Upload
vokhue
View
216
Download
0
Embed Size (px)
Citation preview
RESUMEN
El objetivo del presente trabajo es determinar de forma empírica cual es la relación que existe
entre la eficiencia y la rentabilidad entre las empresas del sector tecnológico, en particular en las
empresas puntocom. Para esto hemos seleccionado una muestra bajo unos parámetros concretos
y hemos recolectado datos de las mismas para poder llevar a cabo un análisis de eficiencia
comparativo mediante el Análisis envolvente de datos (DEA). Con los resultados de las
combinaciones de una serie de variables input/output hemos elaborado 21 modelos de eficiencia
para el análisis. Mediante el Análisis Multivariante hemos determinado cuales son los
componentes principales y su relevancia en los modelos de eficiencia técnica para las empresas y
para sus variables. Además, gracias al análisis de componentes principales hemos conseguido
agrupar las empresas con características similares y así examinarlas en diferentes clusters para
poder dar respuesta a las diversas cuestiones que han ido surgiendo durante la realización de este
trabajo.
ABSTRACT
The goal of the present paper is to determine the relationship between the efficient and the profitable in the companies of the technological sector, in particular the dotcom companies. For this purpose, a sample of companies representing the sector have been selected under different parameters and we have collected the data of those to be able to carry out a Data Envelopment Analysis (DEA). With the results of the combinations of the input / output variables, we have developed 21 efficiency models for the analysis. Through the Multivariate Analysis has determined how which are the main components and their relevance in the models of technical efficiency for companies and their variables. Also, thanks to the analysis of main components, we have managed to group the companies with similar characteristics and thus analyze them in different clusters to be able to answer the various issues that have arisen during the realization of this work. INTRODUCCIÓN
Una de las causas de la expansión de las empresas puntocom en las economías avanzadas es el auge de internet, hoy en día todo el mundo lo utiliza, desde los pequeños negocios hasta los sectores más competitivos de la economía. Esta tecnología, les permite realizar actividades que antes hubieran necesitado una mayor cantidad de recursos, tiempo y dinero, y es que este conjunto de redes interconectadas a nivel mundial permite a las empresas tener acceso permanente a bases de datos, agilizar los procesos de administración, tener visibilidad en el mercado y poder observar en tiempo real como avanzan sus respectivos negocios. Gracias a internet estas empresas pueden ser más eficaces a la hora de conseguir sus objetivos y más eficientes a la hora de realizarlos, y esto puede verse reflejado en el precio de cotización de muchas de estas empresas que en los últimos años han aumentado considerablemente situándose en la actualidad en sus máximos históricos debido en parte a que los inversores tienen nuevamente confianza en estas empresas y prevén que van a obtener beneficios de ellas. El caso es que si analizamos bien lo que paso en la crisis de las puntocom en los años 2000 y 2001 podemos ver que se repiten ciertos patrones y cabe cuestionarse si nos encontramos en otra burbuja relacionada con estas empresas.
Es curioso ver como los precios de cotización de las acciones, están aumentando de una forma
nunca antes vista, lo cual por sí solo no significa nada, pero, si nos fijamos en los ingresos de las
compañías del Dow Jones 30 que en su mayoría son tecnológicas relacionadas con internet,
tenemos que en 2016 los ingresos agregados de dichas compañías, es decir el conjunto de sus
ganancias en ese año, ascendieron a 2.7 Billones de dólares, la misma cifra que en 2011 y a esto
cabe preguntarse: ¿Por qué no ha habido un crecimiento de los ingresos durante los últimos seis
años, y sin embargo, el precio de cotización de estas empresas ha aumentado hasta un 87% en
algunos casos? Si traducimos esto al lenguaje financiero lo que tenemos es que el múltiplo PER del
SP500 ha pasado del 14.9 en 2011 al 26.7 actualmente tal y cómo se puede ver en la tabla 11, es
decir, casi el doble. Esto mismo ocurrió hasta en tres ocasiones anteriormente, concretamente
antes de las crisis del petróleo de 1987, antes de la crisis de las puntocom del 2000 y antes de la
crisis financiera de 2008, Tal y como podemos observar en las tablas 1 y 2. La tabla 2 representa la
evolución del ratio PER del Nasdaq 100.
Tabla 1 Tabla 2
El periodo más extenso de expansión de este múltiplo fue el que precedió a la crisis del 2000
durante el cual los múltiplos aumentaron durante 40 meses seguidos antes de la contracción del
índice y actualmente esta expansión lleva durando en total 57 meses2, un nuevo record, con estos
datos de fondo, lo lógico sería pensar que se avecina un periodo de contracción de este múltiplo.
Tal como se ve en la tabla 1 estos periodos son cíclicos, es decir a cada periodo de expansión le
sigue un periodo de contracción y estos periodos de contracción suelen estar asociados a crisis
financieras y ventas generalizadas del mercado de valores, lo cual es bastante acertado porque
según indica este múltiplo los inversores están pagando más por cada unidad de beneficio
obtenido. Ahora bien si esto no ha ocurrido aún y puede que tarde en ocurrir se ebe a las políticas
monetarias llevadas a cabo por los bancos centrales, como por ejemplo, las tasas de interés
entorno al 0%, expansiones cuantitativas, etc. Y a las políticas de recompras de acciones llevadas a
cabo por parte de las empresas, con lo que las grandes empresas tienen financiación barata por
parte de los bancos e instituciones y riesgo prácticamente nulo en sus inversiones lo cual se está
viendo reflejado en el mercado.
1 Tablas elaboradas a través de la página www.ycharts.com
2 Hasta Abril de 2017, fecha en que se realizo este trabajo
2. EFICACIA Y EFICIENCIA
El colapso de muchas empresas de internet durante los años 2000 y 2001 demuestra y resalta la
importancia de saber si una empresa está funcionando correctamente, lo cual es el objetivo de
este trabajo. Un factor clave a la hora de conseguir la confianza de los mercados financieros y de
los stakeholders es la valoración de una empresa, además de ser un punto básico para establecer
pautas de comparabilidad entre empresas parecidas, pero antes de la medición hay que tener
claro lo que se mide, en otras palabras el concepto de la medición, y para ello se suelen utilizar los
diversos métodos de valoración que al final lo que buscan es establecer relaciones en términos de
eficacia y de eficiencia empresarial. Jesús García y Maria Jose Pérez indican que mientras la
eficacia pretende medir el grado de cumplimiento de los objetivos, la eficiencia mide el
comportamiento interno de la empresa en términos de recursos consumidos y procesos utilizados
para lograr los objetivos preestablecidos. En otras palabras, dicta la elección de la alternativa que
produce el mayor resultado para una aplicación de recursos dada. […] Siguiendo con esta línea
argumental B. J. Hodge, Wlilliam P. Anthony y Lawrence M. Gales califican que el enfoque de
eficiencia en relación con la eficacia interna es una herencia de la ingeniería industrial y de los
estudios del tiempo-movimiento de Frederick W. Taylor, que mide el uso eficiente de los recursos.
Desde esta perspectiva, una organización es eficaz en la medida que maximice su output respecto
a los costes de su input y a los costes de transformación de este input en output3. Una vez aclarado
el significado de estas palabras, una parte primordial de este trabajo será analizar la eficiencia
técnica de las empresas que realicen su negocio a través de internet.
“La medición de la eficiencia se basa en comparar la actuación real de la empresa con respecto a un óptimo. Lo lógico sería comparar lo que hace la empresa con lo que debería haber hecho para maximizar su beneficio. Sin embargo, esto no es posible dado que no tenemos un conocimiento perfecto del mundo en el que se desenvuelve cada empresa y no conocemos con exactitud ni la tecnología ni algunas restricciones que pueden afectar a la obtención del máximo beneficio (Álvarez, 2001). Por lo tanto, lo mejor que se puede hacer es comparar lo que hace la empresa con lo que hacen otras firmas parecidas. Farrell (1957) es el precursor de estudios basados en esta idea. Dicho autor determina empíricamente, mediante cálculos algebraicos, una frontera eficiente, definida por la actuación de las mejores empresas observadas, que servirá como referencia para medir la eficiencia relativa de cada firma al compararse con dicha frontera”.
3. DETERMINACION DE LAS VARIABLE INPUT Y OUTPUT
Una cuestión de gran importancia en los modelos de análisis de la eficiencia es la selección de los
diferentes Inputs/Outputs. Para la selección de los inputs y los outputs nos hemos fijado en
3 Ref. Quindós Morán M., Rubiera Morollón F., Vicente Cuervo M., Análisis envolvente de datos: una aplicación al sector de los servicios avanzados a las empresas del principado de Asturias (2003).
trabajos45 anteriores donde ya han sido discutidas estas cuestiones. Hay algunas reglas de sentido
común que se deben seguir a la hora de realizar un análisis, como, por ejemplo, que el modelo no
debe contener información redundante, aunque sea muy difícil evaluar cuando la información lo
es. La naturaleza no paramétrica de los análisis DEA significa que no existe una estrategia clara de
búsqueda para las variables, pero los resultados del análisis dependen de los Inputs/Outputs
incluidos.
Para la realización de este trabajo hemos recogido información financiera y métricas web de las
empresas tecnológicas más influyentes en los Estados Unidos. Para la selección de las compañías,
un total de 34, tenían que cumplir cuatro requisitos indispensables: primero, cotizar en bolsa, la
gran mayoría de las empresas que forman la muestra cotizan actualmente en el índice S&P500;
segundo, que sus ingresos provengan principalmente de su actividad en internet; tercero, que la
las métricas web de estas empresas estuvieran disponibles; cuarto y último, que la información
financiera, en particular las cuentas anuales, estuviera presente en la Securities and Exchange
Commission (SEC, https://www.sec.gov/), y tercero, que estuvieran presentes en algún mercado
financiero de los Estados Unidos.
En el caso específico de las empresas dotcom, la información no financiera normalmente es relativa a diversas métricas web. Para este trabajo hemos utilizado las visitas que han recibido las diferentes empresas durante los meses de noviembre a febrero, somos conscientes que pueden estar “hinchados” estos datos debido a la campaña navideña pero aún así es un gran indicador, pues claramente, en el mundo de las empresas puntocom, sólo los visitantes pueden convertirse en clientes. Nuestra premisa es que para que una empresa venda necesitas visitas a su web, siendo indiferente la época en que se realicen, por eso nos surge la siguiente hipótesis ¿Las empresas que son eficientes en términos de generar visitas son también eficientes en términos de generar ingresos? La información referente a las visitas la encontramos en la página web https://www.similarweb.com/ donde a parte de las visitas se especifican otros tipos de métricas.
4 C. Serrano-Cinca, Y. Fuentes-Callén, C. Mar-Molinero, Measuring DEA efficiency in Internet companies,
Spain (2002) 5 B. Ho, Measuring dot com efficiency using a combined DEA and GRA approach, Taiwan (2010)
En este estudio, definimos en líneas generales a las empresas puntocom como otra empresa
cualquiera que tiene personal, activos y realiza gastos para alcanzar sus objetivos. Se trata obtener
una mayor cuota de mercado en Internet y obtener ingresos. Por eso las variables financieras que
hemos utilizado han sido las siguientes: el número de empleados, el total de activos disponibles
por las empresas, los ingresos del ejercicio y el total de gastos. Todos ellos en dólares.
Datos en miles de $ (visitas, gastos totales, ingresos y activos)
Ticker Web Sector Visitas Ingresos Empleados Gastos Totales Activos
ABTL http://www.autobytel .com/ 1 2200 57913 254 51785 165281
AKAM https ://www.akamai .com/ 1 2075 2340049 1762 1880455 4373146
AMZN http://www.amazon.com/ 4 2446000 135987000 341400 131801000 83402000
BCOR http://www.blucora.com/ 1 5 455911 476 418794 1022659
CSGP http://www.costar.com// 5 608,3 837630 3064 629725 2185063
CXDO http://www.crexendo.com/ 4 38,333 9119 53 11882 15161
EBAY https ://www.ebay.com/ 4 1124160 8979000 12600 6654000 23847000
ELNK http://www.earthl ink.net/ 4 13716,6 959874 1890 914894 635646
EQIX http://www.equinix.com/ 2 281,6 3611989 5993 2993250 12608371
ETFC https ://us .etrade.com/home 5 660 1941000 3601 1252000 48999000
FB https ://www.facebook.com/ 1 25544160 27638000 17048 15211000 64961000
FFIV https ://f5.com/ 2 1375 1995034 4395 1447657 2306323
GDDY https ://godaddy.com/ 2 88016,6 1847900 4749 1797800 3786900
GOOG https ://google.com/ 1 30332500 90272000 72053 66556000 167497000
GRPN https ://www.groupon.com/ 1 96150 3143354 3493 3253117 1761377
HSTM http://www.healthstream.com/ 3 836,883 225974 1120 220407 396000
IAC http://iac.com/ 1 65,83 3139882 9100 3172507 4645873
NFLX https ://www.netfl ix.com/es/ 4 1489400 8830669 3200 8450876 13586610
OTEX http://www.opentext.com/ 2 120,36 1824228 9800 1455665 5154144
PCLN http://www.pricel inegroup.com/ 4 39,16 10743006 18500 7836693 19838973
RNWK https ://www.realnetworks .com/ 2 38,683 120468 534 157642 130437
SIFY http://www.s i fy.com/ 1 2291,6 227036 2175 212560 280900
SOHU http://www.sohu.com/ 1 212500 1650431 10000 1767565 2563690
TCX http://www.tucows.com/ 1 1081,6 189818,932 375 164772,379 154413,372
TRIP https ://www.tripadvisor.com/ 1 124916 1480000 3327 1314000 2238000
TWTR https ://twitter.com/ 1 3120000 2529619 3583 2896827 6870365
TWX https ://www.timewarnercable.com/ 4 23066,6 29318000 25000 21771000 38147000
VRSN https ://www.veris ign.com/ 1 1083,3 1142167 990 455595 2334572
XOXO http://xogroupinc.com/ 4 38,33 152116 727 134250 210186
WBMD http://www.webmd.com/ 3 136300 705046 1815 534549 1501186
YHOO https ://us .yahoo.com/?p=us 1 6039830 5169135 8800 5814193 48083079
Z https ://www.zi l low.com/ 1 155000 846589 2776 1039443 1111034
(4)Servicios
(5)Empresas financieras online
Output Inputs
(1)Proveedores de información en internet
(2)Servicios y software de internet
(3)Servicios de información sobre salud Tabla 3
COEFICIENTE DE CORRELACION DE PEARSON
Tras formularnos la
hipótesis sobre si hay alguna
relación entre la eficiencia
obteniendo visitas y
obteniendo ingresos entre
las empresas de la muestra,
quisimos ver si existía
alguna relación entre ambas
variables, para ello
calculamos el coeficiente de
correlación de Pearson
entre las visitas y los
ingresos, y obtuvimos un
resultado de 0,5, esto
representa que hay una
relación entre ambas
variables aunque no muy
fuerte, pues significa que el 25,8% en la variación de los ingresos viene explicado por una variación
en las visitas, lo que deja otro 74,2% sin explicación alguna.
También hemos podido comprobar que existe una relación muy fuerte entre gastos-ingresos y
gastos-empleados. Esto significa que cuando se aumenta el gasto, también aumentas los ingresos
en estas empresas, y este aumento de gastos en su mayoría es debido a un aumento del número
de empleados.
4. Cálculo de la eficiencia
La metodología utilizada para el cálculo de la eficiencia de las empresas expuestas anteriormente,
hemos realizado un análisis envolvente de datos (DEA de sus siglas en inglés) para ello manejamos
el software libre de la Universidad de Queensland llamado DEAP.
6 Elaboración propia
7 Elaboración propia
CUADRADOS DEL COEF
VISITAS INGRESOS EMPLEADOS GASTOS ACTIVOS
VISITAS 1
INGRESOS 0,2576 1
EMPLEADOS 0,0308 0,8322 1
GASTOS 0,1559 0,9795 0,9198 1
ACTIVOS 0,6742 0,6396 0,2751 0,5203 1
Tabla 46
COEF. CORREL.
VISITAS INGRESOS EMPLEADOS GASTOS ACTIVOS
VISITAS 1
INGRESOS 0,5076 1
EMPLEADOS 0,1757 0,9122 1
GASTOS 0,3948 0,9897 0,9590 1
ACTIVOS 0,8210 0,7997 0,5245 0,7213 1
Tabla 57
Hemos tratado de medir la eficiencia de acuerdo a lograr los dos objetivos que creemos tienen las
empresas online: conseguir un mayor tráfico en sus páginas web (mayor número de visitas) y
obtener ingresos. Para este análisis hemos supuesto que los dos objetivos tienen la misma
magnitud, por eso la pregunta base para este estudio es si las empresas que son eficientes en la
generación de visitas también son eficientes en la generación de ingresos.
Para este análisis hemos hecho 21 combinaciones con todas las variables. Para ello hemos
organizado los inputs y outputs de forma alfabeto-numérica, dando como resultado los datos que
se pueden ver en la tabla superior. Dicha organización se realizó así:
Empresas A1 AB1 ABC1 AC1 BC1 B1 C1 A2 AB2 ABC2 AC2 BC2 B2 C2 A12 AB12 ABC12 AC12 BC12 B12 C12
ABTL 0.012 1.000 0.570 0.012 0.101 0.000 0.000 0.277 0.516 0.650 0.366 0.650 0.598 0.256 0.277 0.605 0.656 0.366 0.656 0.605 0.263
AKAM 0.002 0.144 0.030 0.002 0.004 0.000 0.000 0.502 0.781 0.884 0.712 0.791 0.597 0.300 0.502 0.781 0.884 0.712 0.791 0.597 0.300
AMZN 0.005 0.015 0.065 0.064 0.065 0.011 0.064 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000
BCOR 0.006 0.534 0.121 0.006 0.012 0.000 0.000 0.446 0.662 0.747 0.595 0.663 0.446 0.258 0.446 0.662 0.747 0.595 0.663 0.446 0.258
CSGP 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.114 0.492 0.673 0.281 0.673 0.534 0.218 0.114 0.534 0.673 0.281 0.673 0.534 0.218
CXDO 0.009 1.000 1.000 1.000 1.000 0.009 0.009 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000
EBAY 0.056 0.110 0.116 0.099 0.116 0.093 0.098 0.263 0.724 0.784 0.486 0.784 0.724 0.224 0.263 0.724 0.784 0.500 0.784 0.724 0.294
ELNK 0.573 0.767 0.718 0.718 0.657 0.573 0.573 0.207 0.435 1.000 0.857 0.994 0.420 0.857 0.207 0.435 1.000 0.857 0.994 0.422 0.857
EQIX 0.500 0.500 0.500 0.500 0.209 0.500 0.500 0.223 0.612 0.628 0.357 0.628 0.612 0.163 0.223 0.612 0.628 0.357 0.628 0.612 0.163
ETFC 0.001 0.071 0.003 0.001 0.000 0.000 0.000 0.206 0.719 0.719 0.206 0.719 0.719 0.022 0.206 0.719 0.719 0.206 0.719 0.719 0.022
FB 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.259 1.000 1.000 1.000 1.000 1.000 1.000 1.000
FFIV 0.001 0.058 0.037 0.001 0.006 0.000 0.000 0.173 0.643 1.000 0.502 1.000 0.643 0.486 0.173 0.643 1.000 0.502 1.000 0.643 0.486
GDDY 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.149 0.472 0.671 0.375 0.671 0.472 0.275 0.149 0.472 0.678 0.375 0.675 0.472 0.289
GOOG 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.330 1.000 1.000 1.000 1.000 1.000 1.000 1.000
GRPN 0.003 0.090 0.127 0.013 0.127 0.001 0.010 0.335 0.555 1.000 1.000 1.000 0.483 1.000 0.335 0.555 1.000 1.000 1.000 0.483 1.000
HSTM 0.003 0.283 0.273 0.199 0.280 0.003 0.003 0.116 0.355 0.720 0.343 0.720 0.439 0.343 0.116 0.440 0.720 0.343 0.720 0.440 0.343
IAC 0.036 0.071 0.067 0.061 0.067 0.036 0.036 0.129 0.494 0.755 0.382 0.755 0.494 0.379 0.129 0.494 0.755 0.382 0.755 0.494 0.379
NFLX 0.295 0.385 0.309 0.295 0.242 0.099 0.234 1.000 1.000 1.000 1.000 0.792 0.561 0.387 1.000 1.000 1.000 1.000 0.810 0.561 0.559
OTEX 0.083 0.155 0.151 0.093 0.151 0.083 0.083 0.071 0.574 0.649 0.206 0.649 0.574 0.199 0.071 0.574 0.649 0.206 0.649 0.574 0.199
PCLN 0.188 0.105 0.187 0.188 0.080 0.187 0.187 0.249 0.740 0.905 0.593 0.905 0.740 0.324 0.249 0.740 0.905 0.593 0.905 0.740 0.324
RNWK 0.004 0.376 0.348 0.316 0.339 0.004 0.004 0.174 0.330 0.713 0.592 0.713 0.352 0.592 0.174 0.352 0.713 0.592 0.713 0.352 0.592
SIFY 0.507 0.991 0.968 0.507 0.968 0.507 0.507 0.060 0.270 0.837 0.486 0.837 0.457 0.486 0.060 0.459 0.838 0.486 0.838 0.459 0.486
SOHU 0.009 0.133 0.187 0.112 0.187 0.042 0.110 0.064 0.418 0.704 0.363 0.704 0.418 0.363 0.064 0.418 0.731 0.476 0.731 0.418 0.476
TCX 0.500 1.000 1.000 1.000 1.000 0.500 0.500 0.313 1.000 1.000 0.750 1.000 0.502 0.750 0.313 0.526 1.000 0.750 1.000 0.502 0.750
TRIP 0.009 0.112 0.132 0.039 0.128 0.017 0.037 0.174 0.490 0.806 0.458 0.797 0.490 0.373 0.174 0.490 0.820 0.471 0.815 0.490 0.437
TWTR 0.568 1.000 1.000 1.000 1.000 0.625 1.000 0.266 0.466 0.574 0.444 0.552 0.424 0.207 0.594 0.645 1.000 1.000 1.000 0.645 1.000
TWX 0.626 0.626 0.626 0.626 0.626 0.626 0.626 0.741 0.762 1.000 1.000 1.000 0.762 0.468 0.741 0.762 1.000 1.000 1.000 0.762 0.468
VRSN 1.000 1.000 1.000 1.000 1.000 1.000 1.000 0.462 1.000 1.000 0.648 1.000 1.000 0.277 0.462 1.000 1.000 0.648 1.000 1.000 0.277
XOXO 0.091 1.000 1.000 0.502 1.000 0.091 0.091 0.143 0.403 0.849 0.451 0.849 0.506 0.451 0.143 0.506 0.849 0.451 0.849 0.506 0.451
WBMD 0.021 0.233 0.227 0.076 0.215 0.054 0.073 0.166 0.481 0.748 0.380 0.748 0.532 0.268 0.170 0.576 0.784 0.420 0.784 0.576 0.406
YHOO 0.453 1.000 0.612 0.453 0.612 0.612 0.300 0.215 0.464 0.464 0.215 0.464 0.464 0.063 0.463 0.620 0.620 0.463 0.620 0.620 0.300
Z 0.018 0.210 0.317 0.141 0.317 0.039 0.137 0.127 0.313 0.684 0.434 0.684 0.327 0.434 0.128 0.352 0.725 0.642 0.725 0.352 0.642
Tabla 6
Input A: Número de empleados Input B: Gastos totales Input C: Activos Output 1: Visitas Output 2: Ingresos
El modelo implementado en este trabajo ha sido el BCC, introducido por Baker, Charnes y Cooper, orientado a los inputs, usando la escala variable de retorno, la cual se puede definir con la siguiente formula:
El modelo BCC se utiliza para interpretar el hecho de que, a diferentes escalas, las DMUs o
empresas de la muestra podrían tener valores diferentes y aún así ser consideradas eficientes. El
objetivo de este análisis propuesto por el modelo BCC es tener en cuenta que en diferentes
situaciones las condiciones que influyen en la eficiencia también son diversas. Hemos
implementado este sistema pues somos conscientes de que las empresas seleccionadas son muy
dispares, no solo por los diferentes sectores en los que se dividen, sino también por la diferente
magnitud entre empresas que existe.
En nuestra estructura del modelo DEA existe una ecuación para cada input y output. Una forma
estándar de proceder, que hemos implementado en nuestro análisis de acuerdo a otros trabajos8,
es estimar un modelo que incluya los tres inputs y los dos outputs de la muestra. Dado que este
modelo contiene los inputs A, B y C y los outputs 1 y 2, se describirá como modelo a seguir el
ABC12 o lo que es lo mismo, la eficiencia general. A menudo es interesante estudiar otras
combinaciones como, por ejemplo, la estimación del modelo ABC1 que contiene sólo visitantes
únicos como único output; y el modelo ABC2 que, por el contrario, contiene sólo ingresos como
output. Hay dos razones para hacer esto. En primer lugar, dado que los resultados de la eficiencia
dependen de la elección de los inputs y los outputs, se puede evaluar cómo varía la puntuación de
eficiencia de una empresa determinada. Esto puede revelar las debilidades y las fortalezas de una
empresa y, en segundo lugar, es posible evaluar qué combinaciones de inputs y outputs son
equivalentes. En este caso, con tres inputs y dos outputs, hay 21 relaciones DEA posibles.
Las eficacias de todas las empresas puntocom se calcularon con arreglo a cada una de las 21
relaciones. Los resultados se pueden observar en la tabla que aparece en la página anterior. La
8 C. Serrano-Cinca, Y. Fuentes-Callén, C. Mar-Molinero, Measuring DEA efficiency in Internet companies,
Spain (2002)
tabla muestra, para cada una de las 32 empresas, la cuota de eficiencia alcanzada. Esta puntuación
está escrita en valores porcentuales. Varían entre 0% y 100%.
Se puede observar, cogiendo cualquier empresa al azar, que la eficiencia depende en función de la
relación considerada. Echando un vistazo rápido a la tabla pueden observar algunas características
interesantes. AMZN, CXDO, FB, GOOG, NFLX y VRSN son 100% eficientes bajo el modelo completo
ABC12. Pero, ¿existen características distintivas específicas para cada una de las empresas? La
respuesta a esta pregunta es sí, ya que estas empresas logran puntuaciones de eficiencia variadas
bajo otras relaciones. Por ejemplo, AMZN es 100% eficiente bajo el modelo completo ABC12, y
bajo el modelo ABC2, pero sólo un 6,5% eficiente bajo el modelo ABC1. Está claro que esta
empresa es totalmente eficiente cuando se consideran todos sus aspectos, tiene una gran
fortaleza en la obtención de ingresos, pero es débil en la obtención de visitas.
Existen otras firmas que logran puntuaciones de eficiencia baja en la mayoría de los modelos, pero
que logran mayor eficiencia bajo modelos específicos. Esto sugiere que tales firmas tienen
fortalezas específicas que sólo se revelan en ciertos casos. Tales características específicas no se
habrían revelado si sólo se hubiera estimado el modelo completo ABC12.
Hemos utilizado también la herramienta estadística PCA, para saber el peso que tiene cada
componente a la hora de calcular la eficiencia y saber por qué los modelos son similares o
diferentes. En el caso de que se encontrase que dos modelos eran diferentes, estaríamos
interesados en evaluar la forma en que diferían, pero por falta de tiempo nos ha resultado
imposible analizarlo. Este uso de PCA tiene la ventaja de mostrar fortalezas y debilidades para
cada empresa además de mostrar cuáles tienen un comportamiento opuesto a la mayoría.
Además, para revelar las características completas de los datos de la tabla, hemos utilizado
técnicas de visualización basadas en análisis estadísticos multivariantes.
5. Análisis multivariante de los resultados de la eficiencia
Para realizar el análisis multivariante de los factores, primero hemos tenido que realizar un análisis previo de los factores. El propósito del análisis es obtener un número pequeño de factores que expliquen la mayor parte de la variabilidad en las 21 variables. En este caso, 4 factores han sido extraídos puesto que 4 factores tuvieron valores eigen mayores o iguales que 1,0. En conjunto ellos explican el 90,7116% de la variabilidad en los datos originales. Debido a que se ha seleccionado el método de componentes principales, el estimado inicial de la comunalidad se ha establecido para asumir que toda la variabilidad en los datos es debida a los factores comunes. Los cuatro componentes principales se agrupan con valores eigen mayores que 1, el punto de
corte utilizado normalmente en los análisis PCA. El primer componente cuenta con el 48,86% total
de la varianza. El segundo cuenta con el 24,85%. El tercero con el 11,84% y el cuarto y último
5,15%. Solo esos cuatro primeros componentes suponen el 90,71% de la varianza.
Para la realización del análisis, hemos utilizado el software Statgraphic, una potente herramienta
para el análisis de datos y representación visual de los mismos.
Análisis de Componentes Principales
Para la visualización los
resultados de la tabla de los 21
modelos DEA hemos utilizado
técnicas de análisis multivariante
para ver todas las características
de los datos y buscar las
similitudes y diferencias que
existen entre las empresas de
acuerdo a los resultados de los
21 modelos DEA, para ellos
hemos realizado un Análisis
Principal de los Componentes
(PCA de sus siglas en inglés). Con
esta técnica hemos conseguido
también reducir la información
redundante
Tabla de Pesos de los Componentes
En la tabla superior podemos
ver los componentes que
tienen un mayor peso. Todos
los modelos cargan con signo
positivo en el primer
componente. El mayor peso se
asocia con el modelo AC2,
seguido de los modelos: ABC12,
A2, A12 y AC12. En situaciones
como ésta, el primer
componente principal se
interpreta normalmente como
una medida general del
tamaño. En este caso hemos
seguido como guía los trabajos
consultados y hemos atribuido
Componente Porcentaje de Porcentaje Número Eigenvalor Varianza Acumulado 1 10,2612 48,863 48,863 2 5,21907 24,853 73,716 3 2,487 11,843 85,558 4 1,08217 5,153 90,712 5 0,678552 3,231 93,943 6 0,456026 2,172 96,114 7 0,326982 1,557 97,671 8 0,175797 0,837 98,509 9 0,100381 0,478 98,987 10 0,0792323 0,377 99,364 11 0,0508641 0,242 99,606 12 0,0304725 0,145 99,751 13 0,025492 0,121 99,873 14 0,0169567 0,081 99,953 15 0,00472397 0,022 99,976 16 0,00343496 0,016 99,992 17 0,000793843 0,004 99,996 18 0,000542712 0,003 99,999 19 0,000250134 0,001 100,000 20 0,0000467314 0,000 100,000 21 0,000 100,000
Componente Componente Componente Componente Modelo 1 2 3 4 AC2 0,26507 0,162665 0,123105 -0,117816 ABC12 0,262321 0,133083 0,173152 0,130227 A2 0,261002 0,119395 -0,186801 -0,297687 A12 0,258561 0,0840233 -0,186167 -0,405173 AC12 0,258539 0,111771 0,15697 -0,323971 BC12 0,257762 0,100723 0,207303 0,222931 AB2 0,240285 0,11272 -0,285083 0,0717451 AB12 0,237278 0,0938574 -0,370619 -0,059859 ABC2 0,237087 0,189411 0,127768 0,346908 B12 0,233773 0,0363139 -0,348327 0,0915132 BC2 0,232259 0,161645 0,158131 0,447199 B2 0,230734 0,0697452 -0,341002 0,202359 C12 0,216773 0,0780733 0,309255 -0,320202 AC1 0,199561 -0,313162 0,0781072 -0,0144355 BC1 0,173803 -0,321955 0,157259 -0,0193049 A1 0,166477 -0,336158 -0,0550139 0,14367 ABC1 0,165603 -0,336368 0,126867 -0,0525503 C1 0,164897 -0,337155 -0,0190914 0,0917757 B1 0,155647 -0,348756 -0,0533937 0,136783 AB1 0,136822 -0,336456 0,0635446 -0,169462 C2 0,13523 0,199247 0,408995 -0,031178
Tabla 7
Tabla 8
el significado a este componente como medida general de eficiencia orientada a ingresos.
La tabla bajo este párrafo, muestra las ecuaciones que estiman los factores comunes una vez que se ha realizado la rotación. La rotación se realiza para simplificar la explicación de los factores. El primer factor rotado tiene la ecuación 0,917181*A1 + 0,881729*AB1 + 0,939177*ABC1 + 0,934968*AC1 + 0,928615*BC1 + 0,926849*B1 + 0,920852*C1 + 0,0938805*A2 + 0,0760276*AB2 - 0,00109851*ABC2 + 0,0731196*AC2 + 0,0573641*BC2 + 0,144832*B2 - 0,136865*C2 + 0,157289*A12 + 0,0895195*AB12 + 0,147888*ABC12 + 0,163433*AC12 + 0,216341*BC12 + 0,210788*B12 + 0,196961*C12 en donde los valores de las variables en la ecuación están estandarizados restándoles sus medias y dividiéndolos entre sus desviaciones estándar. También muestra las comunalidades estimadas, las cuales pueden interpretarse como estimadoras de la proporción de variabilidad en cada variable atribuible a los factores extraídos. Matriz de Cargas del Factor Después Varimax Rotación
Una vez realizado el
estudio de las
puntuaciones de
componentes, nos revela
la eficiencia de cada
empresa en cada modelo.
La imagen de abajo
muestra la gráfica de
puntuación de los
componentes.
Factor Factor Factor Factor 1 2 3 4 A1 0,917181 0,22166 0,0163708 -0,115736 AB1 0,881729 0,0237595 -0,0465247 0,2094 ABC1 0,939177 0,0035185 0,11189 0,142628 AC1 0,934968 0,139899 0,166619 0,119933 BC1 0,928615 -0,00978415 0,181654 0,132045 B1 0,926849 0,192185 -0,0169069 -0,120216 C1 0,920852 0,175434 0,0267601 -0,0533167 A2 0,0938805 0,79787 0,322888 0,454346 AB2 0,0760276 0,868791 0,322825 0,0408173 ABC2 -0,00109851 0,404717 0,876518 -0,052703 AC2 0,0731196 0,455189 0,727987 0,411431 BC2 0,0573641 0,344131 0,907997 -0,149454 B2 0,144832 0,894371 0,261785 -0,125613 C2 -0,136865 -0,123938 0,812626 0,342722 A12 0,157289 0,775298 0,246532 0,547803 AB12 0,0895195 0,956807 0,1705 0,12889 ABC12 0,147888 0,373072 0,835465 0,179978 AC12 0,163433 0,37772 0,624018 0,60594 BC12 0,216341 0,306218 0,864009 0,0910457 B12 0,210788 0,89308 0,188989 -0,0270925 C12 0,196961 0,0964489 0,657569 0,618307
Tabla 9
Al trabajar con los datos originales tiene la ventaja adicional de ver claramente los clusters que se
forman, representando a las empresas más eficientes y las que menos, tal y como se puede
observar en la tabla 10. Las firmas se identifican en mediante su ticker. En la parte derecha
extrema está GOOG, que es 100% eficiente en 20 de los 21 modelos. En el extremo izquierdo se
encuentra OTEX, una empresa que logra puntuaciones de eficiencia muy baja en todos los
modelos. De esta forma, la eficiencia aumenta de izquierda a derecha en esta figura, confirmando
la interpretación del segundo componente principal (ABC12) como una medida general de
eficiencia.
La tabla 10 también muestra un conjunto de vectores direccionales. Estos se interpretan de la misma manera que las direcciones Norte / Sur, Este / Oeste, estas representan mapas geográficos. Cada vector está asociado con un modelo particular. Por ejemplo, el vector asociado con ABC12, el modelo completo, apunta hacia el lado derecho, casi coincidiendo con el componente ABC2. Este vector apunta hacia la derecha, indicando que las empresas que se sitúan hacia el extremo derecho logran puntuaciones de eficiencia de DEA más altas se orientan más hacia los ingresos. Las 32 empresas que se han analizado pueden se han representado también según su sector, estos se dividen en cinco: Proveedores de información en internet, Servicios y software de internet, Servicios de información sobre salud, Servicios y Empresas financieras online. La tabla 11 muestra el sector en el que se encuentra el negocio electrónico de cada empresa, según se refleja en la web http://finviz.com/. Aquí nos centramos en el estudio entre los dos principales modelos de eficiencia y el tipo de negocio electrónico.
Tabla 10
Mirando más allá en el área del negocio electrónico en el cual las empresas se especializan, vemos
que la parte superior de la imagen parece estar dominada por empresas de servicios online, la
parte orientada los ingresos, mientras que los proveedores de información situarse hacia la mitad
de la imagen más orientada a visitas. La posición de la empresa en la tabla 11 parece estar
relacionado con el tipo de comercio electrónico. Esta conjetura se puede ver claramente en la
imagen superior, como las empresas de servicios se sitúan en el lado de los ingresos y los
proveedores de información y servicios y software online se decantan más por las visitas.
Los vectores direccionales asociados con los 21 modelos se dividen perfectamente en dos grupos.
Casi la mayoría coincide con el componente ABC12, entre estos se incluyen: C12, AC12, BC12, B12,
ABC12, A12 , AB12, A2, AB2, ABC2, B2 Y C2. Todos estos modelos contienen el output de ingresos
y la mitad ambos, esto significa claramente que la eficiencia está muy influenciada con la
obtención de ingresos. Hacia la parte inferior se sitúan el conjunto de modelos B1, AB1, A1, BC1,
ABC1, AC1 y C1. Estos modelos contienen sólo el output de las visitas.
Ahora es posible responder a la pregunta: ¿son eficientes las empresas que son eficientes en
términos de generar visitantes únicos en términos de generar ingresos? La posición de los vectores
direccionales sugiere que este no es el caso. Esto se ha confirmado mediante el cálculo del
coeficiente de correlación de Pearson entre las eficiencias bajo los modelos ABC1 y ABC2, siendo
ambos centrales para sus grupos. La correlación obtenida, 0,014, no fue significativamente
diferente de cero. Ya se ha observado que hubo una correlación no nula entre los ingresos y los
visitas. Sin embargo, esto no debe interpretarse en el sentido de que las empresas que son
Tabla 11
eficientes para lograr visitas también son eficientes para lograr ingresos. Los resultados reales y la
eficiencia para lograrlos son dos conceptos diferentes.
La imagen superior también puede utilizarse para evaluar cuáles son las fortalezas y debilidades de
las empresas, cuestión que se planteó anteriormente en este documento. Observamos que las
empresas FB, GOOG, VRSN AMZN, CXDO Y NFLX y alcanzaron el 100% de eficiencia bajo el modelo
completo ABC12. Las tres primeras empresas se orientan hacia las visitas, aunque GOOG y FB se
acercan más a la eficiencia general. Mientras, las otras tres empresas están claramente orientadas
hacia los ingresos.
COMPARACIÓN AÑO 2000 Y AHORA. EFICIENCIA Y RENTABILIDAD
Al final lo que realmente importa en una empresa son los beneficios y estos cómo ya dijimos no han crecido en los últimos años, por otro lado vemos que ha habido un aumento en la importancia de las visitas dado que el coeficiente de correlación de Pearson entre el número de visitas y los beneficios paso de estar en el año 2000 en 9,5% a 19,7% actualmente, aunque este resultado explica un porcentaje mínimo de correlación entre estas dos variables si es de tenerlo en cuenta. Observamos que las empresas más eficientes pertenecen a dos grupos en particular: el grupo 1, proveedoras de información en internet y el grupo 4, servicios. Y que los modelos de eficiencias se orientan hacia esas variables de salida en particular, a diferencia de la época antes de la crisis del 2000 donde los modelos de eficiencia se orientaban hacia tres modelos: el modelo de eficiencia general, el modelo de eficiencia orientado hacia los ingresos y el modelo de eficiencia orientado hacia las visitas. Por otro lado si relacionamos la eficiencia con las visitas y la eficiencia con los ingresos observamos que las más eficientes en obtener ingresos y las más eficientes en obtener visitas son las que más rentabilidad obtienen a fin de año, por lo tanto hay una clara relación directa entre la eficiencia y los beneficios. Si nos fijamos en la eficiencia y el crecimiento que estas empresas han tenido en la bolsa de valores observamos que las empresas más eficientes son las que más han subido estos últimos años, por lo tanto también podemos afirmar que hay una relación directa entre la eficiencia y la valoración de mercado y que a diferencia de la década de 1990, este no es un sector nuevo y hay mas información disponible sobre cada empresa con lo cual es más fácil, en teoría, identificar una burbuja especulativa. CONCLUSIONES
Parece ser que después de tantos años, el sector tecnológico y las empresas que realizan su
actividad a través de internet siguen siendo de las más complicadas hoy en día. Muchas empresas
han registrado pérdidas iniciales para posicionarse en el mercado de Internet, como es el caso de
Amazon, al que tomaremos como ejemplo para concluir este trabajo, dado que en el año 2000 ya
estaba operativa y que en sus primeros años no declaro sus beneficios para coger fuerza mientras
ahorraba impuestos y se posicionaba en el mercado como hacían la mayoría de empresas y como
lo siguen haciendo hoy en día. De hecho, antes del año 2000, rentabilidad e ingresos tenían una
correlación negativa. Esto significa que la información no financiera así como la información
financiera, debieron ser examinadas con el fin de juzgar su desempeño. Hoy la correlación que
existe entre la rentabilidad y los ingresos es positiva, como es de esperar en cualquier negocio
maduro, lo cual nos indica que las empresas que han sobrevivido a la crisis han evolucionado y han
ido madurando en todo este tiempo y esto se puede apreciar mejor observando la evolución
tecnológica, que a día de hoy parece ser exponencial. Gracias al Análisis Envolvente de Datos
(DEA) hemos podido realizar comparaciones entre estas empresas de una forma lógica y esto nos
ha dado unos resultados congruentes con la realidad. También hemos utilizado un un nuevo
método para la selección de modelos en DEA basado en el análisis estadístico multivariado, tal y
como propusieron Serranos-Cinca, C.; Fuertes-Callen,Y. y Mar-Molinero, C. En su trabajo sobre la
eficiencia de estas empresas en el año 2000. Luego se analizamo mediante técnicas de reducción
de datos, como es el Análisis de Componentes Principales (PCA). Esta metodología permite la
representación gráfica de los modelos y DMUs, y por lo tanto hace que posible explicar hasta qué
punto dos modelos son equivalentes, y si no son equivalentes, por qué no son equivalentes. La
relación entre modelos y DMUs se clarifica. Complementando las representaciones con los
resultados técnicos basados en una regresión, es posible evaluar por qué una DMU concreta logra
puntuaciones de alta eficiencia en algunos modelos y puntuaciones de baja eficiencia en otros
modelos. Hemos podido observar que los modelos obtenidos por el software DEAP se clasifican en
dos grandes grupos: modelos de eficiencia que dependen de los ingresos y modelos de eficiencia
que dependen de las visitas y que a su vez no existe una clara relación entre la obtención de los
ingresos y el número de visitas en las páginas web, como lo hemos podido comprobar con los
cuadrados del coeficiente de correlación de Pearson que demuestra que muchos de las visitas que
reciben estas empresas en sus páginas web no les supone un aumento en sus ingresos y por tanto
en sus beneficios. Hemos examinado cinco grupos de empresas según la clasificación que hemos
seguido y se ha demostrado que existen diferencias significativas en cada grupo. Las empresas del
grupo 1, proveedores de información de internet, tienen una mayor eficiencia obteniendo visitas y
las empresas del grupo cuatro, servicios, tienen una mayor eficiencia obteniendo ingresos. El resto
de grupos parece no destacar eficientemente ni de manera general ni orientándose a ningún
modelo de eficiencia estudiado.
Para terminar, nos gustaría resaltar que tanto la industria como el sector e incluso los mercados
financieros tienen sus etapas, tanto que a veces parecen ser cíclicos debido a esto, las empresas
tienen que ir adaptándose a los nuevos paradigmas del mercado porque si permanecen inmóviles,
no lograra perdurar en el tiempo. Volviendo al ejemplo de Amazon, está claro que en la situación
actual al igual que antes de la crisis del 2000, aumentar los beneficios no es una labor fundamental
para la empresa y para la mayoría de las empresas del sector debido principalmente a las políticas
llevadas a cabo por la Reserva Federal (FED) de mantener los tipos de interés entorno al cero por
ciento y de las políticas de recompra de acciones llevadas a cabo por las empresas. Amazon podría
aumentar sus beneficios por ejemplo, subiendo el precio a algunos productos y quitando o
reduciendo las promociones que tiene, que aunque parezcan políticas contraproducente y
perjudiciales para la empresa, al tener ya una gran cuota de mercado y estar bien posicionada en
la mente de los usuarios, no le afectarían demasiado. Pero dada la etapa que están viviendo, han
optado por seguir aumentando su cuota de mercado a cualquier precio sin que esto les suponga
beneficios para así posicionarse bien en el sector y volverse fuerte en el mercado. Estas prácticas
al final acaban perjudicando más que beneficiando a la economía porque impide el desarrollo y la
aparición de nuevas empresas debido a la acaparación del mercado y a que las empresas
pequeñas no pueden competir con las grandes empresas por falta de recursos. Analizando bien
este tipo de empresas vemos que tampoco aportan un valor agregado a la economía real debido a
que solo ofrecen servicios y entretenimiento algo que debería hacer que nos replanteáramos bien
las políticas y los modelos económicos.
REFERENCIAS
C. Serrano-Cinca, Y. Fuentes-Callén, C. Mar-Molinero, Measuring DEA efficiency in Internet companies, Spain (2002) B. Ho, Measuring dot com efficiency using a combined DEA and GRA approach, Taiwan (2010) J. Benicio, J. Carlos, S. de Mello, Productivity Analysis and Variable Returns of Scale: DEA Efficiency Frontier Interpretation, Brazil (2015) I. Guzmán Raja, Productivity Analysis and Variable Returns of Scale: DEA Efficiency Frontier Interpretation, Spain (2004) G. Appa y H. Paul Williams, A formula for the solution of DEA models, England (2011) M. Toloo y S. Nalchigar, A new integrated DEA model for finding most BCC-efficient DMU, Iran (2009) Quindós Morán M., Rubiera Morollón F., Vicente Cuervo M., Análisis envolvente de datos: una aplicación al sector de los servicios avanzados a las empresas del principado de Asturias (2003). DEAP
http://www.uq.edu.au/economics/cepa/deap.php
Statgraphic
http://www.statgraphics.net
RECURSOS WEB
https://www.sec.gov/
https://www.similarweb.com/
http://finviz.com/
https://es.finance.yahoo.com/
http://www.statgraphics.net/tutoriales/
https://www.researchgate.net/