Tamaño de Planta y Eficiencia

Técnica en el sector manufactura

Item Type info:eu-repo/semantics/bachelorThesis

Authors Alva Curotto, Carolina Janet

Publisher Universidad Peruana de Ciencias Aplicadas (UPC)

Rights Attribution-NonCommercial-ShareAlike 4.0 International;

info:eu-repo/semantics/openAccess

Download date 25/03/2024 02:03:44

Item License http://creativecommons.org/licenses/by-nc-sa/4.0/

Link to Item http://hdl.handle.net/10757/669293

UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS

FACULTAD DE ECONOMÍA

PROGRAMA ACADÉMICO DE ECONOMÍA Y NEGOCIOS

INTERNACIONALES

Tamaño de Planta y Eficiencia Técnica en el sector manufactura

TRABAJO DE INVESTIGACIÓN
Para optar el grado de bachiller en Economía y Negocios Internacionales

AUTOR(ES)
Alva Curotto, Carolina Janet 0009-0004-9692-9005

ASESOR(ES)
Jopen Sánchez, Guillermo Héctor 0000-0003-2629-6017

Lima, 29 de octubre de 2023

1
 DEDICATORIA

A mi madre y abuelos por todo el amor y apoyo brindado.

2
 AGRADECIMIENTOS

Desearía expresar mi más sincero agradecimiento a mi madre por la valiosa educación, el

amor y los principios que me han transmitido a lo largo de mi trayecto académico.

Igualmente, quiero manifestar mi agradecimiento hacia mi asesor por su guía y apoyo en el

desarrollo de esta investigación académica.

3
 RESUMEN

Este estudio tiene como objetivo estimar la relación entre la eficiencia técnica y el tamaño
de las firmas del sector manufacturero peruano. Para llevar a cabo esta investigación se
utilizan datos de corte transversal recopilados de la Encuesta Económica Anual 2020. La
muestra seleccionada para este estudio comprende un total de 1340 firmas. La metodología
se divide en dos etapas, la primera etapa emplea el Análisis de Frontera Estocástica para
estimar el índice de eficiencia del sector. En la segunda etapa, se utiliza el modelo de
Mínimos Cuadrados Ordinarios (MCO) y el Modelo Tobit para hallar los principales
determinantes eficiencia técnica. Los resultados obtenidos revelan que las firmas de menor
tamaño tienden a ser menos eficientes en comparación con las firmas de mayor tamaño.

Palabras clave: Eficiencia Técnica; Análisis de Eficiencia; SFA; Tamaño de Planta;

Manufactura.

Clasificación JEL: C61, D22, D24, D61, L11, L23

4
 Firm size and technical efficiency in the manufacturing sector

ABSTRACT

The primary aim of this research is to assess the correlation between technical efficiency and
firm size within the Peruvian manufacturing sector. The research harnesses cross-sectional
data gleaned from the Annual Economic Survey of 2020. The sample curated for this inquiry
encompasses a selection of 1340 firms. The research methodology consists of a two-stage
approach. Initially, Stochastic Frontier Analysis is applied to compute the efficiency index
for the sector. Subsequently, in the second stage, the Ordinary Least Squares (OLS) model
and the Tobit Model are employed to identify the principal factors influencing technical
efficiency. The findings of the study indicate that smaller enterprises exhibit lower levels of
efficiency when contrasted with their larger counterparts.

Keywords: Technical Efficiency; Efficiency Analysis; SFA; Firm Size; Manufacturing.

JEL Classification: C61, D22, D24, D61, L11, L23

5
6
 TABLA DE CONTENIDOS

1. INTRODUCCIÓN ..................................................................................................... 10

2. MARCO TEÓRICO .................................................................................................. 12

2.1. MODELO TEÓRICO ................................................................................................ 12

2.1.1. Primera Etapa: Frontera de producción y análisis de eficiencia .................. 13
2.1.2. Segunda etapa: Determinantes de la eficiencia técnica del sector
manufacturero .............................................................................................................. 14
2.2. ESTUDIOS PREVIOS ............................................................................................... 16

3. APROXIMACIÓN METODOLÓGICA ................................................................. 21

3.1. HECHOS ESTILIZADOS .......................................................................................... 21

3.2. DATOS Y VARIABLES ............................................................................................ 26
3.2.1. Primera Etapa: Estimación de la frontera de eficiencia ............................... 27
3.2.2. Segunda Etapa: Determinantes de la eficiencia técnica del sector
manufacturera .............................................................................................................. 30
3.3. ESTRATEGIA METODOLÓGICA ............................................................................... 32
3.4. ANÁLISIS DE R ESULTADOS ................................................................................... 34

4. CONCLUSIONES ..................................................................................................... 38

5. REFERENCIAS......................................................................................................... 40

6. ANEXOS..................................................................................................................... 44

7
 ÍNDICE DE TABLAS

Tabla 1 Estudios previos de Eficiencia Técnica en el sector manufacturero analizados

mediante la frontera estocástica........................................................................................... 18
Tabla 2 Descripción de variables utilizadas para el análisis de la Eficiencia Técnica ....... 30
Tabla 3 Descripción de variables del modelo ..................................................................... 31
Tabla 4 Estimación de la Frontera Estocástica con distribución semi-normal ................... 35
Tabla 5 Determinantes de la Eficiencia Técnica resumida ................................................. 36
Tabla 6 Determinantes de la Eficiencia técnica .................................................................. 45
Tabla 7 Test de Heterocedasticidad .................................................................................... 45
Tabla 8 Factor de la varianza de la regresión MCO distribución semi-normal .................. 46
Tabla 9 Test de Shapiro-Wilk ............................................................................................. 46

8
 ÍNDICE DE FIGURAS

Figura 1 Eficiencia Técnica ................................................................................................ 13

Figura 2 Manufactura peruana 1950-2021 ......................................................................... 23
Figura 3 Participación de firmas del sector manufactura por CIIU.................................... 24
Figura 4 Participación de firmas del sector manufactura por departamento ...................... 25

9
 1. INTRODUCCIÓN

A lo largo de los años, las industrias en diversos países, y en particular las pertenecientes al
sector manufacturero, han sido volátiles debido a la evolución de diversos aspectos
socioeconómicos. Al respecto, Toynbee (2011) describe el caso de Inglaterra, en donde la
industria manufacturera ha venido evolucionando (extinción y nacimiento de tipos de
empresas) a partir de cambios como los asociados a los medios de comunicación y
transporte.

Una de las razones que podría estar asociada con esta volatilidad es el nivel de productividad.
De acuerdo con Jovanovic (1982), las firmas1 que poseen mayor eficiencia son las que se
desarrollan y crecen, caso contrario de las firmas ineficientes que suelen salir del mercado.
Asimismo, Taymaz (2005), afirma que aquellas firmas que entran a un sector y desempeñan
altas tasas de crecimiento son las que cuentan con altos rangos de productividad, lo que
aumenta la probabilidad de supervivencia en el mercado. Siendo, además, la productividad
de las firmas una de las principales medidas de la eficiencia técnica, en el uso de los factores
en el proceso productivo (Céspedes et al., 2018). Es así como Page (1984) al igual que
Jovanovic (1982), explica cómo las empresas de mayor tamaño son más eficientes que las
pequeñas debido a su mayor productividad y competitividad estas conjeturas se basan en que
las empresas eficientes tienden a crecer y mantenerse activas a lo largo del tiempo, lo que
les permite mejorar gradualmente sus procesos en contraste con las empresas ineficientes
que tienden a estancarse y abandonar la industria.

En el caso peruano, el sector manufacturero representa cerca del 12.3% del PBI de acuerdo
con el Instituto Nacional de Estadística e Informática (INEI), y en la última década obtuvo
un índice de volumen físico (IVF) 2 de 0.3% (a 2021); tanto su participación en el PBI como
el IVF ha experimentado una tendencia decreciente desde 1970 (18.5% y 3.3%
respectivamente). Sin embargo, en los últimos años el número de firmas participantes en este
sector se habría incrementado, muestra de esta afirmación se presenta que en 2013 existieron

1 En este estudio se utilizará el término firma para describir cualquier tipo de unidad de toma de decisiones. En
este caso firmas del sector manufacturero.
2 Índice de volumen físico es un indicador que mide la evolución de los volúmenes de producción de los bienes

producidos por el sector manufacturero. Cifras del INEI.

10
más de 157 mil firmas, de las cuales cerca de dos mil eran grandes y medianas, mientras que
más de 155 mil fueron pequeñas y microempresas (INEI, 2014); mientras 2018 existieron
más de 188 mil firmas, de las cuales cerca de 1.9 mil eran grandes y medianas, mientras que
más de 186 mil fueron pequeñas y microempresas (INEI, 2019). Esto, brindaría indicios de
un bajo nivel de productividad que estaría mostrando el sector manufacturero por firma. A
medida que pasaron los años, el número de firmas de la industria manufacturera ha ido
incrementando, situación que no va acorde con la disminución del índice de volumen físico,
pues demuestra que la productividad ha ido disminuyendo gradualmente.

En este sentido, Caves y Barton (1990) y Green y Mayes (1991) señalan a la competencia
de mercado como uno de los factores que contribuye a la mejora de la eficiencia técnica
productiva de las firmas manufactureras, en adición a ello autores como Page (1984)
enumera las razones por las cuales firmas ineficientes son las que poseen un menor tamaño
de planta, entre las razones se encuentra los insumos, la maquinaria y la mano de obra.

Por ello, resultaría de interés indagar sobre los niveles de productividad de las firmas del
sector, así como sus principales factores asociados, para poder comprender el proceso antes
descrito. Así, el presente estudio tiene como finalidad responder a la pregunta de cómo se
determinan los niveles de eficiencia técnica3 en el sector manufacturero, así como verificar
la hipótesis de que el tamaño de la firma desempeña un papel significativo en su eficiencia.

3 En estudio no estima la productividad, en cambio estima la eficiencia técnica del sector manufactura, que es
la capacidad que tienen las firmas para minimizar el uso de sus insumos para su proceso de producción. Para
una mayor revisión, ver Coelli (1995)

11
 2. MARCO TEÓRICO

En la siguiente sección se presentará los modelos de eficiencia de producción más usados en

estudios similares, y se ampliará la información a través de estudios previos de eficiencia
técnica recopilada de otros países similares que pueden ser utilizados en el caso peruano.

2.1. MODELO TEÓRICO

Este estudio analizará conceptos básicos de la teoría microeconómica de la firma para

demostrar los principales factores que contribuyen a la eficiencia de la industria
manufacturera en Perú.

La teoría de la firma estudia los factores de producción (inputs) tales como: mano de obra,
capital y tecnología con los que se elabora un bien o servicio (outputs) para medir su
productividad, debido a que su objetivo principal es minimizar costos de producción para
maximizar su beneficio mediante la elección de una combinación óptima de factores
productivos. Lo que se puede ejemplificar de la siguiente manera; dado un conjunto de
firmas k = 1, 2, … , K ; cada firma utiliza un conjunto N de recursos x = (𝑥1 , 𝑥2 , … 𝑥𝑛 ), a fin
de producir un conjunto P de bienes 𝑦 = (𝑦1 , 𝑦2 , … , 𝑦𝑝 ).

La explicación de cómo se mide la eficiencia técnica en los procesos de producción se

fundamenta en las investigaciones llevadas a cabo por Farrell (1957). En su estudio, Farrell
desarrolló un modelo que describe el comportamiento de la eficiencia de producción y, a su
vez, identifica dos componentes esenciales: la eficiencia técnica y la eficiencia de asignación
o eficiencia económica. La eficiencia técnica se define como la capacidad que poseen las
firmas para utilizar un conjunto de insumos o recursos de manera óptima, es decir la mínima
cantidad posible de inputs a fin de alcanzar la máxima cantidad de productos o bienes. En
tanto, la eficiencia económica o de asignación, es el conjunto de factores de producción
óptimos que minimizan los costes de producción en términos monetarios a un determinado
nivel (Coelli, Recent developments in frontier modelling and efficiency measurement,
1995).

12
 2.1.1. Primera Etapa: Frontera de producción y análisis de eficiencia

El modelo propuesto por Farrell (1957) considera la existencia de 𝑥 como insumo único de
producción de la firma; en el caso del sector manufactura es factible analizar insumos del
proceso de la producción, además de la obtención de 𝑦 como único producto, bajo el
supuesto que la firma del sector presente rendimientos constantes a escala. En la Figura 1
se observa la representación de una frontera de producción mediante la línea OF; que, a su
vez muestra la relación insumo-producto. La frontera de producción es una representación
que muestra la producción máxima que se puede lograr con diferentes niveles del insumo
utilizado, lo cual refleja el estado actual de la tecnología en la industria. Las empresas del
sector manufacturero pueden operar en dos posiciones con respecto a esa frontera: si son
técnicamente eficientes, operarán en ella, aprovechando al máximo los insumos y logrando
la producción máxima alcanzable. Por otro lado, si las firmas no son técnicamente eficientes,
operarán por debajo de la frontera de producción, lo que indica que no están utilizando
plenamente su capacidad y podrían mejorar su rendimiento.

Figura 1
Eficiencia Técnica

Nota. Adaptado de An Introduction to efficiency and productivity analysis (p.4), por Coelli et al, 2005,
Springer Science.

El punto A representa un nivel de ineficiencia, mientras que los puntos B y C representan

niveles de eficiencia. Cuando una firma que opera en el punto A se considera ineficiente, ya

13
que técnicamente podría aumentar su producción hasta alcanzar el nivel asociado con el
punto B sin requerir más insumos. En otras palabras, existe margen para mejorar la eficiencia
de la firma al aprovechar plenamente sus recursos y aumentar su producción sin incurrir en
costos adicionales de insumos. Es así como, con el fin de analizar la eficiencia técnica en la
industria manufacturera, se construirá una frontera de producción que englobe todas las
combinaciones de insumos y productos que sean técnicamente eficientes. A continuación,
se evaluará el rendimiento individual y promedio logrado por las diferentes firmas.

Para esta primera etapa de estudio es posible utilizar una variedad de metodologías tanto
paramétricas como no paramétricas. Las metodologías no paramétricas evalúan la eficacia
de las firmas basándose en un conjunto de supuestos adoptados. Una de las metodologías
más destacadas de esta clase es el Análisis Envolvente de Datos o Data Envelopment
Analysis (DEA, por sus siglas en inglés). Estas técnicas se desarrollan con la finalidad de
medir la eficiencia basada en el cálculo de una frontera que permite comparar diferentes
firmas entre sí. Esta metodología asume rendimientos constantes a escala, fuerte
disponibilidad de inputs y outputs, y convexidad del conjunto de combinaciones de posibles
inputs y outputs. (Francke & Herrera, 2009)

Por otro lado, se puede medir la eficiencia mediante fronteras paramétricas. Una
metodología comúnmente utilizada para medirla es el de Análisis de Frontera Estocástica
(SFA, por sus siglas en inglés) (Aigner et al., 1977). Gran parte de la literatura de estudios
industriales ha utilizado el modelo de frontera estocástica, el cual requiere la especificación
de forma funcional de la frontera, la misma que recoge las relaciones entre las variables
analizadas. Además, utiliza supuestos distribucionales para descomponer los efectos de la
eficiencia relacionados con el componente estocástico del modelo. Por consiguiente, este
enfoque se basa en la realización de un supuesto distribucional. En la sección 2.3. se
presentará la metodología utilizada para la primera parte de este estudio, así como los datos
y las variables a utilizar.

2.1.2. Segunda etapa: Determinantes de la eficiencia técnica del sector manufacturero

Después de completar el análisis de eficiencia técnica, el siguiente paso es investigar a

profundidad los factores que son determinantes para los niveles de eficiencia identificados.

14
En el caso específico de este estudio, es de interés estimar el nivel de significancia del
tamaño de la firma con relación a la eficiencia, varios estudios han demostrado la
importancia de este factor como un determinante clave de la eficiencia técnica de una firma.
Esta investigación se centra en analizar cómo el tamaño de una empresa afecta su capacidad
para utilizar sus recursos de manera eficiente y alcanzar niveles elevados de productividad.
Page (1984) planteó que un mayor tamaño de la planta de una empresa aumenta su capacidad
de producción, lo que, a su vez, conduce a una mayor eficiencia en sus operaciones. Aunque
la eficiencia o ineficiencia técnica en las empresas manufactureras puede explicarse
mediante varios factores, la literatura ha destacado principalmente el tamaño de la empresa
como un factor clave en la explicación de los niveles de eficiencia. Algunos estudios
empíricos han demostrado que las empresas más grandes tienen más probabilidades de
desarrollar procesos de producción eficientes, mientras que las empresas más pequeñas
tienden a ser menos eficientes.

El tamaño de la firma puede reflejar la capacidad que posee una firma para crecer o
mantenerse en el mercado en comparación de sus símiles, esto puede significar que a mayor
productividad de la firma el tamaño de la misma tiene la tendencia de aumentar, esta relación
suele ser positiva sobre todo en firmas del sector industrial que requieren mano de obra
intensiva. Una de las posibles razones de esta relación es que las empresas de mayor tamaño
pueden lograr una mayor productividad gracias a su mayor poder de mercado, su mayor
capacidad de compra de materias primas y recursos esenciales, y, en muchos casos,
aprovechar economías de escala.

Dado que este análisis se lleva a cabo en dos etapas, la segunda etapa implica la estimación
a través de modelos de regresión, donde se consideran variables explicativas o variables no
discrecionales las que no están involucradas en el modelo principal. La selección del modelo
de regresión para este análisis dependerá de cómo esté distribuida la variable dependiente.
Una opción inicial es estimar una regresión lineal utilizando el método de Mínimos
Cuadrados Ordinarios (MCO).Cuando la variable dependiente se encuentra censurada, los
parámetros estimados utilizando el modelo de regresión lineal pueden volverse
inconsistentes, especialmente cuando el número de observaciones censuradas aumenta. En
esta situación, es más adecuado utilizar un modelo de regresión para variables censuradas
Tobit los cuales están basado en la verosimilitud (De Borger & Kerstens, 1996).

15
La variable explicativa analizada en este estudio será el tamaño de planta junto con otras
variables pertinentes para el modelo como: antigüedad de la firma, gastos en investigación
y desarrollo entre otras, las cuales nos permitirá analizar si las mismas poseen significancia
en la eficiencia técnica de la firma.

2.2. ESTUDIOS PREVIOS

Literatura sobre la eficiencia en el sector manufacturero en Perú es escasa o nula. Cárdenas

(2014), analizó el sector y obtuvo indicadores que reflejaban que las pequeñas empresas
tenían una participación productiva muy por debajo de las medianas y grandes empresas.

Literatura previa sobre la eficiencia técnica en la producción han revelado que existen
múltiples factores determinantes que influyen en ella. Algunos estudios han identificado la
competencia como uno de los factores que contribuyen al desarrollo y mejora de la eficiencia
técnica de una empresa. Investigaciones como las realizadas por Caves y Barton (1990) y
Green y Mayes (1991) han demostrado que la continua innovación fomenta la
competitividad entre las empresas del mismo sector, ya que buscan mejorar su eficiencia
para evitar perder participación de mercado o incluso desaparecer. Además, la posibilidad
de que empresas más pequeñas compitan con empresas de mayor tamaño puede promover
un uso más eficiente de los recursos. Sin embargo, es importante destacar que, aunque esta
variable es significativa, tiene ciertas limitaciones, ya que la competencia por sí sola no es
suficiente para mejorar la eficiencia en el sector. Por el contrario, factores como el tamaño
o años de la firma desempeñan un papel importante en este análisis.

Es así como, en su investigación sobre la eficiencia técnica y el tamaño de las empresas,

Page (1984) utiliza una función de producción translog de frontera para medir el nivel de
ineficiencia técnica de las firmas manufactureras de India. El autor sugiere que, en
comparación con las empresas de mayor y mediano tamaño en el sector, las pequeñas
empresas pueden parecer ineficientes. Una de las razones detrás de esto radica en las
características de los insumos utilizados. Además, se observó que las empresas más
pequeñas solían utilizar bienes de equipo con mayor antigüedad. Por otra parte, la diferencia
en el tamaño de las firmas puede implicar una disparidad en los niveles de conocimiento del
proceso de producción. Esto se debe a que el tamaño de la empresa está relacionado con los
niveles de productividad. Una empresa más grande tiende a tener un mayor conocimiento de

16
los procesos de producción, lo que conduce a mejoras tanto organizativas como técnicas en
los procesos con el objetivo de aumentar y maximizar la productividad en la planta
manufacturera. El estudio llevado a cabo por Pitt y Lee (1981) empleó un enfoque basado
en una función de producción de frontera estocástica para investigar la industria textil en
Indonesia y descubrió una correlación positiva entre el tamaño de las empresas y su
eficiencia técnica. Un estudio adicional que utiliza el enfoque de la frontera estocástica
translog es el realizado por Lundvall y Battese (2000), en el cual se examina la eficiencia
técnica del sector manufacturero de Etiopia y Kenia. Al igual que Page, llegan a la
conclusión de que existe una relación directa entre el tamaño de la empresa y la eficiencia
técnica. Las empresas de menor tamaño tienden a depender de otros recursos en el proceso
de producción, lo que implica una mayor intensidad de mano de obra. Como resultado, estas
empresas enfrentan costos de producción más elevados. Investigaciones que utilizan la
misma línea metodológica paramétrica como los estudios realizados por Kim (2003), Batra
y Tan (2003), Margono y Sharma (2006), y Delgado (2019) también evidencian la existencia
de una asociación positiva entre el tamaño de la planta y la eficiencia técnica de las empresas
en el sector manufacturero.

Por lo tanto, las empresas de mayor tamaño son más eficientes que las pequeñas debido a su
mayor productividad y competitividad. Esta conclusión se basa en el hecho de que las
empresas eficientes tienden a crecer y mantenerse activas a lo largo del tiempo, lo que les
permite mejorar gradualmente sus procesos. Por otro lado, las empresas ineficientes tienden
a estancarse y abandonar la industria, como se ha señalado en la investigación de Jovanovic
(1982). Esta relación se puede explicar mediante la curva de aprendizaje de la empresa, ya
que las empresas más grandes suelen contar con experiencia y capital para invertir en el
desarrollo de nuevas tecnologías y contratar personal altamente calificado. Esta relación ha
sido fuertemente demostrada por un estudio para el Banco de Canadá por Loung et al. (2008).

17
 Tabla 1
Estudios previos de Eficiencia Técnica en el sector manufacturero analizados mediante la
frontera estocástica.

Autores Año País Periodo de estudio Sector Resultados

El tamaño de la firma
presenta relación directa
con la eficiencia técnica, las
Lee y Pitt 1981 Indonesia 1972, 1973 y 1975 Confecciones empresas con menos años
de antigüedad son más
eficientes que las empresas
más antiguas.
La antigüedad de la firma
Hill y
1993 Indonesia 1986 Confecciones posee una relación inversa
Kalirajan
con la eficiencia técnica.

El tamaño de la firma posee

Mengistae 1996 Etiopia 1993 Manufactura una relación directa con la
eficiencia técnica.
El tamaño de la firma posee
relación directa con la
Lunvall y
2000 Kenia 1993-1995 Manufactura eficiencia técnica, caso
Battese
contrario de los años de
antigüedad.
El tamaño de la firma y los
Gastos por Investigación y
Kim 2003 Korea 1980-1993 Manufactura Desarrollo poseen relación
directa con la eficiencia
técnica.
Colombia,
Indonesia,
El tamaño de la firma posee
Malasia, 1986/1992/ 1994/
Bartra y Tan 2003 Manufactura relación directa con la
México, 1999
eficiencia técnica.
Guatemala
y Taiwan.
Margono y Las firmas de mayor
2006 Indonesia 1993-2000 Manufactura
Sharma tamaño son más eficientes.

El tamaño de firma posee

2014-2015/ 2013-
Delgado 2019 Colombia Manufactura relación directa con la
2015
eficiencia técnica.

18
En contraposición a estos estudios, se han realizado análisis empíricos que han informado
de resultados distintos, incluyendo una relación negativa o la ausencia de relación entre la
eficiencia y el tamaño de la planta. Por ejemplo, Brada et al. (1997) identificaron una
correlación positiva en algunos sectores manufactureros checoslovacos y húngaros, pero no
encontraron tal correlación en otros sectores. Por su parte, Biggs et al. (1995) y Dhawan
(2001) sugirieron una eficiencia técnica positiva para las empresas más pequeñas y negativa
para las empresas de mayor tamaño. Estos resultados contrastantes indican que la relación
entre la eficiencia y el tamaño de la empresa puede variar según la industria y las condiciones
específicas del mercado.

En cuanto a los años de antigüedad, según Jovanovic (1982) La alta probabilidad de cierre
de empresas recién establecidas se debe en gran medida a que estas son gestionadas por
empresarios que tienen relativamente poca experiencia. Es así la relación entre la producción
y las ineficiencias de gestión sigue un patrón descendente y convexo. Entre los estudios que
encontraron la relación inversa entre la antigüedad de la empresa se encuentran, Lee y Pitt
(1981) , Hill y Kalirajan (1993) , Page (1984) y Lundvall y Battese (2000). Las empresas
con poco tiempo de creación tienen la opción de obtener tecnologías más eficaces
disponibles en el momento de su creación.

Según Kim (2003), el análisis de la inversión de las empresas en investigación y desarrollo

y su relación con la productividad es uno de los más difíciles, debido a la complejidad de la
composición de este factor. Por su parte, Perelman (1995) encontró una relación negativa
entre el gasto en investigación y desarrollo y la eficiencia. Un indicador que también posee
importancia en el estudio de eficiencia es el Ratio de rentabilidad sobre activos (ROA), así
como lo demuestra Quintero et al. (2018) en su estudio realizado para determinar la
eficiencia técnica de las empresas colombianas, en el análisis se evidencia la relación directa
que posee el ROA con la eficiencia técnica de las firmas.

Existen escasas investigaciones que utilizan el enfoque de Análisis Envolvente de Datos

(DEA) para evaluar la eficiencia técnica en el sector manufacturero. Uno de los estudios más
recientes que aborda esta temática es el llevado a cabo por Avendeaño et al. (2022).

19
Este estudio tiene como objetivo analizar la eficiencia del sector manufacturero en Perú y
verificar la hipótesis de que el tamaño de la firma desempeña un papel significativo en su
eficiencia.

20
 3. APROXIMACIÓN METODOLÓGICA

En esta sección, se muestran los datos utilizados para sustentar y contextualizar el estudio,
al igual que se presenta la metodología para la estimación de la eficiencia técnica y las
variables que determinan la eficiencia.

3.1. HECHOS ESTILIZADOS

El sector manufacturero en el Perú sigue vigente, esta industria posee el mayor aporte al
empleo informal, cuenta con alrededor de 1.5 millones de empleos directos y representa el
15% de los ingresos tributarios, convirtiéndolo en el sector con mayor contribución de
impuestos en el país.

El proceso productivo de los diferentes subsectores de la industria manufacturera implica

tanto procedimientos simples como especializados, dependiendo del rubro en el que se
encuentre la firma. Es así como existe heterogeneidad en el tamaño de las plantas o empresas
y, es más evidente entre los subsectores primario y no primario de la industria manufactura.
Esta disparidad es un factor determinante al evaluar la eficiencia técnica del sector, ya que
existen empresas de menor tamaño que carecen de la capacidad y conocimientos necesarios
para operar de manera óptima y convertir sus insumos en productos finales. En contraste, las
empresas de mayor tamaño son más eficientes debido a su conocimiento en los procesos de
producción, lo que les permite operar a gran escala y de manera eficiente sin aumentar sus
costos.

La industria manufacturera, según la Clasificación Internacional Industrial Uniforme (CIIU)

versión 4, se refiere al sector que realiza la transformación física o química de materiales,
sustancias o componentes en productos nuevos. En el contexto peruano, el sector
manufacturero se divide en dos subsectores: la manufactura primaria y la manufactura no
primaria. Estas categorías permiten clasificar y diferenciar las actividades manufactureras
en función de sus características y procesos específicos.

21
En primer lugar, el subsector de manufactura primaria consta de actividades productivas que
representan la transformación inicial de las materias primas dentro del sector
manufacturero4.

En segundo lugar, el subsector de manufactura no primaria comprende una variedad de

actividades productivas, que son clasificadas de la siguiente manera Bienes de Consumo 5,
Bienes Intermedios 6, Bienes de Capital7 y Servicios 8.

El sector manufacturero atravesó múltiples fases a partir de la década de 1950, coincidiendo

con la asesoría proporcionada por la Comisión Económica para América Latina (CEPAL),
entidad de las Naciones Unidas. Esta asesoría se enfocó en la industrialización y en el
respaldo estatal a prácticas productivas, específicamente mediante la implementación del
modelo de sustitución de importaciones. Dicho modelo implicaba la substitución de
productos importados por manufacturas producidas localmente. No obstante, este proceso
generó consecuencias desfavorables a largo plazo para el sector industrial.

Durante el período comprendido entre 1950 y 1974, el sector manufacturero atravesó una
fase conocida como "edad dorada", la cual se caracterizó por un incremento significativo en
su producción. Durante ese lapso, la tasa de crecimiento del PBI estaba estrechamente
vinculada y dependía en gran medida de la tasa de crecimiento de la producción
manufacturera.

Durante el período comprendido entre 1975 y 1990, el sector manufacturero experimentó

una desaceleración en su crecimiento como resultado de las deficiencias en la
implementación del modelo de industrialización, lo cual también se reflejó en una

4 Considera: Elaboración y conservación de carne; elaboración y conservación de pescado, crustáceos y

moluscos; elaboración de azúcar; fabricación de productos de la refinación de petróleo y fabricación de
productos primarios de metales preciosos y otros metales no ferrosos.
5 Considera: Elaboración y conservación de frutas, Legumbres, Aceites, Grasas de origen vegetal y animal,

Productos lácteos, Panadería, cacao, vino, bebidas malteadas; fabricación de productos textiles, prendas de
vestir, maletas, calzado, productos farmacéuticos, productos de caucho, artículos de cuchillería, pilas,
bicicletas, joyas y fabricación de muebles.
6 Considera: Elaboración de productos de molinería, almidones; Preparación e hilatura de fibras textiles,

tejedura, acabado de los mismos; fabricación de hojas de madera, piezas de carpintería, papel, cartón, plástico,
vidrio, materiales de construcción de arcilla; fabricación de cemento, cal, yeso; corte , talla y acabado de la
piedra y fundición de hierro, acero y productos no ferrosos.
7 Considera: Fabricación de tanques, motores, equipo de elevación, maquinaria para explotación de minas,

vehículos automotores, buques y motocicletas.

8 Considera: Tratamiento y revestimiento de metales; Reparación y mantenimiento de maquinarias; Reparación

de equipo eléctrico y Equipo de transporte excepto vehículos automotores.

22
disminución en la tasa de empleo. Esta situación generó periodos de alta volatilidad en el
sector.

Figura 2
Manufactura peruana 1950-2021

Nota. De “Panorama de la Economía Peruana 1950-2021”, por INEI, 2022

(https://goo.su/hFuM5).

Durante el período comprendido entre 1990 y 1996, se observó una etapa de estabilización
y recuperación en el sector manufacturero, tanto en términos de empleo como de
productividad. En los primeros años de este período, se llevaron a cabo acciones como la
desindustrialización y la implementación del libre comercio, junto con políticas económicas
en Perú. Estas medidas resultaron en un crecimiento parcial, con la entrada de numerosas
empresas al mercado luego, de la desaparición de un gran número tras la crisis de los años
80 y 90. El IVA del sector se empezó a equilibrar, lo que indicaba una mayor estabilidad en
la productividad del sector.

Durante el período comprendido entre 1996 y 2019, se observó una disminución en la

productividad del sector manufacturero en comparación con períodos anteriores. No

23
obstante, el INEI indica que el número de empresas aumentó gradualmente a lo largo del
tiempo. Por otro lado, la participación del sector manufacturero en el PBI también ha
experimentado una disminución significativa en comparación con el año 1970, cuando
representaba el 18.5% de la participación total según se muestra en la Figura 2.

Figura 3
Participación de firmas del sector manufactura por CIIU

33 3%
32 3%
31 1%
30 0%
29 2%
28 2%
27 2%
26 0%
25 8%
24 2%
23 6%
22 11%
21 3%
20 9%
18 3%
17 2%
16 2%
15 1%
14 6%
13 8%
11 2%
10 26%
0% 5% 10% 15% 20% 25% 30%

Nota. Adaptado de “Encuesta Económica Anual 2020”, por INEI, 2020 (https://goo.su/WMWU).

Tras analizar el desarrollo histórico de la industria manufacturera, se puede concluir que el

nivel de productividad en este sector ha experimentado una disminución. Según datos
proporcionados por el INEI, al 2022 el sector alberga aproximadamente 182 mil empresas.
En la Figura 3, se observan las principales actividades económicas que posee el sector
manufacturero según CIIU donde las empresas se dedican a la actividad de fabricación de
alimentos y bebidas representan el 26% , fabricación de caucho y plástico (11%), fabricación
de productos químicos (9%),%), fabricación productos metálicos, maquinaria y equipo (8%)

24
y fabricación de productos textiles, cuero y calzado (8%) de la misma forma que son las
actividades que más tributan en la actualidad en la industria.

Figura 4
Participación de firmas del sector manufactura por departamento

HUANUCO
APURIMAC
AMAZONAS
TUMBES
AYACUCHO
PUNO
PASCO
MOQUEGUA
MADRE DE DIOS
JUNIN
CAJAMARCA
CUSCO
SAN MARTIN
LORETO
ANCASH
TACNA
UCAYALI
PIURA
LAMBAYEQUE
ICA
LA LIBERTAD
AREQUIPA
CALLAO
LIMA
0% 10% 20% 30% 40% 50% 60% 70% 80%

Nota. Adaptado de “ Encuesta Económica Anual 2020”, por INEI, 2020 (https://goo.su/WMWU).

En la Figura 4, se observa que la mayor cantidad de firmas manufactureras se encuentran

en Lima y Callao, seguido de Arequipa, La libertad e Ica, departamentos que tienen la
característica en común de ser de la región costa. Investigaciones, como la de Távara (1986),
analizan diversos elementos que influyen en la eficiencia de la industria nacional. Uno de
estos factores es el sistema de transporte, que conecta el país, y desempeña un papel crucial

25
no solo en la distribución de los productos finales de las empresas, sino también en la
adquisición de materias primas. Esta falta de conectividad no solo genera retrasos en la
producción, sino que también aumenta los costos en comparación con áreas o regiones mejor
conectadas.

Una característica distintiva de las micro y pequeñas empresas en Perú es su facilidad para
ingresar y salir del mercado. Una de las particularidades es que los empresarios no necesitan
tener un local permanente o máquinas propias para operar, lo que les permite retirarse del
mercado o sector si los resultados no son favorables y lo consideran apropiado. Según el
INEI, el 50% del total de micro y pequeñas empresas indicaron que el local donde operan es
de alquiler, lo que significa que no son propietarios de este. Un 40% declaró ser propietario
de su local, mientras que el 10% restante mencionó que el local es prestado. Caso contrario
con la grande y mediana empresa que

En este sentido este estudio tiene como objetivo analizar la eficiencia del sector
manufacturero en Perú y verificar la hipótesis de que el tamaño de la firma desempeña un
papel significativo en su eficiencia.

3.2. DATOS Y VARIABLES

El análisis de este estudio se basa en datos de corte transversal obtenidos de la Encuesta

Económica Anual 20209 (EEA, 2020) para empresas formales del sector manufacturero
peruano del formato D210 la cual comprende una muestra 1340 empresas entre grandes y
medianas. Esta encuesta tiene como finalidad recaudar información financiera de empresas
que realizan distintas actividades económicas 11 y operan en los 24 departamentos de Perú a
través del auto empadronamiento. La EEA es la fuente principal de actualización del
Directorio Central de Empresas y Establecimientos.

9 Datos de empresa del ejercicio del año 2019.

10 Este formato incluye a las grandes y medianas empresas cuyos ingresos netos superen las 1700 UIT.
11 Estas actividades están divididas según la Clasificación Internacional Industrial Uniforme (CIIU); entre ellas

se encuentran Agencias de viajes, Agroindustria, Comercio, Manufactura, Pesca entre otros.

26
El formulario de la encuesta perteneciente al sector manufacturero se divide en dos
secciones. La primera sección, la que se analizó en este estudio, se presenta a Nivel Empresa,
esta recopila datos de los estados financieros consolidados, es decir ya incluye información
de los distintos establecimientos que posee la empresa. La segunda sección se presenta a
Nivel Establecimiento, esta sección tiene como propósito reunir datos de cada espacio o filial
independiente de la empresa que esté involucrada en alguna etapa de la actividad productiva.

La construcción de los indicadores analizados para el presente estudio requirió el uso de

cinco capítulos de la EEA, entre los que se encuentran el capítulo de información general,
estados de situación financiera, estado de resultados por naturaleza, resumen de inmueble,
maquinaria y equipos y el capítulo de personal ocupado 2019.

3.2.1. Primera Etapa: Estimación de la frontera de eficiencia

En la presente sección se presentan los resultados del análisis de eficiencia realizados para
el caso de un output y varios inputs, tomando en cuenta las siguientes consideraciones
metodológicas previas:

(i) La estimación de eficiencia se realizó mediante la metodología paramétrica de

Frontera estocástica (SFA) en el programa STATA 17.
(ii) La estimación se realizó mediante el análisis de frontera estocástica, debido a que
el análisis DEA asume que todos los datos son exactos, es decir no considera el
ruido estadístico.
(iii) La estimación y modelización de frontera estocástica de producción 12 quiere
decir que los insumos (inputs) vienen dados de forma exógena y que la
producción (output) es una respuesta a los insumos.
(iv) Esta estimación sigue un análisis intuitivo el cuál dicta que si un productor o una
firma es ineficiente entonces su beneficio será menor. El modelo será una función
de producción Cobb-Douglas.

12 En este estudio se realizará la estimación mediante el método de frontera de producción donde no se

incorporan los precios, también existe la posibilidad de estimar la frontera estocástica de costos en donde se
puede hallar la eficiencia económica de cada firma . Para una mayor revisión, ver Coelli (1998)

27
 (v) Se utilizará una transformación logarítmica para asegurar la linealidad que
admite el programa, es decir se usó ln(𝑦) = 𝛽0 + 𝛽𝑖 (𝑥𝑖 ) + (𝑣 − 𝑢). El output
(producción) está representado por el término y y 𝑥𝑖 representa los inputs
presentados anteriormente. El término error está representado por 𝑣 − 𝑢 , donde
𝑣 es el ruido y 𝑢 es la ineficiencia el cual toma valores de 0 a 1, donde 0 significa
que la firma es 100% eficiente.

Este estudio utilizó la función Cobb-Douglas con varios insumos (capital físico, trabajo,
materia prima y capital social) representado de la siguiente forma:

𝑌 = 𝑓(𝐾. 𝐿 ) = 𝐴𝐾 𝛼 𝐿𝜀 𝑀 𝛾 𝑁 𝜑 13 (1)

Donde Y es la producción total , L representa al trabajo, K al capital físico, M la materia

prima, N el capital social de la firma, así como; ∝, 𝜀, γ y φ son los coeficientes de elasticidad
de producción de trabajo, capital, materia prima y capital social, respectivamente. Para
transformar se le aplicó logaritmo natural a la ecuación ( 1 ), por lo que se obtuvo:

𝐿𝑛 𝑌 = 𝐿𝑛 𝐴 + 𝐿𝑛 𝐾 𝛼 + 𝐿𝑛𝐿𝜀 + 𝐿𝑛 𝑀 𝛾 + 𝐿𝑛 𝑁 𝜑 (2)

O también expresado como:

𝐿𝑛 𝑌 = 𝛽0 + 𝛽1 𝐿𝑛 𝐾 + 𝛽2𝐿𝑛𝐿 + 𝛽3 𝐿𝑛𝑀 + 𝛽4 𝐿𝑛 𝑁 (3)

Como se precisó anteriormente, el análisis de eficiencia técnica mediante el método de

frontera estocástica añade dos términos de error. El término 𝑣 es un ruido aleatorio y 𝑢 es
un término de error que representa la ineficiencia técnica de la firma, este término es
negativo.

𝐿𝑛 𝑌 = 𝛽0 + 𝛽1 𝐿𝑛 𝐾 + 𝛽2𝐿𝑛𝐿 + 𝛽3 𝐿𝑛𝑀 + 𝛽4 𝐿𝑛 𝑁 − 𝑣 − 𝑢 (4)

13 Se considera: ∝ +𝜀 + 𝛾 + 𝜑 = 1.

28
De acuerdo con Berger y Mester (1997), a fin de obtener mejores resultados en los
indicadores de eficiencia , ayudar a controlar la heterocedasticidad y los sesgos de escala en
la estimación, antes de obtener la linealización del modelo se deben especificar los insumos
entre uno de los factores de producción. Ver Anexo 1.

La variable output es la variable 𝑌 que se obtiene como resultado de las actividades de las
firmas a través del proceso productivo. Dado que el sector manufactura posee diversos
rubros de producción se optó por la construcción de la variable 𝑌 a partir de la suma de los
Ingresos Operacionales más la Variación de inventarios de productos terminados 14 como
variable proxy de la producción física. En esta construcción se tuvo en cuenta la literatura
de estudios previos.

(i) Está expresada en soles.

(ii) Ha sido construida a partir de la EEA 2020 en la que se consideran los datos del
ejercicio de la empresa al 2019 .
(iii) Al utilizar valores monetarios los parámetros conservarán las propiedades de
insesgadez y consistencia, pero poseerán una varianza mayor.

En cuanto a las variables inputs para el análisis de eficiencia , cabe señalar que en el presente
estudio se considera un rango considerable de insumos, entre ellas se encuentran:

• Capital. Uno de los principales insumos que se utiliza en la función de producción. Esta
variable fue construida a partir de la suma del total de propiedades, planta y equipo de
las firmas.
• Trabajo. Al igual que el capital es uno de los insumos que se encuentra integrado en la
función de producción. En el presente estudio esta variable es representada por el
promedio de trabajadores ocupados en el año 2019 del sector manufacturero.
• Materia Prima. Representado por el costo de la materia prima, suministros y repuestos
utilizados en el proceso de producción.
• Capital social. Representado por el total de capital invertido por los accionistas.

14La Variación de inventarios de productos es una cuenta correctora de ingresos. Cuando posee saldo deudor
es indicador de que la producción vendida es mayor que la vendida en el periodo y viceversa.

29
Tabla 2
Descripción de variables utilizadas para el análisis de la Eficiencia Técnica

output Descripción

Y Producción (Y). Variable cuantitativa continua. Expresada en soles.

inputs Descripción
K Capital Físico (K).Variable cuantitativa continua. Expresada en soles.

L Trabajo (L). Variable cuantitativa discreta. Expresada en número de

trabajadores.
mpr Materia Prima (mpr).Variable cuantitativa continua. Expresada en
soles.
capital_soc Capital Social (capital_soc). Variable cuantitativa continua. Expresada
en soles.

3.2.2. Segunda Etapa: Determinantes de la eficiencia técnica del sector manufacturera

En esta sección se presenta la segunda fase del modelo de eficiencia en dos etapas el que
consiste en evaluar mediante modelos de regresión, los determinantes de la eficiencia del
sector manufacturero obtenidos en la fase anterior. A partir de la siguiente ecuación:

𝐸𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑖𝑎 =∝𝑜 +∝1 𝑅𝑂𝐴 +∝2 ln 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑝𝑙𝑎𝑛𝑡𝑎 +∝3 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠 𝑏á𝑠𝑖𝑐𝑜 (5)
+∝4 𝑎𝑛𝑡𝑖𝑔𝑢𝑒𝑑𝑎𝑑 +∝5 𝑔𝑎𝑠𝑡𝑜 𝐼&𝐷 + 𝜀

Para realizar las regresiones se emplearán las siguientes variables:

• Eficiencia. Variable endógena del modelo contiene los índices de eficiencia estimado
en el análisis de eficiencia técnica mediante la metodología de frontera estocástica tiene
un valor de 0 a 1.

30
• Tamaño de Planta. Variable independiente continua que representa el tamaño de la
empresa en términos de total de activos15expresado en soles. Dado que existe evidencia
de que a mayores recursos la firmas poseen una mayor eficiencia en productividad, pues
tienen la capacidad de mejorar sus procesos productivos.
• Rentabilidad de los activos (ROA). Variable independiente que representada por la
división de la utilidad entre activos. Esta variable representa la variación de rentabilidad
ante la variación de sus activos. Se presupone que a medida que aumenta la rentabilidad
de la firma su eficiencia técnica también lo hace.
• Servicios básicos. Variable independiente representada por gastos en electricidad, agua
e internet expresados en soles.
• Antigüedad. Variable independiente representada por los años de operación de la
empresa desde la fecha de creación hasta la fecha de análisis (2019).
• Gasto de investigación y desarrollo. Variable independiente dummy que toma el valor
1 cuando la firma invierte en Investigación y desarrollo caso contrario toma el valor de
0. El gasto en investigación y desarrollo es una variable que contiene las mejoras a través
de nueva tecnología o nuevos procesos productivos. Esta variable está registrada con el
mismo nombre en el estado de resultados de las firmas dentro de la EEA.

Tabla 3
Descripción de variables del modelo

Variables Descripción
ROA Ratio de Rentabilidad (ROA). Variable cuantitativa continua,
expresada en porcentaje.
ln_tam Tamaño de planta (tam). Variable cuantitativa continua expresado en
logaritmo natural.
ln_sb Servicios básicos (serv_bas). Variable cuantitativa continua expresado
en logaritmo natural.
gasto_id Gasto de Inversión y Desarrollo (gasto_id). Variable dummy (la firma
invierte en Investigación y desarrollo =1).
ln_ant Antigüedad(antigüedad). Variable cuantitativa continua expresado en
logaritmo natural.

15Activos en este estudio es todo aquello que posee la empresa que se puede mover a corto plazo y convertirse
en dinero .

31
 3.3. ESTRATEGIA METODOLÓGICA

A partir de la literatura revisada, la segunda etapa del modelo tiene como finalidad explicar
los determinantes de la eficiencia técnica con los modelos econométricos que más se ajustan
al presente estudio: Mínimos Cuadrados Ordinarios (MCO) y Modelo Tobit (MT). Para
identificar cuáles son los factores que determinan o explican la eficiencia técnica de las
firmas la herramienta más usada para resolver este problema es el modelo de regresión lineal
múltiple, en el que se considere como variable dependiente la eficiencia en función de las
variables independientes.

Por su parte, el modelo de Tobit se puede ver como una extensión del modelo probit. En el
modelo probit, se evalúa la probabilidad de que ocurra un evento particular. Sin embargo,
en el modelo de Tobit, el enfoque se dirige hacia la modelización de una variable que se
origina a partir del modelo probit. Esta variable en cuestión se caracteriza por tener una gran
cantidad de valores iguales a cero, y los valores que no son cero abarcan una amplia gama y
siguen una distribución que es aproximadamente continua.

Para comprender el modelo Tobit, podemos aplicarlo cuando queremos identificar los
factores que influyen en los gastos relacionados con la educación universitaria. Al
seleccionar una muestra para el estudio, es posible que no todos los individuos incluidos
estén actualmente matriculados en una universidad o que no tengan educación universitaria.
Sin embargo, si tenemos información sobre las variables independientes de interés, podemos
aún incluir a estos individuos en nuestro análisis al asignar un valor de gasto en educación
universitaria igual a cero en sus casos. En esta situación, no se aconseja emplear el método
por MCO debido a la posibilidad de obtener resultados negativos, lo que podría llevar a
predicciones negativas y, como consecuencia, generar estimaciones sesgadas e
inconsistentes.

El modelo desarrollado por Battese y Coelli plantea que la ineficiencia técnica se representa
como una variable aleatoria no negativa, que se distribuye de forma independiente y sigue
una distribución Normal Truncada. Debido a que la variable endógena está restringida entre
0 y 1, se utiliza la estimación a través del modelo de máxima verosimilitud de Tobit mediante
iteraciones. Este enfoque permite estimar los coeficientes de las variables independientes
bajo la suposición de normalidad, homocedasticidad y proporciona una forma de verificar la

32
robustez de las estimaciones obtenidas (Francke & Herrera, 2009). El modelo es
representado mediante la forma de la ecuación ( 5 ).

33
 3.4. ANÁLISIS DE RESULTADOS

Los resultados obtenidos mediante la estimación de la frontera estocástica con distribución

semi-normal se explicarán en la siguiente sección. En la Tabla 4, el modelo asume que los
términos de ineficiencia siguen una distribución normal o semi- normal. El término de
logaritmo de verosimilitud tiene un valor de -1337.4636. La prueba de wald que es utilizada
para probar la hipótesis de que al menos uno de los coeficientes de regresión no es igual a
cero, tiene el valor de 1533.52 y el valor p asociado de 0.00 lo que indica que se rechaza la
hipótesis nula.

En cuanto a las variables input, input2 y input3 (ver Anexo 1 ) son significativas al nivel de
5%. Por otra parte, el valor del logaritmo natural de la varianza del término ineficiencia (ln
sigma2 u) indica que la varianza de la ineficiencia es relativamente pequeña, es decir los
niveles de eficiencia de las firmas es bastante similar entre sí. Adicionalmente, el valor de
lambda señala que una fracción muy reducida de la variabilidad total en la producción se
atribuye a la ineficiencia técnica. Esto sugiere que la mayor parte de la variabilidad en la
producción proviene de factores aleatorios que no se encuentran bajo el control de las firmas.

Luego de realizar las estimaciones de frontera estocástica, se procede a realizar la segunda

etapa del estudio, en la cual se determinarán los principales factores que influyen a la
eficiencia técnica de las firmas manufactureras.

34
 Tabla 4
Estimación de la Frontera Estocástica con distribución semi-normal

Frontera Estocástica normal/ modelo semi-normal N° obs= 1249

wald chi2(3)= 1533.52
Log likelihood= -1337.4636 Prob>chi2 = 0.0000
Variable Coef. Error est. z P> |z|
input 0.1204458 0.0150430 7.92 0.000*
input2 0.4036854 0.0133447 30.25 0.000*
input3 0.0831895 0.0136071 6.11 0.000*
ln sigma2 v -0.6962291 0.0400810 -17.37 0.000
ln sigma2 u -11.0420600 195.6723000 -0.06 0.955
sigma v 0.7060180 0.0141490
sigma u 0.0040017 0.3915138
sigma2 0.4984774 0.0200468
Lambda 0.0056680 0.3925701

Nota. Elaboración propia. Log likelihood se refiere al logaritmo de verosimilitud. (*) se refiere a
la significancia de 5% de la variable ,es decir, 95% de confianza.

En la Tabla 5, al examinar los resultados a través del modelo de regresión, se observan

diferencias significativas en la relación entre la variable tamaño de planta y la eficiencia
distribuida de manera semi-normal. En el modelo de MCO con la eficiencia distribuida de
forma semi-normal, el coeficiente estimado para la variable tamaño de planta es 0.160, con
un error estándar de 0.0273. Esto indica que, manteniendo todas las demás variables
constantes, un incremento de una unidad en tamaño de planta se asocia con un aumento de
0.160 en la eficiencia, manteniendo las demás variables constantes.

Para entender el coeficiente estimado asociado con el Tamaño de Planta, es importante

examinar tanto su dirección como su tamaño. En este escenario, un coeficiente de signo
positivo señala una correlación positiva entre el tamaño de la planta y la eficiencia. Es decir,
se espera que la eficiencia aumente a medida que el tamaño de la planta crece, siempre que
las demás variables en el modelo se mantengan constantes, lo que comprueba la hipotesis
del estudio. Los errores estándar de esta variable nos ofrecen una indicación de la exactitud
de las estimaciones. En este caso, los errores estándar son bastante pequeños en comparación
con los coeficientes estimados, lo que indica que las estimaciones son fiables y precisas.

35
 Tabla 5
Determinantes de la Eficiencia Técnica resumida

(HALF-NORMAL)
MCO TOBIT
1.246*** 1.491***
ROA
(-0.233) (-0.334)
0.160*** 0.292***
Tamaño de planta
(-0.0273) (-0.0385)
-0.161*** -0.253***
Servicios Básicos
(-0.0235) (-0.0326)
-0.159*** -0.219***
Años de Antigüedad de la Firma
(-0.0392) (-0.0543)
Gasto de Investigación y Desarrollo 0.062 -0.0252
(Invierten en I&D ==1)
(-0.0807) (-0.114)
-0.268 -1.422***
Intercepto ( c )
(-0.308) (-0.43)
1.368***
var(e.eficiencia)
(-0.0908)
R2 0.0796 -
Pseudo R2 - 0.0424
Prueba F 21.3 -
Chi-cuadrado - 111.2
Log Likelihood -1700 -1255.5
Log Likelihood 0 -1751.3 -1311.1

Número observaciones 1237 1237

Nota. Elaboración propia. (***) indica que el coeficiente es significativo al nivel de 0.1%. (**)
indica que el coeficiente es significativo al nivel de 1 %. (*) indica que el coeficiente es
significativo al nivel de 5%

En el caso de las variables servicios básicos y antigüedad, ambas son significativas para el
modelo MCO, pero con relación negativa con la eficiencia técnica. Además, se puede
observar el signo negativo de la variable antigüedad tal como los resultados hallados por los
autores Lee y Pitt (1981) que muestran la relación inversa con la eficiencia de la firma. La

36
estimación del presente estudio revela que las firmas que cuentan con menor tiempo de
creación suelen ser más eficientes que las que poseen más años en el mercado.

Después de realizar la estimación mediante mínimos cuadrados, se crea un gráfico de

densidad kernel que sugiere la falta de normalidad en los residuales. Para respaldar esta
observación, se realiza la prueba de Shapiro-Wilk, que determina si podemos o no rechazar
la hipótesis nula de que los errores en la estimación siguen una distribución normal (ver
Anexo 1). Después de completar estas evaluaciones, se opta por aplicar el modelo Tobit
para lograr una especificación más precisa. Al igual que en el enfoque de MCO, se observa
que los coeficientes asociados a la antigüedad y los servicios básicos tienen signos negativos.

En el modelo Tobit, se encuentra que la variable ROA, tamaño de la planta, servicios básicos
y antigüedad son estadísticamente significativas, y en el caso de las dos primeras, tienen un
efecto positivo en la variable dependiente, mientras que, en las dos últimas variables el efecto
es negativo. Además, la variable de gasto en investigación y desarrollo resulta no
significativa para el nivel de eficiencia como se demuestra en literatura previa que realiza
estudios similares en otros países.

37
 4. CONCLUSIONES

En el presente estudio se corrobora la hipótesis en la que se afirma que el tamaño de planta

de la firma es un determinante de la eficiencia técnica. A partir de las estimaciones realizadas
se concluye que las firmas del sector manufactura operan a niveles de eficiencia bastante
homogéneos. Una de las principales conclusiones es que, a mayor tamaño de planta de la
firma, esta tiene una mayor eficiencia y contribuye al crecimiento de la productividad
promedio del sector tal como lo demuestran Lee y Pitt (1981), Lundvall y Battese (2000) y
Kim (2003). Estos autores consideran que las firmas de mayor tamaño en su mayoría tienen
un mayor acceso a capital y financiamiento en comparación con las firmas de menor tamaño,
lo que les posibilita invertir en investigación, adquirir tecnología y maquinaria moderna, así
como capacitar al personal en los procesos de producción.

Adicionalmente, Lundvall y Battese (2000) demuestra que el mayor tamaño de la firma

aumenta la posibilidad de establecer mejores acuerdos con los proveedores a fin de obtener
materias primas a mejores precios, reduciendo costos y aumentando la productividad.
Además, tal como lo estudió Page (1984), estas firmas poseen una gestión más efectiva de
las operaciones empresariales, conocimientos técnicos, control de los costos y optimización
de mano de obra, lo que genera mayores posibilidades de crecimiento.

Por otra parte, el ROA que posee relación directa y significativa sobre la eficiencia técnica
de las firmas manufactureras tal como lo demuestra Quintero et al. (2008). Estos resultados
se asemejan a los hallazgos de la mayoría de los estudios revisados, a pesar de que examinan
diferentes contextos.

En cuanto a la antigüedad de la empresa, se concluye que posee relación inversa con la

eficiencia de las empresas manufactureras. Una de las razones expuestas por Hill y Kalirajan
(1993) a fin de explicar este resultado es que las empresas generalmente inician sus
operaciones con proyecciones de crecimiento y planes a largo plazo para asegurar su éxito
en el nuevo mercado, además de que tienen la opción de conseguir tecnología más moderna
al momento de su creación.

Este estudio posee una naturaleza limitada de los datos, pero es un primer paso importante
para comprender diversos factores que influyen en la productividad del sector manufacturero
y de diversas actividades económicas en Perú. Se considera interesante investigar a detalle

38
la eficiencia del sector manufacturero peruano por macro regiones o por actividad económica
y adicionar otros factores que capturen cambios estructurales que hayan tenido lugar en un
período de tiempo específico.

39
 5. REFERENCIAS

Acevedo, M., & Ramirez, J. (2005). Diferencias regionales en la eficiencia técnica del sector
confecciones en Colombia: un análisis de fronteras estocásticas. INNOVAR. Revista
de Ciencias Administrativas y Sociales, 15(26), 90-105.

Aigner, D., Lovell, C., & Schmidt, P. (1977). Formulation and estimation of stochastic
frontier production function models. Journal of Econometrics, 6(1), 21-37.
doi:https://doi.org/10.1016/0304-4076(77)90052-5

Avendeaño, J., Cardona, J., Torres, G., Ospina, R., & Díaz, J. (2022). Análisis de la
eficiencia técnica de las empresas manufactureras en Villavicencio (Colombia).
Panorama Económico, 30(3), 164-187. doi:https://doi.org/10.32997/pe-2022-4215

Batra, G., & Tan, H. (2003). SME Technical efficiency and its correlates: Cross-national
evidence and policy implications. Working Paper. World Bank Institute.

Berger, A., & Mester, L. (1997). Inside the Black Box: What Explains Differences in the
Efficiencies of Financial Institutions? Journal of Banking and Finance, 21(7), 897-
947. doi:https://doi.org/10.1016/S0378-4266(97)00010-1

Biggs, T., Shah, M., & Srivastava, P. (1995). Technological Capabilities and Learning in
African Enterprises. World Bank technical paper.

Brada, J., King, A., & Ying, C. (1997). Industrial Economics of the Transition: Determinants
of Enterprise Efficiency in Czechoslovakia and Hungary. Oxford Economic Papers,
49(1), 104-127. doi:https://doi.org/10.1093/oxfordjournals.oep.a028593

Cárdenas, G. (2014). ¿Existe aún la industria manufacturera en el Perú? Pensamiento

Crítico, 11-32.

Caves, R., & Barton, D. (1990). Efficiency in U.S. manufacturing industries. Cambridge:
MIT Press.

Céspedes, N., Lavado, P., & Ramírez, N. (2016). Productividad en el Perú: medición,
determinantes e implicancias. Lima: Fondo Editorial de la Universidad del Pacífico.

40
Coelli, T. (1995). Recent developments in frontier modelling and efficiency measurement.
Australian Journal of Agricultural eEconomics, 39(3), 219-245.
doi:https://doi.org/10.1111/j.1467-8489.1995.tb00552.x

Coelli, T., Prasada, D., O'Donnell, C., & Battese, G. (2005). An Introduction to efficiency
and productivity analysis. New York: Springer Science.

De Borger, B., & Kerstens, k. (1996). Cost efficiency of Belgian local governments: A
comparative analysis of FDH, DEA, and econometric approaches. Regional Science
and Urban Economics, 26(2), 145 -170. doi:https://doi.org/10.1016/0166-
0462(95)02127-2

Delgado, W. (2019). Eficiencia técnica de las empresas manufactureras en Colombia.

Revista de Ciencias Sociales, 25(2), 73-82.
doi:https://doi.org/10.31876/rcs.v25i2.27337

Dhawan, R. (2001). Firm size and productivity differential: theory and evidence from a panel
of US firms. Journal of Economic Behavior & Organization, 44(3), 269-293.
doi:https://doi.org/10.1016/S0167-2681(00)00139-6

Farrell, M. (1957). The Measurement of productive efficiency. Journal of the Royal

Statistical Society, 120(3), 253-290. doi: https://doi.org/10.2307/2343100

Faruq, H., & Yi, D. (2010). The determinants of Technical Efficiency of Manufacturing
Firms in Ghana. Global Economy Journal, 10(3). doi:https://doi.org/10.2202/1524-
5861.1646

Francke, P., & Herrera, P. (2009). Análisis de la eficiencia del gasto municipal y de sus
determinantes. Revista Economía, 32(63), 113-178.

Girón, L. (2017). Econometría Aplicada: Usando Stata 13. Cali: Sello Editorial Javeriano.

Green, A., & Mayes, D. (1991). Technical Inefficiency in Manufacturing Industries. The
Economic Journal, 101(406), 523-538. doi:https://doi.org/10.2307/2233557

Greene, W. (1993). The econometric approach to efficiency analysis. En H. Fried, C. Lovell,

& W. Greene, The Measurement of Productive Efficiency and Productivity Change
(Vol. 49, págs. 92-250).
doi:https://doi.org/10.1093/acprof:oso/9780195183528.003.0002

41
Hill, H., & Kalirajan, K. (2006). Small enterprise and firm-level technical eficiency in the
Indonesian garment industry. Applied Economics, 25(9), 1137-1144.
doi:http://dx.doi.org/10.1080/00036849300000174

Instituto Nacional de Estadística e Informática. (2014). Perú: Estructura empresarial 2013.

https://goo.su/zG0Kr

Instituto Nacional de Estadística e Informática. (2019). Perú: Estructura empresarial, 2018.

https://goo.su/PWfoxRf

Instituto Nacional de Estadística e Informática. (2020). Encuesta Económica Anual 2020

[Conjunto de datos]. https://goo.su/WMWU

Instituto Nacional de Estadística e Informática. (2022). Panorama de la Economía Peruana

1950-2021. https://goo.su/hFuM5

Jovanovic, B. (1982). Selection and the Evolution of Industry. Econometrica, 50(3), 649–
670. doi:https://doi.org/10.2307/1912606

Kim, S. (2003). Identifying and estimating sources of technical inefficiency in Korean

manufacturing industries. Contemporary Economic Policy, 21(1), 132-144.
doi:https://doi.org/10.1093/cep/21.1.132

Loung, D., Meh, C., & Terajima, Y. (2008). Firm size and productivity. Canadian Economic
Analysis Department. doi:https://doi.org/10.34989/swp-2008-45

Lundvall, K., & Battese, G. (2000). Firm Size, Age and Efficiency: Evidence From Kenyan
Manufacturing Firms. Journal of Development Studies, 36(3), 146-163.
doi:https://doi.org/10.1080/00220380008422632

Margono, H., & Sharma, S. (2006). Efficiency and producity analyses of Indonesian
manufacturing industries. Journal of Asian Economics, 17(6), 979-995.
doi:https://doi.org/10.1016/j.asieco.2006.09.004

Mengistae, T. (1996). Age-Size Effects in Productive Efficiency: A Second Test of The

Passive Learning Model. University of Oxford.

Page, J. (1984). Firm size and technical efficiency: Applications of production frontiers to
Indian survey data. Journal of Development Economics, 16(1-2), 129- 152.
doi:https://doi.org/10.1016/0304-3878(84)90104-4

42
Perelman, S. (1995). R&D, Technological Progress and Efficiency Change in Industrial
Activities. Review of Income and Wealth, 41(3), 349-366.
doi:https://doi.org/10.1111/j.1475-4991.1995.tb00124.x

Pitt, M., & Lee, L. (1981). La medición y las fuentes de la ineficiencia técnica en la industria
textil Indonesia. Journal of Development Economics, 9(1), 43-64.
doi:https://doi.org/10.1016/0304-3878(81)90004-3

Quintero, J., Prieto, W., Barrios, F., & Leviller, L. (2008). Determinantes de la eficiencia
técnica en la empresas colombianas 2001-2004. Semestre Económico, 11(22), 11-22.
Obtenido de https://revistas.udem.edu.co/index.php/economico/article/view/685

Távara, J. (1986). Desarticulación productiva y desarrollo industrial en el Perú. Economía,

9(17-18), 175-200. doi:https://doi.org/10.18800/economia.198601.008

Taymaz, E. (2005). Are Small Firms Really Less Productive? Small Business Economics,
25(5), 429–445. doi:https://doi.org/10.1007/s11187-004-6492-x

Toynbee, A. (2011). Lectures on the Industrial Revolution in England. Cambridge

University Press. doi:https://doi.org/10.1017/CBO9781139094566

Valderrama, A., Neme, O., & Ríos, H. (2015). Eficiencia técnica en la industria
manufacturera en México. Investigación Económica, 74(294), 73-100.
doi:https://doi.org/10.1016/j.inveco.2015.11.002

43
 6. ANEXOS

Anexo 1. Función Cobb-Douglas de varios insumos de producción

Se modela la función Cobb-Douglas en función del factor trabajo luego la transformación

logarítmica :

𝑌 𝐴 𝐾 𝐿 𝑀 𝑁 (6)
𝐿𝑛( ) = 𝐿𝑛( ) + 𝐿𝑛( )𝛼 + 𝐿𝑛( )𝜀 + 𝐿𝑛( )𝛾 + 𝐿𝑛( )𝜑 − 𝑣 − 𝑢
𝐿 𝐿 𝐿 𝐿 𝐿 𝐿

Por lo que el modelo queda expresado:

(𝐿𝑛 𝑌 − 𝐿𝑛 𝐿) = 𝛽0 + 𝛽1 (𝐿𝑛 𝐾 − 𝐿𝑛 𝐿) + 𝛽3 (𝐿𝑛𝑀 − 𝐿𝑛 𝐿) + (7)

𝛽4 (𝐿𝑛 𝑁 − 𝐿𝑛 𝐿) − 𝑣 − 𝑢

Donde se usará en el modelo de estimación de la frontera estocástica los siguientes

indicadores:
- output = (𝐿𝑛 𝑌 − 𝐿𝑛 𝐿)
- inp = (𝐿𝑛 𝐾 − 𝐿𝑛 𝐿)
- inp2 = (𝐿𝑛𝑀 − 𝐿𝑛 𝐿)
- inp3 = (𝐿𝑛 𝑁 − 𝐿𝑛 𝐿)

44
 Anexo 2. Estimación MCO para los factores de determinantes de la eficiencia
técnica

Tabla 6
Determinantes de la Eficiencia técnica

Source SS df MS N° de obs = 1,237

Model 97.8594635 5 19.57189 F(5, 1231) = 21.30
Residual 1131.38601 1231 0.919079 Prob > F = 0.0000
Total 1229.24547 1236 0.994535 R-squared = 0.0796
AdjR-squared= 0.0759
Root MSE = .95869
eficiencia Coefficient Std. err. t P> t
ROA 1.2457530 0.2327489 5.35 0.000
Tamaño de Planta 0.1603055 0.0273283 5.87 0.000
Servicios Básicos -0.1612361 0.0234763 -6.87 0.000
Antigüedad 0.1587787 0.0391651 -4.05 0.000
Gasto I&D 0.0620419 0.0807318 0.77 0.442
C -0.2679370 0.307968 -0.87 0.384

Nota. Elaboración propia. En la tabla se muestra la regresión con parámetro de eficiencia con
distribución normal

Tabla 7
Test de Heterocedasticidad

Breusch–Pagan/Cook–Weisberg test for heteroskedasticity

Assumption: Normal error terms
Variable: Fitted values of
eficiencia1

H0: Constant variance

chi2(1) = 0.39
Prob > chi2 = 0.5313

Nota. La regresión no cuenta con heterocedasticidad.

45
 Tabla 8
Factor de la varianza de la regresión MCO distribución semi-normal

Variable VIF 1/ VIF

Tamaño de Planta 2.49 0.402313
Servicios Básicos 2.44 0.409343
Antigüedad 1.12 0.893258
Gasto I&D 1.02 0.98115
ROA 1.01 0.987581
Promedio VIF 1.62

Nota. Al obtenerse un valor menor a 10, se demuestra que no hay autocorrelación.

Tabla 9
Test de Shapiro-Wilk

Shapiro–Wilk W test for normal data

Variable obs W v z Prob>z

res 1237 0.9156 64.614 10.411 0.00000

Nota. Rechazamos la hipótesis nula de que existe normalidad en los datos. “res” representa los
residuos de MCO con distribución normal.

46