AvaliandoEscolasCompetências Queiroz 2015

Marcelo Victor Alves Bila Queiroz
AVALIANDO AS ESCOLAS PELAS SUAS

COMPETÊNCIAS: APLICAÇÃO DO DEA NÃO
DISCRICIONÁRIO PARA O ENSINO FUNDAMENTAL
DO RIO GRANDE DO NORTE
Dissertação apresentada à Universidade Federal do

Rio Grande do Norte, como parte das exigências do
Programa de Pós-Graduação em Administração,
para obtenção do título de Magister Scientiae.
Área de concentração: Política e gestão

públicas
Orientador: Luciano Menezes Bezerra Sampaio
NATAL/RN
2014
2014
MARCELO VICTOR ALVES BILA QUEIROZ
Avaliando as escolas pelas suas competências:

aplicação do DEA não discricionário para o ensino
fundamental do Rio Grande do Norte
Dissertação de Mestrado apresentada e aprovada em _____ / _____ /

______, pela Banca Examinadora composta pelos seguintes membros:
BANCA EXAMINADORA
______________________________________
Prof. Dr. Luciano Menezes Bezerra Sampaio - UFRN
Orientador
_______________________________________
Prof. Dr(a) Breno Ramos Sampaio – UFPE
Membro externo
________________________________________
Prof. Dr(a) Janaína da Silva Alves – UFRN
Membro interno
AGRADECIMENTOS
Agradeço, primeiramente, ao meu professor e amigo Luciano Sampaio pela

orientação, paciência, compreensão e ensinamentos que muito contribuíram para a
minha formação acadêmica e para além dela. Isso é o que eu posso agradecer usando
palavras, entretanto não sei como me expressar para agradecer por acreditar em mim
durante todo esse tempo, mesmo quando eu não acredito. Obrigado professor.
À professora Raquel Sampaio, pela enorme atenção e prontidão para tirar
minhas dúvidas além do imenso auxílio na elaboração do projeto incluindo os diversos
comentários e críticas sempre pertinentes e esclarecedores. Cada comentário
respondido me deixava mais motivado e satisfeito com o desenvolvimento do trabalho.
Obrigado professora, sem a sua ajuda, com certeza, não teria chegado ao ponto em
que cheguei.
À professora Janaína Alves, pela disponibilidade de participar da banca de
qualificação e pelos comentários bastante construtivos.
À ‘turma da sala 10’: Fernanda, Felipe, Anne e Daniel, pelos momentos de
assistência e de descontração, ambos tão importantes e necessários.
Aos meus pais, pelos valores ensinados e pela abdicação e esforço para dar
aos filhos algo além do que tiveram.
Aos meus familiares, especialmente minhas avós Josélia e Jandira, minha tia
Flaviana e meu primo Gustavo, in memoriam.
À minha amiga, namorada e amada, Viviane Hiromi, pelo suporte ao longo do
período do mestrado e, sobretudo, pelo amor, carinho e alegria que me passa todos
os dias.
Ao meu grupo de amigos que manteve a amizade e as brincadeiras, sem perder
a intensidade, desde colégio. A lista é extensa, por isso vou citar somente alguns:
Afonso, Airton, André, Ângelo, Daniel, Heber, Hilário, Igor, Leonardo, Rafael, e os dois
Thiagos. Com destaque para Pedro Henrique pela força e ajuda nos momentos de
dificuldade.
Aos meus amigos do mestrado Bruno, Patrícia, Joyce e meu xará Marcelo,
pelos momentos de estudo e diversão.
Por fim, agradeço ao PPGA pelo amparo acadêmico e à CAPES pelo apoio
financeiro.
EPÍGRAFE
“Se você acha que a educação

é cara, experimente a ignorância.”
Derek Bok
RESUMO
A educação formal, compreendida pelo processo gradual que ocorre na escola, tem
como objetivo a aprendizagem de conhecimentos sistematizados e é de grande
interesse da sociedade, pois beneficia seus indivíduos e acarreta em diversos efeitos
positivos, como o aumento de produtividade e de bem-estar (JOHNES; JOHNES,
2007). Entender o que influencia o resultado educacional é tão importante quanto o
resultado em si, porque permite gerir estas variáveis de forma a obter um melhor
desempenho estudantil. Este trabalho faz uso da análise envoltória de dados (DEA)
para comparar a eficiência das escolas do Rio Grande do Norte. Neste método não-
paramétrico, é construída uma fronteira de eficiência a partir das escolas que melhor
usam os insumos definidos para gerar os produtos educacionais. Para tanto, os dados
utilizados foram obtidos através da Prova Brasil e Censo Escolar do ano 2011 para as
escolas públicas estaduais e municipais do Rio Grande do Norte. Algumas das
variáveis consideradas como insumos e produtos já foram obtidas diretamente destas
bases – outras duas foram elaboradas, com uso da Teoria de Resposta ao Item (TRI)
– são elas o índice socioeconômico e de infraestrutura escolar. Numa primeira etapa,
foram comparados diversos modelos DEA, com alterações de variáveis de insumos.
Em seguida, foi escolhido o modelo não discricionário para o qual foi aprofundada a
análise de resultados. Os resultados mostraram que apenas sete escolas foram
eficientes no 5° e 9° ano simultaneamente; não houve diferenças significativas entre
a eficiência das escolas municipais e estaduais; bem como não houve diferenças entre
escolas grandes e pequenas. Analisando os municípios, Mossoró se destacou em
ambos os anos com maior proporção de escolas eficientes. Por fim, o trabalho sugere
que, utilizando as projeções proporcionadas pelo método DEA, as escolas mais
ineficientes conseguiriam alcançar a meta do IDEB em 2011, ou seja, é possível
melhorar a educação do estado de forma significativa tomando as escolas eficientes
como base para as demais.
Palavras-chave: Educação. Eficiência escolar. DEA não discricionário. Índice

socioeconômico.
ABSTRACT
Formal education, understood by the gradual process that occurs at school, aims at
learning and systematic knowledge is of great interest to society as it benefits its
individuals and leads to many positive effects, such as increased productivity and
welfare (Johnes, Johnes, 2007). Understanding what influences the educational
outcome is as important as the result itself, because lets you manage these variables
in order to obtain a better student performance. This work uses the data envelopment
analysis (DEA) to compare the efficiency of Rio Grande do Norte schools. In this non-
parametric method, an efficiency frontier was construct from the best schools that use
the inputs set to generate educational products. Therefore, the data used were obtain
by Test Brazil and year 2011 School Census to state and municipal schools of Rio
Grande do Norte. Some of the variables considered as inputs and outputs have been
obtain directly these bases - the other two were prepared, using the Item Response
Theory (IRT) - they are the socioeconomic and school infrastructure indices. As a first
step, we compared several DEA models, with changes of input variables. Then was
chose the non-discretionary model for which was deep the analysis of results. The
results showed that only seven schools were efficient in the 5th and 9th grades
simultaneously; there were no significant differences between the efficiency of
municipal and state schools; and there were no differences between large and small
schools. Analyzing the municipalities, Mossoró excelled in both years with the highest
proportion of efficient schools. Finally, the study suggests that using the projections
provided by the DEA method, the most inefficient schools would be able to achieve the
goal IDEB in 2011, in other words, it is possible to improve the education of significant
state taking the efficient schools as a basis for too much.
Key words: Education. School efficiency. Non discretionary DEA. Socioeconomic

index
LISTA DE ILUSTRAÇÕES
Figura 1- Diferença entre as fronteiras de retorno constante de escala (CRS) e retorno

variável de escala (VRS) ........................................................................................... 32
Figura 2 - Efeito do insumo não controlável no produto ........................................... 34
Figura 3 – Métodos de análise de Itens .................................................................... 37
Figura 4 - Curva de resposta ao item para internet e sala de diretoria na construção
do índice de infraestrutura escolar ............................................................................ 39
Figura 5 - Exemplo da curva de característica do item do modelo de resposta
graduada com 4 categorias ....................................................................................... 41
Quadro 1 - Modelos da análise de sensibilidade ........ Error! Bookmark not defined.
Figura 6 - Insumos e produtos do modelo 4 ............................................................. 45
Figura 7 – Dispersão da eficiência pelo tamanho da escola para o 5°ano de 2011 . 56
Figura 8 - Dispersão da eficiência pelo tamanho da escola para o 9°ano de 2011 .. 57
LISTA DE TABELAS
Tabela 1 - Quantidade de alunos participantes e desempenho do Brasil no PISA entre
2000 e 2012 .............................................................................................................. 19
Tabela 2 - Desempenho educacional dos países sul-americanos (2013)................. 20
Tabela 3 - Proficiência em português (escala SAEB) ............................................... 22
Tabela 4 - Proficiência em matemática (escala SAEB) ............................................. 22
Tabela 5 - Porcentagem de estudantes com conhecimento no nível proficiente ou
avançado ................................................................................................................... 22
Tabela 6 - Variáveis construídas e origem dos dados .............................................. 42
Tabela 7 - Escolas participantes do Censo Escolar e Prova Brasil para o Brasil e Rio
Grande do Norte no período de 2007, 2009 e 2011 .................................................. 43
Tabela 8 - Amostra de escolas do RN, por série ...................................................... 44
Tabela 9 - Variáveis utilizadas para a construção do índice de infraestrutura escolar
com sua respectiva dificuldade e discriminação para as escolas do 5° ano de 2011 46
Tabela 10 - Variáveis que compõe o índice socioeconômico ................................... 47
Tabela 11 - Estatística descritiva das escolas do 5º ano para o período de 2011 .... 47
Tabela 12 - Estatística descritiva das escolas do 9º ano para o período de 2011 .... 48
Tabela 13 - Estatísticas do resultado do DEA para os modelos 1, 2, 3 e 4 para as
escolas do 5° ano de 2011 ........................................................................................ 50
escolas do 9° ano de 2011 ........................................................................................ 52
Tabela 15 - Diferença na eficiência entre as escolas municipais e estaduais .......... 53
Tabela 16 - Escolas eficientes no 5° e 9° ano .......................................................... 54
Tabela 17 - Escolas eficientes por modelo ............................................................... 55
Tabela 18 - Estatística descritiva entre as escolas eficientes e a amostra total para a
variável alunos por escola ......................................................................................... 56
Tabela 19 - Eficiência escolar por intervalo do índice socioeconômico .................... 58
Tabela 20 - Eficiência das escolas do 5° ano para os 10 municípios com maior
participação na amostra ............................................................................................ 58
participação na amostra ............................................................................................ 59
Tabela 22 - Projeção do IDEB para as 5 escolas com menor eficiência do 5° ano .. 61
Tabela 23 - Projeção do IDEB para as 5 escolas com menor eficiência do 9° ano .. 61
LISTA DE ABREVIATURAS E SIGLAS
1PL – Modelo logístico de 1 parâmetro

2PL – Modelo logístico de 2 parâmetros
ANA - Avaliação Nacional da Alfabetização
ANEB - Avaliação Nacional da Educação Básica
ANRESC - Avaliação Nacional do Rendimento Escolar (Prova Brasil)
CCI - Curva de Característica do Item.
CRS/CCR – Retorno Constante de Escala
DEA – Data Envelopment Analysis – Análise envoltória de Dados
GRM - Graded Response Model - Modelo de Resposta Graduada
IDEB – Índice de Desenvolvimento da Educação Básica
IDH – Índice de Desenvolvimento Humano
INEP - Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira
LDB – Lei de Diretrizes e Bases da Educação Nacional - Lei nº 9.394/96
MEC – Ministério da Educação
NCN - Non-controllable variable model
NDSC - Non-discretionary variable model
OCDE – Organização para Cooperação e Desenvolvimento Econômico -
PIB – Produto Interno Bruto
PISA - Programme for International Student Assessment - Programa Internacional de
Avaliação de Estudantes
PNE – Plano Nacional de Educação
SAEB - Sistema de Avaliação da Educação Básica
TIMSS - Trends in International Mathematics and Science Study - Tendências em
Estudos Internacionais de Matemática e Ciência
TRI – Teoria de Resposta ao Item
VRS/BCC – Retorno Variável de Escala
SUMÁRIO
1 INTRODUÇÃO ................................................................................................... 11
2 REVISÃO DA LITERATURA.............................................................................. 17
2.1 Educação no Brasil ...................................................................................... 17
2.2 Análise de eficiência da educação ............................................................... 23
2.3 Análise envoltória de dados (DEA) .............................................................. 30
2.4 Teoria de Resposta ao Item (TRI) ................................................................ 36
3 METODOLOGIA ................................................................................................. 42
3.1 Amostra ........................................................................................................ 42
3.2 Modelos DEA ............................................................................................... 44
3.3 Índice de infraestrutura................................................................................. 45
3.4 Índice socioeconômico ................................................................................. 46
4 RESULTADOS ................................................................................................... 50
4.1 Diferença na eficiência das escolas estaduais e municipais ........................ 52
4.2 Escolas eficientes no quinto e nono ano ...................................................... 53
4.3 Eficiência e tamanho da escola .................................................................... 56
4.4 Eficiência e o índice socioeconômico ........................................................... 57
4.5 Eficiência por município ............................................................................... 58
4.6 Análise das escolas ineficientes ................................................................... 60
5 CONSIDERAÇÕES FINAIS ............................................................................... 63
6 REFERÊNCIAS .................................................................................................. 65
7 APÊNDICE A - As 84 escolas eficientes do 5° ano – Modelo 4, 2011 ........... 69
8 APÊNDICE B - As 47 escolas eficientes do 9° ano – Modelo 4, 2011 ........... 71

11
1 INTRODUÇÃO
A educação no Brasil alcançou a quase universalização do ensino fundamental

nos últimos anos: à partir de 2007 mais de 90% das crianças entre 6 e 14 anos
frequentavam a escola, chegando a 98,2% em 2011 (IBGE/PNAD). Porém, o
atendimento escolar quase universal convive com uma grave defasagem idade-série,
com os estudantes estando, em média, pelo menos dois anos atrasados em relação
à série correta para a sua idade. Em 2013, as taxas de alunos com defasagem nos
anos iniciais e finais do ensino fundamental nas escolas públicas brasileiras foram de
28% e de 26%, respectivamente (INEP, 2014).
Talvez um dos maiores avanços no setor educacional brasileiro, nas últimas
décadas, foi uma preocupação em medir e divulgar os desempenhos de escolas em
testes internacionais e nacionais além de informações das mesmas, através dos
Censos escolares. No final da década de 80 e começo da década de 90, decorrentes
do processo de redemocratização, foram criadas políticas públicas educacionais e
mecanismos de avaliação e monitoramento da qualidade da educação em nível
nacional. Em 1990 foi criado o Sistema Nacional de Avaliação da Educação Básica
(SAEB), com o objetivo de avaliar e contribuir para a melhoria da qualidade e
universalização do acesso à escola, culminando com a criação da Avaliação Nacional
do Rendimento Escolar (Anresc) conhecida como Prova Brasil, em 2005. Estas
políticas incluíram a disponibilidade de amplas bases de dados sobre o desempenho
e características dos sistemas educacionais, possibilitando o desenvolvimento de
estudos com o propósito de investigar o que gera impacto sobre o desempenho do
aluno bem como o que possibilita a eficiência do sistema de ensino.
Internacionalmente, o Brasil também passou a participar de avaliações como o
Programa Internacional de Avaliação de Estudantes1 (PISA), criado e realizado pela
Organização para Cooperação e Desenvolvimento Econômico (OCDE). Os resultados
do país nas últimas três avaliações foram: pontuações médias de 393, em Leitura, de
370, em Matemática, e de 390, em Ciências, em 2006; de 412, em línguas, 396, em
matemática, e 405, em ciências, no ano de 2009; e, na edição de 2012, 410, em
1 Programa Internacional de Avaliação de Estudantes é uma avaliação comparada, aplicada a

estudantes na faixa dos 15 anos. A responsável pela prova é a Organização para Cooperação e
Desenvolvimento Econômico (OCDE). As avaliações do Pisa acontecem a cada três anos, começando
em 2003, e possui conteúdo de Leitura, Matemática e Ciências.
12
línguas, 391, em matemática, e 405 em ciências2. Apesar da pequena melhora nas

notas, relativamente, o Brasil ocupa a 57º posição dentre 65 países, ficando atrás de
outros países de nível socioeconômico semelhante e até mesmo inferior, como por
exemplo: Trinidade e Tobago, Uruguai, Chile e México (OCDE-INEP).
Duas respostas geralmente são proferidas para se melhorar o desempenho
educacional: (1) um aumento do volume de recursos ou (2) pelo aumento da eficiência
no uso desses recursos (GLEWWE et al., 2011). Hanushek (2006) contesta a primeira
resposta, apesar de esta ser usualmente a preferida pelos agentes públicos,
mostrando que não há evidências empíricas na literatura, para essa conclusão.
O gasto do Brasil em educação é um pouco superior ao gasto médio de países
da OCDE, em termos de percentual do Produto Interno Bruto - 6,1% contra 5,6% para
o ano de 20113. Apesar disto, o investimento anual por aluno é cerca de um terço do
investido pelos países da OCDE, pelo fato de que o PIB do Brasil é inferior ao deste
grupo. Contudo, alguns países com investimentos e PIB per capita semelhantes ao
brasileiro, como México e Chile, e localizados na mesma região, conseguem um
desempenho no PISA bem superior (OECD, 2014).
Para fundamentar a segunda resposta, observam-se os recursos monetários
sendo transformados em insumos educacionais e estes insumos em aprendizado. A
ineficiência, em alguma dessas duas etapas, na aplicação dos recursos pode ser uma
das explicações pelos fracos resultados obtidos por um país e/ou pela
heterogeneidade dos resultados existentes dentro de um mesmo país. Alguns autores
apontam que há evidências de que o desempenho educacional, de forma geral, está
mais relacionado à ineficiência da aplicação e gestão dos recursos financeiros do que
à escassez dos mesmos (HANUSHEK, 1986; BARROS et al., 2001; FILHO e
AMARAL, 2009).
Focando-se na segunda etapa do processo, ou seja, na eficiência técnica a
partir de insumos educacionais, constata-se que há enorme heterogeneidade entre
escolas de um país e até mesmo dentro de um Estado ou Município. A análise de
eficiência entre escolas de um mesmo Estado brasileiro elimina algumas
heterogeneidades culturais maiores (existentes entre países, regiões de um país e,
2 A prova é construída de forma que a média dos países integrantes da OCDE seja 500 e com um
desvio-padrão igual a 100. O primeiro lugar em 2012 foi Xangai com uma pontuação média nas 3
disciplinas de 588 pontos, o Brasil ficou 402 pontos, ou seja, 186 pontos atrás e aproximadamente 1
desvio padrão abaixo da média.
3 Education at glance, 2014, p.257 Fonte: http://www.oecd.org/edu/Education-at-a-Glance-2014.pdf
13
algumas vezes, entre estados), e se concentra em unidades subordinadas a uma

legislação federal e estadual comuns, e a um padrão de gestão Estadual semelhante,
dentro da mesma secretaria de educação. Apesar disso, além das idiossincrasias de
cada escola e de seus alunos, ainda existe uma diferença de gestão, dentro do estado,
uma vez que as escolas de Ensino Básico podem pertencer às esferas municipal e
estadual.
Uma análise que considere diretamente algumas destas variáveis não
controláveis pela escola, sobretudo as condições socioeconômicas de seus alunos,
pode servir para identificação das escolas com melhores práticas gerenciais dos
insumos escolares, descontando as dificuldades exógenas que influenciam o
resultado. Com ela é possível criar uma lista de escolas semelhantes para cada escola
ineficiente e cuja prática pode ser assimilada. É possível também ranquear as escolas
de acordo com sua própria competência, ponderando pelo ambiente inserido, assim
fazendo uma análise mais justa do que a comparação direta de um indicador ou
resultado bruto.
Nesta visão, o processo educacional é visto como composto de múltiplos
insumos e produtos. Um recorte usualmente utilizado é o foco em um dos produtos
educacionais, o processo de aprendizagem de novos conhecimentos pelos alunos,
visto que esse pode ser argumentado como o objetivo principal das escolas e de todo
o processo educativo (ACKOFF; GREENBERG, 2008).
Em geral, o conhecimento dos alunos é mensurado através de provas
padronizadas4. Muitas das medições de performance educacional se limitam apenas
a comparação do resultado da prova. Apesar disto indicar, de forma grosseira, quais
escolas/municípios/estados/países possuem notas melhores que outros, não informa
o que é responsável por esse resultado e quem está sendo eficiente entre as unidades
comparadas.
A eficiência pode ser definida como a razão dos produtos sobre os insumos
(COOPER; SEIFORD; TONE, 2007). Se houvesse somente um insumo e um produto,
a razão direta entre eles poderia mensurar a eficiência educacional. Entretanto, este
4Exemplos de provas padronizadas internacionais são o PISA (Programme for International Student
Assessment) e o TIMSS (Trends in International Mathematics and Science Study)
No âmbito nacional as provas mais abrangentes são o ENEM (Exame Nacional do Ensino Médio) e a
ANRESC (Avaliação Nacional do Rendimento Escolar – Prova Brasil)
As provas são consideradas padronizadas por serem projetadas de modo que as questões, a aplicação,
procedimentos de pontuação e as interpretações dos resultados são consistentes, possibilitando uma
comparação entre provas longitudinalmente no tempo e transversalmente entre todos os respondentes.
14
não é o caso, e, portanto, se faz necessário um método para condensar as variáveis

em um único indicador de eficiência. Existem vários métodos para este fim, tais como:
índices de produtividade com um insumo e um produto; regressão por mínimos
quadrados ordinários; fronteira estocástica; e índices de eficiências compostas a partir
de programação linear (JOHNES; JOHNES, 2007), como os obtidos a partir da análise
envoltória de dados.
A Análise Envoltória de Dados (Data Envelopment Analysis – DEA) foi um
método inicialmente desenvolvido por Charnes, Cooper e Rhodes (1978) para este
tipo de problema e realiza a construção de um índice de eficiência relativo para
unidades tomadoras de decisão constituintes de uma amostra, considerando múltiplos
insumos e produtos.
Desse modo, uma escola é considerada eficiente quando o desempenho dos
alunos (produto) é máximo diante do uso mínimo de recursos (insumos). No entanto,
o desempenho dos alunos não é somente influenciado por variáveis sob o controle da
escola e, como exposto na próxima seção, os fatores escolares são responsáveis por
menos da metade da variação deste desempenho. Portanto, se esse fato não for
levado em consideração, uma hipótese é que esta eficiência calculada pode incluir um
‘viés’, alterando o índice de eficiência de cada unidade e/ou o total de unidades
eficientes. Testar essa hipótese é um dos objetivos do trabalho.
O primeiro artigo a utilizar o DEA na educação foi o próprio artigo seminal do
método (CHARNES; COOPER; RHODES, 1978), porém não houve uma aplicação
empírica no mesmo, servindo somente como ilustração para os conceitos do método
e possíveis aplicações. Desde então, o DEA, além de ser aplicado em outras áreas,
continuou sendo usado em diversas aplicações educacionais.
Dentre as aplicações estão algumas que analisam a eficiência escolar a partir
de insumos relacionados ao desempenho estudantil (BESSENT; BESSENT, 1980;
BESSENT et al., 1982; SOTERIOU et al., 1998; RUGGIERO; VITALIANO, 1999;
GROSSKOPF et al., 1999; MIZALA; ROMAGUEIRA, 2000; ALEXANDER;
JAFORULLAH, 2004; GIMÉNEZ; PRIOR; THIEME, 2006; SARRICO; ROSA, 2009;
MOURAD; BADRI, 2012); uma que mede a influência da escola em alunos com
diferentes perfis socioeconômicos (THANASSOULIS, 1996); uma que analisa a
eficiência entre os níveis hierárquicos dos alunos e da escola (PORTELA;
THANASSOULIS, 2001); outras que comparam a eficiência entre escolas públicas e
privadas (BARBETTA; TURATI, 2003; SAMPAIO; GUIMARÃES, 2009); outras que
15
avaliam o efeito das variáveis ambientais/não discricionárias da escola na eficiência

(FRIED et al., 2002; BARBOSA; WILHELM, 2009); mais uma que procura medir o
efeito da educação entre diferentes níveis de ensino (GRAMANI; DUARTE, 2011);
dentre outros.
No Brasil, sobretudo no Nordeste, ainda há carência de estudos com objetivos
semelhantes e escolas de uma mesma região e pertencentes a uma mesma esfera
de poder público (sob as mesmas decisões políticas), por municípios ou estados que
comparem os desempenhos das escolas e usem como referência as escolas
avaliadas positivamente e que sejam mais eficientes, portanto, para programas de
mudanças nas demais.
Para o estado do Rio Grande do Norte, o estudo de Da Silva e Almeida (2012)
utilizou o método DEA, e teve como objetivo relacionar o gasto público dos municípios
com os indicadores de avaliação educacional em 2005. Não foi encontrado estudo
para o Estado do Rio Grande do Norte, que tenha analisado a eficiência das escolas
do Estado relacionando desempenho nos testes da educação fundamental a fatores
educacionais determinantes deste desempenho.
Assim, a diferença do presente estudo, em relação aos citados, é na amostra e
no tipo de análise, considerando variáveis ambientais e objetivando a eficiência das
variáveis intraescolares. A proposta é analisar a eficiência escolar dos insumos
discricionários, ou seja, levando em consideração apenas insumos controláveis pela
escola e/ou rede de ensino e, assim, observar o resultado obtido pelos alunos. A ideia
é fazer uma comparação do desempenho mais equitativa incorporando a parcela do
desempenho estudantil da qual a escola é responsável. Além disso, foram
considerados como variáveis de insumo índices de infraestrutura e socioeconômico
construídos para cada escola da amostra utilizando o método da Teoria de Resposta
ao Item. O índice socioeconômico é importante para o modelo porque as variáveis que
o compõem são de grande influência para a variação do desempenho estudantil. O
índice de infraestrutura, além de representar as variáveis da infraestrutura da escola
que também tem impacto no desempenho dos alunos, é relevante para os gestores
por ser composto de variáveis passíveis de ajustes pelos mesmos.
Portanto, a escolha do Rio Grande do Norte como objeto do estudo é pautada
pelas seguintes justificativas: (a) trata-se de uma unidade federativa com baixo
desempenho acadêmico em relação à média nacional; (b) o Estado é relativamente
pequeno, o que auxilia a homogeneidade dos fatores de dotação, ou seja, culturais e
16
políticos; (c) apesar da gestão das escolas do Ensino Básico estar dividida entre as
esferas municipais e estaduais, mesmo assim há uma interface entre ambas e estão
sob a mesma divisão política; (d) há uma ausência de trabalhos acadêmicos com essa
amostra e com o mesmo objetivo proposto; (e) possibilidade de compartilhar o
resultado da pesquisa com os gestores públicos do sistema educacional; (f) interesse
pessoal do pesquisador.
Dessa forma o objetivo geral do estudo é analisar a eficiência das escolas
públicas do ensino fundamental norte rio-grandense.
Para tanto, procedeu-se a consecução dos seguintes objetivos específicos:
a) Construção de dois índices – um socioeconômico e outro de
infraestrutura, ambos por escola do Estado do RN;
b) Análise da sensibilidade dos resultados à diferentes modelos propostos
do DEA;
c) Associação dos resultados de eficiência dos modelos a algumas
características das escolas, como a propriedade (se estadual ou
municipal), o tamanho e o índice socioeconômico da escola
d) Identificação das escolas que devem servir de referência no Estado do
Rio Grande do Norte para as demais.
Diante do exposto, espera-se que os resultados do trabalho possam ser usados
como um indicativo de possíveis falhas relacionadas à gestão e ofereçam subsídios
aos gestores das escolas nas tomadas de decisões e ao poder público no
direcionamento de políticas para que as escolas ineficientes busquem uma melhor
alocação de seus recursos.
Além desta Introdução, este trabalho contém outras quatro seções. A segunda
seção contém uma revisão da literatura sobre educação, a qual inclui os principais
autores e embasamento teórico e a revisão da literatura empírica sobre mensuração
de eficiência na educação com uso do DEA, além da apresentação dos modelos DEA
e da teoria de resposta ao item. Na terceira seção consta a descrição dos dados
utilizados, dos modelos escolhidos e dos procedimentos metodológicos adotados. A
quarta seção apresenta os resultados obtidos e a discussão relacionada a estes
resultados. Por fim, na quinta seção, há a conclusão e fechamento do trabalho
englobando os principais achados, limitações e possíveis extensões deste estudo.
17
2 REVISÃO DA LITERATURA
2.1 Educação no Brasil
A educação, vista sob a ótica do processo de ensino e aprendizagem, pode ser

compreendida como um processo pelo qual a sociedade transmite o conhecimento,
habilidades e valores acumulados para a próxima geração. Cabe frisar que tais valores
são recebidos pelo indivíduo, transmitidos anteriormente pela sociedade, e ele próprio,
depois de assimilado, se converte em um agente inovador e transformador dos valores
e conhecimento.
A educação pode ser referida como o conhecimento e habilidades adquiridas
pelo indivíduo após completar um programa de ensino. Essa definição pode ser usada
com o mesmo sentido que o Capital Humano (MUELLER, 2007).
O Ensino pode ser caracterizado como a transmissão sistemática do
conhecimento existente, comportamentos, habilidades, valores ou preferências e a
aprendizagem pode ser entendida como a captação e a sintetização dessas
informações. Por isso o processo essencial da educação é o processo de
aprendizagem, e não o ensino, porque é a partir dele é que alcançada um dos seus
objetivos: propiciar ferramentas cognitivas para auto realização dos indivíduos
(ACKOFF; GREENBERG, 2008).
O ensino não pode ser o objetivo da educação, ele está mais para um meio ou
processo o qual influencia o resultado, por isso, é preciso entender que o processo
educativo só é completo quando ocorre o entendimento por parte do receptor, análogo
ao processo de comunicação que utiliza a linguagem, sendo essa também a principal
ferramenta de transmissão no processo educativo. Dessa forma, se o estudante
(receptor) não está aprendendo, por exemplo, o conteúdo programado, o processo
educativo está comprometido de alguma forma e está sendo em algum ponto ineficaz,
devendo-se então sempre ter em vista a aprendizagem ao analisar o resultado.
A educação é importante e justificada não apenas por causa da legislação que
a estabelece e endossa. A Teoria do Capital Humano quantifica e explica a relação
do retorno do tempo e dinheiro investido na educação e o retorno desse investimento,
18
análogo ao investimento em capital físico, isto serve para justificar o investimento em

educação tanto do ponto de vista privado quanto público (JOHNES; JOHNES, 2007,
p. 1). Com o adendo das externalidades sociais positivas resultantes do aumento da
escolaridade.
Dentre as Constituições existentes ao longo da história do nosso país, a atual
foi a que deu mais ênfase a educação, reconhecendo-a como direito fundamental e
universal, de acordo com o artigo 205:
“A educação, direito de todos e dever do Estado e da família,

será promovida e incentivada com a colaboração da
sociedade, visando ao pleno desenvolvimento da pessoa, seu
preparo para o exercício da cidadania e sua qualificação para
o trabalho.” (BRASIL, 1988)
A Constituição obriga, nos termos do artigo 212, dessa forma definindo parte
do financiamento da educação pública, que a União aplicará, anualmente, nunca
menos de dezoito por cento, e os Estados, o Distrito Federal e os Municípios vinte e
cinco por cento, no mínimo, da receita resultante de impostos, compreendida a
proveniente de transferências, na manutenção e desenvolvimento do ensino.
No seu artigo 206, inciso VI, a Carta Magna defende a “‘gestão democrática do
ensino público, na forma da lei”, pela primeira vez, algo inexistente durante o período
da ditadura militar. Além disso, defendeu a profissionalização do setor, com a entrada
exclusiva por concurso público, a liberdade e independência do pensamento e a
autonomia financeira e pedagógica. Sendo assim a divisora de águas entre a
administração escolar e a atual gestão escolar e também sendo a fundação para a
posterior Lei de Diretrizes e Bases da Educação Nacional e o Plano Nacional de
Educação, os quais complementam e ampliam o que é afirmado pela Constituição.
A Lei de Diretrizes e Bases da Educação Nacional (LDB) 9.394/96 em seu artigo
1º diz que “a educação abrange os processos formativos que se desenvolvem na vida
familiar, na convivência humana, no trabalho, nas instituições de ensino e pesquisa,
nos movimentos sociais e organizações da sociedade civil e nas manifestações
culturais”. O 2º artigo estabelece que a educação é dever da família e do Estado,
inspirada nos princípios de liberdade e nos ideais de solidariedade humana, e que tem
por finalidade o pleno desenvolvimento do educando, seu preparo para o exercício da
cidadania e sua qualificação para o trabalho.
19
Apesar da preocupação da legislação, o desempenho do Brasil no cenário

internacional é inferior ao de países sul-americanos semelhantes. Menos da metade
dos alunos brasileiros que realizaram o PISA tem capacidade de interpretar situações
que exigem apenas deduções diretas de informações existentes no texto, ademais
não são capazes de entender frações, percentuais ou gráficos. A Tabela 1 apresenta
o desempenho médio do Brasil no PISA, assim como o número de alunos que
realizaram o teste, em todas suas edições.
Tabela 1 - Quantidade de alunos participantes e desempenho do Brasil no PISA

entre 2000 e 2012
Pisa Pisa Pisa
2000 Pisa 2003 2006 Pisa 2009 2012
Número de alunos
4.893 4.452 9.295 20.127 18.589
participantes
Notas médias nas disciplinas

Leitura 396 403 393 412 410
Matemática 334 356 370 386 391
Ciências 375 390 390 405 405
Fonte: Adaptado do INEP/OCDE
A Tabela 2 mostra que o Brasil possui uma escolaridade média de 7,2 anos,
empatando em último lugar com Suriname. O país fica em penúltimo lugar no quesito
de adultos alfabetizados e satisfação com a qualidade de ensino, com 90,3% e 53,7%,
respectivamente. Percentual de 49,5% da população possui ensino médio ou superior,
sendo este valor próximo à média dos outros países, porém aquém de Chile e
Equador, ambos com mais de 70% da população nesta categoria. A evasão escolar
no ensino fundamental é a mais alta da América do Sul e a terceira maior entre os 100
países com maiores Índice de Desenvolvimento Humano (IDH).
O desempenho médio do Brasil, no PISA, na média das disciplinas, fica em
terceiro lugar, atrás do Chile e Uruguai. Considerando todos os países participantes
do PISA 2012, um total de 65, o Brasil está na posição 57.
Portanto, aparentemente, os resultados educacionais brasileiros são,
relativamente, inferiores a outros países semelhantes da mesma região.
20
Tabela 2 - Desempenho educacional dos países sul-americanos (2013)
Adultos População Satisfação Evasão

Países sul- Média de alfabetizados com ensino com a escolar no
anos de Matemática¹ Leitura¹ Ciências¹
americanos escolaridade acima de 15 médio ou qualidade ensino
anos mais de ensino fundamental
BRASIL 7,2 90,30% 49,50% 53,70% 24,30% 391 410 405

Argentina 9,3 97,80% 56,00% 62,60% 6,20% 388 396 406
Bolívia 9,2 91,20% 44,50% 57,90% 5,90% - - -
Chile 9,7 98,60% 74,00% 44,00% 2,60% 423 441 445
Colômbia 7,3 93,40% 43,10% 71,70% 1,50% 376 403 399
Equador 7,6 91,90% 36,60% 74,50% 19,40% - - -
Guiana 8,5 - 55,60% - 16,50% - - -
Paraguai 7,7 93,90% 36,90% 66,90% 21,90% - - -
Peru 8,7 89,60% 52,90% 49,10% - 368 384 373
Suriname 7,2 94,70% 43,70% - 9,70% - - -
Uruguai 8,5 98,10% 49,80% 55,80% 4,80% 409 411 416
Venezuela 7,6 95,50% 52,40% 81,20% 7,90% - - -
Fonte: PNUD/ONU 2013

Legenda: Dados do PISA 2012¹
Em âmbito nacional, as principais fontes de informações educacionais do

ensino básico são os Censos Escolares e a Prova Brasil. A partir destes é construído
o Índice de Desenvolvimento da Educação Básica (IDEB), um dos indicadores mais
utilizados nacionalmente para medir e comparar os resultados educacionais entre as
unidades federativas, sistemas de ensino e escolas.
O Censo Escolar é um levantamento de dados estatístico-educacionais de
âmbito nacional realizado todos os anos. O Censo Escolar coleta dados sobre
estabelecimentos, matrículas, funções docentes, movimento (abandono) e
rendimento escolar (aprovação e reprovação). Essas informações são utilizadas para
traçar um panorama nacional da educação e auxiliar a formação de políticas públicas
(INEP, 2014).
A Prova Brasil é uma avaliação padronizada envolvendo os alunos da 4ª
série/5ºano e 8ªsérie/9ºano do Ensino Fundamental das escolas públicas das redes
municipais, estaduais e federal, com o objetivo de avaliar a qualidade do ensino
21
ministrado nas escolas públicas. A avaliação é censitária e inclui todos os estudantes

das séries/anos avaliados, de todas as escolas públicas urbanas e rurais do Brasil
com mais de 20 alunos matriculados na série/ano devem fazer a prova, sendo os
resultados disponibilizados em forma de médias de desempenho para cada escola
participante, para cada um dos municípios, unidades da federação, regiões e Brasil.
A prova é realizada a cada 2 anos, sendo efetivada desde de 2007 (INEP, 2014).
As disciplinas avaliadas na Prova Brasil são Língua Portuguesa, com ênfase
em leitura, e Matemática, com foco na resolução de problemas. Na edição de 20135
foi incluída a disciplina de Ciências para os alunos da 8ªsérie/9ºano, convergindo para
as mesmas disciplinas do PISA.
A Prova Brasil utiliza o método da Teoria de Resposta ao Item (TRI) para a
construção do teste e análise de resultados, possibilitando a comparação entre os
resultados das avaliações ao longo do tempo. As tabelas 3 e 4 apresentam a escala
do Sistema de Avaliação da Educação Básica (SAEB), em português e matemática.
O uso da escala SAEB permite a comparação entre escolas e entre as edições
da prova, pois todas as escolas e todas as edições da Prova Brasil utilizaram a mesma
escala. De acordo com o número de pontos obtidos na Prova Brasil, os alunos são
distribuídos em 4 níveis em uma escala de proficiência: Insuficiente, Básico,
Proficiente e Avançado. As Tabelas 3 e 4 descrevem os limites das categorias para
o 5º e 9º ano para português e matemática, havendo uma pequena diferença entre as
duas categorias, visto que os valores podem ser comparados. Portanto, se um aluno
do 9° ano tiver uma proeficiência de 225 em português (este valor está no nível básico
para o 9° ano e proficiente para o 5° ano), as suas habilidades e conhecimentos
aprendidos nesta disciplina estariam próximos ao conteúdo do 5° ano, sendo assim
possível ter uma noção da defasagem educacional do aluno.
5 Houve algumas modificações na edição de 2013 em relação às edições anteriores. Dentre elas está
a construção do nível socioeconômico para as escolas classificando-as em 7 grupos e do índice de
formação dos professores, que corresponde ao percentual de professores com formação superior
adequada à sua posição. Ambas as variáveis foram construídas neste trabalho para os anos de 2007,
2009 e 2011.
22
Tabela 3 - Proficiência em português (escala SAEB)6
Português 5º ano 9º ano

Insuficiente 125-150 125-200
Básico 150-200 200-275
Proficiente 200-250 275-325
Avançado 250-325 325-350
Fonte: INEP
Tabela 4 - Proficiência em matemática (escala SAEB)

Matemática 5º ano 9º ano
Abaixo do básico 125-175 125-225
Básico 175-225 225-300
Proficiente 225-275 300-350
Avançado 275-375 350-425
Fonte: INEP
A partir dessa escala é possível calcular o número de alunos que estão com o
conhecimento adequado ou não para cada disciplina e ano escolar. A Tabela 5
apresenta a porcentagem de alunos do Brasil e do Rio Grande do Norte com o
conhecimento adequado ou superior de acordo com a escala SAEB.
Tabela 5 - Porcentagem de estudantes com conhecimento no nível proficiente ou

avançado
Rio Grande do
Prova Brasil Brasil
Norte
2011
5º ano 9º ano 5º ano 9º ano
Português 37% 22% 20% 13%
Matemática 33% 12% 14% 6%

Fonte: QEdu/INEP
6No nível insuficiente os alunos não têm domínio dos conteúdos da série em que estão; no nível básico
os estudantes têm apenas domínio mínimo dos conteúdos; no adequado os alunos têm domínio pleno
dos conteúdos da sua respectiva série; por fim no nível avançado os estudantes têm domínio superior
ao exigido para a série que cursam. Para maiores detalhes o INEP disponibiliza os conteúdos
específicos apreendidos em cada categoria. Fonte: http://portal.inep.gov.br/web/saeb/escalas-da-
prova-brasil-e-saeb
23
O Índice de Desenvolvimento da Educação Básica (IDEB) é calculado a partir

do resultado da Prova Brasil e do índice de aprovação do Censo Escolar. O objetivo
do IDEB é identificar as escolas com baixa performance e monitorar sua a evolução
temporal. A fórmula do IDEB7 está descrita na equação: 𝐼𝐷𝐸𝐵𝑖𝑗 = 𝑁𝑖𝑗 𝑥𝑃𝑖𝑗 , onde 𝑁 é
o resultado da Prova Brasil normalizada para valores entre 0 e 10, é a 𝑃 porcentagem
da taxa de aprovação e ij é a escola e o ano da prova, respectivamente. Um IDEB de
6 é equivalente à média dos países da OCDE para o respectivo ano do PISA. A média
do Brasil para o 9°, em 2011, foi 3,9 e para o Rio Grande do Norte foi de 3,0.
Observando os dados apresentados é notória a conclusão de que a qualidade
do ensino nacional está a desejar, assim como no o Rio Grande do Norte,
apresentando uma qualidade inferior à desejável.
Para melhorá-los é necessário entender como acontece o processo
educacional a fim de poder aprimorar sua eficiência, porque o objetivo de qualquer
sistema educacional é melhorar o desempenho de todas as unidades,
independentemente das características da população atendida.
2.2 Análise de eficiência da educação
O processo educacional é o contexto maior que compreende todo o processo

de escolarização, nesse caso formal, incluindo o processo de aprendizagem. O
processo de aprendizagem ocorre dentro de uma organização (escola), portanto para
existir tanto a organização quanto o processo são necessários recursos para haver
seu funcionamento. A função de produção relaciona esses recursos necessários e o
resultado do processo/organização.
Entretanto, a função de produção educacional têm algumas diferenças quando
comparada a outros tipos de função de produção principalmente em sua estrutura e
caráter. Além disso, seu processo produtivo é bastante distinto. Os autores a seguir
discorrem sobre essas particularidades.
Pérez e Torrubia (2003) destacam algumas características inerentes ao setor de
produção educacional: (i) a natureza múltipla e intangível do produto – os produtos
educacionais podem ser classificados como: conhecimento e habilidades, valores,
7Fonte::http://download.inep.gov.br/educacao_basica/portal_ideb/o_que_e_o_ideb/Nota_Tecnica_n1_
concepcaoIDEB.pdf
24
atitudes, entre outras características; (ii) a participação do cliente no processo

produtivo – o cliente (aluno) não é meramente um demandante da mercadoria, mas
atua de forma ativa no processo produtivo, ou seja, é ao mesmo tempo ‘insumo’ e
‘produto’; (iii) a heterogeneidade dos serviços – devido à participação do estudante no
processo produtivo, as unidades produtivas se diferenciam umas das outras; (iv) a
dimensão temporal – os resultados obtidos do processo produtivo podem não ser
suficientes para uma mensuração completa da produção do setor educativo, visto que
é necessário observar uma trajetória completa da vida dos estudantes; (v) o caráter
acumulativo do ensino; (vi) a incidência de fatores exógenos – essa característica tem
como embasamento a denominada educação informal, que não é obtida pelos anos
de estudos, mas, sim, por experiências fora do setor educacional.
A primeira análise na educação que separou o efeito-escola dos fatores
exógenos foi o controverso e popular estudo de James Coleman e colaboradores,
chamado Equality of educational opportunity (1966), sendo mais conhecido como
Coleman Report. A pesquisa foi financiada pela Secretaria de Educação dos Estados
Unidos decorrente da implantação do Ato Civil de 1964, do qual um dos objetivos era
acabar com a segregação racial em locais e órgãos públicos, incluindo assim as
escolas públicas. A pesquisa utilizou dados de mais de 650.000 alunos e professores
de todo o país e os pesquisadores descobriram que o desempenho acadêmico foi
menos relacionado com a qualidade da escola do estudante e mais relacionado com
a composição social da escola, as habilidades verbais de professores e os
antecedentes familiares do aluno. O relatório foi comumente apresentado como prova,
ou como um argumento, de que o financiamento da escola tem pouco efeito sobre o
desempenho do aluno. Após uma leitura mais aprofundada do "Coleman Report",
verificou-se que o background estudantil e nível socioeconômico são muito
importantes na determinação dos resultados educacionais de um estudante. Além
disso, as diferenças na qualidade das escolas e professores têm um impacto de
pequena escala, mas significativo nos resultados dos alunos. Dos quais são mais
acessíveis à gestão pública e possivelmente com um retorno mais imediato do que as
variáveis extraescolares.
Coleman (1966) agrupa os fatores responsáveis pelo aprendizado estudantil.
Como visto na equação 1, em que: 𝑦𝑖 , é o aprendizado estudantil aluno 𝑖; 𝑥𝑖 são os
insumos educacionais sob o controle da escola (fator intraescolar); 𝑧𝑖 são as
características individuais do e das famílias dos alunos na escola (fator extraescolar)
25
e 𝑑𝑖 é um conjunto de variáveis chamada de ‘dotação’ que estão relacionadas ao

macrocontexto da qual a escola está inserida, como conjuntura política, cultural etc.
𝑦𝑖 = 𝑓 (𝑥𝑖 , 𝑧𝑖 , 𝑑𝑖 ) (1)
Hanushek (1986) estrutura a função de produção de forma muito semelhante à

Coleman (1966) e aponta alguns inputs e outputs que fazem parte do processo
produtivo educacional. O background familiar avaliado no tempo, a influência externa
(pares), os inputs escolares e, por fim, as habilidades inatas dos estudantes compõem
os inputs. Com relação ao output, é destacado o conhecimento adquirido durante o
tempo de estudo. Esse produto é medido por testes padronizados que são construídos
de modo que seu resultado possa ser comparado com alunos de outros locais e com
testes de outros anos. Devido ao aspecto multidimensional do processo educacional,
consideram-se diferentes fatores no processo produtivo, tais como a dimensão
individual; social; temporal; econômica e, finalmente, a cognitiva e a não cognitiva. A
eficiência educacional é alcançar o máximo de produto dada uma quantidade de
insumo ou atingir uma quantidade fixada de produto utilizando o mínimo de recurso.
Há uma parcela do resultado estudantil que não é inteiramente controlada pela
escola. Portanto, há um número de fatores externos à gestão escolar e que exerce
um impacto no desempenho educacional dos alunos. Entre os fatores estão: as
características pessoais dos alunos (habilidade inata, motivação, sexo, etnia, etc.);
efeito do grupo (turma, escola, comunidade); e o nível socioeconômico da família do
aluno (JOHNES; JOHNES, 2007).
O nível socioeconômico é um construto teórico que sintetiza as características
dos indivíduos em relação à sua renda, ocupação e escolaridade, permitindo a criação
de estratos ou classes de indivíduos semelhantes em relação a estas características.
Raudenbush e Willms (1995) alertam que apesar de ser uma variável
importante, o nível socioeconômico não é sempre determinante para o resultado - o
efeito da escola é também importante podendo fazer com que o seu desempenho
obtido seja além do esperado para o seu determinado nível socioeconômico ou o
inverso, ou seja, o desempenho seja inferior ao esperado.
Andrade e Laros (2007) realizaram uma análise multinível nos dados do SAEB
2001 observando os fatores associados ao desempenho escolar dividindo estes em
26
dois níveis de análise: o nível 1 para os alunos e o nível 2 para as escolas. Um ponto
significante no estudo, no nível escolar, foi observar que o processo de seleção dos
alunos é responsável por 76% da variância do desempenho entre as escolas. Um
segundo ponto é que os fatores intraescolares representam 13% da variação do
desempenho escolar. Em outro trabalho, utilizando metodologia semelhante, Jesus e
Laros (2004) encontram um efeito de 6% dos fatores intraescolares.
Neto et al. (2013) desenvolveram um índice de infraestrutura escolar para todas
as escolas do Brasil usando os dados do Censo escolar 2011. Esse índice pode
sintetizar o efeito da infraestrutura escolar que é uma das variáveis dos fatores
intraescolares. O questionário do censo escolar informa apenas a existência ou não
do determinado item na escola, para essa característica dos dados (dicotômicos) e
tipo de questionário (somente preenchimento) o mais apropriado é o modelo logístico
dicotômico de dois parâmetros. Inicialmente os autores empregaram 24 variáveis para
a construção do índice, após um pré-teste foram descartadas duas variáveis por
possuírem um poder de discriminação (a) abaixo de 0,5.
Por razões sociais, econômicas, geográficas entre outras, a distribuição dos
alunos pelas escolas não é aleatória. A preferência dos pais possui um papel
importante e estas preferências estão pautadas pela proximidade da escola, violência
da região, atividades educacionais oferecidas e o desempenho da escola medida por
índices, como o IDEB, aprovação e reprovação (BARBOSA; FERNANDES, 2013).
Dessa forma, o nível de escolaridade dos pais, sobretudo da mãe, possui uma
das relações mais robustas e significantes com o aprendizado dos filhos em todos os
trabalhos pesquisados. Menezes-Filho (2007) encontra impacto significativo de ter
uma mãe com ensino superior. Além de haver um efeito de espalhamento (spill over)
dessa variável, pois o aumento da média da escolaridade das mães tem um impacto
maior do que o aumento da escolaridade da própria mãe do aluno. Portanto, a
localização geográfica e a seleção da escola pelos pais dos alunos são elementos
fundamentais que influenciam o desempenho das escolas públicas, entretanto as
mesmas não possuem domínio sobre esta etapa.
A performance escolar pode mensurada a partir de indicadores que utilizam os
fatores acima descritos. Esses indicadores, em geral, tem a forma de proporções que
representam a eficiência na produção de produtos ou na redução de insumos,
descrevendo o quão bom as organizações estão no critério escolhido. É preciso haver
cautela na utilização desses indicadores, sobretudo se há adequação entre os
27
insumos e produtos utilizados por todas as unidades que se deseja comparar e o

recorte desejado na eficiência, visto que na educação há vários produtos distintos. Há
vários métodos distintos para realizar a mensuração da eficiência, alguns deles são
regressão múltipla, fronteira estocástica e a análise envoltória de dados (Data
Envelopment Analysis – DEA). A análise envoltória de dados tem uma forte relação
com a educação desde o seu surgimento, por isso há uma extensa literatura empírica
e modelos desenvolvidos com o objetivo de se adequarem melhor ao processo
específico da educação (JOHNES; JOHNES, 2007). A seguir haverá uma breve
descrição do processo básico de implementação do DEA e posteriormente uma
discussão de artigos da literatura internacional e nacional.
Golany e Roll (1989) apresentam uma implementação da metodologia DEA que
formaliza o procedimento usado intuitivamente pela maioria dos artigos. Os autores
estabelecem três principais fases. A primeira visa à determinação do conjunto de
unidades tomadoras de decisão (Decision Making Units- DMU) homogêneas a serem
avaliadas, ou seja, define e seleciona DMUs a entrarem na análise. Lembrando que
uma vez definidas as DMUs, estas devem ser no mínimo o dobro do número de
variáveis utilizadas no modelo. A segunda fase seleciona as variáveis (input e output),
considerando a princípio uma grande lista de possíveis variáveis a entrar no modelo.
Estas variáveis podem ser controláveis ou não, quantitativas ou qualitativas. Vale a
pena ressaltar que a introdução de um grande número de variáveis reduz a
capacidade do DEA de distinguir as DMUs eficientes das ineficientes e, portanto, o
modelo deve ser o mais compacto possível para maximizar seu poder discriminatório.
A terceira fase consiste na aplicação do(s) modelo(s) DEA escolhidos.
No âmbito internacional existe uma extensa análise de eficiência da educação
com aplicação do DEA em nível escolar: Soteriou et al. (1998) observam que não há
diferença na eficiência das escolas rurais e urbanas no Chipre; Alexander e Jaforullah
(2004) realizam uma análise em dois estágios – DEA e regressão – para descobrir
quais categorias de variáveis impactam mais na eficiência - o resultado indicou as
características socioeconômicas, tamanho da escola e experiência do professor;
Banker; Janakiraman e Natarajan (2004) estudam a mudança da eficiência técnica e
alocativa das escolas do Texas no período entre 1993 e 1999, concluindo que as
eficiências alocativas continuam praticamente as mesmas, porém havendo um
incremento da eficiência técnica no período.
28
Portela e Thanassoulis (2001) destacam que a escolha das variáveis e,

portanto, os níveis de análise da eficiência escolar podem ser divididos em três
categorias: aluno, escola e distrito escolar (no caso brasileiro, a rede de ensino).
Segundo os autores, os insumos são usualmente divididos em três grupos:
características socioeconômicas do aluno, como a renda familiar e escolaridade dos
pais; características da escola, como o número de professores e outros profissionais,
gasto por aluno, tamanho da escola e tamanho da classe; e característica do
professor, como a experiência, o salário e o nível educacional.
Hu, Zhang e Liang (2009) analisam 58 escolas primárias de Pequim
encontrando uma eficiência média de 95% e discrepâncias nas escolas do centro e
do subúrbio; Sarrico e Rosa (2009) têm como objeto as escolas portuguesas do ensino
médio sugerindo os resultados do DEA como base para práticas gerenciais; Portela,
Camanho e Borges (2012) também estudam 419 escolas portuguesas nos anos de
2008 e 2009 do ensino secundário. O diferencial do artigo é que eles desenvolvem
um modelo que restringe os pesos dos produtos de acordo com a quantidade de
alunos que realizaram a prova por escola, os resultados indicam que as escolas
particulares conseguem manter uma estabilidade na eficiência maior ao longo dos
anos do que as escolas públicas.
Na Literatura nacional, destacam-se os trabalhos de Gasparini e Ramos (2003)
e Gramani (2011) sobre a eficiência educacional por estado brasileiro; Delgado e
Machado (2007) desenvolveram um estudo para as escolas públicas estaduais de
Minas Gerais nos níveis fundamental e médio e Raposo et al (2011) mensura a
fronteira de eficiência das escolas de sete estados do Nordeste.
Delgado e Machado (2007) recorreram ao método de Análise Envoltória de
Dados (DEA) em dois estágios para detectar a fronteira de eficiência das escolas
públicas estaduais de Minas Gerais nos níveis fundamental e médio. Como bases de
dados, eles utilizaram o Sistema Mineiro de Avaliação da Educação Pública (Simave),
o Sistema Informacional de Custo Aluno (Sica), e o Censo Educacional do Ministério
da Educação de 2003. Como insumos: custo-aluno, quantidade de professores com
formação superior, número de salas, indicador de infraestrutura; e como produtos:
proficiência em matemática, português e matrículas por ciclo. Através de uma análise
de regressão, os autores sugerem que insumos, como a infraestrutura escolar, são
importantes para explicar diferenças nas eficiências.
29
Gramani e Duarte (2011) analisaram a eficiência educacional das Unidades

Federativas (UF) do Brasil e investigaram em qual nível da Educação Básica devem
ser alocados os esforços para melhoria da eficiência educacional de cada UF. Para
tanto utilizaram os dados do IDEB e do IGC, para cada estado, para os anos inicias e
finais do ensino fundamental. Como insumos, foram incluídas as três notas no IDEB
(para os anos iniciais do Ensino Fundamental, anos finais do Ensino Fundamental e
Ensino Médio) para representar o desempenho das instituições de Educação Básica
e, como produto, o IGC para denotar a qualidade das instituições do Ensino Superior.
Concluíram que a região Sul é a mais eficiente e o insumo referente aos anos iniciais
do Ensino Fundamental tem o maior potencial de melhoria, ou seja, merecem maior
atenção por parte dos gestores e governantes.
Raposo et al. (2011) utilizaram o método de DEA em três estágios para
mensurar a fronteira de eficiência das escolas de sete estados do Nordeste. Esse
método perimitiu a comparação da eficiência das escolas, após controle das
características dos alunos e da turma. Entre os estados que participaram do estudo,
o Piauí apresentou o maior índice de eficiência, enquanto Rio Grande do Norte
obtevea última posição da classificação. Este fato pode indicar que, numa
comparação interna das escolas do Rio Grande do Norte, mesmo as eficientes podem
ser melhoradas quando comparada com escolas de outros estados.
A literatura do DEA para educação é bastante diversificada e utilizada para
diversos objetivos. Uma das áreas de interesse é exatamente a mensuração da
eficiência escolar com base nas variáveis discricionárias da escola. Entretanto não há
um consenso de como modelar esse problema. Alguns (HU; ZHANG; LIANG, 2009;
SARRICO; ROSA, 2009) utilizam os modelos básicos do DEA (CCR ou BCC) sem se
preocupar com as variáveis não discricionárias, como as características
socioeconômicas; outros autores utilizam modelos de DEA que capturam esse efeito
da variável não discricionária como, por exemplo, o método desenvolvido por
Ruggiero (1998); e, por fim, podem ser utilizados modelos em vários estágios que é
uma combinação de DEA com algum método de regressão (geralmente, múltipla ou
logística) para controlar esses efeitos (AFONSO; ST. AUBYN, 2006; PORTELA;
CAMANHO; BORGES, 2012).
Diante do exposto, a próxima subseção discute o modelo DEA, utilizado para
análise de eficiência.
30
2.3 Análise envoltória de dados (DEA)
Há diversos métodos matemáticos que mensuram a eficiência; estes podem

ser estatísticos ou não estatísticos, paramétricos ou não paramétricos, determinísticos
ou estocásticos.
Modelos determinísticos assumem que qualquer desvio observado da fronteira
de produção é devido à ineficiência; não-estatístico significa que não são feitos
pressupostos em relação a distribuição das ineficiências; e não-paramétrico significa
que não é feita hipóteses sobre a forma funcional da fronteira. A abordagem não-
paramétrica e não-estatística evita o problema da má especificação da função de
produção e distribuição das eficiências (JOHNES; JOHNES, 2007, p. 624–625).
A Análise Envoltória de Dados (Data Envelopment Analysis - DEA) é o método
não-paramétrico, não-estatístico e determinístico mais utilizado. Foi desenvolvido por
Charnes, Cooper e Rhodes (1978) tendo como base a programação linear e seu
propósito é estimar uma fronteira possível de produção e então avaliar a eficiência de
cada Unidade Tomadora de Decisão (Decision Making Units - DMUs) em relação à
esta fronteira, a partir de uma medida de produtividade parcial composta por um
conjunto de insumos (inputs) e produtos (outputs). A fronteira construída pelas DMUs
eficientes pode não necessariamente formar uma "fronteira de produção", mas sim
levar a uma "fronteira de melhores práticas”.
Há três formas de uma unidade não eficiente se tornar eficiente: mantendo um
dado nível de produção e reduzindo os insumos utilizados (orientação insumo);
mantendo o nível de insumos, porém aumentando o resultado produtivo (orientação
produto); e alterando simultaneamente os produtos e insumos (não orientado ou
modelo aditivo).
O primeiro modelo desenvolvido do DEA foi o de retorno constante de escala
(Constant Return to Scale – CRS), conhecido como CCR devido ao nome de seus
criadores na seguinte referência: Charnes, Cooper e Rhodes (1978). Este modelo
permite uma análise de eficiência global, assumindo que o retorno de escala é
constante, ou seja, um aumento no insumo resulta em um aumento exatamente nas
mesmas proporções no produto.
Entre as vantagens do DEA destacam-se: permite o uso de múltiplos insumos
e produtos; dispensa a especificação de uma relação funcional (função de produção)
entre os insumos e produtos; atribui os pesos de modo a obter a maior eficiência
31
possível para cada DMU, permitindo que DMUs que são competentes em apenas
alguma relação insumo/produto sejam consideradas eficientes, ou seja, bonifica os
pontos fortes da DMU enquanto não penaliza os pontos fracos; caracteriza a DMU
como eficiente ou ineficiente a partir de uma única medida (score) de fácil
interpretação; possibilita a projeção de valores ótimos para que a DMU alcance a
fronteira de eficiência; constrói uma matriz de DMUs de referência (benchmark) para
as DMUs ineficientes; promove uma comparação relativa entre as DMUs de acordo
com a amostragem, ou seja, a comparação e a projeção da eficiência são baseadas
em resultados reais (COOPER; SEIFORD; TONE, 2007).
A forma linear do modelo de retorno constante de escala (CCR) orientado a
insumo é descrita no problema de maximização abaixo (COOPER; SEIFORD; TONE,
2007, p. 23–24):
𝑀𝑎𝑥 (𝑣, 𝑢) 𝜃 = 𝑢1 𝑦1𝑜 + ⋯ + 𝜇𝑠 𝑦𝑠𝑜 (2)

𝑠. 𝑎. 𝑣1 𝑥1𝑜 + ⋯ + 𝑣𝑚 𝑥𝑚𝑜 = 1
𝜇1 𝑦1𝑗 + ⋯ + 𝜇𝑠 𝑦𝑠𝑗 ≤ 𝑣1 𝑥1𝑗 + ⋯ + 𝑣𝑚 𝑥𝑚𝑗 (𝑗 = 1, … , 𝑛)
𝑣1 , 𝑣2 , … , 𝑣𝑚 ≥ 0
𝜇1 , 𝜇2 , … , 𝜇𝑠 ≥ 0
onde: a DMU o é a DMU analisada e j as demais DMUs;
𝜃 é o escore de eficiência, cujo valor calculado situa-se no intervalo entre 0 e 1;
𝑋𝑚 é a quantidade de insumos, x ∈ ℝ𝑚
+;
𝑌𝑠 é a quantidade de produtos, y ∈ ℝ𝑛+ ;
𝑉𝑚 é o peso dos insumos;
𝑈𝑠 é o peso dos produtos.

O modelo de retorno variável de escala, como visto em (3), adota o pressuposto
da convexidade de sua fronteira de eficiência, com a adição de uma nova restrição ao
problema anterior. Este é um modelo menos rigoroso do que o de retorno constante
por permitir sempre um número igual ou maior de unidades na fronteira de eficiência.
32
𝑘 (3)
𝑀𝑖𝑛 ∑ 𝑣𝑘 𝑥𝑗𝑘
𝑘=1
𝑚
𝑠𝑢𝑗𝑒𝑖𝑡𝑜 𝑎 ∑ 𝑢𝑚 𝑦𝑗𝑚 = 1
𝑚=1
𝑘 𝑚
∑ 𝑣𝑘 𝑥𝑗𝑘 − ∑ 𝑢𝑚 𝑦𝑗𝑚 ≥ 0, 𝑗 = 1, … , 𝑁
𝑘=1 𝑚=1
𝑢𝑚 , 𝑣𝑘 ≥ 0, 𝑚 = 1, … , 𝑀, 𝑘 = 1, … , 𝐾
Figura 1- Diferença entre as fronteiras de retorno constante de escala (CRS) e

retorno variável de escala (VRS)
Fonte: Adaptado de JOHNES; JOHNES, 2007, p. 633
Com base na Figura 1, usando orientação produto, ou seja, mantendo os

insumos fixos e alterando o produto, a distância entre E e E’ é a projeção da DMU E
para a fronteira construída com base no retorno variável de escala e distância E e E’’
é a projeção para a fronteira de retorno constante de escala. A diferença entre E’’ e E’
é entendida como ineficiência de escala.
Em alguns processos produtivos pode existir a utilização de insumos não
discricionários8, ou seja, de insumos que não estão sujeitos ao controle da gestão,
porém influenciam o processo produtivo. São exemplos os fatores geográficos, sociais
e econômicos. O modelo de DEA não controlável diferencia esses dois tipos de inputs.
O multiplicador do peso dos insumos não discricionários pode ser zero, enquanto dos
insumos discricionários deve ser sempre positivo. A interpretação é que quando uma
8 São também conhecidas como variáveis fixadas exogenamente ou variáveis ambientais.

33
produção (𝑦𝑟𝑜 ) é atingida sobre uma restrição maior (quantidade menor de insumos
não discricionários) é merecido um score maior de eficiência, em relação a uma
produção atingida com uma abundancia maior desses recursos (𝑥𝑖𝑜 ). Para o contexto
da educação, o nível socioeconômico dos alunos é considerado um insumo não
discricionário. Em alguns estudos, foram usadas outras variáveis que captam esse
efeito como a quantidade de estudantes de minorias e a quantidade de estudantes
carentes por escola (COOPER; SEIFORD; TONE, 2007, p. 65).
Há dois modelos de DEA para variáveis não controláveis: o modelo DEA não
controlável9 (NCN) e o DEA não discricionário10 (NDSC) - a diferença entre eles é que
o primeiro não faz projeção para a variável não controlável (COOPER; SEIFORD;
TONE, 2007, p. 189).
As restrições do modelo não controlável fazem com que os insumos/produtos
do lado esquerdo da equação (DMU em análise) sejam iguais a combinação não
negativa das variáveis não controláveis do lado direito (conjunto de todas as DMUs).
Isso significa que DMUs devem ser comparadas com as DMUs com o mesmo nível
de variável não controlável. O modelo não discricionário (NDSC) permite que a
combinação entre o insumo não discricionário seja maior igual ou menor igual do que
a combinação não negativa dos insumos não discricionários de todas as DMUs.
A equação 4 é a formulação matemática do DEA não controlável11 com retorno

variável de escala. Os insumos não discricionários entram na função de maximização
e o peso desses insumos pode ser nulo, porém os pesos os insumos discricionários
devem sempre serem positivos.
9 O modelo NCN (non-controllable variable model) no DEA-SOLVER PRO 11.0.

10 O modelo NDSC (non-discretionary variable model) no DEA-SOLVER PRO 11.0.
11 O termo não controlável e não discricionário serão usados como sinônimos neste trabalho, apesar
de se referirem ao modelo não controlável.

34
𝑠
(4)
𝑀𝑎𝑥 𝜃 ∑ 𝑢𝑟 𝑦𝑟𝑜 − ∑ 𝑣𝑖 𝑥𝑖𝑜
𝑟=1 𝑖∈𝑁𝐷
𝑠
𝑆𝑢𝑗𝑒𝑖𝑡𝑜 𝑎 ∑ 𝑢𝑟 𝑦𝑟𝑗 − ∑ 𝑣𝑖 𝑥𝑖𝑗 − ∑ 𝑣𝑖 𝑥𝑖𝑗 ≤ 0, 𝑗 = 1, … , 𝑛

𝑟=1 𝑖∈𝑁𝐷 𝑖∈𝐷
∑ 𝑣𝑖 𝑥𝑖𝑜 = 1
𝑖∈𝐷
𝑣𝑖 ≥ 𝜀, 𝑖 ∈ 𝐷
𝑢𝑖 ≥ 0, 𝑖 ∈ 𝑁𝐷
𝑢𝑟 ≥ 𝜀, 𝑟 = 1, . . . , 𝑠.
Onde:
𝜃 é o score de eficiência
D são os insumos discricionários
ND são os insumos não discricionários
ε peso dos insumos discricionários, sempre positivos (infinitesimal não arquimediano)
j = 1,..., n são todas as DMUs
o = DMU em análise
Na Figura 2, o eixo y representa o produto, enquanto o eixo x, um insumo

discricionário, e o eixo z, um insumo não discricionário. A produção sem insumo
discricionário (0,x) é dada por y, enquanto a produção y(z) é dada quando há utilização
conjunta de insumos discricionários e não discricionários, dada pelo ponto (z,x). Dessa
forma a diferença entre y(z) e y é o incremento (ou decréscimo) na produção devido
a um ‘ambiente’ (z) mais favorável.
As variáveis discricionárias no modelo servem para distinguir DMUs com

quantidades semelhantes de insumos discricionários. O esperado é que as DMUs com
maior nível de variáveis discricionárias possuam um melhor resultado. As variáveis
não discricionárias não estão sujeitas ao processo produtivo ou à gestão da DMU, e
sim ao ambiente na qual ela está situada. Isso pode ocasionar uma má especificação
do modelo e estimação enviesada da eficiência técnica (RUGGIERO, 1994 apud
BENEGAS; SILVA, 2014).
Figura 2 - Efeito do insumo não controlável no produto

35
Fonte: BENEGAS; SILVA, 2014
Uma das principais dificuldades na construção do modelo DEA é a escolha das

variáveis, visto que estas têm que estar de acordo com o modelo teórico, com o recorte
de eficiência desejado pelo analista e a disponibilidade de dados necessários para a
análise. Usualmente não é dado enfoque a essa etapa fundamental, uma vez que
pode haver um grande impacto no resultado da avaliação e pode haver variáveis que
não agregam representatividade na construção do índice de eficiência. Thanassoulis
(1996) atenta para essa questão e comenta que o método de escolha das variáveis
pode influenciar significativamente o resultado. Senra et al. (2007) recomenda que se
deve verificar se não foi omitida nenhuma variável imprescindível e se há relação
teórica entre todos os pares input/output selecionados. Pode ainda ser recomendável
fazer a seleção por mais de um método para comparar resultados e tomar a decisão
com mais embasamento.
Cordero-Ferrera et al. (2008) compararam os diferentes métodos para se tratar
as variáveis não discricionárias no DEA. O estudo conclui que é importante incorporar
essas variáveis no modelo de eficiência, porém não há como dizer metodologicamente
qual é a melhor forma. Isso depende do objetivo do estudo e do formato das
informações disponíveis na amostra.
36
Com o objetivo de utilizar um modelo de DEA mais completo e evitar uma má

especificação do modelo pela omissão de variáveis importantes no processo
produtivo, dada a indisponibilidade de variáveis importantes nas bases de dados de
educação para o Brasil, pode-se recorrer a metodologias de construção de índices a
partir das informações disponíveis. Os índices foram escolhidos com intuito de
sintetizar um conjunto de variáveis dicotômicas e ordinais em uma única só, com o
objetivo de facilitar a interpretação das mesmas no modelo DEA, visto que apesar de
possível construir um modelo com essas variáveis a sua interpretabilidade seria
confusa e o modelo menos parcimonioso. Outra razão é que o índice socioeconômico
é feito no nível do aluno e a análise DEA no nível da escola, não teria como incorporar
os dados de outra forma se não por um índice da média dos alunos, então foi escolhido
um método mais apropriado para essa finalidade. Portanto, neste trabalho, foi utilizada
a metodologia da Teoria de Resposta ao Item (TRI) para construção de dois índices:
um de infraestrutura escolar e um índice socioeconômico escolar. Assim, descreve-se
a seguir a Teoria da Resposta ao Item (TRI).
2.4 Teoria de Resposta ao Item (TRI)
A Teoria de Resposta ao Item está dentro de um grupo de métodos mais

abrangentes chamado de Análise de Itens. O objetivo destes métodos é relacionar a
qualidade de um item (questão) com a medição de uma habilidade ou característica
desejada (ROBINS; FRALEY; KRUEGER, 2009). A Figura 3 exprime a relação da TRI
com os métodos semelhantes.
A Teoria de Resposta ao Item (TRI) é um método utilizado para construção de
variáveis latentes (não observáveis diretamente) responsáveis pela resposta de cada
item, ou seja, nela, a característica latente serve como previsora das respostas
observáveis (AYALA, 2009).
37
Figura 3 – Métodos de análise de Itens
Fonte: (ROBINS; FRALEY; KRUEGER, 2009) – Adaptado pelo autor
Os três principais componentes da TRI são: (1) a função de resposta ao item

que relaciona a variável latente à probabilidade de responder corretamente o item; (2)
a função de informação do item, definida como a probabilidade de acertar a resposta
multiplicada pela probabilidade de errá-la. Essa função representa a habilidade do
item de diferenciar os respondentes, ou seja, indica a precisão e qualidade do item;
(3) e a invariância, que é a posição sobre o traço latente que pode ser estimado por
quaisquer itens com função de resposta ao item conhecido, ou seja, qualquer questão
serve para usar o TRI, portanto a variável latente deve ser fundamentada teoricamente
(ROBINS; FRALEY; KRUEGER, 2009).
A forma usual de medir esta habilidade latente é através da aplicação de um
teste com um determinado número de questões (itens). Cada item mensura uma parte
da habilidade de interesse. O realizador do teste deve definir as respostas ‘certas’ e
‘erradas’ de cada item, as ‘erradas’ são definidas como todas as outras opções além
da ‘correta’. No caso de um teste padronizado escolar a resposta ‘certa’ é a própria
resposta correta de uma questão objetiva. Para o caso do índice de infraestrutura
escolar a resposta ‘correta’ é a existência ou não do item na escola. O resultado
(acerto ou erro) de um item respondido é representado por X = x, onde X = 1
normalmente representa o acerto do item e X = 0 representa o erro (BAKER, 2001).
Na Teoria Clássica dos Testes, o resultado seria a soma das notas de todas as
questões do teste. Na Teoria de Resposta ao Item o interesse principal é saber se a
questão foi corretamente respondida ou não ao invés de seu resultado puro.
38
Uma suposição do modelo é que cada indivíduo possui uma habilidade latente distinta.
Dessa forma, pode ser criada uma escala numérica situando cada respondente. Cada
nível de habilidade latente (θ) terá uma probabilidade P(θ) de acerto do item. Sendo
assim, a probabilidade é pequena para respondentes com baixa habilidade, enquanto
a probabilidade é alta para respondentes com alta habilidade. O gráfico de P(θ) em
função de θ chama-se curva de característica do item e cada item do teste possui uma
curva distinta.
Existem vários modelos de TRI amplamente usados os quais variam no que diz
respeito ao número de parâmetros incluídos que, por sua vez, modificam a forma da
Curva de Característica do Item.
Os parâmetros são incluídos nesta ordem: localização/dificuldade (b);
discriminação (a); adivinhação/guessing (c) e assíntota superior (d) (ROBINS;
FRALEY; KRUEGER, 2009). A seguir há uma breve descrição de cada modelo com
sua respectiva equação para o cálculo da P(θ).
O modelo de um parâmetro (1PL) assume que é a adivinhação faz parte da
habilidade latente e que todos os itens que se ajustam ao modelo têm discriminações
equivalentes, de modo que os itens são descritos apenas pela dificuldade (b):
𝑒 (𝜃−𝑏) (5)
𝑃 (𝑋 = 1|𝜃, 𝑏) = .
1 + 𝑒 (𝜃−𝑏)
O modelo de dois parâmetros (2PL) assume que a resposta do item não têm
adivinhação (guessing - c), mas que os itens podem variar em termos de dificuldade
(b) e discriminação (a):
𝑒 𝑎(𝜃−𝑏) (6)
𝑃 (𝑋 = 1|𝜃, 𝑎, 𝑏) = .
1 + 𝑒 𝑎(𝜃−𝑏)
Este foi o modelo escolhido para construir o índice de infraestrutura e
socioeconômico, porque não é necessário um componente aleatório (c = 0) para o
preenchimento de questionários (AYALA, 2009; ROBINS; FRALEY; KRUEGER,
2009), sendo este o modelo usado para construção do índice de infraestrutura escolar
por Neto et al. (2013) e o índice socioeconômico por Alves et al. (2014).
39
A curva de característica do item do modelo logístico de dois parâmetros (2PL)

possui duas propriedades relacionadas aos parâmetros de dificuldade (b) e
discriminação (a).
A dificuldade (b) descreve onde a função do item se situa na escala de
habilidade. A dificuldade de um item é definida como a quantidade de variável latente
(θ = 0,5) necessária para ter uma probabilidade de 0,5 de acertar o item. Quanto maior
o "b" do parâmetro, mais alta é a habilidade do respondente necessária para acertar
o item. A linha horizontal da figura 4 indica a probabilidade de 50% de acertar o item,
a linha pontilhada que toca o eixo X indica a dificuldade de cada item. O item ‘sala do
diretor’ tem a dificuldade de -1,65 e o item internet tem a dificuldade de 1.42. A Figura
4 é um exemplo de curva de resposta ao item 2PL.
Figura 4 - Curva de resposta ao item para internet e sala de diretoria na construção

do índice de infraestrutura escolar
Fonte: Resultado da pesquisa
A discriminação (a) diferencia entre os respondentes que estão abaixo e acima

da localização (dificuldade) do item. Graficamente a discriminação é expressa pelo
formato em “S” da curva: quanto maior a declividade, maior o poder de discriminação.
Itens com alto poder de discriminação são melhores em diferenciar a resposta em um
40
dado ponto de dificuldade - pequenas mudanças no traço latente levam a grandes

alterações na probabilidade (ROBINS; FRALEY; KRUEGER, 2009).
A curva do item da sala de diretoria possui um grau de discriminação menor do
que a curva do item de internet, porque aumentando 0,5 pontos da variável latente a
probabilidade de responder o item corretamente P(θ) é maior do que o aumento do
item de internet.
Os modelos da TRI podem usar variáveis dicotômicas com respostas como
certo ou errado, 1 para a resposta certa e 0 para a(s) resposta(s) errada(s). E modelos
politômicos (podendo ser ordinais ou não) para questões que têm mais de duas
categorias de pontuação, como, por exemplo, para níveis de escolaridade: ensino
fundamental completo < ensino médio completo < ensino superior completo, assim
essa informação pode ser transformada em variáveis qualitativas ordinais como 1 < 2
< 3.
O modelo de TRI que utiliza variáveis politômicas e ordinais é chamado de
Modelo de Resposta Graduada (Graded Response Model – GRM) ou Modelo de
Samejima. Estes modelos permitem separar os parâmetros para cada categoria ao
mesmo tempo, identificando a partir de quanto (limite) de variável latente a
probabilidade de responder uma categoria muda para outra (LINDEN; HAMBLETON,
1997). A equação 9 é a expressão matemática do modelo.
Onde: 𝑋𝑖𝑗 é a resposta fornecida pelo j-ésimo indivíduo ao i-ésimo indicador
ordinal; 𝑘 = 1, 2, . . . , 𝑚 representa cada um dos níveis de 𝑋𝑖 , sendo 𝑚 a categoria
associada ao maior valor de 𝜃; 𝜃𝑗 é a medida do indicador para o j-ésimo indivíduo; 𝑎𝑖
é a inclinação e 𝑏𝑖 , k é o ponto no eixo q em que a probabilidade de resposta ao i-
ésimo indicador ser maior ou igual a k é maior que 50% (ALVES; SOARES; XAVIER,
2014)
(7)
P(𝑋𝑖𝑗 = 𝑘|𝜃 𝑎𝑖 𝑏𝑗 )
1 1
= −
1 + exp[−𝑎𝑖 (𝜃𝑗 − 𝑏𝑖𝑗 , 𝑘 − 1)] 1 + exp[−𝑎𝑖 (𝜃𝑗 − 𝑏𝑖 , 𝑘)]
O modelo pode ser reescrito de uma forma mais simples como:

41
𝑃(𝑋𝑖𝑗 = 𝐾) = 𝑃(𝐾 ) − 𝑃(𝐾 = 1) (8)
P(K) sendo a probabilidade que a resposta ao i-ésimo indicador seja igual ou superior
a K, para valor de 𝜃.
Figura 5 - Exemplo da curva de característica do item do modelo de resposta

graduada com 4 categorias
Fonte: elaboração do autor
A Figura 5 mostra a mudança na probabilidade para responder uma questão

com o aumento da variável latente. Por exemplo, os respondentes com baixa
habilidade têm uma probabilidade muito alta de responder a primeira categoria da
questão. Com o aumento da variável latente, essa probabilidade diminui ao mesmo
tempo que aumenta a probabilidade de responder as outras categorias, ao passo que
a probabilidade tende a zero para um nível de variável latente elevado.
Na próxima seção serão descritos os procedimentos metodológicos utilizados

no tratamento dos dados e para criação dos índices de infraestrutura e
socioeconômico, a partir da TRI, além de se apresentar a escolha das variáveis de
insumo e produto e dos modelos DEA utilizados.
42
3 METODOLOGIA
3.1 Amostra
Este estudo utiliza os microdados da Prova Brasil e Censo escolar no ano 2011,
disponibilizados no site do Instituto Nacional de Estudos e Pesquisas Educacionais
Anísio Teixeira (INEP)12. Os dados educacionais nas bases brasileiras são
organizados hierarquicamente nos seguintes níveis: alunos; turma; escola; município;
estado; país. Além de dados no nível escolar, dados no nível dos alunos são
agregados para criação do índice socioeconômico das escolas. O objetivo foi construir
as variáveis de insumo e produto que serão usadas no modelo DEA e que estão
listadas na Tabela 6.
Tabela 6 - Variáveis construídas e origem dos dados

Insumos Produtos
𝑥1 - Média de alunos por sala – Prova Brasil 𝑦1 - Nota média em português –

Prova Brasil
𝑥2 - Proporção aluno/professor – Prova Brasil
𝑥3 - Porcentagem de professores com ensino y2 - Nota média em matemática
superior – Prova Brasil – Prova Brasil
𝑥4 - Índice de infraestrutura – Censo escolar
𝑧1 - Índice socioeconômico – Prova Brasil
Fonte: Elaboração do autor
O censo escolar foi utilizado para a construção do índice de infraestrutura

escolar. Esta base possui o maior número de observações, porém a variável principal
para a análise é a nota da Prova Brasil, desse modo esta é a referência para as
observações perdidas. A Tabela 7 informa as populações de escolas do Censo
Escolar e da Prova Brasil, respectivamente. Lembrando que a análise realizada será
apenas para o ano de 2011, os anos de 2007 e 2009 servem apenas para ilustrar a
variação de escolas ao longo do tempo.
12 Fonte: http://portal.inep.gov.br/basica-levantamentos-acessar
43
Tabela 7 - Escolas participantes do Censo Escolar e Prova Brasil para o Brasil e Rio
Grande do Norte no período de 2007, 2009 e 2011
Censo escolar Prova Brasil

Censo escolar 2007 2009 2011 2007 2009 2011
Brasil 237.387 255.445 263.833 48.149 58.374 56.222
Rio Grande 5.440 5.801 5.924 979 1.201 1.149
do Norte
Fonte: INEP
O total de escolas da Tabela 7 informa as escolas com turmas no 5° e 9° ano

que realizaram a Prova Brasil, juntamente com as escolas em que somente um dos
anos respondeu a prova. Assim, foi efetuada uma divisão das escolas participantes
por ano - 5° ano e 9° ano -, visto que a análise objetiva comparar o desempenho da
mesma escola em cada ano separadamente. O número de escolas decresce
principalmente porque a Prova Brasil somente é realizada para escolas que possuam
mais de 20 alunos por turma no 5° e 9° ano - com isso, as escolas com poucos alunos,
principalmente da área rural, ficam de fora da amostra.
Na Prova Brasil de 2011 as notas foram apenas disponibilizadas por escola,
resultado adotado aqui. Entretanto, as notas só foram publicadas para aquelas
escolas cuja taxa de participação foi superior a 50%; no Rio Grande do Norte, 23
escolas não atingiram esse patamar de participação, e, portanto, foram excluídas da
amostra.
Durante a construção do índice de infraestrutura escolar, 84 escolas foram
perdidas por não terem respondido nenhuma questão sobre a infraestrutura. Assim,
restaram 1042 escolas na amostra, das quais 328 possuíram turmas nos dois anos;
496, apenas no quinto ano; e 218, apenas no nono ano. Estas perdas de observações
não são tão graves para o método DEA visto que só influenciaria o resultado caso
essas escolas estivessem na fronteira de eficiência. Infelizmente não há como saber
se elas estariam ou não na fronteira, porque o método não permite generalizações
somente podendo inferir seus resultados para a própria amostra, assim não há como
saber a eficiência dessas 107 escolas perdidas. No entanto, o método continua válido
como forma de comparação de eficiência entre as escolas que restaram na amostra.
Por fim, a amostra final obtida e usada ao longo de todos os modelos e análises
do estudo foi a de quantitativo mostrado na tabela 8:
44
Tabela 8 - Amostra de escolas do RN, por série

Tamanho da
amostra 2011
5º ano 824
9º ano 546
3.2 Modelos DEA
Foi escolhida a especificação do modelo DEA com retornos variáveis de escala

(VRS/BCC) e com orientação produto. A orientação produto significa que os insumos
se mantem constantes, devido às dificuldades inerentes da aplicação na redução dos
insumos, e será observado o quanto é o resultado máximo possível utilizando os
insumos já existentes. Apesar disso, ainda é possível verificar quais insumos, e em
que grau, não foram otimizados. Desse modo, a função objetivo é assim definida como
maximizadora do desempenho escolar, e, portanto, do aprendizado estudantil.
A partir destas especificações acima, foram testados três modelos diferentes.
A sensibilidade dos modelos é observada de acordo com a mudança da eficiência
média geral e a quantidade de DMUs eficientes, atentando para as DMUs que
permanecem eficientes em todos os modelos. O Quadro 1 sintetiza os modelos de
análise.
Quadro 1 - Modelos da análise de sensibilidade
Modelo completo Modelo 1 – Todas as variáveis

Modelos retirando Modelo 2 – Sem o índice socioeconômico (𝑧1 )
algumas variáveis Modelo 3 – Sem o índice de infraestrutura (𝑥4 )
Modelo mudando o tipo Modelo 4 – DEA não controlável - para o insumo índice
de DEA utilizado socioeconômico (𝑧1 )
A representação gráfica do modelo 4 é apresentado na Figura 6.

45
Figura 6 - Insumos e produtos do modelo 4
Para a construção do índice de infraestrutura escolar e do índice

socioeconômico foi utilizada a metodologia da Teoria de Resposta ao Item.
3.3 Índice de infraestrutura
Os procedimentos metodológicos usados para a construção do índice de

infraestrutura escolar foi baseado no estudo de Neto et al. (2013).
Os autores desenvolveram um índice para todas as escolas do Brasil usando
os dados do Censo escolar 2011. O questionário do censo escolar informa apenas a
existência ou não do determinado item na escola, para essa característica dos dados
(dicotômicos) e tipo de questionário (somente preenchimento) o mais apropriado é o
modelo logístico dicotômico de dois parâmetros. Inicialmente os autores empregaram
24 variáveis para a construção do índice, após um pré-teste foram descartadas duas
variáveis por possuírem um poder de discriminação (a) abaixo de 0,5.
Após a replicação do artigo de Neto et al. (2013) foi realizada uma série de pré-
testes para as amostras do estudo. Devido a maior homogeneidade das escolas da
amostra, apenas 14 variáveis possuíram o poder de discriminação acima de 0,5 para
todos os períodos e modelos analisados.
A Tabela 9 apresenta as variáveis utilizadas na construção do índice de
infraestrutura para as duas amostras – 5° e 9° ano de 2011 – o resultado ilustrado na
tabela é para apenas o 5° ano, contudo o resultado obtido para o 9° ano é similar. Nas
duas amostras o critério de seleção de variáveis com discriminação acima de 0,5 foi
respeitado, sendo utilizadas as mesmas variáveis. A dificuldade é interpretada como
a quantidade de variável latente para que o item tenha 50% de chance de ser
46
respondido corretamente, ou seja, quanto menor o valor da dificuldade mais fácil

(provável) é que pelo menos um daquele item exista na escola.
Tabela 9 - Variáveis utilizadas para a construção do índice de infraestrutura escolar

com sua respectiva dificuldade e discriminação para as escolas do 5° ano de 2011
Número da questão Dificuldade
5 ano - 2011 no censo escolar (b) Discriminação (a)
Sala da diretoria 46 -3,24 0,98
Sala dos professores 47 -0,90 1,28
Laboratório de informática 48 -0,79 1,40
Laboratório de ciências 49 2,50 1,36
Sala de atendimento
educacional e 50 1,47 1,13
especializado
Quadra de esporte 51 -0,31 1,25
Biblioteca 53 1,21 1,58
Sanitário especializado 57 0,35 2,08
Dependências com
58 0,38 1,89
acessibilidade
Equipamento de TV 62 -2,93 2,18
Equipamento de DVD 64 -2,57 2,33
Copiadora 66 0,12 0,64
Computador 70 -2,05 2,58
Internet 74 -1,58 0,81
Fonte: Censo escolar 2011 – Resultado da pesquisa
3.4 Índice socioeconômico
O artigo de Alves, Soares e Xavier (2014) serviu de base para a construção do

índice socioeconômico. O método utilizado foi o modelo de resposta graduada –
também conhecido como modelo de Samejima – da Teoria de Resposta ao Item. A
tabela 10 apresenta as 16 variáveis utilizadas para construção do índice. O índice
socioeconômico foi calculado para cada aluno da escola, depois foi retirada a média
dos alunos para se obter o índice por escola. Após o cálculo, foi realizada uma
47
transformação linear de -3 para 0 e 3 para 10 em ambos os índices, para que sua

escala ficasse positiva e pudessem ser usados no modelo DEA.
Tabela 10 - Variáveis que compõe o índice socioeconômico

Variáveis Número da questão da Prova Brasil
Televisão 5
Rádio 6
DVD 7
Geladeira 8
Freezer 9
Máq. Levar roupa 11
Carro 12
Computador 13
Banheiro 14
Diarista 15
Quartos 16
Escolaridade da mãe 19
Mãe alfabetizada 20
Escolaridade do pai 23
Pai alfabetizado 24
Livros em casa 32
Fonte: Prova Brasil 2011
As tabelas 11 e 12 exibem as estatísticas descritivas dos insumos e produtos

calculados para os modelos DEA, dividindo as escolas em 5º ano e 9º ano.
Tabela 11 - Estatística descritiva das escolas do 5º ano para o período de 2011

Variáveis Média Desv. P. Mín. Máx.
Média de alunos por turma 27,6 5,4 13,1 43,0
Proporção aluno/professor 10,9 7,2 3,1 33,3
Porcentagem de professores
com ensino superior 76,5% 22,6% 0,0% 100,0%
Índice de infraestrutura 5,0 1,5 0,0 8,5
Índice socioeconômico 5,1 0,3 4,0 6,0
Nota média em português 166,7 16,7 116,8 223,6
Nota média em matemática 181,7 17,5 139,8 243,3
48
Tabela 12 - Estatística descritiva das escolas do 9º ano para o período de 2011

Variáveis Média Desv. P. Mín. Máx.
Média de alunos por turma 29,7 6,6 12,1 55,3
Proporção aluno/professor 5,4 2,0 2,6 21,6
Porcentagem de professores
87,1% 15,7% 8,2% 100,0%
com ensino superior
Índice de infraestrutura 5,0 1,4 0,6 7,7
Índice socioeconômico 5,0 0,2 4,0 5,9
Nota média de português
(Prova Brasil) 224,2 15,8 175,1 271,8
Nota média de matemática
(Prova Brasil) 230,8 17,0 177,3 285,9
A média de aluno por turma do quinto e nono ano são próximas, sendo 27,6 e
29,7 respectivamente. O máximo dessa variável para o nono ano é de 55,3 e o desvio
padrão é de 6,6, isto sugere que as turmas no nono ano são um pouco maiores em
relação às do quinto ano.
A proporção aluno/professor difere bastante entre os anos, tendo média de 10,9
para o quinto ano e 5,4 para o nono ano. Esse dado aponta para existência de uma
maior quantidade de professores para esta série visto que as quantidades de alunos
por turma são semelhantes.
O nono ano possui em média uma maior porcentagem de professores com
ensino superior quando comparado ao quinto ano, sendo para o nono ano 87,1% e
76,5% para quinto ano. Pode ser que o próprio conteúdo da disciplina faça com que
sejam alocados professores com maior qualificação para o nono ano.
Os índices de infraestrutura e socioeconômico foram construídos com média 0
e medidos em desvios padrão entre -3 e 3. Para possuir valores positivos, a fim de
serem utilizados no DEA, foi preciso fazer uma transformação linear para que os
valores ficassem entre 0 e 10. Com isso, o resultado foram médias de 5 para ambos
os índices e o desvio padrão em torno de 1,5 para o índice de infraestrutura escolar e
0,3 para o índice socioeconômico, ou seja, as escolas possuem uma composição
socioeconômica parecidas. Uma hipótese sugerida é que ao estender a análise para
outros estados ou o país inteiro, talvez a importância do modelo não controlável ganhe
49
destaque por causa do aumento da amostra e subsequente maior variação do índice

socioeconômico por escola.
As notas médias em português e matemática para o quinto ano são,
respectivamente, de 166,7 e 181,7. Ambas as notas estão na categoria ‘básico’ na
qual o aluno não tem compreensão adequada para os conhecimentos daquele ano. O
mesmo ocorre para o nono ano, cujas médias das escolas da amostra em português
e matemática foram de 224,2 e 230,8, respectivamente, revelando um desempenho
abaixo do adequado na escala de proficiência SAEB.
50
4 RESULTADOS
Os resultados dos modelos 1 ao 4 são referentes às escolas do ensino

fundamental do Rio Grande do Norte participantes da Prova Brasil 2011. Os quatro
modelos da análise envoltória de dados utilizaram o retorno variável de escala (BCC)
e a orientação produto. Primeiramente será analisado o resultado do 5° ano e,
posteriormente, do 9° ano. Os resultados do quinto ano estão resumidos na Tabela
13.

escolas do 5° ano de 2011
5° ano - 2011 - 824 DMUS Modelo 1 Modelo 2 Modelo 3 Modelo 4
Média de eficiência 85% 83,1% 83,2% 85,2%
Máximo 100% 100% 100% 100%
Mínimo 62,8% 60,6% 62,8% 62,8%
Desvio padrão 0,085 0,085 0,084 0,087
Número de DMUs eficientes 85 63 52 84
Número de DMUs ineficientes 739 761 772 740
Porcentagem de escolas eficientes 11,5% 8,3% 6,7% 11,4%
O modelo 1 consiste dos insumos: média de alunos por sala, proporção

aluno/professor, porcentagem de professores com ensino superior, índice de
infraestrutura escolar e índice socioeconômico. Os produtos são: nota média da
escola em português e nota média da escola em matemática.
Do total de 824 escolas da amostra do 5° ano, 85 foram eficientes (escore de eficiência
𝜃 = 100%) e 739 ineficientes (escore de eficiência 𝜃 < 100%). A eficiência média do
modelo foi 85%.
No modelo 2, que diferiu do 1 pela retirada do índice socioeconômico, o número
de escolas eficientes passou a ser 63 - portanto um decréscimo de 22 escolas em
relação ao primeiro modelo. A eficiência média foi 83,1%, sendo 2,9% inferior ao
modelo 1.
O modelo 3 contém os mesmos insumos do modelo 1, com exceção do índice
de infraestrutura escolar. A eficiência média foi de 83,2% e o número de DMUs
51
eficientes neste modelo foi de 52, sendo assim, 772 foram ineficientes. Este foi o
menor número de DMUs eficientes entre todos os modelos, com 6,7% do total.
O modelo 413 possui os mesmos insumos e produtos do modelo 1. A diferença
é o método usado do DEA, sendo este o método não controlável. Os resultados deste
modelo foram muito próximos aos do modelo 1 com a eficiência média ficando um
pouco maior, 85,2%, enquanto o número de DMUs eficientes apenas uma unidade
menor, ou seja, 84. Este modelo faz com que não haja projeções para o índice
socioeconômico por este ser uma variável não discricionária.
A eficiência mínima para os modelos 1, 3 e 4 foi de 62,8% e para o modelo 2
de 60,6%, não havendo assim uma grande diferença entre os modelos e, de certa
forma, apontando para uma homogeneidade nos resultados da eficiência, uma vez
que a eficiência técnica média nos modelos ficou entre 83,1% e 85,2%. Assim, há uma
oportunidade de acréscimo nos resultados educacionais de pelo menos 15% somente
a partir da melhoria da eficiência dos insumos escolares.
A análise para o nono ano seguiu o mesmo procedimento, sendo testados os 4
modelos propostos. O total de escolas da amostra participantes da Prova Brasil 2011
no nono ano foi de 546, conforme os resultados na tabela 14.
O modelo 1 com todos os insumos e produtos e retorno variável de escala com
orientação produto obteve 88.8% de eficiência média e 47 escolas na fronteira de
eficiência. Este resultado foi muito parecido com o modelo 4 - a única diferença nas
estatísticas foi que a eficiência média do modelo 4 é 0,2% maior e o mínimo de
eficiência foi 0,1% menor que o modelo 1.
Os modelos 2 e 3 também possuíram resultados semelhantes com 28 escolas
eficientes e eficiência média para os modelos de, respectivamente, 87,6% e 86,6%.
É possível visualizar uma semelhança nos resultados entre os diferentes
modelos, para ambas as séries. O modelo 4 foi aquele com maior eficiência média
seguido dos modelos 1, 2 e 3, ou seja, o escore de eficiência média dos modelos foi:
𝜃4̅ > 𝜃1̅ > 𝜃2̅ > 𝜃3̅ .
13 O modelo não discricionário (NDSC) foi testado nas análises, porém o seu resultado foi idêntico ao
retorno variável de escala (BCC).
52

escolas do 9° ano de 2011
9° ano - 2011 - 546 DMUS Modelo 1 Modelo 2 Modelo 3 Modelo 4
Média de eficiência 88,8% 87,6% 86,6% 89%
Máximo 100% 100% 100% 100%
Mínimo 66,8% 66,1% 66% 66,7%
Desvio padrão 0,065 0,064 0,065 0,065
Número de DMUs eficientes 47 28 28 47
Número de DMUs ineficientes 499 518 518 499
Para o quinto ano, a ordem dos modelos com maior número de DMUs eficientes
foram: modelo 1 > modelo 4 > modelo 2 > modelo 3. Para o nono ano, a ordem foi:
modelo 1 = 4 > 2 = 3. Apesar do número de DMUs eficientes ser o mesmo para o
modelo 1 e 4, e também para os modelos 2 e 3, a ordem de eficiência se assemelha
à ordem do quinto ano. Essas igualdades podem ter ocorrido por causa de um menor
número de DMUs no nono ano; com isso, não foi possível captar diferenças entre os
modelos, visto que elas são pequenas.
Dentre todos os modelos, aquele escolhido para análise em pormenor foi o
número quatro, devido a sua melhor adequação teórica ao problema proposto. A
justificativa para esta escolha foi: o modelo DEA não controlável é o que reflete a
natureza do insumo ‘índice socioeconômico’ não gerenciável pelas escolas; também
é o modelo mais completo com todos os insumos escolares disponíveis, o que permite
um leque de opções maior para que cada DMU seja eficiente no processo produtivo.
Portanto, as análises a seguir tem como base apenas o modelo 4.
4.1 Diferença na eficiência das escolas estaduais e municipais
A Tabela 15 mostra a diferença entre a eficiência das escolas municipais e

estaduais para o modelo 4, escolhido para as demais análises. Do total de 824 escolas
53
do 5° ano, 543 são municipais e 281 estaduais, havendo assim uma grande diferença
entre as amostras, já no nono ano a diferença é bem pequena com 281 escolas
municipais e 265 escolas estaduais.
A eficiência média, a eficiência mínima e a porcentagem de escolas eficientes
são um pouco maiores no quinto ano para as escolas estaduais do que para as
municipais (86% contra 84,8%; 68% contra 62,8%; e 11% contra 9,8%,
respectivamente). A situação é invertida quando se analisa o desempenho no nono
ano: a eficiência média é muito próxima entre os dois tipos de escolas (88,8% para as
municipais e 89,2%, para as estaduais), entretanto o valor da eficiência mínima e o
número de escolas eficientes municipais é maior (71,6% contra 66,7%; e 9,3% contra
7,9%, respectivamente).
Tabela 15 - Diferença na eficiência entre as escolas municipais e estaduais

5° ano 9° ano
Modelo 4 - 2011 Municipal Estadual Municipal Estadual
Número de escolas 543 281 281 265
Eficiência média 84,8% 86,0% 88,8% 89,2%
Desvio padrão 8,7% 8,6% 6,6% 6,5%
Mínimo 62,8% 68,0% 71,6% 66,7%
Máximo 100% 100% 100% 100%
Número de escolas eficientes 53 31 26 21
Em resumo, não foi constatada grande diferença entre as eficiências médias das
escolas municipais e estaduais, nos dois anos de ensino; as eficiências mínimas
apresentaram uma diferença razoável, porém foi menor para uma escola da rede
municipal, no quinto ano, e menor, para uma escola da rede estadual, no nono ano; o
número de escolas eficientes variou bastante entre as duas redes, mas pouco quando
se observam os percentuais de escolas eficientes. Assim, no geral, não há uma clara
diferença de eficiência entre as duas redes.
4.2 Escolas eficientes no quinto e nono ano
O total de escolas com turmas no 5° e 9° ano que realizaram a Prova Brasil foi
de 328. Desse subgrupo, 22 escolas foram eficientes no 5° ano e 21 escolas no 9°
54
ano, enquanto 7 escolas foram eficientes, simultaneamente, no 5° e 9 ° ano. Para

mensurar a consistência na eficiência das escolas ao longo das séries foi feita uma
correlação entre os escores de eficiência dessas escolas, conforme procedimento
adotado por Portela (2012). O coeficiente de correlação encontrado foi de 0,48,
indicando uma correlação moderada entre os escores e uma certa tendência na
eficiência da mesma escola para diferentes séries.
A Tabela 16 apresenta as escolas que foram eficientes nos dois anos
analisados, simultaneamente. No total, foram 7 escolas eficientes, sendo 6 municipais
e 1 estadual. Apenas uma escola é da capital e, o restante, por conseguinte, do
interior.
Tabela 16 - Escolas eficientes no 5° e 9° ano
Nota PB Nota PB IDEB

Código da Nome do IDEB
Nome da escola padronizada padronizada 9° 9°
escola município 5° ano
5° ano ano ano
ESCOLA MUNICIPAL
24003220 MOSSORÓ 6,4 6.2 5,3 4.6
PROFESSOR MANOEL ASSIS
24003298 ESCOLA MUNICIPAL ROTARY MOSSORÓ 6,2 6 5,7 5.4
OURO
24036820 E M JOSE N DE FIGUEIREDO 5,2 4.4 5,1 4.5
BRANCO
ESC EST BARAO DO RIO
24037028 PARELHAS 6,4 6.1 5,7 5.6
BRANCO
ESC MUL TANCREDO DE
24039047 PARAZINHO 5,3 4.3 4,9 3.5
ALMEIDA NEVES
ESC MUL PROFA PALMIRA DE
24060380 NATAL 4,9 4.2 5,0 3.9
SOUZA
ESCOLA MUNICIPAL
24080276 CAICÓ 5,8 5.5 5,1 2.8
HERMANN GMEINER
A Tabela 16 aponta que a escola pode ser considerada eficiente mesmo não
possuindo as maiores notas e os maiores IDEBs, sendo este um dos objetivos da
análise - ponderar o resultado pelos insumos utilizados. No quinto ano, três escolas -
Professor Manuel Assis, Rotary e Barão do Rio Branco – obtiveram IDEB acima de 6,
que é a meta do Plano de Desenvolvimento da Educação (PDE) para 2021; a nota 6
também é equivalente a média dos países da OCDE; apenas 8 escolas da amostra
tiveram nota 6 ou superior. Todas as escolas da tabela 16 tiveram IDEB acima da
média do estado, para o quinto ano, que foi de 3,8.
55
Apesar da nota padronizada para o nono ano ser próxima de 5 para essas
escolas, uma nota bem acima da média, o IDEB para as escolas Heirmann Gmeiner,
Tancredo de Almeida Neves e Palmira de Souza foi baixo devido a taxa de aprovação.
Com isso o IDEB ficou em 2,8, 3,5 e 3,9 e, assim, a escola Heirmann Gmeiner ficou
abaixo da média que é 3,0 e as escolas Tancredo de Almeida Neves e Palmira de
Souza um pouco acima da média. Nesta primeira análise, não foi possível identificar
se a taxa de aprovação dessas escolas foi baixa por optarem por um sistema
pedagógico mais rigoroso.
A Tabela 17 compara a eficiência das escolas entre os modelos 1 e 4. O ponto
de destaque nessa tabela são as escolas que somente são eficientes em um dos
modelos. O modelo 1 possui 20 escolas no 5° ano e 10 escolas no 9° ano, enquanto
o modelo 4 possui 19 e 10 escolas para o 5° e 9° ano, respectivamente. As escolas
que foram eficientes no modelo 1 e não foram no modelo 4, quase foram eficientes -
todas elas obtiveram acima de 99% de eficiência.
Entretanto, o mesmo não aconteceu para as escolas que foram eficientes no
modelo 4 e não foram no modelo 1. Essas escolas possuíram níveis de eficiência
bastante diversificados, umas muito próximas da fronteira, outras bastante
ineficientes. Dessa forma, apesar do número de escolas e a média desses dois
modelos serem muito próximas, por volta de um terço das escolas que compõe a
fronteira são diferentes, e consequentemente, a fronteira e o benchmark calculado é
distinto entre os modelos.
Tabela 17 - Escolas eficientes por modelo

Escolas eficientes Modelo 1 Modelo 4 Modelo 1 e 4
5° ano 20 19 64
9° ano 10 10 36
Portanto, há uma pequena diferença entre as escolas eficientes nos dois

modelos, apesar de que o resultado ainda assim é bastante próximo, havendo uma
correlação entre os escores de eficiência do modelo 1 e 4 de 0,98 tanto para o quinto
quanto para o nono ano.
56
4.3 Eficiência e tamanho da escola
A eficiência escolar parece não estar relacionada com o tamanho da escola,

sendo este compreendido pela quantidade de alunos matriculados na escola. A
Tabela 18 apresenta algumas estatísticas descritivas para as escolas eficientes e para
a amostra como um todo.
Tabela 18 - Estatística descritiva entre as escolas eficientes e a amostra total para a

variável alunos por escola
5° ano 9° ano
Alunos por Amostra Amostra
Escolas eficientes Escolas eficientes
escola total total
Média 401,6 504,3 497,19 669, 9
Mínimo 70 61 130 130
Máximo 1357 2152 1584 2380
Desvio - padrão 200,2 308,5 294,6 355,4
Apesar da diferença entre o máximo entre as escolas eficientes e a amostra
total, a Tabela 18 indica que não há grande diferença entre a distribuição dos dados.
As Figuras 7 e 8 revelam maior concentração da eficiência em torno da média do
tamanho da escola, com poucas escolas eficientes quando há grande número de
alunos matriculados.
Figura 7 – Dispersão da eficiência pelo tamanho da escola para o 5°ano de 2011

1
.9
Eficiência
.8
.7
.6
0 500 1000 1500 2000

Alunos matriculados por escola

57
Figura 8 - Dispersão da eficiência pelo tamanho da escola para o 9°ano de 2011
1
.9
Eficiência
.8
.7
.6
0 500 1000 1500 2000 2500

Alunos matriculados por escola
Portanto, não há evidências de que a eficiência esteja relacionada com o

tamanho da escola.
4.4 Eficiência e o índice socioeconômico
A Tabela 19 descreve esta relação entre o índice socioeconômico por intervalo

e a eficiência média. Lembrando que o índice socioeconômico tem mínimo de 3,9 e
máximo de 5,9 para ambas as séries. Apesar de existirem poucas escolas com menor
nível socioeconômico – entre 3,9 e 4,5 –, estas são beneficiadas no resultado de
eficiência, possuindo valores de eficiência média superiores aos intervalos de 4,5 a 5
e de 5 a 5,5. Em relação ao intervalo mais elevado, de 5,5 a 6, há uma tendência de
que a eficiência média seja superior a dos outros intervalos.
Portanto, ocorre uma maior eficiência nos extremos da distribuição do índice
socioeconômico, com destaque para o menor intervalo, no qual o modelo capta o
efeito não discricionário da variável comparando com escolas semelhantes nesse
quesito. Com isso, é possível identificar que mesmo as escolas com menor nível
socioeconômico são, relativamente, eficientes comparadas com outras com nível
58
socioeconômico superior. Essa variável merece destaque pela sua significância na

função de produção, pela forma de índice que foi utilizada e pela sua natureza não
discricionária incorporada no modelo DEA.
Tabela 19 - Eficiência escolar por intervalo do índice socioeconômico

Eficiência média Quantidade de escolas
Intervalo 5°ano 9° ano 5°ano 9° ano
3,9 - 4,5 93,3% 99,9% 18 4
4,5 - 5 84,0% 88,5% 293 212
5 - 5,5 84,8% 88,7% 478 318
5,5 - 6 96,3% 99,0% 35 12
Fonte: Resultado da Pesquisa
4.5 Eficiência por município
Analisar o resultado das escolas por município serve para identificar os

municípios com maior proporção de escolas eficientes, podendo apontar para alguma
causa (política, gestão ou outra natureza) naquela localidade, visto que o modelo
utilizado considera o fator socioeconômico da escola. Nas Tabelas 20 e 21 estão os
10 municípios com maior número de escolas na amostra14.

participação na amostra
Quantidade Porcentagem
Eficiência Quantidade
Nome do Município de escolas de escolas
média de escolas
eficientes eficientes
NATAL 86,9% 114 11 9,6%
MOSSORÓ 92,0% 58 20 34,5%
PARNAMIRIM 84,1% 37 1 2,7%
SÃO GONCALO DO AMARANTE 84,9% 26 2 7,7%
CEARÁ-MIRIM 85,3% 23 3 13,0%
MACAÍBA 82,4% 23 1 4,3%
CAICÓ 90,5% 17 4 23,5%
SÃO JOSÉ DE MIPIBU 80,3% 15 1 6,7%
CANGUARETAMA 80,0% 13 0 0,0%
CURRAIS NOVOS 91,1% 13 4 30,8%
14
As tabelas 20 e 21 não foram construídas com as informações de todos os municípios porque são
mais de 160 por amostra e a maioria deles possuindo menos de 3 escolas.
59
A Tabela 20 retrata a eficiência média (média da eficiência de todas as escolas

do município), a quantidade de escolas, a quantidade de escolas eficientes e a
porcentagem de escolas eficientes em relação ao total de escolas para o 5° ano do
ensino fundamental. Apenas um município, Canguaretama, não possui ao menos uma
escola eficiente, sendo este o município com menor eficiência média, 80%. O
município com maior eficiência média é Mossoró, com 92%; o mesmo possui 34,5%
das suas escolas na fronteira de eficiência; um resultado notável para o segundo maior
município do estado. Quando comparado com Natal, o maior município, este possui
um resultado inferior tanto na eficiência média, 86,9%, como na porcentagem de
escolas eficientes (9,6%). Entretanto, o resultado da capital é razoável quando
comparado com municípios do seu entorno como Parnamirim e Macaíba, estes com
eficiência média de 84,1% e 82,4%, respectivamente, e ambos com apenas 1 escola
eficiente de um total de 37 para Parnamirim e 23 para Macaíba.

participação na amostra
Quantidade Porcentagem
Eficiência Quantidade
Nome do Município de escolas de escolas
média de escolas
eficientes eficientes
NATAL 90,2% 84 7 8,3%
MOSSORÓ 91,7% 42 7 16,7%
PARNAMIRIM 87,3% 27 1 3,7%
SÃO GONÇALO DO AMARANTE 86,3% 14 0 0,0%
MACAÍBA 90,1% 13 1 7,7%
CEARÁ-MIRIM 88,0% 11 0 0,0%
APODI 93,6% 8 0 0,0%
CAICÓ 92,8% 8 1 12,5%
CURRAIS NOVOS 88,8% 8 0 0,0%
SANTA CRUZ 84,5% 8 0 0,0%
A Tabela 21 contém as mesmas informações que a Tabela 20, sendo que para
as escolas do 9° ano do ensino fundamental. A eficiência média oscila entre 84,5%
para Santa cruz até 93,6% para Apodi. Apesar do mínimo e máximo da eficiência
média da Tabela 21 serem maiores do que os da Tabela 20, o número de escolas
eficientes por município no nono ano é bem menor. Cinco municípios – São Gonçalo
do Amarante, Ceará-Mirim, Apodi, Currais Novos e Santa Cruz – não possuem
nenhuma escola eficiente; e três municípios – Parnamirim, Macaíba e Caicó –
60
possuem apenas uma escola eficiente. Natal e Mossoró estão empatadas com sete
escolas eficientes, sendo que Mossoró possui uma maior proporção de escolas
eficientes (16,7%), do que Natal (8,3%). É importante ressaltar que no 9° ano a
eficiência aparenta estar relacionada com o tamanho do município. Isto pode indicar
que os municípios menores não possuem tanta preocupação com níveis mais
superiores de ensino. Outra hipótese é que o estado se preocupa mais com o ensino
médio, por ser sua real competência, fazendo com que o governo e secretaria de
educação estadual prestem menos atenção aos menores municípios.
Mossoró é o melhor município em relação à proporção de escolas eficientes no
5° ano e no 9° ano e também obteve a melhor posição na eficiência média no 5° ano
e segunda melhor no 9° ano. A partir desse resultado, este município pode servir de
modelo para outros em uma análise para gestores estaduais. Outra sugestão seria
identificar se há alguma diferença desse município em relação aos outros que poderia
explicar este resultado.
4.6 Análise das escolas ineficientes
As Tabelas 22 e 23 informam as 5 escolas mais ineficientes por série, com suas

respectivas eficiências, IDEB de 2011, e a meta prevista pelo INEP para aquele ano.
As projeções dos produtos ‘nota média em português’ e ‘nota média em matemática’
são os valores necessários para que as escolas em questão alcançassem a fronteira
de eficiência. Foram utilizadas essas projeções para construir um IDEB projetado,
definido como o IDEB da escola caso ela tivesse obtido os valores projetados de
português e matemática multiplicados pela taxa de aprovação.
Como o modelo DEA usado tem orientação produto, significa que o valor
projetado poderia ser alcançado com os insumos já existentes. Este valor é calculado
quando a escola em questão é comparada com as escolas que compõem a fronteira
de eficiência/melhores práticas.
Quando comparado o IDEB de 2011, o IDEB projetado e a meta do IDEB para
2011 da Tabela 22, constata-se que as 5 escolas ineficientes possuem um IDEB
abaixo da meta estabelecida, considerando a taxa de aprovação constante. Se
obtivessem o IDEB projetado, todas as 5 escolas superariam a meta IDEB com
facilidade. Portanto, para essas escolas, o seu potencial não está sendo explorado e,
61
caso elas tivessem o desempenho semelhante às escolas eficientes, o seu resultado

no IDEB seria superior à meta proposta.
Tabela 22 - Projeção do IDEB para as 5 escolas com menor eficiência do 5° ano

Nota Nota média Meta
Código da Taxa de IDEB Português Matemática IDEB
Município Eficiência média em em IDEB
escola aprovação 2011 projeção projeção projetado
português matemática 2011
24060844 Ares 62,8% 80,4% 116,8 139,8 2,2 199,0 222,7 3,6 2,8
Lagoa dos
24040860 63,1% 68,4% 131,3 144,1 2,1 208,3 228,6 3,4 3
velhos
São José do
24055603 63,6% 67,0% 135,3 143,3 2,1 212,6 238,9 3,4 2,9
Mipibu
24029637 Lagoa Nova 65,5% 79,0% 139,3 151,9 2,7 212,6 231,8 4,1 3,1
24281336 Pureza 65,5% 70,7% 139,8 147,9 2,4 213,2 229,9 3,6 2,3
A Tabela 23 possui as mesmas informações que a Tabela 22, sendo para o

9°ano. A diferença entre o IDEB projetado e o real varia entre 0,8 e 1,3 pontos,
também sendo suficiente para superar a meta. Apenas a escola de Pedro Avelino
obteria um resultado exatamente igual à meta. Entretanto, esta escola apresenta outro
problema além do baixo aprendizado: sua taxa de aprovação é de apenas 45%, e isso
faz com que seu resultado final do IDEB seja bastante prejudicado. Por isso, nessa
escola, os gestores precisariam tratar desses dois problemas simultaneamente. Isso
não quer dizer que a taxa de aprovação das outras escolas estejam em patamares
aceitáveis, significa apenas que esta escola está bem abaixo dos seus pares.
Tabela 23 - Projeção do IDEB para as 5 escolas com menor eficiência do 9° ano
Nota Nota média Meta

Código da Taxa de IDEB Português Matemática IDEB
Município Eficiência média em em IDEB
escola aprovação 2011 projeção projeção projetado
português matemática 2011
24039080 Poço Branco 66,7% 84% 182,5 175,1 2,2 262,3 273,4 3,5 3,1
Pedro
24028231 71,6% 45% 182,9 181,5 1,2 253,5 255,5 2,0 2
Avelino
24052353 Ceará-Mirim 73,8% 91% 193,6 191,7 2,8 259,6 269,0 3,9 3,5
Lagoa
24063207 75,1% 70% 207,3 199,6 2,4 265,6 278,5 3,2 2,6
D'anta
24010804 Itajá 75,9% 78% 205,4 194,1 2,6 258,4 270,5 3,4 2,6
62
Desse modo, é possível visualizar que a mudança proposta pelo método DEA
teria um efeito significante no resultado e que essa mudança é ponderada pelos
insumos intraescolares, potencial socioeconômico dos alunos e comparando com
escolas próximas e semelhantes, do mesmo estado e município.
Apesar de já existirem as metas do IDEB, criadas pelo MEC, o método DEA
também é capaz de sugerir metas no desempenho educacional para cada escola
analisada, com o diferencial de considerar as escolas semelhantes para a projeção
da meta, a localidade e a competência da escola da escola ao ponderar por insumos
não discricionários. O resultado do DEA ainda sugere que as metas propostas pelo
MEC são possíveis de serem alcançadas pelas escolas, ou seja, a meta não está além
da capacidade da escola.
63
5 CONSIDERAÇÕES FINAIS
O objetivo do trabalho foi analisar a eficiência escolar a partir dos insumos

intraescolares para as escolas da rede pública do Rio Grande do Norte. Para isto,
foram criadas foram criadas duas variáveis usando a Teoria de Resposta ao Item: o
índice de infraestrutura escolar que resume a qualidade da infraestrutura de uma
escola e o índice socioeconômico que captura as características socioeconômicas do
corpo discente de cada escola, as quais refletem a função de produção teórica da
educação necessária para uma melhor análise do processo produtivo de cada escola.
Foram testados 4 diferentes modelos, os quais, no geral, não apresentam
grandes diferenças entre si, o modelo 4 – não discricionário – foi mais equitativo
beneficiando as escolas com menores índices socioeconômicos. Este resultado foi
semelhante a outros artigos como Camanho, Portela e Vaz (2009) e Pande e Patel
(2012) que analisaram as diferenças entre o modelo não discricionário e os modelos
básicos (CCR e BCC) do DEA. A partir desta constatação, foi escolhido o modelo de
variáveis não controláveis para uma análise mais detalhada.
Apesar do baixo desempenho na Prova Brasil, a maioria das escolas está perto
da fronteira de eficiência - esse resultado enfatiza a existência de relativa
homogeneidade entre as escolas do Estado do Rio Grande do Norte.
Constatou-se, ainda, que não houve diferenças significativas entre a eficiência
das escolas públicas municipais e estaduais, mas em alguns municípios, como
Mossoró, as escolas municipais são mais eficientes. Houve uma correlação moderada
na eficiência das escolas para as diferentes séries, sendo 7 escolas eficientes tanto
no 5° ano como no 9° ano.
Foi observado que não houve grandes diferenças na eficiência devido a fatores
ambientais. Entretanto a utilização do modelo de variáveis não discricionárias provoca
modificações na fronteira de eficiência, beneficiando uma maior quantidade de
escolas com menor nível socioeconômico, sendo assim relevante no momento de
decidir qual modelo DEA é o mais adequado, teoricamente, à aplicação. O município
de Mossoró foi o melhor dentre os analisados, tanto para o 5° quanto para o 9° ano.
Os apêndices A e B contêm todas as escolas eficientes do modelo não
discricionário para o 5° e 9° ano incluindo o seu IDEB para o ano de 2011 e a
64
quantidade de escolas para as quais elas servem como referência (benchmark). Este
resultado pode ser complementado por estudos qualitativos com o intuito de
compreender melhor as razões do sucesso das escolas que mais serviram de
referência para as ineficientes.
Esses resultados são importantes porque assim é possível aumentar o
desempenho através da melhoria da eficiência das variáveis intraescolares baseando-
se no benchmark encontrado das escolas. À partir da construção de um IDEB usando
as notas projetadas do DEA em português e matemática foi demonstrado que as
escolas estão operando de forma ineficiente e possuem enorme potencial para
melhora, e caso esse potencial fosse utilizado, conseguiriam superar a meta proposta
do MEC. O método ainda permite a criação de metas para cada escola, de forma
semelhante a meta do MEC.
Dentre as principais limitações do trabalho estão a análise transversal e uma
base de dados relativamente pequena devido ao foco no ensino fundamental apenas
do Rio Grande do Norte. Sendo assim, o trabalho pode ser estendido futuramente
através de análises longitudinais, ou seja, da análise da eficiência e sua mudança ao
longo dos anos, através do índice de Malmquist ou DEA dinâmico. Uma outra
possibilidade é tentar captar as duas fases da eficiência escolar através da utilização
do DEA network, computando a eficiência da transformação dos recursos financeiros
em insumos escolares e, em seguida, o uso destes insumos em desempenho. Outra
possibilidade é realizar um DEA dois estágios em conjunto com algum modelo
econométrico. Por fim, pode-se comparar o modelo proposto neste estudo com um
modelo incluindo a nova variável socioeconômica e de qualificação do professor
disponíveis na Prova Brasil 2013.
65
6 REFERÊNCIAS
ACKOFF, R. L.; GREENBERG, D. Turning Learning Right Side Up: Putting

Education Back on Track. [s.l.] Pearson Prentice Hall, 2008.
AFONSO, A.; ST. AUBYN, M. Cross-country efficiency of secondary education

provision: A semi-parametric analysis with non-discretionary inputs. Economic
Modelling, v. 23, n. 3, p. 476–491, maio 2006.
ALEXANDER, W. R. J.; JAFORULLAH, M. Explaining efficiency differences of New

Zealand secondary schools. fev. 2004.
ALVES, M. T. G.; SOARES, J. F.; XAVIER, F. P. O Nível Socioeconômico das Escolas

de Educação Básica Brasileiras. VII Reunião da ABAVE – Avaliação e currículo:
um diálogo necessário, v. 0, n. 1, p. 15–32, 9 jan. 2014.
ANDRADE, J. M.; LAROS, J. A. Fatores associados ao desempenho escolar: estudo

multinível com dados do SAEB/2001. Psicologia: Teoria e Pesquisa, v. 23, n. 1,
2007.
AYALA, R. J. D. The Theory and Practice of Item Response Theory. [s.l.] Guilford
Press, 2009.
BAKER, F. B. The Basics of Item Response Theory. Second Edition. [s.l.] For full
text: http://ericae.net/irt/baker., 2001.
BANKER, R. D.; JANAKIRAMAN, S.; NATARAJAN, R. Analysis of trends in technical

and allocative efficiency: An application to Texas public school districts. European
Journal of Operational Research, v. 154, n. 2, p. 477–491, Abril 2004.
BARBETTA, G. P.; TURATI, G. Efficiency of Junior High Schools and the Role of
Proprietary Structure. Annals of Public and Cooperative Economics, v. 74, n. 4, p.
529–552, 2003.
BARBOSA, M. E. F.; FERNANDES, C. Modelo multinível: uma aplicação a dados de

avaliação educacional. Estudos em Avaliação Educacional, v. 0, n. 22, p. 135–154,
14 out. 2013.
BARBOSA, S. G.; WILHELM, V. E. Influência dos fatores sociais e econômicos no

desempenho de escolas públicas. Revista Diálogos & Saberes, v. 5, n. 1, 2009.
BARROS, R. P. DE et al. Determinantes do desempenho educacional no Brasil.

www.ipea.gov.br, out. 2001.
BENEGAS, M.; SILVA, F. G. F. DA. Estimação da eficiência técnica do SUS nos

estados brasileiros na presença de insumos não-discricionários. Revista Brasileira
de Economia, v. 68, n. 2, p. 171–196, jun. 2014.
66
BESSENT, A. et al. An Application of Mathematical Programming to Assess

Productivity in the Houston Independent School District. Management Science, v. 28,
n. 12, p. 1355–1367, 1 dez. 1982.
BESSENT, A. M.; BESSENT, E. W. Determining the Comparative Efficiency of

Schools through Data Envelopment Analysis. Educational Administration
Quarterly, v. 16, n. 2, p. 57–75, 1 maio 1980.
CAMANHO, A. S.; PORTELA, M. C.; VAZ, C. B. Efficiency analysis accounting for

internal and external non-discretionary factors. Computers & Operations Research,
Selected papers presented at the Tenth International Symposium on Locational
Decisions (ISOLDE X). v. 36, n. 5, p. 1591–1601, maio 2009.
CHARNES, A.; COOPER, W. W.; RHODES, E. Measuring the efficiency of decision

making units. European Journal of Operational Research, v. 2, n. 6, p. 429–444,
nov. 1978.
COLEMAN, J. S. et al. Equality of educational opportunity. Washington, dc, p. 1066–

5684, 1966.
COOPER, W. W.; SEIFORD, L. M.; TONE, K. Data envelopment analysis: A

comprehensive text with models, applications, references and DEA-Solver Software.
Second editions. Springer, ISBN, v. 387452818, p. 490, 2007.
CORDERO-FERRERA, J. M.; PEDRAJA-CHAPARRO, F.; SALINAS-JIMÉNEZ, J.

Measuring efficiency in education: an analysis of different approaches for incorporating
non-discretionary inputs. Applied Economics, v. 40, n. 10, p. 1323–1339, 1 maio
2008.
DA SILVA, J. L. M.; ALMEIDA, J. C. L. Eficiência no Gasto Público com Educação:

Uma Análise dos Municípios do Rio Grande do Norte. Planejamento e Políticas
Públicas, v. 0, n. 39, 21 dez. 2012.
DELGADO, V. M.; MACHADO, A. F. Eficiência das escolas públicas estaduais de

Minas Gerais. Pesquisa e Planejamento Econômico, v. 37, n. 3, p. 427–464, 2007.
FILHO, N. A. M.; AMARAL, L. F. L. E. A relação entre gastos educacionais e

desempenho escolar. Insper Instituto de Ensino e Pesquisa, n. Working paper 164,
2009.
FRIED, H. O. et al. Accounting for Environmental Effects and Statistical Noise in Data
Envelopment Analysis. Journal of Productivity Analysis, v. 17, n. 1-2, p. 157–174,
1 jan. 2002.
GIMÉNEZ, V.; PRIOR, D.; THIEME, C. Technical efficiency, managerial efficiency and
objective-setting in the educational system: an international comparison. Journal of
the Operational Research Society, v. 58, n. 8, p. 996–1007, 19 jul. 2006.
GLEWWE, P. W. et al. School Resources and Educational Outcomes in

Developing Countries: A Review of the Literature from 1990 to 2010. [s.l.] National
Bureau of Economic Research, out. 2011. Disponível em:
<http://www.nber.org/papers/w17554>. Acesso em: 5 nov. 2014.
67
GOLANY, B.; ROLL, Y. An application procedure for DEA. Omega, v. 17, n. 3, p. 237–
250, 1989.
GRAMANI, M. C. N.; DUARTE, A. L. DE C. M. O impacto do desempenho das

instituições de educação básica na qualidade do ensino superior. aval. pol. públ.
Educ., v. 19, n. 72, p. 679–702, 2011.
GROSSKOPF, S. et al. Anticipating the Consequences of School Reform: A New Use

of DEA. Management Science, v. 45, n. 4, p. 608–620, 1 abr. 1999.
HANUSHEK, E. A. The Economics of Schooling: Production and Efficiency in Public

Schools. Journal of Economic Literature, v. 24, n. 3, p. 1141–1177, 1986.
HANUSHEK, E. A. Chapter 14 School Resources. In: E. HANUSHEK AND F. WELCH

(Ed.). . Handbook of the Economics of Education. [s.l.] Elsevier, 2006. v. Volume
2p. 865–908.
HU, Y.; ZHANG, Z.; LIANG, W. Efficiency of primary schools in Beijing, China: an
evaluation by data envelopment analysis. International Journal of Educational
Management, v. 23, n. 1, p. 34–50, 2009.
JESUS, G. R. DE; LAROS, J. A. Eficácia escolar: regressão multinível com dados de

avaliação em larga escala. Avaliação Psicológica, v. 3, n. 2, p. 93–106, nov. 2004.
JOHNES, G.; JOHNES, J. International Handbook on the Economics of

Education. [s.l.] Edward Elgar Publishing, 2007.
LINDEN, W. J. VAN DER; HAMBLETON, R. K. Handbook of Modern Item Response

Theory. [s.l.] Springer Science & Business Media, 1997.
MENEZES-FILHO, N. A. Os determinantes do desempenho escolar do Brasil. [s.l.]

IFB, 2007.
MIZALA, A.; ROMAGUEIRA, P. School Performance and Choice: The Chilean

Experience. The Journal of Human Resources, v. 35, n. 2, p. 392–417, 2000.
MOURAD, T. E.; BADRI, M. A. Determinants of school efficience in Abu Dhabi. IACSIT

Press, v. 37, 2012.
MUELLER, N. (Mis-)Understanding Education Externalities. MPRA Paper.

Disponível em: <http://mpra.ub.uni-muenchen.de/5331/>. Acesso em: 6 dez. 2014.
NETO, J. J. S. et al. Uma escala para medir a infraestrutura escolar. Estudos em

Avaliação Educacional, v. 24, n. 54, p. 78–99, 2013.
OECD. Education at a Glance 2014. Paris: Organisation for Economic Co-operation

and Development, 2014.
PANDE, S.; PATEL, G. ASSESSING THE IMPACT OF NON-DISCRETIONARY

VARIABLES ON THE PERFORMANCE OF PHARMACY RETAIL STORES USING
DEA APPROACH. Business Intelligence Journal (19182325), v. 5, n. 2, 2012.
68
PÉREZ, M. A. M.; TORRUBIA, M. J. M. Aspectos clave de la evaluación de la

eficiencia productiva en la educación secundaria. Papeles de economía española,
v. 25, p. 162–187, 2003.
PORTELA, M.; CAMANHO, A.; BORGES, D. Performance assessment of secondary

schools: the snapshot of a country taken by DEA. Journal of the Operational
Research Society, 2012.
PORTELA, M. C. S.; THANASSOULIS, E. Decomposing school and school-type

efficiency. European Journal of Operational Research, v. 132, n. 2, p. 357–373,
2001.
RAPOSO, I. P. DE A. et al. Public school efficiency using data envelopment

analysis: an empirical application for the northeast of Brazil39o Encontro Nacional
de Economia. Anais... In: 39o ENCONTRO NACIONAL DE ECONOMIA. Paraná: 2011
RAUDENBUSH, S. W.; WILLMS, JD. The Estimation of School Effects. Journal of

Educational and Behavioral Statistics, v. 20, n. 4, p. 307–335, 21 dez. 1995.
ROBINS, R. W.; FRALEY, R. C.; KRUEGER, R. F. Handbook of Research Methods

in Personality Psychology. [s.l.] Guilford Press, 2009.
RUGGIERO, J. Non-discretionary inputs in data envelopment analysis. European

Journal of Operational Research, v. 111, n. 3, p. 461–469, 16 dez. 1998.
RUGGIERO, J.; VITALIANO, D. F. Assessing the Efficiency of Public Schools Using

Data Envelopment Analysis and Frontier Regression. Contemporary Economic
Policy, v. 17, n. 3, p. 321–331, 1999.
SAMPAIO, B.; GUIMARÃES, J. Diferenças de eficiência entre ensino público e privado

no Brasil. Economia Aplicada, v. 13, n. 1, p. 45–68, mar. 2009.
SARRICO, C. S.; ROSA, M. J. Measuring and comparing the performance of

Portuguese secondary schools: A confrontation between metric and practice
benchmarking. Journal of Productivity and Performance Management, v. 58, n. 8,
p. 767–786, 2009.
SENRA, L. F. A. DE C. et al. Estudo sobre métodos de seleção de variáveis em DEA.

Pesquisa Operacional, v. 27, n. 2, ago. 2007.
SOTERIOU, A. C. et al. Using DEA to evaluate the efficiency of secondary schools:

the case of Cyprus. International Journal of Educational Management, v. 12, n. 2,
p. 65–73, 1998.
THANASSOULIS, E. Assessing the Effectiveness of Schools with Pupils of Different

Ability Using Data Envelopment Analysis. The Journal of the Operational Research
Society, v. 47, n. 1, p. 84–97, 1996.
69
7 APÊNDICE A
As 84 escolas eficientes do 5° ano – Modelo 4, 2011
Código da Nome do IDEB Bench

Nome da Escola Rede
escola município 2011 mark
ESCOLA MUNICIPAL PROFESSOR MANOEL
24003220 MOSSORO M 6.2 487
ASSIS
24018309 ESC EST JOSE GUEDES DO REGO PAU DOS FERROS E 5.2 275
ESCOLA MUNICIPAL PROFESSOR
24068942 MOSSORO M 6.3 213
FRANCISCO MORAIS FILHO
ESCOLA MUNICIPAL RONALD PINHEIRO
24079570 MOSSORO M 5.9 211
NEO JUNIOR
24044822 EM MAE STA BOM JESUS M 4.9 120
ESC EST ISABEL GONDIM - ENSINO
24057908 NATAL E 2.8 118
FUNDAMENTAL
24055999 EM NOSSA SRA DA GUIA PARNAMIRIM M 6.7 103
ESCOLA MUNICIPAL PROFESSORA
24002755 MOSSORO M 6.1 99
DOLORES FREIRE DE ANDRADE
ESC MUL ANTONIO CARVALHO DE RAFAEL
24019240 M 4.3 99
OLIVEIRA FERNANDES
24002380 EE PROF INALDA CABRAL ENS 1 GRAU MOSSORO E 4.5 94
24057789 ESC EST DR MAIA NETO ENS DE 1 GRAU NATAL E 4.9 94
24002046 EE ABOLICAO IV ENSINO FUNDAMENTAL MOSSORO E 4.9 77
24003778 EE JARDIM DE INFANCIA MODELO MOSSORO E 5.6 76
24052280 EM AUGUSTO XAVIER DE GOIS CEARA-MIRIM M 3.4 76
24062944 EM VICENCIA CASTELO TIBAU DO SUL M 3.9 76
24058300 EE PROF JOAQUIM TORRES ENS 1 GRAU NATAL E 5 73
24076660 ESCOLA MUNICIPAL GENESIS MOSSORO M 5.3 69
ESC EST BARAO DO RIO BRANCO - ENSINO
24037028 PARELHAS E 6.1 61
FUNDAMENTAL
E E PROF LOURENCO GURGEL OLIVEIRA
24005878 CARAUBAS E 3.9 60
ENS FUND E MEDIO
24002747 ESCOLA MUNICIPAL DINARTE MARIZ MOSSORO M 5.5 55
ESC EST PROFESSORA ROSA DE LIMA
24031640 CAICO E 2.8 54
BEZERRA
24057614 ESC EST BERILO WANDERLEY NATAL E 4.6 53
24285340 ESC MUL PROFA JOSEANE COUTINHO DIAS NATAL M 4.6 51
ESCOLA MUNICIPAL FRANCISCO DE ASSIS
24002712 MOSSORO M 4.5 43
BATISTA
24003298 ESCOLA MUNICIPAL ROTARY MOSSORO M 6 42
24068861 EE NOSSA SENHORA DAS GRACAS MOSSORO E 5.5 41
24035700 ESC MUL PROF FRANCISCO ROSA CURRAIS NOVOS M 5 38
24037346 ESCOLA ESTADUAL JESUS MENINO PARELHAS E 5.4 33
ESC EST CAP MOR GALVAO ENS DE 1º E 2º
24035513 CURRAIS NOVOS E 4.6 29
GRAU
24039047 ESC MUL TANCREDO DE ALMEIDA NEVES PARAZINHO M 4.3 27
70
ESC MUL MONSENHOR JOAQUIM

24057452 NATAL M 5.3 21
HONORIO
24060380 ESC MUL PROFA PALMIRA DE SOUZA NATAL M 4.2 20
24058688 ESC EST VALE DO PITIMBU NATAL E 4 19
SAO GONCALO
24069850 ESC MUN VEREADOR AILDO MENDES M 2.6 19
DO AMARANTE
ESC EST TRISTAO DE BARROS ENS FUND E
24035548 CURRAIS NOVOS E 5.8 18
MEDIO
24035696 ESC MUL PRES CASTELO BRANCO CURRAIS NOVOS M 5.3 16
24052469 EM EMIDIO FERREIRA DA SILVA CEARA-MIRIM M 3.2 16
24008087 ESC EST VICENTE GURGEL JANDUIS E 4.3 15
ESC EST SEN JOSE BERNARDO ENS 1 E 2 SAO JOAO DO
24033634 E 4.9 15
GRAU SABUGI
24065951 ESCOLA ESTADUAL PRESIDENTE KENNEDY NATAL E 6 14
ESCOLA MUNICIPAL HELOISA LEAO DE
24002658 MOSSORO M 4.3 13
MOURA
24032247 ESC MUL PROF RAIMUNDO GUERRA CAICO M 4.2 13
24027731 ESC MUL JOAO BANDEIRA SOBRINHO PEDRA PRETA M 2.5 12
ESCOLA MUNICIPAL PROFª TEREZINHA DE
24034797 ACARI M 5.8 10
LOURDES GALVAO
SAO JOAO DO
24033642 ESC EST SANTA TEREZINHA E 4.9 9
SABUGI
E M JOSE N DE FIGUEIREDO ENS FUND E
24036820 OURO BRANCO M 4.4 9
MEDIO
ESC MUL MANOEL RODRIGUES DE LAGOA DE
24046078 M 3.7 9
OLIVEIRA PEDRAS
24050628 EM FAZ SAO FRANCISCO RIO DO FOGO M 2.6 9
24066460 EM 12 DE OUTUBRO APODI M 5.7 8
24008630 EM DE 1 GRAU PE AMARO PARAU M 3.1 7
ESCOLA MUNICIPAL DE 1º GRAU DR
24015792 ALEXANDRIA M 4.1 7
GREGORIO DE PAIVA
JARDIM DO
24065650 ESC EST ANTONIO DE AZEVEDO E 5.1 6
SERIDO
24002186 EE DR EWERTON D CORTEZ ENS 1 GRAU MOSSORO E 4.8 5
24060151 EE POTIGUASSU ENS 1 GRAU NATAL E 4.7 5
24002259 EE LUIZ DANTAS CAVALCANTI ENS 1 G MOSSORO E 2.9 4
24031887 ESC MUL AUTA DE SOUZA CAICO M 4.5 4
EM MANOEL CAVALCANTE DO
24066877 RIO DO FOGO M 3.2 4
NASCIMENTO
24012017 EM FRANCISCO PINHEIRO DA SILVA SAO RAFAEL M 3.7 3
24058793 ESC MUL PROF CARLOS BELLO MORENO NATAL M 4.7 3
ESC EST PROF FIRMA F DE OLIVEIRA 1
24046795 NOVA CRUZ E 2.2 2
GRAU
SAO JOSE DE
24055581 EM MARIA SALETE DE LIMA M 4 2
MIPIBU
ESCOLA MUNICIPAL MARIA ALDELINA
24076449 SAO MIGUEL M 4.9 2
BARBOSA
CORONEL JOAO
24105201 ESC MUL MARIA ALMEIDA DE NEGREIROS M 2.5 2
PESSOA
24000175 ESCOLA ESTADUAL DR DAGMAR SABINO AREIA BRANCA E 2.2 1
71
ESCOLA MUNICIPAL PROFESSOR ANTONIO

24001791 MOSSORO M 5.3 1
DA GRACA MACHADO
SAO GONCALO
24248207 EM MARIA LOURDES DE LIMA M 2.8 1
DO AMARANTE
ESCOLA MUNICIPAL MARINEIDE PEREIRA
24001775 MOSSORO M 5.1 0
DA CUNHA
24001880 ESCOLA MUNICIPAL ANDRE LUIZ MOSSORO M 5.3 0
24001970 EE TERTULIANO AYRES DIAS MOSSORO E 4.3 0
ESCOLA MUNICIPAL LIONS MOSSORO
24002518 MOSSORO M 4.9 0
CENTRO
UNIDADE DE ENSINO IV JOSE PAULINO DA
24014133 LUIS GOMES M 4.3 0
COSTA
ESC MUL OLIMPIO MOREIRA DO TENENTE
24020915 M 3.8 0
NASCIMENTO ANANIAS
24027758 ESC MUL JOAQUIM ALVES DA CAMARA PEDRA PRETA M 2.6 0
ESC MUL DE ENSINO FUND PE FCO R
24033367 SAO FERNANDO M 2.9 0
FERNANDES
ESC EST OTAVIO LAMARTINE ENS DE 1
24035165 CRUZETA E 5.8 0
GRAU
ESCOLA ESTADUAL MANOEL CORREIA -
24036730 OURO BRANCO E 4 0
ENS FUNDAMENTAL E MEDIO
24038946 ESC MUL ALEXANDRE CAMARA PARAZINHO M 4.4 0
ESC MUL MARIA DAS DORES DO
24039233 POCO BRANCO M 3.2 0
NASCIMENTO
EE JOSE JOAQUIM ENSINO FUNDAMENTAL CORONEL
24039950 E 3.5 0
E MEDIO EZEQUIEL
MAXARANGUAP
24050709 EM ESMERINO GOMES DE SOUZA M 2.6 0
E
24052396 EM BRASILIANO JERONIMO DA SILVA CEARA-MIRIM M 3.5 0
24053481 EM JOSE MESQUITA MACAIBA M 2.7 0
24070580 ESCOLA ESTADUAL ANTONIO FRANCISCO FELIPE GUERRA E 4.4 0
24080276 ESCOLA MUNICIPAL HERMANN GMEINER CAICO M 5.5 0
8 APÊNDICE B
As 47 escolas eficientes do 9° ano – Modelo 4, 2011
Código da Nome do IDEB Bench

Nome da escola Rede
escola município 2011 mark
24057975 EE JORGE FERNANDES ENS DE 1 GRAU NATAL E 4.1 325
24057800 ESC EST DR MANOEL VILLACA NATAL E 3.6 277
24071633 ESC MUL 4º CENTENARIO NATAL M 4.5 253
E M JOSE N DE FIGUEIREDO ENS FUND E OURO
24036820 M 4.5 136
MEDIO BRANCO
SAO BENTO
24068616 EM ANITA CHACON M 2.4 131
DO NORTE
24039047 ESC MUL TANCREDO DE ALMEIDA NEVES PARAZINHO M 3.5 130
24015822 ESC EST GOV DINARTE MARIZ ENS 1 GRAU ALEXANDRIA E 4.3 93
72
ESCOLA ESTADUAL WALDEMAR DE SOUSA

24015814 ALEXANDRIA E 3.2 79
VERAS
24055859 EE SANTOS DUMONT ENS DE 1 E 2 GRAUS PARNAMIRIM E 4.1 78
24060380 ESC MUL PROFA PALMIRA DE SOUZA NATAL M 3.9 63
24017930 ESC EST 26 MARCO ENS DE 1 E 2 GRAUS PARANA E 2.9 56
ESC EST BARAO DO RIO BRANCO - ENSINO
24037028 PARELHAS E 5.6 56
FUNDAMENTAL
ESCOLA MUNICIPAL PROFESSOR MANOEL
24003220 MOSSORO M 4.6 55
ASSIS
24003298 ESCOLA MUNICIPAL ROTARY MOSSORO M 5.4 54
FRUTUOSO
24022640 ESC EST IVONETE CARLOS E 4.3 47
GOMES
ESC EST FELISMINO J DA COSTA ENS 1 E 2 MONTE DAS
24041211 E 2.4 38
GRAU GAMELEIRAS
24003409 EE CENTENARIO DE MOSSORO MOSSORO E 4.6 31
EE PEREGRINO JUNIOR ENSINO
24060143 NATAL E 2.4 23
FUNDAMENTAL E MEDIO
24048062 EM MANOEL G DE A VALENTI RIACHUELO M 2.3 22
TRIUNFO
24007480 EM MANOEL FELINTO FILHO M 3.5 19
POTIGUAR
24005843 EE ANTONIO CARLOS ENS DE 1 GRAU CARAUBAS E 4.9 16
24058823 ESC MUL PROF ZUZA NATAL M 3.4 12
ESCOLA ESTADUAL JOAO DE ABREU ENS
24000647 BARAUNA E 3.3 11
FUNDAMENTAL E MEDIO
24038725 EM XVI DE JUNHO JOAO CAMARA M 2.6 11
24016683 ESCOLA ESTADUAL FRANCISCO PINTO ITAU E 3.5 9
CENTRO EDUCACIONAL RAIMUNDA
24023191 MARTINS M 3.8 9
BARRETO
24002836 ESCOLA MUNICIPAL GENILDO MIRANDA MOSSORO M 3.6 8
24076716 EM JOSE ARINALDO ALVES MACAIBA M 3 6
ESCOLA MUNICIPAL NOSSA SENHORA JANUARIO
24045780 M 3.4 5
PERPETUO DE SOCORRO CICCO
24049808 ESC MUL 1 GRAU JOAO PAULO I SERRINHA M 3.4 5
EE DR JOSE BORGES DE OLIVEIRA - ENS CAMPO
24039608 E 3.4 4
FUNDAMENTAL E EJA REDONDO
FELIPE
24006670 EM PROF JOSE DO PATROCINIO BARRA M 3.4 3
GUERRA
ESC DE ENS FUND PROF JOAQUIM PEDRA
24050814 M 1.8 3
FAUSTINO DE SOUZA GRANDE
COLEGIO EVANGELICO LEONCIO JOSE DE
24079588 MOSSORO M 4.1 3
SANTANA
ESCOLA MUNICIPAL SENADOR DUARTE
24003166 MOSSORO M 4 2
FILHO
24021458 ESC MUL FRANCISCO GOMES PINTO VICOSA M 3.1 2
24058971 ESC MUL PROF ULISSES DE GOIS NATAL M 3.1 2
24035130 ESC MUL 1 E 2 GR CON AMBROSIO SILVA CRUZETA M 4.3 1
SANTO
24068586 E E PREFEITO JOSE DO CARMO DOS SANTOS E 3 1
ANTONIO
24003450 ESCOLA ESTADUAL DOM JOAO COSTA MOSSORO E 3.8 0
24024260 ESC MUL FCO FRANCELINO DE MOURA PATU M 2.6 0
73
ESCOLA MUNICIPAL EMMANOEL BEZERRA CAICARA DO

24026077 M 3.6 0
DOS SANTOS NORTE
JARDIM DO
24036420 CENTRO EDUC FELINTO ELISIO E 4.1 0
SERIDO
E E JOAO VILAR DA CUNHA ENSINO SANTANA DO
24037516 E 3.7 0
FUNDAM E MEDIO SERIDO
24046825 ESC EST SAO JOSE NOVA CRUZ E 2.5 0
EE MONSENHOR PAIVA - ENS FUND E
24050318 VERA CRUZ E 3.7 0
MEDIO
24080276 ESCOLA MUNICIPAL HERMANN GMEINER CAICO M 2.8 0

AvaliandoEscolasCompetências Queiroz 2015

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

AvaliandoEscolasCompetências Queiroz 2015

Enviado por

Direitos autorais:

Formatos disponíveis

Marcelo Victor Alves Bila Queiroz

AVALIANDO AS ESCOLAS PELAS SUAS

Dissertação apresentada à Universidade Federal do

Área de concentração: Política e gestão

MARCELO VICTOR ALVES BILA QUEIROZ

Avaliando as escolas pelas suas competências:

Dissertação de Mestrado apresentada e aprovada em _____ / _____ /

Agradeço, primeiramente, ao meu professor e amigo Luciano Sampaio pela

“Se você acha que a educação

Palavras-chave: Educação. Eficiência escolar. DEA não discricionário. Índice

Key words: Education. School efficiency. Non discretionary DEA. Socioeconomic

Figura 1- Diferença entre as fronteiras de retorno constante de escala (CRS) e retorno

1PL – Modelo logístico de 1 parâmetro

2.1 Educação no Brasil ...................................................................................... 17

2.2 Análise de eficiência da educação ............................................................... 23

2.3 Análise envoltória de dados (DEA) .............................................................. 30

2.4 Teoria de Resposta ao Item (TRI) ................................................................ 36

3.1 Amostra ........................................................................................................ 42

3.2 Modelos DEA ............................................................................................... 44

3.3 Índice de infraestrutura................................................................................. 45

3.4 Índice socioeconômico ................................................................................. 46

4.1 Diferença na eficiência das escolas estaduais e municipais ........................ 52

4.2 Escolas eficientes no quinto e nono ano ...................................................... 53

4.3 Eficiência e tamanho da escola .................................................................... 56

4.4 Eficiência e o índice socioeconômico ........................................................... 57

4.5 Eficiência por município ............................................................................... 58

4.6 Análise das escolas ineficientes ................................................................... 60

5 CONSIDERAÇÕES FINAIS ............................................................................... 63

7 APÊNDICE A - As 84 escolas eficientes do 5° ano – Modelo 4, 2011 ........... 69

8 APÊNDICE B - As 47 escolas eficientes do 9° ano – Modelo 4, 2011 ........... 71

A educação no Brasil alcançou a quase universalização do ensino fundamental

1 Programa Internacional de Avaliação de Estudantes é uma avaliação comparada, aplicada a

línguas, 391, em matemática, e 405 em ciências2. Apesar da pequena melhora nas

algumas vezes, entre estados), e se concentra em unidades subordinadas a uma

não é o caso, e, portanto, se faz necessário um método para condensar as variáveis

avaliam o efeito das variáveis ambientais/não discricionárias da escola na eficiência

2.1 Educação no Brasil

A educação, vista sob a ótica do processo de ensino e aprendizagem, pode ser

análogo ao investimento em capital físico, isto serve para justificar o investimento em

“A educação, direito de todos e dever do Estado e da família,

Apesar da preocupação da legislação, o desempenho do Brasil no cenário

Tabela 1 - Quantidade de alunos participantes e desempenho do Brasil no PISA

Notas médias nas disciplinas

Tabela 2 - Desempenho educacional dos países sul-americanos (2013)

Adultos População Satisfação Evasão

BRASIL 7,2 90,30% 49,50% 53,70% 24,30% 391 410 405

Fonte: PNUD/ONU 2013

Em âmbito nacional, as principais fontes de informações educacionais do

ministrado nas escolas públicas. A avaliação é censitária e inclui todos os estudantes

Tabela 3 - Proficiência em português (escala SAEB)6

Português 5º ano 9º ano

Tabela 4 - Proficiência em matemática (escala SAEB)

Tabela 5 - Porcentagem de estudantes com conhecimento no nível proficiente ou

Matemática 33% 12% 14% 6%

O Índice de Desenvolvimento da Educação Básica (IDEB) é calculado a partir

2.2 Análise de eficiência da educação

O processo educacional é o contexto maior que compreende todo o processo

atitudes, entre outras características; (ii) a participação do cliente no processo

e 𝑑𝑖 é um conjunto de variáveis chamada de ‘dotação’ que estão relacionadas ao

Hanushek (1986) estrutura a função de produção de forma muito semelhante à

insumos e produtos utilizados por todas as unidades que se deseja comparar e o

Portela e Thanassoulis (2001) destacam que a escolha das variáveis e,

Dissertação de Mestrado apresentada e aprovada em _ / _ /