Você está na página 1de 55

GOVERNO DO ESTADO DE MATO GROSSO

UNIVERSIDADE DO ESTADO DE MATO GROSSO


CAMPUS UNIVERITÁRIO DE NOVA MUTUM
FACULDADE DE CIÊNCIAS SOCIAIS APLICADAS E AGRÁRIAS
COORDENAÇÃO DO CURSO DE ADMINISTRAÇÃO

ISABELA IDALINA LUZZA

ANÁLISE DA EFICIÊNCIA DE EMPRESAS AGRÍCOLAS DE SOJA E MILHO


UTILIZANDO A ANÁLISE ENVOLTÓRIA DE DADOS (DEA)

Monografia de Administração/ TCC

NOVA MUTUM/MT, 2018


GOVERNO DO ESTADO DE MATO GROSSO
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERITÁRIO DE NOVA MUTUM
FACULDADE DE CIÊNCIAS SOCIAIS APLICADAS E LINGUAGEM
COORDENAÇÃO DO CURSO DE ADMINISTRAÇÃO

ISABELA IDALINA LUZZA

ANÁLISE DA EFICIÊNCIA DE EMPRESAS AGRÍCOLAS DE SOJA E MILHO


UTILIZANDO A ANÁLISE ENVOLTÓRIA DE DADOS (DEA)

Monografia de Administração/ TCC

Trabalho de Conclusão de Curso em forma de


monografia apresentado como requisito regulamentar
obrigatório para obtenção do grau de Bacharel em
Administração, de acordo com a Resolução nº 030/2012
do Conselho de Ensino, Pesquisa e Extensão da
UNEMAT.

Orientador: Me. Tiago Balieiro Cetrulo


Co-orientadora: Dra Camyla Piran Stiegler
Leitner

NOVA MUTUM/MT, 2018


Walter Clayton de Oliveira CRB 1/2049

LUZZA, Isabela Idalina .


L979a Análise da Eficiência de Empresas Agrícolas de Soja e
Milho Utilizando a Análise Envoltória de Dados (Dea) / Isabela
Idalina Luzza – Nova Mutum, 2018.
53 f.; 30 cm.

Trabalho de Conclusão de Curso (Graduação) – Curso de


Graduação Bacharelado em Administração, Faculdade de
Ciências Sociais Aplicadas e Agrárias, Câmpus de Nova Mutum,
Universidade do Estado de Mato Grosso, 2018.
Orientador: Tiago Balieiro Cetrulo
Coorientador: Camyla Piran Stiegler Leitner

1. Agricultura . 2. Propriedades. 3. Dmus. 4. Soja. 5. Milho.


I. Isabela Idalina Luzza. II. Análise da Eficiência de Empresas
Agrícolas de Soja e Milho Utilizando a Análise Envoltória de
Dados (Dea): .
CDU 631.151
FOLHA DE APROVAÇÃO
DEDICATÓRIA

Aos meus pais Luiz Antônio Luzza e Claudete Maria Scaravelli Luzza pelo apoio e
amor incondicionais.
AGRADECIMENTOS

Agradeço primeiramente a Deus que me permitiu chegar até aqui, e a Virgem Maria
que passou na frente dos meus passos sempre me abençoando.
Aos professores Me Tiago Balieiro Cetrulo e Dra Camyla Piran Stiegler Leitner, meus
orientadores, por não desistirem de mim, mesmo quando eu mesma havia desistido, e os demais
que passaram por essa longa caminhada, em especial Fernanda Cavalheiro Rufino Rauber.
A minha família que compreendeu e me amparou nos momentos de desânimo me
encorajando para que a desistência não fizesse parte de minhas vontades.
E por fim, aos meus amigos que entenderam minhas ausências e se fizeram presentes
mesmo de longe, em especial Alda Cristina Tanssini, Giovanna Oro Ramos, Lucas Freitas
Magon, Adailton Nogueira da Silva Junior e José Robert Lachmann Andrejewski.
RESUMO

O DEA compara a eficiência das propriedades de forma conjunta, obedecendo a utilização da


quantidade correta de insumos (inputs) necessária para se obter uma quantidade de receita
(outputs). As propriedades que melhor utilizam seus recursos para a geração de receita são
consideradas eficientes, determinam uma fronteira de produção e são chamadas de benchmarks.
Já as propriedades menos eficientes ficam fora da fronteira pois apresentaram uma ou mais
falhas na utilização de recursos, podendo assim, aprender com as propriedades da fronteira de
eficiência. Foi utilizado analise de custo de capital, custo operacional, custo com pessoal e
receita gerada com os grãos de soja e milho no período de safra 2017/2018 de 34 propriedades
rurais. Na amostra analisada, 20,59% propriedades rurais possuem eficiência de escala na
combinação dos fatores analisados, ou seja, apresentaram índices igual a 1. Já 17,64% das
propriedades apresentaram índices médios de produtividade, sendo necessário uma melhoria na
utilização dos insumos, pois apresentaram índices menores a 0,8. Por outro lado, 61,77%
apresentou índices de alta efetividade sendo necessária pequenas melhorias na redução de
inputs.

Palavras-chave: Agricultura. Propriedades. DMUs. Soja. Milho.

ABSTRACT

The DEA compares the efficiency of the properties together, obeying the use of the correct
amount of inputs required to obtain a quantity of revenue (outputs). The properties that best use
their resources for revenue generation are considered efficient, determine a production
boundary and are called benchmarks. The less efficient properties are outside the border
because they presented one or more failures in the use of resources, being able to learn from
the properties of the efficiency frontier. The analysis of capital cost, operational cost, personnel
costs and income generated by soybean and maize grains during the 2017/2018 harvest period
of 34 farms was used. In the analyzed sample, 20.59% of rural properties have scale efficiency
in the combination of the analyzed factors, that is, they presented indices equal to 1. Already
17.64% of the properties presented average indices of productivity, being necessary an
improvement in the use of the inputs, as they presented indices less than 0.8. On the other hand,
61.77% presented indices of high effectiveness and small improvements in the reduction of
inputs were necessary.

Key words: Agriculture. Properties. DMUs. Soybean. Corn.


LISTAS DE FIGURAS

FIGURA 1- Esquema gráfico da busca bibliográfica realizada e resultados ............................ 9

FIGURA 2- Número de publicações por instituição. .............................................................. 11

FIGURA 3- Número de publicações por ano. ......................................................................... 12

FIGURA 4- Número de publicações por Estado. .................................................................... 12

FIGURA 5- Número de estudos por tipo de atividade rural. ................................................... 13

FIGURA 6- Proporção entre as abordagens metodológicas utilizadas. .................................. 14

FIGURA 7 – estatística descritiva das eficiências calculadas utilizando DEA CRS .............. 26

FIGURA 8 – Estatística descritiva das eficiências calculadas utilizando DEA CRS.............. 27

FIGURA 9 - Estatística descritiva de Eficiência de Escala ..................................................... 29


LISTA DE QUADROS E TABELAS

QUADRO 1: Conceituação de Benchmarking .......................................................................... 5

QUADRO 2: Quadro resumo com as características dos estudos encontrados sobre DEA na
agricultura brasileira..................................................................................................................10
QUADRO 3: Inputs x Outputs................................................................................................. 15

TABELA 1 – Estatística descritiva para os inputs e output..................................................... 25

TABELA 2 – Classificação das DMUs conforme produtividade de sacas de soja e milho por
hectare. ...................................................................................................................................... 30

TABELA 3 - Ranqueamento das DMUs utilizando o DEA CRS ........................................... 31

TABELA 4 – Ranqueamento das DMUs utilizando o DEA VRS .......................................... 32


SUMÁRIO

1 INTRODUÇÃO ..................................................................................................................... 1

1.1 ESTRUTURA DA MONOGRAFIA .................................................................................... 3

2 FUNDAMENTAÇÃO TEÓRICA ........................................................................................ 3

2.1 BENCHMARKING ............................................................................................................. 4

2.1.1 Tipos de Benchmanrking ................................................................................................ 5

2.2 ANÁLISE ENVOLTÓRIA DE DADOS (DEA) ................................................................. 6

2.2.1 Análise Envoltória de Dados Aplicados ao Agronegócio no Brasil ............................. 8

2.2.1.1 Característica dos Estudos ............................................................................................ 11

2.2.1.2 Especificações metodológicas ...................................................................................... 13

2.2.1.2.1 Abordagens metodológicas utilizadas ....................................................................... 13

2.2.1.2.2 Direcionamento da modelagem matemática ............................................................. 14

2.2.1.2.3 Variáveis e Número de DMU’s ................................................................................. 14

2.2.1.3 Assuntos abordados nos estudos .................................................................................. 16

3 PROCEDIMENTOS METODOLÓGICOS ..................................................................... 19

3.1 ESTRATÉGIA DE PESQUISA ......................................................................................... 19

3.2 PROCEDIMENTOS PARA COLETA DE DADOS ......................................................... 20

3.3 PROCEDIMENTOS DE ANÁLISE DE DADOS ............................................................. 21

3.3.1 Direcionamento .............................................................................................................. 21

3.3.2 Inputs e Outputs utilizados ............................................................................................ 21

3.3.3 Modelagem Matemática ................................................................................................ 22

3.3.3.1 CRS............................................................................................................................... 22

3.3.3.2 VRS .............................................................................................................................. 22

3.3.3.3 Índice de Escala ............................................................................................................ 23

3.3.4 Programação .................................................................................................................. 23

4 RESULTADOS E DISCUSSÃO ........................................................................................ 24


4.1 ESTATÍSTICA DESCRITIVA DAS VARIÁVEIS........................................................... 24

4.2 EFICIÊNCIA DAS PROPRIEDADES – DEA CRS ......................................................... 25

4.3 EFICIÊNCIA DAS PROPRIEDADES – DEA VRS ......................................................... 27

4.4 EFICIÊNCIA DE ESCALA ............................................................................................... 29

4.5 RANKING DE EFICIÊNCIA ............................................................................................ 30

5 CONSIDERAÇÕES FINAIS .............................................................................................. 35

5.1 RESPOSTA AO PROBLEMA ........................................................................................... 35

5.2 DELIMITAÇÃO E LIMITAÇÕES DO ESTUDO ............................................................ 35

5.3 SUGESTÕES PARA ESTUDOS FUTUROS .................................................................... 36

REFERÊNCIAS ..................................................................................................................... 37

APÊNDICE A – QUESTIONÁRIO ...................................................................................... 42


1 INTRODUÇÃO

Nos últimos duzentos anos, a população mundial saltou de 1 bilhão para 7 bilhões. E há
uma expectativa que chegue aos 10 bilhões em 2055 (ONU, 2017). Esse incremento
significativo de habitantes aumenta a demanda por recursos provenientes da agricultura,
principalmente, alimentos, energia e fibras. Dessa forma, é necessário que a agricultura produza
cada vez mais para suprir o aumento constante de demanda, tradicionalmente alcançado pela
expansão de áreas produtivas. Porém, existe um limite à essa expansão, imposto pelo limite
físico à exploração dos recursos naturais. Dados da Global Footprint Network (2010), apontam
para uma exploração da natureza 50% maior que sua capacidade de renovação. Portanto, as novas
estratégias da agricultura para suprir essa demanda, cada vez mais deverão ser baseadas no aumento
de produtividade, ou seja, aumento de produção por área.
Aliado à essa pressão por produtividade, soma-se a necessidade da unidade rural se
tornar cada vez mais empresarial, devido à globalização e competitividade. Assim, essas
unidades precisam aumentar sua produção e produtividade de forma eficiente1 para suprir a
demanda, mas apresentando sustentabilidade financeira e competitividade.
Essa conjuntura é especialmente impactante para sustentabilidade e competitividade das
unidades agrícolas em países produtores de commodities, como no caso do Brasil. Sendo Mato
Grosso, o Estado mais afetado por ser o maior produtor e exportador de commodities brasileiras.
As exportações agropecuárias de Mato Grosso representam aproximadamente 15% de todas
exportações brasileiras2, sendo o maior produtor de gado de corte, soja, algodão, milho safrinha e
girassol. Em 2017, o estado exportou US$ 14,728 bilhões em produtos, sendo os complexos de
soja (US$ 6,30 bilhões), de produtos florestais (US$ 1,30 bilhão) e de carnes (US$ 1,26 bilhão)
os mais representativos (SECEX, 2017).
Uma propriedade rural por mais que tenha alta produtividade, pode não ser eficiente
por utilizar uma quantidade muito grande de insumos. Ou seja, alta produtividade não
necessariamente é uma medida de eficiência, pois não contabiliza a quantidade de inputs que
foram utilizados. Portanto, utilizar a produtividade como fator de análise é um erro que pode
superestimar a eficiência das organizações.
A avaliação de produtividade de unidades agrícolas é constantemente realizada por
produtores, pelo governo e pelas instituições de pesquisa. Porém, pouco foco tem sido dado às

1
Uma empresa rural pode ter alta produção com baixa produtividade, utilizando muita área. Pode também ter alta
produtividade e não ser eficiente, utilizando quantidades demasiadas de insumos.
2
Incluindo exportações não agropecuárias, principalmente aço, petróleo e derivados.
1
análises de eficiência dessas unidades. Sendo, que uma das formas mais utilizada mundialmente
para esse propósito é o benchmarking. O benchmarking faz uma comparação de desempenhos
entre organizações, permitindo se identificar as mais eficientes e também mostrando as fontes
de ineficiências das demais, como a escala de funcionamento. Em uma segunda etapa, também
permite que as piores aprendam com as melhores (benchmarking processual). As análises de
fronteiras são as técnicas de benchmarking mais importantes para identificar os benchmarks e
estimar as ineficiências, sendo a Análise Envoltória de Dados (DEA)3 a mais utilizada.
Para que uma empresa consiga operar é necessário que o sistema receba insumos
(inputs) do mundo fora da organização, pois nenhuma estrutura organizacional é autossuficiente
(KATZ E KAHN, 1978). Esses recursos são transformados a fim de chegar ao produto final e
desejado de uma organização, os outputs (SLACK, 2007).
Para empreendimentos rurais o processo é o mesmo, ou seja, empresas agrícolas de
mesma natureza utilizam recursos (inputs) semelhantes para produzir os mesmos produtos
(outputs). Porém, a eficiência na transformação dos inputs em outputs apresenta variação entre
esses empreendimentos (SLACK, 2007).
Para empreendimentos rurais de soja e milho essa diferença de eficiência ainda não foi
estudada e dessa forma a questão da pesquisa foi definida como: Existe diferença na eficiência
de produção entre os empreendimentos agrícolas de soja e milho?
Pelo que foi levantado, na literatura não havia nenhum trabalho que fez esse tipo de
análise de eficiência para unidades produtivas de soja-milho, além disso, nenhuma pesquisa
tratava a questão de eficiência de escala nesse setor. Dessa forma, o presente trabalho se dedicou
a avaliar a eficiência das empresas agrícolas de soja e milho da região de Nova Mutum-MT na
safra 2017/2018, determinando uma eficiência global, técnica e em escala das propriedades
analisadas.
Desta forma, os resultados da presente pesquisa podem ser uteis para que os
empreendedores de soja-milho amostrados identifiquem se são eficientes ou não, e inferir sobre
os determinantes das ineficiências. Além disso, ao identificar as empresas que estão trabalhando
de forma eficiente, identifica-se os benchmarks para as que não estão. Desta forma, em etapas
posteriores é possível realizar um exercício de benchmarking processual, no qual as piores
podem aprender com as melhores.

3
A Análise Envoltória de Dados (DEA) é uma técnica de programação linear, organizada para formular uma
medida de eficiência entre diferentes unidades que realizam as mesmas atividades (Zhu, 2003).
2
1.1 ESTRUTURA DA MONOGRAFIA

O presente trabalho foi dividido em 5 seções, na qual a primeira faz uma introdução
ao assunto abordado ao longo do trabalho, de forma clara, deixando especificados quais os
objetivos pretendidos com a realização do mesmo.
Na segunda seção são abordados a fundo a temática do trabalho. Foi feito toda uma
contextualização através do referencial teórico que serviu como base para a realização deste
trabalho.
Na metodologia abordada no terceiro capitulo, deixa-se claro o método de estudo
utilizado para a coleta de dados necessários para a análise posterior.
O quarto capitulo, na discussão de resultados, aponta os resultados coletados e
tabelados. E por fim, no último capítulo encontra-se a conclusão do trabalho, onde é deixado
de forma clara a realização dos objetivos propostos.

3
2 FUNDAMENTAÇÃO TEÓRICA

2.1 BENCHMARKING

A ideia de benchmarking teve início com a Xérox Corporation, que utilizou o


benchmarking como forma de avaliar os custos de fabricação baseada na produção realizada
pela empresa Japonesa Fuji-Xerox. Após analisar detalhadamente, a empresa observou que sua
concorrente vendia as máquinas pelo preço que ela as produzia, sendo assim, foi possível a
detecção que a falha estava em seus elevados custos em fabricação, possibilitando os reajustes
(SPENDOLINI, 1994; ROZENFELD, 2006; CAMP, 1998; ARAÚJO JR., 2001).
Com o mercado cada vez mais globalizado, o benchmarking foi sendo mais empregado
como ferramenta para melhoria de eficiência. Devido a maior concorrência, as empresas
precisam melhorar seus setores de produção, logística, prestação de serviços, ou seja,
desempenho das operações como um todo. O benchmarking é uma ferramenta de avaliação de
desempenho e tem por finalidade avaliar o sistema como um todo, de forma holística (ZAGO,
et al., 2008).
O objetivo principal do Benchmarking é promover a mudança na gestão e encontrar o
melhor desempenho para produtos, serviços ou processos de qualquer tipo de instituição, e
assim promover a melhor satisfação do cliente. O foco está em implantar as melhores práticas
que se traduzem no desempenho superior, sendo que às instituições com melhores práticas de
desempenho dá-se o nome de “melhores práticas” e a seu respectivo desempenho “nível de
desempenho superior” (FONG; CHENG; HO, 1998). Essa ferramenta teve grande aceitação
mundial, pois pode auxiliar qualquer tipo de instituição, sendo um instrumento útil na tomada
de decisão, uma vez que permite encontrar e, posteriormente, implantar melhores práticas que
conduzirão a um desempenho superior ao atual (CARPINETTI; MELO, 2002).
As fases ou etapas do benchmarking são descritas por Camp (1998) como planejamento,
coleta de dados, processamento e análise de resultados, e adaptação de melhorias. Na fase de
planejamento são estabelecidos os objetivos do benchmarking que se deseja atingir,
identificam-se os parceiros de benchmarking e determina-se como será feita a coleta de dados.
A coleta de dados é realizada e a partir disso faz-se o processamento e análise dos resultados,
buscando identificar a diferença competitiva e projetar o desempenho futuro. A fase de
adaptação e melhorias é realizada a partir da integração, comunicação dos resultados e
estabelecimento das metas futuras. Na fase de adaptação de melhorias, desenvolvem-se os

4
planos de ação, implementação de ações específicas, o monitoramento dos resultados obtidos e
ainda a recalibragem dos referenciais.
A conceituação de benchmarking foi realizada por inúmeros autores. O Quadro 1 se
destina a demonstrar um apanhado dessas definições na literatura.

Quadro 1: Conceituação de Benchmarking


Trabalho Definição de benchmarking
McNair e Leibfried (1992) Define como um processo auto avaliativo em que a empresa receptora,
avalia e reconhece a capacidade dos demais concorrentes em efetuar uma
melhor avaliação das oportunidades, estabelecendo-se metas para atingir
os objetivos propostos.
Spendolini (1994) Estabelece que o benchmarking é um processo gerencial continuado de
investigação que fornece informações valiosas, para o aprendizado e uma
busca de ideias.
Balm (1995) Define como uma ferramenta de uso contínuo de comparação de serviços,
com o objetivo de melhorar o desempenho em um prazo razoável
Zairi & Leonard (1995) Descrevem benchmarking como um processo continuo, educativo, em que
há liberdade de questionamento, podendo-se mensurar a performance
empresarial em comparação com a organização líder no mercado desse
tipo de produto ou serviço.

Camp (1998) Define que em contexto operacional, benchmarking trata-se de um meio


de se obter eficiência, através do constante aprimoramento, auto avaliação,
para obtenção de melhores resultados
Chiavenatto (2000) Ressalta que esse processo é antes de tudo gerencial e auto avaliativo, em
que se busca aperfeiçoamento. O autor frisa a necessita da continuidade
para que se obtenha resultados positivos, tornando o benchmarking é um
processo continuo, que possibilita a aprendizagem através dos erros e
acertos de terceiros, o que poupa o pesquisador de incorrer nos mesmos
erros.
FONTE: Elaborado pela autora, 2018

2.1.1 Tipos de Benchmanrking

Existe uma discrepância significativa na literatura especializada sobre as tipologias de


benchmarking. Mas, ele pode ser dividido em duas principais categorias:
a) Benchmarking processual (benchmarking para melhoria do desempenho): Esse modelo
objetiva a redução de custos variáveis, redução do tempo de organização, no intuito de aumentar
a satisfação interna. Além disso, o benchmarking de processo pode ser utilizado para identificar
as potencialidades da empresa. Dessa forma, o benchmarking processual é um mecanismo de
melhoria de procedimentos utilizando os procedimentos (melhores práticas) da operadora de
excelência como base (PARENA; SMEETS, 2001). A ideia não é que se alcancem os padrões
das melhores operadoras, mas que se utilizem os conhecimentos adquiridos para se alcançar o
máximo de desempenho, considerando as circunstâncias e restrições da operadora (SEPPÄLÄ,

5
2015).
b) Benchmarking métrico (benchmarking para avaliação de desempenho; benchmarking de
resultados): utiliza análises quantitativas para responder à questão “onde estou?” (THE TILDE
PARTNERS, 2005). Baseia-se na comparação quantitativa do comportamento das
organizações, usa modelos econométricos ou matemáticos e avalia as prestadoras com
indicadores de desempenho específicos e comparáveis (PARENA & SMEETS, 2001). Utiliza
indicadores-chave de desempenho ou escores de desempenho para as análises (Berg, 2010).
Esse tipo de benchmarking permite a identificação das melhores empresas, das boas práticas e
das áreas da organização que necessitam ser melhoradas (SEPPÄLÄ, 2015).
Segundo Berg (2013) e Storto (2014) para a realização do Benchmarking existem vários
métodos, com diferentes graus de sofisticação: a) Indicadores Chave de Desempenho; b)
Índices de fator de produtividade total (TFP); c) Métodos paramétricos de Mínimos Quadrados
Ordinários (OLS) e Mínimos Quadrados Ordinários Corrigidos (COLS) e Análises de
Fronteiras Estocásticas (SFA); d) Análise Envoltória de Dados (DEA).
O TFP Total Factor Productivity é um método que se baseia na produtividade, sendo os
principais os índices Tornqvist e Malmquist, que são utilizados para avaliar o crescimento e
produtividade da empresa (JAMASB; POLLITT, 2000).
Os métodos SFA, OLS e COLS, são métodos paramétricos, necessitando de
especificações da forma funcional, tais como a função de Cobb-Douglas ou translog. Os
métodos OLS e COLS atribuem os desvios de fronteira à ineficiência, enquanto SFA atribui os
desvios à ineficiência técnica e ruído aleatório (CEPA, 2003).
A Análise Envoltória de Dados (AED ou DEA) é uma técnica desenvolvida por Charnes,
Cooper e Rhodes (1978) utilizada principalmente para identificar ineficiências técnicas de
empresas, através da comparação da quantidade de inputs e outputs em comparação a outras
empresas similares, o que gera metas e referencias (benchmarking) para melhorar o
desempenho, diminuindo o uso de recursos e aumento da produção, ou mantendo-se a produção.

2.2 ANÁLISE ENVOLTÓRIA DE DADOS (DEA)

Em 1978 a DEA foi desenvolvida por Charnes, Cooper e Rhodes para solucionar o
problema do cálculo de eficiência e, em pouco tempo, passou a ser uma das técnicas mais
utilizadas para este tipo de avaliação. Desde que foi criada, a DEA passou por inúmeras
modificações, aumentando a precisão do modelo, que possibilitou a obtenção de dados
adicionais e agregar novos conceitos, como a economia de escala (MARIANO; ALMEIDA;
6
REBELATTO, 2006).
A DEA ou Análise Envoltória de Dados (Data Envelopment Analysis- DEA) é uma
técnica não paramétrica, que tem como objetivo avaliar a eficiência relativa a um conjunto de
Unidades Tomadoras de Decisão (DMU – Decision Making Units)4 homogêneas. Utilizando-
se das quantidades de inputs que são definidos como as entradas de recursos consumidos e
outputs produtos gerados, a DEA utiliza uma programação linear para estabelecer uma fronteira
eficiente de produção. Assim, se definem as melhores práticas exercidas pelas unidades
tomadoras de decisão envolvidas no processo (LIGARDA; NACCHA, 2006). Os modelos de
DEA têm como por objetivo mensurar a eficiência das DMUs mediante aos inúmeros inputs e
outputs envolvidos nos processos produtivos (GOMES, et al., 2007). Ou seja, é uma abordagem
de programação matemática, que permite mensurar a eficiência relativa de acordo com uma
fronteira de eficiência (OLIVEIRA e GOMES, 2003).
Existem dois modelos clássicos de DEA, o modelo CRS (Constant Returns to Scale),
que leva em consideração os retornos constantes de escala, maximizando o quociente entre a
combinação linear dos produtos e combinação linear dos insumos, em que para qualquer DMU
o valor do quociente não pode ultrapassar o valor de 1 (CHARNES, et al., 1978). E o modelo
VRS (Variable Returns to Scale) considera a variação de eficiência de produção, não levando
em consideração a proporcionalidade entre insumos e produtos (BANKER et al., 1984). O
modelo VRS pressupõe que as DMU’s avaliadas apresentem retornos variáveis de escala, ou
seja, considera que um acréscimo no input poderá promover um acréscimo no output, não
necessariamente proporcional, ou até mesmo um decréscimo. (MELLO et al., 2005).
É possível orientar os dois modelos (CRS e VRS) de duas formas. A orientação para
inputs objetiva a minimização dos recursos disponíveis, mantendo o mesmo volume de
produção. A orientação para outputs visa aumentar a produção, fixando os recursos utilizados
(GOMES; MANGABEIRA, 2005).
A modelagem por DEA, possui três etapas de implementação: escolha das DMU’s;
escolha das variáveis a serem utilizadas (inputs e outputs) e pôr fim a escolha e aplicação do
modelo (orientação; tipo de retornos de escala; modelos avançados) (SCHER, 2015).

4
O termo DMU foi escolhido por abranger uma grande gama de instituições, que incluem desde organizações
empresariais, governamentais e não governamentais (ONGs), como escolas, hospitais, unidades de tratamento de
água e esgotos, empresas agrícolas, fazendas, a países, regiões e diversas outras instituições que buscam utilizar
os recursos disponíveis de forma eficiente (CRAVEIRO, 2015)
7
2.2.1 Análise Envoltória de Dados Aplicados ao Agronegócio no Brasil

No mundo, a utilização de DEA para avaliar e maximizar a produção no setor agrícola


tem crescido, por se tratar de um setor que apesar de possuir inúmeras potencialidades ainda
encontra entraves quanto a transporte, eficiência no uso de insumos e mão-de-obra. A crescente
concorrência na área agrícola reduz a margem de lucro o que leva os produtores a buscar
maximizar sua produção e com isso aumentar os lucros. Nesse contexto, a DEA torna-se uma
ferramenta importante para empresa agrícola, uma vez que ao empregar esse tipo de ferramenta
busca-se a eficiência levando em consideração a produção e os gastos realizadas nas operações.
Ferreira e Gomes (2012) destacam que existe relação no modo que os recursos são
empregados para gerar uma produção na agricultura, o que é expresso pelo quociente entre a
produção dos outputs (renda, grãos, animais, leite, flores, etc.) em relação aos insumos
empregados ou inputs (como sementes, adubo, hora máquina, mão-de-obra, etc.).
O Brasil é um país agrícola, em que os produtos do agronegócio representam 23,5% do
PIB (Produto Interno Bruto) (IBGE, 2017). No entanto, a concorrência, mau uso dos recursos,
falta de planejamento logístico, entre outros tem reduzido os lucros dos produtores rurais. Com
intuito de aumentar esse percentual de lucro, busca-se aumentar a eficiência da produção
juntamente com a redução de custos dos recursos utilizados. Além disso, não se trata de um
setor homogêneo, havendo setores extremamente tecnificados, como o caso dos produtores de
grãos e outros ainda carentes de inserção de tecnologias como é o caso de grande parte da
agricultura familiar. Nesse contexto, a Análise Envoltória de Dados (DEA) é uma importante
ferramenta, pois transforma dados em informações no apoio a decisão (COSTA; TAVARES,
2014).
Conforme supracitado, a técnica DEA pode ser uma ferramenta utilizada na agricultura
para aumentar a eficiência das unidades produtivas. Nesse sentido, foi realizada uma revisão
abrangente da literatura científica sobre a aplicação de DEA em unidades de produção agrícola
brasileira.
A revisão de literatura foi realizada em artigos científicos, que abordam avaliação de
desempenho em unidades produtivas agrícolas no Brasil. A pesquisa utilizou as bases de dados
Google Scholar e Scielo e os parâmetros de busca foram: artigos ou revisões publicadas. Foram
utilizados os termos de busca no título, resumo e palavras-chave: "Análise de eficiência" ou
“análise envoltória de dados” seguida sucessivamente dos termos “agronegócio” ou
“agricultura” ou “rural”, resultando em 79 artigos científicos, dos quais apenas 46 utilizavam o

8
DEA como método de avaliação de eficiência. Desses 46 artigos, apenas 17 aplicavam o DEA
em propriedades rurais (Ver Figura 1). A pesquisa nos artigos selecionados, seguiu as
recomendações de Krippendorf (2004) e Bardin (2009) para Análise do Conteúdo. Essa técnica
permite ao pesquisador avaliar sistematicamente o conteúdo qualitativo, por meio de esquemas
de decodificação e inferir, classificar e categorizar as informações.

Figura 1- Esquema gráfico da busca bibliográfica realizada e resultados.

Fonte: Elaborado pela própria autora, (2018).

Nos artigos foram encontrados dados essenciais como data da elaboração do artigo,
local de pesquisa, instituição de pesquisa, os métodos utilizados pelo autor, a descrição de seus
inputs e outputs, seus objetivos e seu direcionamento final, conforme dados do Quadro 2.

9
Quadro 2: Quadro resumo com as características dos estudos encontrados sobre DEA na
agricultura brasileira.
Instituição
Autores / Ano de Local/região Objetivo DMUs Método
pesquisa
Avaliar a eficiência com a qual uma
unidade produtiva opera tem
DEA – CRS,
Gomes et al., 2003 EMBRAPA Campinas-SP importância tanto para fins estratégicos, 40
orientado a Input.
quanto para o planejamento e para a
tomada de decisão.
HOLAMBRA- Medir a eficiência de uma amostra de DEA – VRS,
Gomes et al., 2005 EMBRAPA 71
SP agricultores orientado a Input.
A eficiência de um sistema de
DEA – CRS e
Nhecolândia- produção no qual foram implantadas
Abreu et al., 2006 EMBRAPA 1 DEA – VRS,
MS tecnologias ao longo de oito anos
orientado a Input.
(1995-2002).
O objetivo geral deste trabalho é
mensurar a produtividade total dos
DEA – CRS,
Coura et al., 2006 UFL-MG São Paulo fatores no cultivo de algodão, arroz, 102
orientado a Input.
feijão, milho e soja, no período de 1985
a 2001
Avaliar se há algum tipo de cultura
DEA – CRS,
Gomes et al., 2006 EMBRAPA Holambra-SP predominante entre os agricultores mais 71
orientado a Input.
eficientes.
Comparar o desempenho de sistemas
agrícolas cultivados com tecnologia de
Igarapé-Açú, DEA – CRS,
Gomes et al., 2007 EMBRAPA derruba e queima e de trituração de 24
Pará orientado a Input.
capoeira por unidades familiares
camponesas.
Avaliar o desempenho de produtores de DEA – CRS,
Macedo et al., 2007 UFRuralRJ Seropédica–RJ. 20
leite orientado a Input.
Avaliar a eficiência da introdução e da
Revista
adaptação de tecnologias no sistema de DEA – CRS,
Abreu et al., 2008 Brasileira de Pantanal - MS 8
produção de criação extensiva em orientado a Input.
Zootecnia
determinado período.
Machadinho Medir a sustentabilidade de produtores DEA – VRS,
Gomes et al., 2009 EMBRAPA 76
d’Oeste –RO agrícolas com restrições aos pesos orientado a Input.
Rodrigues et al., Medir a eficiência econômica das DEA – CRS,
PGDRA Palmas-TO 40
2009 unidades produtivas de soja orientado a Input.
Instituto de
Torquato et al., Analisar a eficiência entre as regiões DEA – CRS,
economia São Paulo 31
2009 produtoras de cana. orientado a Input.
agrícola
Avaliar a eficiência relativa de sistemas
DEA – CRS,
Tupy et al., 2010 UFBA Paraná de produção de leite em propriedades 31
orientado a Input.
de agricultura familiar
Avaliar a eficiência econômica da
DEA – CRS,
Freire et al., 2011 UFL- MG Lavras-MG alocação dos recursos produtivos da 46
orientado a Input.
cafeicultura
Analisar a situação, em termos de
Melo e Esperancini, eficiência econômica, dos DEA – VRS,
FCA-UNESP Paraná 59
2012 produtores/fornecedores de cana-de orientado a Input.
açúcar do estado do Paraná
Exposição da fronteira de eficiência na
DEA – VRS,
Costa e Tavares, geração de produção da safra e safrinha
UFU Uberlândia-MG 10 orientado a
2014 do milho de acordo com recursos
Output.
(custos) nos anos de 1999 à 2008
Nova Iguaçu- Analisar as eficiências produtivas de DEA – CRS,
Oliveira et al., 2014 UFF 17
RJ. unidades produtivas orientado a Input.

Compara a eficiência técnica de DEA – VRS,


Scher, 2015 UnB Brasília-DF 23
pequenos produtores agrícolas orientado a Input.
Fonte: Elaborado pela própria autora, (2018).
10
2.2.1.1 Característica dos Estudos

Das 17 obras, 16 tratam-se de artigos científicos publicados em revistas indexadas e


uma refere-se a uma monografia.
A EMBRAPA é a instituição de pesquisa que mais produziu, sendo responsável por
quatro das obras estudadas, seguida pela Universidade Federal de Lavras responsável por duas
das publicações. As demais instituições são a Universidade Federal da Bahia, Universidade
Federal Rural do Rio de Janeiro, Universidade Federal Fluminense, Universidade de Brasília,
Faculdade de Ciências Agrárias-UNESP, Universidade Federal de Uberlândia, Universidade
Federal de Rondônia (PGDRA) (Figura 2).

Figura 2- Número de publicações por instituição.


4

3
Número de trabalhos

0
Embrapa UFL - MG UFBA Instituto de UFF PGDA UnB FCA - Unesp UFU
economia
Fonte: Elaborado pela própria autora, (2018).

A maior parte dos trabalhos foi publicada nos anos de 2006 e 2009, ambos com três
trabalhos. Seguidos dos anos 2007 e 2014, ambos com duas publicações. Nos demais anos
somente foram encontrados um trabalho, ver Figura 3.

11
Figura 3- Número de publicações por ano.
4

3
Número de publicações

0
2003 2005 2006 2007 2008 2009 2010 2011 2012 2014 2015

Fonte: Elaborado pela própria autora, (2018).

A Figura 4 apresenta a contribuição de estudos por estado. Dos 17 trabalhos utilizados,


cinco foram desenvolvidos no estado de São Paulo, três em Minas Gerais, dois nos estados de
Rio de Janeiro e Mato Grosso do Sul e 1 trabalho para os estados de Paraná, Tocantins, Pará e
Rondônia e no Distrito Federal.

Figura 4- Número de publicações por Estado.


5

4
Número de trabalhos

0
SP MG MS RJ PR DF RO PA TO
Fonte: Elaborado pela própria autora, (2018).

12
Na análise de estudos por tipo de atividade rural, se destaca os que avaliaram mais que
uma cultura (35%), alguns deles para verificar qual cultura promove melhor eficiência, em
termos de rentabilidade, para os produtores. A segunda atividade rural que teve mais estudo de
eficiência utilizando DEA foi a de pecuária de corte ou de leite. A Figura 5 apresenta o número
de estudos por atividade rural.

Figura 5- Número de estudos por tipo de atividade rural.


7
6
6
5
5

4
Várias culturas
3 Pecuária de corte ou leiteira
2
2 Cana-de-açúcar

1 1 1 1 Café
1
Milho

0 Soja

Fonte: Elaborado pela própria autora, (2018).

2.2.1.2 Especificações metodológicas

2.2.1.2.1 Abordagens metodológicas utilizadas

Dentre os dezessete artigos analisados, onze (11) usufruíram o modelo DEA CRS,
orientados a input (Gomes et al., 2006; Gomes et al., 2006; Macedo et al., 2007; Abreu et al.,
2008; Torquato et al., 2009; Oliveira et al., 2014; Gomes et al., 2003; Rodrigues et al., 2009;
Gomes et al., 2007; Freire et al., 2011; Coura et al., 2006). Enquanto somente quatro utilizaram
DEA VRS, orientados a input (Gomes et al., 2009; Gomes et al., 2005; Scher, 2015; Melo e
Esperancini, 2012) correspondendo a um total de 23% dos trabalhos levantados para a presente
pesquisa. O trabalho de Costa e Tavares (2014) foi o único que empregou DEA – VRS,
orientado a output. Por fim um único utilizou ambos modelos de DEA, orientado a input;
13
(Abreu et al., 2006). Todos expostos através na Figura 6.

Figura 6- Proporção entre as abordagens metodológicas utilizadas.


12
11

10

CRS, orientado a input


6 VRS, orientado a input

4 VRS, orientado a output


4 CRS e VRS, orientado a input

2
1 1

0
CRS, orientado a VRS, orientado a VRS, orientado a CRS e VRS,
input input output orientado a input
Fonte: Elaboração própria da autora, (2018).

2.2.1.2.2 Direcionamento da modelagem matemática

Quanto ao direcionamento, dezesseis dos trabalhos levantados utilizaram sua


orientação voltada ao input, ou seja, buscou - se aumento da eficiência técnica da unidade
produtiva, através da minimização dos insumos para uma produção constante de outputs.
Somente um trabalho optou por orientar o DEA para output, ou seja, visou a maximização da
produtividade de milho safra e safrinha, fixando os custos de produção.

2.2.1.2.3 Variáveis e Número de DMU’s

Existem dois pontos críticos nas análises utilizando DEA:


O primeiro é determinar a quantidade de DMU’s. Para rodar o modelo e evitar
problemas de graus de liberdade é necessário que o número de DMU’s seja: max {(outputs *
inputs); 3*(inputs + outputs)} (CAMP, 1998).
Nos trabalhos avaliados, se observou a utilização de uma média de quarenta DMU’s,
sendo 102 a quantidade máxima DMU’s utilizadas no modelo e somente 1 DMU a quantidade
mínima. O trabalho que utilizou somente uma DMU fez uma comparação da eficiência da

14
propriedade rural ao longo de um período de oito anos, dessa forma, os anos foram considerados
como DMU’s no modelo de programação.
O segundo ponto crítico é seleção das variáveis que irão compor o modelo. O Quadro
3 apresenta essas variáveis (inputs e outputs) utilizadas nos trabalhos para análise da eficiência,
assim como a frequência de utilização.

Quadro 3: Inputs x Outputs.

Inputs Outputs
Área de plantio (10) Renda líquida (3)
Mão de Obra (6) Produtividade (3)
Maquinário e Equipamentos (4) Valor da produção (3)
Depreciação (2) Quantidade de leite produzido (2)
Manutenção (2) Variedade de produtos disponibilizados (2)
Número de animais (1) Receita estimada (1)
Sal Mineral (1) Resultado (1)
Adubos e insumos (1) Receita Bruta área total com mata (1)
Pastagens (1)
Custos de alimentação (1)
Gastos com viagem do proprietário (1)
Fretes (1)
Investimentos (2)
Custo de produção (1)
Preços de arrendamentos de terras (1)
Área útil e área em preparo (1)
Água para irrigação (1)
Assistência técnica e insumos (1)
O custo de oportunidade de terrenos (1)
Gastos com fertilizantes (1)
Benfeitorias (1)
Varrição (1)
Esparramação (1)
Combustível (1)
Receita por hectare (1)
Custo operacional por hectare (1)
Utensílios/ferramentas (1)
Gastos com impostos e escritório (1)
Encargos sociais (1)
Comissão de vendas (1)
Qualidade da conservação do solo (1)
Colheita (1)
Total de operações (1)
Fertilizantes (1)
Material de plantio (1)
Herbicidas (1)
Outros Custeios (1)
Fonte: Autoria própria, (2018).

15
2.2.1.3 Assuntos abordados nos estudos

Dentre os trabalhos analisados, 16 tiveram como objetivo principal avaliar a eficiência


de uma determinada empresa (familiar ou não) utilizando como ferramenta o método Análise
de Envoltória de Dados-DEA. Um dos trabalhos utilizou a DEA como forma de mensurar a
sustentabilidade de produtores agrícolas com restrições de peso. Uma pequena descrição dos
trabalhos e de seus resultados são descritos a seguir.
Gomes et al. (2003) buscaram avaliar a eficiência com a qual a unidade produtiva
opera para fins estratégicos, planejamento e para a tomada de decisão. Sendo assim, a utilização
do DEA teve como objetivo auxiliar as propriedades rurais analisadas a encontrarem meios de
aumentar a eficiência através da utilização correta dos recursos.
Em estudo conduzido por Gomes e Mangabeira (2005) constatou-se que a utilização de
DEA na avaliação de agricultores na região de Holambra pode se tornar um subsídio para
agricultores ineficientes para alcançarem a eficiência (diminuição dos recursos e/ou aumento
da produção). Em geral, dos produtores analisados, os mais eficientes foram os que aplicam
mais tecnologia, fazem a contabilidade da propriedade e tiram seu sustento apenas da
exploração da terra.
Abreu et al. (2006) buscaram estudar a eficiência de um sistema de produção, o qual foi
implementado no decorrer de oitos anos (1995 – 2002). Eles ressaltam que, anos eficientes são
justificados devido a decorrentes receitas crescentes ou um decréscimo na escala. Dizem ainda
que houve queda de escala devido utilização de insumos de forma ineficiente.
Gomes et al. (2006) mediram a eficiência de alguns agricultores do município de
Holambra – SP. Os resultados obtidos por eles apontam que das 71 DMU’s apenas 10
apresentaram escala de eficiência entre 0,5 e 1,0, enquanto as demais apresentaram índice zero.
Coura et al. (2006) mensuraram a produtividade total dos fatores, dentre os cultivares
de, algodão, arroz, feijão, milho e soja, no estado de São Paulo, nos anos de 1985 a 2001. Em
seus resultados, observaram ganhos em eficiência técnica e também de mudança tecnológica
conforme evolução do tempo.
Bezerra Neto, Gomes e Oliveira (2007), ao utilizar um modelo de DEA clássico para as
produções de arroz, milho e café, constataram que o plantio simultâneo de arroz e milho foi a
combinação mais eficiente.
Macedo et al., (2007) avaliaram a eficiência do uso de insumos na produção de leite,
proporcionando aos produtores a possibilidade de buscar melhorias no processo de

16
transformação do produto através do benchmarking. Concluíram que é possível melhorar a
eficiência dos produtores com pequenas alterações no consumo de insumos.
Abreu et al. (2008) tentaram avaliar, por diferentes modelos de DEA, a eficiência da
introdução e adaptação de tecnologias no sistema de produção de cria extensiva do Pantanal
durante oito anos (1995 a 2002). O ano de 2001 apresentou o melhor desempenho pelo melhor
resultado financeiro e uso parcial de insumos em comparação aos outros anos de estudo.
Gomes et al., (2009) mediram a sustentabilidade de produtores agrícolas a partir de
modelos de DEA, com restrições ao peso. Ao aplicar os modelos concluíram que não houve
nem sustentabilidade do ponto de vista econômico nem do ambiental, o que levou aos autores
recomendar que seja feita uma forte revisão das políticas públicas para a região.
Rodrigues et al., (2009) mediram a eficiência econômica das unidades produtivas de
soja em Pedro Afonso – TO. Concluíram que as unidades produtivas com alta e média eficiência
utilizam alternativas técnicas e econômicas, reduzindo os valores médios com aquisição de bens
materiais e insumos. Já os agricultores com níveis baixos de eficiência gastam muito com
fertilizantes.
Torquato et al., (2009) analisaram a eficiência econômica das lavouras de cana de
açúcar em São Paulo e concluíram que as potencialidades das regiões produtoras e a própria
forma de inserção do País no cenário internacional, contribuiu para obter uma melhor eficiência
econômica na região.
Tupy et. al. (2010) avaliaram eficiência relativa, na produção de leite, de uma amostra
de agricultores familiares. A média da eficiência da amostra analisada foi de 92%, evidenciando
que o grupo de produtores foi muito eficiente na gestão da tecnologia empregada.
Freire et al. (2011) estimaram a eficiência econômica de cafeicultores. As
considerações dos autores foram que apesar da alta produtividade, a eficiência não estava
presente nas propriedades, devido ao uso ineficiente de recursos. Sendo assim, os cafeicultores
devem buscar contribuições técnicas para melhorar as práticas de cultivo empregadas.
Melo e Esperancini (2012) trabalhando com a eficiência econômica da produção de
cana-de-açúcar dos produtores do estado do Paraná concluíram que das 59 unidades produtoras
da amostra, apenas oito apresentaram máxima eficiência técnica.
Costa e Tavares (2014) utilizaram dados do IBGE, com relação a produção do milho
safra, para avaliar os anos que forram mais eficientes na produção da cultura e concluíram que
o ano de 2003 obteve o valor de maior eficiência e 2005 o menor.
Oliveira et al. (2014) analisaram eficiências produtivas da agricultura familiar sob

17
critérios agroecológicos, visando uma maior estabilidade e menor variabilidade sazonal. Eles
concluíram que a eficiência é elevada e que a gestão desta eficiência irá auxiliar na gestão.
Scher (2015) comparou a eficiência técnica de vinte e três pequenos produtores
agrícolas visando verificar quais culturas e práticas de cultivo promovem melhor eficiência
financeira. O destaque ficou por conta de culturas que apresentavam maior risco produtivo e
que demandam uso intensivo de trabalho e de capital.
Clemente, Gomes e Lírio (2015) avaliaram a eficiência das propriedades citrícolas do
estado de São Paulo e constataram que grande parte das propriedades atuam de forma
ineficiente, tendo como causa desta ineficiência a baixa escolaridade e tempo de atuação como
produtor rural.
A partir dos estudos apresentados é possível observar que a DEA pode ser empregada
tanto na produção em grande escala, caso do cultivo de grãos, bem como em unidades de cultivo
familiar. A DEA pode ser uma ferramenta importante no contexto agrícola brasileiro, uma vez
que indica as ineficiências das unidades produtivas, servindo como apoio à tomada de decisão.
Porém, ainda não tem sido empregada de forma abrangente, necessitando de mais pesquisas
voltadas a esse setor.

18
3 PROCEDIMENTOS METODOLÓGICOS

Em relação à abordagem, as pesquisas científicas podem ser classificadas em


quantitativas, qualitativas e quali-quantitativas. A abordagem quantitativa nada mais é que
quantificar os dados que foram coletados durante o trabalho, por meio de questionários,
entrevistas, observações, etc. Ou seja, transformar em números as opiniões e/ou informações,
para que seja possível ser feita uma análise e/ou classificação das informações (GODOY, 1995;
BAPTISTA, 2003). Uma abordagem qualitativa pode ser definida como a tentativa de explicar,
em profundidade, o significado e as características dos resultados das informações obtidas. Os
resultados qualitativos auxiliam na explicação complexa dos resultados e hipóteses voltados
para pessoas, locais, onde há o contato direto do pesquisador com a situação abordada.
(OLIVEIRA, 2008; GODOY, 1995). A utilização dos dois métodos em conjuntos, resulta em
uma abordagem quali-quantitativa (CRESWELL, 2010; FLICK, 2009). Uma vez que essa
pesquisa utilizou um método não paramétrico de função de custos, através de iteração de
programações lineares sucessivas, esse trabalho pode ser caracterizado como quantitativo.

3.1 ESTRATÉGIA DE PESQUISA

Uma pesquisa pode ser classificada quanto aos seus fins, podendo ser exploratória,
descritiva ou explicativa. Uma pesquisa exploratória tem como finalidade desenvolver,
esclarecer e modificar os conceitos e ideias, a descritiva aborda aspectos de descrição das
características de estudo, enquanto a explicativa explica o porquê das coisas através dos
resultados obtidos na pesquisa (GIL, 2007; MARCONI E LAKATOS, 2000).
Uma vez que essa pesquisa analisou o desempenho das unidades rurais produtoras de
soja e milho do município de Nova Mutum-MT, essa pode ser classificada como descritiva.
Porém, foi realizado também uma análise que permite desagregar da eficiência global, as
eficiências técnicas e de escala. Dessa forma, foi possível inferir se a eficiência das unidades
produtivas é derivada de técnica ou de escala. Portanto, a pesquisa também apresenta um
carácter explicativo.
Segundo Flick (2009) e Marconi e Lakatos (2000) a pesquisa de campo se caracteriza
pela utilização de meios de pesquisas bibliográficas e/ou documental de dados reais, os
analisando e interpretando conforme a fundamentação teórica. Dessa forma, a presente pesquisa
pode ser classificada como pesquisa de campo, pois foram coletados dados primários das
unidades produtivas de soja e milho da região. Esses dados foram tabulados e analisados através
19
de Análise Envoltória de Dados e os resultados interpretados em conjunto com a literatura
levantada.

3.2 PROCEDIMENTOS PARA COLETA DE DADOS

Os dados foram coletados em forma de análise documental, em parceria estabelecida


com o Sindicato Rural de Nova Mutum, com o intuito de coletar dados de forma segura e
abranger o maior número de unidades rurais possível. A coleta desses dados foi feita em contato
direto com o produtor rural, através de um questionário onde os mesmos forneceram os dados
das propriedades de forma clara e sucinta.
Na primeira seção do questionário foram abordados dados sobre as características da
área, como tipo predominante de solo, se a produção das propriedades se destinava ao cultivo
de sementes convencionais ou transgênicos, dados sobre a área como tamanho total da
propriedade, área não produtiva, área destinada a produção de soja e a produção de milho.
Na segunda seção buscam dados sobre maquinários, ou seja, o plantel de tratores,
maquinas e implementos agrícolas utilizados nas culturas de soja e milho, sendo classificados
em tratores, implementos de arrasto ou montados e maquinas autopropelidas. Os dados
coletados abrangeram o tipo de maquinário, o ano e a quantidade presente na propriedade.
Com a coleta dos dados de maquinário foi possível realizar o custo anual com
maquinário através da fórmula, onde CFa é o custo anual em R$ , VI é o valor pago pelo
implemento, Vu é a vida útil do maquinário em anos determinada pela tabela do IDEAGRI, Vf
é a porcentagem do valor inicial do maquinário após a vida útil, utilizando o valor de 0,1 para
cada maquinário, i é a taxa de juros aplicada que foi utilizado a porcentagem de 0,085 por
maquinário, Ast é o custo com o alojamento do maquinário utilizando 0,005.

(1 − 𝑉𝑓) (1 + 𝑉𝑓)
𝐶𝐹𝑎 = 𝑉𝐼 𝑥 {[ ]+[ ] 𝑥 𝑖 + 𝐴𝑠𝑡}
𝑉𝑢 2

A terceira seção do questionário traz a contabilidade dos custos variáveis empregado no


processo produtivo, ou seja, gastos com sementes, corretivos e fertilizantes, defensivos agrícolas,
combustível e aluguel de máquinas. Na quarta seção foram coletados os gatos com a utilização de
mão de obra na propriedade. A última seção do questionário foi destinada a coleta de dados sobre
a produção, ou seja, sacas produzidas na área e a receita bruta conseguida (Ver questionário no
anexo A).
20
Para a estruturação do modelo DEA, foi necessário formular quais variáveis eram inputs
e quais eram outputs.

3.3 PROCEDIMENTOS DE ANÁLISE DE DADOS

A análise dos dados coletados foi realizada através de programação linear DEA. Nas
próximas seções são descritas as especificações metodológicas.

3.3.1 Direcionamento

Nessa pesquisa, o direcionamento do DEA foi orientado para o fator inputs. Essa escolha
foi tomada com base na análise da bibliografia realizada, sendo que na maioria das pesquisas
esse direcionamento foi adotado. O direcionamento para inputs significa produção fixada em
dinheiro, com o intuito de utilizar a menor quantidade de insumos para alcançar o nível fixo de
produtividade (GOMES; MANGABEIRA, 2005). Na agropecuária, a orientação para inputs
objetiva a minimização dos insumos disponíveis, mantendo o mesmo volume de produção ou
rendimento.

3.3.2 Inputs e Outputs utilizados

Inputs são definidos como as entradas de recursos consumidos e outputs os produtos


gerados (LIGARDA; NACCHA, 2006). Considerando a bibliografia levantada, os inputs
selecionados para essa pesquisa foram:
 Custos de Capital: foram utilizadas a área e quantidade de máquinas e implementos
agrícolas como proxy;
 Custos operacionais: foram utilizadas a soma dos principais insumos, sejam eles,
corretivos, fertilizantes, sementes, defensivos agrícolas e combustível;
 Custo com pessoal.
Como output, foi utilizada somente uma variável:
 Receita gerada com os grãos de soja e milho.
O número mínimo de unidades produtivas (DMUs) que foram analisadas neste
trabalho foi dado pela fórmula:
𝑚𝑎𝑥 {(𝑖𝑛𝑝𝑢𝑡𝑠 ∗ 𝑜𝑢𝑡𝑝𝑢𝑡𝑠) 𝑜𝑢 3 ∗ (𝑖𝑛𝑝𝑢𝑡𝑠 + 𝑜𝑢𝑡𝑝𝑢𝑡𝑠)}

21
Sendo assim, como foram determinados 3 inputs e 1 output, os números de DMUs
necessária para a análise de dados seria ≥ 12 propriedades rurais.

3.3.3 Modelagem Matemática

Foram utilizados os dois modelos de DEA, CRS e VRS. Essa abordagem foi escolhida
uma vez que será possível destacar a influência da escala na eficiência global.

3.3.3.1 CRS

O modelo CRS (Constant Returns to Scale), leva em consideração os retornos


constantes de escala, maximizando o quociente entre a combinação linear dos produtos e a
combinação linear dos insumos. Para qualquer DMU, o valor do quociente não pode ultrapassar
o valor de 1 (CHARNES, et al., 1978).
O DEA CRS é descrito na equação que segue, onde N é o total de DMUs analisadas, o
par (x,y) representa os vetores de insumos e produtos da j-ésima DMU, j=1,N e o par (u,v)
representa os multiplicadores dos vetores x e y, que deverão ser otimizados.

  Max u i yi, j 0
i1

Sujeito a:
s

v x i i, j 0 1
i1
m s

u y  v x
i ij i ij  0 j  1,..., j0,...,
N
i1 i1

ui  0 i  1,m
vi  0 i  1,s

3.3.3.2 VRS

O modelo VRS (Variable Returns to Scale) considera a variação de eficiência de


produção não levando em consideração a proporcionalidade entre insumos e produtos
(BANKER et al., 1984). O DEA VRS é descrito na fórmula que segue, sendo as variáveis as
22
mesmas do DEA CRS.

m
  Max u i yi, j 0  u 0
i1

Sujeito a:
s
 vi xi, j 0  1
i1
m s
 u i y ij  u 0   vi xij  0 j  1,..., j0,...,
N
i1 i1
ui  0 i  1,m
vi  0 i  1,s

3.3.3.3 Índice de Escala

A Eficiência de escala é utilizada para determinar se a DMU está ou não executando


suas operações no seu tamanho mais produtivo, utilizando os inputs e outputs como base de
cálculo.
𝜃 𝐶𝑅𝑆
Podemos definir a eficiência de escala como 𝐸𝐸 = , com o intuito de identificar
𝜃 𝑉𝑅𝑆

o quanto da ineficiência de uma DMUs está sendo causada por estar sendo executada em uma
escala ineficiente. A escala estará operando nos intervalos de 0 a 1, onde 1 caracteriza a
operação da DMU como ótima, e os valores abaixo de 1 indicam o tamanho da divergência de
escala.

3.3.4 Programação

Os dados foram coletados e tabulados em planilhas eletrônicas. Posteriormente os


modelos de programação linear DEA (CRS e VRS) foram modelados no software MATLAB.
Os modelos do MATLAB foram alimentados pelos dados contidos nas planilhas eletrônicas.
Os relatórios do MATLAB foram interpretados e transformados em tabelas e gráficos para que
fossem melhores compreendidos.

23
4 RESULTADOS E DISCUSSÃO

Essa seção foi dividida em cinco partes, na primeira é apresentada uma análise
estatística descritiva dos dados coletados para as variáveis utilizadas no modelo (inputs e
outputs).
Na segunda e terceira seções são apresentados os dados já rodados no programa
MATLAB com aplicação do DEA CRS e VRS, respectivamente. Sendo possível analisar as
eficiências das propriedades rurais conforme o modelo proposto.
Na quarta seção é possível visualizar a eficiência de escala das propriedades, onde
podemos verificar quais propriedades estão operando em seu tamanho mais produtivo, e por
fim, a última seção faz o ranqueamento das propriedades agrícolas conforme seus índices de
eficiência e produtividade.

4.1 ESTATÍSTICA DESCRITIVA DAS VARIÁVEIS

Obteve-se informações de 34 propriedades rurais produtoras de soja e milho da cidade


de Nova Mutum – Mt. Os dados referem-se ao período de 12 meses, entre outubro de 2017 a
setembro de 2018, período destinado a produção dos cultivares.
Segundo Gomes e Mangabeira (2004) o emprego do método DEA na agricultura
facilita a tomada de decisão, uma vez que a ferramenta gera informações sobre quais são as
fontes de ineficiência e o que pode ser feito para a busca da eficiência.
A análise descritiva apresentada através da tabela 1, mostra os resultados de valores
mínimos e máximos apresentados de acordo com cada input e output. São apresentadas também
as médias para cada variável. Nota-se que a variável de custos que apresenta maior média é a
de gastos operacionais, é R$ 3.733.622,00, mostrando ser este fator importante.
Quando se aborda o desvio padrão, é alanisado a variação em relação à média
calculada. Desta forma, o desvio padrão em todos os casos é menor que a média pois não existe
uma homogeneidade no tamanho das propriedades, devido a diferença escalar de oito
propriedades que produzem acima das demais DMUs. Esta diferença fica clara ao analisar a
máximo e mínimo do quadro abaixo.

24
Tabela 1 – Estatística descritiva para os inputs e output.
Variável N Média Erro padrão Desvio padrão Mínimo Máximo
ÁREA 34 2502 419 2442 78 10000
MÁQUINAS 34 R$ 389.896,00 R$ 63.892,00 R$ 372.554,00 R$ 42.886,00 R$ 1.596.912,00
OPERACIONAIS 34 R$ 3.733.622,00 R$ 610.397,00 R$ 3.559.193,00 R$ 76.617,00 R$ 15.937.435,00
PESSOAL 34 R$ 239.548,00 R$ 40.221,00 R$ 234.529,00 R$ 28.000,00 R$ 1.157.623,00
RECEITA
BRUTA 34 R$ 7.386.105,00 R$ 1.165.647,00 R$ 6.796.832,00 R$ 247.650,00 R$ 27.150.000,00
FONTE: Elaborado pela autora (2018).

Para Macedo (2005) as informações ofertadas pelo DEA como na tabela 1, é capaz de
munir o produtor rural de informações sobre os métodos eficientes e ineficientes, pois apontam
onde há necessidade de alterações para a conquista da eficiência, informações essas que os
métodos comuns não apresentam.

4.2 EFICIÊNCIA DAS PROPRIEDADES – DEA CRS

Com a utilização do modelo CRS foi possível realizar a classificação das propriedades
rurais a partir dos seus níveis de eficiência.
Segundo Gomes e Mangabeira (2004) o modelo CRS pressupõe um retorno constante
de escala, ou seja, existe uma ligação linear entre os inputs e outputs analisados, ou seja, o
aumento ou a diminuição dos inputs, gera diretamente um aumento ou diminuição de outputs.
Sendo assim, as propriedades que tiverem o melhor resultado da divisão de outputs por inputs
serão consideradas eficientes.
Na Figura 7 é possível visualizar a estatística descritiva das eficiências calculadas, é
possível observar que a fronteira de eficiência parte da saída de origem até os pontos mais altos,
que são as maiores relações das divisões de outputs por inputs. A ideia proposta então, é apontar
a diminuição correta de qual inputs manterá o nível de outputs para que a empresa se torne
eficiente.
Verificou-se que 23,5 % delas foram consideradas benchmarks (8 propriedades), 35%
foram consideradas de alta eficiência (12 propriedades), 23,5% de média eficiência (8
propriedades) e 17,64 % operam com baixa eficiência. As propriedades que foram consideradas
eficientes poderão ser utilizadas, assim, como referência, benchmarks, para as ineficientes.

25
Figura 7 – Estatística descritiva das eficiências calculadas utilizando DEA CRS
DEA CRS
Anderson-Darling Normality Test
A-Squared 0,64
P-Value 0,087
Mean 0,82951
StDev 0,13599
Variance 0,01849
Skewness -0,541601
Kurtosis -0,007243
N 34
Minimum 0,50820
1st Quartile 0,75864
Median 0,83556
3rd Quartile 0,95656
Maximum 1,00000
95% Confidence Interval for Mean
0,5 0,6 0,7 0,8 0,9 1,0 0,78207 0,87696
95% Confidence Interval for Median
0,77994 0,88655
95% Confidence Interval for StDev
0,10968 0,17900

95% Confidence Intervals

Mean

Median

0,78 0,80 0,82 0,84 0,86 0,88 0,90

FONTE: Elaborado pela autora (2018).

Os resultados da figura 7 demonstram a relação dos inputs na geração de outputs,


observa que as DMU’s bechmarks utilizaram os maiores valores de inputs, mas gerou 63% de
média de receita a mais que as propriedades consideradas de alta eficiência. As DMU’s
bechmarks apesar de possuírem os maiores custos operacionais, sua área abrange cerca de
50,25% das áreas analisadas, de forma que seu tamanho justifica os altos custos. O estrato de
propriedades agrícolas de alta eficiência, apesar de abranger o maior número de propriedades
rurais, tem uma média de área de apenas 3,93%. Sua receita média em relação ao tamanho das
áreas, mostra um alto grau de eficiência, uma vez que as propriedades produziram em média
R$ 36.042,36 por hectare, enquanto as bechmarks possuíram uma receita de apenas R$ 2.958,37
por hectare. Seus custos operacionais foram os mais altos, mas a sua produção compensou os
gastos.
Já o estrato de propriedades de média eficiência apresentou um nível de produção
média anual apenas 7% menor em relação às propriedades de alta eficiência, mas foi o grupo
que apresentou o maior custo com mão de obra. Apesar de possuir o segundo maior lote de
áreas produtivas, em média 34,18% da área total, sua receita média foi de apenas R$ 2.749,39
por hectare, ou seja, apesar da sua área de produtividade ser a segunda maior, seus gatos
operacionais foram altos e a produção não alcançou a efetividade.

26
O estrato de propriedades agrícolas com baixo nível de efetividade apesar de possuir
mais área que as propriedades de alta efetividade, apresentou pouca produtividade, sendo que
sua média de receita gerou em torno de R$ 2.755,86 por hectare. Seus gastos operacionais foram
menores que as propriedades de alta efetividade em uma área maior.
A eficiência técnica global é obtida com a fronteira CRS, que pode ser decomposta em
eficiência técnica pura (obtida pela fronteira VRS) e eficiência de escala (CRS/VRS). Em suma,
para uma empresa ser CRS eficiente ela precisa ter eficiência técnica (VRS) e de escala.

4.3 EFICIÊNCIA DAS PROPRIEDADES – DEA VRS

O modelo VRS pressupõe que as DMU’s avaliadas apresentem retornos variáveis de


escala, ou seja, considera que um acréscimo no input poderá promover um acréscimo no output,
não necessariamente proporcional, ou até mesmo um decréscimo.
O modelo VRS permite que as propriedades que operam com baixos valores de inputs
tenham retornos crescentes de escala e as que operam com altos valores tenham retornos
decrescentes de escala. (Mello et al., 2005).
Na Figura 8 é possível visualizar a estatística descritiva das eficiências calculadas.

Figura 8 – Estatística descritiva das eficiências calculadas utilizando DEA CRS

DEA VRS
Anderson-Darling Normality Test
A-Squared 1,87
P-Value <0,005
Mean 0,87412
StDev 0,13640
Variance 0,01860
Skewness -0,887496
Kurtosis -0,005304
N 34
Minimum 0,54467
1st Quartile 0,80325
Median 0,87146
3rd Quartile 1,00000
Maximum 1,00000
95% Confidence Interval for Mean
0,6 0,7 0,8 0,9 1,0 0,82653 0,92171
95% Confidence Interval for Median
0,84241 1,00000
95% Confidence Interval for StDev
0,11002 0,17954

95% Confidence Intervals

Mean

Median

0,85 0,90 0,95 1,00

FONTE: Elaborado pela autora (2018).


27
Com a utilização do modelo DEA VRS, a classificação de produtividade e eficiência
mudam consideravelmente, uma vez que o modelo considera a variação na escala das
propriedades, ou seja, quanto maior o porte, maior o consumo de inputs, ocorrendo a
possibilidade de conseguir preços menores na compra dos mesmos.
A classificação DEA VRS apresenta 38,25 % das propriedades classificadas como
benchmarks (13 propriedades), 38,5% foram consideradas de alta eficiência (13 propriedades),
8,8% de média eficiência (3 propriedades) e 14,70 % operam com baixa eficiência (5
propriedades).
Apesar das DMU’s bechmarks não apresentarem a melhor média de receita por
hectare, seus custos operacionais e principalmente com pessoal são muito abaixo dos demais,
abrangendo uma área de produtividade média de 56,10% das áreas analisadas, 28,67% a mais
que as propriedades consideradas eficiente, então, apesar de não ter a melhor média de receita,
seus recursos foram alocados da melhor forma.
As DMU’s que apresentaram alta eficiência, possuem uma receita 49,77% abaixo da
receita geral das DMU’s bechmarks, mas suas áreas abrangem apenas 27,43% da área total
analisada, de forma que sua média de receita por hectare chega a 1,78% a mais que as
bechmarks, sendo assim, seus gastos com inputs foram muito superior ao analisarmos o
tamanho médio de suas propriedades, inclusive os gastos com pessoal que foi quase o dobro
das DMU’s bechmarks por hectare.
O estrato de propriedades que apresentaram média eficiência apresentam 12,19% de
média de receita a mais que as bechmarks, porém sua área corresponde a apenas 8,82% das
áreas totais, de forma que nesse grupo, composto por 3 propriedades rurais com área produtiva
maior que 1.000 hectares, possui a maior média de custo operacional, sendo assim, as
propriedades não tiraram vantagem do seu tamanho para conseguir um valor de compra menor.
Já o estrato considerado de baixa eficiência apresentou valores de área, custos
operacionais, custos de pessoal e receita gerada pouco abaixo das propriedades consideradas de
alta eficiência, porem seu custo com maquinário por hectare foi em torno de 30% a mais.
De acordo com Gomes et al (2005) os valores obtidos para eficiência VRS são maiores
ou iguais aos obtidos para eficiência CRS. Isso porque a medida CRS é composta pela medida
VRS e pela eficiência de escala.

28
4.4 EFICIÊNCIA DE ESCALA

𝜃 𝐶𝑅𝑆
Podemos definir a eficiência de escala como 𝐸𝐸 = , com o intuito de identificar
𝜃 𝑉𝑅𝑆

o quanto da ineficiência de uma DMUs está sendo causada por estar sendo executada em uma
escala ineficiente. A escala estará operando nos intervalos de 0 a 1, onde 1 caracteriza a
operação da DMU como ótima, e os valores abaixo de 1 indicam o tamanho da divergência de
escala.
Na Figura 9 é possível visualizar a estatística de eficiência de escala das propriedades
analisadas.

Figura 9 - Estatística descritiva de Eficiência de Escala

Eficiência de escala (CRS/VRS)


Anderson-Darling Normality Test
A-Squared 4,05
P-Value <0,005
Mean 0,95113
StDev 0,07473
Variance 0,00558
Skewness -1,67155
Kurtosis 2,02911
N 34
Minimum 0,72683
1st Quartile 0,93255
Median 0,99587
3rd Quartile 0,99939
Maximum 1,00000
95% Confidence Interval for Mean
0,72 0,80 0,88 0,96 0,92506 0,97720
95% Confidence Interval for Median
0,94538 0,99753
95% Confidence Interval for StDev
0,06027 0,09836

95% Confidence Intervals

Mean

Median

0,92 0,94 0,96 0,98 1,00

FONTE: Elaborado pela autora (2018).

Das 34 propriedades analisadas apenas 7 possuem eficiência de escala. É possível


visualizar que a maior parte da ineficiência global das propriedades analisadas que apresentam
um gasto muito alto com custos operacionais, a escala é o principal problema.

29
4.5 RANKING DE EFICIÊNCIA

Uma propriedade rural por mais que tenha alta produtividade, pode não ser eficiente
por utilizar uma quantidade muito grande de insumos. Ou seja, alta produtividade não
necessariamente é uma medida de eficiência, pois não contabiliza a quantidade de inputs que
foram utilizados. Portanto, utilizar a produtividade como fator de análise é um erro que pode
superestimar a eficiência das organizações.
Na Tabela 2 abaixo é possível visualizar a classificação das DMUs conforme sua
produtividade.

Tabela 2 – Classificação das DMUs conforme produtividade de sacas de soja e milho por
hectare.
DMU Produção de Soja por Hectare DMU Produção de Milho por Hectare
5 64,20 13 140
21 64 27 140
7 63,22 16 133
13 63 5 125
14 63 7 123
28 63 30 122
20 61 20 120
32 61 32 120
2 60 4 120
8 60 19 119
16 60 1 118
19 60 25 116
22 60 3 115
23 60 31 115
26 60 9 112
27 60 33 111
29 60 6 110
30 59 8 110
32 59 15 110
4 58 21 110
17 58 22 110
30
25 58 23 110
33 58 27 110
12 57,5 32 110
1 57 28 106
3 57 12 105
6 57 17 104
9 57 11 103
15 57 2 100
24 57 10 100
10 56 14 100
34 55 24 98
18 54 34 98
11 51,3 18 96
FONTE: Elaborado pela autora (2018).

A utilização do método DEA possibilitou a visualização das propriedades rurais


ranqueadas conforme seu grau de efetividade global (CRS) e eficiência técnica de escala (VRS),
possibilitando posteriormente, um comparativo entre as propriedades quanto ao seu nível de
efetividade e nível de produtividade.

Tabela 3 - Ranqueamento das DMUs utilizando o DEA CRS


DMU CRS Ranking de Rankig de Produtividade
Produtividade de soja de milho
24 1 5 13
9 1 21 27
11 1 7 16
16 1 13 5
10 1 14 7
4 1 28 30
7 1 20 20
28 1 32 32
22 0,942083 2 4
5 0,938602 8 19
13 0,890247 16 1
30 0,886027 19 25

31
21 0,862092 22 3
20 0,848221 23 31
15 0,843555 26 9
27 0,843401 28 33
25 0,840901 29 6
33 0,830214 30 8
12 0,827814 32 15
31 0,816573 4 21
26 0,80482 17 22
2 0,782195 25 23
19 0,780751 33 27
32 0,774198 12 32
17 0,761848 1 28
23 0,76023 3 12
29 0,753859 6 17
1 0,726825 9 11
14 0,685487 15 2
3 0,682898 24 10
18 0,657966 10 14
8 0,640627 34 24
34 0,513856 18 34
6 0,508199 11 18
FONTE: Elaborado pela autora (2018).

TABELA 4 – Ranqueamento das DMUs utilizando o DEA VRS


DMU VRS Ranking de Rankig de Produtividade
Produtividade de soja de milho
11 1 5 13
4 1 21 27
28 1 7 16
1 1 13 5
7 1 14 7
22 1 28 30
23 1 20 20
15 1 32 32

32
16 1 2 4
21 1 8 19
24 1 16 1
10 1 19 25
9 1 22 3
5 0,993819 23 31
12 0,971806 26 9
13 0,890977 28 33
30 0,888036 29 6
17 0,854892 30 8
20 0,851883 32 15
26 0,851201 4 21
33 0,848735 17 22
27 0,84449 25 23
25 0,843307 33 27
14 0,83606 12 32
31 0,820997 1 28
2 0,809709 3 12
19 0,783864 6 17
32 0,777132 9 11
29 0,756049 15 2
3 0,684608 24 10
18 0,660155 10 14
8 0,645437 34 24
6 0,562192 18 34
34 0,544669 11 18
FONTE: Elaborado pela autora (2018).

O comparativo das tabelas 3 e 4, possibilita entender que alta produtividade não está
ligada a eficiência. Por exemplo, ao analisarmos a DMU número 5 apresenta a maior
produtividade de sacas de soja por hectare e a quarta maior produtividade de milho, porém sua
eficiência técnica global (CRS), eficiência técnica pura (VRS) e eficiência de escala
(CRS/VRS) não apresentam níveis de escalas ≥ 1.

33
Outro exemplo é a DMU 32, que ocupa o oitavo lugar em produtividade de sacas de
soja e milho por hectare, porém é classificada como uma área de média eficiência, pois seus
cálculos de eficiência global, técnica e de escala apresentam níveis muito abaixo de 1.
Sendo assim, utilizar a alta produtividade como fator para determinar a eficiência das
propriedades agrícolas pode acarretar em danos a curto e longo prazo. A empresa pode não
sentir danos enquanto opera com ineficiência durante os altos preço de venda, mas, quando
ocorrer a baixa do preço, essas empresas devem buscar a eficiência, sob pena de não
conseguirem competir num mercado menos propício a desperdícios operacionais.

34
5 CONSIDERAÇÕES FINAIS

A eficiência é um dos parâmetros de atuação mais trabalhados dentro das organizações


nos últimos anos, pois afeta diretamente sua permanência no mercado de atuação.
Após a realização deste trabalho podemos obter algumas considerações sobre os
modelos não paramétricos. Na análise geral, notamos que o método DEA possibilita a
determinação da eficiência de unidades organizacionais similares, como neste caso,
propriedades rurais.
Os modelos utilizados a partir do DEA, são capazes de conciliar em um único índice
variáveis de natureza diferentes para a análise do desempenho organizacional. Foi possível
perceber que o método possui a possibilidade de se trabalhar com diferentes variáveis sem a
necessidade das mesmas estares em um mesmo padrão, tornando mais fácil o apoio a tomada
de decisões das organizações com a técnica de análise de multicritérios, chegando mais perto
da realidade das organizações.

5.1 RESPOSTA AO PROBLEMA

Na amostra analisada, 20,59% propriedades rurais possuem eficiência de escala na


combinação dos fatores analisados, ou seja, apresentaram índices igual a 1, Já 17,64% das
propriedades apresentaram índices médios de produtividade, sendo necessário uma melhoria na
utilização dos insumos pois apresentaram índices menores a 0,8, e 61,77% apresentou índices
de alta efetividade sendo necessária pequenas melhorias na redução de inputs.
Os resultados técnicos e gerenciais apontam o quanto cada variável ineficiente precisa
melhorar levando em conta o padrão das melhores unidades.
Com os resultados obtidos no trabalho, conclui-se que o modelo é eficiente naquilo
que propõem. Através da análise dos resultados, observa-se que é possível, através de uma
análise comparativa, destacarmos níveis de eficiência, possibilitando a segurança na tomada de
decisões.

5.2 DELIMITAÇÃO E LIMITAÇÕES DO ESTUDO

Um ponto importante na utilização do DEA é a cautela na coleta e utilização dos dados,


pois erros de informação poderão invalidar os resultados obtidos, levando a conclusões erradas.

35
5.3 SUGESTÕES PARA ESTUDOS FUTUROS

A utilização do DEA no agronegócio vem se difundido cada vez mais, pois é crescente
a necessidade de busca pela eficiência das propriedades, além da análise apresentar resultados
satisfatórios. Recomenda-se outros estudos que trabalhem a análise de eficiência para
propriedades produtoras de soja e milho, uma vez que são duas commodities de grande
importância econômica, e por não apresentar na literatura nenhum trabalho, fora esse, que faça esse
tipo de análise da eficiência das propriedades produtoras de soja e milho.

36
REFERÊNCIAS

ABREU, U.G.P, LOPES, P.S., BAPTISTA, A.J.M.S. et al. Avaliação da introdução de


tecnologias no sistema de produção de gado de corte no Pantanal. Análise de eficiência1.
Rev. Bras. Zootec., v.35, n.3, p.1242-1250, 2006 (supl.)

ABREU, U.G.P., GOMES E.G., LOPES P.S, TORRES, R.A.; SANTOS H.N. S “Avaliação
sistêmica da introdução de tecnologias na pecuária de gado de corte do Pantanal por meio
de modelos de analise envoltória de dados.” Revista Brasileira de Zootecnia.2008

ARAÚJO JÚNIOR, Rogério Henrique de. Benchmarking. In: TARAPANOFF, Kira (Org.).
Inteligência organizacional e competitiva. Brasília: EDUNB, 2001. p. 241-263.

BALM, Gerald J. Benchmarking: um guia para o profissional tornar-se - e continuar sendo


- o melhor dos melhores. 2ª ed., Rio de Janeiro, RJ, Ed. Quality Mark, 1995. 211 p.

BANKER, R.D.; CHARNES, A.; COOPER, W.W. Some models for estimating technical
scale inefficiencies in data envelopment analysis. Management Science, v. 30, n. 9, p. 1078-
1092, 1984.

BAPTISTA, C. R. Sobre as diferenças e as desvantagens: fala-se de qual educação


especial? In: MARASCHIN, C. (Org.). Psicologia e educação: multiversos sentidos, olhares e
experiências. Porto Alegre: UFRGS, 2003.

BARDIN, L. Análise de Conteúdo. Lisboa, Portugal; Edições 70, LDA, 2009.

BERG, S. V. Advances in benchmarking to improve water utility operations: A review of


six IWA books. Water Police, v. 15, n. 2, p. 325-333, March 2013.

BEZERRA NETO, F.; GOMES, G. E.; OLIVEIRA, A.M. Produtividade biológica em


sistemas consorciados de cenoura e alface avaliada através de indicadores agro
econômicos e métodos multicritério. Revista Horticultura Brasileira, v. 25, p. 193-198, abr-
jun. 2007.

CAMP, R.C. Benchmarking: o caminho da qualidade total. 3. ed. São Paulo: Pioneira, 1998.

CARPINETTI, L. C. R., e MELO, A. M. What to benchmark? A systematic approach and


cases. Benchmarking (Bradford), 2002, vol. 9, nº 3, p. 244-255.

CEPA, 2003. Background to work on assessing efficiency for the 2005 distribution price
control review, Scoping study, Final report, Prepared for The UK Office of Gas and
Electricity Markets (Ofgem), Cambridge Economic Policy Associates, available at:
www.ofgem.gov.uk.

CHARNES, A.; COOPER, W.W.; RHODES, E. Measuring the efficiency of decision-


making units. European Journal of Operational Research, v. 2, p. 429-444, 1978.

CHIAVENATO, I. Introdução à teoria geral da administração. 2.ed. Rio de Janeiro:


Campus, 2000

CLEMENTE, F.; GOMES, M.F.M.; LÍRIO, V.S. Análise da eficiência técnica de


37
propriedades citrícolas do estado de São Paulo. Economia Aplicada, v. 19, n. 1, 2015, pp.
63-79

COSTA, T. B.; TAVARES, M. Análise envoltória de dados (DEA) para avaliação de


eficiência produtiva em relação aos custos do milho safra. CONTABILOMETRIA -
Brazilian Journal of Quantitative Methods Applied to Accounting, Monte Carmelo, v.1, n. 1,
p. 15-25, 1º sem./2014.

COURA, M.R., FIGUEIRDEO, M.A; SANTOS, M.L. Eficiência e tecnologia na agricultura


paulista entre 1985 e 2001. Organizações Rurais & Agroindustriais, vol. 8, núm. 2, 2006, pp.
216-226. Universidade Federal de Lavras - Minas Gerais, Brasil

CRAVEIRO, Giovana Leivas. Granéis sólidos no Brasil: uma aplicação da Análise


Envoltória de Dados (DEA). 2015. 70 f., il. Dissertação (Mestrado em Economia)—
Universidade de Brasília, Brasília, 2015.

CRESWELL, J. W. W. Projeto de pesquisa: métodos qualitativo, quantitativo e misto. 2.


ed. Porto Alegre: Bookman, 2010.

ESTATÍSTICAS econômicas: PIB varia 0,2% em relação ao 1º trimestre e chega a R$ 1,6


trilhão. Rio de Janeiro: IBGE, 2017. https://agenciadenoticias.ibge.gov.br/agencia-sala-de-
imprensa/2013-agencia-de-noticias/releases/16254-pib-2-tri.html acessado em 12/05/2017

FERREIRA, C. M. de C.; GOMES, A. P. (2012). Introdução à análise envoltória de dados:


teoria, modelos e aplicações. Viçosa, MG: UFV.

FLICK, U. Introdução à pesquisa qualitativa. 3. ed. Porto Alegre: Bookman, 2009.

FONG, S.W., CHENG, E.W.L., HO D.C.K. (1998) "Benchmarking: a general reading for
management practitioners", Management Decision, Vol. 36 Issue: 6, pp.407-418.

FREIRE, A. H.; REIS, R. P.; LIMA, D. P. M.; FONTES, R. E. Eficiência econômica da


cafeicultura no Sul de Minas Gerais: uma abordagem pela Análise Envoltória de Dados.
Organizações Rurais & Agroindustriais, v. 14, n. 1, p. 60-75, 2011.

GIL, Antonio Carlos. Métodos e técnicas de pesquisa social - 6. ed. - São Paulo : Atlas, 2008.

GLOBAL FOOTPRINT NETWORK. The Living Planet Report 2010. Disponível em http://
www.footprintnetwork.org/en/index.php/GFN/page/living_planet_report_2010 Acesso em
11/06/2018.

GODOY, A. S.Pesquisa qualitativa - tipos fundamentais. Revista de Administração de


Empresas, v. 35, n. 3, p. 20-29, 1995.

GOMES, E.G. Modelos de Análise de Envoltória de Dados com Ganhos de Soma Zero.
2003. Tese (Doutorado em Engenharia de Produção), COPPE/UFRJ,Rio de Janeiro, Brasil.

GOMES, E.G.; LINS, M.P.E. Modelling undesirable outputs with zero sum gains data
envelopment analysis models. Journal of the Operational Research Society, 2007
(forthcoming).

GOMES, E.G.; SOARES DE MELLO, J.C.C.B.; MANGABEIRA, J.A.C. Fronteira DEA


38
difusa na avaliação de eficiência em agricultura. Investigação Operacional, v. 26, p. 65-
88, 2006

GOMES, E.G.; MANGABEIRA, J.A. de C. Uso de Análise de Envoltória de Dados em


Agricultura: o caso de Holambra. ENGEVISTA, v. 6, n. 1, p. 19-27, abril de 2005.

GOMES, E.G.; SOARES DE MELLO, J.C.C.B e FREITAS A.C.R., “Análise de eficiência


em agricultura com unidades em desvantagem competitiva.” SPOLM: 10 pp, 2007.

GOMES, E.G.; SOARES DE MELLO, J.C.C.B; MANGABEIRA, J.A. de C “Estudo da


sustentabilidade agrícola em um município amazônico com análise envoltória de dados.”
Pesquisa Operacional. 29(1): 23-42.2009.

GOMES, E.G.; SOARES DE MELLO, J.C.C.B.; LINS, M.P.E. Uniformização da fronteira


eficiente em modelos de análise de envoltória de dados com ganhos de soma zero e
retornos constantes de escala. Pesquisa Operacional, v. 25, n. 2, p. 261-277, 2005.

JAMASB, T. POLLITT, M. (2000). “Benchmarking and Regulation: International


Electricity Experience.” Utilities Policy 9(3): 107-130

KATZ, D. e KAHN, R L. The social psychology of organizations. New York: Wiley, 1966.
489 p. [Dept. Psychol. and Survey Research Center, Univ. Michigan, Ann Arbor, MI]

KRIPPENDOR, K. Content Analysis: An Introduction to Its Methodology (2nd ed.)


Thousand Oaks, 2004. CA: Sage Publications

LAKATOS, Eva Maria; MARCONI, Marina de Andrade. Fundamentos de metodologia


científica. 5. ed. São Paulo: Atlas, 2003.

LIGARDA, L.; NACCHA, M. La eficiencia de las organizaciones de salud através del


análisis envolvente de datos. Microrredes de La Dirección de Salud IV Lima Este 2003.
AnFacMed Lima, v. 67, n. 2, 2006.

MACEDO, M. A. S.; STEFFANELLO, M.; OLIVEIRA, C. A. Eficiência combinada dos


fatores de produção: aplicação de análise envoltória de dados (DEA) à produção leiteira.
Revista de Custos e @gronegócio, Recife, v. 3, n. 2, p. 59-86, 2007.

MARIANO, E.B.; ALMEIDA M.R.; REBELATTO D.A.N. Peculiaridades da Análise por


Envoltória de Dados In: XII SIMPEP – Bauru, SP, Brasil, (6 a 8 a novembro de 2006, Anais.

McNAIR, C. J.; LEIBFRIED, K. H. J. Benchmarking: uma ferramenta para a melhoria


contínua. Rio de Janeiro: Campus, 1992.

MELO, C.O. de; ESPERANCINI, M.S.T. Análise econômica da eficiência da produção de


cana-de-açúcar de fornecedores do estado do Paraná. Energ. Agric., Botucatu, vol. 27, n.3,
julho-setembro, 2012, p.48-60.

MIN, H.; JOO, S-J; (2009) "Benchmarking third‐party logistics providers using data
envelopment analysis: an update", Benchmarking: An International Journal, Vol. 16 Issue:
5, pp.572-587, https://doi.org/10.1108/14635770910987814

OLIVEIRA, H.C.; GOMES, A.P. Eficiência na agroindústria avícola mineira. In: Congresso
39
de Ciências Humanas, Letras e Artes. Ouro Preto, 28 a 31 de agosto, 2003.

OLIVEIRA, Maria Marly de. Como fazer pesquisa qualitativa. 2º ed. – Petrópolis, RJ: Vozes,
2008.

OLIVEIRA E; ANDRADE FVS; MELLO JCCBS; MACHADO TB; PEREIRA CR. 2014.
Avaliação da eficiência de horticultores agroecológicos utilizando análise envoltória de
dados. Horticultura Brasileira 32: 336-341. DOI - http://dx.doi.org/10.1590/S0102-
05362014000300016

ONU – Organização das Nações Unidas. Pesquisa sobre crescimento populacional.


Disponível em https://nacoesunidas.org/onu-no-brasil/. Acessado em 26/06/2018

PARENA, R., SMEETS, E., 2001. Benchmarking Initatives in the Water Industry. Water
Science and Technology 44(2-3), 103-110.

RODRIGUES, W. ; PARREIRA, L A ; BARBOSA, G. F. ; ALVES, G. L. ; PELUZIO, J. M..


Avaliação da eficiência da produção de soja no município de Pedro Afonso TO: uma
análise envoltória de dados (DEA). In: XLVII Congresso da SOBER, 2009, Porto Alegre.
Anais do XLVII Congresso da SOBER, 2009.

ROZENFELD, H.; FORCELLINI, F. A..; AMARAL, D. C.; TOLEDO, J. C.; SILVA, S. L.;
ALLIPRANDINI, D. H.; SCALICE R. K. Gestão de desenvolvimento de produtos: Uma
referência para melhoria de processo. São Paulo: Saraiva, 2006. 542p.

SCHER, Pedro Dias. Análise de eficiência técnica pelo método DEA na agricultura do
Distrito Federal. 2015. 70 f., il. Monografia —Universidade de Brasília, Brasília, 2015.

SECEX – Secretaria de Comércio Exterior. Pesquisa sobre exportação. Disponível em:


http://comexstat.mdic.gov.br/pt/geral. Acesso em: 26 de junho de 2018.

SEPPÄLÄ, O. T. Performance Benchmarking in Nordic water utilities. Procedia


Economics and Finance, v. 21, n. 1, p. 399-405, 2015.

SHARMS, B.; DYER, P.; (2009) "Residents' involvement in tourism and their perceptions
of tourism impacts", Benchmarking: An International Journal, Vol. 16 Issue: 3, pp.351-371,
https://doi.org/10.1108/14635770910961371

SPENDOLINI, M. J. Benchmarking. São Paulo: Makron Books, 1994.

SLACK, N.; CHAMBERS, S.; JOHNSON, R. Administração da Produção. 2.ed. São Paulo:
Atlas, 2007. Cap.17 (Planejamento e Controle de Qualidade).

STORTO, C. L. Benchmarking operational efficiency in the integrated water service


provision: Does contract type matter? Benchmarking: An International Journal, v. 21, n. 6,
p. 917-943, 2014.

THE TILDE PARTNERS. D20 - Benchmarking tools. Trondheim: European Commission,


2005.

TORQUATO, S. A.; MARTINS, R.; RAMOS, S. de F. Cana-de-açúcar no Estado de São


Paulo: eficiência econômica das regionais novas e tradicionais de produção. Informações
40
Econômicas, São Paulo, v. 39, n. 5, maio 2009.

TUPY, O.; MENDONCA, F. C.; CAMARGO, A. C. de; REZENDE, M. Eficiência Relativa


de Agricultores Familiares na Produção de Leite. REUNIÃO ANUAL DA SOCIEDADE
BRASILEIRA ZOOTECNIA, 47., 2010, Salvador. Empreendorismo e progresso científicos na
zootecnia brasileira de vanguarda - anais. Salvador: SBZ: UFBA, 2010.

ZAGO, C. A.; SILVA, V. M. D.; COELHO, L. C.; FOLLMANN, N.; RODRIGUEZ, C. M. T.


Benchmarking: uma perspectiva de avaliação de desempenho logístico. In: V Simpósio de
Excelência em Gestão e Tecnologia, 2008, Resende - RJ. Anais do V Simpósio de Excelência
em Gestão e Tecnologia, 2008.

ZAIRI, M.; LEONARD, P. Benchmarking prático: o guia completo. São Paulo: Atlas, 1995

ZHU, J. Quantitative models for performance evaluation and benchmarking: data


envelopment analysis with spreadsheets and DEA excel solver. New York: Springer; 2003.

41
APÊNDICE A – QUESTIONÁRIO

N. da propriedade

COLETA DE DADOS
EFICIÊNCIA DE PRODUÇÃO DE SOJA E MILHO - 2017

DADOS DA PROPRIEDADE
Nome da propriedade

A propriedade pertence a algum grupo


☒Sim

A produção é predominantemente:
☐Transgênico
☐Convencional

O solo da propriedade é predominantemente


☐Arenoso
☐Argiloso

DADOS SOBRE ÁREA


Área total da propriedade:

Área da propriedade não produtiva [APP, RL, SEDE]:

Área da propriedade destinada a produção de soja:

Área da propriedade destinada a produção de milho:

42
N. da propriedade

DADOS SOBRE MAQUINÁRIOS (Plantel de tratores, máquinas e implementos agrícolas


utilizados nas culturas de soja e milho)

Trator: (Potência CV / Ano de fabricação):


Trator 1: /
Trator 2: /
Trator 3: /
Trator 4: /
Trator 5: /
Trator 6: /

Implementos (de arrasto ou montado):


Implemento 1: modelo / ano
Implemento 2: modelo / ano
Etc..

Máquinas (autopropelidas):
Máquina 1: modelo / ano
Máquina 2: modelo / ano
Etc..

Dados sobre insumos (ano 2017 – soja+milho)


Quantidade total de gastos com sementes (R$)
Quantidade total de gastos com corretivos e fertilizantes (R$)
Quantidade total de gastos com defensivos agrícolas (R$) [inseticidas, herbicidas fungicidas,
etc...)
Quantidade total de gastos com combustível (R$)

Dados sobre a utilização de mão-de-obra (ano de 2017)

43
Número de pessoas que trabalham na produção de soja e milho (N.)
Gasto total com funcionários na produção de soja e milho (R$)

N. da propriedade

Dados sobre a produção (dados de 2017)


- Sacas de soja produzidas na área (Número)
- Sacas de milho produzidas na área (Número)
- Receita bruta conseguida com a produção de soja (R$)
- Receita bruta conseguida com a produção de milho (R$)

44