DISTRIBUIÇÃO DO TRANSPORTE FERROVIÁRIO DE ETANOL NA REGIÃO

CENTRO-SUL DO BRASIL UTILIZANDO PROGRAMAÇÃO LINEAR

Daniel Bazanella1; Guilherme Peres dos Santos2; Igor Gomes Furtado3
Programa de Pós Graduação em Engenharia de Transportes e Gestão Territorial (PPGTG)

Resumo: A programação linear é uma importante ferramenta utilizada na tomada de decisão

nos mais diversos setores. Sua aplicação se dá em áreas como a manufatura, planejamento,
telecomunicações, transportes, dentre outras. Para o presente trabalho foi adotada a
programação linear para a determinação da rota mais econômica de distribuição de etanol por
meio de ferrovias, considerando as malhas localizadas nas regiões centro-oeste, sudeste e sul.
O objetivo foi alocar as cargas produzidas em estados na região centro-oeste para distribuição
nos estados deficitários selecionados das regiões sudeste e sul.
Palavras-chave: programação linear; transporte ferroviário; etanol.

1. INTRODUÇÃO

Atualmente, com a busca mundial por fontes de energia renováveis, os biocombustíveis vêm
ganhando destaque. Neste contexto está o etanol, biocombustível derivado da cana de açúcar,
cuja produção no Brasil, em 2018, atingiu mais de 33 milhões de metros cúbicos, quantidade
15,6% maior em relação ao ano anterior (ANP, 2019). Entretanto, apesar de o Brasil estar entre
os maiores produtores de etanol no mundo, o país perde competitividade devido aos seus
gargalos logísticos na infraestrutura. Neste sentido, o custo do transporte é significativo na
cadeia logística, impactando o valor final do produto (COLETI; OLIVEIRA, 2019).

Conforme o Anuário Estatístico Brasileiro do Petróleo, Gás Natural e Biocombustíveis 2020

(ANP, 2020), as principais regiões produtoras de etanol são as regiões Sudeste e Centro-Oeste,
que somadas, correspondem a mais de 90% da produção do país. Do ponto de vista da demanda,
a região Sudeste concentra 70% da distribuição. Assim, observa-se a existência de regiões
superavitárias e regiões deficitárias, em relação a produção e consumo de etanol. Em muitas
situações reais, o transporte de produtos está restrito à limitações como diversas origens e
diferentes destinos, cujo objetivo do tomador de decisões é determinar qual a quantidade de
produtos de determinada origem para determinado destino deveria ser suprida de maneira que
todos os pontos de demanda são atendidos ao menor custo (KUMAR, 2018).

2. FORMULAÇÃO DO PROBLEMA

Para o problema aplicado neste trabalho, considerou-se a possibilidade de uma empresa de

operações de transporte ferroviário assumir a movimentação da carga do etanol com origem
nos estados de Goiás e Mato Grosso do Sul, destino a Rio de Janeiro, São Paulo e Paraná, bem
como pontos intermediários de transbordo. Os pontos intermediários tiveram como critério de
escolha terminais onde há conexão entre concessionárias diferentes, visto que nesses nós é
necessária mudança de via para o prosseguimento da carga.

A proposta metodológica é determinar quais são as rotas mais vantajosas em relação ao custo
do transporte de etanol para abastecer as cidades de destino com a produção das cidades de
origem. Os custos de transporte indicados na Figura 1 foram estimados com base no simulador
tarifário das concessionárias (AGÊNCIA NACIONAL DE TRANSPORTES TERRESTRES,
2020). Os custos são calculados em função da quantidade de carga transportada e da faixa de
distância percorrida. A Figura 1 ilustra os pontos de interesse para o caso analisado.

Figura 1. Rede de fluxo da carga ferroviária

Fonte: elaborado pelos autores (2020)

O etanol pode ser transportado por praticamente todos os modais, com exceção do aéreo. Ou
seja, existe a possibilidade de abastecer as bases de combustíveis através de dutos, ferrovias,
hidrovias, cabotagem ou rodovias. Todavia, pela falta de oferta de modais competitivos para o
transporte desses produtos, grande parte do abastecimento de combustíveis é feita por rodovias.
Esse padrão se repete também em outros setores da economia (WERNECK, 2013).

3. REVISÃO BIBLIOGRÁFICA

Em proposta que comparou o desempenho energético de diferentes modais para o transporte de

etanol para portos de exportação, Bovolenta e Biaggioni (2016) constataram que o rodoviário
apresentou o maior consumo específico de energia (0,53 MJ/m3), tendo os modais hidroviário
e ferroviário um consumo intermediário (0,20 e 0,27 MJ/m3, respectivamente) e o dutoviário o
consumo mais baixo (0,14 MJ/m3). Assim, o transporte ferroviário, devido ao menor consumo,
se mostra mais econômico em relação ao rodoviário.

3.1 Panorama do Transporte de Etanol no Brasil

A produção no Brasil vem aumentando, desde 2009, em uma taxa média de 2,4% ao ano.

Tabela 1. Participação do transporte ferroviário de etanol para o período 2011-2013 (%)

Ferrovia 2011 2012 2013
Participação de combustíveis na movimentação ferroviária 2,79 2,26 2,14
Participação do etanol na movimentação de combustíveis 22,8 25,9 27,3
Participação do etanol na movimentação ferroviária 0,64 0,58 0,58
Fonte: ANTT apud COLETI e OLIVEIRA (2019)

3.2 Pesquisa Operacional

A pesquisa operacional é uma metodologia administrativa que se utiliza de conhecimentos e

métodos da economia, matemática, estatística e informática, para a auxílio no processo de
tomada de decisão (ANDRADE, 2000). O avanço da complexidade e da dimensão das
organizações, após a Revolução Industrial, acarretou diversos problemas gerenciais, cujas
soluções exigem otimizações. Atualmente, observa-se a aplicação de técnicas de pesquisa
operacional em setores como manufatura, transportes, construção, telecomunicações,
planejamento, entre outros (HILLIER; LIEBERMAN, 2013). Andrade (2000) define o
fluxograma para a formulação de um estudo genérico de pesquisa operacional (Figura 2).

Figura 2. Formulação de um estudo genérico

Fonte: ANDRADE (2000)

O arsenal de ferramentas empregadas em pesquisa operacional é vasto. Aqui, cita-se algumas
destas técnicas: Programação Linear, Análise de Decisão, Simulação, PERT/CPM, Teoria das
Filas e Scheduling (LEIGUS; FENERICH; MORAIS, 2009).

3.3 Programação Linear

A programação linear é um dos modelos matemáticos mais utilizados no mundo. Sua função é
resolver problemas cujas relações entre as variáveis possam ser medidos e sejam lineares,
descritos por meio de funções de primeiro grau (MOREIRA, 2007). De acordo com Hillier e
Lieberman (2013), o problema genérico consiste em alocar, na melhor forma possível (forma
ótima), recursos que competem entre si e possuem um determinado limite. Afinal, na prática,
dificilmente os recursos encontrados à disposição são suficientes para execução de
determinadas atividades no nível de serviço que se deseja. Portanto, visa-se a distribuição destes
recursos entre as atividades desejadas, de forma a obter uma distribuição eficiente, nos termos
que se busca, maximizando o lucro ou minimizando o custo, por exemplo.

Lins e Calôba (2006) descrevem os elementos básicos necessário à formulação de um Problema

de Programação Linear: variáveis de decisão, função objetivo, restrições. A primeira
corresponde àquelas variáveis que possuem relevância para o problema, que podem ser medidas
e conhecidas. Já a função objetivo é expressa pelo produto entre determinados coeficientes e as
próprias variáveis de decisão, que corresponde a função que se deseja otimizar no problema.
Os casos mais comuns, são a maximização do lucro e a minimização dos custos. Finalmente,
as restrições são elementos existentes no problema, que limitam os recursos. Como por
exemplo, a disponibilidade de matéria prima para produção de um determinado produto.

Em se tratando de problemas de alocação de recursos, a ferramenta mais utilizada ainda hoje,

agora em meio computacional, é o Método Simplex. A sua denominação advém do fato de as
relações matemáticas serem simples, de primeira ordem (ANDRADE, 2000). Este, utiliza o
conceito de a solução ótima para um problema de programação linear estar representada
espacialmente em um dos vértices do poliedro representativo. O algoritmo Simplex limita a sua
busca pela solução ótima nestes vértices, acelerando o processo. Assim, parte-se de uma solução
básica inicial. Executa-se um teste de otimalidade, verificando-se se os vértices adjacentes ao
vértice da solução básica inicial possuem potencial para melhorar a função objetivo. Se sim,
move-se a solução para este vértice. Realiza-se novamente o teste de otimalidade, repetindo
estes passos até a resolução do problema. O processo chega ao fim quando não há vértices
adjacentes com potencial de melhora da solução (LINS; CALÔBA, 2006).

3.4. Problema de Transporte

Ao longo do tempo, surgiram problemas específicos dentro da programação linear. Entre eles,
destaca-se o Problema de Transporte que, devido à sua importância, foram desenvolvidos
algoritmos especiais para a sua solução. O problema típico de transporte, ilustrado na Figura 4,
consiste na necessidade da distribuição de bens ou serviços, a partir de várias fontes (origens),
para vários destinos (MOREIRA, 2007).

Figura 4. Modelo de transporte de acordo com as capacidades de fornecimento e absorção

Fonte: ANDRADE (2000)

Geralmente, há uma quantidade limitada de produtos nas fontes de suprimento e uma certa
quantidade demandada em cada destino. Assim, deve-se programar a distribuição, considerando
que cada trajeto entre as fontes e os destinos haverá um certo custo ou um certo tempo para o
transporte do produto. Necessita-se, então, determinar a quantidade de produtos enviada de cada
fonte até cada destino, satisfazendo as demandas requeridas e minimizando o parâmetro
envolvido, como por exemplo o custo, o tempo ou a distância (MOREIRA, 2007).

Hillier e Lieberman (2013) apresentam uma formulação genérica do modelo de programação

linear do problema de transportes pelas equações a seguir.

Minimizar Z = ∑𝑛𝑖=1 ∑𝑛𝑗=1 𝐶 ij 𝑥ij, (1)

Sujeito a: ∑𝑛𝑖=1 𝑥 ij = si (i = 1, 2,..., m,) (2)

∑𝑛𝑖=1 𝑥 ij = dj (i = 1, 2,..., n,) (3)

xij ≥ 0, ∀iej (4)

No entanto, existem casos em que a utilização deste modelo não é possível devido à violação
de algumas das suas hipóteses, como por exemplo, a hipótese das exigências. Esta, define que
toda a quantidade ofertada deve ser transportada. De forma semelhante, define também, que
toda demanda existente deve ser atendida. Porém, em casos reais, nem sempre tal condição se
verifica, existindo excesso de produção ou demanda suprimida. Assim, nestes casos deve-se
proceder criando uma origem ou um destino fictício, denominada de origem ou destino
fantasma, a fim de que a condição supracitada seja cumprida (HILLIER; LIEBERMAN, 2013).

3.5. Aplicações de Programação Linear à Transportes

Como dito anteriormente, o setor de transportes é um dos setores em que se observa inúmeras
aplicações das técnicas de pesquisa operacional, entre elas a programação linear. Portanto, este
tópico visa a apresentação de algumas aplicações de técnicas de pesquisa operacional ao setor
de transportes. Um exemplo de aplicação para solução em transportes envolve a otimização de
problemas que podem ser implementadas por sistemas de georreferenciamento para operação
de modelos de dados de rede. Os objetivos específicos frequentemente visam o mínimo custo
de roteamento, problema do caminho mais curto, problema do caixeiro viajante, matriz origem-
destino, e otimização de problemas de redes similares (CURTIN; TURNER, 2019).

Gupta, Tobin e Pavel (2016) propõem um novo modelo de programação linear multiobjetivo
para otimizar o consumo energético em um sistema metroviário. Ao passo que o sistema se
utiliza de energia para a acelerar, os sistemas modernos contam com um mecanismo de
frenagem que gera energia. Assim, os autores propõem uma programação de trens de forma a
minimizar o consumo de energia por aceleração e maximizar o ganho de energia por frenagem,
tornando o sistema eficiente. Ainda em relação à programação envolvendo otimização de
velocidade, Lu et al. (2016) propuseram um modelo de programação linear inteira com o intuito
de otimizar parcialmente a velocidade e o consumo energético em trajetos de trens.

Bruniera (2018) apresenta um estudo de caso utilizando-se de programação linear,

especificamente, do problema clássico de transporte e do problema de designação em uma
micro cervejaria, em Araraquara (SP). O objetivo foi minimizar os custos de transporte entre a
fábrica e os diversos destinos. Além disso, buscou-se minimizar o tempo de produção das
cervejas mais bem avaliadas, alocando a sua produção, aos fermentadores cuja produção se
daria de forma mais rápida. Para tal, utilizou-se do Método Húngaro. Como resultado, a autora
obteve uma redução de 5% no custo de transporte, e 4,17% no tempo de produção das cervejas.
Teixeira (2011) aplicou a programação linear para a otimização no processo de alocação de
vagões do tipo gôndola para carga geral, a fim de elaborar o plano semanal de atendimento aos
clientes da concessionária MRS Logística. O objetivo do trabalho foi a otimização da margem
vagão por hora, que corresponde a margem de lucro líquida gerada por hora de cada vagão
alocado para cada determinado cliente. Para a resolução do problema, utilizou-se o software
Lindo®. Como resultado, obteve-se um modelo que estabeleceu a distribuição ótima dos vagões,
respeitando as restrições estipuladas, apresentando resultados rápidos e confiáveis.

García et al. (2013) propuseram uma abordagem híbrida para os problemas do transporte
multimodal de containers, agregando os conceitos de programação linear e planejamento
automático. O problema consiste no curto espaço de tempo que a empresa operadora em questão
possui para o planejamento de transporte das cargas, dificultando a implementação de algumas
técnicas clássicas. O problema é então decomposto em dois subproblemas: a alocação de
recursos (caminhões e containers) às tarefas (serviços), e o segundo, onde cada tarefa é
formulada como um problema de planejamento, onde distintas ações são tomadas para atingir
os objetivos. Neste caso, a programação linear se demonstrou eficiente para resolver o primeiro
subproblema, enquanto a o planejamento automático, resolve o segundo.

Ren et al. (2015) formularam um modelo para otimizar o custo do ciclo de vida da cadeia de
abastecimento do biocombustível com incertezas. No modelo, foram considerados várias zonas
de plantio, vários modos de transporte, várias refinarias de combustível e vários centros
consumidores. O custo dos recursos, a produção de grãos e a demanda de mercado não foram
consideradas como constantes, e sim como intervalos. Portanto, um modelo de programação
linear com intervalos foi desenvolvido e aplicado, mostrando que o modelo proposto é viável
para planejar a cadeia de abastecimento de biocombustível com incertezas.

4. CONSTRUÇÃO DO MODELO

4.1. Variáveis de decisão

Como variáveis foram adotados os volumes a serem transportados por cada trecho da malha
ferroviária, ou seja, 14 variáveis no total, nas quais cada variável possui a identificação das
iniciais da cidade de origem seguidas das iniciais de destino:

XAn-BM: Volume no trecho de Anápolis até Barra Mansa;

XAn-Pa: Volume no trecho de Anápolis até Paulínia;
XCG-Ba: Volume no trecho de Campo Grande até Bauru;
XCG-Ip: Volume no trecho de Campo Grande até Iperó;
XCG-Bo: Volume no trecho de Campo Grande até Botucatu;
XBM-RJ: Volume no trecho de Barra Mansa até Rio de Janeiro;
XPa-Ju: Volume no trecho de Paulínia até Jundiaí;
XPa-Ma: Volume no trecho de Paulínia até Mairinque;
XBa-Ju: Volume no trecho de Bauru até Jundiaí;
XJu-RJ: Volume no trecho de Jundiaí até Rio de Janeiro;
XJu-SP: Volume no trecho de Jundiaí até São Paulo;
XMa-Ip: Volume no trecho de Mairinque até Iperó;
XIp-PG: Volume no trecho de Iperó até Ponta Grossa;
XBo-PG: Volume no trecho de Botucatu até Ponta Grossa.

4.2. Função Objetivo

A função objetivo é dada pela somatória dos volumes multiplicados pelos respectivos custos de
cada trecho (ver Equação 1). Como é uma função de custo, o objetivo é minimizar o montante
necessário para o suprimento de todas as regiões de destino.

Min Z = ∑𝑛𝑖=1 ∑𝑛𝑗=1 𝐶 ij 𝑥ij (5)

s.a.: ∑𝑛𝑗=1 𝑥ij - ∑𝑛𝑗=1 𝑥ji = bi (6)

Em que Cij é o custo de transporte da origem i ao destino j, xij é o volume transportado da origem
i ao destino j. Quanto às restrições, bi representa o saldo da carga após subtrair o volume que
parte de um nó i genérico até o nó j do volume que parte do nó j em direção a um nó i genérico.

4.3. Restrições

Considerando a teoria de conservação do fluxo, são especificadas as seguintes restrições:

XAn-BM + XAn-Pa + XCG-Ba + XCG-Ip + XCG-Bo = 2.055.258,00 (7)

XBM-RJ + XJu-RJ + XJu-SP + XIp-PG + XBo-PG = 2.055.258,00 (8)
XAn-BM – XBM-RJ = 0,00 (9)
XAn-Pa – XPa-Ju – XPa-Ma = 0,00 (10)
XPa-Ma – XMa-Ip = 0,00 (11)
XPa-Ju + XBa-Ju – XJu-RJ – XJu-SP = 0,00 (12)
XBM-RJ + XJu-RJ = 705.361,00 (13)
XJu-SP = 668.269,00 (14)
XCG-Ip + XMa-Ip – XIp-PG = 0,00 (15)
XCG-Bo – XBo-PG = 0,00 (16)
XCG-Ba – XBa-Ju = 0,00 (17)
XBo-PG + XIp-PG = 681.628,00 (18)

5. VALIDAÇÃO E APLICAÇÃO

A Tabela 2 indica os coeficientes de custo por trecho de malha ferroviária estabelecidos de

acordo com a Figura 1. O método de obtenção dos valores ótimos se deu através da ferramenta
solver disponível no programa MS Excel®. A coluna LHS representa os valores de referência
em função das restrições da coluna RHS.

Tabela 2. Restrições de cálculo

Restrições LHS Condição RHS
XAn-BM + XAn-Pa + XCG-Ba + XCG-Ip + XCG-Bo = 2.055.258,00 = 2.055.258,00
XBM-RJ + XJu-RJ + XJu-SP + XIp-PG + XBo-PG = 2.055.258,00 = 2.055.258,00
XAn-BM – XBM-RJ = 0,00 = 0,00
XAn-Pa – XPa-Ju – XPa-Ma = 0,00 = 0,00
XPa-Ma – XMa-Ip = 0,00 = 0,00
XPa-Ju + XBa-Ju – XJu-RJ – XJu-SP = 0,00 = 0,00
XBM-RJ + XJu-RJ = 705.361,00 = 705.361,00
XJu-SP = 668.269,00 = 668.269,00
XCG-Ip + XMa-Ip – XIp-PG = 0,00 = 0,00
XCG-Bo – XBo-PG = 0,00 = 0,00
XCG-Ba – XBa-Ju = 0,00 = 0,00
XBo-PG + XIp-PG = 681.628,00 = 681.628,00
xij ≥ 0
Fonte: elaborado pelos autores (2020)

Tabela 3. Custo mínimo da função objetivo

XAn-BM XAn-Pa XCG-Ba XCG-Ip XCG-Bo XBM-RJ XPa-Ju
Coeficientes
155,65 128,35 186,52 222,24 203,72 45,08 27,38
Variáveis de decisão 705.361 1.349.897 0 0 0 705.361 668.269
XPa-Ma XBa-Ju XJu-RJ XJu-SP XMa-Ip XIp-PG XBo-PG
Coeficientes
32,26 59,87 139,50 24,38 40,05 81,35 88,66
Variáveis de decisão 681.628 0 0 668.269 681.628 681.628 0
Min Z R$ 454.174.955,40
Fonte: obtido pelos autores através do solver (2020)
De acordo com a Tabela 3, toda a demanda é suprida com o menor custo pela produção
exclusiva do estado de Goiás, visto que as quantidades com origem em Mato Grosso do Sul
permitidas pela solução apresentaram valores nulos. Dessa forma, após alterar a origem de
Campo Grande (MS) para Três Lagoas (MS), foi realizado o cálculo de um novo modelo, a fim
de determinar se uma distância reduzida da origem de Mato Grosso do Sul poderia tornar a
solução mais viável para destinar parte do etanol excedente produzido no estado. A Figura 5
ilustra a remodelagem do fluxo de transporte.

Figura 5. Remodelagem da rede ferroviária da carga

Fonte: elaborado pelos autores (2020)

As colunas de LHS e RHS se mantiveram iguais, visto que o fornecimento e a demanda se

mantêm constantes. A Tabela 4 indica as alterações nas restrições devido à alteração na origem.
Em seguida, a Tabela 5 expressa o resultado obtido para minimização dos custos de acordo com
a alteração da configuração inicial das origens.

Tabela 4. Restrições alteradas pela remodelagem

Restrições LHS Condição RHS
XAn-BM + XAn-Pa + XTL-Ba + XTL-Ip + XTL-Bo = 2.055.258,00 = 2.055.258,00
XTL-Ip + XMa-Ip – XIp-PG = 0,00 = 0,00
XTL-Bo – XBo-PG = 0,00 = 0,00
XTL-Ba – XBa-Ju = 0,00 = 0,00
Fonte: elaborado pelos autores (2020)
 Tabela 5. Custo mínimo da função objetivo após remodelagem
XAn-BM XAn-Pa XTL-Ba XTL-Ip XTL-Bo XBM-RJ XPa-Ju
Coeficientes
155,65 128,35 111,17 157,13 133,30 45,08 27,38
Variáveis de decisão 705.361 668.269 0 0 681.628 705.361 668.269

XPa-Ma XBa-Ju XJu-RJ XJu-SP XMa-Ip XIp-PG XBo-PG

Coeficientes
32,26 59,87 139,50 24,38 40,05 81,35 88,66
Variáveis de decisão 0 0 0 668.269 0 0 681.628
Min Z R$ 413.243.194,00
Fonte: obtido pelos autores através do solver (2020)

Após a remodelagem, observa-se que a produção de etanol em Mato Grosso do Sul embarcada
no município de Três Lagoas representa uma redução de custos. Na nova configuração, o estado
de Goiás supre a demanda de Rio de Janeiro e São Paulo, enquanto Mato Grosso do Sul abastece
o estado do Paraná.

6. RESULTADOS

As Tabelas 6 e 7 expressam a análise de sensibilidade obtida da validação dos dados para o

modelo original, indicando as folgas de aumento e redução das variáveis, além do preço sombra
de transporte para cada rota para o modelo original e reformulado, respectivamente.

Tabela 6. Análise de sensibilidade do modelo original

Final Reduzido Objetivo Permitido Permitido
Variáveis de decisão
Valor Custo Coeficiente Aumentar Reduzir
Variáveis de decisão XAn-BM 705361 0 155,65 94,5 1E+30
Variáveis de decisão XAn-Pa 1349897 0 128,35 10,37 94,5
Variáveis de decisão XCG-Ba 0 0 186,52 1E+30 90,66
Variáveis de decisão XCG-Ip 0 21,58 222,24 1E+30 21,58
Variáveis de decisão XCG-Bo 0 0 203,72 1E+30 10,37
Variáveis de decisão XBM-RJ 705361 0 45,08 94,5 1E+30
Variáveis de decisão XPa-Ju 668269 0 27,38 90,66 94,5
Variáveis de decisão XPa-Ma 681628 0 32,26 10,37 1E+30
Variáveis de decisão XBa-Ju 0 90,66 59,87 1E+30 90,66
Variáveis de decisão XJu-RJ 0 94,5 139,5 1E+30 94,5
Variáveis de decisão XJu-SP 668269 0 24,38 1E+30 1E+30
Variáveis de decisão XMa-Ip 681628 0 40,05 10,37 1E+30
Variáveis de decisão XIp-PG 681628 0 81,35 10,37 1E+30
Variáveis de decisão XBo-PG 0 10,37 88,66 1E+30 10,37
 Final Sombra Restrição Permitido Permitido
Restrições
Valor Preço Lateral R.H. Aumentar Reduzir
Rest 1 LHS 2055258 0 2055258 0 1E+30
Rest 2 LHS 2055258 0 2055258 0 1E+30
Rest 3 LHS 0 155,65 0 0 705361
Rest 4 LHS 0 128,35 0 0 1349897
Rest 5 LHS 0 160,61 0 0 681628
Rest 6 LHS 0 155,73 0 0 668269
Rest 7 LHS 705361 200,73 705361 0 705361
Rest 8 LHS 668269 180,11 668269 0 668269
Rest 9 LHS 0 200,66 0 0 681628
Rest 10 LHS 0 203,72 0 0 0
Rest 11 LHS 0 186,52 0 0 0
Rest 12 LHS 681628 282,01 681628 0 681628

Tabela 7. Análise de sensibilidade do modelo reformulado

Final Reduzido Objetivo Permitido Permitido
Variáveis de decisão
Valor Custo Coeficiente Aumentar Reduzir
Variáveis de decisão XAn-BM 705361 0 155,65 94,5 1E+30
Variáveis de decisão XAn-Pa 668269 0 128,35 15,31 43,53
Variáveis de decisão XTL-Ba 0 0 111,17 1E+30 15,31
Variáveis de decisão XTL-Ip 0 0 157,13 43,53 16,52
Variáveis de decisão XTL-Bo 681628 0 133,3 16,52 1E+30
Variáveis de decisão XBM-RJ 705361 0 45,08 94,5 1E+30
Variáveis de decisão XPa-Ju 668269 0 27,38 15,31 94,5
Variáveis de decisão XPa-Ma 0 0 32,26 1E+30 43,53
Variáveis de decisão XBa-Ju 0 15,31 59,87 1E+30 15,31
Variáveis de decisão XJu-RJ 0 94,5 139,5 1E+30 94,5
Variáveis de decisão XJu-SP 668269 0 24,38 1E+30 1E+30
Variáveis de decisão XMa-Ip 0 43,53 40,05 1E+30 43,53
Variáveis de decisão XIp-PG 0 16,52 81,35 1E+30 16,52
Variáveis de decisão XBo-PG 681628 0 88,66 16,52 1E+30
Final Sombra Restrição Permitido Permitido
Restrição
Valor Preço Lateral R.H. Aumentar Reduzir
Rest 1 LHS 2055258 0 2055258 0 1E+30
Rest 2 LHS 2055258 0 2055258 0 1E+30
Rest 3 LHS 0 155,65 0 0 705361
Rest 4 LHS 0 128,35 0 0 668269
Rest 5 LHS 0 160,61 0 0 0
Rest 6 LHS 0 155,73 0 0 668269
Rest 7 LHS 705361 200,73 705361 0 705361
Rest 8 LHS 668269 180,11 668269 0 668269
Rest 9 LHS 0 157,13 0 0 0
Rest 10 LHS 0 133,3 0 0 681628
Rest 11 LHS 0 111,17 0 0 0
Rest 12 LHS 681628 221,96 681628 0 681628
7. CONCLUSÕES

Conclui-se que no, modelo original, os custos de alocação do etanol para o transporte ferroviário
se mostraram inviáveis para o fornecimento com origem em Mato Grosso do Sul por conta do
alto custo de frete por tonelada transportada. Ao alterar a origem da produção de Campo Grande
para Três Lagoas, há uma redução do custo de volume transportado devido a uma compensação
proporcionada pela redução da taxa de frete em função da distância.

Outro que fator que influenciou foi a falta de classificação específica para o etanol no caso da
Rumo Malha Oeste, de modo que o mesmo tivesse que ser classificado como “Demais
produtos”, sendo este tipo de carga regulado por uma tarifa relativamente alta. A MRS
Logística, por exemplo, também adota a mesma classificação para o caso do etanol, porém,
próxima àquelas utilizadas pelas demais concessionárias que adotam classificações específicas.
As tarifas da Rumo Malha Oeste foram de R$ 32,33 por tonelada transportada, enquanto a MRS
Logística pratica a tarifa de R$ 12,30 por tonelada. Já as tarifas correspondentes à distância
foram relativamente próximas para ambas as malhas (AGÊNCIA NACIONAL DE
TRANSPORTES TERRESTRES, 2020).

REFERÊNCIAS

AGÊNCIA NACIONAL DE TRANSPORTES TERRESTRES. Concessões Ferroviárias.

Disponível em: <https://portal.antt.gov.br/concessoes-ferroviarias>. Acesso em: 10 out.
2020.
ANDRADE, E. L. Introdução à pesquisa operacional. 2. ed. Rio de Janeiro: Ltc, 2000.
ANP. Anuário estatístico brasileiro do petróleo, gás natural e biocombustíveis 2019. Rio
de Janeiro: [s.n.]. Disponível em: <http://www.anp.gov.br>.
ANP. Anuário Estatístico Brasileiro do Petróleo, Gás Natural e Biocombustíveis 2020.
Disponível em: <http://www.anp.gov.br/publicacoes/anuario-estatistico/5809-anuario-
estatistico-2020>. Acesso em: 23 set. 2020.
BRUNIERA, B. Otimização linear e aplicação no problema de transporte e designação de
tarefas. [s.l.] Universidade Tecnológica Federal do Paraná, 2018.
COLETI, J. DE C.; OLIVEIRA, A. L. R. A intermodalidade no transporte de etanol Brasileiro:
Aplicação de um modelo de equilíbrio parcial. Revista de Economia e Sociologia
Rural, v. 57, n. 1, p. 128–144, 2019.
CURTIN, K.; TURNER, D. Linear Programming and GIS. The Geographic Information
Science & Technology Body of Knowledge (4th Quarter 2019 Edition), John P.
Wilson (ed.), (2019).
GARCÍA, J. et al. Combining linear programming and automated planning to solve intermodal
transportation problems. European Journal of Operational Research, v. 227, p. 216–
 226, 2013.
GUPTA, S. DAS; TOBIN, J. K.; PAVEL, L. A two-step linear programming model for energy-
efficient timetables in metro railway networks. Transportation Research Part B, v.
93, p. 57–74, 2016.
HILLIER, F. S.; LIEBERMAN, G. J. Introdução a pesquisa operacional. 9. ed. Porto Alegre:
Amgh, 2013.
LEIGUS, A.; FENERICH, A.; MORAIS, M. Aplicações da Pesquisa Operacional. III
Encontro de Engenharia de Produção Agroindustriall. Anais...Campo Mourão:
FECILCAM, 2009Disponível em:
<http://www.fecilcam.br/anais/iii_eepa/pdf/3_02.pdf>
LINS, M. P. E.; CALÔBA, G. M. Programação linear. 1. ed. Rio de Janeiro: Interciência,
2006.
MOREIRA, D. A. Pesquisa operacional: curso introdutório. São Paulo. Thomson Learning,
2007.
REN, J. et al. Bioresource Technology Life cycle cost optimization of biofuel supply chains
under uncertainties based on interval linear programming. Bioresource Technology
journal, v. 187, p. 6–13, 2015.
TEIXEIRA, V. G. Aplicação de programação linear na alocação de vagões gôndola para o
transporte de ferro gusa na MRS Logística S.A. [s.l.] Universidade Federal de Juiz
de Fora, 2011.
WERNECK, M. Transporte de combustíveis no Brasil – investimentos para o
abastecimento até 2020. Disponível em: <https://www.ilos.com.br/web/transporte-de-
combustiveis-no-brasil-investimentos-para-o-abastecimento-ate-2020/>. Acesso em:
10 out. 2020.