EFICIENCIA EN LA PREVENCIÓN Y GESTIÓN
INTEGRAL DE RESIDUOS SÓLIDOS
SELECTIVOS Y NO SELECTIVOS EN MÉXICO,
2017 -2019
EFFICIENCY IN THE PREVENTION AND INTEGRAL
MANAGEMENT OF SELECTIVE AND NON-SELECTIVE
SOLID WASTE IN MEXICO, 2017 -2019
Rodrigo Gómez Monge
Facultad de Economía Vasco de Quiroga de la UMSNH, México
Gladis Cruz Romero
Instituto de Investigaciones Económicas y empresariales de la UMSNH, México
pág. 7435
DOI: https://doi.org/10.37811/cl_rcm.v8i3.11948
Eficiencia en la Prevención y Gestión Integral de Residuos Sólidos
Selectivos y no Selectivos en México, 2017 -2019
Rodrigo Gómez Monge1
rodrigo.gomez@umich.mx
Facultad de Economía Vasco de Quiroga
de la UMSNH
México
Gladis Cruz Romero
0644163c@umich.mx
Instituto de Investigaciones Económicas y
empresariales de la UMSNH
México
RESUMEN
El documento tiene la finalidad de determinar y analizar el nivel de eficiencia en la prevención y gestión
integral de residuos sólidos selectivos y no selectivos en México, en los años 2017 y 2019, a través de la
utilización de diferentes metodologías como, el análisis envolvente de datos (DEA), el análisis factorial
de correspondencias (AFC) y el índice de productividad de Malmquist (IPM). Los resultados alcanzados
muestran que la mayoría de las entidades federativas son ineficientes en el uso de los recursos, lo cual
disminuye su productividad, de igual forma, se muestra que, las entidades con una separación
diferenciada de residuos pueden alcanzar mejores niveles de eficiencia que las que no lo hacen.
Palabras clave: residuos sólidos urbanos, eficiencia, productividad, análisis envolvente de datos, análisis
factorial
1
Autor principal
Correspondencia: rodrigo.gomez@umich.mx
pág. 7436
Efficiency in the Prevention and Integral Management of Selective and
Non-Selective Solid Waste in Mexico, 2017 -2019
ABSTRACT
The purpose of the document is to determine and analyze the level of efficiency in the prevention and
integral management of selective and non-selective solid waste in Mexico, in the years 2017 and 2019,
through the use of different methodologies such as waste envelopment analysis. data (DEA),
correspondence factor analysis (CFA) and the Malmquist productivity index (MPI). The results obtained
show that the majority of federal entities are inefficient in the use of resources, which decreases their
productivity; in the same way, shows that entities with differentiated waste separation can achieve better
levels of efficiency than those that do not do so.
Keywords: urban solid waste, efficiency, productivity, data envelopment analysis, factorial analysis
Artículo recibido 24 mayo 2024
Aceptado para publicación: 27 junio 2024
pág. 7437
INTRODUCCIÓN
La gestión integral de residuos sólidos urbanos, es un conjunto articulado e interrelacionado de acciones
para el manejo de residuos, que atiende desde su generación hasta la disposición final, y tiene por objeto
reducir los efectos negativos que estos puedan ocasionar al ser humano y al medio ambiente. En este
sentido, un deficiente sistema de prevención y gestión de residuos sólidos urbanos, trae consigo efectos
adversos, en diferentes ámbitos; en lo económico, de acuerdo con el Banco Mundial (2018), en países
como México, el costo de recolección por tonelada de basura oscila entre los 20 y 90 dólares, lo cual
representa aproximadamente el 20% de la partida presupuestaria de los gobiernos locales. Por otro lado,
autores como, Jaramillo, 1999; Marateo, 2013; Jiménez, 2017; Cortinas, 2004 y 2018, comentan que,
en materia de residuos sólidos, los principales daños a la salud y el medio ambiente están causados por
la falta de conocimiento y conciencia de la población para un tratamiento adecuado, la falta de recursos
para apoyar y garantizar una adecuada disposición de residuos, el incremento poblacional y los sistemas
de gestión poco eficientes.
El tema de la prevención y gestión de los residuos, es algo que concierne a todos, pese a esto, la
disposición de los residuos sólidos parece ser subestimada, tanto por los gobiernos, como por los
individuos, ya que actualmente se genera en las zonas urbanas de México un kilogramo de basura por
habitante al día, aproximadamente, sin tener preocupación alguna por cómo será dispuesta, ni por cuáles
son los costos que se tienen que pagar para darle un tratamiento adecuado, lo cual conduce a que en un
país con recursos limitados, los presupuestos para la gestión de residuos sean insuficientes,
desencadenando negativos efectos económicos, ambientales, de salud, y sociales (Cortinas, 2004).
Uno de los objetivos de la política ambiental en México, es aprovechar de manera eficiente el uso de los
recursos, sin embargo, es difícil analizar si en materia de residuos sólidos urbanos se está alcanzando
este objetivo, ya que pese a los esfuerzos de los gobiernos federales, estatales y municipales por legislar
y fomentar el diseño de programas que permitan alcanzar este objetivo, resulta difícil determinar la
metodología e indicadores que permitan analizar la eficiencia en esta materia.
En este sentido, el problema identificado es la falta de medición de la eficiencia y de sus variaciones en
el tiempo, del sistema de prevención y gestión integral de residuos sólidos, lo cual impide a los
organismos públicos y privados, vinculados con el manejo de residuos sólidos, conocer la eficiencia
pág. 7438
técnica, económica y ambiental del sistema y esto conduce a la toma de decisiones poco informadas.
Por lo tanto, la presente investigación busca medir la eficiencia en la prevención y gestión integral de
residuos sólidos selectivos y no selectivos en México, 2017 y 2019. utilizando la metodología DEA, de
tal forma que la hipótesis de trabajo es que la mayoría de entidades federativas de México fueron
ineficientes y no presentaron mejoras en su productividad en la utilización de programas, centros de
acopio, estaciones de transferencia, plantas de tratamiento, vehículos, mano de obra y sitios de
disposición final, para la recolección de residuos sólidos urbanos en los años 2017 y 2019.
METODOLOGÍA
Diseño de la investigación
Esta investigación se realiza, a través del método científico, ya que es un estudio sistemático,
controlado, empírico y crítico de las hipótesis propuestas, así como de la relación de sus variables
(Kerlinger y Lee, 2002); se utiliza el método en su variación de hipotético - deductivo, pues se parte de
unas aseveraciones en calidad de hipótesis y se busca refutar o falsear tales hipótesis, deduciendo de
ellas conclusiones que deben confrontarse con hechos.
La investigación tiene un alcance descriptivo, ya que establece las características y elementos que se
deben de considerar en la gestión integral de residuos sólidos urbanos para poder alcanzar la eficiencia
del sistema; también es de tipo correlacional, ya que permite conocer cómo se relacionan diversos tipos
de variables existentes en los procesos de la gestión de residuos sólidos, y el efecto que estas tienen en la
eficiencia y en las variaciones de productividad.
Conceptualización y métodos de estimación de la eficiencia
Una de las primeras definiciones de eficiencia, es la propuesta por Koopmans (1951), quien afirmó que
una combinación factible de inputs y outputs es técnicamente eficiente, si es tecnológicamente
imposible aumentar algún output y/o reducir algún input sin reducir simultáneamente al menos otro
output y/o aumentar al menos otro input. Más tarde Farrell (1957) menciona que ser eficiente es lograr
producir el mayor producto posible a partir de un conjunto determinado de insumos; en este tenor, Farell
realiza una clasificación de la eficiencia y establece tres tipos de eficiencia: técnica, asignativa y global.
El estudio de los problemas de eficiencia por parte de la economía, pueden ser analizados a partir de dos
métodos, estos pueden ser de no frontera y los métodos de frontera (Navarro, 2005), por lo que a
pág. 7439
continuación se exponen algunas de las alternativas que pueden ofrecer estos dos métodos.
Método de no fronteras: los métodos de no-frontera pueden estar basados en números e índices, los cuales
muestra, por medio de su variación, los cambios a través del tiempo o el espacio de una magnitud que no
es en sí susceptible de medida directa o de observación directa en la práctica (Sumanth, 1990) o en
aquellos que consisten en verificar la habilidad de las unidades productivas para equiparar la
productividad de los factores a sus precios normalizados.
Método de fronteras y técnicas para su medición: dentro de las metodologías de fronteras, existen dos
ámbitos de trabajo establecidos, los cuales se clasifica dependiendo de la herramienta empleada a la hora
de determinar la frontera. Las técnicas de análisis de eficiencia a través de la “función frontera” se
consideran como las alternativas más adecuadas para medir la eficiencia de las entidades que conforman
el sector público, ya que para su aplicación se utilizan indicadores de inputs y outputs, que pueden ser
fácil de calcular para este tipo de entidades (Fernández y Flórez, 2000).
Técnicas econométricas de estimación: aquí se encuentran las fronteras estocásticas, las cuales a través
de una estimación econométrica se emplea la información de la muestra para obtener los parámetros de
la función específica previamente determinada (producción, costos, ingresos etc.) y mediante la
comparación con la frontera estimada, se calculan los índices de eficiencia de las unidades estudiadas.
Solo por mencionar algunos se encuentra (Datos panel, corte transversal).
Técnicas de programación matemática: Con esta técnica se emplea la programación matemática para
encontrar el conjunto de observaciones que delimitan la frontera, sin que ésta tenga que quedar reflejada
necesariamente en una forma funcional específica es aquí donde se encuentra la metodología de análisis
envolvente de datos (DEA).
Metodología de análisis envolvente de datos (DEA)
Data Envelopment analysis (DEA) es una herramienta de programación matemática no paramétrica que
permite obtener estimaciones necesarias para lograr determinar la eficiencia de diferentes unidades
productivas, fue desarrollada por Charnes, Cooper y Rhodes en 1978 (Charnes et al., 1978).
Al utilizar la metodología de análisis envolvente de datos, más allá de la definición que se utilice, se
buscará tomar como referencia la unidad de análisis más eficiente, por tanto, la formula básica que
expresa la eficiencia de una DMU es la siguiente:
pág. 7440
𝑛
∑
𝑊𝑗𝑘
𝑗
=1
Output jk
Eficiencia
k
=
K=1,…,N
(1)
𝑚
∑
𝑉
𝑖𝑘
𝑖
=1
Input ik
Donde:
Vik = Peso unitario del input i Wjk = Peso unitario del output j
K= Unidad de toma de decisión (DMU) m= Factores de input
n= Factores de output.
En la formula anterior, la distancia de las DMU con respecto a su frontera de referencia, indica la medida
de eficiencia productiva (Segovia et al., 2009).
La metodología DEA se ha ido ampliado con el paso del tiempo, y ha logrado alcanzar diferentes
extensiones en sus modelos, dotando a esta técnica de una mayor aplicabilidad; una de las
ampliaciones de los modelos DEA está orientada al tratamiento de bad outputs, es decir, aquellos
productos no deseables, pero que son inherentes al proceso.
La siguiente expresión matemática del modelo DEA muestra la presencia de bad outputs, con
rendimientos variables a escala y orientación output, toda vez que esta orientación permite
simultáneamente maximizar el good output y minimizar el bad output (Liu et al., 2006; Seiford y Zhu,
2002).
(2)
pág. 7441
En donde: j(1…N)= son cada una de las unidades de toma de decisión, las cuales puede utilizar i
inputs (i=1,. I,) para producir d good outputs (d=1, ,D) yz bad outputs (z). Asignándole al
vector xij la cantidad de input utilizado por la DMUj, al vector ydj el número de good output d producido
por la DMUj, y al vector dzj el monto de bad output z producido por la DMU j. Siendo ε una constante
no-arquimediana, s la slack de las variables, y λj el vector de intensidad. La restricción ∑Nj=1λj=1 se
incorpora para asumir que la tecnología muestra rendimientos variables
a escala, el escalar ф representa
el máximo incremento/decremento radial para d y z producidos, por la unidad evaluada, variando su
rango entre 0 y 1; de forma que tomará valor unitario cuando la DMU sea eficiente y menor a la unidad
cuando sea ineficiente (Sueyoshi et al., 2010)
Variaciones de la eficiencia a través del tiempo
Los gobiernos requieren herramientas con las que puedan medir la eficiencia, de tal forma que las
decisiones que tomen al momento de gestionar sean las más apropiadas; en este sentido Orihuela (2018)
argumenta que debe de existir una combinación de técnicas e indicadores que permitan el seguimiento,
control y mejoramiento de la calidad del servicio que se proporciona y que
adicionalmente estos puedan compararse a través del tiempo. En este tenor, la presente investigación
analiza la situación dinámica de la eficiencia de los sistemas de prevención y gestión integral de residuos
sólidos en las entidades federativas, en momentos diferentes de tiempo, lo anterior mediante la
utilización del índice del Malmquist, el cual se describe en este punto.
De acuerdo con la OCDE (2015) la productividad es definida normalmente como una relación entre el
volumen de producción y el volumen de insumos, es decir, mide la eficiencia con la que se utilizan los
insumos de producción, como la mano de obra y el capital, en una economía para generar un
determinado nivel de producción, y es considerada como un elemento clave de crecimiento económico
y competitividad.
Al tratar de analizar y comparar la eficiencia obtenida por diversas unidades de análisis en diferentes
periodos de tiempo se presentan algunas situaciones relevantes que se tienen que atender, una de ellas
es que los resultados obtenidos para cada unidad dan origen a una frontera de posibilidades, la cual, si
presenta un cambio en los datos utilizados, o el tiempo de medición puede tener diferentes variaciones
pág. 7442
o desplazamientos (Banker y Morey, 1984); por lo anterior se hace necesario contar con una herramienta
que permita identificar cuáles son las causas de las variaciones de la eficiencia, o si es que, el
desplazamiento se debe solo al transcurso del tiempo.
En este tenor, el índice de productividad de Malmquist (IPM) fue introducido por el economista sueco
del mismo nombre en el año de 1953, el cual a partir de entonces ha sido utilizado y desarrollado por
diferentes investigadores (Caves, et al., 1985; Färe y Grosskopf, 1992; Färe et al., 1989; 1994; Thrall,
1996); este índice muestra las variaciones de la productividad total de los factores (PTF) de una unidad
de toma de decisiones (DMU), es decir las variaciones en la eficiencia y en la frontera tecnológica entre
dos periodos de tiempo, en un contexto de múltiples entradas y salidas (Cooper, Seiford, y Kaoru, 2007).
El IPM evalúa el cambio de la productividad de una DMU entre dos periodos de tiempo y es un ejemplo
de análisis comparativo, este puede ser definido en dos términos Catch up y Frontier- shift. El término
Catch up se refiere al grado en el que una DMU mejora o empeora su eficiencia, mientras que el término
Frontier-shift refleja el cambio en las fronteras eficientes entre dos periodos de tiempo (Cooper,
Seiford, y Kaoru, 2007).
El efecto catch- up (cambios sobre el tiempo en la eficiencia técnica) se representa mediante la
fórmula5.
Catch up=
Eficiencia de (x0,y0)2 con respecto a la frontera del periodo 2
(3)
Eficiencia de (x0,y0)1 con respecto a la frontera del periodo 1
Si el resultado obtenido Catch up > 1 significa progreso en la eficiencia relativa del periodo 2 respecto
del periodo 1, si Catch up = 1 la eficiencia permanece sin alteración entre los periodos de tiempo y si
Catch up < 1 significa que la (DMU) tuvo un retroceso en el nivel de eficiencia en el periodo 2 con
respecto al periodo 1.
Análisis factorial
Una de las desventajas de la utilización de los modelos DEA, es la sensibilidad de los resultados a causa
de la selección de variables; en este tenor las técnicas de Análisis Factorial de Correspondencias (AFC)
y Análisis de Componentes Principales (ACP), son una herramienta estadística que permite reducir y
pág. 7443
establecer relaciones de asociación entre las diferentes variables, por lo anterior, en este apartado se
describen algunos de los aspectos que involucra esta técnica.
El análisis factorial de correspondencias es una técnica de análisis estadístico multívariable que analiza
las relaciones de interdependencia entre variables. El AFC permite descubrir afinidades entre dos
conjuntos de variables, presentados en forma de tabla de contingencia, tanto de frecuencias como de
valores medios (Miquel, et al., 1997).
El análisis factorial permite la reducción de datos, y facilita explicar una estructura subyacente que no
puede ser observada en primera instancia dentro de un conjunto de variables observables al encontrar
un número reducido de factores subyacentes comunes (K factores) que linealmente reconstruyen las
variables originales (Guillermo et al., 2010)
xif = λ1fi1 + λ2jfi2 +…+ λkjfik + uij
(4)
Donde:
xif = Es el valor de la i-ésima observación de la j-ésima variable.
λkj= Es el conjunto de coeficientes lineales llamados cargas factoriales.
fik= Es la i-ésima observación del k-ésimo factor común (variable latente) con media 0 y varianza
1.
uij = Es un término de error aleatorio conocido como el factor único o factor específico asociado a la j-
ésima variable. Explica la variabilidad en xj (incluyendo la varianza ocasionada por errores
asociados a
la poca fiabilidad en la recolección de datos) que no es compartida con otras variables de la matriz de
variables observadas
Selección de las unidades de análisis y del modelo
Para medir la eficiencia del sistema de prevención y gestión integral de residuos, se requiere seleccionar
las unidades de análisis, así como realizar la verificación de la disponibilidad de los datos. en este
sentido, el objetivo de esta investigación es analizar los sistemas de prevención y gestión integral de las
32 entidades federativas de México (DMU’S), por lo que las unidades de análisis utilizadas serán las
que se muestran en la tabla 1.
pág. 7444
Tabla 1: Unidades de análisis (DMU’S)
No
Entidad Federativa
No
Entidad Federativa
1
Aguascalientes
17
Morelos
2
Baja California
18
Nayarit
3
Baja California Sur
18
Nuevo León
4
Campeche
20
Oaxaca
5
Coahuila de Zaragoza
21
Puebla
6
Colima
22
Querétaro
7
Chiapas
23
Quintana Roo
8
Chihuahua
24
San Luis Potosí
9
Ciudad de México
25
Sinaloa
10
Durango
26
Sonora
11
Guanajuato
27
Tabasco
12
Guerrero
28
Tamaulipas
13
Hidalgo
29
Tlaxcala
14
Jalisco
30
Veracruz
15
México
31
Yucatán
16
Michoacán de Ocampo
32
Zacatecas
Fuente: Elaboración propia con base en la documentación revisada.
Una vez definidas las unidades de análisis, se realiza una revisión de literatura sobre estudios que
utilizaron la metodología DEA aplicada al tema de residuos, lo anterior con el objetivo de sustentar
teóricamente la selección de variables; los resultados de la revisión se muestran en la tabla dos, la cual
contiene en la primera columna el indicador y en la segunda columna los autores que han utilizado la
variable con la metodología DEA.
pág. 7445
Tabla 2: Relación de variables utilizadas en el sistema de gestión y recolección de residuos
Variable
Autores
Residuos sólidos selectivos
Yang et al. (2018), Chen, Chung-Chiang. (2010), Ali M,
et.al. (2015) Worthington y Dollery, (2001), Bosch, et, al. (2001),
Cubbin et al. (1987), Bosch et. al. (1998), Sánchez
Recolección de
residuos sólidos
(2008), Lozano et al. (2004).
Salazar (2018, 2021), Mohamed et al. (2017), Quispe
(2020), Yang et al. (2018), Chen, Chung-Chiang. (2010),
Cavallin et.al. (2016), Ali M, et.al. (2015), Orihuela (2015), Worthington
y Dollery (2001), Álvarez et al. (2005), Chen y
Programas
Chen (2012), Vilardell (1988).
Quispe. (2020)
Centros de acopio
Ali M, et.al. (2015), Cubbin et al. (1987), Sánchez, (2008)
Estaciones de transferencia
Ali M, et.al. (2015), Cubbin et al. (1987)
Plantas de tratamiento
Yang et al. (2018), Sánchez, (2008)
Vehículos para
recolección de RSU
Salazar (2021), Mohamed et al. (2017), Chen, Chung- Chiang.
(2010), Cavallin et.al. (2016), Orihuela (2015),
Álvarez et al (2005), Cubbin et al. (1987), Bosch et. Al
Prestadores del
servicio de recolección
de residuos sólidos
(1998) Sánchez, (2008)
Salazar (2021). Chen, Chung-Chiang. (2010), Cavallin et.al. (2016),
Orihuela (2015), Álvarez et al. (2005), Chen y Chen (2012), Bosch, et,
al. (2001), Cubbin et al. (1987), Bosch et.
al. (1998), Sánchez, (2008), Moore et al. (2002) Cage y
Sitios de disposición final
Bravo (2002)
Ali M, et.al. (2015)
Fuente: Elaboración propia con base en la literatura revisada.
pág. 7446
RESULTADOS Y DISCUSIÓN
Análisis factorial
Como punto de partida se realiza un análisis factorial de las variables que se pretenden utilizar; de tal
forma que, adicional a la revisión empírica, el análisis pueda dar una mayor certeza de la selección de
entradas y salidas a utilizar en el modelo. En este sentido, los datos a utilizar serán los del Censo
Nacional de Gobiernos Municipales y Delegacionales (CNGMD) en los años 2017 y 2019,
información que es emitida de forma bienal por el Instituto Nacional de Estadística y Geografía
(INEGI).
Paso 1: Correlación de Pearson
La correlación de Pearson muestra la relación de los inputs con los outputs, de tal forma que permite
determinar si existe una relación entre ellos y de qué tipo es.
Tabla 3: Matriz de correlacionesa
Urbanos RSU
NS
S
Pro
Acop
Trans
Trat
Vehí
Emple
DF
Residuos Sólidos
1.000
.751
.706
.374
.525
.709
.608
.950
.934
.029
RSU no selectivos
751
1.000
.062
-.067
.028
.633
.797
.683
.620
.186
RSU selectivos
.706
.062
1.000
.637
.763
.392
.064
.704
.747
-.155
Programas
374
-.067
.637
1.000
.482
.224
-.013
.357
.372
-.334
Centros de Acopio
525
.028
.763
.482
1.000
.268
-.012
.600
.583
-.128
Estaciones de Transferencia
709
.633
.392
.224
.268
1.000
.594
.748
.689
.282
Plantas de Tratamiento
608
.797
.064
-.013
-.012
.594
1.000
.603
.556
.186
Vehículos
.950
.683
.704
.357
.600
.748
.603
1.000
.964
.103
Empleados
.934
.620
.747
.372
.583
.689
.556
.964
1.000
.077
Disposición Final
.029
.186
-.155
-.334
-.128
.282
.186
.103
.077
1.000
a. Determinante = 3.478E-11
Fuente: Elaboración propia con base en los cálculos realizados en SPSS.
Se puede observar que para la variable RSU, los inputs de programas y sitios de disposición final no
tienen una correlación significativa, para el output de residuos sólidos no selectivos, los inputs de
programas, centros de acopio y sitios de disposición final tienen una correlación débil, y para el output
de residuos sólidos selectivos las variables con menor correlación son, plantas de transferencia y
tratamiento, así como los sitios de disposición final.
pág. 7447
Paso 2: Idoneidad de los datos modelo
El siguiente paso es determinar si los outputs a considerar tienen las características que se requieren,
para ello se analiza el estadístico KMO y Bartlett, el cual evalúa todos los datos disponibles en conjunto.
La adecuación de la medida de muestreo de Kaiser-Meyer-Olkin (KMO) es una estadística que indica la
proporción de varianza en sus variables que puede ser causada por factores subyacentes. Los valores altos
(cerca de 1.0) generalmente indican que un análisis factorial puede ser funcional con sus datos.
Tabla 4: Prueba de KMO Y Bartlett
Medida Kaiser-Meyer-Olkin de adecuación de muestreo
.709
Prueba de esfericidad de Bartlett
Aprox. Chi-cuadrado
317.032
Gl
15
Sig.
.000
El valor obtenido en esta prueba fue de 0.709, por lo cual se puede afirmar que pasa la prueba de Kaier-
Meyer-Olkin (KMO). La prueba de esfericidad de Bartlett, presenta como hipótesis nula, que la matriz
de correlación es una matriz de identidad, lo que indicaría que sus variables no están relacionadas y, por
lo tanto, no son adecuadas para la detección de estructuras, para los datos utilizados en este trabajo el
valor Sig. es de 0.000, lo que indica que las variables si son adecuadas (Kaiser,1958).
Paso 3: Tabla de comunalidades
La tabla de comunalidades indica la proporción en la que se explica una variable por el resto de las
variables seleccionadas, permite identificar la dispersión de las variables, mostrando así, que tan
representativas son (Kendall 1990). Cuando en la tabla de comunalidades el nivel de extracción es menor
a 0.5 significa que la variable a estudiar no se está explicando bien dentro del modelo, por tanto, entre
más cercana a 1 esté la variable, mejor representada estará.
pág. 7448
Tabla 5: Comunalidades modelo 3
Inicial
Extracción
Programas
1.000
.651
C_Acopio
1.000
.786
E_Transferencia
1.000
.746
P_Tratamiento
1.000
.821
Vehículos
1.000
.949
Empleados
1.000
.902
Método de extracción: análisis de componentes principales.
Fuente: Elaboración propia con base en los cálculos realizados en SPSS.
La tabla muestra las comunalidades de las variables, las cuales en el valor inicial son iguales a uno,
cobrando sentido en la columna de extracción, donde se muestra que la representación es significativa
para todas las variables, ya que estas tienen valores superiores al .5.
Paso 4: Explicación de la varianza modelo
A continuación, se muestra que con dos componentes se explica el 80.911 por ciento de la varianza
total.
Tabla 6: Varianza total explicada modelo 3
Autovalores iniciales
Componente
Total
% de varianza
% acumulado
1
3.510
58.502
58.502
2
1.345
22.409
80.911
3
.572
9.528
90.439
4
.350
5.832
96.271
5
.196
3.266
99.536
6
.028
.464
100.000
Fuente: Elaboración propia con base en los cálculos realizados en SPSS.
Paso 5: Cálculo de una matriz que exprese la dependencia entre las variables
Después de realizar las pruebas de confiabilidad correspondientes se presenta la matriz de componentes,
la cual agrupa los indicadores en el componente que mejor lo define, por lo tanto, mientras mayor sea
el valor absoluto de la carga, más contribuye el factor sobre la variable (Pérez 2006; Kendall 1990). Para
este caso los indicadores se agrupan en dos componentes.
pág. 7449
Tabla 7: Matriz de componentea
Componente
1
2
Vehículos
.973
-.041
Empleados
.950
-.004
E_Transferencia
.808
-.305
Programas
.468
.657
P_Tratamiento
.630
-.651
C_Acopio
.626
.627
Método de extracción: análisis de componentes principales.
a. 2 componentes extraídos.
Fuente: Elaboración propia con base en los cálculos realizados en SPSS.
En la tabla 8 se muestra la matriz de componentes rotados, la cual muestra una mejor agrupación de las
variables, en cada componente, tal es el caso de los programas y centros de acopio.
Tabla 8: Matriz de componente rotadoa
Componente
1
2
P_Tratamiento
.882
-.209
E_Transferencia
.845
.179
Vehículos
.841
.490
Empleados
.802
.509
C_Acopio
.189
.866
Programas
.040
.806
Método de extracción: análisis de componentes principales.
Método de rotación: Varimax con normalización Kaiser.
a. La rotación ha convergido en 3 iteraciones.
Fuente: Elaboración propia con base en los cálculos realizados en SPSS.
Una vez desarrollado el análisis factorial, se reducen los datos a aquellas variables que se encuentran
con una correlación significativa, y un nivel de extracción < .5, de tal forma que, la estructura de los
datos que se emplean para aplicar el modelo de eficiencia son los que se muestran en la tabla 9, quedando
un total de seis inputs y dos outputs.
pág. 7450
Tabla 9: Inputs y outputs a utilizar en el modelo DEA
Variable
Definició
n
Indicador
Outputs
Residuos
sólidos
urbanos
(Bad output)
Son aquéllos que se producen en las casas
habitación como consecuencia de la eliminación
de los materiales que se utilizan en las actividades
domésticas.
Kilogramos diarios
recolectados de residuos
sólidos.
Residuos
sólidos
selectivos
Residuo que fue separado, seleccionado o
recogido en diferentes contenedores, con la
finalidad de ser reciclados o reutilizados.
Kilogramos diarios
recolectados de residuos
selectivos.
Programas
Serie ordenada de actividades y operaciones
necesarias para alcanzar los objetivos de la
LGPGIR.
Número de programas
(prevención, educación,
reciclaje etc.).
Centros
de
acopio
Instalación autorizada para la prestación de
servicios a terceros en donde se reciben, reúnen,
trasvasan y acumulan temporalmente residuos
para después ser enviados a instalaciones
autorizadas para su tratamiento, reciclaje,
reutilización, co-procesamiento o disposición
final.
Números de centros de
acopio en la entidad.
Inputs
Estaciones
de
transferencia
Conjunto de equipos e instalaciones donde se
lleva a cabo el trasbordo de residuos, de vehículos
recolectores o de carga en gran tonelaje, para
transportarlos hasta los sitios de destino final.
Número de
estaciones de
transferencia por entidad
Plantas
de
tratamiento
Lugar donde se llevan a cabo las operaciones que
tienen por objetivo modificar las características
físicas, químicas o biológicas de un residuo, con
la finalidad de reducir o neutralizar las sustancias
peligrosas que contienen los residuos, recuperar
materias o sustancias valorizables y facilitar el
uso como fuente de energía o adecuar el residuo
para su posterior tratamiento final.
Número de plantas de
Tratamiento en la entidad
pág. 7451
Vehículos
para
recolección
de RSU
Unidad acondicionada para efectuar el
transporte de residuos.
Número de vehículos en
operación.
Prestadores
del servicio
Personal que presta su servicio y hace posible la
recolección de residuos.
Número de personas
empleadas en el servicio de
recolección
Fuente: Elaboración propia con base en la literatura revisada y los resultados del análisis factorial.
Desarrollo del Modelo DEA
El modelo DEA que se desarrolla es de eficiencia técnica con rendimientos variables a escala – VRS–
de orientación output, incluyendo como bad output, los residuos sólidos selectivos. El propósito del
modelo es realizar un análisis de los inputs y outputs seleccionados para cada unidad de decisión, de tal
forma que se logre encontrar la DMU´s que utiliza de mejor forma sus recursos; y que a su vez maximiza
los outputs deseables, y minimiza los outputs indeseables, en este sentido, el modelo a desarrollar es el
que se describe en la figura 1
Figura 1: Modelo DEA 3
Fuente: Elaboración propia con base en la documentación revisada.
Los resultados de la aplicación del modelo se muestran en la tabla 10, en la cual se muestra que
existieron variaciones en la cantidad de unidades eficientes en cada periodo de tiempo, el promedio de
eficiencia en el año 2017 fue de 0.7594 y de 0.7914 para el año 2019, de igual forma, los resultados
pág. 7452
muestran que nueve entidades lograron mantener el mejor nivel de eficiencia en los dos periodos.
En la columna cuatro de la tabla 10, se encuentra el promedio de eficiencia de los dos periodos
analizados para cada entidad federativa, esta información se puede observar en la gráfica 1, la cual
muestra los Estados con su nivel promedio de eficiencia, iniciando en color gris el valor mínimo de
0.5325 con el Estado de Jalisco y subiendo de tonalidad hasta llegar a un color azul oscuro para los
Estados de Aguascalientes, Baja California Sur, Campeche, Ciudad de México, Colima, Morelos,
Nayarit, Querétaro, Yucatán y Tlaxcala, los cuales logran un promedio de eficiencia de 1.
Tabla10: Eficiencia en la prevención y gestión integral de residuos sólidos selectivos y no selectivos en
las entidades federativas de México, 2017 y 2019
Entidad federativa
Score
2017
Score
2019
Promedio
Aguascalientes
1.0000
1.0000
1.0000
Baja California
0.5918
0.5661
0.5790
Baja California Sur
1.0000
1.0000
1.0000
Campeche
1.0000
1.0000
1.0000
Coahuila
0.6143
1.0000
0.8072
Colima
0.6131
0.6833
0.6482
Chiapas
1.0000
1.0000
1.0000
Chihuahua
0.6321
0.6110
0.6216
Ciudad de México
1.0000
1.0000
1.0000
Durango
1.0000
0.8324
0.9162
Guanajuato
0.5696
1.0000
0.7848
Guerrero
1.0000
0.6480
0.8240
Hidalgo
0.8689
0.6389
0.7539
Jalisco
0.5359
0.5291
0.5325
México
0.5236
1.0000
0.7618
Michoacán
0.5638
1.0000
0.7819
Morelos
1.0000
1.0000
1.0000
Nayarit
1.0000
1.0000
1.0000
Nuevo León
0.5623
0.5522
0.5573
Oaxaca
0.7138
0.6841
0.6989
Puebla
1.0000
0.5778
0.7889
Querétaro
1.0000
1.0000
1.0000
Quintana Roo
0.5915
0.5739
0.5827
San Luis Potosí
0.6946
0.6663
0.6804
pág. 7453
Sinaloa
0.6040
0.5889
0.5965
Sonora
0.6388
1.0000
0.8194
Tabasco
0.6443
0.6648
0.6546
Tamaulipas
0.6078
0.5932
0.6005
Tlaxcala
1.0000
1.0000
1.0000
Veracruz
0.5461
0.7093
0.6277
Yucatán
1.0000
1.0000
1.0000
Zacatecas
1.0000
0.9489
0.9745
Fuente: Elaboración propia con base en datos del INEGI, utilizando el software Maxdea.
Gráfica 1. Eficiencia en la prevención y gestión integral de residuos sólidos selectivos y no selectivos
en las Entidades federativas de México, 2017 y 2019
Fuente: Elaboración propia con base en datos del INEGI, utilizando el software MaxDea.
Índice de productividad Malmquis
El Índice de Malmquist permite conocer la productividad total de los factores, en dos o más periodos
de tiempo en este sentido, en la tabla 11 se puede observar que, el cambio tecnológico promedio de los
dos años fue de 0.93073, y el cambio en la eficiencia, fue de 1.0421, lo que da un índice de Malmquist
promedio para los dos años de 0.9694.
El resultado indica que, la productividad disminuyó en 0.0306 en dos años, si se analizan los resultados
obtenidos en cada una de las entidades se encuentra que, algunas de ellas aumentaron en más de una
unidad su productividad. En la gráfica 2 se muestran de color verde las 10 entidades federativas que
tuvieron una mejora en la productividad en la prevención y gestión integral de residuos sólidos
selectivos, los resultados muestran como valor máximo de productividad, 9.4465 valor que pertenece al
pág. 7454
Estado de Guanajuato, al analizar los datos se muestra que esta entidad tuvo un aumento considerable
en la recolección de residuos sólidos selectivos del periodo uno al dos, lo cual lo posiciona en el primer
lugar de productividad, lo anterior se replica para los Estados de Sonora, Chiapas y México, los cuales
lograron duplicar su productividad.
Tabla 11: Índice de productividad de Malmquist 2017 y 2019
Entidad Federativa
Cambio de
eficiencia
Cambio
Tecnológico
Índice de
Malmquist
Tipo de
cambio
Aguascalientes
1.0000
1.0000
1.0000
Sin cambio
Baja California
0.9565
1.0207
0.9764
Disminución
Baja California Sur
1.0000
1.0000
1.0000
Sin cambio
Campeche
1.0000
1.0000
1.0000
Sin cambio
Coahuila
1.6278
1.4041
2.2856
Aumento
Colima
1.1145
0.6328
0.7052
Disminución
Chiapas
1.0000
1.0000
1.0000
Sin cambio
Chihuahua
0.9666
1.0319
0.9974
Disminución
Ciudad de México
1.0000
1.0000
1.0000
Sin cambio
Durango
0.8324
0.9984
0.8311
Disminución
Guanajuato
1.7557
5.3805
9.4465
Disminución
Guerrero
0.6480
0.1795
0.1163
Disminución
Hidalgo
0.7353
0.5678
0.4175
Disminución
Jalisco
0.9873
0.9698
0.9575
Disminución
México
1.9097
1.3729
2.6219
Aumento
Michoacán
1.7737
1.0704
1.8986
Aumento
Morelos
1.0000
1.2312
1.2312
Aumento
Nayarit
1.0000
1.2293
1.2293
Aumento
Nuevo León
0.9820
1.0140
0.9958
Disminución
Oaxaca
0.9584
0.8969
0.8596
Disminución
Puebla
0.5778
0.3859
0.2230
Disminución
Querétaro
1.0000
0.6107
0.6107
Disminución
Quintana Roo
0.9702
1.0078
0.9778
Disminución
San Luis Potosí
0.9592
1.0458
1.0032
Aumento
Sinaloa
0.9750
1.0044
0.9793
Disminución
Sonora
1.5653
1.4205
2.2236
Aumento
Tabasco
1.0319
1.0430
1.0763
Aumento
Tamaulipas
0.9760
1.0107
0.9865
Disminución
Tlaxcala
1.0000
1.0000
1.0000
Sin cambio
pág. 7455
Veracruz
1.2988
0.8986
1.1672
Aumento
Yucatán
1.0000
0.3002
0.3002
Disminución
Zacatecas
0.9489
0.9926
0.9419
Disminución
Fuente: Elaboración propia con base en los cálculos realizados a partir de la metodología DEA, utilizando el software deaR.
El Estado de Michoacán, obtuvo un IML de1.8986, y este es un dato interesante, ya que aun cuando su
recolección selectiva de residuos disminuyó de un periodo a otro, también tuvo una reducción en mayor
proporción en la recolección de residuos sólidos no selectivos, y al ser estos considerados un bad output,
su productividad tuvo un cambio positivo, ya que, en ambos indicadores, tuvo una reducción
importante, confirmando que la mejor basura es la que no se genera.
Gráfica2: Entidades federativas que aumentaron su productividad en la prevención y gestión integral
de residuos sólidos selectivos y no selectivos en los años 2017 y 2019
Fuente: Elaboración propia con base en datos del INEGI, utilizando el software MaxDea
La gráfica 3 muestra de color amarillo las entidades federativas que mantuvieron la productividad
constante en los dos años analizados, y estas fueron Aguascalientes, Baja California Sur, Campeche,
Ciudad de México, Colima y Tlaxcala, las cuales representan un 18.75% de las entidades analizadas.
pág. 7456
Gráfica 3: Entidades federativas que mantuvieron su productividad en la prevención y gestión integral
de residuos sólidos selectivos y no selectivos en los años 2017 y 2019
Fuente: Elaboración propia con base en datos del INEGI, utilizando el software MaxDea
La gráfica 4 muestra de color rojo las entidades federativas que presentaron una disminución en la
productividad siendo los Estados de, Guerrero y Puebla los que obtuvieron la peor puntuación con un
IPM de 0.1163 y 0.2230 respectivamente, como se puede observar el 50 % de las entidades sufrieron
una disminución en su productividad durante los años analizados.
Gráfica 4: Entidades federativas que disminuyeron su productividad en la prevención y gestión
integral de residuos sólidos selectivos y no selectivos en los años 2017 y 2019
Fuente: Elaboración propia con base en datos del INEGI, utilizando el software MaxDea.
De acuerdo con los resultados obtenidos del modelo propuesto, se acepta la hipótesis que afirma que la
mayoría de entidades federativas de México fueron ineficientes y no presentaron mejoras en su
productividad en la utilización de programas, centros de acopio, estaciones de transferencia, plantas de
pág. 7457
tratamiento, vehículos, mano de obra y sitios de disposición final, para la recolección de residuos sólidos
urbanos en los años 2017 y 2019, ya que los resultados indican que el 68.75% de las entidades fueron
ineficientes siendo estas la mayoría, de igual forma el 50% de las entidades disminuyeron su
productividad, el 18.75% se mantuvo igual y solo el 31.25% presentó una mejora.
CONCLUSIONES
Derivado del análisis de los resultados se puede concluir que existe ineficiencia en la utilización de los
recursos en la mayoría de las entidades y esto conduce a que aun cuando existan mejoras en el cambio
tecnológico, mientras no se optimicen la aplicación de los recursos disponibles, no se logrará tener una
mejoría significativa en el índice de productividad.
Las características naturales de cada entidad federativa son diversas, lo que puede determinar ciertas
ventajas o desventajas al momento de hacer comparaciones de eficiencia, sin embargo, de manera general
se observa que la mayoría de las entidades federativas no selecciona sus residuos, por lo que se puede
deducir que los gobiernos no son estrictos al establecer mecanismos de recolección, lo cual se convierte
en una barrera para el aprovechamiento futuro de los residuos, lo que conduce a una utilización mayor
de insumos durante la gestión de los mismos.
La recogida selectiva en origen, refleja una mejoría de la eficiencia y de la productividad en aquellas
entidades que la realizan, lo cual conduce a una reducción de los residuos generados, y de una
disminución de insumos a utilizar en el proceso de gestión ya que la cantidad que llegue a los sitios de
disposición final será menor, por lo tanto, se recomienda apostar por la valorización de la mayor parte
posible de los residuos generados mediante su reutilización y/o su reciclaje.
La generación excesiva de residuos aunada a una inadecuada gestión de los mismos, conducen a una
inevitable degradación del medio ambiente y a una serie de efectos negativos en otros ámbitos, razón
por la cual se hace necesario que los gobiernos, las empresas y los ciudadanos, presten atención en
mejorar la eficiencia en la prevención y gestión integral de los residuos, toda vez que, al contar con
recursos limitados se debe de cuidar la forma en cómo estos son empleados y buscar que estos sean
optimizados.
pág. 7458
REFERENCIAS BIBLIOGRÁFICAS
Ali, M., Wang, W., Chaudhry, N., & Geng, Y. (2017). Hospital waste management in developing
countries: A mini review. Waste Management and Research, 35(6), 581- 592.
https://doi.org/10.1177/0734242X17691344
Ali, M., Yadav, A., Anis, M. y Sharma, P. (2015). Multiple criteria decision analysis using DEA TOPSIS
method for hazardous waste management: a case study of the USA. International Journal of
Managing Information Technology (IJMIT), Vol.7, No.3. 1-17.
Alvarez, X.C., Caride, M.J., González, J M. (2005). Evaluación económica del servicio de recogida de
basuras en los municipios gallegos. Revista de Estudios Regionales, (72),85-112. [fecha de
Consulta 29 de junio de 2021]. ISSN: 0213-7585. Disponible
en: https://www.redalyc.org/articulo.oa?id=75507203
Banco mundial (2018). Los desechos: un análisis actualizado del futuro de la gestión de los desechos
sólidos
Banker, R., Charnes, A. y Cooper, W., (1984). Some Models for Estimating Technical and Scale
Inefficiencies in Data Envelopment Analysis. Management Science. 30(9), pp. 1078-1092.
DOI: https://doi.org/10.1287/mnsc.30.9.1078
Bosch, N.; Pedraja, Suárez, P. (1998). La Medición de la eficiencia en la prestación de los servicios
públicos locales: el caso del servicio de recogida de basuras, Fundación BBV
Cavallin, A., Vigier, H. & Frutos, M. (2015). Logística inversa y ruteo en el sector de recolección informal
de residuos sólidos urbanos. En: Avances en Gestión Integral de Residuos Sólidos Urbanos
2014-
15. Editado por N. M. Mazzeo and A. M. M. Muzlera Klappenbach Instituto Nacional de
Tecnología Industrial, pp. 37-49.
Caves, D., Christensen, L. Diewert, W.E. (1982), “The economic theory of index numbers and the
measurement of input, output and productivity”, Econometrica, 50:6, 1393-1414.
Charnes, A., Cooper, W. y Rhodes, E. (1978). “Measuring Efficiency of Decision Makin Units”.
European Journal of Operational Research. No 2.
Chen, Chung-Chiang. (2010). A performance evaluation of MSW management practice in Taiwan.
pág. 7459
Resources, Conservation and Recycling. 54. 1353-1361. 10.1016/j.resconrec.2010.05.003.
Cooper, W., Seiford, W., L., y Tone, K. (2007). Data Envelopment Analysis. A Comprehensive Text with
Models, Applciations, References and DEA-Solver Software. New York: Springer Science
Business Media, LLC.
Cortinas, C (2004). Legislación Mexicana sobre Planes de Manejo de Residuos y de Productos de
Consumo que al Desecharse se Convierten en Residuos. Ponencia en el Taller de Trabajo
Orientado a la Formulación de una Propuesta a Nivel Técnico de “Política Centroamericana
sobre Residuos y Desechos Sólidos y de una Propuesta Regional Sobre Depósitos y Retornos”.
Cortinas, C. (2018). Prevención y Gestión Integral de Residuos en el Valle de México. En Mesa de
Asuntos Ambientales y Cambio Climático en la Zona Metropolitana del Valle de México,
Consulta Pública sobre la Legislación Metropolitana. Palacio Legislativo. (p. 42). México.
Cubbin, J., Domberger, R., y Adowcrof, T (1986) "Competitiv e tendering and refuse collection:
identifying the sources of efficiency gains", en Fiscal Studies, vol. 7, n.0 4, pp. 49-58.
Da Silva Santos , F., & López Vargas , R. (2020). Efecto del Estrés en la Función Inmune en Pacientes
con Enfermedades Autoinmunes: una Revisión de Estudios Latinoamericanos. Revista
Científica De Salud Y Desarrollo Humano, 1(1), 46–59. https://doi.org/10.61368/r.s.d.h.v1i1.9
Färe, R., Grosskopf, S. and Lovell, C.A.K. (1985), The Measurement of Efficiency of Production.
Kluwer- Nijhoff Publishing, Boston.
Färe, R., Grosskopf, S., & Lovell, C. (1994). Production Frontiers. Nueva York: Cambridge Uni-versity
Press. https://doi.org/10.1007/978-1-4612-2626-0_1
Färe, R., Grosskopf, S., Lindgren, B. and Roos, P. (1992), “Productivity changes in Swedish pharmacies
1980 -1989: A nonparametric approach”. Journal of Productivity Analysis, 3, 85-101.
Farrell, M., (1957), The Measurement of Productive Efficiency. Journal of the Royal Statistical Society.
Serie A,120, Part III, 253-267. DOI: https://doi.org/10.2307/j.ctv5rdxd5.7
Fernández, A. y Sánchez, M. (2007). Guía para la gestión integral de los residuos sólidos urbanos.
En http://www.unido.org/fileadmin/import/72852_Gua_Gestin_Integral _de_RSU.pdf.
Fernández, Y. y Flórez, R. (2000). "Aplicación del modelo DEA en la Gestión Pública. Un análisis de
la eficiencia de las capitales de provincias españolas". Working Paper
pág. 7460
Fernández C., F. (2024). Determinación De Erodabilidad En Áreas De Influencia Cuenca Poopo Región
Andina De Bolivia. Horizonte Académico, 4(4), 63–78. Recuperado a partir de
https://horizonteacademico.org/index.php/horizonte/article/view/19
Guillermo, S. B. et al. (2010). Índice de competitividad para el municipio de Puebla.Puebla: Universidad
Autónoma de Puebla.
INEGI (2017). Censo Nacional de Gobiernos Municipales y Delegacionales. SNIEG Información de
Interés Nacional https://www.inegi.org.mx/programas/cngmd/2017/default.html#Tabulados .
INEGI (2019). Censo Nacional de Gobiernos Municipales y Delegacionales. SNIEG Información de
Interés Nacional https://www.inegi.org.mx/programas/cngmd/2019/default.html#Tabulados .
Jaramillo, Jorge (1999). Gestión integral de residuos sólidos municipales-GIRSM. Seminario
Internacional Gestión Integral de Residuos Sólidos y Peligrosos, Siglo XXI. Medellín.
Jiménez, N. M. (2017). El residuo: producto urbano, asunto de intervención pública y objeto de la gestión
integral. Cultura y Representaciones sociales, 11, 158–192.
Kaiser, H.F. (1958). The varimax criterion for analytic rotation in factor analysis. Psychometrika, 23(3),
pp.183-200. DOI: https://doi.org/10.1007/BF02289233
Kendall,M, W.R.B. (1990). Dictionary of statistical term. Edinburg.
Kerlinger, y Lee, (2002). Investigación del comportamiento. Métodos de investigación en ciencia.
Koopmans, T. (1951) An analysis of production as an efficient combination of activities, En: T.C.
Koopmans (ed). Activity Analysis of Production and Allocation, Cowles commission of research in
economics, monograph 13, New York
Liu, W. B., Sharp, J., & Wu, Z. M. (2006). Preference, production and performance in data envelopment
analysis. Annals of Operational Research, 145, 105–127. operations using DEA. Omega:
International Journal of Management Science 32 (2), 101–110.
Lluguin Valdiviezo, A. F., Erazo Granizo, E. G., & Guaman Cevallos, A. M. (2024). El deber ser y el
ser de la buena administración pública: crónicas del servidor público. Estudios Y Perspectivas
Revista Científica Y Académica , 4(1), 262–283. https://doi.org/10.61384/r.c.a.v4i1.99
Lluguin Valdiviezo, A. F., Erazo Granizo, E. G., & Guaman Cevallos, A. M. (2024). El deber ser y el
ser de la buena administración pública: crónicas del servidor público. Estudios Y Perspectivas
pág. 7461
Revista Científica Y Académica , 4(1), 262–283. https://doi.org/10.61384/r.c.a.v4i1.100
Marateo, G., Grilli, N., Bouzas, R. Jensen, V. Ferretti, M. Juárez y G. Soave (2013). Uso de hábitat por
aves en rellenos sanitarios del noreste de la provincia de Buenos Aires, Argentina. Ecología
Austral 23: 2002-208.
Miquel, S., Bigné, E., Lévy, J.P., Cuenca, A.C. y Miquel, M.J. (1997). Investigación de mercados. Madrid,
Editorial: McGraw Hill.
Mohamed, S.; Ghazali, N.; Mohd, A. (2017). The input and output management of solid waste using DEA
models: A case study at Jengka, Pahang. AIP Conference Proceedings. 1870. 040057.
10.1063/1.4995889.
Medina Nolasco, E. K., Mendoza Buleje, E. R., Vilca Apaza, G. R., Mamani Fernández, N. N., & Alfaro
Campos, K. (2024). Tamizaje de cáncer de cuello uterino en mujeres de una región Andina del
Perú. Arandu UTIC, 11(1), 50–63. https://doi.org/10.69639/arandu.v11i1.177
Navarro C. L. (2005). La eficiencia del sector eléctrico en México. Instituto de Investigaciones
Económicas y Empresariales de la Universidad Michoacana de San Nicolás de Hidalgo.
Morelia, Michoacán.
OCDE (2015), «El Futuro de la Productividad», Nota conjunta de política del Departamento de Asuntos
Económicos y de la Dirección de Ciencia, Tecnología e Innovación, julio de 2015.
Orihuela, J. (2018). Un análisis de la eficiencia de la Gestión de Residuos Sólidos en el Perú y sus
determinantes.
Pérez, L. C. (2006). Técnicas de análisis multivariante de datos. Barcelona: Pearson/ Prentice Hall
Quispe Mamani, J. C. (2020). Determinación de la Eficiencia en la Gestión de Residuos
Sólidos en las Municipalidades Distritales de la Región de Puno - Perú. Ciencia Latina
Revista Científica Multidisciplinar, 4(2), 476-512.
Quispe, J. C. (2020). Determinación de la Eficiencia en la Gestión de Residuos Sólidos en las
Municipalidades Distritales de la Región de Puno - Perú. Ciencia Latina Revista Científica
Multidisciplinar, 4(2), 476-512. https://doi.org/10.37811/cl_rcm.v4i2.93
Salazar, A. (2021). The efficiency of municipal solid waste collection in Mexico. Waste Management,
133, 71–79. doi: 10.1016/j.wasman.2021.07.008
pág. 7462
Salazar, R. y Hernández, D. (2018). Evaluación de la eficiencia del Sistema de Gestión Integral de
Residuos Sólidos Urbanos en el municipio de Benito Juárez, Quintana Roo. Quivera. Revista
de Estudios Territoriales. vol. 20, núm. 2. 73-102
Sánchez, I., 2008. The performance of solid waste collection in Spain. Waste Management and Research
26 (4), 327–336.
Segovia, M. M.; Contreras, I.; Mar, C. (2009). Evaluación de la eficiencia de una cartera de asegurados
en el sector del automóvil. Revista de Métodos Cuantitativos para la Economía y la Empresa,
7, 57-76
Seiford, L. M., & Zhu, J. (2002). Modeling undesirable factors in efficiency evaluation. European Journal
of Operational Research, 142, 16–20.
Sueyoshi, T., Goto, M. and Omi, Y. (2010) Corporate Governance and Firm Performance: Evidence from
Japanese Manufacturing Industries after the Lost Decade. European Journal of Operational
Research, 203, 724-736.
Sumanth, D. (1990). Ingeniería y Administración de la Productividad. México: Mc Graw Hill. Sumanth,
D. (1990). Ingeniería y Administración de la Productividad, McGraw Hill, México.
Thrall, R.M. (1996), «Duality, classification and slacks in DEA», Annals Operational Research, 66, pp
109-138.
Tama Sánchez, F. A., Medina Paredes, E. P., Muñoz Mejía , D. A., & Juan Bernardo Muñoz Mejía.
(2024). Acantosis Negricans Benigna Familiar. Reporte de Caso y Revisión de la
Literatura. Revista Científica De Salud Y Desarrollo Humano, 5(1), 14–27.
https://doi.org/10.61368/r.s.d.h.v5i1.70
Worthington, A., Dollery, B. (2001). Measuring efficiency in local government: an analysis of New South
Wales municipalities’ domestic waste management function. Policy Studies Journal, 29(2),
232- 249.
Yang, H., Ma, M., Thompson, J., y Flower, R. 2018. Waste management, informal recycling,
environmental pollution and public health. Journal of Epidemiology and Community Health,
72(3), 237-243.
