LOCALIZAÇÃO DE CENTROS DE INTEGRAÇÃO LOGÍSTICA (CIL):

APLICAÇÃO DE UMA ABORDAGEM MULTIPERÍODO CONSIDERANDO

CRITÉRIOS ECONÔMICOS E AMBIENTAIS

RESUMO
Esse trabalho apresenta um estudo de Localização de Centros de Integração Logística (CILs) a partir da aplicação
de um modelo matemático multiperíodo, considerando critérios econômicos (custos de transporte e implantação)
e ambientais (emissão de CO2). O modelo foi aplicado em cenários elaborados a partir de informações do Plano
Nacional de Logística e Transportes (PNLT) sobre o transporte da soja produzida na região Centro-Oeste do Brasil.
Avaliou-se os ganhos econômicos e ambientais obtidos com a localização ótima dos CILs, indicando redução nos
custos logísticos (6% a 53%) e nos custos de emissões de CO2 (49% a 58%). Observou-se, para alguns cenários, a
abertura da infraestrutura em diferentes horizontes de análise como solução ótima, reforçando a importância do
efeito multiperíodo na elaboração de estratégias. A aplicação do modelo matemático proposto pode auxiliar
tomadores de decisão na elaboração melhores planos estratégicos, visando operações de sistemas logísticos mais
eficientes, tanto econômica quanto ambientalmente.

ABSTRACT
This paper presents a study to locate Logistics Integration Centers (LICs) by applying a multiperiod mathematical
model, considering economic (transport and installation costs) and environmental criteria (CO2 emissions). This
model was applied on scenarios that include information of the National Logistics and Transport Plan (NLTP)
about the soybean produced on the Brazilian Midwest Region. The economic and environmental gains obtained
by the optimized location of LICs were evaluated, indicating savings in both logistics costs (between 6% and 53%)
and carbon emissions (between 49% and 58%). The opening of the infrastructure in different horizons of analysis
was observed for some cases as optimal solution, reinforcing the importance of the multiperiod effect in the
elaboration of strategies. The application of the proposed mathematical model supports the decision-makers to
elaborate better strategic plans that can improve the utilization of the intermodal transport, making the logistic
system operations more efficient, both economically and environmentally.

1. INTRODUÇÃO
O setor de transportes brasileiro possui problemas estruturais relevantes em decorrência da falta
de um planejamento e desenvolvimento de um sistema de transporte integrado, comprometendo
a qualidade dos serviços prestados e o desenvolvimento econômico e social do país (Fleury e
Wanke, 2006). O relatório da CNT (2018) destaca que, como consequência desta carência, têm-
se conduzido à: desequilíbrios na matriz de transporte (com níveis desiguais de eficiência na
operação dos modos de transporte); desigualdades entre regiões e; entraves na circulação de
bens e pessoas, comprometendo a qualidade dos serviços prestados. Por isso, o uso do modo
rodoviário sobrepõe-se aos outros, resultando em impactos econômicos e ambientais negativos.
O setor de transporte, por exemplo, foi responsável por 45,1% de CO2-eq em 2019 (EPE, 2020).

Visando melhorias nos sistemas de transportes, diferentes planos e programas estaduais e

federais foram lançados ao longo das duas últimas décadas. Dentre eles, destaca-se o Plano
Nacional de Logística e Transportes - PNLT, um plano plurianual, composto por matrizes de
produção e atração para diversos produtos de consumo, bem como indicações sobre a atual
infraestrutura e investimentos planejados para sua melhoria para o horizonte de 20 anos
(Ministério dos Transportes - MT, 2007, 2009, 2012). Estes planos já sinalizam a necessidade
de investimentos específicos na infraestrutura de transporte (ampliação ou implantação), além
da necessidade de otimização das operações visando a multimodalidade e a intermodalidade em
prol da eficiência econômica e operacional. Logo, considera-se estrategicamente importante a
implantação de Centros de Integração Logística (CILs), tanto para equilibrar a matriz de
transportes (reduzindo os custos logísticos envolvidos) quanto aumentar sua eficiência
energética a longo prazo. No entanto, para que estes objetivos sejam atingidos, estas devem ser
localizadas em pontos estratégicos do território nacional, considerando os fluxos de carga entre
os pontos de produção e consumo (Guimarães, 2015). Uma metodologia para a localização dos
CILs foi proposta pelo Ministério dos Transportes, Portos e Aviação Civil, de maneira a apoiar
o desenvolvimento das políticas públicas voltadas para este setor (SPNT, 2015).

Mesmo considerando apenas os deslocamentos dos transportes, os impactos ambientais devem

ser incorporados na análise, uma vez que o comportamento dos usuários e o projeto da rede de
transporte mudarão devido ao uso de estruturas de integração como elementos que promovam
a intermodalidade. Sendo assim, os impactos econômicos e ambientais variam ao longo do
tempo, em função destas mudanças comportamentais. Ao considerar os investimentos em
infraestrutura e seus impactos decorrentes em diferentes horizontes de análise, pode-se alcançar
soluções melhores estratégicas para o setor, evitando-se elevados aportes financeiro que
destoam da realidade econômica de países em desenvolvimento. Portando, o uso de modelos
matemáticos que consideram simultaneamente aspectos econômicos e ambientais, por indicar
o melhor projeto para a rede de transporte e o melhor horizonte para sua implantação, pode ser
de grande valia para amparar o planejamento estratégico no setor de transportes.

Isto posto, este estudo visa determinar, para diferentes horizontes de análise e considerando
critérios econômicos e ambientais, a localização ótima de CILs para o transporte da soja
produzida na região Centro-Oeste do país. Para tanto, a partir da estimativa de matrizes de
produção e consumo de soja para diferentes horizontes de análise, foi elaborado e aplicado um
modelo matemático multiperíodo para alocação dos fluxos de soja e localização dos CILs. A
escolha da soja é justificada pela sua relevância na matriz nacional: representou 47% da
produção total de grãos no Brasil na safra de 2018/19 e já representa 48% da safra 2019/20
(CONAB, 2020). A região Centro Oeste, por sua vez, foi escolhida por ser a região com maior
produção de soja, responsável por cerca de 45% da produção nacional (PNLT, 2012).

A partir desta introdução, o artigo está estruturado da seguinte forma. A Seção 2 apresenta uma
breve discussão teórica sobre a importância da soja e dos sistemas logísticos, além de sintetizar
as abordagens de localização de estruturas logísticas e avaliação de emissões ambientais em
sistemas logísticos. A Seção 3 descreve o modelo matemático multiperíodo de alocação-
localização proposto para aplicação neste estudo. A Seção 4 apresenta um estudo de caso com
informações acerca do transporte de soja brasileira e os resultados dos diferentes cenários de
avaliação criados para ilustrar o impacto dos critérios econômicos e ambientais. Já a Seção 5
destaca as conclusões e limitações deste estudo, além de sugestões para trabalhos futuros.

2. REFERENCIAL TEÓRICO
A economia brasileira está diretamente relacionada ao agronegócio. Com os avanços nos
processos de industrialização, a soja tornou-se destaque, pois, além de ser a principal matéria-
prima utilizada na formulação das rações, também é usada na produção de óleo vegetal e
biodiesel. A Companhia Nacional de Abastecimento (CONAB, 2020) estima que a safra de
2019/2020 atingirá produção recorde, estimada em 120,4 milhões de toneladas, ganho de 4,7%
em relação à safra 2019/19. Diante da importância econômica desta commodity, seu escoamento
deve ocorrer de forma eficiente, com o objetivo de agregar valor ao produto e seu comércio.
No entanto, a eficiência brasileira no setor de transportes é considerada baixa, implicando
diretamente nas relações comerciais nacionais e internacionais. Como exemplo, o custo
logístico representa de 10,6% a 15,4% do valor do Produto Interno Bruto (PIB) nacional,
comparado aos 8,5% relativos aos Estados Unidos (Rebelo 2011; CNT, 2018; Guimarães et al.,
2018). Um estudo da CNT e da COPPEAD desenvolvido em 2002 já indicava, à época, que a
melhora na eficiência do setor de transportes permitiria um desenvolvimento regional que
agregaria valor, em âmbito internacional, aos produtos brasileiros (CNT e COPPEAD, 2002).

De acordo com CNT (2018), a matriz de transporte de cargas é realizada majoritariamente pelo
modo rodoviário (61,1%), seguido pelo ferroviário (20,7%), aquaviário (13,6%), dutoviário
(4,2%) e aéreo (0,4%). Essa distribuição modal transparece a dependência do sistema logístico
de cargas com o modo rodoviário, que pode ser prejudicial para o desenvolvimento econômico
regional diante de falhas na operação. Em 2007, o governo brasileiro apresentou o PNLT, que
projetou investimentos em infraestrutura de transportes visando o equilíbrio da matriz modal
de carga e ampliação da intermodalidade do Sistema Nacional de Viação. Posteriormente, as
proposições do PNLT sofreram modificações técnicas, incluindo pontos antes não abordados,
como, por exemplo, a redução nos índices de emissão de poluição atmosféricas.

Há de se considerar que, em determinadas regiões, não há estruturas que permitam a integração

e transferência modal e/ou estas são ineficientes (Guimarães, 2015). Esta falta de integração
não é exclusividade brasileira. A opção recorrente pela unimodalidade, mesmo quando mais de
um modo está disponível, é resultado do fato dos agentes de transporte (transportadoras e
empresas) buscarem minimizar seus custos ao invés de objetivar o aumento dos lucros da cadeia
de suprimentos (Bhattacharya et al., 2014). Meisel et al. (2013) indicam que o transporte
intermodal enfrenta desafios operacionais, como: coordenar as atividades que envolvem
diferentes agentes; corre-se o risco de longos tempos de entrega, especialmente no transporte
porta-a-porta; e pode ter custos adicionais ligados ao frete ou à operação de transbordo, que
podem, em determinadas situações, superar os ganhos de escala associados à intermodalidade.

A eficiência da integração modal, ou seja, de um transporte intermodal para distribuição de

cargas, não depende apenas da existência da tecnologia veicular, mas também da presença de
estruturas de apoio que visam garantir a intermodalidade, como os CILs. Estas estruturas
podem, inclusive, reduzir os custos envolvidos. Contudo, deve-se considerar a aplicação de
metodologias que indiquem como, quando e de que maneira as estruturas de integração modal
devem ser utilizadas no sistema de transportes. Assim, para a otimização dos custos logísticos
totais, estas devem ser localizadas em pontos estratégicos do território nacional, de acordo com
os fluxos de carga entre as zonas de produção e consumo. Neste contexto, um modelo
matemático, baseado no conceito de economia de escala foi proposto por Costa (2014), visando
minimizar os custos totais de transportes utilizando-se CILs. No entanto, este modelo não
permite o atendimento da demanda par-a-par, o que foi contornado pelo modelo propostos por
Guimarães et al. (2017), tornando-se mais aderente à realidade econômica de mercado. A partir
deste último, Guimarães (2019) propõe incorporar fatores ambientais para a otimização, como
foi aplicado ao caso da soja brasileira por Plaza et al. (2019) e Plaza et al. (2020).

Ao avaliar os modelos supracitados, observa-se que alguns insumos podem variar ao longo do
tempo, como a matriz de produção e consumo, a presença de infraestruturas de transportes e os
custos associados. Porém, estes modelos permitem avaliar apenas um horizonte de análise.
Ademais, a implantação de estruturas de integração intermodal envolve elevados investimentos,
que devem ser planejados de forma eficiente. Assim, um modelo matemático multiperíodo pode
auxiliar de forma eficiente na elaboração de um planejamento estratégico para os sistemas de
transportes, principalmente ao considerar os critérios econômicos e ambientais.

Em um mapeamento sobre publicações científicas realizado por Guimarães et al. (2018) e

Guimarães (2019), foi constatado que, dos 45 artigos selecionados considerados de maior
aderência ao contexto da localização de facilidades verdes (considerando o aspecto ambiental)
ou sustentáveis (adotando critérios sociais e ambientais), apenas 8 artigos consideravam
análises multiperíodo. Embora estes artigos abordem localização de facilidades, possuem como
objetivo variáveis que não correspondem à análise de localização de CILs, como satisfação do
cliente, avaliação do ciclo de vida (ACV), nível de serviço e empregos gerados. É neste contexto
que se ressalta a importância deste estudo, uma vez que visa aprimorar os modelos matemáticos
para a localização de CILs presentes na literatura a partir de uma análise multiperíodo.

3. MODELO MATEMÁTICO DE LOCALIZAÇÃO DE ESTRUTURAS DE

INTEGRAÇÃO
Descreve-se, nesta seção, o modelo matemático capacitado mono-objetivo e multiperíodo
aplicado para a localização de CILs, que busca minimizar, simultaneamente, os custos
logísticos e os custos de emissões de CO2. A Tabela 1 apresenta os conjuntos e índices usados
no modelo matemático, enquanto que a Tabela 2 e Tabela 3 as variáveis de decisão e os
parâmetros respectivamente. Vale destacar que, embora o modelo permita avaliar um conjunto
I de produtores, este estudo se aterá apenas aos localizados na região Centro-Oeste do país.

Tabela 1: Conjuntos e índices.

Notação Descrição
I Conjunto de zonas de produção, onde 𝑖𝑖 ∈ 𝐼𝐼
J Conjunto de zonas de demanda, onde 𝑗𝑗 ∈ 𝐽𝐽
K Conjunto de candidatos a CILs, onde 𝑘𝑘 ∈ 𝐾𝐾
𝑑𝑑𝑑𝑑𝑑𝑑 Conjunto de modos de transporte disponíveis no período 𝑡𝑡 ∈ 𝑇𝑇 para o transporte da soja
𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡
diretamente de uma zona de produção 𝑖𝑖 ∈ 𝐼𝐼 para uma zona de consumo 𝑗𝑗 ∈ 𝐽𝐽
𝑒𝑒𝑒𝑒𝑒𝑒 Conjunto de modos de transportes disponíveis no período 𝑡𝑡 ∈ 𝑇𝑇 para transporte da soja de uma
𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡
zona de produção 𝑖𝑖 ∈ 𝐼𝐼 para um CIL 𝑘𝑘 ∈ 𝐾𝐾
𝑠𝑠𝑠𝑠𝑠𝑠 Conjunto de modos de transportes disponíveis no período 𝑡𝑡 ∈ 𝑇𝑇 para transporte da soja de um CIL
𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡
𝑘𝑘 ∈ 𝐾𝐾 para uma zona de demanda 𝑗𝑗 ∈ 𝐽𝐽

Tabela 2: Variáveis de decisão

Notação Descrição
𝑑𝑑𝑑𝑑𝑑𝑑 Volume de soja transportado diretamente entre o ponto 𝑖𝑖 ∈ 𝐼𝐼 e o ponto 𝑗𝑗 ∈ 𝐽𝐽 por um modo 𝑚𝑚 ∈
𝑥𝑥𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 ≥0 𝑑𝑑𝑑𝑑𝑑𝑑
𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡 no período 𝑡𝑡 ∈ 𝑇𝑇
𝑒𝑒𝑒𝑒𝑒𝑒 Volume de soja transportado entre o ponto 𝑖𝑖 ∈ 𝐼𝐼 e o candidato a CIL 𝑘𝑘 ∈ 𝐾𝐾 por um modo de
𝑥𝑥𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 ≥0 𝑒𝑒𝑒𝑒𝑒𝑒
transporte 𝑚𝑚 ∈ 𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡 no período 𝑡𝑡 ∈ 𝑇𝑇
𝑠𝑠𝑠𝑠𝑠𝑠 Volume de soja transportado entre o candidato a CIL 𝑘𝑘 ∈ 𝐾𝐾 e o ponto 𝑗𝑗 ∈ 𝐽𝐽 por um modo de
𝑥𝑥𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 ≥0 𝑠𝑠𝑠𝑠𝑖𝑖
transporte 𝑚𝑚 ∈ 𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡 no período 𝑡𝑡 ∈ 𝑇𝑇
𝑧𝑧𝑡𝑡𝑡𝑡 Variável binária que indica a abertura (1) ou não (0) do CIL 𝑘𝑘 ∈ 𝐾𝐾 no período 𝑡𝑡 ∈ 𝑇𝑇
𝑦𝑦𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 ≥ 0 Volume de soja transportado de i ∈ I para j ∈ J que utiliza o candidato a CIL k ∈ K no período 𝑡𝑡 ∈ 𝑇𝑇
 Tabela 3: Parâmetros.
Notação Descrição
𝑑𝑑𝑑𝑑𝑑𝑑 Custo unitário de transporte da soja a partir de uma zona de produção 𝑖𝑖 ∈ 𝐼𝐼 para uma zona de
𝐶𝐶𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑𝑑𝑑
demanda 𝑗𝑗 ∈ 𝐽𝐽 por um modo de transporte 𝑚𝑚 ∈ 𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡 (sem passar por um CIL) no período 𝑡𝑡 ∈ 𝑇𝑇
𝑒𝑒𝑒𝑒𝑒𝑒 Custo unitário de transporte da soja no período 𝑡𝑡 ∈ 𝑇𝑇 a partir de uma zona de produção 𝑖𝑖 ∈ 𝐼𝐼 para
𝐶𝐶𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑒𝑒𝑒𝑒𝑒𝑒
um CIL 𝑘𝑘 ∈ 𝐾𝐾 por um modo de transporte 𝑚𝑚 ∈ 𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡 no período 𝑡𝑡 ∈ 𝑇𝑇
𝑠𝑠𝑠𝑠𝑠𝑠 Custo unitário de transporte da soja a partir de um CIL 𝑘𝑘 ∈ 𝐾𝐾 para uma zona de demanda 𝑗𝑗 ∈ 𝐽𝐽 por
𝐶𝐶𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑠𝑠𝑠𝑠𝑠𝑠
um modo de transporte 𝑚𝑚 ∈ 𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 no período 𝑡𝑡 ∈ 𝑇𝑇
𝑠𝑠𝑠𝑠𝑠𝑠 Custo de transbordo da soja em um CIL 𝑘𝑘 ∈ 𝐾𝐾 com destino uma zona de demanda 𝑗𝑗 ∈ 𝐽𝐽 por um
𝐶𝐶𝐶𝐶𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑠𝑠𝑠𝑠𝑠𝑠
modo de transporte 𝑚𝑚 ∈ 𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 no período 𝑡𝑡 ∈ 𝑇𝑇
𝐶𝐶𝐶𝐶𝐶𝐶2 Custo associado às emissões de CO2
𝑔𝑔𝑡𝑡𝑡𝑡 Custo de abertura de um candidato a CIL 𝑘𝑘 ∈ 𝐾𝐾 no período 𝑡𝑡 ∈ 𝑇𝑇
𝛿𝛿𝑡𝑡𝑡𝑡 Custo operacional de utilização do candidato a CIL 𝑘𝑘 ∈ 𝐾𝐾 no período 𝑡𝑡 ∈ 𝑇𝑇
𝑚𝑚𝑚𝑚𝑚𝑚
𝜐𝜐𝑡𝑡𝑡𝑡 Volume mínimo requerido para abertura do candidato a CIL 𝑘𝑘 ∈ 𝐾𝐾 no período 𝑡𝑡 ∈ 𝑇𝑇
𝑚𝑚𝑚𝑚𝑚𝑚
𝜐𝜐𝑡𝑡𝑡𝑡 Capacidade máxima de um candidato a CIL 𝑘𝑘 ∈ 𝐾𝐾 no período 𝑡𝑡 ∈ 𝑇𝑇
𝑑𝑑𝑡𝑡𝑡𝑡𝑡𝑡 Volume de soja produzida na zona 𝑖𝑖 ∈ 𝐼𝐼 para atender a demanda na zona 𝑗𝑗 ∈ 𝐽𝐽 no período 𝑡𝑡 ∈ 𝑇𝑇
𝑑𝑑𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠
𝑓𝑓𝑓𝑓𝑚𝑚 Fator de emissão do combustível usado pela alternativa de transporte 𝑚𝑚 ∈ 𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡 ,𝑚𝑚 ∈ 𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡 e 𝑚𝑚 ∈ 𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
𝑑𝑑𝑑𝑑𝑑𝑑
Distância percorrida pela alternativa de transporte 𝑚𝑚 ∈ 𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡 entre as zonas de produção 𝑖𝑖 ∈ 𝐼𝐼 e
𝑑𝑑𝑑𝑑𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
consumo 𝑗𝑗 ∈ 𝐽𝐽 no período 𝑡𝑡 ∈ 𝑇𝑇
𝑒𝑒𝑒𝑒𝑒𝑒
Distância percorrida pela alternativa de transporte 𝑚𝑚 ∈ 𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡 entre as zonas de produção 𝑖𝑖 ∈ 𝐼𝐼 e o
𝑑𝑑𝑑𝑑𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
CIL k no período 𝑡𝑡 ∈ 𝑇𝑇
𝑠𝑠𝑠𝑠𝑠𝑠
Distância percorrida pela alternativa de transporte 𝑚𝑚 ∈ 𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 entre o CIL k ∈ K e a zona de
𝑑𝑑𝑑𝑑𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
consumo j ∈ J no período 𝑡𝑡 ∈ 𝑇𝑇

O modelo matemático (1)-(12) aplicado neste estudo é apresentado a seguir. O primeiro termo da
função objetivo (1) (𝒵𝒵�𝐶𝐶𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 �) busca minimizar o custo logístico da rede através da alocação
dos fluxos nos CILs que forem abertos ou diretamente para as zonas de demanda. Consideram os
custos de abertura (fixos) e operacionais (variáveis) destas facilidades, além dos custos de
transbordo. O segundo termo (𝐶𝐶𝑐𝑐𝑐𝑐2 𝒵𝒵(𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒õ𝑒𝑒𝑒𝑒)) busca minimizar os custos de emissão de CO2
relacionados ao transporte do produto (direto ou através de CILs). O modelo não considera as
emissões provenientes da abertura e operação das estruturas de integração, tendo em vista que a
única atividade nela desenvolvida é o transbordo. A função objetivo possui os pesos α e β
associados, respectivamente, com os custos logísticos e ambientais. Estes pesos podem ser
utilizados para balancear o grau de importância de cada termo no processo de planejamento do
setor de transporte. Além disto, as emissões ambientais são expressas em valores monetários, uma
vez que as emissões podem ser taxadas (como, por exemplo, políticas de carbono tax).

A Restrição (2) garante que, para todo recorte temporal, a demanda total de cada zona de
consumo seja atendida. A Restrição (3) impõe um volume mínimo e uma capacidade máxima
para um candidato a CIL, impactando diretamente na decisão de abri-lo ou não. As Restrições
(4) e (5) impõem que, para cada recorte temporal, todo o volume de soja que deixa uma zona
de produção e destina-se a uma zona de consumo passando por um CIL seja exatamente igual
ao volume total de soja entrando e saindo pelo CIL, tendo como origem a zona de produção.
As Restrições (2), (4) e (5) garantem que as demandas par-a-par sejam respeitadas. A Restrição
(6) garante que um determinado CIL só pode ser aberto em um recorte temporal. As Restrições
(7)-(11) estão relacionadas ao domínio das variáveis de decisão. A Restrição (12) é opcional e
visa limitar o número de CILs abertos em cada horizonte de análise (𝑍𝑍𝑡𝑡̅ ).
 𝑑𝑑𝑑𝑑𝑑𝑑 𝑑𝑑𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒𝑒𝑒
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 𝛼𝛼 �𝒵𝒵�𝐶𝐶𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 � = � � � � 𝐶𝐶𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑥𝑥𝑡𝑡 𝑖𝑖𝑖𝑖𝑖𝑖 + � � � � 𝐶𝐶𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑥𝑥𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
𝑡𝑡∈𝑇𝑇 𝑖𝑖∈𝐼𝐼 𝑗𝑗∈𝐽𝐽 𝑚𝑚∈𝑀𝑀𝑑𝑑𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒
𝑡𝑡∈𝑇𝑇 𝑖𝑖∈𝐼𝐼 𝑘𝑘∈𝐾𝐾 𝑚𝑚∈𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡
𝑡𝑡𝑡𝑡𝑡𝑡

𝑠𝑠𝑠𝑠𝑠𝑠
+ � � �𝑔𝑔𝑡𝑡𝑡𝑡 𝑧𝑧𝑡𝑡𝑡𝑡 + 𝛿𝛿𝑡𝑡𝑡𝑡 � � 𝑥𝑥𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 �
𝑡𝑡∈𝑇𝑇 𝑘𝑘∈𝐾𝐾 𝑗𝑗∈𝐽𝐽 𝑚𝑚∈𝑀𝑀 𝑠𝑠𝑠𝑠𝑠𝑠
𝑡𝑡𝑡𝑡𝑡𝑡

𝑠𝑠𝑠𝑠𝑠𝑠 𝑠𝑠𝑠𝑠𝑠𝑠 𝑠𝑠𝑠𝑠𝑠𝑠

+ � � � � �𝐶𝐶𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 + 𝐶𝐶𝐶𝐶𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 + � 𝑥𝑥𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 � (1)
𝑡𝑡∈𝑇𝑇 𝑘𝑘∈𝐾𝐾 𝑗𝑗∈𝐽𝐽 𝑠𝑠𝑠𝑠𝑠𝑠
𝑚𝑚∈𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡

𝑑𝑑𝑑𝑑𝑑𝑑
+ 𝛽𝛽𝐶𝐶𝑐𝑐𝑐𝑐2 �𝒵𝒵(𝑒𝑒𝑒𝑒𝑖𝑖𝑠𝑠𝑠𝑠õ𝑒𝑒𝑒𝑒) = � � � � 𝑓𝑓𝑓𝑓𝑚𝑚 𝑑𝑑𝑑𝑑𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑥𝑥𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
𝑡𝑡∈𝑇𝑇 𝑖𝑖∈𝐼𝐼 𝑗𝑗∈𝐽𝐽 𝑚𝑚∈𝑀𝑀 𝑑𝑑𝑑𝑑𝑑𝑑
𝑡𝑡𝑡𝑡𝑡𝑡

𝑒𝑒𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠
+ � � � � 𝑓𝑓𝑓𝑓𝑚𝑚 𝑑𝑑𝑑𝑑𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑥𝑥𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 + � � � � 𝑓𝑓𝑓𝑓𝑚𝑚 𝑑𝑑𝑑𝑑𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑥𝑥𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 �
𝑒𝑒𝑒𝑒𝑒𝑒
𝑡𝑡∈𝑇𝑇 𝑖𝑖∈𝐼𝐼 𝑘𝑘∈𝐾𝐾 𝑚𝑚∈𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡 𝑡𝑡∈𝑇𝑇 𝑘𝑘∈𝐾𝐾 𝑗𝑗∈𝐽𝐽 𝑚𝑚∈𝑀𝑀 𝑠𝑠𝑠𝑠𝑠𝑠
𝑡𝑡𝑡𝑡𝑡𝑡
Sujeito a:
𝑑𝑑𝑑𝑑𝑑𝑑
� 𝑥𝑥𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 + � 𝑦𝑦𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = 𝑑𝑑𝑡𝑡𝑡𝑡𝑡𝑡
∀ 𝑡𝑡 ∈ 𝑇𝑇 , 𝑖𝑖 ∈ 𝐼𝐼, 𝑗𝑗 ∈ 𝐽𝐽 (2)
𝑑𝑑𝑑𝑑𝑑𝑑
𝑚𝑚∈𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡 𝑘𝑘∈𝐾𝐾
𝑡𝑡 𝑡𝑡
𝑚𝑚𝑚𝑚𝑚𝑚 𝑒𝑒𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚
𝜐𝜐𝑡𝑡𝑡𝑡 � 𝑧𝑧𝜃𝜃𝜃𝜃 ≤ � � 𝑥𝑥𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 ≤ 𝜐𝜐𝑡𝑡𝑡𝑡 � 𝑧𝑧𝜃𝜃𝜃𝜃 ∀ 𝑡𝑡 ∈ 𝑇𝑇, 𝑘𝑘 ∈ 𝐾𝐾 (3)
𝜃𝜃=1 𝑖𝑖∈𝐼𝐼 𝑚𝑚∈𝑀𝑀𝑒𝑒𝑒𝑒𝑒𝑒 𝜃𝜃=1
𝑡𝑡𝑡𝑡𝑡𝑡
𝑠𝑠𝑠𝑠𝑠𝑠
� 𝑦𝑦𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = � 𝑥𝑥𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
∀ 𝑡𝑡 ∈ 𝑇𝑇, 𝑘𝑘 ∈ 𝐾𝐾, 𝑗𝑗 ∈ 𝐽𝐽 (4)
𝑖𝑖∈𝐼𝐼 𝑠𝑠𝑠𝑠𝑠𝑠
𝑚𝑚∈𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡
𝑒𝑒𝑒𝑒𝑒𝑒
� 𝑦𝑦𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = � 𝑥𝑥𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 ∀ 𝑡𝑡 ∈ 𝑇𝑇, 𝑖𝑖 ∈ 𝐼𝐼, 𝑘𝑘 ∈ 𝐾𝐾
𝑒𝑒𝑒𝑒𝑒𝑒
(5)
𝑗𝑗∈𝐽𝐽 𝑚𝑚∈𝑀𝑀𝑡𝑡𝑡𝑡𝑡𝑡

� 𝑧𝑧𝑡𝑡𝑡𝑡 ≤ 1 ∀ 𝑘𝑘 ∈ 𝐾𝐾 (6)
𝑡𝑡∈𝑇𝑇
𝑑𝑑𝑑𝑑𝑑𝑑 𝑑𝑑𝑑𝑑𝑑𝑑
𝑥𝑥𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 ≥0 ∀ 𝑡𝑡 ∈ 𝑇𝑇, 𝑖𝑖 ∈ 𝐼𝐼, 𝑗𝑗 ∈ 𝐽𝐽, 𝑚𝑚 ∈ 𝑀𝑀𝑝𝑝𝑝𝑝𝑝𝑝 (7)
𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒𝑒𝑒
𝑥𝑥𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 ≥0 ∀ 𝑡𝑡 ∈ 𝑇𝑇, 𝑖𝑖 ∈ 𝐼𝐼 , 𝑘𝑘 ∈ 𝐾𝐾, 𝑚𝑚 ∈ 𝑀𝑀𝑝𝑝𝑝𝑝𝑝𝑝 (8)
𝑠𝑠𝑠𝑠𝑠𝑠 𝑠𝑠𝑠𝑠𝑠𝑠
𝑥𝑥𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 ≥0 ∀ 𝑡𝑡 ∈ 𝑇𝑇, 𝑘𝑘 ∈ 𝐾𝐾, 𝑗𝑗 ∈ 𝐽𝐽, 𝑚𝑚 ∈ 𝑀𝑀𝑝𝑝𝑝𝑝𝑝𝑝 (9)
𝑦𝑦𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 ≥ 0 ∀ 𝑡𝑡 ∈ 𝑇𝑇, 𝑖𝑖 ∈ 𝐼𝐼, 𝑘𝑘 ∈ 𝐾𝐾, 𝑗𝑗 ∈ 𝐽𝐽 (10)
𝑧𝑧𝑡𝑡𝑡𝑡 ∈ {0,1} ∀ 𝑡𝑡 ∈ 𝑇𝑇, 𝑘𝑘 ∈ 𝐾𝐾 (11)
� 𝑧𝑧𝑡𝑡𝑡𝑡 ≤ 𝑍𝑍̅𝑡𝑡 ∀ 𝑡𝑡 ∈ 𝑇𝑇 (12)
𝑘𝑘∈𝐾𝐾

4. ESTUDO DE CASO
A formulação matemática descrita foi implementada na linguagem do Xpress Mosel 5.0.2
FICO® e resolvida com o solver Xpress Optimizer 35.01.01 FICO® em um computador com
processador Intel® Core™ i5 CPU 3,10GHz, 8 GB de memória RAM e Windows 10.

4.1. Descrição do estudo de caso

Com o objetivo de determinar a localização ótima de CILs para o transporte da soja brasileira
em diferentes horizontes de análise, considerando critérios econômicos e ambientais no
processo de otimização, os dados foram obtidos a partir da base georreferenciada do PNLT
(Ministério dos Transportes – MT, 2012), devido a sua relevância no planejamento de
transporte e logística no Brasil. Assim, adotou-se: (i) o mesmo zoneamento (558 microrregiões
dentro do território nacional mais uma representando o exterior); (ii) a rede multimodal sugerida
(Figura 1) e os projetos de infraestrutura previstos; e (iii) as matrizes de produção e consumo
da soja para os anos 2015, 2023 e 2031. No entanto, para este estudo, foram previstos e
realizados os ajustes na base de dados do PNLT conforme descrito a seguir.

Para avaliar o comportamento do modelo em quatro horizontes espaçados simetricamente entre

si, elencou-se os anos de 2019, 2023, 2027 e 2031. As matrizes de produção e consumo para os
horizontes não contidos no PNLT (2019 e 2027) foram estimadas por interpolação, mantendo-
se a projeção com base nas expectativas de crescimento dos mercados interno e externo e no
aumento de produtividade. Como não foi possível a aplicação do modelo para toda a matriz
nacional, devido à restrição computacional, elencou-se os fluxos de soja oriundos da região
Centro-Oeste, por deter o maior percentual de produção (cerca de 45% da produção nacional).

O transporte entre uma zona de produção e uma zona de consumo pode ser feito diretamente
pelo modo rodoviário, ou através de um CIL (chegando pelo modo rodoviário e saindo por uma
combinação intermodal: ferroviário e hidroviário, no caso da soja, além do rodoviário). Durante
esse trajeto, pode ainda haver novas operações de transbordo (multimodalidade). Neste caso,
considera-se o CIL como uma estrutura simplificada, onde se realiza apenas o transbordo das
mercadorias, sem armazenagem ou agregação de valor (sem estoque). Por disporem de
entroncamentos modais (locais onde se possa efetivamente realizar o transbordo e a
multimodalidade), estarem próximos aos locais produtores e afastadas de áreas de proteção
ambiental, Foram pré-selecionadas 80 microrregiões que pudessem receber as instalações de
um CIL, conhecidas como microrregiões candidatas (zonas destacadas na Figura 2).

Figura 1:Rede de modelagem de transportes Figura 2: Microrregiões candidatas a

do PNLT – nacional. Fonte: MT, MD (2007). construção o do CIL. Fonte: Plaza et al. (2019).

As matrizes de custo de transportes entre os pares de produção e consumo e as informações de

custos fixos e variáveis dos CILs foram obtidos em Guimarães (2015), que condiz com os custos
operacionais do transporte de carga após a implantação dos projetos de melhorias previstos no
PNLT. Sabe-se, no entanto, que as condições da superfície de rolamento afetam o custo
operacional veicular, uma vez que pode haver, por exemplo, redução da vida útil dos pneus,
aumento no consumo de combustíveis e aumento nos custos de manutenção do veículo. Como
este estudo aborda uma análise multiperíodo, fez-se necessário, inicialmente, conhecer o
horizonte previsto para implantação de cada projeto previsto no PNLT para, então, estimar a
matriz de custos para os quatro horizontes. Visando definir os fatores de correção dos custos de
transporte, buscou-se estudos que correlacionem estes às características da superfície da via
(CNT, 2019; GEIPOT, 1981; Zaabar e Chatti, 2014; Suwarto et al., 2020). Assim, para os custos
de transporte em horizontes anteriores à implantação do projeto de melhoria, adotou-se o
aumento de 49% para projetos de construção, 13% para adequação de capacidade, 17% para
pavimentação e 28,5% para projetos de recuperação.

Diante da necessidade da utilização de fatores de emissões ambientais para os diferentes modos

de transportes abordados no PNLT, buscou-se na literatura parâmetros de referência para
fatores de emissão de CO2 (EEA, 2012; CEFIC e ECTA, 2011; UNITED NATIONS, 2014;
NIKANDER, 2008; DELFT, 2017). Para esse trabalho, adotou-se o valor médio entre os
apresentados na bibliografia: 77,6 g/t.km para o rodoviário, 21,625 g/t.km para o ferroviário,
9,3 g/t.km para o marítimo; e 30,6 g/t.km para a navegação de interior. Para que as emissões
fossem monetizadas, levantou-se a variação do preço do crédito de carbono (Investing.com,
2020a) para o período de três meses (compreendido entre os dias 01/04/2020 e 01/07/2020),
verificando-se o valor médio de £ 21,31, equivalente a R$ 138,55 (utilizando-se o valor cambial
médio do mês de junho/2020, R$6,50/£, segundo Investing.com, 2020b).

4.2. Cenários de avaliação e resultados

Visando avaliar a economia obtida com a abertura de CILs, elaborou-se o cenário base de
comparação “nada a fazer”, ou seja, sem instalações de CILs. Esse cenário foi denominado de
Cenário 0. Verificou-se que, somando-se os quatro horizontes, o custo financeiro deste cenário é
de aproximadamente R$ 13,056 bilhões, enquanto a emissão de CO2 estimada em R$ 1,751 bilhões.
Seis cenários foram estabelecidos ampliando-se as restrições impostas para abertura dos CILs:
• Cenário 1: os CILs possuem custo simbólico de abertura de R$1,00, devido a sua
importância estratégica na concepção da malha de transportes do país, e não há volume
mínimo para sua abertura;
• Cenário 2: similar ao Cenário 1, porém, agora, com volume mínimo de 1 milhão de
toneladas a ser respeitado para abertura de um CIL;
• Cenário 3: Esse cenário considera que o custo para abertura de um CIL é 30 (Cenário
3a) e 100 (Cenário 3b) milhões de reais e não há volume mínimo para abertura, e;
• Cenário 4: mesmos custos considerados no Cenário 3a e Cenário 3a, porém, agora,
considerando o volume mínimo de 1 milhão de toneladas para abertura de um CIL.

Cabe destacar que o Cenário 1 permite a abertura de uma maior quantidade de CILs, já que
possui menores restrições (valor simbólico de abertura e sem volume mínimo) e pode não
representar apropriadamente a realidade. No entanto, faz-se importante para visualizar o
impacto deste tipo de estrutura na rede logística.

Em uma primeira análise, somente o termo econômico da função objetivo foi considerada para a
determinação da localização ótima dos CILs, ou seja, adotou-se α = 1 e β = 0 na Função Objetiva
(1). Posteriormente, adotou-se somente o termo ambiental para análise (α = 0 e β = 1). Por fim,
ambos os termos foram considerados (α = 1 e β = 1). Os resultados destas análises para os
Cenários 1 a 4b estão apresentados, na Tabela 4. A primeira coluna indica o cenário avaliado. A
quantidade de CILs abertos em cada horizonte estão nas segunda, terceira, quarta e quinta colunas,
enquanto a sexta coluna exibe a quantidade total de estruturas abertas. As sétima e nona colunas
apresentam, respectivamente, os custos logísticos (𝑍𝑍(𝐶𝐶𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 )) e os custos de emissão (𝑍𝑍(𝐶𝐶𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒. ))
obtidos na otimização do modelo, total para os quatro horizontes de análise. Estes valores, quando
comparados com o Cenário 0, resulta em ganhos econômicos (oitava coluna) e de emissões
(décima coluna). O custo total dos horizontes de análise (𝑍𝑍(𝐶𝐶𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 )) e sua variação em relação ao
Cenário 0 são apresentados na décima primeira e décima segunda colunas respectivamente. Por
fim, apresenta-se a quantidade de soja transportada diretamente entre o produtor e o consumidor
e através de CILs abertos (décima terceira e décima quarta colunas respectivamente).

A análise dos resultados para o modelo matemático puramente econômico (α = 1 e β = 0) indica

redução nos custos logísticos variando de 44% a 53% e nos custos de emissão de CO2 variando
em 49% e 50%. Quando avaliados os resultados para o modelo matemático puramente
ambiental (α = 1 e β = 1), observou-se redução nos custos logísticos variando de 6% a 41% e
nos custos de emissão de CO2 variando em 56% e 58%. A comparação entre os resultados
obtidos em ambos os casos indicou comportamento correto do modelo de otimização, uma vez
que o modelo puramente econômico possuiu maiores reduções nos custos logísticos e o modelo
puramente ambiental obteve maiores reduções nos custos de emissões. No entanto, ambos
modelos apresentaram economias tanto nos custos logísticos quanto nos custos em emissões,
ressaltando a importância econômica e ambiental da abertura de CILS mesmo quando
considerado apenas um dos fatores. Os Cenários 3 e 4, principalmente a alternativa b, tiveram
maiores custos logísticos devido ao custo fixo de abertura. O modelo puramente ambiental
obteve maior quantidade de CILs abertos (16 a 46, versus 7 a 38 do puramente econômico).

Ao avaliar os resultados dos cenários assumindo os dois termos para a otimização (α = 1 e β =

1), verifica-se valores intermediários aos obtidos pelos modelos acima discutidos: redução nos
custos logísticos entre 42% e 53% e nos custos de emissões de CO2 entre 49% e 50%. Ao
comparar a quantidade de CILs abertos com o modelo puramente econômico, verifica-se que
houve aumento de apenas uma unidade para os Cenários 1, 3a e 4b e duas unidades para o
Cenário 2, o que indica, ao considerar o peso ambiental, a possibilidade de intensificar os
ganhos em emissões mantendo-se próximas as economias nos custos logísticos.

Aferiu-se, para todos os casos, abertura expressiva de CILs logo no primeiro horizonte,
reforçando a importância desta estrutura para as economias avaliadas. Porém, foram também
constatadas, como solução ótima, a abertura de estruturas em horizontes futuros. Este efeito
pode ser facilmente observado para o modelo puramente ambiental, no qual todos os cenários
apresentaram abertura adicional de CILs. Porém, para este modelo, destaca-se a necessidade de
oito unidades no horizonte de 2031 para os Cenários 1, 3a e 3b. A abertura destas unidades
decorre da não necessidade de minimização dos custos logísticos no processo de otimização, já
que o foco foi o termo ambiental do modelo, o que permitiu ampliar o número de CILs abertos.

O modelo matemático multiperíodo apresentado permite, em conjunto com a Restrição (12),

avaliar planos estratégicos que preveem quantidades máximas de facilidades a serem abertas em
cada horizonte. Visando avaliar esta utilidade do modelo, determinou-se o limite de até cinco
unidades a serem abertas em cada um dos três primeiros horizontes (2019, 2023 e 2027) e
ilimitado no horizonte 2031. Os resultados obtidos da modelagem deste plano de ação,
considerando os fatores econômicos e ambientais, são apresentados na Tabela 5. Observa-se que
o modelo apresentou resultados satisfatórios, com solução ótima dentro dos limites impostos e
com redução nos custos logísticos (de 43% a 50%) e nos custos ambientais (de 48% a 50%).
 Tabela 4: Resultados da aplicação do modelo matemático.
Número de CILs Abertos Produtos Produtos
𝒁𝒁(𝑪𝑪𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍 ) 𝒁𝒁(𝑪𝑪𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆. ) 𝒁𝒁(𝑪𝑪𝒕𝒕𝒕𝒕𝒕𝒕𝒕𝒕𝒕𝒕 ) transportados transportado
Avaliação Cenário ∆𝒁𝒁(𝑪𝑪𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍 ) ∆𝒁𝒁(𝑪𝑪𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆. ) ∆𝒁𝒁(𝑪𝑪𝒕𝒕𝒕𝒕𝒕𝒕𝒕𝒕𝒕𝒕 )
2019 2023 2027 2031 Total 109(R$) 109(R$) 109(R$) diretamente por CILs
(107 ton) (107 ton)
0 0 0 0 0 0 13,056 - 1,751 - 13,056 - 15,786 0,000
1 37 1 0 0 38 6,190 -53% 0,883 -50% 6,190 -53% 4,284 11,502
2 13 0 2 1 16 6,420 -51% 0,893 -49% 6,420 -51% 4,228 11,558
α=1e 3a 14 0 0 0 14 6,757 -48% 0,888 -49% 6,757 -48% 4,558 11,228
β=0 3b 7 0 0 0 7 7,375 -44% 0,895 -49% 7,375 -44% 5,468 10,318
4a 11 0 0 0 11 6,796 -48% 0,881 -50% 6,796 -48% 4,856 10,930
4b 7 0 0 0 7 7,375 -44% 0,895 -49% 7,375 -44% 5,468 10,318
1 37 0 1 8 46 7,641 -41% 0,742 -58% 0,742 -58% 4,148 11,638
2 14 0 2 0 16 7,964 -39% 0,764 -56% 0,764 -56% 3,159 12,627
α=0e 3a 37 1 0 8 46 9,077 -30% 0,742 -58% 0,742 -58% 3,466 12,320
β=1 3b 38 0 0 8 46 12,298 -6% 0,742 -58% 0,742 -58% 3,447 12,339
4a 15 0 1 0 16 8,424 -35% 0,764 -56% 0,764 -56% 3,470 12,316
4b 13 2 1 0 16 9,558 -27% 0,765 -56% 0,765 -56% 3,256 12,530
1 36 1 0 0 37 6,193 -53% 0,876 -50% 7,068 -52% 4,291 11,495
2 13 0 1 0 14 6,429 -51% 0,874 -50% 7,303 -51% 4,379 11,407
α=1e 3a 13 0 0 0 13 6,761 -48% 0,877 -50% 7,638 -48% 4,720 11,066
β=1 3b 7 0 0 0 7 7,377 -43% 0,890 -49% 8,267 -44% 5,497 10,288
4a 11 0 0 0 11 6,800 -48% 0,875 -50% 7,675 -48% 4,874 10,912
4b 8 0 0 0 8 7,580 -42% 0,896 -49% 8,476 -43% 6,172 9,614
∆𝑍𝑍(𝐶𝐶𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 ) = 𝛼𝛼 ∗ 𝑍𝑍�𝐶𝐶𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 � + 𝛽𝛽 ∗ 𝑍𝑍(𝐶𝐶𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒. ) representa o total composto pelos custos logísticos e ambientais e “-” significa que não houve variação.
 Tabela 5: Resultados do modelo matemático associado a planejamento econômico
Número de CILs Abertos 𝒁𝒁(𝑪𝑪𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍 ) 𝒁𝒁(𝑪𝑪𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆. )
Cenário ∆𝒁𝒁(𝑪𝑪𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍𝒍 ) ∆𝒁𝒁(𝑪𝑪𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆. )
2019 2023 2027 2031 Total 109(R$) 109(R$)
0 0 0 0 0 0 13,056 - 1,751 -
1 5 5 5 22 37 6,468 -50% 0,902 -49%
2 5 5 4 0 14 6.561 -50% 0.893 -49%
3a 5 5 0 0 10 6,907 -47% 0,894 -49%
3b 5 2 0 0 7 7,459 -43% 0,899 -49%
4a 5 5 0 0 10 6,917 -47% 0,886 -49%
4b 5 1 0 0 6 7.475 -43% 0.912 -48%

Os resultados detalhados neste estudo indicam que a aplicação do modelo matemático proposto
é capaz de auxiliar tomadores de decisão na elaboração de planos estratégicos de transportes
que abranjam diferentes horizontes de análise e que visem melhorias na utilização de redes de
transportes intermodais, resultando em sistemas de operação logística mais eficientes em
termos econômicos e ambientais. Essas análises indicam, ainda, que o estudo de abertura de
CILs, principalmente ao considerar os aspectos ambientais, pode também favorecer a
viabilidade econômico-financeira de projetos, dando suporte à tomada de decisões.

5. CONSIDERAÇÕES FINAIS
Esse trabalho teve como objetivo aplicar um modelo matemático multiperíodo para a
localização ótima de CILs, considerando critérios econômicos (custos de transporte, abertura e
operação dos CILs) e ambientais (emissões de CO2), para o transporte de soja produzida na
região Centro-Oeste do Brasil. O estudo considerou a rede de transporte multimodal e as bases
georreferenciada estabelecidas no PNLT, avaliando-se os horizontes 2019, 2023, 2027 e 2031.

Em um primeiro momento, considerou-se apenas os custos logísticos para a localização ótima

dos CILs. Posteriormente, considerou-se apenas o critério ambiental. Por fim, ambos critérios
foram considerados. Em todas as análises, o modelo matemático apresentou resultados
satisfatórios, indicando as microrregiões candidatas ótimas e o horizonte para a abertura de
CILs. Ao comparar com o Cenário 0 (“nada a fazer”), observou-se economias financeiras
variando de 6% a 53% e redução das emissões ambientais de 49% a 58%. Para alguns cenários,
obteve-se a abertura da infraestrutura em diferentes horizontes, verificando-se a importância da
análise temporal na busca da solução ótima. O modelo ainda permitiu avaliar a abertura
escalonada de unidades de CILs, como um plano de implantação estratégico. Os resultados aqui
obtidos reforçam a importância do desenvolvimento de estudo para implantação de infraestruturas
que permitam a multimodalidade da rede, como os CILs, contribuindo para o aumento da
eficiência da operação dos sistemas logísticos. Além disso, demonstraram que os ganhos podem
se estender do âmbito econômico para o ambiental, por meio da redução das emissões de CO2,
podendo auxiliar, por exemplo, no alcance das metas de redução de emissões estabelecidas em
acordos internacionais. Indicam, ainda, que o estudo de localização de CILs pode subsidiar o
processo de tomada de decisões e a elaboração de planos estratégicos.

Como limitação do estudo, esclarece-se que os resultados são altamente dependentes dos
parâmetros de entrada, que precisam ser atualizados, caso seja necessário um estudo para
direcionar investimentos públicos e privados. Destaca-se, ainda, que não foram utilizadas taxas
de juros e/ou inflacionárias para correção dos custos nos horizontes a valor presente. Ademais,
foi considerado um único produto e proveniente de apenas uma região do país.
REFERÊNCIAS BIBLIOGRÁFICAS
Bhattacharya, A., Kumar, S., Tiwari, M., Talluri, S. (2014) An intermodal freight transport system for optimal
supply chain logistics. Transportation Research Part C 38, 73-84.
Cefic, E.C.T.A. (2011). Guidelines for measuring and managing CO2 emission from freight transport operations.
Cefic Report, 1(2011), 1-18.
CNT (2018). Plano CNT de Transporte e Logística - 2018.
CNT: SET SENAT (2019). Pesquisa CNT de rodovias 2019. Brasília.
CNT e COPPEAD (2002). “Transporte de Cargas no Brasil: Ameaças e Oportunidades para o Desenvolvimento
do País – Diagnóstico e Plano de Ação”. In: Relatório da Confederação Nacional do Transporte – CNT,
Brasília/DF, Centro de Estudos em Logística – CEL do Instituto de Pós-Graduação e Pesquisa em
Administração – COPPEAD e Universidade Federal do Rio de Janeiro – UFRJ, Rio de Janeiro/RJ.
CONAB (2020). Acompanhamento da Safra Brasileira de Grãos 2019/20 - Nono levantamento, v. 7, n. 9. Brasília.
Costa, M.B.B. (2014). Utilização de modelo de localização-alocação para identificação de zoneamento logístico
integrado ao planejamento estratégico de transportes. [Tese]. COPPE/ Universidade Federal do Rio de Janeiro
(UFRJ). Eng. Transportes. 217p. Rio de Janeiro/RJ.
Delft, C. E. (2017). STREAM Freight Transport 2016 (in Dutch), Emissions of freight transport modes–Version
2, Publication code: 17.4 H29. 10.
EEA (2012). GHG emissions of transport, Transport and Energy Group, pp. 1–22.
EPE - Empresa de Pesquisa Energética (2020). Balanço Energético Nacional 2020: Relatório Síntese: ano base 2019.
Fleury, P. F., Wanke, P. (2006). “Transporte de cargas no Brasil: estudo exploratório das principais variáveis
relacionadas aos diferentes modais e às suas estruturas de custos”. In: Estrutura e Dinâmica do Setor de
Serviços no Brasil.
Guimarães, V.A. (2015). Modelagem matemática para localização-alocação de centros de integração logística
considerando as demandas par-a-par. [Dissertação]. COPPE/ Universidade Federal do Rio de Janeiro (UFRJ).
Eng. Transportes. 126p. Rio de Janeiro/RJ.
Guimarães, V.A. (2019). Localização-Alocação de Centros de Integração Logística Considerando Critérios
Econômicos e Ambientais. Tese. COPPE/ Universidade Federal do Rio de Janeiro (UFRJ). Eng. Transportes.
235p. Rio de Janeiro/RJ.
Guimarães, V.A., Ribeiro, G.M., Azevedo-Ferreira, M. (2018). Mapping of the Brazilian scientific publication on
facility location. Pesquisa Operacional, v. 38(2): 307-330. Rio de Janeiro/RJ.
Guimarães, V., Ribeiro, G., Forte, V., Lucena, A. (2017). A location-allocation model for logistics integration
centers. International Journal of Transport Economics 44, 273-292.
INVESTING.COM (2020a) Crédito Carbono Futuros - Dez 20 (CFI2Z0).
INVESTING.COM (2020b) GBP/BRL - Libra Esterlina Real Brasileiro.
Meisel, F., Kirschstein, T., Bierwirth, C. (2013). Integrated production and intermodal transportation planning in
large scale production-distribution-networks", Transportation Research Part E: Logistics and Transportation
Review, v. 60, pp. 62-78, 2013. ISSN: 13665545.
Ministério dos Transportes – MT, MINISTÉRIO DA DEFESA - MD (2007). Plano Nacional de Logística e
Transportes: Sumário Executivo. Brasília.
Ministério dos Transportes – MT.(2009). Relatório Executivo PNLT. Brasília.
Ministério dos Transportes – MT.(2012) Projeto de reavaliação de estimativas e metas do PNLT: Relatório Final.
Brasília.
Nikander, S. (2008). Greenhouse gas and energy intensity of product chain: case transport biofuel. Master's thesis.
Helsinki University of Technology.
Plaza, C.V., Guimarães, V.A., Ribeiro, G.M., Leite, L.S.B.S. (2020). Economic and environmental location of
logistics integration centers: the Brazilian soybean transportation case. TOP.
Plaza, C.V., Guimarães, V.A., Skroder, G.C., Ribeiro, G.M., Leite, L.S.B.S. (2019). Localização de Centros de
Integração Logística considerando critérios econômicos e ambientais: aplicação ao transporte de soja no brasil.
In: 33 ANPET Congresso de Pesquisa e Ensino em Transporte da ANPET. Balneário Camboriú-SC;
Rebelo, J. (2011), Logística de Carga no Brasil: “Como reduzir Custos Logísticos e Melhorar Eficiência? ”World
Bank, Sustainable Development Department, Latin America and the Caribbean Region.
SPNT, 2015, Centros de Integração Logística. Brasília/DF.
Suwarto, F., Nugroho, A., Susanti, R., Purwadi, D., 2020. Sensitivity analysis of road roughness on transportation
costs. J. Phys. Conf. Ser. 1444.
United Nations (2014). Methodological tool: Baseline emissions for modal shift measures in inter-urban passenger
transport. Report.
Zaabar, I., Chatti, K., 2014. Estimating vehicle operating costs caused by pavement surface conditions. Transp.
Res. Rec. 2455, 63–76.