Análisis dinámico de la eficiencia: una aplicación a la Superliga Europea
Abstract
El objetivo principal de esta investigación es el de plantear propuestas de cambio a los distintos clubes que tienen intención de ser parte de la futura Superliga Europea de Fútbol en aras de mejorar su eficiencia. La Superliga Europea de Fútbol es una posible competición futura independiente de la UEFA que pretende integrar a 16 de los mejores equipos a nivel europeo, y prácticamente a nivel mundial. Cada club tendrá a su disposición una serie de recursos que tendrá que utilizar para obtener los mejores resultados económicos y deportivos que fueran posibles. En caso de que un club no esté generando unos resultados suficientes para los recursos que emplea en comparación con el resto de clubes, se considerará ineficiente y se hará necesaria la búsqueda de soluciones y culpables. En el mundo del Fútbol, donde hasta la más mínima diferencia es importante, una ineficiencia alta de manera continuada podría hacer a los equipos perder gran capacidad competitiva, con el consiguiente daño sobre las arcas de los equipos. Esto, de manera sucesiva podría llevar incluso a la desaparición de un equipo. Para realizar este análisis de la eficiencia se hará uso de la metodología DEA (Data Envelopment Analysis). En concreto, se aplicará el modelo Dynamic DEA, que no solo analizará la eficiencia de los distintos equipos implicados en el análisis, sino que además hará comparaciones a lo largo de una serie de intervalos de tiempo.
Full text
Equation Chapter 1 Section 1 Trabajo Fin de Grado Grado en Ingeniería de Tecnologías Industriales Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea Autor: Antonio Jesús Aranda Alba Tutor: Antonio Plácido Moreno Beltrán Dpto. Organización Industrial y Gestión de Empresas I Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2019
Trabajo Fin de Grado Grado en Ingeniería de Tecnologías Industriales Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea Autor: Antonio Jesús Aranda Alba Tutor: Antonio Plácido Moreno Beltrán Profesor contratado doctor Dpto. de Organización Industrial y Gestión de Empresas I Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2019
Trabajo Fin de Grado: Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea Autor: Antonio Jesús Aranda Alba Tutor: Antonio Plácido Moreno Beltrán El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: Sevilla, 2019 El Secretario del Tribunal
A todos aquellos que confiaron en mí más que yo mismo
8
Agradecimientos Cuando uno se embarca a estudiar una carrera relacionada con la Ingeniería comienza pensando que todas esas historias de suspensos, de repetir curso, etc. son solo exageraciones y que siendo una persona suficientemente trabajadora puedes sacar la carrera adelante sin excesivos sobresaltos. Conforme pasa el tiempo te das cuenta de que todo lo que te contaron se queda corto, que suspendes, que tropiezas una y otra vez con ciertas asignaturas. Durante este periodo resulta prácticamente inviable la idea de terminar los estudios; la finalización de ellos se siente lejana e irreal como si de un fuego fatuo se tratara. Tras esto, los años van pasando, vas consiguiendo superar asignaturas y vas dándote cuenta de cómo ha cambiado tu mentalidad y capacidad respecto al estudio en unos pocos años, pero aun así sigue viéndose lejos el final. Sin embargo, de repente te das cuenta de que te encuentras enfrascado en la finalización de tu Trabajo Fin de Grado y descubres que ese irreal final se materializa ante tus ojos. En ese instante en el que estas a punto de coronar esta cima llamada Ingeniería te sientes henchido de orgullo y recompensado por todo el esfuero, por todas las horas delante de apuntes y por todos los momentos de desesperación donde viste factible abandonar todo y cambiar el rumbo de tu vida. Y sin duda, el final podría haber sido ese de no contar con el apoyo de todos aquellos que paso a nombrar y alguno más que me dejaré en el tintero. En primer lugar, quiero dedicar este trabajo a toda mi familia, pero en particular a mis padres Antonio y Desirée, por hacerme amar la cultura, la investigación e inculcarme la cultura del esfuero. Porque con mucho esfuerzo mental y económico han conseguido que llegue donde hoy me encuentro. No quiero pasar por alto a mis compañeros y amigos Iciar Iribarren, José Antonio Díaz, Manuel Barrera y Adrián Bravo. Gracias a ellos estos años de estudio han sido mucho más llevaderos con su compañía y amistad. También quiero acordarme de mis compañeros de entrenamiento, Manuel Jesús Bellido, Ricardo Manuel Olivares y Eliot Pineda, gracias por ayudarme a despejar la mente siendo amigos dentro y fuera de los hierros. Por último, también quiero agradecer su apoyo y amistad a Nicolás Calvo, Darío Pavón y Benjamín Massaneck. Sin todos ellos es más probable que esas ideas de abandono hubieran tenido más peso en mi mente. Por último, no me quiero olvidar de Mª Ángeles García por su ayuda con la corrección de los textos en inglés. También quiero agradecer a Gabriel Villa Caro por hacerme amar la metodología DEA y por ser un gran docente. A mi tutor, Antonio Plácido Moreno Beltrán, por su intachable labor como director de este trabajo, sin su inestimable ayuda, consejos y disponibilidad habría resultado imposible realizar este trabajo. No me quiero olvidar de todos aquellos profesores tanto de la Universidad de Sevilla como de fuera de ella, como Pablo Cortés, Juan Manuel Ramírez y Manuel Toscano entre otros, cuya gran labor docente me han ayudado enormemente a amar el conocimiento y a alcanzar el momento en el que me hayo. Por último, quiero dedicar este trabajo a una de las personas más importantes de mi vida, María Quesada, sin duda ha sido uno de los pilares más importantes para conseguir que ahora mismo me encuentre escribiendo estas palabras. Gracias de corazón por todo el apoyo y por todo el cariño que me has transmitido día a día desde que te conozco.
Índice de Tablas 16 4.4.Descripcióndelmodeloaimplementar41¡Error!Marcadornodefinido. 4.4.1.Variablesdelmodelo41 4.4.2.Esquemadelmodelo42 4.4.3.Característicasdelmodeloimplementado43 4.5.Justificacióndelmodelo44 4.5.1.Eleccióndevariables44 4.5.2.Fuentesdedatosutilizados44¡Error!Marcadornodefinido. 4.6.Modeladomatemáticodelmodelo45 4.7.Retornodeescalavariable47 4.8.Procedimientodeimplementacióndelmodelo48¡Error!Marcadornodefinido. 5Análisisderesultados49 5.1.Introducción49 5.2.Medidadelaeficiencia49 5.3.Slacks53¡Error!Marcadornodefinido. 5.4.Benchmarking57¡Error!Marcadornodefinido. 6Conclusiones¡Error!Marcadornodefinido. Referencias¡Error!Marcadornodefinido.3 Anexos66 Anexo1.DocumentoflitradoporFootballLeaks66¡Error!Marcadornodefinido. Anexo2.Valordemercadodelaplantilla67¡Error!Marcadornodefinido. Anexo3.Puntuacióntotalponderada67¡Error!Marcadornodefinido. Anexo4.Golesafavorporpartido71¡Error!Marcadornodefinido. Anexo5.Golesencontraporpartido¡Error!Marcadornodefinido. Anexo6.Sueldodelosjugadores72 Anexo7.Inversiónenfichajes72¡Error!Marcadornodefinido. Anexo8.ModeloenLINGO®¡Error!Marcadornodefinido. Anexo9.Eficienciaglobal76¡Error!Marcadornodefinido. Anexo10.Slacks76¡Error!Marcadornodefinido. Anexo11.Lambdas83¡Error!Marcadornodefinido. ¡Error!Marcadornodefinido. ¡Error!Marcadornodefinido.
ÍNDICE DE TABLAS Tabla 3–1. Investigaciones DEA en Baloncesto 28 Tabla 3–2. Investigaciones DEA en Béisbol 28 Tabla 3–3. Investigaciones DEA en Fútbol 29 Tabla 4–1. Listado de clubes bajo análisis 41 Tabla 4–2. Relación de datos del modelo y su significado 45 Tabla 5-1. Resultados de eficiencia CRS y VRS 49 Tabla 5-2. Equipos que se proyectan sobre cada equipo 57 Tabla A–1. Valor de mercado de la plantilla (en millones de euros) 67 Tabla A–2. Puntuación liguera y campeón de Liga 67 Tabla A–3. Puntuación de Liga ponderada 68 Tabla A–4. Puntuación ponderada Supercopa Nacional 68 Tabla A–5. Resultados coperos en Inglaterra y Francia 69 Tabla A-6. Puntuación ponderada Copa Nacional 69 Tabla A-7. Puntuación a otorgar en función de los resultados europeos 69 Tabla A-8. Puntuación ponderada de competiciones europeas 70 Tabla A-9. Puntuación total ponderada 70 Tabla A-10. Goles a favor por partido 71 Tabla A-11. Goles en contra por partido 71 Tabla A-12. Sueldo total de los jugadores (en euros) 72 Tabla A-13. Inversión en fichajes (en millones de euros) 72 Tabla A-14. Inversión en fichajes (en millones de euros) 73 Tabla A-15. Eficiencia global CRS y VRS 74 Tabla A-16. Slacks de puntuaciones, CRS 75 Tabla A-17. Slacks de goles a favor por partido, CRS 75 Tabla A-18. Slacks de goles en contra por partido, CRS 76 Tabla A-19. Slacks de salarios (en €), CRS 76 Tabla A-20. Slacks de inversión (en millones de €), CRS 77 Tabla A-21. Slacks de valor de la plantilla (en millones de €), CRS 77 Tabla A-22. Slacks de puntuaciones, VRS 78 Tabla A-23. Slacks de goles a favor por partido, VRS 78 Tabla A-24. Slacks de goles en contra por partido, VRS 79 Tabla A-25. Slacks de salarios (en €), VRS 79 Tabla A-26. Slacks de inversión (en millones de €), VRS 80 Tabla A-27. Slacks de valor de la plantilla (en millones de €), VRS 80 Tabla A-28. Lambdas obtenidas en el análisis VRS temporada 2014-2015 81 Tabla A-29. Lambdas obtenidas en el análisis VRS temporada 2015-2016 82 Tabla A-30. Lambdas obtenidas en el análisis VRS temporada 2016-2017 83 Tabla A-31. Lambdas obtenidas en el análisis VRS temporada 2017-2018 84 Tabla A-32. Lambdas obtenidas en el análisis CRS temporada 2014-2015 85 Tabla A-33. Lambdas obtenidas en el análisis CRS temporada 2015-2016 86 Tabla A-34. Lambdas obtenidas en el análisis CRS temporada 2016-2017 87 Tabla A-35. Lambdas obtenidas en el análisis CRS temporada 2017-2018 88
Índice de Tablas 18
ÍNDICE DE FIGURAS Figura 1. Conjunto de datos sociales y económicos de la Liga Española Profesional en 2017, considerando 1ª y 2ª División (Laliga, 2017) 5 Figura 2. Ingresos obtenidos (en millones de €) por los clubes profesionales de España desde la temporada 201112 a la 2016-17 (La Liga, 2017) 7 Figura 3. Gastos (en millones de €) del conjunto de clubes profesionales de España en la temporada 2016-17 (La Liga, 2017) 8 Figura 4. Evolución total de activos de los clubes de fútbol europeo desde 2010 hasta 2015 8 Figura 5. Activos de los clubes de fútbol de cada Liga de Europa en la temporada 2015-2016 (UEFA, 2016) 9 Figura 6. Variación del número de traspasos de jugadores por encima de 15 millones de € realizados a nivel europeo 10 Figura 7. Esquema básico de productividad de Farrel 12 Figura 8. Representación de la tecnología CRS para un modelo con una entrada y una salida 17 Figura 9. Representación de la tecnología VRS para un modelo con una entrada y una salida 17 Figura 10. Solución de un modelo CCR-INPUT con una entrada y una salida 20 Figura 11. Solución de un modelo CCR-OUTPUT con una entrada y una salida 21 Figura 12. Solución de un modelo BCC-INPUT con una entrada y una salida 23 Figura 13. Solución de un modelo BCC-OUTPUT con una entrada y una salida 24 Figura 14. Solución dada para DMU3 por el modelo basado en la Supereficiencia para un modelo BCC-INPUT con una entrada y una salida 26 Figura 15. Estructura básica de Dynamic DEA 30 Figura 16. Estructura de Dynamic DEA con condición inicial 36 Figura 17. Estructura del modelo a implementar 43 Figura 18. Fragmento de código LINGO® utilizado 48 Figura 19. Fragmento de hoja Excel debidamente preparada 48 Figura 20. Resultados de eficiencia CRS 50 Figura 21. Resultados de eficiencia VRS 51 Figura 22. Eficiencia global CRS y VRS 52 Figura 23. Evolución de la eficiencia promedio CRS 53 Figura 24. Evolución de la eficiencia promedio VRS 53 Figura 25. Varación porcentual slacks en CRS para Manchester United 54 Figura 26. Varación porcentual slacks en VRS para Manchester United 54 Figura 27. Variación de los distintos slacks en CRS de todos los equipos 55 Figura 28. Variación de los distintos slacks en VRS de todos los equipos 56 Figura 29. Número de equipos que se proyectan sobre cada club 59 Figura 30. Documento filtrado por Football Leaks sobre los integrantes de la Superliga Europea 66
Índice de Figuras 20
1 OBJETIVOS Y ALCANCE DE LA INVESTIGACIÓN l Fútbol, a día de hoy, es una industria tremendamente importante en la economía global. Se estima que el 0.71% del PIB global lo genera este deporte, es decir, el PIB global del Fútbol se encontraría entre el PIB de Bélgica y el PIB de Noruega. Estos datos representan muy bien la magnitud económica que ha alcanzado el Fútbol moderno, lo cual nos lleva a suponer que las cantidades que se manejan a la hora de hacer negocios entre clubes, las cantidades que se obtienen como premio de las competiciones, los sueldos de los deportistas, pagos por derechos televisivos e inversiones en infraestructuras son cifras tremendamente altas. Además, este deporte no solo es un negocio sin más, sino que es un fenómeno social, capaz de movilizar a miles de personas aficionadas, las cuales, debido a esto, consumirán en otros sectores favoreciendo la economía. Por tanto, el Fútbol además de ser una industria tremendamente importante a nivel global, tiene una repercusión en otros sectores como pudiera ser el transporte, la televisión o la restauración entre muchos otros. Lo que resulta aún más sorprendente es que todo apunta a que esta industria no va a hacer otra cosa salvo seguir creciendo. Y es en este contexto de crecimiento donde surge la idea de la creación de una Superliga Europea de Fútbol, donde los equipos que se encuentran a día de hoy en la cúspide del fútbol europeo (y prácticamente del Fútbol mundial) quieren crear una competición donde solo accedan los reyes de este deporte y donde estos mismos equipos puedan autogestionar dicho torneo motivados por el deseo de obtener aún más ingresos de los que ya obtienen. Debido a que en el Fútbol cada pequeña diferencia acostumbra a ser crucial a la hora de obtener resultados, resulta interesante realizar un análisis de cómo cada equipo, de la anterior mencionada élite europea, gestiona los recursos con los que cuenta en aras de obtener un buen resultado tanto económico como deportivo. 1.1. Objetivo y alcance de la investigación Por todo ello, el objetivo de esta investigación será determinar qué equipos de los que formarán la Superliga Europea, a lo largo de los últimos cuatro años, han gestionado de manera eficiente sus recursos y cuáles de ellos no, estos últimos deberán ser conscientes de la situación en la que se encuentran y deberán tomar decisiones para solventarla ya que una ineficiencia alta podría hacer que algunos equipos, al entrar a competir en la Superliga, llegaran a tener problemas económicos o, al menos, empeoraran su situación respecto a la actual. Para ello se llevará a cabo un análisis de la eficiencia mediante la metodología DEA (Data Envelopment Analisys), en concreto se aplicará el método Dynamic DEA ya que nuestra intención no es solo evaluar la eficiencia actual de los clubes, sino la eficiencia que hayan tenido en las últimas cuatro temporadas. E No se puede desatar un nudo sin saber cómo está hecho. - Aristóteles - -
Objetivos y alcance de la investigación 2 Se espera que tras el análisis se tengan claras cuáles son las carencias que presentan, o presentaron en algún momento, estos clubes. Además de determinar qué equipos eficientes debe usar cada equipo ineficiente como referencia para realizar cambios en su gestión de recursos. 1.2. Estructura final del documento Este trabajo constará de seis capítulos y diez anexos, los cuales se desarrollarán de la siguiente forma: El primero de ellos, el presente, describe de manera somera los objetivos que tiene esta investigación, así como la estructura del documento. En el segundo capítulo se describe el contexto social y económico del Fútbol en la actualidad, también incluye una descripción de porqué surge la Superliga Europea de Fútbol y quiénes la integrarán. En el tercer capítulo se desarrolla la teoría de la Metodología DEA. Comenzando por antecedentes históricos, conceptos básicos y modelos sencillos ampliamente utilizados, pasando a una recopilación de investigaciones en el ámbito deportivo usando DEA. Por último, se desarrolla la teoría relacionada con Dynamic DEA, dicho método será el utilizado en esta investigación. En el cuarto capítulo se describen las distintas características con las que contará el modelo matemático a utilizar para medir la eficiencia así como el modelo en sí mismo. Por último, se hace mención a cómo se ha llevado a cabo la implementación a nivel informático de este modelo. En el quinto se analizarán los datos obtenidos de medir la eficiencia, haciendo especial hincapié sobre la eficiencia de cada club en cada temporada, las mejoras a realizar y los equipos que deben ser tomados como referencia. En el sexto se plasmarán las conclusiones que se pueden obtener de este trabajo así como posibles líneas de futuras investigaciones. En los anexos se recopilan diversos datos, tanto los que han sido recopilados para realizar la investigación, como los que han sido obtenido tras realizar la medida de la eficiencia, objetivo clave de esta investigación.
2 CONTEXTO DE LA SUPERLIGA EUROPEA DE FÚTBOL 2.1 Introducción A lo largo de este capítulo se expone el contexto socioeconómico en el que surge la Superliga Europea de Fútbol. En primer lugar, se hace un análisis de la influencia que tiene en la sociedad el deporte en general y el fútbol en particular. A continuación, se expone un breve contexto histórico del fútbol europeo y de los distintos atisbos que han habido de la creación de una Superliga Europea, para continuar con un análisis sobre la filtración de un documento donde se detallaban los posibles miembros de esta competición. Por último, se expone un análisis sobre el sistema económico que existe en el fútbol moderno, sobre el crecimiento económico reciente y sus consecuencias, además de las consecuencias económicas de la creación de una Superliga Europea. 2.2 Influencia del fútbol en la sociedad Desde los comienzos de la historia, el ser humano, al igual que muchos otros animales, siempre ha estado realizando ejercicio físico. Bien por cubrir una serie de necesidades fisiológicas (cazar, huir de un peligro, trepar para recolectar frutos, etc.) o bien por la siempre presente rivalidad entre distintos grupos étnicos, tribus y demás por la obtención de recursos o por la instintiva necesidad del hombre de ser hostil hacia los que no pertenecen a su grupo. Esta rivalidad se ha visto materializada a lo largo de la historia en forma de conflictos armados, trifulcas, ataques, saqueos, etc. Pero también, como canalización de ésta, a través de distintas competencias deportivas como fueron las olimpiadas en la Grecia Clásica. La competencia deportiva ha existido en la práctica totalidad de culturas a lo largo de la historia. En algunas culturas el deporte se usaba a veces para resolver ciertos conflictos sin derramamiento de sangre (como fue en ocasiones el levantamiento de piedras vasco, entre otros), en otras culturas el deporte contaba con un fuerte carácter ritual (como fue el Juego de pelota mesoamericano, también conocido como Pelota Maya), mientras que en otras culturas se usaba para prepararse o entrenar para la guerra (como el deporte del Te, antecesor del Karate, creado con la intención de defenderse de ataques de samuráis. O como el Sambo ruso, que aún es usado Todo cuanto sé con mayor certeza sobre la moral y las obligaciones de los hombres, al Fútbol se lo debo. - Albert Camus-
Contexto de la Superliga Europea de Fútbol 4 a día de hoy como técnica de autodefensa además de ser un deporte). A todas estas competencias deportivas habría que añadir que el ejercicio físico estaba presente en la vida diaria de la mayoría de individuos, y existían escasas tareas que no requerían de un esfuerzo físico. Con el paso del tiempo y con el progreso tecnológico, la actividad física en el día a día se ha ido viendo reducida y el deporte ha pasado a ser una actividad de ocio principalmente. Aun así, el deporte es una actividad ampliamente realizada en todo el mundo ya que los beneficios a nivel mental y físico que aporta a sus seguidores son ampliamente conocidos. Según la declaración del Consejo Europeo de Niza sobre el deporte (2000), “el deporte es una actividad humana basada en unos valores sociales, educativos y culturales esenciales. Es un factor de inserción, de participación en la vida social, de tolerancia, de aceptación de las diferencias y de respeto de las normas” (p. 1). Como se desprende de esta afirmación, el deporte cubre una necesidad esencial en los seres humanos, al igual que es comer o respirar aunque no tan evidente, que es la necesidad de sentirse parte de un grupo1, de sentirse integrado y respetado. Esta necesidad de sentirse parte de un grupo es la que hace que los deportes de mayor éxito sean deportes de equipo, ya que los espectadores se sienten parte de un grupo social, cubriéndose así en primer lugar la necesidad de formar parte de un grupo y, además, cubriendo la necesidad de competir entre grupos y entre individuos que aún queda latente de nuestros ancestros. En este contexto el fútbol, que es a día de hoy uno de los deportes con más seguidores del mundo, es capaz de aunar todas estas necesidades humanas. Por un lado, los seguidores de un equipo son un grupo social, de manera que cada uno de sus miembros se sienten partes de él y se sienten especiales por ello además de sentirse valorados y reconocidos por parte de los miembros de su mismo grupo. Por otro lado, la rivalidad y competitividad existente en este deporte es quizá el punto más determinante de su éxito social, ya que el fútbol resulta más impredecible que otros deportes2, de manera que equipos débiles a priori sean capaces de derrotar a otros mas fuertes a través del sacrificio, el esfuerzo y algo de suerte reforzándose aún más la cohesión del grupo y el interés por parte de más adeptos. Además, dicha característica hace que el interés de personas que no pertenezcan necesariamente a ningún equipo también crezca ya que el espectáculo en sí mismo resulta interesante y entretenido. Es innegable que el fútbol está presente en el día a día de muchas personas. Basta con encender la televisión o la radio para encontrar noticias, debates, reportajes, etc. sobre algún tema relacionado con el fútbol. A día de hoy los partidos de fútbol son más que una simple competencia deportiva, resultan ser un evento social, donde grandes masas de personas no solo se limitan a ser espectadores de una serie de partidos, sino que tienen al fútbol como un estilo de vida o, al menos, es una parte importante de su vida, de sus conversaciones y en definitiva de su tiempo de ocio. Aparte de todo este factor psicosocial, no hay que olvidar que el fútbol es un negocio y que a día de hoy mueve ingentes cantidades de dinero. Es un factor clave el hecho de que en la actualidad el fútbol tenga un carácter mercantil más allá de la mera competitividad deportiva. Los clubes, en aras de aumentar sus ingresos, invierten para mejorar su calidad para así obtener victorias que hagan aumentar sus cifras de aficionados, ingresos por derechos televisivos, premios de torneos y demás. Dichas inversiones, millonarias en muchas ocasiones, hacen que el espectáculo mejore y, por tanto, el interés del público en general y el calado en la sociedad sea cada vez mayor. 1Existendiversosestudiospsicológicosysociológicosquehaninvestigadoelefectodelosgrupossobrelosindividuosycomolapertenencia aelloscambiansuspatronesdeactuación.PorcitarunospocossepodríamencionaralExperimentodelaTerceraOla,alExperimentodeRobber’s CaveoalExperimentodeSherifentremuchosotros. 2Existenotrosdeportesdondeesmássencillodeterminarquiénganaráaprioriunpartidoouncampeonato.
5 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea Figura 1. Conjunto de datos sociales y económicos de la Liga Española Profesional en 2017, considerando 1ª y 2ª División (Laliga, 2017). A modo de resumen, el fútbol goza de gran relevancia en la sociedad por dos motivos. El primero porque cubre una serie de necesidades humanas de integración y participación en grupos así como de canalizar ciertos niveles de rivalidad innata en los humanos. En segundo lugar, el fútbol es un negocio y por tanto hay intereses económicos, dichos intereses hacen que se produzcan inversiones de dinero e infraestructuras de manera que el espectáculo ofrecido sea cada vez mejor y por tanto aumenta el número de personas interesadas en este deporte. 2.3 La Superliga Europea 2.3.1. Antecedentes históricos de la Superliga Europea En 1955, impulsado por el diario deportivo francés L’Equipe, y con el apoyo de Santiago Bernabéu (Presidente del Real Madrid Club de Fútbol) y de Gusztáv Sebes (subsecretario de deportes de Hungría y vicepresidente de la UEFA) se inauguró, bajo la denominación de “Copa de Clubes Campeones Europeos” (en francés, Coupe des Clubs Champions Européens) una competición futbolística a nivel europeo que enfrentaba a los campeones de las distintas competiciones ligueras de Europa, dicha competición es la que posteriormente sería conocida como la “UEFA Champions League” y es a día de hoy uno de los torneos futbolísticos más prestigioso a nivel mundial. En 1992 se incluyó la fase de grupos previa a las eliminatorias. Pero no sería hasta 1997 cuando dejaron de participar solo los equipos campeones de Liga. A partir de ese año pasaron a formar parte del torneo aquellos equipos que hubiesen quedado en segundo lugar en las ligas más importantes de Europa, y tan solo dos años
Metodología DEA 12 3.3 Conceptos básicos La productividad fue definida por primera vez de manera formal por Farrell en 1957, dicha productividad se define como la relación que existe entre los resultados (pueden ser económicos, productivos, de calidad de servicio, etc.) obtenidos y los recursos invertidos para la generación de dichos resultados. A modo de expresión matemática se puede hacer mención a la introducida por Farrell en 1957: ó (3–1) En la metodología DEA el objetivo es estudiar la eficiencia relativa de distintas DMUs, la definición de DMU está referida a “la entidad que nos proponemos comparar en su desempeño con otras entidades de su tipo. Entidades tales como escuelas, sucursales bancarias o funciones autocontenidas tales como la función de distribución de agua de las compañías distribuidoras de agua” Thanassoulis, 2001, p. 4). Es fundamental para que la medida de la eficiencia sea útil que estas DMUs tengan capacidad para poder modificar la cantidad de producción creada, o bien, la cantidad de producto consumido. Figura 7. Esquema del modelo básico de productividad de Farrel. Si consideramos un caso como el de la figura (Fig. 7), donde las DMUs a comparar solo constan de una entrada o producto consumido (Input) y una salida o producción creada (Output) la expresión 3.1 sería suficiente para analizar la eficiencia relativa de diversas DMUs. Sin embargo, los casos en los que solo existe una entrada y una salida son muy escasos y la expresión de Farrel resulta insuficiente para análisis de eficiencia. De hecho, lo más habitual es que una DMU cuente con una serie de entradas (recursos consumidos con independencia unos de otros) y una serie de salidas (distintos resultados o producciones a obtener). Para estos casos donde hay más de una entrada y una salida el análisis resulta más complicado y es, para ello, por lo que surge la metodología DEA. De manera que, ahora sí, se pueda medir la eficiencia relativa para DMUs que cuenten con diversas entradas y salidas. Para realizar un análisis de la eficiencia mediante DEA el primer paso es el más importante, éste consiste en definir correctamente las entradas y las salidas. Para ello hay que realizar un análisis exhaustivo que permita determinar qué factores (tanto entradas como salidas) afectan a la a la eficiencia de las DMUs. Hay que recopilar todos aquellos recursos (entradas) con los que cuenta una DMU y, además, recopilar todos aquellos resultados (salidas) que puede generar una DMU. También es importante mencionar que dichas entradas y salidas han de ser cuantificables numéricamente, medibles, para aquellos criterios que fueran cualitativos habría que desarrollar un sistema de medición de los mismos. La realización satisfactoria de este primer paso dependerá enormemente de la capacidad que tenga el analista para observar las distintas DMUs a fin de determinar correctamente las entradas y salidas del modelo DEA, ya que de otro modo las medidas posteriores de eficiencia relativa serán inexactas o directamente falsas. También es importante considerar que todas las DMUs han de ser iguales en el sentido de que todas han de contar con las mismas entradas y salidas. Es inadmisible en la metodología DEA que, por ejemplo, unas DMUs cuenten con una entrada y otras DMUs no. Una vez que se hayan definido y medido correctamente las entradas y salidas del modelo es hora de pasar a medir la productividad de cada DMU. La productividad solo tendrá un valor numérico, será un escalar, por lo
13 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea tanto, se hace necesaria que, mediante una sola expresión matemática se agrupen todas las entradas y salidas de la DMU. (3–2) Mediante la expresión 3.2 se podría pasar a calcular la productividad, pero surge un problema debido a que tanto entradas como salidas no tienen las mismas unidades de medida. Este problema hace que surjan los conceptos de entradas y salidas virtuales, de manera que estos recursos y resultados pasan a ser adimensionales. Estas entradas y salidas virtuales consisten en añadir un peso a cada entrada o salida de manera que, como se ha mencionado anteriormente, el resultado obtenido sea adimensional. Las expresiones de dichas entradas y salidas quedarían: (3–3) Donde xij es la cantidad de entrada i utilizado por la unidad j, yij es la cantidad de salida k utilizado por la unidad j, uij y vkj son los pesos de cada entrada y salida respectivamente, m es el número total de entradas y p el número total de salidas. De esta forma la expresión de la productividad quedaría como: ∑ ∑ (3–4) A través de la expresión ya se puede calcular la productividad de cada unidad productiva bajo análisis considerando diversas entradas y salidas. A pesar de ello, productividad no es sinónimo de eficiencia, ya que solo con el cálculo de la productividad no tenemos una idea de cómo una determinada DMU utiliza sus recursos para producir resultados, es necesario comparar dicha productividad con otras DMUs parecidas para poder medir la eficiencia de cada unidad productiva. De esta necesidad surge el concepto de eficiencia relativa (de hecho, de aquí en adelante en este trabajo se va a hablar en términos de eficiencia relativa) cuya expresión se define como: (3–5)
Metodología DEA 14 Donde la unidad j es aquella bajo estudio y la unidad 0 es aquella DMU utilizada como referencia. Existen tres tipos de eficiencia relativa que se pueden calcular. La primera de ellas es la eficiencia global, para el cálculo de dicha eficiencia se toma como unidad de referencia aquella con mayor productividad de todas las DMUs bajo análisis. La segunda de ellas sería la eficiencia técnica, en la que como unidad de referencia se escoge aquella que tenga la mayor productividad entre las unidades de su tamaño (entradas y salidas del mismo orden de magnitud). El último tipo de eficiencia relativa que se puede analizar es la eficiencia de escala, que resulta ser el cociente entre la eficiencia global y la eficiencia técnica de una unidad productiva. (3–6) Se puede deducir de las distintas definiciones de eficiencia que la eficiencia global siempre va a ser menor o igual a la eficiencia técnica. De hecho, en el caso de que la eficiencia global sea igual a la eficiencia técnica (y por tanto la eficiencia de escala sea igual a 1) significará que la DMU bajo análisis tiene el mismo tamaño que la unidad más eficiente del conjunto de DMUs. En caso de que esto suceda se dice que la DMU tiene el Tamaño de Escala Más Productivo (MPSS, Most Productive Scale Size, en inglés). Para cualquiera de estos tipos de eficiencias relativas calculadas para cualquier DMU se tendrá que su valor será siempre inferior o igual a uno. Aquellas DMUs cuyas eficiencias tengan valor uno serán eficientes9, bien globalmente, bien para su tamaño o bien se encuentra en la región MPSS. Evidentemente, todas aquellas DMUs con valores de eficiencia inferiores a uno se consideran unidades productivas ineficientes. Por lo tanto, aplicando la definición de Farrel, la expresión de la eficiencia nos quedaría como: ∑ 1 ∑ 1 ∑0 1 0 ∑0 1 0 (3–7) Dado que, como se ha comentado antes, la unidad productiva de referencia será aquella cuya eficiencia sea igual a uno (denominada “eficiente” por tanto) la expresión expuesta anteriormente se puede reducir a la siguiente expresión: ∑ 1 ∑ 1 (3–8) La expresión 3.8 es la que se utilizará a partir de ahora para desarrollar los modelos que se exponen a continuación. Como conclusión de este apartado, y a modo de resumen, queda remarcar que la utilidad de la metodología DEA reside en determinar si una unidad productiva (DMU) bajo estudio es eficiente en comparación con otras unidades productivas similares, bien de manera global, bien dentro de aquellas DMUs con su tamaño de escala, o bien determinar si la unidad productiva tiene el Tamaño de Escala Más Productivo (MPSS). La metodología DEA solo llega hasta aquí, es decir, no es capaz de proponer mejoras para las DMUs que no resultan eficientes, 9EnelsentidodelcocientedeFarrelanteriormenteexpresado,expresión(3.1)
15 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea solo se limita a determinar lo lejos que se encuentra una unidad productiva de ser considerada eficiente, de llegar a la frontera eficiente10. Igualmente es de gran valor para las unidades productivas obtener estos datos para así saber cuánto hay que mejorar y hacia dónde11 y saber con respecto a qué DMU compararse. A partir de ahí el método ya no nos dice nada más y es labor del analista investigar cómo están funcionando las unidades productivas eficientes para encontrar las ineficiencias que está padeciendo una determinada DMU ineficiente para así ponerle solución, lo que se denomina benchmarking. 3.4 Virtudes y carencias del método La metodología DEA mejoró de manera significativa los métodos de evaluación de la eficiencia que existían hasta el momento, como era la metodología DFA (Enfoque de Distribución Libre, Distribution Free Approach, en ingés). Las ventajas de DEA con respecto a las técnicas ya existentes fueron diversas, entre ellas se puede destacar que DEA tiene un carácter no paramétrico y determinista, a diferencia del carácter estadístico de otras metodologías. Otro valor importante de este método es la flexibilidad, las condiciones para determinar las unidades productivas son muy poco restrictivas. Además, la metodología puede ser aplicada a contextos muy diversos (existen aplicaciones en medicina, educación, deportes, industria, solo por mencionar unos pocos). Otra ventaja de la metodología DEA es que es capaz de determinar no solo qué unidades productivas son eficientes y cuáles no, sino que además identifica qué recursos no están siendo utilizados de manera eficiente o qué salidas no están generando un resultado adecuado para que la unidad productiva resulte eficiente. La principal ventaja del método es, a su vez, su mayor inconveniente, el hecho de que esta técnica tenga un carácter determinístico y no paramétrico hace que una mala elección del modelo genere unos resultados alejados de la realidad del sistema bajo estudio. Además, dado que DEA necesita definir todas las entradas y salidas correctamente para poder funcionar, se hace a veces necesario realizar estimaciones de ciertos datos, por lo que un gran número de estimaciones puede hacer que los resultados resulten poco realistas. Otra gran problemática de la metodología es determinar correctamente las entradas y las salidas, es decir, hay momentos en los que resulta confuso interpretar si una determinada variable es un recurso o un producto. Aparte, y aún más importante, hay en muchos casos entradas y salidas que son completamente subjetivas, y aunque se tengan datos la fiabilidad de éstos será menor, de manera que nuevamente los datos se podrían ver alterados. Todos estos inconvenientes recaen sobre el analista, y será responsabilidad de dicho investigador evitar, en la medida de lo posible, que estas problemáticas afecten a los resultados obtenidos al aplicar la metodología DEA. Como ejemplo de estos inconvenientes se podría pensar, por ejemplo, en calcular la eficiencia relativa de los distintos países a la hora de cosechar medallas en los Juegos Olímpicos. Tal y como expresa Gabriel Villa Caro (2003): El primer obstáculo […] es determinar cuáles son los recursos que verdaderamente se están utilizando para conseguir los resultados esperados. En el caso que se plantea en este trabajo, la organización cuya eficiencia relativa se quiere medir no es más que el país participante, y los resultados que se desean obtener son las medallas […]. Pero, ¿cuáles son los recursos que se han utilizado en un país para conseguir sus medallas? Sería muy discutible escoger unos y no otros como los verdaderamente relevantes. Además, y una vez aclarada esta primera disyuntiva, existe el problema de cuantificar cuáles han sido los niveles reales utilizados de cada recurso elegido. (p.360) 10LafronteraeficienteesunaregiónmatemáticadeterminadaporaquellasDMUsquesoneficientes,dichafronteraesusadaporlas unidadesineficientesenmetodologíaDEAparadeterminarladireccióndemejoraylamagnituddedichamejora. 11Reducirunadeterminadaentrada,aumentarunadeterminadasalida,etc.
Metodología DEA 16 3.5 Modelos DEA básicos Una vez que Charnes, Rhodes y Cooper expusieron la metodología DEA, multitud de investigadores fueron mostrando interés por este método, de manera que las aplicaciones de éste y los modelos basados en él han ido creciendo continuamente hasta nuestros días. A lo largo de este apartado se muestran aquellos modelos más básicos pero a la vez más representativos12. Una de las cuestiones más importantes en una investigación DEA, después de haber recopilado correctamente datos sobre las DMUs y sus entradas y salidas, consiste en determinar si el modelo que se va a aplicar tendrá orientación de entrada u orientación de salida y si tendrá retorno de escala es constante o variable. 3.5.1 Orientación de entrada y orientación de salida Cuando un modelo DEA se dice que tiene orientación de entrada (“input orientation”) se refiere a que cada DMU tiene como objetivo reducir la cantidad de recursos que consume manteniendo sus salidas constantes. Como ejemplo de esto se podría pensar en un proceso productivo que desea mantener una tasa de producción constante (salida) y lo que desea es mejorar su eficiencia mediante el consumo de recursos que hace para generar dicha tasa de producción. Resulta inadmisible pensar en aumentar la tasa de producción manteniendo el consumo de recursos13. Por otro lado, cuando se dice que un modelo tiene orientación de salida (“output orientation”) el objetivo de las DMUs es el de aumentar sus salidas manteniendo sus recursos constantes. Como ejemplo simple de orientación de salida se podría pensar en una empresa cuyo objetivo es obtener más ingresos manteniendo el número de empleados y sus instalaciones constantes. Sería totalmente antinatural que el objetivo de dicha empresa fuera reducir empleados e instalaciones manteniendo los ingresos actuales. 3.5.2 Retorno de escala constante y variable Al considerar un modelo con retorno de escala constante (CRS, Constant Return to Scale, en inglés) se considera que cualquier DMU bajo análisis podría ser eficiente independientemente de su tamaño. Por lo tanto se evalúa únicamente la eficiencia global, el cálculo de la eficiencia no aporta ninguna información a este caso, ya que todas las DMUs se comparan con aquella que resulte tener una mayor productividad. Para CRS se considerará que todas las DMUs pertenecerán al conjunto: , :∃ 0, ; (3–9) siendo un vector con tantas componentes como DMUs estén bajo estudio y X e Y sean las matrices que contengan los datos de las entradas y las salidas de dichas unidades productivas. Considerando un modelo con una sola entrada y una sola salida, la representación de las distintas DMUs bajo análisis podría resultar algo parecido a la siguiente figura: 12Endiversidaddeinvestigacionesestosmodelossiguenestandovigentes. 13Apriori,enunprocesoproductivolatasadeproducciónvieneimpuestaporelmedio,esdeterminada,entreotrosfactoresporlademanda oelniveldestock.
17 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea Figura 8. Representación de la tecnología CRS para un modelo con una entrada y un a salida. En la figura mostrada los puntos azules corresponden con las unidades productivas bajo análisis, mientras la recta naranja muestra la frontera eficiente CRS. Todos aquellos puntos del plano que quedan por debajo de la recta (suponiendo que la recta continúa hasta el infinito) conforman la denominada región de tecnologías admisibles. Por otro lado, existirán retornos de escalas variables (VRS) cuando, debido a su tamaño, algunas DMUs bajo estudio no puedan llegar a ser eficientes. En este caso la eficiencia relativa relevante resulta ser la técnica, de manera que en los modelos con VRS se compara la productividad de las DMUs entre las del mismo tamaño. El conjunto de puntos admisibles para este caso resulta ser: , :∃ 0, ; ; 1 (3–10) Los términos de esta ecuación son los mismos que en el modelo CRS, la única diferencia es que en este conjunto se impone que la suma de las componentes ha de ser uno. Considerando ahora nuevamente un modelo con una sola entrada y una sola salida similar al anterior obtendríamos la siguiente figura: Figura 9. Representación de la tecnología VRS para un modelo con una entrad a y una salida.
Metodología DEA 18 Donde los puntos azules se corresponden con las DMUs analizadas y la línea naranja muestra la frontera eficiente VRS. Todos aquellos puntos que queden por debajo de la frontera eficiente VRS formarán parte del conjunto denominado como región de tecnologías admisibles. 3.5.3 Modelos con retorno de escala constante Como se ha expuesto antes los modelos CRS usan como referencia, para compararse y así calcular la eficiencia, aquella unidad con mayor productividad de entre todas. Los tres modelos básicos de mayor importancia en este contexto son el modelo RATIO, el modelo CCR-INPUT y el modelo CCR-OUTPUT14. 3.5.3.1 Modelo RATIO Este modelo dota de libertad a cada DMU para determinar los pesos que convierten a la entrada y a la salida en valores adimensionales de manera que escogen aquellos que optimizan su eficiencia. Es importante remarcar que, una vez elegidos los pesos, serán utilizados por el resto de DMUs bajo examen. En cada comparación se utilizarán los pesos que hagan que la eficiencia de la DMU sea la mejor. De forma matemática el modelo se puede expresar como: ∑ 1 ∑ 1 s.a. ∑ 1 ∑ 1 1 ∀ j=1,…,n ∀ k=1,…,p ∀ i=1,…,m (3–11) Siendo ε un número real mayor que cero, de manera a que el modelo obliga a que los pesos siempre sean estrictamente mayores a cero, no nulos. En el modelo, a la variable bajo estudio le corresponde el subíndice J. El modelo realizar n (número de unidades productivas analizadas) optimizaciones, maximizando el modelo de la expresión 3.11, de manera que el modelo elige aquellos pesos que maximizan la eficiencia de cada DMU. La primera restricción obliga a que la eficiencia de cualquier DMU para los pesos calculados no exceda el valor de uno. Una vez que se resuelven los n problemas de maximización se obtendrán dos conjuntos de DMUs. El primero de ellos, está formado por aquellas unidades cuyas eficiencias son iguales a uno, es decir, son DMUs eficientes. Por otro lado, quedará otro subconjunto que estará conformado por aquellas unidades con una eficiencia relativa inferior a uno, estas unidades serán las ineficientes. El valor determinado de eficiencia para las unidades ineficientes indica la distancia a la que se encuentran de la frontera eficiente, a menor valor de eficiencia, mayor distancia. 3.5.3.2 Modelo CCR-INPUT Una de las patologías que padecía el modelo RATIO es que su función objetivo era no lineal, era un cociente, por lo que el coste computacional de resolver el modelo era elevado. Como solución a esta problemática se desarrolló este modelo que convertía los cocientes en ecuaciones lineales. Para dicha linealización se procede a modelar el modelo RATIO pero suponiendo ahora que el denominador de la función objetivo valga uno. 14LassiglasCCRcorrespondenconCharnes,CooperyRhodes,loscualesutilizaronmodelosconretornodeescalaconstanteenlasprimera aplicacionesquerealizaronaplicandoDEA.
19 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea 1 1 (3–12) Dado que ahora el denominador es constante se pasa a maximizar solo el numerador, que sí es una expresión lineal. El modelo lineal quedaría de la siguiente forma: 1 s.a. ∑ 1 ∑ 1 0 ∀j1,…,n ∑ 1 1 ∀k1,…,p ∀i1,…,m (3–13) Este modelo es un modelo de programación lineal primal conocido como forma multiplicadora, sin embargo, se suele utilizar para resolución el modelo dual conocido como forma envolvente. Dicho modelo dual quedaría de la siguiente forma: 1 1 s.a. ∑ 1 ∀i1,…,m ∑ 1 ∀k1,…,p 0 ∀j1,…,n ,0 ∀i1,…,m;∀k1,…,p libre (3–14) La resolución de este modelo consta de dos fases. La primera, denominada FASE I15 se encarga de minimizar únicamente θJ. Una vez que tenemos una solución denominada θJ*, usando dicha solución como dato pasamos a la FASE II16 del problema donde se minimiza el término ∑ 1 ∑ 1 . De manera gráfica la resolución se puede interpretar de la siguiente manera. Las restricciones establecen una combinación entre el punto (xiJ, ykJ) y el resto de puntos17 (xij, ykj), el resultado tras la optimización del modelo resulta ser el punto (θJxiJ-si, ykJ+tk), llamado unidad virtual. Dicha unidad es un punto de la región tecnológica 15Tambiénconocidacomofaseradial. 16Tambiénconocidacomofaserectangular. 17CadapuntorepresentaalosvaloresdeentradasysalidasdecadaDMUbajoestudio.
Metodología DEA 20 admisible que no forma parte del conjunto de puntos de las DMUs pero representa un punto al que cualquier DMU podría convertirse modificando sus entradas y salidas. Dado que se minimiza θJ, se reduce de manera equiproporcional las entradas, por lo tanto, el punto al que se llega sería uno que tendría el mismo nivel de salidas para un menor nivel de entradas, la interpretación es que las DMUs ineficientes se proyectan sobre el hiperplano que representa la frontera eficiente reduciendo el nivel de sus entradas y manteniendo el nivel de sus salidas. En ocasiones, cuando existen diversas entradas y salidas no se consigue proyectar una DMU sobre el hiperplano de la frontera eficiente realizando únicamente la fase radial18, de ahí surge la existencia de los términos sj y tk, estos términos son los optimizados en la fase rectangular y consiguen hacer que ciertas DMUs consigan proyectarse sobre un lugar óptimo de la frontera eficiente. En caso de que θJ*=1 y tk*=si*=0, la unidad resulta ser eficiente ya que no se produce ninguna proyección. Visualmente, para el modelo de una entrada y una salida se tendría a modo de ejemplo: Figura 10. Solución de un modelo CCR-INPUT con una entrada y una salida. Observando la figura se aprecian las proyecciones de las distintas DMUs sobre la frontera eficiente, dichas proyecciones representan qué valor de entrada, para una salida constante, debería de tener cada unidad productiva para ser eficiente. La DMU2, como ya es eficiente no tiene proyecciones y por tanto no tiene que cambiar ni su entrada ni su salida. Se ha podido observar que éste modelo solo hace que en las proyecciones sobre la frontera eficiente reduciendo únicamente las entradas, esto es debido a que la linealización del modelo RATIO expuesta anteriormente tenía como objetivo modelar un entorno con retorno de escala constante y orientación de entrada, de ahí su nombre CCR-INPUT. 3.5.3.3 Modelo CCR-OUTPUT Para el modelo CCR-OUTPUT el término del cociente que se iguala a la unidad es el numerador, es decir, que el modelo lineal primal nos queda: 1 s.a. ∑ 1 ∑ 1 0 ∀j1,…,n ∑ 1 1 (3–15) 18Mediantefaseradialsoloseconseguiríaqueseproyectarasobreunpuntodelafronteratecnológicaquepodríanoperteneceralafrontera eficiente.
21 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea ∀ k1,…, p ∀ i1,…, m Al igual que con CCR-INPUT para la resolución se recurre al modelo dual, dicho modelo quedaría con la siguiente forma: 1 1 s.a. ∑ 1 ∀i1,…,m ∑ 1 ∀k1,…,p 0 ∀j1,…,n ,0 ∀i1,…,m;∀k1,…,p libre (3–16) La manera de optimizar este problema es análoga a la expuesta en el modelo CCR-INPUT, realizándose en primer lugar la fase radial, maximizándose el valor de γJ. Una vez obtenido el valor de γJ* se procede a realizar la fase rectangular de manera que se maximiza∑ 1 ∑ 1 . En caso de que para una unidad se obtenga la solución γJ*=1 y tk*=si*=0 dicha unidad será eficiente ya que se proyecta sobre sí misma. Para el mismo conjunto de unidades productivas que en el ejemplo anterior (Fig. 10) con una sola entrada y una sola salida, la representación gráfica de la solución quedaría de la siguiente forma: Figura 11. Solución de un modelo CCR-OUTPUT con una entrada y una salida. Se puede apreciar en la figura como las distintas DMUs se proyectan sobre la frontera eficiente, representando estas unidades productivas virtuales el valor de entrada y salida que debería tener cada DMU para ser consideradas eficientes. Evidentemente, tal y como se aprecia en la figura la proyección sobre la frontera se realiza aumentando el nivel de salida manteniendo el valor de la entrada constante. En este caso la linealización que se realizó sobre el modelo RATIO consiguió que el modelo únicamente se proyecte sobre la frontera eficiente aumentando el nivel de las salidas. Por lo tanto, el modelo es de orientación de salida, de ahí su nombre, CCR-OUTPUT.
Metodología DEA 28 3.5.6 Conclusión En este apartado se han recopilado aquellos modelos más fundamentales y sencillos de DEA. Sin embargo, la cantidad de modificaciones que se pueden realizar sobre éstos modelos y la cantidad de modelos que combinan y añaden elementos es increíblemente extensa. De todos modos, se considera suficiente esta recopilación para esta memoria. 3.6 Revisión de Metodología DEA aplicado a Deportes Como se ha comentado anteriormente, el campo de aplicación de DEA es muy amplio, abarcando desde estudios en el sector sanitario hasta estudios en el ámbito del deporte. En deportes, la metodología DEA es ampliamente utilizada y los resultados resultan ser tremendamente útiles y necesarios, más aún en la élite deportiva donde pequeñas diferencias generan grandes cambios en los resultados. A continuación. se muestran una recopilación de distintas investigaciones realizadas en diversas disciplinas deportivas que recoge siquiera una pequeña parte de todas las investigaciones que se han realizado de DEA en deportes. Se han recopilado aquellos trabajos más similares al que se realiza en este estudio, por tanto, se han escogido deportes de equipo que cuentan con gran seguimiento por parte de la población. Además, resulta interesante observar cómo existe gran diversidad de modelos DEA, los cuales van surgiendo, generalmente, según la situación lo requiera22. Algunos utilizan directamente modelos clásicos, otros son solo pequeñas modificaciones de modelos básicos para adaptarlos a ciertas situaciones específicas, en otros se combinan distintas técnicas DEA y otros utilizan modelos recientes e innovadores. Tabla 3-1. Investigaciones DEA en Baloncesto. Título Año Autores Modelo DEA utilizado Evaluando el rendimiento del jugador de la NBA usando DEA con datos enteros acotados 2016 Ya Chen, Yande Gong & Xiang Li VRS-OUTPUT con datos enteros acotados23 Dynamic Network DEA aplicado al deporte del baloncesto 2018 Gabriel Villa & Sebastián Lozano Dynamic Network DEA Seleccionando pesos distintos de cero para evaluar la efectividad de jugadores de baloncesto con DEA 2008 W. W. Cooper, José L. Ruiz & Inmaculada Sirvent CCR-OUTPUT24 Una evaluación mediante network DEA de la eficiencia de equipos en la NBA 2012 Plácido Moreno & Sebastián Lozano Network DEA Tabla 3-2. Investigaciones DEA en Beísbol. Título Año Autores Modelo DEA utilizado Elección del mejor nueve del beisbol profesional de Japón basado en el modelo DEA 2015 Tohru Ueda & Hirofumi Amatatsu CCR+assurance region 22Muchosdeestosmodelosselimitanarealizarpequeñasmodificacionesamodelosqueyaexistían. 23Seempleaunmétodosinfaseradialconorientacióndesalidaydatosenterosacotados. 24Conalgunasmodificacionesdeloriginalparaquelospesosseandistintosdecero.
29 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea Una nueva medida de los bateadores de beisbol usando DEA 1997 Timothy R. Anderson & Gunter P. Sharp CBI-Model Fronteras en la Major League Baseball. Análisis no paramétrico usando DEA 2011 John Ruggiero Diversos modelos y aplicaciones Tabla 3-3. Investigaciones DEA en Fútbol. Título Año Autores Modelo DEA utilizado Evaluando la eficiencia de marcar de un partido de fútbol 2016 Gabriel Villa & Sebastián Lozano Network DEA Evaluación del desempeño en la UEFA Champions League 2017 Fabíola Zambon-Ferraresi, Lucía Isabel García-Cebrián, Fernando Lera-López & Belén Iráizoz BCC+ bootstrapped DEA Evaluación del desempeño de la Premier League Inglesa con análisis por envoltura de datos 2007 Carlos Pestana Barros & Stephanie Leach CCR-OUTPUT y BCCOUTPUT Midiendo la eficiencia y la productividad en equipos de fútbol profesionales: evidencia de la Premier League Inglesa 2007 Isidoro Guzmán & Stephen Morrow Índice de Malmquist Midiendo la eficiencia técnica de leyendas del fútbol: ¿quiénes fueron los j ugadores más eficientes del Real Madrid de todos los tiempos? 2014 Daniel Santín Supereficiencia aplicado a BCC-DEA sin orientación 3.7 Dynamic DEA La metodología de DEA Dinámico (Dynamic DEA) se encarga de evaluar la eficiencia de distintas DMUs pero no solo en un determinado momento o en un determinado lapso de tiempo como hacían los modelos clásicos, sino que el objetivo es determinar qué DMU es eficiente considerando también un conjunto de instantes en el tiempo. La primera aproximación a este propósito fue el análisis de ventana de Klopp. En DEA existen diversos métodos que miden la eficiencia considerando cambios en el tiempo, como por ejemplo podría ser el índice de Malmquist o el anteriormente mencionado análisis de ventana de Klopp. El problema con este tipo de métodos es que no admiten la posibilidad de que existan recursos (a los que llamaremos carry-over) que son salidas de una unidad productiva en un periodo y entradas en el periodo siguiente, se limitan a analizar de manera independiente cada DMU en un instante de tiempo. El problema de esto radica en que existen recursos que afectan a dos (o incluso más) periodos de tiempo considerados, y estos métodos tienden a darle una importancia más baja de la real o incluso llegan a obviar ciertos de estos datos. Inversiones a largo plazo, avances tecnológicos, desarrollo de I+D serían, por citar algunos, ejemplos de datos que podrían afectar a más de un periodo de tiempo. Dynamic DEA, propuesto por primera vez por Färe y Grosskopf, viene a resolver esta problemática con la inclusión del concepto de recurso carry-over. Esta metodología será la seguida en este trabajo ya que, en el fútbol, resulta de vital importancia tener en consideración distintos datos considerados carry-over, tales como el valor monetario de una determinada plantilla, que resultará ser salida de una DMUt y entrada de una DMUt+1. Es un dato que se “arrastra”, de ahí su nombre en inglés. La estructura que seguía cualquier modelo DEA de los expuestos, puesto que no se consideraba el tiempo, era, de manera muy básica la de la Figura 7. Ahora, como se están considerando variaciones en el tiempo y variables carry-over, la estructura para Dynamic DEA gana en complejidad. De manera básica, la estructura de un modelo DEA dinámico resulta ser la siguiente:
Metodología DEA 30 Figura 15. Estructura básica de Dynamic DEA. Se puede apreciar en la figura cómo en Dynamic DEA existirán entradas y salidas corrientes, como las utilizadas en los modelos básicos para cada DMU en cada instante de tiempo t, y además existirán carry-over, los cuales son salida de una determinada DMU en un instante t y, a su vez, son entrada de la misma DMU en el instante t+1. El modelo en específico que se va a desarrollar de ahora en adelante, y que será utilizado en el trabajo de esta memoria, va a ser el DSBM (Dynamic Slack-Based Measure). Este modelo está, como su propio nombre indica, basado en holguras. En este modelo, las actividades denominadas carry-over podrán ser deseables (a mayor nivel de ésta mayor productividad a priori), indeseables (a mayor nivel, menor productividad), libres o no discrecionales. Además, dado que los modelos SBM (donde se engloba DSMB) son no radiales, se nos permita trabajar con entradas y salidas de manera individual, así es como este modelo nos permite la inclusión de pesos a las entradas y salidas en función de su importancia. Otra ventaja a tener en cuenta es que existen tres modelos en función de las orientaciones a la hora de realizar el análisis de eficiencia: modelo de entrada (input), salida (output) y no orientado (non oriented). Estas ventajas anteriormente expuestas dotan al método de gran versatilidad, de esta forma la cantidad de aplicaciones de esta metodología resulta ser bastante amplia, cubriéndose así una gran demanda de uso por parte de investigadores y analistas. 3.7.1 Estructura del modelo Usando como base todo el desarrollo anterior, el modelo Dynamic DEA constará de n DMUs (j=1,…,n) en T instantes de tiempo (t=1,…,T). Para cada instante, las DMUs tendrán en común m entradas (i=1,…,m), p entradas no discrecionales (i=1,…,p), s salidas (i=1,…,s) y r salidas no discrecionales (i=1,…,r). Teniendo esto en cuenta, se denota como xijt (i=1,…,m), (i=1,…,p), yijt (i=1,…,s), (i=1,…,r), a las entradas, entradas no discrecionales, salidas y salidas no discrecionales respectivamente, para la DMU j en t. Anteriormente se dijo que existían cuatro tipos de variables carry-over, las cuales se denotarán como zgood (deseable), zbad (indeseable), zfree (libre), zfix (fija). Como ejemplo de notación, se denotará a una carry-over i, de la DMU j en el instante t como (i=1,…,nbad). Con todo esto el conjunto de producción quedaría del siguiente modo:
31 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea ∑ 1 i1,…,m;t1,…,T ∑ 1 i1,…,p;t1,…,T ∑ 1 i1,…,s;t1,…,T ∑ 1 i1,…,r;t1,…,T ∑ 1 i1,…,ngood,;t1,…,T ∑ 1 i1,…,nbad;t1,…,T : i1,…,nfree;t1,…,T ∑ 1 i1,…,nfix;t1,…,T ∑ 1 1 t1,…,T 0 i1,…,n;t1,…, T (3–25) siendo el conocido como vector intensidad para la DMU j en el instante t. Además, se denotan como ngood, nbad, nfree y nfix al número de actividades carry-over deseadas, no deseadas, libres y fijas, respectivamente. Es importante destacar la última restricción de las planteadas anteriormente en la ecuación (3.25). Esta restricción obliga a que, para un determinado instante de tiempo t, la suma de las λ de todas las DMUs sean igual a uno. Lo importante de esta ecuación es que tiene la capacidad de manipular el retorno de escala que se quiera emplear. Si se desea que sea un modelo con retorno de escala variable se implementará dicha restricción y si se desea que sea con retorno de escala constante se eliminará. Como se comentó con anterioridad, las actividades carry-over son salidas de una DMU en un instante t y entradas en un instante t+1. Para hacer que esto se cumpla, se implementa la siguiente restricción: 1 1 1 ∀;1,…, (3–26) Donde la letra α representa al conjunto completo de variables carry-over. Esta restricción es la más característica del modelo y es la que, de hecho, hace al modelo dinámico, ya une una misma DMU en instantes distintos de tiempo. Teniendo en cuenta todas estas restricciones y considerando que el modelo sobre el que estamos trabajando utiliza holguras, se utilizarán como holguras , , , y las cuales respectivamente representarán el exceso de entrada, déficit de salida, déficit de carry-over (en caso de ser variable deseable), exceso de carryover (en caso de ser variable indeseable), desviación de carry-over (en caso de ser variable libre). El modelo, para una DMU genérica a la que denominaremos DMU0 quedará del siguiente modo: 0∑ 1 i1,…,m;t1,…, T 0 ∑ 1 i1,…,p;t1,…,T 0∑ 1 i1,…,s;t1,…,T 0 ∑ 1 i1,…,r;t1,…, T (3–27)
Metodología DEA 32 0 ∑ 1 i1,…,ngood,; t 1,…, T 0 ∑ 1 i1,…,nbad;t1,…,T 0 ∑ 1 i1,…,nfree;t1,…,T 0 ∑ 1 i1,…,nfix;t1,…,T ∑ 1 1 t1,…,T , , , , 0 i1,…,n;t1,…,T : ∀, i1,…,n;t1,…, T 3.7.2 Función objetivo y cálculo de eficiencias Una vez vistas las restricciones con las que debe contar un modelo Dynamic DEA, pasamos a desarrollar tres tipos distintos modelos de optimización en función del objetivo de análisis perseguido, bien sea orientación de entrada, orientación de salida o sin orientación y será tarea del analista, investigador, ingeniero, etc. determinar cuál ha de usar para la aplicación que está desarrollando, de hecho es fundamental realizar una correcta elección del modelo ya que de otro modo los resultados resultarán incorrectos. Como se comentó con anterioridad, el modelo DSBM con el que estamos trabajando utiliza holguras, las cuales fueron definidas anteriormente ( , , , , ), además nuestro modelo trabajará también con la variable . El modelo con orientación de entrada el objetivo es reducir el nivel de las diferentes entradas manteniendo el nivel de salidas constante para cada DMU de forma que ésta resulte ser eficiente. Dado que estamos en el caso de trabajar con DSBM, el modelo en este caso realizará una maximización de aquellas holguras relativas asociadas a las entradas, minimizándose así el valor de dichas entradas. Para el modelo con orientación de salida el objetivo será el de aumentar el valor de las diferentes salidas manteniendo el nivel de entrada constante para cada una de las distintas DMUs, de manera que se llegue a la frontera eficiente. El modelo DSBM, de manera análoga al anterior modelo, procurará en este caso maximizar el valor de las holguras y, por tanto, aumentando el nivel de las diferentes salidas. El modelo sin orientación, a diferencia de los otros dos, no tiene una orientación específica, por lo que buscará simplemente desplazarse a la frontera eficiente sin reparar en si se está reduciendo el nivel de entrada, aumentando el nivel de salida o realizando ambas cosas al mismo tiempo. Por tanto, dado que admite tanto desplazamientos en los valores de las entradas como en los valores de las salidas, se podría decir que el modelo no orientado aúna en un solo modelo el modelo de orientación de entrada y de orientación de salida. En conclusión, el objetivo del modelo DSBM será maximizar todas las holguras, si realizar distinciones entre ellas. 3.7.2.1 Modelo con orientación de entrada La eficiencia global para el caso de orientación de entrada es la siguiente: ∗1 1 1 1 0 1 0 1 (3–28) respetando las expresiones 3.26 y 3.27 y siendo wt y wilos pesos correspondientes al instante t y a la entrada i
33 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea respectivamente. Estos pesos han de ser datos dados por el analista y determinan la importancia que recibe cada instante y cada entrada. Dichos pesos deberán respetar las siguientes expresiones: 1 1 (3–29) En caso de que las importancias fueran exactamente las mismas para cada periodo y cada entrada se le daría a cada peso un valor igual a la unidad. Esta función objetivo, debido a que su modelo forma parte de los modelos SBM, trabaja con holguras. Estas holguras son, por un lado, excesos de entradas y por otro, holguras relacionadas con las actividades carry-over indeseadas. Estas holguras están tratadas de manera similar en la función objetivo debido a que sus características similares, de hecho, se busca una reducción de sus cantidades. De todos modos, una variable carry-over no es exactamente igual a una variable de entrada, debido a que las variables carry-over conectan dos instantes consecutivos de una misma DMU (expresión 3.26). En la expresión 3.28 cada uno de los períodos que son sumados (y que se encuentran entre corchetes) representa la eficiencia específica para un instante determinado de tiempo como una medida de las holguras tanto de entrada como de carry-over indeseada. De hecho, una unidad en un determinado instante de tiempo sería eficiente en el caso de que todas las holguras tuvieran valor 0, ya que así el valor de la eficiencia relativa para ese período sería la unidad. La eficiencia específica para un determinado momento del tiempo se puede definir de la siguiente forma, teniendo en cuenta que se parte de la solución óptima dada por 3.28 sujeto a 3.26, 3.27 y 3.29: ∗1 1 0 ∗ 0 1 0 ∗ 0 1 1,…, (3–30) Esta eficiencia se limita a medir la eficiencia relativa de una DMU en un determinado instante, por lo tanto, la eficiencia global para una DMU previamente planteada se podría definir como la suma ponderada de las eficiencias específicas para cada instante de dicha DMU. De esta manera, la eficiencia global para una DMU0 se podría expresar como: ∗1 ∗ 1 (3–31) De todo lo expresado anteriormente se pueden obtener una serie de conclusiones: Si la eficiencia de una determinada DMU para un periodo t resulta ser 1 (θ0t*=1) se considera que dicha DMU para ese instante concreto de tiempo es eficiente para una orientación de entrada. En caso de que sea eficiente dicha DMU significará que todas las holguras, tanto las de las entradas como las de las actividades carry-over indeseadas, son cero. Si la eficiencia global de una determinada DMU es igual a 1 (θ0*=1) se considerará que dicha DMU es eficiente globalmente para una orientación de entrada. Esto significa que todas las holguras de entrada y de carry-over no deseadas para todos los periodos de t considerados han debido de ser cero. Por tanto, una DMU cuyas eficiencias para para todos los periodos de t hayan sido uno (y por tanto sus holguras cero) será eficiente globalmente. La eficiencia global, θ0*, será una solución única, es decir, mediante la expresión 3.28 quedaría definida con un único valor. Sin embargo, esto no significa que la eficiencia para cada periodo, θ0t*, resulte ser única, de hecho, es posible que tenga múltiples soluciones óptimas. El hecho de que exista un óptimo
Metodología DEA 34 con múltiples soluciones significa que tanto 0 ∗como0 ∗tienen soluciones óptimas alternativas y por tanto la proyección sobre la frontera eficiente no será única. En los modelos SBM como este no existe fase radial, y por tanto es común encontrar esta problemática. Para determinar el rango de variación de estas soluciones se podría maximizar (minimizar) θ0t* mientras se mantiene constante la solución de óptimo global θ0*, para lo cual se introduciría a modo de restricción. 3.7.2.2 Modelo con orientación de salida En este modelo, la eficiencia global se define como: 1 0∗1 1 1 (3–32) sujeto a las restricciones expuestas en 3.26 y 3.27. Los pesos wt y wi+ se correspoden respectivamente con el instante t y la salida i y siendo τ0* la eficiencia global de una determinada unidad productiva DMU0. Los pesos deberán respetar las siguientes restricciones: 1 1 (3–33) La función objetivo de este modelo trabaja con los déficits de las salidas y con los déficits de las carry-over deseables. Al igual que en el modelo con orientación de entrada, el modelo trabaja de igual forma con las holguras de las salidas como con las holguras de las carry-over deseables. Sin embargo, como ya se mencionó, se deberá respetar que las variables carry-over conectan dos periodos consecutivos (expresión 3.26). La manera de funcionar de este modelo con orientación de salida es muy similar al de orientación de entrada, por tanto, las conclusiones y desarrollos lógicos serán análogos. Por consiguiente, la eficiencia para una determinada DMU0 en un instante t (τ0*) será, para una solución óptima dada de resolver 3.32 sujeto a 3.26, 3.27 y 3.33: 1 0 ∗1 1 ∗ ∗ 1,…, (3–34) Al igual que en el modelo de orientación de entrada, la eficiencia global de una DMU será la media ponderada de las eficiencias de las eficiencias para cada instante: 1 0∗1 0 ∗ (3–35) Las conclusiones que se desprenden de este modelo son completamente análogas a las del modelo con orientación de entrada y por tanto no se desarrollarán. 3.7.2.3 Modelo sin orientación El modelo sin orientación resulta de la combinación de los dos últimos modelos, por lo tanto, la eficiencia se puede definir como:
35 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea ∗1 ∑ 1 1 ∑ ∑ 1 ∑ 1 1 ∑ ∑ (3–36) sujeto a 3.26 y 3.27. Este modelo trabaja tanto con los excesos de entradas y de carry-overs no deseadas y con los déficits de salidas y de carry-overs deseadas. Se puede apreciar como este modelo surge de la combinación de los dos anteriores, ya que el denominador es la inversa de la eficiencia global del modelo con orientación de salida y el numerador es la eficiencia global del modelo con orientación de entrada. Por tanto la eficiencia global del modelo sin orientación será el ratio de estas dos, y obtendrá valores entre cero y uno. Una unidad se considerará eficiente cuando dicha función objetivo alcance el valor 1, y esto sucederá cuando todas las holguras presentes en la función objetivo valgan cero. Como sucedía con los modelos anteriores, la eficiencia de una DMU0 en un instante t será, para una solución óptima dada por resolver 3.36 sujeto a 3.26 y 3.27, será: ρ ∗1 1 ∑ ∗ 1 ∑ ∗ 1 1 1 ∑ ∗ 1 ∑ ∗ 1 1,…, (3–37) Las conclusiones desprendidas de este modelo son similares a las planteadas en los modelos anteriores. 3.7.2.4 Incorporación a la función objetivo de carry-overs libres Tal y como se describió en la expresión 3.27, admite tanto valores positivos como negativos, por tanto, 0 se considerará como excesivo si ∗0y como deficitario si ∗0. En las funciones objetivos de los modelos anteriormente planteados no se tenían en consideración las variables carry-over libres. A diferencia de las carry-over deseables e indeseables, los cuales se incluyen en su respectiva función objetivo, las variables libres no están consideradas de manera explícita. En caso de que fuera necesario incorporar estas variables libres a la función objetivo se podría añadir a través de dos formas: la primera de ellas es la considerada Ex-post y la segunda mediante el método MIP (Mixed Integer fractional Program). La primera, el método Ex-post. Usando el modelo sin orientación (se puede extrapolar todo al resto de modelos), si obtenemos una solución óptima de resolver 3.36 sujeto a 3.26 y 3.27 obteniéndose por tanto unos valores óptimos para las holguras libres ∗, podemos pasar a definir: 0 ∗0,0 ∗0 ∗0,0 ∗ (3–38) De esta forma 0 ∗0 ∗0 ∗ y 0 ∗∗0 ∗0. Evidentemente, 0 y 0 son respectivamente el exceso y el déficit de la variable libre considerada. Una vez que tenemos definidas estas dos variables, podemos definir la función objetivo del modelo no orientado (aplicable adecuadamente al resto de modelos) como:
Metodología DEA 36 ∗1 ∑ 1 1 ∑ ∗ ∑ ∗ ∑ ∗ 1 ∑ 1 1 ∑ ∗ ∑ ∗ ∑ ∗ (3–39) La eficiencia para un determinado instante en este caso se podría redefinir de manera análoga a lo realizado en la expresión 3.37. Se obtendrán conclusiones similares a las obtenidas por los modelos anteriores, de hecho, para la eficiencia de un determinado instante de tiempo también se obtendrán soluciones óptimas alternativas para las distintas holguras que intervienen. La segunda forma de introducir las variables libres en el modelo sería mediante el método MIP. Es necesario para este método comenzar aplicando la expresión 3.38 de manera que tengamos: 0 ∗0 ∗0 ∗,0 ∗∗0 ∗0,0 0,0 0 (3–40) Usando esta expresión la función objetivo ahora será: ∗1 ∑ 1 1 ∑ ∑ ∑ 1 ∑ 1 1 ∑ ∑ ∑ (3–41) Con esta función objetivo, minimizamos 3.41 sujeto a 3.26, 3.27 y 3.40. Una vez realizado esto se podría obtener la eficiencia de una DMU para un determinado instante de manera análoga a como se ha realizado en 3.37. Las conclusiones obtenidas aplicando este método son similares a las obtenidas con el método Ex-post. 3.7.3 Inclusión de una condición inicial en las variables carry-over Hasta el momento se ha trabajado con modelos en los cuales cada carry-over en el instante t era salida de una DMU en t y a su vez conectaba como entrada con la DMU en t+1. Sin embargo, en gran cantidad de ocasiones se hace necesario que el modelo cuente con una medida de carry-over inicial que será entrada de la DMU en el instante t=1 tal y como se muestra en Fig. 16. Figura 16. Estructura de Dynamic DEA con condición inicial.
37 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea Consideremos que estos términos iniciales serán , , , , para carry-over deseables, indeseables, libres y fijas, respectivamente, a las cuáles queremos añadirle una condición inicial. Teniendo esto, las restricciones que modelarían esta condición inicial serían: 0 ∑0 1 i1,…,ngood 0 ∑0 1 i1,…,nbad 0 ∑0 1 , : i1,…,nfree 0 ∑0 1 i1,…,nfix (3–42) Una vez que tenemos estas restricciones bastaría con añadirlas al modelo que se desee implementar. Es importante remarcar que en un mismo modelo pueden coexistir tanto variables carry-over que tengan condición inicial como variables carry-over sin ella, simplemente se añaden las restricciones vistas en la expresión 3-42 particularizadas para aquellas variables que requieran de condición inicial. 3.7.4 Índice de factor de eficiencia Tal y como se comentó con anterioridad, SBM es un modelo no radial. Por tanto, debido a que no se produce variación radial de las variables, sino que cada una de ellas se reduce o aumenta (según corresponda) de manera independiente se puede obtener un índice de factor de eficiencia (FEI, Factor Efficiency Index, en inglés) para cada una de las entradas, salidas y carry-over usando solo el valor actual de la variable y el valor de su proyección sobre la frontera eficiente. De este modo nos quedaría la siguiente expresión: ó1 (3–43) En caso de que el valor de FEI para una determinada variable de una DMU sea cero, entonces significa que el valor actual y el de la proyección son iguales y por tanto dicha variable se encontrará en la frontera eficiente y el factor25 será considerado eficiente. También se podría dar el caso de que se obtuviera un valor negativo, y por tanto estaríamos ante una salida o una carry-over deseable ineficiente. Otra posibilidad es que se obtuviera un valor positivo, entonces estaríamos ante una entrada o una carry-over indeseable ineficiente. Es importante remarcar que este indicador, determina si una variable de una unidad productiva es eficiente o no y por tanto no valora si la DMU al completo es o no eficiente. En todo caso, si todas las variables de una DMU tuvieran un FEI con valor cero se consideraría a dicha DMU eficiente. En caso contrario, aunque solo hubiera una variable que no obtiene FEI nulo, se considerará a esa DMU en concreto ineficiente. 25QuenoladesuDMUcorrespondiente.
Implementación del modelo 44 que aúne ambos objetivos. 4.5 Justificación del modelo 4.5.1 Elección de variables Tal y como se comentó durante el desarrollo de la teoría de DEA, seleccionar correctamente las entradas y salidas que realmente son influyentes para medir la eficiencia sin dejar otras variables importantes de lado es una tarea sesuda y, generalmente abierta a debate debido a que en cualquier trabajo sobre DEA que se realice normalmente existirán dudas sobre si un determinado dato es relevante para medir la eficiencia o no. Sin embargo, las variables en esta investigación han sido seleccionadas usando como referencia ciertos estudios sobre DEA aplicado al fútbol (Ver Tabla 3.3), artículos periodísticos sobre el funcionamiento y la gestión de los clubes de fútbol y el siempre importante criterio propio, fruto de la más profunda reflexión y análisis del funcionamiento de un club de fútbol. También es cierto que otras variables, como por ejemplo el valor de las plantillas filiales o la incidencia de lesiones podría influir en la eficiencia de los clubes. Pero existen dos problemas importantes con la mayoría de ellas que impiden que se puedan añadir al análisis de la eficiencia mediante DEA. En primer lugar, es muy discutible el hecho de que realmente debieran de considerarse estos datos como relevantes (de hecho, gran parte de investigaciones DEA sobre fútbol lo han ignorado). En segundo lugar, existe una gran falta de información fiable, como en el caso del valor de las plantillas filiales. Además, en algunas variables, como la incidencia de las lesiones, es realmente complejo cuantificar el perjuicio que le supone una lesión a un club ya que muchos factores serían importantes en esta medición (importancia del jugador en la plantilla, existencia de sustitutos, periodo de recuperación tras lesión, duración, gravedad, etc.). En definitiva, tras un análisis de investigaciones DEA sobre fútbol, artículos de especialistas sobre fútbol y reflexión propia, las variables elegidas son las consideradas más relevantes a la hora de medir la eficiencia. A ello se añade que las fuentes de las cuales se obtienen los datos de las variables elegidas son de una alta fiablidad. 4.5.2 Fuentes de los datos utilizados Las fuentes de las cuales se han tomado datos son diversas pero todas ellas son altamente fiables. En primer lugar, los datos sobre el valor de la plantilla han sido tomados del sitio web de Transfermarkt, de origen alemán. Esta web se dedica a recopilar datos sobre el mundo del fútbol, entre ellos el valor de mercado de los futbolistas. Este sitio es ampliamente utilizado a nivel mundial29 para realizar consultas sobre el mundo del fútbol y está considerado como uno de los mejores y más fiables proporcionando datos sobre este mundo. Para las tres variables de salida, puntuación, goles a favor y goles en contra, no existía una fuente que fuera altamente fiable. Sin embargo, haciendo consulta en las bases de datos que proporcionan tres diarios españoles especializados en el mundo del deporte (Sport, Marca y As) resultó que la información proporcionada era exactamente la misma por los tres diarios. Por tanto, estos datos se pueden considerar también altamente fiables. Una entrada de bastante relevancia son los salarios totales de los jugadores. En este caso los datos fueron tomados de una prestigiosa publicación de la agencia Sporting Intelligence denominada Global Sports Salaries Surveys que publica cada año un informe con los salarios de multitud de deportistas, así como los gastos que han hecho en este área distintos clubes de diversas áreas (fútbol, baloncesto, fútbol americano, etc.). La inversión en fichajes fue obtenida nuevamente del sitio web Transfermarkt, el cual mostraba el balance entre los gastos realizados en fichajes y los ingresos obtenidos por la venta de jugadores. 29Sinirmáslejos,enAlemaniaseencuentraenelTop25delossitioswebsmásvisitadosdelpaís.
45 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea 4.6 Modelado matemático del modelo Teniendo en cuenta todo lo desarrollado a lo largo de este capítulo, las ecuaciones matemáticas por las que se regirá el modelo serán las desarrolladas a continuación. Los nombres de los datos usados y su correspondencia se detallan en la siguiente tabla: Tabla 4-2. Relación de datos del modelo y su significado Significado Variable Inversión en fichajes INVERSION Salarios de los jugadores SALARIOS Puntuación total ponderada PUNTUACION Goles en contra por partido GC Goles a favor por partido GF Valor de mercado de la plantilla PLANTILLA También existirán variables slack, cuyas siglas serán el término slack junto con la sigla del dato correspondiente, además de las ya conocidas como λ (ver capítulo 3). Los goles en contra, debido a que son una salida no deseada, serán modelados como una entrada (Halkos y Petrou, 2019). Además, dado que la inversión en fichajes podrá ser tanto positiva como negativa se hará uso de la transformación propuesta en el capítulo 3. Dicha transformación quedaría del siguiente modo (para cada DMU0 (o=1,…,n): min t=2014/15,…,2017/18, j=1,…,n (4–1) En primer lugar se muestra el modelo sin linealizar y posteriormente se mostrará el mismo modelo una vez linealizado para cada DMUo (o=1,…,n). Para las variables de entrada las restricciones serían: = ∑ t=2014/15,…,2017/18 = ∑ t=2014/15,…,2017/18 (4–2) Para las variables de salida nos tendríamos las siguientes restricciones, se puede apreciar cómo los goles en contra, debido a que son una salida indeseable, son tratados como una entrada, es decir, una variable a reducir. El tratamiento para dicha variable será también aplicado en la función objetivo: = ∑ t=2014/15,…,2017/18 = ∑ t=2014/15,…,2017/18 = ∑ ′ t=2014/15,…,2017/18 (4–3) Para la variable carry-over de valor de plantilla habría que implementar las siguientes restricciones: = ∑ t=2014/15,…,2017/18 ∑ t=2013/14 ∑ ∑ t=2014/15,…,2016/17 (4–4) Donde la segunda línea de la expresión hace que pueda existir un valor de plantilla inicial a modo de entrada en el primer periodo analizado. También hay que tener en cuenta la siguiente expresión, la cual aplica a los tres grupos de restricciones precedentes:
Implementación del modelo 46 ,,,,,, 0 ∀ (4–5) Por último, la función objetivo será: ρ ∗14∑113 / / 14∑113 / / (4–6) Las expresiones aquí planteadas se corresponden con el modelo no lineal, se puede apreciar cómo la función objetivo no es lineal debido a que es un cociente. Por tanto, se hace necesaria una linealización. La linealización (Fulanito, 2936) se realiza mediante la inserción de una nueva variable w e incluyendo un cambio de variables, donde la variable x’=w*x, siendo x cualquier variable tipo slack o λ. El modelo linealizado para una DMUo con (o=1,…,n) quedará como se presenta a continuación. ∗min1413′ ′ ′ 2017/18 2014/15 s.a. ∑ ′ ′ ′ / / =1 ∙ = ∑′ ′ t=2014/15,…,2017/18 ∙ = ∑′ ′ t=2014/15,…,2017/18 ∙ = ∑′ ′t=2014/15,…2017/18 ∙ = ∑′ ′ t=2014/15,…,2017/18 ∙= ∑′ ′ t=2014/15,…,2017/18 ∙ = ∑ ′ ′ t=2014/15,…,2017/18 ∑ t=2013/14 ∑′ ∑′ t=2014/15,…,2016/17 min t=2014/15,…,2017/18, j=1,…,n (4–7) Una vez resuelto este modelo linealizado, se desharía el cambio de variables realizado en aras de obtener los valores de slacks originales óptimos. Y una vez concluido este paso, se procedería a la medida de la eficiencia de cada DMU en cada instante (de manera análoga a la expresión 3.37) mediante la siguiente expresión:
47 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea ρ ∗113 113 (4–8) 4.7 Retorno de escala variable Tras esto, el modelo quedaría planteado y podríamos pasar a resolver el modelo. Una vez hayamos resuelto el modelo y aplicado la expresión 4.8, tendremos un cálculo de eficiencia, slacks y λ para un modelo de retorno de escala constante. Sin embargo, se comentó que se iba a realizar el análisis de la eficiencia suponiendo tanto retorno de escala constante como variable. Por lo que para proceder a obtener los resultados VRS se añadiría la siguiente restricción al modelo ya existente: 1 2014 15,…, ⁄201718 ⁄ (4–9) Para el modelo linealizado, dado que se trabaja con un cambio de variable, la restricción quedaría del siguiente modo: ′ 201415,…, ⁄201718 ⁄ (4–10) Una vez tenemos los dos modelos pasaríamos a implementar ambos mediante el lenguaje de programación LINGO®. 4.8 Procedimiento de implementación del modelo El modelo linealizado que se mostró en la expresión 4-7 y 4-8 (se incluiría la expresión 4-10 para VRS) será implementado creando un código mediante el programa LINGO® (ver Anexo 8), dicho programa permitirá resolver el modelo pretendido.
Implementación del modelo 48 Figura 18. Fragmento de código LINGO® utilizado. Para que el programa funcione recibirá los datos sobre entradas y salidas del modelo de una hoja de Microsoft Excel® debidamente preparada. Una vez el programa resuelva el modelo, volcará los datos en la misma hoja Excel® en el conjunto de casillas que hayamos preparado para dicho fin. Figura 19. Fragmento de hoja Excel debidamente preparada. Además, en la hoja Excel®, se realiza la medida de eficiencia (tanto global como para cada instante de cada DMU) y cálculo de las diferentes λ. Debido a que el programa en LINGO® solo nos devuelve el valor de los slacks, se creará un conjunto de casillas donde, de forma algebráica, a partir de estos slacks se calcularán estos datos anteriormente mencionados. Tras haber programado de forma correcta los modelos (tanto VRS como CRS) obtendríamos las medidas de eficiencia relativa las cuales eran el objetivo principal de esta investigación, así como otros datos igualmente relevantes. Una vez hecho esto, estaremos en condiciones de extraer conclusiones relativas a cómo cada club está gestionando sus recursos a la hora de conseguir resultados económicos y deportivos.
49 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea 5 ANÁLISIS DE RESULTADOS 5.1. Introducción En este capítulo se pretende analizar los diversos datos obtenidos de haber medido la eficiencia. El primero y más relevante es la eficiencia, tanto global (relativa a los cuatro períodos analizados) como aquella relativa a cada año. Además resulta interesante analizar los distintos slacks obtenidos en aquellos clubes ineficientes, ya que este dato nos indica qué modificar y cuánto para que el equipo resulte eficiente. También se hará un ejercicio de benchmarking, ya que resultará de interés saber qué equipos eficientes serán referencia de los no eficientes. Resulta interesante dicho dato ya que si muchos clubes están proyectándose sobre un determinado equipo será porque su modelo de gestión es de los mejores y deberá de ser tenido muy en cuenta incluso por los propios equipos eficientes ya que, probablemente, su forma de gestionar los recursos es la mejor de todos los clubes bajo análisis. 5.2. Medida de la eficiencia Tras haber realizado la medida de la eficiencia, tanto CRS como VRS se han obtenido los siguientes datos de la eficiencia de cada club en cada temporada analizada. Tabla 5-1. Resultados de eficiencia CRS y VRS. Club 2014-2015 2015-2016 2016-2017 2017-2018 CRS VRS CRS VRS CRS VRS CRS VRS Madrid 1 1 0,690401 1 1 1 1 1 Barcelona 1 1 1 1 1 1 1 1 Atlético 1 1 1 1 1 1 1 1 AC Milan 1 1 0,389251 0,459075 0,61054 0,615906 0,444857 0,477128 Roma 1 1 1 1 1 1 1 1 Inter 1 1 0,537782 0,559271 0,504879 1 0,621859 1 Cuando estás solucionando un problema, no tienes que preocuparte. Ahora, después de que has resuelto el problema, entonces sí es momento de preocuparse. - Richard Philips Feynman-
Análisis de resultados 50 Juventus 1 1 1 1 1 1 1 1 Chelsea 1 1 0,362873 1 1 1 1 1 Arsenal 0,447487 0,441592 0,485453 0,551934 1 1 0,705837 1 United 0,273327 0,27503 0,366281 0,402297 0,539464 0,57377 0,70296 1 City 0,409933 0,392282 0,392131 0,448035 0,515085 0,563676 1 1 Liverpool 0,386553 0,413045 0,417686 0,411363 1 1 1 1 Borussia 0,653958 1 1 1 1 1 1 1 Bayern 1 1 1 1 1 1 1 1 Marseille 1 1 1 1 1 1 1 1 PSG 0,655921 1 1 1 0,644284 0,665391 1 1 De manera gráfica los datos CRS se pueden representar de la siguiente forma: Figura 20. Resultados de eficiencia CRS. Y los datos relativos al análisis VRS quedarían:
51 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea Figura 21. Resultados de eficiencia VRS. Observando los datos anteriormente expuestos una de las cosas que más llama la atención es la alta cantidad de temporadas eficientes que han hecho los distintos clubes, en términos globales. Esto no es de extrañar ya que estamos analizando a un conjunto que contiene a varios de los mejores equipos a nivel mundial, y sin ser altamente eficiente resulta difícil mantenerse tanto tiempo en la cúspide del Fútbol como lo llevan haciendo estos equipos. Analizando por países, los clubes españoles y alemanes se pueden englobar entre los más eficientes, en el análisis VRS son completamente eficientes para las cuatro temporadas y en CRS solo el Real Madrid en la temporada 2015-16 y el Borussia en la 2014-2015 no obtuvieron una eficiencia relativa unitaria. La causa de la eficiencia de Real Madrid, FC Barcelona y Bayern de Munich es que son los tres mejores equipos en cuanto a desempeño deportivo del conjunto analizado, son los que mejores datos han obtenido en cuanto a puntuación ponderada, goles y demás30. Mientras, Borrussia y Atlético, resultan eficientes porque, a pesar de estar un “escalón” por debajo los demás en cuanto a presupuesto, han sido capaces de obtener unos resultados bastante meritorios. En Francia el Olympique de Marseille es completamente eficiente, debido principalmente a que es el club con menos presupuesto y peor plantilla de todos los equipos analizados y, aún así, sus resultados deportivos son bastante decentes (en particular los de la última temporada). Por otro lado, el PSG presenta una ineficiencia solo VRS en la primera temporada y una segunda, tanto CRS como VRS. Esta segunda motivada porque no fue capaz de alzarse como campeón de la Liga de Francia, con la consecuente pérdida de puntos en lo que a rendimiento deportivo se refiere. En Italia hay dos equipos que son completamente eficientes, Juventus y AS Roma. La Juventus por sus buenos resultados deportivos, siendo el mejor equipo de Italia con diferencia, mientras que la AS Roma, al igual que pasaba con el Olympique de Marseille, tiene unos resultados bastante respetables para el nivel de presupuestos y plantilla. Por otro lado, el AC Milan y el Inter, no han sido capaces en la mayoría de ocasiones de obtener unos resultados suficientemente buenos para los presupuestos con los que contaban. El conjunto de equipos ingleses serían de los más ineficientes del análisis realizado. De todos modos, se puede apreciar una tendencia alcista en cuanto a eficiencia por parte de estos equipos. La causa más posible de estas ineficiencias sea que, a pesar de que estos equipos manejan unos presupuestos bastante altos, sus resultados deportivos dejan bastante que desear en comparación con el resto de equipos punteros de europa, como podría ser el Real Madrid o el Bayern de Munich. La eficiencia global, que se obtiene a través de la expresión 3-31, en nuestro caso no será más que la media de la eficiencia de cada temporada para cada club (Anexo 9). Los resultados obtenidos son los mostrados a 30Enlíneasgenerales.Paraanalizardemaneraexhaustivacadaequipohabráquerecurriralosanexosdondesemuestrantodoslosdatosal completo.
Análisis de resultados 52 continuación. Figura 22. Eficiencia global CRS y VRS Los resultados mostrados en este gráfico vienen a confirmar el análisis anteriormente realizado. Por tanto, los equipos plenamente eficientes en CRS será FC Barcelona, Atlético de Madrid, AS Roma, Juventus, Bayern Munich y Olympique de Marseille. Además, en VRS serán plenamente eficientes todos los anteriores más Real Madrid, Chelsea y Borussia Dortmund. Una de las conclusiones más relevantes que se pueden obtener a partir de estos datos es que el conjunto de equipos ingleses, salvo el Chelsea, es tremendamente ineficiente en comparación con los demás. Exceptuando el AC Milán (quizá también se podría incluir al Inter de Milán), los equipos no ingleses son bastante eficientes y las ineficiencias que presentan no son muy altas. Sin embargo, el único club inglés que no tiene una situación alarmante en cuanto a eficiencia es el Chelsea (solo fue ineficiente una temporada en CRS). Por tanto, todos los clubes ingleses, exceptuando al Chelsea, y el AC Milan son bastante ineficientes. La causa de esto será vista en detalle más adelante (cuando se analicen los slacks), pero principalmente es debido a que tienen un gasto muy alto en salarios, en inversión y en valor de la plantilla para obtener unos resultados deportivos que no son tan excepcionales como las cantidades que desembolsan en estos aspectos. El único aspecto positivo que se puede desprender de este conjunto de equipos ineficientes es que los equipos ingleses muestran una tendencia alcista en cuanto a eficiencia se refiere, es decir, están aumentando su eficiencia año a año. De hecho, todos ellos al menos han sido eficientes en VRS en la última temporada. Este grupo de equipos ineficientes deberá de poner bastante empeño en remediar esto y, por tanto, deberá de modificar su sistema de gestión de los recursos. Sin embargo, el resto de equipos también deberán de modificar ciertos aspectos en caso de mostrar alguna ineficiencia. E incluso si el club es plenamente eficiente, como el FC Barcelona por ejemplo, siempre deberá de mostrar interés por mejorar su sistema de gestión y en fijarse en otros equipos también eficientes como él. Todo esto se verá con mas detalle en los apartados venideros. Otro dato de relevancia que podemos obtener es cómo ha evolucionado la eficiencia promedio de los clubes analizados para determinar si ésta está aumentado o empeorando. Este dato puede ser bastante relevante a la hora de evaluar el estado de la industria del Fútbol.
53 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea Figura 23. Evolución de la eficiencia promedio CRS Figura 24. Evolución de la eficiencia promedio VRS En las dos figuras anteriormente mostradas se puede observar principalmente que, a pesar de la pérdida de eficiencia que se produjo en la temporada 2015-2016, la tendencia es al alza y el crecimiento de la eficiencia promedio ha sido superior al 10% aproximadamente en tan solo cuatro años, se pasa de un 80% a un 90%. De todo esto se puede concluir que la industria del Fútbol trabaja asiduamente en la búsqueda de una gran eficiencia, y más aún en la élite de este deporte. De hecho, resulta fundamental, para los equipos que a día de hoy se encuentran en la cúspide, gestionar de manera muy eficiente los recursos de los que dispone, ya que, en caso de no hacerlo, con el paso del tiempo no sería capaz de estar al nivel del resto de equipos y terminaría fuera de esta élite. 5.3. Slacks Los slacks son un conjunto de datos proporcionados por la resolución del modelo que nos da información acerca de los cambios (reducción o aumento, en función de si evaluamos una entrada o una salida y si éstas son deseables o indeseables) que tendría que hacer cada club en cada temporada para ser considerado eficiente, por tanto aquellos clubes con todos sus slacks con valor cero serán eficientes. Además, este dato muestra información relevante sobre cuál ha sido la causa de la ineficiencia y en qué grado. En el Anexo 10 se muestran todos los datos recogidos para todos los equipos, aquí solo analizaremos algunos de los más relevantes.
Conclusiones 60 6 CONCLUSIONES espués de haber analizado los datos obtenidos tras haber analizado mediante Dynamic DEA la eficiencia de los posibles equipos de fútbol que conformarían la Superliga Europea de Fútbol han quedado patentes varios aspectos de este mundo deportivo. El primero de ellos es que la eficiencia de estos clubes ha sido tremendamente alta, la eficiencia promedio en la temporada más baja fue superior al 72%, en la temporada 2015-2016 en el análisis CRS. En CRS hay 6 equipos que son eficientes todas las temporadas y en VRS fueron 9. Además, si consideramos la cantidad de veces que fueron eficientes los equipos en alguna temporada obtenemos un 76,64% de equipos eficientes en VRS y un 64,06% en CRS. Además, aquellos equipos que no fueron eficientes tuvieron unas eficiencias en general bastantes cercanas a la unidad. La eficiencia promedio fue de 87.89% en el análisis VRS y de 82.43% en el análisis CRS. La liga donde mayores ineficiencias existen es en la inglesa con diferencia, seguida de la italiana. Esta es una de las conclusiones más relevantes que se puede desprender de este trabajo y es la falta de eficiencia que existe en los clubes ingleses y en algunos italianos. Sería necesario analizar la manera en cómo estas ligas están gestionadas, cómo funcionan estos clubes, etc. para hallar qué está fallando y cómo ponerle solución. Aunque esto queda fuera de este trabajo, los datos aportados en este documento pueden ser un buen punto de partida, analizando las distintas holguras obtenidas en los análisis realizados. Este trabajo partió de la necesidad de conocer cómo los grandes clubes europeos de fútbol que prentenden crear una competición propia gestionaban sus recursos, como una manera de intentar comprender si estaban en condiciones de poder mantenerse en esa competición a largo plazo o no. En caso de que las eficiencias hubieran sido bajas, se podría haber concluido que aquellos equipos que no estuvieran siendo capaces de administrar inteligentemente sus recursos terminarían probablemente perjudicados de la participación en este torneo, no pudiendo mantener el ritmo del resto. Sin embargo, esto no ha sido así, y de hecho, todo indica que los equipos de alto nivel se preocupan de la eficiencia de sus equipos y trabajan en aras de mejorarla (basta con observar como la eficiencia promedio ha ido subiendo temporada tras temporada). Aun así, este trabajo solo se puede considerar la punta del iceberg en este ámbito, por lo que se proponen las siguientes mejoras en cuanto al modelo utilizado para la medida de la eficiencia: Aumentar el número de entradas y salidas. Hay algunas variables de las cuáles no existen datos o son pocos fiables, como es el número de socios o los valores de los equipos filiales, así como la deuda que tienen estos equipos, entre muchas otras posibilidades. Por tanto, una investigación futura podría dar con estos datos e incluirlos en el modelo aumentado la precisión en las medidas de eficiencia obtenidas. Incluir un estudio más extenso en el tiempo. Bien hacia delante o hacia detrás. Por un lado, se puede considerar un intervalo que parta de más años atrás hasta llegar a nuestros días, para así aumentar la información y ver cómo se gestionaban los clubes en tiempos más pretéritos. O bien, partiendo de este trabajo y con el paso de los años analizar la eficiencia en un futuro próximo, incluyéndose más temporadas. D Con cada verdad que nos es revelada ganamos un mejor entendimiento de la naturaleza, y nuestras concepciones y vicisitudes cambian por completo. -Nikola Tesla-
61 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea Aumentar el número de unidades. Estas unidades productivas han sido seleccionadas en base al artículo publicado por Football Leaks que ya se comentó. Sin embargo, fuentes menos fiables apuntan a que otros equipos, también de la élite del fútbol, podrían formar parte de este campeonato, como podrían ser el Futebol Clube de Oporto, el Valencia FC o el AS Mónaco. Usar el estudio como referencia para otros estudios Dynamic DEA en otros campos futbolísticos o deportivos. Ampliar el estudio al funcionamiento interno de los equipos mediante Network DEA. Es decir, no considerar a los equipos como cajas negras con entradas y salidas, sino considerar también las actividades internas. Aparte de posibles líneas futuras en el ámbito de la eficiencia este documento puede ser punto de partida para estudiar más a fondo las posibles causas y soluciones de las ineficiencias presentadas, entrando en el mundo de la gestión deportiva. Por ejemplo, se podrían plantear las siguientes investigaciones: Analizar las posibles consecuencias futuras que podría suponer en los equipos seguir siendo ineficientes. Evaluar las causas y posibles soluciones de las ineficiencias mostradas en los equipos ingleses. Evaluar las causas y posibles soluciones de las ineficiencias mostradas en los equipos italianos. Evaluar las causas y posibles soluciones de las ineficiencias mostradas en todos los equipos analizados. Analizar si la existencia de la Superliga Europea de Fútbol acarreará mayores o menores niveles de eficiencia a los equipos. Comparar la gestión de recursos en el fútbol con la gestión de estos en otros deportes de equipo. Plantear si realmente es útil para los equipos la eficiencia con respecto a la eficacia. Es evidente que ambas son importantes, pero resulta relevante valorar en qué medida lo son.
Referencias 62 REFERENCIAS Anderson T. R., y Sharp G. P. (1997) A new measure of baseball batters using DEA. Annals of Operations Research,73, 141-155 Arenas Silva F.J. (2017). Análisis de la eficiencia de los consistorios de la provincia de Sevilla mediante DEA: propuestas para una gestión pública sostenible. (TFG para Grado en Ingeniería Organización Industrial) Universidad de Sevilla; Sevilla, 137 pp. Castro Soria, I. (2018). Análisis dinámico de la eficiencia de aeropuerttos en España (TFG para Grado en Ingeniería de Tecnologías Industriales) Universidad de Sevilla; Sevilla, 95 pp. Charnes, A.; Cooper, W.; Lewin, A. Y.; Seiford, L.; Data Envelopment Analysis: Theory, Metodology, and Applications; Kluwer Academic publishers; USA;1993: 513 pp. Chen Y., Gong Y., y Li X. (2017) Evaluating NBA player performance using bounded integer data envelopment análisis. INFOR: Information Systems and Operational Research, 55:1, 38-51, DOI: 10.1080/03155986.2016.1262581 Consejo Europeo (2000). Declaración del Consejo Europeo de Niza sobre el Deporte. Cooper W. W., Ruiz J. L., y Sirvent I. (2008) Selecting non-zero weigths to evaluate effectiveness of basketball players with DEA. European Journal of Operational Research, 195, 563-574 El Betis paga 5.300 millones por Denilson, el fichaje más caro de la historia (28 de agosto de 1997). El País. Recuperado de https://www.elpais.com El ránking de importancia de los títulos: ¿cuál es el club con campeonatos internacionales de más valor? (14 de diciembre de 2017). Goal. Recuperado de https://www.goal.com Gallardo, A. (5 de enero de 2018) El drama de un jugador del Guadalajara: “Me siento esclavo, quizás muriendo de hambre me dejen libre”. El Mundo. Recuperado de https://www.elmundo.es García-del-Barrio P., Pujol F. (2007): El papel del fútbol en la sociedad actual. Fútbol: ocio y negocio. Empresa y Humanismo, 11, 89-108 Guzmán I., y Morrow S. (2007) Measuring efficiency and productivity in profesional football teams: evidence from the English Premier League. Central European Journal of Operations Research, 15, 309-328, DOI: 10.1007/s10100-007-0034-y Halkos G., y Petrou K. N. (2019) Treating undesirable outputs in DEA: A critical review. Economic Analysis and Policy. 62, 97-104 LaLiga. (2017). Memoria anual 2016-2017. La sorprendente importancia del fútbol en la economía mundial (14 de enero de 2013). Gol y Fútbol. Recuperado de https://www.golyfutbol.com Los 100 fichajes más caros de la historia del fútbol (27 de marzo de 2019). Goal. Recuperado de https://www.goal.com Molina, R. (1 de mayo de 2018) Ganar la Liga es un triunfo, pero el éxito económico está en la Champions League. La Información. Recuperado de https://www.lainformacion.com Moreno P., y Lozano S. (2012) A network DEA assessment of team efficiency in the NBA. Annals of Operations Research, 214, 99-124, DOI: 10.1007/s10479-012-1074-9 Pestaña Barros C., y Leach S. (2006) Performance evaluation of the English Premier Football League with data envelopment análisis. Applied Economics, 38:12, 1449-1458, DOI: 10.1080/00036840500396574
63 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea Philippe V.; La genèse de la Coupe des clubs champions. Un histoire du football européen (1920-1960); CIES; Francia; 2012: 165 pp. Romero, V. (25 de enero de 2012) El trato de los torneos coperos en Europa. Futbolprimera.es. Recuperado de www.futbolprimera.es Ruggiero, J.; Frontiers in Major League Baseball Nonparametric Analysis of Performance Using Data Envelopment Analysis; New York, NY: Springer New York; USA; 2011. Santín D. (2014) Measuring the technical efficiency of football legends: who were Real Madrid’s all-time most efficient players?. International Transactions in Operational Research, 21, 439-452, DOI: 10.1111/itor.12082 Sharp J. A., Meng W., y Liu W. (2007) A modified slacks-based measure model for data envelopment análisis with ‘natural’ negativos outputs and inputs. Journal of the Operational Research Society, 58(12), 16721677, DOI: 10.1057/palgrave.jors.260318 Silva Portela M. C. A., Thanassoulis E., Simpson G. (2004) Negative data in DEA: a directional distance approach applied to bank branches. Journal of the Operational Research Society. 66 (10), 1111-1121 DOI: 10.1067/palgrave.jors.2601768 Sporting Intelligence. (2015). Global Sports Salaries Survey 2015. Sporting Intelligence. (2016). Global Sports Salaries Survey 2016. Sporting Intelligence. (2017). Global Sports Salaries Survey 2017. Sporting Intelligence. (2018). Global Sports Salaries Survey 2018. Thanassoulis, E.; Introduction to the Theory and Application of Data Envelopment Analysis. A foundation text with integrated software; Kluwer Academic publishers; USA;2001. Tone K., y Tsutsui M. (2009) Dynamic DEA: A slacks-based measure approach. European Journal of Operational Research, 197:1, 243-252 Ubide, A. (15 de junio de 2014) La economía del fútbol. El País. Recuperado de https://www.elpais.com Ueda T., y Amatatsu H. (2015) Election of the best nine in Nippon Profesional Baseball on the DEA model, 12th International Symposium on Operations Research and its Applications in Engineering, Technology and Management (ISORA), p.9, DOI: 10.1049/cp.2015.0612 UEFA. (2016). The European Club Footballing Landscape. Un informe asegura que el fútbol español está económicamente ahogado y “que está muriendo” (20 de septiembre de 2012). 20 Minutos. Recuperado de https://www.20minutos.es Villa Caro, G. (2003) Análisis por Envoltura de Datos (DEA): Nuevos modelos y aplicaciones (Tesis doctoral); Universidad de Sevilla; Sevilla, 559 pp. Villa G., y Lozano S. (2016) Assessing the scoring efficiency of a football match. European Journal of Operational Research, 255, 559-569 Villa G., y Lozano S. (2018) Dynamic Network DEA approach to basketball games efficiency. Journal of the Operational Research Society, 69:11, 1738-1750, DOI:10.1080/01605682.2017.1409158 Zambon-Ferraresi, F., García-Cebrián L. I., Lera-López F., y Iráizoz B. (2017) Performance Evaluation in the UEFA Champions League. Journal of Sports Economics 18:5, 448-470, DOI: 10.1177/1527002515588135 Sitios web: https://footballleaks2015.wordpress.com/ https://westegg.com/inflation/infl.cgi https://www.transfermarkt.es https://www.marca.com
Referencias 64 https://www.sport.es https://as.com/ https://www.goal.com/es/noticias/el-ranking-de-importancia-de-los-titulos-cual-es-el-clubcon/1fn9fi8jaqfkg1t9jlycapiqbq https://listas.20minutos.es/deportes/los-mejores-torneos-internacionales-de-futbol-362525/
65 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea ANEXOS Anexo 1. Documento filtrado por Football Leaks. Figura 30. Documento filtrado por Football Leaks sobre los integrantes de la Superliga Europea.
Anexos 66 Anexo 2. Valor de mercado de la plantilla Los valores mostrados se corresponden con el valor de la plantilla en millones de euros al final de la temporada correspondiente. Tabla A-1. Valor de mercado de la plantilla (en millones de euros). Club 2013-2014 2014-2015 2015-2016 2016-2017 2017-2018 Real Madrid 647,65 700,75 743,1 716,2 937,8 Barcelona 598,45 618,5 787,2 772,5 1170 Atlético 289 336 456,9 585 908,5 AC Milan 305,23 233,83 223,45 352,58 458 Roma 260,5 319,08 285,43 328,28 398,4 Inter 311,7 297,9 318,85 347,43 582,4 Juventus 357,7 394,33 422 540,53 797,8 Chelsea 526,1 579,8 603,3 649,65 861,75 Arsenal 404,35 408,6 522,75 633,9 615,5 United 522,4 374,15 533,25 645,1 759 City 478 452,75 621,4 616,35 1130 Liverpool 285 325 394,15 495 926,5 Borussia 329,8 311,6 321,05 449,23 556,8 Bayern 564,18 608,5 595,4 610,25 745,7 Marseille 144,55 143,85 109,4 162,15 272,55 PSG 386 433,3 502,05 581,1 915,95 Anexo 3. Puntuación total ponderada La puntuación total poderada consiste en la suma de una serie de puntuaciones que valoran los resultados de los equipos a lo largo de las distintas competiciones que han disputado. Entre ellas están los torneos nacionales (Liga, Copa y Supercopa, principalmente) y los torneos internacionales (Champions League, Europa League y Supercopa de Europa). En primer lugar, comencemos por el torneo liguero nacional. En este caso la puntuación ponderada consistirá en la puntuación obtenida en el torneo liguero más un extra de 25 puntos para el campeón del torneo, ya que se considera que la puntuación total del torneo no es suficiente para valorar el hecho de que un equipo resulte, a diferencia de los demás, campeón del torneo. Además, en Alemania compiten 18 equipos mientras que en el resto lo hacen 20. Por tanto, las puntuaciones de los equipos alemanes (Bayern y Borussia) han sido ponderadas mediante una regla de tres. Tabla A-2. Puntuación liguera y campeón de Liga. Club 2014-2015 2015-2016 2016-2017 2017-2018 Puntos Campeón Puntos Campeón Puntos Campeón Puntos Campeón Real Madrid 92 No 90 No 93 Sí 76 No Barcelona 94 Sí 91 Sí 90 No 93 Sí Atlético 78 No 88 No 78 No 79 No AC Milan 52 No 57 No 63 No 64 No Roma 70 No 80 No 87 No 77 No Inter 55 No 67 No 62 No 72 No Juventus 87 Sí 91 Sí 91 Sí 95 Sí Chelsea 87 Sí 50 No 93 Sí 70 No Arsenal 75 No 71 No 75 No 63 No
67 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea United 70 No 66 No 69 No 81 No City 79 No 66 No 78 No 100 No Liverpool 62 No 60 No 76 No 75 Sí Borussia 46 No 78 No 64 No 55 No Bayern 79 Sí 88 Sí 82 Sí 84 Sí Marseille 69 No 48 No 62 No 77 No PSG 83 Sí 96 Sí 87 No 93 Sí Con estos datos se obtiene la puntuación poderada de la liga. Tabla A-3. Puntuación de Liga ponderada. Club 2014-2015 2015-2016 2016-2017 2017-2018 Real Madrid 92 90 118 76 Barcelona 119 116 90 118 Atlético 78 88 78 79 AC Milan 52 57 63 64 AS Roma 70 80 87 77 Inter 55 67 62 72 Juventus 112 116 116 120 Chelsea 112 50 118 70 Arsenal 75 71 75 63 United 70 66 69 81 City 79 66 78 125 Liverpool 62 60 76 75 Borussia 51 87 71 61 Bayern 113 123 116 118 Marseille 69 48 62 77 PSG 108 121 87 118 Procedemos ahora a determinar la puntuación de la supercopa nacional, debido a que es un torneo poco prestigioso y valioso se otorgarán 10 puntos al campeón y 0 al resto. Tabla A-4. Puntuación ponderada Supercopa Nacional. Club 2014-2015 2015-2016 2016-2017 2017-2018 Real Madrid 0 0 0 10 Barcelona 0 0 10 0 Atlético 10 0 0 0 AC Milan 0 0 10 0 AS Roma 0 0 0 0 Inter 0 0 0 0 Juventus 0 10 0 0 Chelsea 0 0 0 0 Arsenal 10 10 0 10 United 0 0 10 0 City 0 0 0 0 Liverpool 0 0 0 0 Borussia 10 0 0 0 Bayern 0 0 10 10 Marseille 0 0 0 0
Anexos 68 PSG 10 10 10 10 En los torneos coperos se otorgará 30 puntos al campeón, 20 al subcampeón, 16 a los caídos en semifinales, 8 a los caídos en cuartos de final, 4 a los caídos en octavos de final y 0 en otros casos. En Inglaterra y Francia se compite en dos copas nacionales distintas, pero en diversos artículos periodísticos se menciona que la FA Cup y la Copa de Francia tienen mucha más relevancia que la Copa de la Liga de sus respectivos países, por lo tanto, se poderará en un 80% y un 20% la puntuación de estos torneos. Tabla A-5. Resultados coperos en Inglaterra y Francia. Club 2014-2015 2015-2016 2016-2017 2017-2018 Copa Copa de Liga Copa Copa de Liga Copa Copa de Liga Copa Copa de Liga Chelsea 0 30 8 4 20 4 30 16 Arsenal 30 0 8 4 30 8 0 20 United 8 0 30 4 8 30 20 8 City 0 4 4 30 16 4 4 30 Liverpool 16 16 0 20 0 16 0 0 Marseille 0 0 20 8 4 4 8 4 PSG 30 30 30 30 30 30 30 30 Tabla A-6. Puntuación ponderada Copa Nacional. Club 2014-2015 2015-2016 2016-2017 2017-2018 Real Madrid 4 0 8 8 Barcelona 30 30 30 30 Atlético 8 8 16 8 AC Milan 8 20 8 20 AS Roma 8 4 16 4 Inter 8 16 8 8 Juventus 30 30 30 30 Chelsea 6 7 17 27 Arsenal 24 7 26 4 United 6 25 12 18 City 1 9 14 9 Liverpool 16 4 3 0 Borussia 20 20 30 4 Bayern 16 30 16 20 Marseille 0 18 4 7 PSG 30 30 30 30 En competición europea existirán tres torneos, Champions League, Europa League y Supercopa de Europa. Las puntuaciones otorgadas están basadas en el prestigio del torneo además del valor de los premios recibidos. Las puntuaciones otorgadas se detallan en la siguiente tabla: Tabla A-7. Puntuación a otorgar en función de los resultados europeos. PUNTUACIÓN Champions League Europa League Supercopa de Europa Campeón 100 50 10 Subcampeón 90 30 0 Caer en semifinal 75 20 -- Caer en cuartos 50 10 -- Caer en octavos 25 5 -- Caer en diaciseisavos -- 3 --
69 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea Caer en fase de grupos 2 0 -- A través de esta tabla obtenemos la puntuación ponderada en competiciones europeas: Tabla A-8. Puntuación ponderada de competiciones europeas. Club 2014-2015 2015-2016 2016-2017 2017-2018 Real Madrid 85 100 110 110 Barcelona 100 60 50 50 Atlético 50 90 75 50 AC Milan 0 0 0 5 AS Roma 5 25 5 75 Inter 5 0 0 0 Juventus 90 25 90 50 Chelsea 25 25 0 25 Arsenal 25 25 25 20 United 0 5 50 25 City 25 75 25 50 Liverpool 3 30 0 90 Borussia 25 10 50 5 Bayern 75 75 50 75 Marseille 0 3 0 30 PSG 50 50 25 25 Tras todo esto se puede obtener la puntuación total ponderada, que no será más que la suma de todas las puntuaciones ponderadas anteriormente detalladas. Tabla A-9. Puntuación total ponderada. Club 2014-2015 2015-2016 2016-2017 2017-2018 Real Madrid 181 190 236 204 Barcelona 249 206 180 198 Atlético 146 186 169 137 AC Milan 60 77 81 89 AS Roma 83 109 108 156 Inter 68 83 70 80 Juventus 232 181 236 200 Chelsea 143 82 135 122 Arsenal 134 113 126 97 United 76 96 141 124 City 105 150 117 184 Liverpool 81 94 79 165 Borussia 106 117 151 70 Bayern 204 228 192 223 Marseille 69 69 66 114 PSG 198 211 152 183
Anexos 76 Tabla A-18. Slack de goles en contra por partido, CRS. Club 2014-2015 2015-2016 2016-2017 2017-2018 Real Madrid 0 0,215311 0 0 Barcelona 0 0 0 0 Atlético 0 0 0 0 AC Milan 0 0,714895 0 0,184883 AS Roma 0 0 0 0 Inter 0 0 0,318072 0 Juventus 0 0 0 0 Chelsea 0 0 0 0 Arsenal 0,233421 0 0 0 United 0,0513 0 0,038958 0 City 0,156011 0,48281 0,202051 0 Liverpool 0,602815 0,357317 0 0 Borussia 0,083214 0 0 0 Bayern 0 0 0 0 Marseille 0 0 0 0 PSG 0,126172 0 0,009745 0 Tabla A-19. Slack de salarios (en €), CRS. Club 2014-2015 2015-2016 2016-2017 2017-2018 Real Madrid 0 131151,8 0 0 Barcelona 0 0 0 0 Atlético 0 0 0 0 AC Milan 0 129712,3 0 0 AS Roma 0 0 0 0 Inter 0 0 0 0 Juventus 0 0 0 0 Chelsea 0 0 0 0 Arsenal 821984,7 31019,35 0 0 United 503689,4 1351507 0 0 City 1230336 1581887 0 0 Liverpool 1580743 469574,7 0 0 Borussia 0 0 0 0 Bayern 0 0 0 0 Marseille 0 0 0 0 PSG 2466980 0 1374746 0
77 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea Tabla A-20. Slack de inversión (en millones de €), CRS. Club 2014-2015 2015-2016 2016-2017 2017-2018 Real Madrid 0 35,40658 0 0 Barcelona 0 0 0 0 Atlético 0 0 0 0 AC Milan 0 91,07105 11,37058 232,9991 AS Roma 0 0 0 0 Inter 0 21,74135 126,9077 68,98897 Juventus 0 0 0 0 Chelsea 0 34,46802 0 0 Arsenal 66,26562 58,07639 0 44,52703 United 113,8719 56,96246 117,8956 141,1968 City 28,22761 133,0801 173,9732 0 Liverpool 27,24076 67,84239 0 0 Borussia 49,77679 0 0 0 Bayern 0 0 0 0 Marseille 0 0 0 0 PSG 17,77327 0 53,81565 0 Tabla A-21. Slack de valor de la plantilla (en millones de €), CRS. Club 2014-2015 2015-2016 2016-2017 2017-2018 Real Madrid 0 0 0 0 Barcelona 0 0 0 0 Atlético 0 0 0 0 AC Milan 0 78,5801 57,4705 39,63653 AS Roma 0 0 0 0 Inter 0 0 64,206 0 Juventus 0 0 0 0 Chelsea 0 0 0 0 Arsenal 37,15716 0 0 198,8454 United 201,746 89,31721 0 212,0217 City 74,19923 0 0 0 Liverpool 0 0 0 0 Borussia 0 0 0 0 Bayern 0 0 0 0 Marseille 0 0 0 0 PSG 0 0 0 0
Anexos 78 En segundo lugar, se muestran los slacks obtenidos en VRS. Tabla A-22. Slack de puntuaciones, VRS. Club 2014-2015 2015-2016 2016-2017 2017-2018 Real Madrid 0 0 0 0 Barcelona 0 0 0 0 Atlético 0 0 0 0 AC Milan 0 46,57607 60,75425 68,31178 AS Roma 0 0 0 0 Inter 0 45,85265 0 0 Juventus 0 0 0 0 Chelsea 0 0 0 0 Arsenal 91,62376 87,71168 0 0 United 133,0884 118,4163 38,28252 0 City 110,3057 55,00389 79,60866 0 Liverpool 71,35126 59,9429 0 0 Borussia 0 0 0 0 Bayern 0 0 0 0 Marseille 0 0 0 0 PSG 0 0 57,12826 0 Tabla A-23. Slack de goles a favor por partido, VRS. Club 2014-2015 2015-2016 2016-2017 2017-2018 Real Madrid 0 0 0 0 Barcelona 0 0 0 0 Atlético 0 0 0 0 AC Milan 0 0,158532 0,319976 0,219798 AS Roma 0 0 0 0 Inter 0 0,584921 0 0 Juventus 0 0 0 0 Chelsea 0 0 0 0 Arsenal 0,129838 0,254941 0 0 United 0,628647 1,12176 1,169139 0 City 0 0,474399 0,518318 0 Liverpool 0,443253 0,349816 0 0 Borussia 0 0 0 0 Bayern 0 0 0 0 Marseille 0 0 0 0 PSG 0 0 0,038868 0
79 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea Tabla A-24. Slack de goles en contra por partido, VRS. Club 2014-2015 2015-2016 2016-2017 2017-2018 Real Madrid 0 0 0 0 Barcelona 0 0 0 0 Atlético 0 0 0 0 AC Milan 0 0,322072 0,213379 0,330065 AS Roma 0 0 0 0 Inter 0 0,1221 0 0 Juventus 0 0 0 0 Chelsea 0 0 0 0 Arsenal 0,338872 0,447075 0 0 United 0,4236 0,347432 0 0 City 0,407624 0,487411 0 0 Liverpool 0,485179 0,598382 0 0 Borussia 0 0 0 0 Bayern 0 0 0 0 Marseille 0 0 0 0 PSG 0 0 0 0 Tabla A-25. Slack de salarios (en €), VRS. Club 2014-2015 2015-2016 2016-2017 2017-2018 Real Madrid 0 0 0 0 Barcelona 0 0 0 0 Atlético 0 0 0 0 AC Milan 0 27386,43 0 413428,8 AS Roma 0 0 0 0 Inter 0 0 0 0 Juventus 0 0 0 0 Chelsea 0 0 0 0 Arsenal 831248,6 415752,2 0 0 United 536396,2 1433026 0 0 City 1257352 1230735 0 0 Liverpool 1591730 693433 0 0 Borussia 0 0 0 0 Bayern 0 0 0 0 Marseille 0 0 0 0 PSG 0 0 1628717 0
Anexos 80 Tabla A-26. Slack de inversión (en millones de €), VRS. Club 2014-2015 2015-2016 2016-2017 2017-2018 Real Madrid 0 0 0 0 Barcelona 0 0 0 0 Atlético 0 0 0 0 AC Milan 0 104,8014 15,32036 211,1959 AS Roma 0 0 0 0 Inter 0 17,57245 0 0 Juventus 0 0 0 0 Chelsea 0 0 0 0 Arsenal 73,05762 16,11928 0 0 United 137,8514 23,41967 111,2078 0 City 45,12298 126,7826 165,7471 0 Liverpool 25,23963 55,0849 0 0 Borussia 0 0 0 0 Bayern 0 0 0 0 Marseille 0 0 0 0 PSG 0 0 52,75192 0 Tabla A-27. Slack de valor de la plantilla (en millones de €), VRS. Club 2014-2015 2015-2016 2016-2017 2017-2018 Real Madrid 0 0 0 0 Barcelona 0 0 0 0 Atlético 0 0 0 0 AC Milan 0 48,6773 0 17,37235 AS Roma 0 0 0 0 Inter 0 0 0 0 Juventus 0 0 0 0 Chelsea 0 0 0 0 Arsenal 34,1174 0 0 0 United 191,014 95,53239 0 0 City 66,58552 0 0 0 Liverpool 0 0 0 0 Borussia 0 0 0 0 Bayern 0 0 0 0 Marseille 0 0 0 0 PSG 0 0 0 0
Anexo 11. Lambdas Tabla A-28. Lambdas obtenidas en el análisis VRS temporada 2014-2015. Madrid Barcelona Atlético AC Milan AS Roma Inter Juventus Chelsea Arsenal United City Liverpool Borussia Bayern Marseille PSG Madrid 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Barcelona 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Atlético 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 AC Milan 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 AS Roma 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 Inter 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 Juventus 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 Chelsea 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 Arsenal 0 0 0 0 0 0 0,77407 0 0 0 0 0 0 0,22593 0 0 United 0 0 0 0 0 0 0,202344 0 0 0 0 0 0 0,797656 0 0 City 0,0397 0 0 0 0 0 0,433426 0 0 0 0 0 0 0,526875 0 0 Liverpool 0 0 0,718796 0 0 0 0,171803 0 0 0 0 0 0 0 0,1094 0 Borussia 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 Bayern 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 Marseille 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 PSG 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
Anexos 82 Tabla A-29. Lambdas obtenidas en el análisis VRS temporada 2015-2016. Madrid Barcelona Atlético AC Milan AS Roma Inter Juventus Chelsea Arsenal United City Liverpool Borussia Bayern Marseille PSG Madrid 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Barcelona 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Atlético 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 AC Milan 0 0 0,46828 0 0 0 0 0 0 0 0 0 0 0 0,53172 0 AS Roma 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 Inter 0 0 0,325009 0 0,423052 0 0 0 0 0 0 0 0,104131 0 0,147807 0 Juventus 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 Chelsea 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 Arsenal 0 0,06218 0,610658 0 0 0 0 0 0 0 0 0 0 0,327161 0 0 United 0 0,296749 0,169921 0 0 0 0 0 0 0 0 0 0 0,53333 0 0 City 0 0,381959 0,341226 0 0 0 0 0 0 0 0 0 0 0,276815 0 0 Liverpool 0 0 0,535887 0 0 0 0 0 0 0 0 0 0,46302 0,001092 0 0 Borussia 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 Bayern 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 Marseille 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 PSG 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
83 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea Tabla A-30. Lambdas obtenidas en el análisis VRS temporada 2016-2017. Madrid Barcelona Atlético AC Milan AS Roma Inter Juventus Chelsea Arsenal United City Liverpool Borussia Bayern Marseille PSG Madrid 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Barcelona 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Atlético 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 AC Milan 0,050 0 0 0 0 0 0,3288 0 0 0 0 0 0,1334 0 0,488 0 AS Roma 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 Inter 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 Juventus 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 Chelsea 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 Arsenal 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 United 0,05726 0,1202 0 0 0 0 0 0,2353 0 0 0 0 0 0,587 0 0 City 0,6299 0 0 0 0,155 0,069636 0 0,034985 0 0 0 0 0 0,110413 0 0 Liverpool 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 Borussia 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 Bayern 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 Marseille 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 PSG 0,055276 0 0,190881 0 0 0 0,432971 0 0 0 0 0 0 0,320871 0 0
Anexos 84 Tabla A-31. Lambdas obtenidas en el análisis VRS temporada 2017-2018. Madrid Barcelona Atlético AC Milan AS Roma Inter Juventus Chelsea Arsenal United City Liverpool Borussia Bayern Marseille PSG Madrid 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Barcelona 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Atlético 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 AC Milan 0 0 0 0 0,854247 0 0 0 0 0 0 0,145753 0 0 0 0 AS Roma 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 Inter 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 Juventus 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 Chelsea 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 Arsenal 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 United 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 City 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 Liverpool 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 Borussia 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 Bayern 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 Marseille 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 PSG 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
85 Análisis Dinámico de la Eficiencia: una aplicación a la Superliga Europea Tabla A-32. Lambdas obtenidas en el análisis CRS temporada 2014-2015. Madrid Barcelona Atlético AC Milan AS Roma Inter Juventus Chelsea Arsenal United City Liverpool Borussia Bayern Marseille PSG Madrid 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Barcelona 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Atlético 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 AC Milan 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 AS Roma 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 Inter 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 Juventus 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 Chelsea 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 Arsenal 0 0 0 0 0 0 1,130417 0 0 0 0 0 0 0 0 0 United 0 0 0 0 0 0 1,460442 0 0 0 0 0 0 0 0 0 City 0 0 0 0 0 0 1,336315 0 0 0 0 0 0 0 0 0 Liverpool 0 0 0,621355 0 0 0 0,29474 0 0 0 0 0 0 0 0 0 Borussia 0 0 0,458818 0,584069 0 0 0,05291 0 0 0 0 0 0 0 0 0 Bayern 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 Marseille 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 PSG 0 0 0,468673 0 0 0 0,690411 0 0 0 0 0 0 0 0,024859 0