m3/año;
y, Número
de habitantes urbanos por instalación municipal de tratamiento de aguas
residuales. De acuerdo con Zou et al. (2021), una mayor inversión de los
gobiernos locales en la capacidad de tratamiento de aguas residuales puede
reducir la contaminación ambiental y mitigar pérdidas por desastres.
b. Producción: Agua residual tratada
(primaria, secundaria y terciaria) producida anualmente por las instalaciones
municipales de tratamiento de aguas residuales de cada país, medida en km³/año
o 10⁹ m³/año (Halkos y Petrou, 2019).
Al igual que en el análisis de regresión, no se puede
garantizar la inclusión de todas las variables relevantes; sin embargo, se
seleccionaron aquellas con sentido práctico y datos específicos disponibles.
Esto no descarta la existencia de otras variables potencialmente apropiadas,
pero las elegidas son suficientes para demostrar la validez del enfoque
metodológico.
3. Resultados y discusión
El análisis de la economía circular
del agua se realizó aplicando los modelos CCR y BCC orientados a la producción,
con datos correspondientes al año 2020. El modelo CCR permite calcular la Eficiencia
Global (EG), considerando como unidad de referencia aquella con mayor
eficiencia entre todas las estudiadas. Por su parte, el modelo BCC calcula la Eficiencia
Técnica (ET), utilizando como referencia la unidad más eficiente dentro de su
tamaño. La Eficiencia de Escala (EE), se obtiene a partir del cociente entre
los dos índices.
La Tabla 1, presenta los estadísticos descriptivos de
las variables analizadas. El análisis de correlaciones entre los insumos y las
salidas, mostró una alta correlación positiva y significativa entre las
variables de agua extraída, agua producida y agua tratada. Este resultado es
consistente, puesto que estas variables corresponden a diferentes etapas del
ciclo de circularidad del recurso hídrico. Además, indica que los esfuerzos
para mejorar la eficiencia en una etapa pueden tener un impacto positivo en las
demás, resaltando la importancia de una gestión integrada del agua. Los
resultados presentados a continuación fueron obtenidos utilizando los softwares DEA-Solver y RStudio.
Tabla 1
Estadísticos descriptivos
|
Variable |
Mínimo |
Promedio |
Máximo |
Desviación Estándar |
|
Agua extraída |
0,14 |
3,61 |
16,13 |
5,18 |
|
Agua producida |
0,11 |
2,28 |
10,98 |
3,49 |
|
Habitantes por instalación de tratamiento |
4.056 |
318.573 |
1.676.794 |
453.504 |
|
Agua tratada |
0,01 |
1,00 |
6,50 |
2,06 |
Fuente: Elaboración
propia, 2024.
En la Tabla 2, se presenta las puntuaciones de
eficiencia que arrojaron los modelos DEA aplicados. Las puntuaciones de EG
muestran una media del 45,16%, lo que indica que más de la mitad de los países
no operan a su escala óptima. Once países fueron clasificados como
ineficientes, con una puntuación media del 35,19%. Al relajar el supuesto de CRS,
los índices de ET aumentan, con un promedio de 67,12% reflejando una mejor
utilización de los factores productivos para maximizar la producción. Sin
embargo, diez países siguen siendo ineficientes, con una puntuación media del
57,26%.
Tabla 2
Resultado Modelos CCR y BCC, orientación output,
año 2020
|
Países |
EG |
ET |
EE |
Clasificación
EE |
Tipo |
Super-eficiencia
(%) |
|
Brasil |
100,00 |
100,00 |
100,00 |
1 |
Constante |
650,67 |
|
Chile |
100,00 |
100,00 |
100,00 |
2 |
Constante |
136,22 |
|
Perú |
40,36 |
40,79 |
98,95 |
3 |
Creciente |
40,36 |
|
Nicaragua |
96,99 |
100,00 |
96,99 |
4 |
Creciente |
96,99 |
|
Colombia |
9,38 |
9,88 |
94,94 |
5 |
Constante |
9,38 |
|
México |
79,35 |
86,92 |
91,29 |
6 |
Constante |
79,35 |
|
Argentina |
16,99 |
18,66 |
91,05 |
7 |
Constante |
16,99 |
|
Ecuador |
50,14 |
57,97 |
86,49 |
8 |
Creciente |
50,14 |
|
Costa Rica |
23,25 |
30,86 |
75,34 |
9 |
Creciente |
23,25 |
|
República Dominicana |
18,64 |
27,52 |
67,73 |
10 |
Creciente |
18,64 |
|
Bolivia |
35,90 |
100,00 |
35,90 |
11 |
Creciente |
35,90 |
|
El Salvador |
13,11 |
99,99 |
13,11 |
12 |
Creciente |
13,11 |
|
Guatemala |
2,93 |
99,96 |
2,93 |
13 |
Creciente |
2,93 |
|
Mínimo: |
2,93 |
9,88 |
2,93 |
|
|
|
|
Promedio: |
45,16 |
67,12 |
73,44 |
|
|
|
|
Promedios ineficientes: |
35,19 |
57,26 |
68,61 |
|
|
|
Fuente: Elaboración propia, 2024.
Al analizar la EE, que mide en qué medida un país
optimiza el tamaño de su producción, los resultados muestran una mejora con
puntuaciones que oscilan entre el 2,93% y el 100%, con una media del 73,44%.
Once países con puntuaciones inferiores al 100% se identifican como
ineficientes, con una puntuación media del 68,61%. Cabe indicar, que la mayoría de estos países ineficientes
operan con rendimientos crecientes a escala.
La clasificación de los países en grupos muestra que
Brasil y Chile conforman el grupo de los más eficientes, destacándose como
referentes en la región en cuanto al tratamiento de aguas residuales. En el
segundo grupo, se encuentran Perú, Nicaragua, Colombia y México, que muestran
un buen desempeño y solo requieren ajustes menores en su producción para
alcanzar la frontera de mejores prácticas. El tercer grupo, incluye a
Argentina, Ecuador y Costa Rica, que, a pesar de su buen desempeño, necesitan
mejorar sus economías de escala internas para reducir el desperdicio. En el
último grupo, están República Dominicana, Bolivia, El Salvador y Guatemala, que
presentan las puntuaciones más bajas y requieren esfuerzos significativos para
aumentar el volumen de tratamiento de aguas residuales.
Los dos países más eficientes, Brasil y Chile,
mantienen puntuaciones de 100% en EG, ET y EE. No obstante, comparar
directamente sus niveles de rendimiento es complejo debido a que ambos obtienen
la misma puntuación. Para resolver esto, se utiliza la puntuación de
super-eficiencia sugerida por Anderson y Petersen (1993), una versión modificada
del DEA que compara DMU eficientes con una tecnología de referencia que incluye
todas las demás unidades. Los resultados muestran que los países eficientes
pueden clasificarse de la siguiente manera (con puntuaciones de
super-eficiencia entre paréntesis): Brasil (650) y Chile (136) (ver Tabla 2).
En cuanto a la variación de la productividad total de
los factores, al comparar los años 2018 y 2020 mediante el Índice de Malmquist, se observa que cinco países
no han experimentado cambios en su productividad. Solo Brasil, Perú y Nicaragua
muestran mejoras en productividad, lo que indica que los resultados en el tratamiento
del agua fueron proporcionalmente superiores al volumen de agua tratada. Por el
contrario, Chile, Colombia, Ecuador, México y República Dominicana, presentan
las puntuaciones más bajas (ver Tabla 3).
Tabla 3
Resultado Índice de Malmquist por el periodo 2018
y 2020
|
Clasificación |
Países |
Índice de
Malmquist |
Cambio en
eficiencia técnica |
Cambio Tecnológico |
|
1 |
Brasil |
1,1382 |
1,0052 |
1,1324 |
|
2 |
Perú |
1,0566 |
1,0387 |
1,0173 |
|
3 |
Nicaragua |
1,0526 |
1,0526 |
1,0000 |
|
4 |
Argentina |
1,0000 |
1,0000 |
1,0000 |
|
5 |
Bolivia |
1,0000 |
1,0000 |
1,0000 |
|
6 |
Costa Rica |
1,0000 |
1,0000 |
1,0000 |
|
7 |
El Salvador |
1,0000 |
1,0000 |
1,0000 |
|
8 |
Guatemala |
1,0000 |
1,0000 |
1,0000 |
|
9 |
Chile |
0,9970 |
1,0000 |
0,9970 |
|
10 |
Colombia |
0,9965 |
0,9876 |
1,0090 |
|
11 |
Ecuador |
0,9936 |
0,9899 |
1,0038 |
|
12 |
México |
0,9885 |
1,0000 |
0,9885 |
|
13 |
República Dominicana |
0,4600 |
0,4385 |
1,0490 |
Fuente: Elaboración propia, 2024.
La mejora observada se atribuye principalmente al
cambio tecnológico y no a un incremento en la eficiencia técnica, que continúa
siendo una debilidad en algunos países de la región, como Ecuador, Colombia y
República Dominicana, lo cual tiene repercusiones directas en la calidad de
vida de la población.
Un aspecto importante a destacar es que, debido a la
falta de estudios previos a nivel estatal en los países de la región, no fue
posible realizar comparaciones detalladas que evalúen el desempeño de la
economía circular en el tratamiento eficiente de las aguas residuales. Esta ausencia de referencias
limita la identificación de áreas específicas de mejora y la definición de
parámetros de rendimiento adecuados. Esto
pone de manifiesto la necesidad urgente de investigaciones que aborden esta
temática y consideren las diversas economías y enfoques de gestión de recursos
hídricos en América Latina.
Conclusiones
El presente estudio evaluó la eficiencia en la
economía circular del agua mediante la aplicación de los modelos CCR y BCC
orientados a la producción, utilizando datos del año 2020. Los resultados
obtenidos ofrecen una perspectiva integral sobre el desempeño de los países de
Centro y Sudamérica en el tratamiento de aguas residuales, aportando
información clave para la toma de decisiones en políticas de gestión de
recursos hídricos.
Los modelos aplicados permitieron calcular la EG y la
ET de los países, revelando la capacidad de cada unidad de producción para
maximizar su output a partir de los
insumos disponibles. El modelo CCR destacó las DMU de referencia con mayor
eficiencia global; mientras que el modelo BCC permitió identificar las DMU más
eficientes dentro de su tamaño. Estos resultados evidencian que la eficiencia
en la gestión del agua no solo depende de la cantidad de recursos utilizados,
sino también del tamaño y escala de las unidades evaluadas.
La EE, obtenida a partir del cociente entre la EG y la
ET, permitió identificar si las DMU operan en una escala óptima. Este indicador
es esencial para comprender si los países están aprovechando plenamente su
capacidad de producción o si existen desequilibrios que limitan su rendimiento.
Los resultados permitieron clasificar a los países en
dos grupos: Eficientes e ineficientes. Brasil y Chile, que presentan sistemas
eficientes, utilizan plenamente su potencial de producción y se destacan como
líderes en la región. La identificación de las mejores prácticas y la adopción
de políticas exitosas de estos países líderes podrían impulsar mejoras
significativas en la gestión del agua a nivel regional. En contraste, los demás
países muestran un aprovechamiento subóptimo de su potencial productivo, lo que
los clasifica como ineficientes y seguidores. Este grupo debe realizar
esfuerzos sustanciales para mejorar el tratamiento de las aguas residuales.
Asimismo, los resultados del Índice de Malmquist revelan que solo Brasil, Perú
y Nicaragua, han experimentado un cambio positivo en la productividad; mientras
que Chile, Colombia, Ecuador, México y República Dominicana, muestran una
disminución en su productividad. Estos cambios están más asociados al progreso
tecnológico que a un aumento en la eficiencia técnica, la cual sigue siendo una
debilidad en la mayoría de los países de la región. La ineficiencia se traduce
en un desperdicio significativo de recursos en la gestión del tratamiento de
aguas residuales.
Los resultados obtenidos mediante los modelos DEA
proporcionan una base sólida para evaluar la eficiencia en la gestión del agua
en la región, subrayando la necesidad de implementar estrategias que optimicen
el uso de recursos en el ciclo de circularidad hídrica. Aunque el estudio
aporta información valiosa, se identificaron limitaciones debido a la falta de
datos completos y la escasez de estudios previos a nivel regional, lo que
condicionó la orientación del análisis.
Se recomienda continuar con investigaciones que
amplíen la base de datos y profundicen en los factores que afectan la
eficiencia técnica y de escala. Además, es habitual complementar este tipo de
estudios con un análisis de segunda etapa mediante regresiones, que incorpore
variables económicas, ambientales, sociales y de gobernanza, las cuales pueden
influir en el desempeño de la gestión hídrica.
Referencias
bibliográficas
Ablanedo-Rosas, J. H., Guerrero,
A., Olivares-Benitez, E., Sánchez-García, J. Y., y Nuñez-Ríos, J. E. (2020). Operational
efficiency of mexican water utilities: Results of a Double-Bootstrap data
envelopment analysis. Water, 12(2), 553. https://doi.org/10.3390/w12020553
Akdogan,
H. (2012). The efficiency of police stations in the city of Ankara: An application
of data envelopment analysis. Policing: An International Journal, 35(1),
25-38. https://doi.org/10.1108/13639511211215432
Andersen,
P., y Petersen, N. C. (1993). A procedure for ranking efficient units in data
envelopment analysis. Management
Science, 39(10),
1261-1264. https://doi.org/10.1287/mnsc.39.10.1261
AQUASTAT (2023). AQUASTAT - Sistema mundial de información de la FAO
sobre el agua en la agricultura. AQUASTAT. https://www.fao.org/aquastat/es/countries-and-basins/
Aristovnik,
A., Seljak, J., y Mencinger, J. (2014). Performance measurement of police
forces at the local level: A non-parametric mathematical programming approach. Expert
Systems with Applications, 41(4, Part 2), 1647-1653. https://doi.org/10.1016/j.eswa.2013.08.061
Banker,
R. D., Charnes, A., y Cooper, W. W. (1984). Some models for estimating
technical and scale inefficiencies in data envelopment analysis. Management
Science, 30(9), 1078-1092. https://doi.org/10.1287/mnsc.30.9.1078
Benito, B., Bastida, F., y García,
J. A. (2010). Explaining differences in efficiency: An application to
Spanish municipalities. Applied
Economics, 42(4),
515-528. https://doi.org/10.1080/00036840701675560
Benito,
B., Martínez-Córdoba, P.-J., y Guillamón, M.-D. (2021). Measurement and
determinants of efficiency in the municipal police service. Evaluation and
Program Planning, 85, 101904. https://doi.org/10.1016/j.evalprogplan.2020.101904
Bogetoft,
P., y Otto, L. (2011). Benchmarking with DEA, SFA, and R. Springer
Science & Business Media.
Brears,
R. C. (2020). Developing the Circular Water Economy. Springer
International Publishing. https://doi.org/10.1007/978-3-030-32575-6
Bronner,
M., See, K. F., y Yu, M.-M. (2022). Circular water economy performance
evaluation based on dynamic network data envelopment analysis. Journal of
Cleaner Production, 367, 132474. https://doi.org/10.1016/j.jclepro.2022.132474
Byrnes,
P. (1987). Ownership and Efficiency in the Water Supply Industry: An
Application of the Nonparametric Programming Approach to Efficiency Measurement
[Doctoral thesis, Southern Illinois University]. https://elibrary.ru/item.asp?id=7491765
Casiano, C., Bressers, H.,
Gutierrez, C., y De Boer, C. (2018). Towards circular economy – A
wastewater treatment perspective, the Presa Guadalupe case. Management
Research Review, 41(5), 554-571. https://doi.org/10.1108/MRR-02-2018-0056
Cerdá, E., y Khalilova, A. (2016). Economía Circular. Economía Circular, Estrategia y
Competitividad Empresarial, (401),
11-20. https://www.mintur.gob.es/Publicaciones/Publicacionesperiodicas/EconomiaIndustrial/RevistaEconomiaIndustrial/401/CERD%C3%81%20y%20KHALILOVA.pdf
Charnes,
A., Cooper, W., Lewin, A. Y., y Seiford, L. M. (1997). Data Envelopment Analysis
theory, Methodology and Applications. Journal of the Operational Research
Society, 48(3), 332-333. https://doi.org/10.1057/palgrave.jors.2600342
Charnes,
A., Cooper, W. W., y Rhodes, E. (1978). Measuring the efficiency of decision
making units. European Journal of Operational Research, 2(6),
429-444. https://doi.org/10.1016/0377-2217(78)90138-8
Chen,
C. C. (2017). Measuring departmental and overall regional performance: Applying
the multi-activity DEA model to Taiwan’s cities/counties. Omega,
67, 60-80. https://doi.org/10.1016/j.omega.2016.04.002
Cook,
W. D., y Seiford, L. M. (2009). Data Envelopment Analysis (DEA) – Thirty years
on. European Journal of Operational Research, 192(1), 1-17. https://doi.org/10.1016/j.ejor.2008.01.032
Cunha, R., y Garzón, F. H. (2007). Performance-based
potable water and sewer service regulation: The regulatory model. Cuadernos de Administración, 20(34),
283-298. https://revistas.javeriana.edu.co/index.php/cuadernos_admon/article/view/4054
Donati, F., Aguilar-Hernandez, G.
A., Sigüenza-Sánchez, C. P., De Koning, A., Rodrigues, J. F. D., y Tukker, A.
(2020). Modeling
the circular economy in environmentally extended input-output tables: Methods,
software and case study. Resources, Conservation and Recycling, 152,
104508. https://doi.org/10.1016/j.resconrec.2019.104508
Emrouznejad, A., y Yang, G.-L.
(2018). A
survey and analysis of the first 40 years of scholarly literature in DEA:
1978–2016. Socio-Economic Planning Sciences, 61, 4-8. https://doi.org/10.1016/j.seps.2017.01.008
Färe,
R., Grosskopf, S., Norris, M., y Zhang, Z. (1994). Productivity growth,
technical progress and efficiency change in industrialized countries. American
Economic Review, 84(1), 66-83.
Fundación
CONAMA (2019). Agua y economía
circular. Fundación CONAMA. https://www.fundacionconama.org/wp-content/uploads/Agua-y-Economia-Circular.pdf
Fundación Endesa (2021).
Smart city. Fundación Endesa. https://www.fundacionendesa.org/es/educacion/endesa-educa/recursos/smart-city
García, N. (11 de febrero de 2020).
La guerra del agua: Países con mayor escasez de agua. Ayuda en Acción. https://ayudaenaccion.org/blog/sostenibilidad/guerra-agua-paises-escasez/
García-Sánchez, I.-M.,
Rodríguez-Domínguez, L., y Parra-Domínguez, J. (2013). Yearly
evolution of police efficiency in Spain and explanatory factors. Central
European Journal of Operations Research, 21(1), 31-62. https://doi.org/10.1007/s10100-011-0207-6
Giannakitsidou,
O., Giannikos, I., y Chondrou, A. (2020). Ranking European countries on the
basis of their environmental and circular economy performance: A DEA
application in MSW. Waste Management, 109, 181-191. https://doi.org/10.1016/j.wasman.2020.04.055
Gupta, S., Kumar, S., y Sarangi, G.
K. (2012). Measuring the performance of water service providers in
urban India: Implications for managing water utilities. Water Policy, 14(3),
391-408. https://doi.org/10.2166/wp.2011.109
Halkos, G., y Petrou, K. N. (2019).
Treating
undesirable outputs in DEA: A critical review. Economic Analysis and Policy,
62, 97-104. https://doi.org/10.1016/j.eap.2019.01.005
Hsu, Y.-C., y Lee, C.-C. (2014). Performance
measurement in public spending: Evidence from a non-parametric approach. Romanian
Journal of Economic Forecasting, XVII(3),
136-159. https://ipe.ro/rjef/rjef3_14/rjef3_2014p136-159.pdf
Huguenin,
J.-M. (2012). Data Envelopment Analysis (DEA): A pedagogical guide for
decision makers in the public sector. IDHEAP – Cahier 276. IDHEAP,
Lausanne
Ihobe (2018). Indicadores de
Economía Circular EUSKADI 2018: Marco de Seguimiento Europeo. Ihobe,
Sociedad Pública de Gestión Ambiental. https://www.euskadi.eus/contenidos/informacion/economia_circular/es_def/adjuntos/Indicadores_economia_circular_pais_vasco_2018.pdf
Kaszycki, P., Głodniok, M., y
Petryszak, P. (2021). Towards a bio-based circular economy in organic
waste management and wastewater treatment – The Polish perspective. New
Biotechnology, 61, 80-89. https://doi.org/10.1016/j.nbt.2020.11.005
Lambert, D. K., Dichev, D., y Raffiee, K. (1993). Ownership
and sources of inefficiency in the provision of water services. Water
Resources Research, 29(6), 1573-1578. https://doi.org/10.1029/93WR00285
Lopes, F., De Araújo, J. R., Da Silva, P. E. N. T. B., y Lins, D. C. (2020).
Segurança PÚBLICA estadual
brasileira: O que influencia seu desempenho? REUNIR Revista de Administração
Contabilidade e Sustentabilidade, 10(1), 89-99. https://reunir.revistas.ufcg.edu.br/index.php/uacc/article/view/889
Lo
Storto, C. (2013). Are Public-private partnerships a source of greater
efficiency in water supply? Results of a non-parametric performance analysis
relating to the Italian industry. Water, 5(4), 2058-2079. https://doi.org/10.3390/w5042058
Louzada, C. (26 de noviembre de 2020).
El agua, un recurso que se agota
por el crecimiento de la población y el cambio climático. Naciones
Unidas. https://news.un.org/es/story/2020/11/1484732
Mao,
L., Zhou, N., Zhang, T., Du, W., Peng, H., y Zhu, L. (2020). An AHP/DEA
Methodology for the Public Safety Evaluation. In X. Sun, J. Wang y E. Bertino
(Eds.), Artificial Intelligence and Security (pp. 341-352). Springer
International Publishing. https://doi.org/10.1007/978-3-030-57881-7_31
Martínez, A., y Rueda, N. (2013). A productivity
and efficiency analysis of the security and defence technological and
industrial base in Spain. Defence and Peace Economics, 24(2),
147-171. https://doi.org/10.1080/10242694.2012.663581
Mavhungu,
A., Masindi, V., Foteinis, S., Mbaya, R., Tekere, M., Kortidis, I., y
Chatzisymeon, E. (2020). Advocating circular economy in wastewater treatment:
Struvite formation and drinking water reclamation from real municipal
effluents. Journal of Environmental Chemical Engineering, 8(4),
103957. https://doi.org/10.1016/j.jece.2020.103957
Muñoz, J. L., y
Bustos, R. (2021). Gestión integrada de recursos hídricos y gobernanza:
Subcuenca del río Vinces, provincia Los Ríos-Ecuador. Revista de Ciencias
Sociales (Ve), XXVII(E-3),
471-497. https://doi.org/10.31876/rcs.v27i.36532
Nika, C. E., Vasilaki, V.,
Expósito, A., y Katsou, E. (2020). Water cycle and circular economy:
Developing a circularity assessment framework for complex water systems. Water Research, 187, 116423. https://doi.org/10.1016/j.watres.2020.116423
Núñez-Tabales, J.
M., Del Amor-Collado, E., y Rey-Carmona, F. J. (2021). Economía circular en la
industria de la moda: Pilares básicos del modelo. Revista de Ciencias
Sociales (Ve), XXVII(E-4),
162-176. https://doi.org/10.31876/rcs.v27i.37000
Oblitas, J. F.,
Sangay, M. E., Rojas, E. E., y Castro, W. M. (2019). Economía circular en
residuos de aparatos eléctricos y electrónicos. Revista de Ciencias Sociales
(Ve), XXV(4), 196-208. https://produccioncientificaluz.org/index.php/rcs/article/view/30527
Parra, J., García, I. M., y
Rodríguez, L. (2015). Relationship between police efficiency and crime
rate: A worldwide approach. European Journal of Law and Economics, 39(1),
203-223. https://doi.org/10.1007/s10657-013-9398-8
Picazo-Tadeo, A. J., González-Gómez,
F., y Sáez-Fernández, F. J. (2009). Accounting for operating
environments in measuring water utilities’ managerial efficiency. The
Service Industries Journal, 29(6), 761-773. https://doi.org/10.1080/02642060802190300
Robaina, M., Murillo, K., Rocha,
E., y Villar, J. (2020). Circular economy in plastic waste—Efficiency
analysis of European countries. Science of The Total Environment, 730,
139038. https://doi.org/10.1016/j.scitotenv.2020.139038
Roccaro,
P. (2018). Treatment processes for municipal wastewater reclamation: The
challenges of emerging contaminants and direct potable reuse. Current
Opinion in Environmental Science & Health, 2, 46-54. https://doi.org/10.1016/j.coesh.2018.02.003
Roychand,
R., Kumar, B., Zhang, G., y Setunge, S. (2020). Recycling steel slag from
municipal wastewater treatment plants into concrete applications – A step
towards circular economy. Resources, Conservation and Recycling, 152,
104533. https://doi.org/10.1016/j.resconrec.2019.104533
Salas, E. E., y Salcedo, F. E. (2014).
Eficiencia y productividad en la
cobertura de agua potable y saneamiento básico en el Departamento de Bolívar [Tesis de pregrado, Universidad de Cartagena]. https://repositorio.unicartagena.edu.co/entities/publication/88ea6979-dbe1-4606-a51b-574d9137ec58
Scaratti, D., Michelon, W., y Scaratti, G. (2013). Avaliação da eficiência da gestão dos serviços
municipais de abastecimento de água e esgotamento sanitário utilizandoData
Envelopment Analysis. Engenharia Sanitaria e Ambiental, 18(4)
333-340. https://doi.org/10.1590/S1413-41522013000400005
Urrunaga, R., y Jara, O. (2013).
Fronteras de eficiencia y cambio tecnológico en las empresas proveedoras de
agua en Perú. Atlantic Review of
Economics: Revista
Atlántica de Economía, 2(1),
8-38. https://www.unagaliciamoderna.com/eawp/eawp.asp?qsa=ES&qsb=253&qsc=318&qsd=316
Voulvoulis,
N. (2018). Water reuse from a circular economy perspective and potential risks
from an unregulated approach. Current Opinion in Environmental Science &
Health, 2, 32-45. https://doi.org/10.1016/j.coesh.2018.01.005
Winans,
K., Kendall, A., y Deng, H. (2017). The history and current applications of the
circular economy concept. Renewable and Sustainable Energy Reviews, 68(Part
1), 825-833. https://doi.org/10.1016/j.rser.2016.09.123
Yadava, A. K., y Neog, Y. (2022). Public
sector performance and efficiency assessment of Indian states. Global
Business Review, 23(2), 493-511. https://doi.org/10.1177/0972150919862664
Yong,
R. (2007). The circular economy in China. Journal of Material Cycles and
Waste Management, 9(2), 121-129. https://doi.org/10.1007/s10163-007-0183-z
Zeng,
Y.-Y. (2019). Urban public safety risk assessment of 35 Cities in China based
on context-dependent DEA approach and DEASort. E3S Web of Conferences, 136, 04094. https://doi.org/10.1051/e3sconf/201913604094
Zhindon-Almeida,
R. G., Sánchez-Ancajima, R. A., y Castañeda-Guzmán, W. J. (2024). Análisis
estadístico de parámetros de calidad del agua del Estero El Macho en la ciudad
de Machala-Ecuador. Revista de Ciencias Sociales (Ve), XXX(E-3) 489-513.
https://doi.org/10.31876/rcs.v30i.42329
Zou, Y., He, Y., Lin, W., y Fang, S. (2021). China’s
regional public safety efficiency: A data envelopment analysis approach. The
Annals of Regional Science, 66(2), 409-438. https://doi.org/10.1007/s00168-020-01025-y
* Máster en Economía. Académico del Departamento de Seguridad y Defensa en la Universidad de las Fuerzas Armadas ESPE, Sangolquí, Ecuador. E-mail: mgsanchez7@espe.edu.ec ORCID: https://orcid.org/0000-0002-5638-9882
** Doctor en Economía. Académico de
la Facultad de Ingeniería y Empresa en la Universidad Católica Silva Henríquez,
Santiago, Chile. E-mail: cgutierrez@ucsh.cl
ORCID: https://orcid.org/0000-0001-8607-1528
*** Doctor en Política y Gestión Educativa. Investigador en la Universidad
de Tarapacá, Arica, Tarapacá, Chile. E-mail: pviancos@gestion.uta.cl ORCID: https://orcid.org/0000-0003-4550-3608 (Autor de correspondencia)
**** Doctoranda en Educación con mención en Gestión
Educativa. Magíster en Educación con mención en Gestión de Calidad. Psicóloga. Profesora
en la Universidad Miguel de Cervantes, Santiago, Chile. E-mail: patricia.gonzalez@profe.umc.cl ORCID: https://orcid.org/0000-0003-1511-8442
Recibido: 2024-04-09 · Aceptado: 2024-06-29