UNIVERSIDADE FEDERAL FLUMINENSE – UFF

ESCOLA DE ENGENHARIA
DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO
GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO

PROPOSTA DE MELHORIA DE
FERROVIAS BRASILEIRAS ATRAVÉS DA
ANÁLISE ENVOLTÓRIA DE DADOS

Autor: João Victor Muylaert Reis Pessanha

Orientadora: Lidia Angulo Meza

NITERÓI
Junho/2022
 JOÃO VICTOR MUYLAERT REIS PESSANHA

PROPOSTA DE MELHORIA DE FERROVIAS BRASILEIRAS ATRAVÉS DA

ANÁLISE ENVOLTÓRIA DE DADOS

Projeto Final apresentado ao curso de

Graduação em Engenharia de Produção
como requisito parcial para obtenção do
Grau de Bacharel em Engenharia de
Produção.

Orientadora: Prof. Lidia Angulo Meza, D.Sc.

Niterói – RJ

2022
 JOÃO VICTOR MUYLAERT REIS PESSANHA

PROPOSTA DE MELHORIA DE FERROVIAS BRASILEIRAS ATRAVÉS DA

ANÁLISE ENVOLTÓRIA DE DADOS

Projeto Final apresentado ao curso de

Graduação em Engenharia de Produção
como requisito parcial para obtenção do
Grau de Bacharel em Engenharia de
Produção.

BANCA EXAMINADORA

___________________________________________________________________
Prof. Lidia Angulo Meza, D.Sc. – Orientadora
Universidade Federal Fluminense

___________________________________________________________________
Prof. Suzana Dantas Hecksher, D.Sc.
Universidade Federal Fluminense

___________________________________________________________________
Prof. Níssia Carvalho Rosa Bergiante, D.Sc.
Universidade Federal Fluminense

Niterói – RJ
2022
 AGRADECIMENTOS

Em primeiro lugar gostaria de agradecer a Deus por sempre permitir com que
meus objetivos fossem alcançados e por me dar forças em todos os momentos, em
especial naqueles que mais precisei. Sem Ti, nada sou. Quero agradecer também aos
meus pais, Ricardo Pessanha, por me proporcionar tudo que precisei e nunca me
deixou faltar, e a Suzana Muylaert, por sempre me mostrar o caminho dos estudo e
acreditar em meu potencial. Sem vocês, nada disso seria possível.

À toda minha família, em especial à minha avó Mariza, minha dinda Denise que
não cessam em torcer por mim e vibrar por cada uma das minhas conquistas. Ao meu
irmão, Pedro Augusto, e Paula Fidelis por serem exemplos de dedicação, capacidade
e estudo. Ainda, àqueles que não estão mais nesse plano, em especial Beatriz que
não só me criou, como se tornou meu maior exemplo de sabedoria e vida. À Mariana
Oliveira e família por sempre se orgulharem tanto de mim, muito obrigado por tudo.

Aos meus amigos do curso que foram sempre meus parceiros de risadas, de
apreensões e de união, Hugo Van der Put, Juliana Bardasson e Luma Moura. Ao
Lucas Willian, por, desde o primeiro período, ter caminhado comigo nas disciplinas,
projetos e desafios, muito obrigado por esta amizade incrível que, ainda, trouxe a Iris
e o Iago, todos essenciais para mim. Às minhas amigas do curso Allice, Amanda, Ana
Luísa, Luiza, Natalia e Tuanny, obrigado por cada momento feliz em meio aos desafios
que a faculdade nos colocou.

Aos meus amigos de vida e de todos os momentos, Bruna, Giulia, Fabricia,

Isabela, Joana, Julia, Juliana, Larissa, Paula e Willian, obrigado por sempre me
apoiarem nos momentos em que mais precisei, essa conquista também é de vocês.

À minha orientadora, Lidia Angulo Meza, por todo seu incansável apoio e por
cada detalhe que me fez refletir o rumo deste projeto. Sem sua ajuda e conhecimento,
nada disso seria possível. Às Professoras, Suzana Hecksher e Níssia Bergiante,
vocês foram exemplos para mim, sou muito grato por cada conhecimento passado.
Por fim, à toda Universidade Federal Fluminense, esta casa do saber que tenho muita
honra e orgulho de poder ter feito parte. Que ela resista e seja exemplo de excelência,
como sempre foi. Um dia hei de retornar para retribuir o conhecimento que obtive.
 RESUMO

O sistema ferroviário é responsável pelo transporte desde soja, fertilizantes a carros

e minério de ferro, fazendo assim, parte da estrutura logística de um país. Hoje em
dia, é possível mesurar a eficiência dos modais de transporte de carga por meio da
Análise Envoltória de Dados (DEA), todavia, poucos estudos foram realizados sobre
o modal ferroviário. Sendo assim, neste trabalho é realizado uma Análise da Eficiência
Produtiva das Ferrovias Brasileiras, através da aplicação da Análise Envoltória de
Dados (DEA), em que serão analisadas 12 ferrovias brasileiras considerando os
dados de três anos: 2018, 2019 e 2020. Para esta análise foram utilizadas 5 variáveis
em que como input são consideradas as variáveis Capacidade e Número de Terminais
enquanto que para outputs, Tonelada Quilômetro Útil (TKU), Velocidade Média Anual
Comercial (VMC) e Número de Acidentes. Para o cálculo da eficiência utilizou-se o
modelo BCC com orientação a output e posteriormente utilizou-se o modelo CRR com
a mesma orientação para validação dos resultados. Com os resultados obtidos
elaborou-se uma progressão temporal do desempenho de cada uma delas e, ainda,
definiram-se benchmarks e alvos. Por fim, os resultados foram analisados e
interpretados de forma a estudar a progressão da eficiência das ferrovias e apresentar
quais exemplos de boas práticas e estratégias podem ser tomadas pelas ferrovias
ineficientes para que possam ter uma melhor performance.

Palavras-chave: Análise Envoltória de Dados (DEA); Ferrovia; Eficiência;

Benchmark.
 ABSTRACT

The railway system is responsible for transporting everything from soybeans, fertilizers
to cars and iron ore, thus being part of the logistics structure of a country. Nowadays,
it is possible to improve the efficiency of freight transport modals through data
envelomyoria analysis (DEA), however, few studies have been conducted on the rail
modal. Thus, in this study is carried out an Analysis of the Productive Efficiency of
Brazilian Railways, through the application of the Data Envelopment Analysis (DEA),
in which 12 Brazilian railways will be analyzed considering the three-year data: 2018,
2019 and 2020. For this analysis, 5 variables were used in which the variables Capacity
and Number of Terminals are considered as input, while for outputs, Useful Kilometer
Ton (TKU), Average Commercial Average Speed (VMC) and Number of Accidents.
For the calculation of efficiency, the BCC model with orientation to output was used
and later the CRR model with the same orientation for validation of the results was
used. With the results obtained, a temporal progression of the performance of each of
them was elaborated and benchmarks and targets were defined. Finally, the results
were analyzed and interpreted in order to study the progression of railroad efficiency
and to present which examples of good practices and strategies can be taken by
inefficient railroads to they perform better.

Key words: Data Envelopment Analysis; Railroad; Efficiency; Benchmark.

LISTA DE FIGURAS

Figura 1 – Fronteira de Eficiência Teórica com Conjunto Viável de Produção .......... 16

Figura 2 – Alvos de DMUs sobre fronteira DEA eficiente .......................................... 17
Figura 3 – Projeção radial e alvos de Modelo CCR orientado a input (2 inputs e 1
output) ....................................................................................................................... 20
Figura 4 – Fronteiras de eficiência dos modelos CCR e BCC ................................... 22
Figura 5 – Evolução das redes ferroviária e rodoviária ............................................. 27
Figura 6 – Mapa do Subsistema Ferroviário Federal ................................................ 29
Figura 7 – Evolução da eficiência das ferrovias por ano ........................................... 37
 LISTA DE TABELAS

Tabela 1 – Relação de DMUs ................................................................................... 28

Tabela 2 – Variáveis do estudo e seus tipos ............................................................. 30
Tabela 3 – DMUs e variáveis anos de 2018 a 2020 .................................................. 32
Tabela 4 – DMUs e suas pelo modelo BCC com orientação a output....................... 34
Tabela 5 – DMUs e suas eficiências pelo modelo CCR com orientação a output ..... 36
Tabela 6 – Ferrovias, suas eficiências por ano e padrão seguido............................. 38
Tabela 7 – Ferrovias e suas eficiências médias ........................................................ 39
Tabela 8 – DMUs ineficientes e benchmarks ............................................................ 41
Tabela 9 – Alvos para as DMUs em 2020 ................................................................. 42
 SUMÁRIO

1 INTRODUÇÃO ................................................................................................... 10
2 REFERENCIAL TEÓRICO ................................................................................. 13
2.1 CONCEITOS BASE ........................................................................................ 13
2.1.1 Produtividade ............................................................................................... 13
2.1.2 Eficácia......................................................................................................... 13
2.1.3 Eficiência ...................................................................................................... 13
2.2 ANÁLISE ENVOLTÓRIA DE DADOS ............................................................ 14
2.3 MODELOS CLÁSSICOS................................................................................. 17
2.3.1 Modelo CCR................................................................................................. 17
2.3.2 Modelo BCC ................................................................................................. 20
2.3.3 Outputs Indesejáveis .................................................................................... 23
3 ESTUDO DE CASO............................................................................................ 25
3.1 MODELAGEM ................................................................................................. 27
3.1.1 Descrição DMUs e escolha das variáveis .................................................... 27
4 ANÁLISE DOS RESULTADOS .......................................................................... 34
4.1 AVALIAÇÃO GERAL...................................................................................... 35
4.2 EFICIÊNCIA POR DEFAULT E MODELO CCR ............................................. 35
4.3 PROGRESSÃO TEMPORAL DA EFICIÊNCIA .............................................. 37
4.4 EFICIÊNCIA MÉDIA POR FERROVIA ........................................................... 39
4.5 BENCHMARKS DAS FERROVIAS EFPO, EFC, RMO E FCA ...................... 40
4.6 ALVOS PARA AS DMUS INEFICIENTES EM 2020....................................... 42
5. CONCLUSÃO ..................................................................................................... 44
REFERÊNCIAS......................................................................................................... 47
 10

1 INTRODUÇÃO

O transporte é o locomotor de produtos para seus locais finais, sendo essencial

para bens dos diversos tipos e como atividade logística consome, em média, entre
30% e 70% dos custos totais de um ciclo logístico (HARA, 2009). No Brasil os modais
rodoviários, ferroviário, hidroviário e aéreo são fundamentais na economia, seja
escoando a produção de grão até os portos, transportando os minérios do quadrilátero
ferrífero até usinas de beneficiamento ou fazendo entregas nas cidades. Todavia
existem modais de transportes que apresentam custos de operação mais elevados
que outros, que dependem desde a mão de obra, preços dos combustíveis e até
incentivos governamentais que acabam por gerar uma preponderância de um modal
quando comparado a outros.

Tratando-se da ferrovia, ela teve início no século XIX, na Revolução Industrial,

em que as primeiras locomotivas a vapor foram capazes de transportar em seus
vagões, em apenas uma viagem, uma capacidade muito superior a capacidade das
charretes puxadas a tração animal (ANTF, 2022). Hoje os trens em toda Europa, Asia
e América do Norte se tornaram parte das paisagens e das rotinas urbanas, seja no
transporte de passageiro ou de carga. A evolução deste modal proporcionou o avanço
de grandes economias, dinamismo nas cidades e crescimento industrial. A China é
um exemplo sendo um dos países com mais alto investimento neste tipo de transporte,
vide a construção do trem mais rápido do mundo, um novo trem-bala, usando
tecnologia de levitação magnética (maglev), que pode atingir 600 km/h, ou seja, mais
de 100 vezes a velocidade máxima da primeira locomotiva produzida (DUARTE,
2021).

No Brasil a ferrovia exerce um papel secundário no transporte e os caminhões

representam o modelo mais utilizado, haja vista a quantidade de rodovias muito
superior a quantidade de ferrovias (ALVARENGA; NOVAES, 2000, p. 82). Ainda,
como será visto no capítulo do estudo de caso, existe a carência de estudos que
abordem a análise da eficiência do modal ferroviário. Assim, com o objetivo de avaliar
a eficiência das ferrovias, neste trabalho adota-se uma abordagem de Análise
Envoltória de Dados – Data Envelopment Analysis (DEA) (COOPER et al., 2000) –
para o cálculo das eficiências, definição de benchmarks, que são as boas práticas a
serem seguidas, e alvos, que são os valores que precisam ser atingidos paras que as
 11

ferrovias ineficientes possam ter seus resultados aperfeiçoados. Tendo os resultados

das eficiências, pode-se, também, fazer uma análise global, ranqueando as ferrovias
analisadas por ano e uma evolução temporal da eficiência por cada uma delas.

Para este estudo foram selecionadas 12 ferrovias brasileiras com dados

contidos no Anuário do Setor Ferroviário da Agência Nacional de Transportes
Terrestres (ANTT, 2022) durante os anos 2018, 2019 e 2020 observados, formando o
conjunto de 36 Unidades Tomadoras de Decisão (Decision Making Units - DMU)
(CHARNES et al., 1978). Determinou-se também, cinco variáveis, dois inputs e três
outputs, sendo um dos outputs, indesejável. Como inputs foram considerados a
Capacidade da ferrovia e o Número de Terminais. Já como outputs, teve-se Tonelada
Quilômetro Util (TKU), Velocidade Média Anual Comercial (VMC) e Número de
Acidentes, este indesejável. Essas variáveis foram analisadas por meio do modelo de
Banker, Charnes e Cooper (1984), chamado de BCC, e orientadas a output. A
justificativa para escolha das variáveis, número de ferrovias, modelo e orientação se
encontram abordados na terceira seção deste estudo.

Dessa forma, o objetivo deste estudo é a avaliação de eficiência das ferrovias

nos anos de 2018, 2019 e 2020, de forma a, também, construir uma progressão
temporal do desempenho de cada uma. Além destes objetivos principais, há outros
objetivos secundários, tais como: definição de benchmarks e alvos; verificar se as
DMUs eficientes por default no modelo BCC, que serão explicadas no próximo
capítulo, são de fato eficientes no modelo CCR e elaborar a eficiência média por
ferrovia no triênio.

Dito isto, este trabalho encontra-se estruturado em 5 seções. A presente seção

é a Introdução, de forma a apresentar uma contextualização do objeto deste estudo
de caso e o tema a ser abordado ao longo do trabalho. Além disso, é citada a
metodologia a ser utilizada e expostos os resultados e objetivos esperados com a
utilização de tal abordagem.

A segunda seção traz o referencial teórico necessário para a elaboração deste

estudo, nele encontra-se os conceitos que se fazem necessários para o entendimento
do estudo e detalhamento de DEA e seus modelos clássicos (BCC e CCR),
orientações e técnicas complementares que foram utilizadas neste trabalho como
variável indesejável e eficiência por default.
 12

A terceira seção é o estudo de caso propriamente dito onde se detalha mais as

ferrovias escolhidas, as variáveis adotadas e a razão de suas escolhas. Em posse
desses dados é concluída a modelagem do estudo de caso e apresentação de todos
os dados selecionados para a aplicação da abordagem DEA.

Na quarta seção são mostrados os resultados obtidos após o uso da

abordagem DEA e discutido cada análise proposta. Para tal, a partir das eficiências
obtidas, foram definidas as DMUs eficientes e ineficientes, ranqueadas, organizadas
de forma a haver uma progressão temporal de suas eficiências e, ainda, foram
definidos benchmarks para as ineficientes. No fim da seção, foram apresentados os
alvos para que possam servir como objetivo de melhoria para as ineficientes no ano
de 2020.

Finalmente, na quinta seção, apresenta-se a conclusão do trabalho. É feito um

resumo do estudo de caso e seus resultados são comparados com o que foi proposto,
a fim de verificar se os objetivos do estudo foram alcançados. Além disso, é deixado
sugestões de outros dados para serem utilizados em possíveis novos trabalhos que
tenham relação com esta pesquisa para que possa fomentar, e aumentar, o número
de pesquisas deste tipo, em especial que envolva a ferrovia brasileira.
 13

2 REFERENCIAL TEÓRICO

Neste capítulo os modelos de DEA serão apresentados e também os conceitos

que são base para melhor compreensão da metodologia. Esta etapa é essencial para
o decorrer do estudo de caso e validar a melhor abordagem a ser utilizada.
Primeiramente serão apresentados os conceitos base: produtividade, eficácia,
eficiência e efetividade. Em seguida, será a vez das abordagens clássicas de DEA:
CCR e BCC.

2.1 CONCEITOS BASE

2.1.1 Produtividade

A produtividade de um sistema pode ser considerada como a razão entre tudo

que foi produzido, ou seja, todo bem ou serviço que sai do sistema (output), por tudo
que o mesmo sistema demandou entrar nele (input) (SLACK, BRANDON-JONE e
JOHNSTON, 2015). Pode-se resumir produtividade em (1).

𝑏𝑒𝑚 𝑜𝑢 𝑠𝑒𝑟𝑣𝑖ç𝑜 𝑞𝑢𝑒 𝑠𝑎𝑖 𝑑𝑜 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 (𝑜𝑢𝑡𝑝𝑢𝑡)

𝑃𝑟𝑜𝑑𝑢𝑡𝑖𝑣𝑖𝑑𝑎𝑑𝑒 = (1)
𝑏𝑒𝑚 𝑜𝑢 𝑠𝑒𝑟𝑣𝑖ç𝑜 𝑞𝑢𝑒 𝑒𝑛𝑡𝑟𝑎 𝑛𝑜 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 (𝑖𝑛𝑝𝑢𝑡)

2.1.2 Eficácia

Segundo Soares de Mello et al. (2005), a eficácia está relacionada

exclusivamente à produção e não leva em consideração nenhum dos recursos
necessários para tal. Então, neste caso, somente leva em consideração as saídas, ou
seja, os outputs do modelo.

2.1.3 Eficiência

A eficiência, diferentemente da eficácia, leva em consideração mais de uma

unidade produtiva para o seu cálculo, com o intuito de medir o que poderia ser
produzido dada a mesma quantidade de recursos (COELLI et al., 2005). Ainda,
diferentemente da produtividade, esta que considera somente o próprio sistema, a
eficiência possui uma condição relativa, em que considera o conjunto de todos os
sistemas produtivos a serem analisados. Dar-se-á a cada uma um valor entre zero e
um, comumente em porcentagem (SOARES DE MELLO et al., 2005).

Para o cálculo da eficiência, primeiro deve ser feito o cálculo da produtividade

de cada unidade a ser estudada, conforme a equação (2). Em seguida, encontra-se a
 14

maior produtividade do grupo e utiliza-se na equação (3) para calcular o valor da

eficiência referente a unidade i.

𝑃𝑟𝑜𝑑𝑢𝑡𝑖𝑣𝑖𝑑𝑎𝑑𝑒
𝐸𝑓𝑖𝑐𝑖ê𝑛𝑐𝑖𝑎 = (2)
𝑀𝑎𝑖𝑜𝑟 𝑃𝑟𝑜𝑑𝑢𝑡𝑖𝑣𝑖𝑑𝑎𝑑𝑒 𝑑𝑜 𝐺𝑟𝑢𝑝𝑜

2.2 ANÁLISE ENVOLTÓRIA DE DADOS

Elaborada por Charnes, Cooper e Rhodes (1978), a Análise Envoltória de

Dados, conhecida também como Data Envelopment Analysis (DEA), é uma técnica
que, a partir dos dados observados, utiliza recursos de programação linear para medir
desempenho visando determinar a eficiência relativa das DMUs, que são unidades de
produção similares entre si e transformam insumos em produtos (BOUGNOL et al.,
2009). Diferente dos métodos paramétricos, DEA não propõe nenhuma relação
funcional entre os recursos e o que foi de fato produzido. Tais pontos fazem parte da
medida de eficiência de cada DMU, pois DEA leva em consideração que o máximo
que uma DMU poderia produzir é obtido através da observação das unidades mais
produtivas (SOARES DE MELLO et al., 2005). Confere-se então que, conforme
Cooper et al. (2000), DEA segue uma metodologia de fronteira e não de tendência
central.

Segundo Charnes et al. (1978), para o uso de DEA, DMUs precisam realizar
atividades similares, apresentar objetivos em comum, ou seja, sendo homogêneas.
Ainda, é essencial que, mesmo em quantidades diferentes, utilizem as mesmas
variáveis de entrada e de saída. Com isso, DEA é utilizada frequentemente com
sucesso em diversas frentes de pesquisas e estudos em face da sua adaptabilidade
e simplicidade de aplicação (ZHU, 2014).

A abordagem DEA, conforme já explicado, é relativa e tem seu início com base
na definição de produtividade. Sendo assim, o índice de eficiência relativa de uma
DMUk é proveniente da razão da produtividade dessa DMU pela maior produtividade
do conjunto formado pelas DMUs listadas. Em suma, a eficiência se dá pela soma
ponderada dos outputs ∑ 𝑢𝑗 𝑦𝑗𝑘 dividida pela soma ponderada dos inputs ∑ 𝑣𝑗 𝑥𝑗𝑘 de

dada DMUk. As variáveis 𝑥 e𝑦 são os inputs i e outputs j, respectivamente, da

DMUk, já 𝑢 e 𝑣 são os pesos dos outputs e inputs, respectivamente (CHARLES et
 15

al., 1978). Em (4) é apresentada a razão entre as somas ponderadas, chamadas

também de outputs e inputs virtuais.

∑𝑗 𝑢 𝑦
𝐸𝑓𝑖𝑐𝑖ê𝑛𝑐𝑖𝑎 = (3)
∑𝑗 𝑣 𝑥

Um dos objetivos principais de DEA é poder calcular a eficiência de cada DMU

e, assim, determinar se são eficientes, ou seja, indicador igual a 1, ou ineficientes.
Permite, também, de forma geral, outros tipos de resultados (ANGULO MEZA et al.,
2010):

 Índice de eficiência: permite separar as DMUs eficientes das ineficientes.

Segundo Soares de Mello et al. (2005) com o conceito de eficiência de Pareto,
uma DMU será eficiente se, e somente se, ela conseguir melhorar a si mesma,
desde que não piore as demais. Para calcular usa-se um Problema de
Programação Linear (PPL) de DEA, conhecido como Modelo dos
Multiplicadores ou utilizando o Modelo do Envelope que é outro modelo PPL de
DEA, modelos estes que serão abordados na próxima subseção;
 Alvos para DMUs ineficientes: Como DEA permite calcular a distância que a
DMU se encontra da fronteira, logo, se a distância de uma DMU não é nula
então esta é uma DMU ineficiente e, a partir desta distância, é possível indicar
o que a DMU pode fazer para atingir a fronteira. Para atingir esses alvos, pode
ser feito alterações nos recursos, conhecido como orientação a inputs ou com
orientação a outputs, neste caso alterando as produções;
 Identificação de um conjunto de DMUs de referência (benchmarks): DEA
possibilita que seja encontrado um conjunto de uma ou mais DMUs eficientes
que servem de referência para cada DMU ineficiente. Este conjunto é uma
indicação de como as DMUs ineficientes podem ser ajustadas para rumarem a
eficiência.

Além dos resultados apontados acima, ainda há os Pesos das variáveis que
são resultantes da resolução do PPL. Cada unidade tomadora de decisão terá um
peso para cada variável. Este conjunto de pesos, que possuem maior importância
teórica do que pratica, permite maximizar ou minimizar a função objetivo de cada
DMU.
 16

As DMUs eficientes compõem a fronteira de eficiência teórica. Na Figura 1,

adaptada de Soares de Mello et al. (2005), é possível ver essa fronteira teórica que
contém as DMUs eficientes que indicam as melhores práticas adotadas (COOK et al.,
2013). Abaixo da curva h(x), fronteira teórica, nota-se as DMUs não eficientes pois
não atingem o resultado esperado dada quantidade de inputs consumidos.

Figura 1 – Fronteira de Eficiência Teórica com Conjunto Viável de Produção

As DMUs que não se encontram sobre a curva são consideradas ineficientes e

para que elas possam vir a ser eficientes necessitam se aproximar da fronteira teórica
onde estão as DMUs eficientes. Existem duas maneiras de tornar uma DMU ineficiente
em eficiente, dependendo do foco a ser praticado. Na primeira, orientada pela seta
laranja, a DMU D, por exemplo, pode se tornar eficiente ao reduzir seu input e, assim,
“chegar” à DMU A. Na maneira alternativa, orientada pela seta vermelha, seria a DMU
D aumentar seu output de maneira a “chegar” nos resultados da DMU B. A primeira
seta explicita uma orientação à input e nele a eficiência da DMU D é resultado da
razão 𝑃𝐴/𝑃𝐷 já o segundo modelo, tem-se uma orientação à output em que a
eficiência da DMU D é obtida pela razão 𝑄𝐵 /𝑄𝐷 (SOARES DE MELLO et al., 2005).

As DMUs ineficientes ao serem projetadas sobre a curva de eficiência geram

projeções eficientes que são os alvos que permitirão quantificar quais os níveis de
input e output serão necessários para alcançar a eficiência. Considerando um
exemplo simples de orientação a input, com somente um input e um output, tem-se a
figura 2, onde é possível ver a curva de eficiência que contém a DMU C, eficiente. As
DMUs A, B e D são ineficientes e têm seus alvos A’, B’ e D’, respectivamente,
projetados na fronteira de eficiência.
 17

Como dito, a Figura 2 é um exemplo de orientação a input, ou seja, buscam

atingir a eficiência reduzindo o input e mantendo constante os outputs, vide orientação
pelas setas azuis. O problema poderia ser orientado à output, neste caso, a eficiência
seria atingida por meio do aumento no número de outputs e mantendo os mesmos
níveis de inputs.

Figura 2 – Alvos de DMUs sobre fronteira DEA eficiente

2.3 MODELOS CLÁSSICOS

A análise envoltória de dados possui modelos multidimensionais diversos que

são aplicados conforme o enfoque do problema. Os modelos CCR e BCC serão
apresentados a seguir e são os modelos clássicos presentes na literatura.

2.3.1 Modelo CCR

O primeiro modelo possui seu nome em homenagem aos seus criadores

Charles, Cooper e Rhodes e foi apresentado por eles em 1978. Caracterizado pela
suposição de Constant Returns to Scale – CRS, retornos constantes de escala, o
modelo faz com que uma variação nos inputs traga variações proporcionais nos
produtos do processo (output) (CHARNES; COOPER; RHODES, 1978). O modelo
CCR tem as orientações que serão abordados a seguir.

O modelo CCR com a orientação a input, ou seja, casos em que se visa atingir
a eficiência reduzindo os inputs e fixando os outputs do processo. A eficiência é
atingida por meio da otimização do modelo (4). Este modelo é conhecido pela sua
 18

benevolência, pois é permitido a cada DMU escolher os pesos para cada uma das
variáveis de forma a ficar o mais benevolente possível, mas, ainda, esses pesos
devem ser aplicados às outras DMUs e não gerar uma razão superior a 1 na equação
(3) (SOARES DE MELLO et al., 2005).

Ao formular o modelo do problema de programação linear (PPL) de DEA, os

pesos (ui e vj) são as variáveis de decisão. De acordo com a função objetivo do PPL
têm-se os valores desses multiplicadores como resultado do problema. Em (4) temos
a formulação do Modelo dos Multiplicadores do CCR com orientação à inputs. Neste
caso, trata-se da formulação primal do PPL já linearizada.

Max 𝐸𝑓𝑓 = 𝑢𝑦

Sujeito a

𝑣𝑥 =1 (4)

𝑢𝑦 − 𝑣𝑥 ≤ 0, ∀𝑘

𝑣 , 𝑢 ≥ 0, ∀𝑖, 𝑗

Tal modelagem matemática possibilita que uma DMU seja eficiente com vários
conjuntos de pesos diferentes, inclusive, é possível que existam multiplicadores nulos
em algum input ou output, significando que esta variável não foi considerada na
avaliação do PPL em questão, mas não significa que ela está sendo ignorada
(SOARES DE MELLO et al., 2005). O termo pesos pode acabar gerando uma
conclusão precipitada, pois o mesmo não indica importância, na verdade, os pesos
são valores que multiplicados pelas variáveis serão responsáveis pela composição do
índice de eficiência, por isso chamados, também, de multiplicadores.

Em (4) tem-se o Modelo dos Multiplicadores e em (5) pode ser visto o chamado
de Modelo do Envelope, em que fica mais clara a orientação a inputs desse modelo
pois busca-se reduzir os recursos para atingir a eficiência. Como o Modelo do
Envelope é um modelo dual do Modelo dos Multiplicadores, a função objetivo é o valor
pelo qual todos os inputs são multiplicados para que a DMU0 se encontre na fronteira
eficiente.

Min ℎ (5)
 19

Sujeito a

ℎ 𝑥 − 𝑥 𝜆 ≥ 0, ∀𝑖

−𝑦 + 𝑦 𝜆 ≥ 0, ∀𝑗

𝜆 ≥ 0, ∀𝑘

No modelo é possível notar que a primeira restrição forma um grupo de

restrições que garante que ao reduzir cada um dos inputs não seja ultrapassada a
fronteira formada pelas DMUs eficientes. Já a segunda restrição forma um outro grupo
de restrições em que os níveis dos outputs da DMU em questão sejam mantidos
(SOARES DE MELLO et al., 2005).

O Modelo do Envelope tem como variáveis h0 e λ’s, diferente do modelo primal

em que são utilizadas as variáveis de decisão. O h0 representa o fator de redução da
DMU analisada e será utilizado para todos os inputs enquanto que os λ’s representam
como que cada DMU é capaz de contribuir para tornar eficiente a DMU0. Se o λ tiver
valor nulo, tem-se que a DMU a ele associada não exerce contribuição para tornar a
DMU0 eficiente. Porém, quando adquire valores não nulos, as DMUs atreladas a esses
λ’s serão benchmarks/alvos tidas como referência para a DMU em análise.

Na Figura 3 de Soares de Mello et al. (2005), vê-se, graficamente, a

interpretação dos λ’s para um caso orientado a input com 2 inputs e 1 output, com eixo
horizontal sendo Input1 dividido pelo Output e eixo vertical o Input2 dividido pelo
Output.
 20

Figura 3 – Projeção radial e alvos de Modelo CCR orientado a input (2 inputs e 1 output)

2.3.2 Modelo BCC

O modelo BCC acaba por considerar os retornos variáveis de escala, ou seja,

não há uma relação proporcional entre duas variáveis, fazendo com que ao
aumentarmos uma, não necessariamente outra será aumentada em igual fator. Nesse
caso é formada uma fronteira VRS – Variable Returns of Scale (Banker et al., 1984).
Para este novo modelo há a inclusão do fator de escala (u0) para o caso do Modelo
dos Multiplicadores com orientação a inputs e a adição de uma restrição para o caso
do Modelo do Envelope com a mesma orientação. Abaixo seguem apresentadas as
respectivas formulações (8) e (9) (SOARES DE MELLO et al., 2005).

Devido a característica benevolente do modelo BCC, por considerar retornos

variáveis de escala, uma DMU em BCC pode ser eficiente e ser ineficiente quando
analisada pelo modelo CCR, porém uma DMU eficiente pelo modelo CCR sempre
será eficiente no modelo BCC.
 21

Max 𝐸𝑓𝑓 = 𝑢 𝑦 +𝑢

Sujeito a

𝑣𝑥 =1
(8)
𝑢𝑦 − 𝑣 𝑥 + 𝑢 ≤ 0, ∀𝑘

𝑣 , 𝑢 ≥ 0, ∀𝑖, 𝑗
𝑢 ∈ ℝ

Min ℎ
Sujeito a

ℎ 𝑥 − 𝑥 𝜆 ≥ 0, ∀𝑖

(9)
−𝑦 + 𝑦 𝜆 ≥ 0, ∀𝑗

𝜆 =1

𝜆 ≥ 0, ∀𝑘

Considerando a orientação a output, em (10) e (11) são apresentados o Modelo

dos Multiplicadores e do Envelope, respectivamente. Nota-se que em (10) o fator de
escala passa a ser a variável v0, que, assim como u0, é associada à condição
∑ 1𝜆 = 1.

Min 𝐸𝑓𝑓 = 𝑣 𝑥 +𝑣

Sujeito a

𝑢𝑦 =1
(10)
𝑢𝑦 − 𝑣 𝑥 − 𝑣 ≤ 0, ∀𝑘

𝑣 , 𝑢 ≥ 0, ∀𝑖, 𝑗
𝑣 ∈ ℝ
 22

Max ℎ
Sujeito a

𝑥 − 𝑥 𝜆 ≥ 0, ∀𝑖

(11)
−ℎ 𝑦 + 𝑦 𝜆 ≥ 0, ∀𝑗

𝜆 =1

𝜆 ≥ 0, ∀𝑘

Na Figura 4, abaixo, feita pelo autor, tem-se a fronteira de um modelo BCC com
um input e um output combinada a fronteira do modelo CCR, em vermelho. Para
construir a fronteira, as retas são traçadas da DMU E, com maior output, e da DMU C
com menor input. Em seguida, faz-se a ligação com as demais DMUs eficientes de
forma a ter uma fronteira linear por partes, neste caso liga-se os pontos C, B e E.

Ainda na figura 4, a reta em vermelho representa a fronteira CRR e a em azul

a fronteira BCC e, assim, nota-se a benevolência do modelo com retornos variáveis
de escala, quando comparado com o modelo de retornos constantes de escala, pois
o BCC apresenta 3 DMUs eficientes (C, B e E), enquanto que o modelo CCR
apresenta somente a DMU B como eficiente. Vale lembrar que, neste caso em
específico, as fronteiras são traçadas independentemente da orientação.

Figura 4 – Fronteiras de eficiência dos modelos CCR e BCC

 23

Segundo Soares de Mello et al. (2005), as DMUs podem ser eficientes por
considerar apenas as variáveis que lhes são mais favoráveis, permitindo que haja
empate para as unidades 100% eficientes, o que dificulta a discriminação das DMUs.
Em DEA, DMUs que apresentam o menor valor de um input ou o maior valor de um
output será eficiente e são chamadas de eficiente por default. Isso se dá pois DEA
delimita a sua fronteira com base nos menores inputs e nos maiores outputs,
favorecendo a classificação de DMUs com os menores valores de input e com maiores
valores de output como eficientes. (SOARES DE MELLO et al., 2005)

2.3.3 Outputs Indesejáveis

Geralmente os casos de análise da eficiência visam maximizar tudo que é

produzido (outputs), mas há casos em que as saídas do processo desejam ser
minimizadas, como por exemplo a emissão de CO2 no ambiente, número de falhas e
número de acidentes. Esses produtos do processo que se deseja minimizar são
chamados de outputs indesejáveis.

Quando precisa ser incorporado em DEA esse tipo de variável, se faz

necessário o tratamento desses outputs indesejáveis de forma a que seja calculada
corretamente a eficiência de cada DMU (TSCHAFFON; ANGULO MEZA, 2014).
Segundo Scheel (2001), existem abordagens indiretas, que transformam o valor da
variável para que seja tratada como desejável nos modelos, e diretas, as quais não
se alteram os valores dos outputs e utilizam-se modelos DEA que consideram essa
característica indesejável da variável. Abaixo seguem apresentadas quatro
abordagens como indiretas.

A primeira abordagem é a INP, em que tais outputs são tratados como inputs
de tal forma que quanto menor a produção deste output, melhor o desempenho da
DMU. Nessa abordagem não é necessário fazer nenhuma operação matemática,
tornando-o um processo mais simples de ser realizado.

A segunda abordagem, chamada de Additive Inverse (ADD), os outputs

indesejáveis são transformados em desejáveis por meio da realização de uma
operação matemática em que há a troca do sinal da variável. Porém, alguns
programas de resolução de PPL atribuem peso zero para essa variável ao resolver o
problema. Sendo assim, este método está em desuso.
 24

A terceira forma de tratamento é o MLT (Multiplicative Inverse), chamado de

Inverso Multiplicativo, em que se utiliza o inverso do valor do output indesejável como
desejável, desde que não seja nulo. Se isto ocorrer, este tratamento não pode ser
aplicado. Com essa operação de inversão, permite com que quanto mais indesejável
for um output, menor será o valor ao se obter o valor inverso.

O quarto método de tratamento é chamado de Translação (TRꞵ) que inverte o

sinal do output e um valor ꞵ, suficientemente grande lhe é somado para que os valores
para cada DMU sejam positivos. Porém este método requer mais esforço de análise
do decisor, pois o modelo tem que ser invariante à translação, impossível de ser feito
no modelo CCR e no modelo BCC dependerá da orientação usada DMU.

Para este trabalho, o método aplicado será o INP pois as demais abordagens
não são as mais apropriadas para o presente estudo. A ADD, como dito, está em
desuso, a MLT não é indicada por muitos autores devido a sua limitação e, por fim, a
TRꞵ requer um esforço muito superior que quando comparado com a abordagem IMP
e sendo igualmente eficaz. Então este estudo considerará como input a variável
Número de Acidentes que originalmente é output e, assim, o modelo compreenderá
que esta variável deve ser reduzida ou mantida.
 25

3 ESTUDO DE CASO

Para o presente estudo de caso, foi realizada previamente uma busca

bibliográfica através da plataforma online Portal Periódicos da Coordenação de
Aperfeiçoamento de Pessoal de Nível Superior (CAPES) que disponibiliza acesso a
mais de 38.000 periódicos de diversos bancos de dados como Scopus e Scielo com
o intuito de verificar a presença de estudos semelhantes. Utilizando uma pesquisa
limitada aos estudos dos últimos 10 anos, em português e inglês, contendo as
palavras-chave “DEA” e “railway” ou “Análise Envoltória de Dados” e “ferrovia”, no
título ou assunto, totalizaram-se 45 artigos, todos eles em inglês. Considerando o
tamanho da base de pesquisa, o resultado encontrado é pequeno, o que fomentou o
interesse em desenvolver este trabalho e estudo de caso sobre a análise da eficiência
produtiva das ferrovias.

Considerando o sistema ferroviário brasileiro, ele tem seu início em 1854 com
14,5 km sendo empreendimento do Irineu Evangelista de Souza, futuramente
conhecido como Barão de Mauá. Em 1858 teve-se a inauguração da segunda estrada
de ferro do Brasil, em Pernambuco, ligando as cidades de Recife e Cabo, a Recife
and São Francisco Railway Company. Inclusive, esta ferrovia marcou o início da
instalação da primeira empresa inglesa no país. No mesmo ano, 1858, concluiu-se o
primeiro segmento do trecho entre o Rio de Janeiro e Queimados, na Baixada
Fluminense, que, por muitos anos, foi a mais importante ferrovia do Brasil: a Estrada
de Ferro Dom Pedro II, conhecida posteriormente como a Estrada de Ferro Central do
Brasil (ANTF, 2022).

Para Castiglioni (2009), o modal ferroviário é indicado principalmente para

longas distâncias e produtos de baixo valor agregado, como por exemplo os
commodities, derivados do petróleo, material siderúrgico, fertilizantes, milho, farelo de
soja e soja em grãos. Mesmo que apresente alto custo para ser implementado, para
sua devida operação não se faz necessário grandes gastos, pois não necessita
grande volume de mão de obra e é uma opção de transporte com baixo consumo
energético (SOARES; RIBEIRO, 2014). Os autores também abordam que é permitido
valores de fretes bastante competitivos, com baixas constantes a depender do volume
transportado, baixo consumo de energia e, ainda, possibilidade de prever estoque em
trânsito. Além do ponto de vista econômico, quando considerado o impacto ambiental,
um caminhão chega a descarregar mais de cinco vezes óxido nitroso no ambiente
 26

quando comparado com a emissão do trem para o mesmo volume transportado (IPEA,
2016).

O incentivo ao rodoviarismo e consequente redução no ferroviarismo no Brasil

tem seu início em 1956 com o governo de Juscelino Kubitschek que perdurou até
1961. Observou-se algumas mudanças, em especial com seus planos de meta de “50
anos em 5”, que permitiu e apoiou o largo desenvolvimento da indústria automotiva,
dando incentivos financeiros para a Vemag, então sediada em São Paulo, que foi a
primeira fábrica a montar legalmente carros nacionais. Mas também houveram a
Volkswagen, Mercedes-Benz, Willys Land, General Motors e Ford (PENA, 2021).

A ideia inicial de JK foi gerar nacionalização e autonomia, no entanto, isso não

se concretizou, pois o investimento estrangeiro é crucial para grandes empresas
industriais. Em sumo, seu objetivo foi parcialmente atingido, porém as consequências
do programa de meta resultaram no rodoviarismo e consequente aumento
exponencial no número de caminhões, carros, autoestradas e rodovias.

Segundo dados do IBGE de 2017, nota-se a clara discrepância entre a

ampliação da malha ferroviária e rodoviária quando são comparados os anos de 1964,
1980 e 2017. Abaixo, na Figura 5, segue a evolução das redes ferroviárias e
rodoviárias disponibilizada no Atlas Brasil (IBGE, 2018) onde é possível notar que em
2017 o tamanho da rede ferroviária teve ampliação ínfima quando comparado com a
rede em 1964. O mesmo não pode ser dito com a evolução da rodovia, uma vez que
em 2017 o tamanho da malha sofreu um crescimento exponencial quando se compara
com 1980, em especial na região costeira do país.
 27

Figura 5 – Evolução das redes ferroviária e rodoviária

3.1 MODELAGEM

Nos próximos tópicos serão apresentados as DMUs a serem utilizadas visando

elaborar o estudo das eficiências das ferrovias brasileiras nos anos de 2018 a 2020,
escolha das variáveis, o problema abordado, escolha do modelo e da orientação para
a modelagem do estudo, conforme passos de Golany e Roll (1989).

3.1.1 Descrição DMUs e escolha das variáveis

Neste estudo seriam analisadas 13 concessionárias que realizam transporte de

cargas por ferrovias no Brasil, segundo o Anuário do Setor Ferroviário de 2018, 2019
e 2020 disponibilizado pela Agência Nacional de Transportes Terrestres (ANTT).
Porém, devido à ausência de dados de uma delas, o que comprometeria a análise, a
ferrovia Rumo Malha Central (RMC) não participou deste estudo. Logo, tem-se 12
Decision Making Units (DMUs).
 28

Quanto às variáveis, foram escolhidas a Capacidade Diária, Número de

Terminais, Tonelada Quilômetro Útil (TKU), Velocidade Média Anual Comercial (VMC)
e Número de Acidentes.

Objetivou-se, também, para uma análise temporal, utilizar os dados do ano de

2017, porém o Anuário de 2017 apresentava inconformidades e ausência de dados
de cinco ferrovias que foram analisadas nos demais anos desse estudo. Ainda,
desejou-se informações referentes ao ano de 2021, porém até o momento de
elaboração deste trabalho não foi disponibilizado. Sendo assim, o estudo abordará os
anos de 2018, 2019 e 2020.

Tabela 1 – Relação de DMUs

As 12 concessionárias presentes no Anuário (ANTT, 2022) são representadas

na Tabela 1, acima. Abaixo, na Figura 6 há a representação geográfica do subsistema
ferroviário federal e nele é possível notar a concentração de ferrovias na porção
costeira do Brasil, reafirmando a relevância de tal modal no escoamento dos
commodities para o mercado exterior.
 29

Figura 6 – Mapa do Subsistema Ferroviário Federal

No que tange as variáveis deste estudo, a primeira delas, a Capacidade Diária,

é oriunda da Declaração de Rede a qual foi instituída pela Resolução ANTT nº
3.695/2011 e visa disponibilizar, anualmente, informações sobre as condições
operacionais e técnicas da infraestrutura ferroviária concedida que vigorarão para o
referido ano (ANTT, 2022). Desta Declaração de Rede obteve-se as informações da
Capacidade Diária (c) por terminal, em tonelada útil por dia (TU/dia). Sendo assim,
para determinação da Capacidade Diária por ferrovia (C) realizou-se a somatória da
capacidade diária de cada um dos terminais conforme equação apresentada em (12).

𝐶= 𝑐 (12)

O Número de Terminais representa o número total de terminais ferroviários que

cada malha possui (t). Este número será considerado como variável, também. Já a
variável Tonelada Quilômetro Útil (TKU) é usualmente utilizada como indicador
logístico de esforço. Seu valor é resultado do somatório da multiplicação da
quantidade de toneladas úteis que foram transportadas pela quilometragem percorrida
na própria malha, inclusive de tráfego mútuo e de direito de passagem (CNT, 2022).
A Variável Velocidade Média Comercial (VMC) considera o espaço percorrido pelo
tempo despendido total, inclusive nas paradas, sejam elas por problemas de
 30

circulação, por atraso na descarga e carga dos terminais ou cruzamentos. (RAMOS

SILVA; LEAL JUNIOR, 2009). Por fim, a variável Número de Acidentes, como o nome
sugere, representa o número anual de acidentes no transporte ferroviário de cargas
advindas do Anuário do Setor Ferroviário (ANTT), esta variável será considerada
como indesejável.

Outras informações sobre as DMUs são importantes para mensurar seu

desempenho, pode-se citar algumas, como por exemplo, número de trens por ferrovia,
número de vagões e quantidade de funcionários. Tais informações forneceriam ao
estudo possíveis novas eficiência, porém após diversas buscas não foram
encontrados dados suficientes que permitissem a utilização dos mesmos neste
estudo.

Para DEA, além da definição das variáveis, é necessário que se defina quais
são as variáveis de entrada (inputs) e quais são as de saída (outputs) para que possa
ser determinado qual melhor modelo deve ser utilizado. Nesta análise a definição das
variáveis está explicitada na Tabela 4, abaixo.

Tabela 2 – Variáveis do estudo e seus tipos

Variável Tipo de Variável

Capacidade (TU/dia) Input

Número de Terminais Input

Tonelada Quilômetro Útil -

Output
TKU (ton.Km)
Velocidade Média Anual
Output
Comercial - VMC (Km/h)

Número de Acidentes Output (indesejável)

A variável Capacidade é considerada como input pois ela é capaz de gerar

impacto nos resultados de desempenho da ferrovia. O segundo input, Número de
Terminais, que é a soma dos terminais presentes na ferrovia em questão segue o
mesmo raciocínio da capacidade, de ter sua importância no desempenho. Todos os
dados dos inputs são referentes aos anos de 2018, 2019 e 2020.

Além dos inputs, há 3 outputs, o primeiro deles é Tonelada Quilômetro Útil que
considera as cargas transportadas no referido ano, em toneladas, multiplicado pela
 31

sua respectiva distância útil percorrida. O segundo é a Velocidade Média Anual

Comercial (VMC), a qual considera o tempo total do percurso, incluso os tempos
parados por qualquer que seja o motivo. O último output é o Número de Acidentes que
aconteceram em cada ano analisado, esta é uma variável indesejável pois é certo que
a empresa responsável pela malha deseja reduzir este número ao máximo.

Deve-se notar que o input Número de Terminais e Capacidade não são

redundantes e não possuem relação direta entre si, uma vez que a Capacidade é a
somatória da capacidade de cada terminal, logo pode-se ter capacidades diferentes
entre terminais. As variáveis TKU e Capacidade também não são redundantes, uma
vez que a TKU considera somente as toneladas que de fato foram transportadas
enquanto que a capacidade traz o valor máximo de toneladas que a malha conseguiria
operar em um dia, podendo chegar ou não nesse limite.

Segundo Cook, Tone e Zhu (2013), não existe uma regra fixa sobre a
quantidade de DMUs em uma avaliação de DEA, mas é sabido que não é indicado
um número pequeno de DMUs para um grande número de inputs e outputs, uma vez
que a análise pode ter sua capacidade de discriminação reduzida. Mas, ao mesmo
tempo, estes mesmos autores indicam uma “regra de ouro” em que o número de
DMUs deve ser pelo menos três vezes superior ao número de inputs e outputs
combinados. Vale ressaltar que tal regra não é imperativa, mas é frequentemente
imposta por conveniência. Caso contrário, é verdade que se perde poder de
discriminação.

Com base nesta orientação, para este problema que conta com 5 variáveis,
seria desejável que se utilizasse ao menos 15 DMUs, ou seja, 15 ferrovias. Como a
ferrovia Rumo Malha Central (RMC) não possuía a Declaração de Rede disponível na
plataforma da ANTT, ela não participou deste estudo, sendo assim, ele conta somente
com 12 ferrovias. Todavia, como o estudo visa uma análise temporal considerando o
triênio 2018, 2019 e 2020, obteve-se 36 DMUs e 5 variáveis, vide Tabela 3, logo o
problema atende a “regra de ouro” e não gera perdas no poder de discriminação da
análise.

As DMUs foram nomeadas com a sigla da ferrovia adicionado do ano de

referência dos dados. Por exemplo, EFC (2019) possui suas variáveis com base no
 32

ano de 2019 e EFC (2020) as mesmas variáveis, porém com os dados do ano de
2020.

Como DEA é invariante à escala, buscando obtenção das eficiências sem

problemas computacionais que podem ocorrer devido a escala das variáveis, os
dados numéricos dos inputs Capacidade e Tonelada Quilômetro Útil foram
normalizados, de modo que não apresentem ordem de grandeza muito díspares
quando comparado com as demais variáveis. Assim, a variável Capacidade foi
dividida por 1.000 e a variável Tonelada Quilômetro Útil foi dividida por 100.000.000.

Tabela 3 – DMUs e variáveis anos de 2018 a 2020

Tonelada Velocidade Média

Capacidade (10³ Número de Número de
DMU Quilômetro Útil - Anual Comercial -
TU/dia) Terminais 8 Acidentes
TKU (10 ton.Km) VMC (Km/h)
EFC (2018) 1.563,40 22 1.843,76 27,68 22
EFC (2019) 1.579,26 24 1.744,86 28,13 20
EFC (2020) 1.584,70 26 1.773,77 32,00 19
EFPO (2018) 21,81 14 2,01 22,61 4
EFPO (2019) 22,91 14 3,61 23,27 4
EFPO (2020) 22,91 14 1,19 22,44 2
EFVM (2018) 997,40 79 697,52 27,63 30
EFVM (2019) 1.021,66 78 511,06 24,01 23
EFVM (2020) 1.021,65 79 391,70 23,08 11
FCA (2018) 579,91 191 245,28 12,20 191
FCA (2019) 577,04 189 229,72 11,62 135
FCA (2020) 577,04 189 235,12 12,16 137
FNSTN (2018) 221,97 46 73,13 18,61 9
FNSTN (2019) 221,97 46 82,76 17,44 4
FNSTN (2020) 221,97 46 95,70 16,32 7
FTC (2018) 54,32 18 2,20 20,51 9
FTC (2019) 54,32 18 2,33 20,69 15
FTC (2020) 54,32 18 2,36 21,66 9
FTL (2018) 30,88 12 6,13 8,96 54
FTL (2019) 30,88 12 5,74 8,71 40
FTL (2020) 30,88 12 6,31 9,27 56
MRS (2018) 1.470,26 110 637,65 16,85 107
MRS (2019) 1.383,03 113 480,88 15,68 101
MRS (2020) 1.352,23 113 524,31 16,09 109
RMN (2018) 348,17 25 359,19 13,10 16
RMN (2019) 418,73 28 384,96 12,04 15
RMN (2020) 483,62 32 392,09 12,82 10
RMO (2018) 61,70 7 8,79 11,12 36
RMO (2019) 61,70 7 8,20 11,26 38
RMO (2020) 28,82 6 4,69 11,35 14
RMP (2018) 147,82 38 49,80 12,70 100
RMP (2019) 436,46 61 62,83 13,55 102
RMP (2020) 452,66 63 84,14 13,16 92
RMS (2018) 506,11 188 143,58 13,21 217
RMS (2019) 506,11 188 141,25 13,77 276
RMS (2020) 406,33 108 139,62 14,07 233
 33

Como última parte da modelagem, se faz necessário a determinação do modelo

DEA a ser utilizado e sua orientação. Nesse caso, como as ferrovias apresentam
tamanhos e volumes de carga muito variados, o modelo escolhido foi o BCC que leva
em consideração as escalas dos diferentes sistemas. Já a orientação escolhida foi a
outputs, uma vez que o objetivo das empresas responsáveis pelas ferrovias é obter
maiores resultados no transporte de cargas utilizando o que já possuem em suas
instalações.
 34

4 ANÁLISE DOS RESULTADOS

Na Tabela 4, abaixo, são apresentados os resultados da modelagem proposta.

Ela confere as eficiências, em ordem decrescente. Vale ressaltar que tais resultados
foram obtidos através do SIAD v.3.0 (ANGULO-MEZA et al., 2005) com base nas
informações da Tabela 3 juntamente com o modelo BCC com orientação a output.

Observa-se que das 36 DMUs, somente 6 foram eficientes sendo a EFPO

eficiente em todos anos do estudo, a EFC nos anos de 2018 e 2020 e a RMO somente
em 2020.

Tabela 4 – DMUs e suas eficiências pelo modelo BCC com orientação a output

DMU Eficiência Padrão

EFC (2018) 100,00%
EFC (2020) 100,00%
EFPO (2018) 100,00%
EFPO (2019) 100,00%
EFPO (2020) 100,00%
RMO (2020) 100,00%
EFC (2019) 98,55%
EFVM (2018) 96,21%
FTC (2020) 92,38%
RMN (2018) 91,60%
FTC (2019) 88,25%
RMO (2019) 87,83%
FTC (2018) 87,48%
RMO (2018) 86,76%
EFVM (2020) 83,92%
EFVM (2019) 83,22%
RMN (2019) 80,80%
FNSTN (2018) 76,32%
FNSTN (2019) 74,01%
RMN (2020) 70,78%
FNSTN (2020) 66,93%
RMS (2020) 55,36%
FTL (2020) 54,35%
MRS (2018) 53,73%
RMS (2019) 53,02%
RMP (2018) 52,99%
RMP (2019) 52,97%
FTL (2018) 52,80%
MRS (2020) 52,41%
RMP (2020) 51,26%
RMS (2018) 50,86%
MRS (2019) 50,79%
FTL (2019) 49,44%
FCA (2018) 46,24%
FCA (2020) 46,12%
FCA (2019) 44,07%
 35

As eficiências obtidas e apresentadas na Tabela 4 serão utilizadas para seis

análises que são: 1) Realizar uma avaliação geral visando identificar as DMUs que
foram destaques em eficiência e ineficiência; 2) Utilizar o modelo CCR para verificar
se as DMUs eficientes por default no modelo BCC são de fato eficientes; 3) Elaborar
uma progressão anual do desempenho de cada ferrovia; 4) Elaborar a eficiência
média no triênio por ferrovia; 5) Apresentar os benchmarks das ferrovias EFC, EFPO,
RMO e FCA nos anos que foram ineficientes e 6) Indicar os alvos para as ferrovias
ineficientes em 2020.

4.1 AVALIAÇÃO GERAL

Na Tabela 4, observa-se que as 6 DMUs eficientes foram EFC (2018), EFC

(2020), EFPO (2018), EFPO (2019), EFPO (2020) e RMO (2020), consequentemente,
tiveram-se 31 DMUs ineficientes. Como se pode notar, a EFC teve 100% de eficiência
em dois anos, a EFPO em todos os anos analisados e a RMO somente em 2020.

Considerando o ranqueamento, observa-se que as três DMUs mais ineficientes

foram FCA (2018), FCA (2020) e FCA (2019) com 46,24%, 46,12% e 44,07% de
eficiência, respectivamente. Sendo assim, a Ferrovia Centro Atlântica é a mais
ineficiente de todas as demais em todos os anos analisados no estudo. Para maior
visualização e análise, a terceira subseção abordará a progressão temporal das
eficiências das ferrovias em cada ano.

4.2 EFICIÊNCIA POR DEFAULT E MODELO CCR

Conforme abordado em 2.3.3, o modelo BCC é benevolente e apresenta DMUs

eficientes por default. Nota-se que a DMU EFC (2020) foi eficiente por default pois
possui maior output Tonelada Quilômetro Útil e, também, possui maior Velocidade
Média Anual Comercial. Já as DMUs EFPO (2018) e EFPO (2020) foram eficientes
por default pois apresentam menor Capacidade e menor Número de Acidentes,
respectivamente. Por fim, a RMO (2020) é eficiente por default por apresentar menor
Número de Terminais dentre todas outras DMUs analisadas.

Conforme apresentado acima e na Tabela 4, tem-se quatro DMUs eficientes

por default em um universo de seis DMUs eficientes pelo método BCC com orientação
a output. Com isso, utilizando os mesmos dados da Tabela 3 em conjunto com o SIAD
v.3.0 (ANGULO-MEZA et al., 2005), obteve-se os resultados apresentado na Tabela
 36

5 abaixo, considerando o modelo CCR com orientação a output para que fosse
analisado quais DMUs são eficientes nesse outro modelo.

Tabela 5 – DMUs e suas eficiências pelo modelo CCR com orientação a output

Eficiência Eficiência
DMU
Padrão (CCR) Padrão (BCC)
EFC (2018) 100,00% 100,00%
EFC (2020) 100,00% 100,00%
EFPO (2018) 100,00% 100,00%
EFPO (2019) 100,00% 100,00%
EFPO (2020) 100,00% 100,00%
RMO (2020) 100,00% 100,00%
EFC (2019) 98,04% 98,55%
RMN (2018) 89,37% 91,60%
RMO (2019) 85,24% 87,83%
RMO (2018) 84,22% 86,76%
RMN (2019) 79,23% 80,80%
FTC (2020) 71,37% 92,38%
RMN (2020) 69,97% 70,78%
FTC (2018) 67,58% 87,48%
FTC (2019) 66,69% 88,25%
EFVM (2018) 60,77% 96,21%
FNSTN (2019) 57,50% 74,01%
EFVM (2020) 51,05% 83,92%
FTL (2020) 46,11% 54,35%
FTL (2018) 44,58% 52,80%
EFVM (2019) 43,78% 83,22%
FTL (2019) 43,26% 49,44%
FNSTN (2020) 42,75% 66,93%
MRS (2018) 37,20% 53,73%
FCA (2018) 37,12% 46,24%
FCA (2020) 35,83% 46,12%
RMP (2018) 35,48% 52,99%
FNSTN (2018) 35,15% 76,32%
FCA (2019) 34,10% 44,07%
MRS (2020) 33,40% 52,41%
RMS (2020) 31,66% 55,36%
MRS (2019) 30,01% 50,79%
RMS (2018) 25,92% 50,86%
RMS (2019) 25,63% 53,02%
RMP (2020) 18,01% 51,26%
RMP (2019) 14,68% 52,97%

Com base nos resultados apresentados na Tabela 5 verifica-se que as mesmas

DMUs eficientes no modelo BCC com orientação a output são eficientes no modelo
CCR com a mesma orientação. Então, tem-se que as DMUs identificadas como
 37

eficientes por default são de fato eficientes por seu próprio desempenho e não pelo
tamanho.

4.3 PROGRESSÃO TEMPORAL DA EFICIÊNCIA

Na Figura 7, apresentada abaixo, relacionou os resultados da Tabela 4 de

todas as 12 ferrovias estudadas e suas respectivas eficiências nos anos de 2018,
2019 e 2020.

Figura 7 – Evolução da eficiência das ferrovias por ano

Nesta evolução temporal é possível notar que existem quatro tipos de padrão
para a eficiência das ferrovias durante o decorrer do tempo:

 Melhora - Melhora – Neste tipo de padrão a eficiência em 2019 é maior que em

2018 e em 2020 melhora novamente, tornando-se superior à de 2019 e 2018.
Três ferrovias apresentaram melhora da eficiência duas vezes consecutivas
que foram RMO, FTC e RMS;
 Piora - Melhora – Ocorre este padrão quando a eficiência em 2019 é inferior
que à de 2018 e em 2020 há uma melhora quando comparado com 2019. Cinco
ferrovias seguiram este padrão: EFC, EFVM, MRS, FTL e FCA;
 Piora - Piora – Neste caso é quando há duas pioras consecutivas, ou seja, a
eficiência de 2019 é inferior à de 2018 e superior à de 2020. As ferrovias RMN,
FNSTN e RMP se enquadram neste padrão;
 Constante – Este último padrão é aquele que nos três anos apresentou a
mesma eficiência. Há apenas uma ferrovia que se enquadra, a EFPO.
 38

A Tabela 6, apresentada abaixo, traz de forma resumida as eficiências da

Tabela 5 por ferrovia em cada ano e, ainda, em qual padrão listado acima ela se
encontra.

Tabela 6 – Ferrovias, suas eficiências por ano e padrão seguido

Ferrovia Eff. 2018 Eff. 2019 Eff. 2020 Padrão

EFC 100,00% 98,55% 100,00% Piora - Melhora
EFPO 100,00% 100,00% 100,00% Constante
EFVM 96,21% 83,22% 83,92% Piora - Melhora
FCA 46,24% 44,07% 46,12% Piora - Melhora
FNSTN 76,32% 74,01% 66,93% Piora - Piora
FTC 87,48% 88,25% 92,38% Melhora - Melhora
FTL 52,80% 49,44% 54,35% Piora - Melhora
MRS 53,73% 50,79% 52,41% Piora - Melhora
RMN 91,60% 80,80% 70,78% Piora - Piora
RMO 86,76% 87,83% 100,00% Melhora - Melhora
RMP 52,99% 52,97% 51,26% Piora - Piora
RMS 50,86% 53,02% 55,36% Melhora - Melhora

A seguir serão escolhidas uma ferrovia para cada tipo de padrão e será
realizada uma análise dos inputs e outputs de cada ano de forma a relacionar os dados
da Tabela 3 com as eficiências obtidas. A análise pode ser análoga para as demais
ferrovias.

A RMO é um exemplo de padrão “Melhora – Melhora” e nota-se que em 2019

são mantidos os mesmos números de Capacidade, terminais e houve aumento na
VMC. Já em 2020, quando comparado com o ano de 2019, reduziu-se em mais de
50% a Capacidade, em 42,8% a TKU e em mais de 60% o Número de Acidentes.

Como exemplo de padrão “Piora – Melhora”, a EFC apresentou em 2019

aumento no Número de Terminais, redução no Número de Acidentes, mas houve
redução no número de TKU. Já em 2020, o Número de Terminais aumenta em duas
unidades, chegando a 26 terminais, enquanto que o Número de Acidentes reduz para
19 e a VMC aumenta de 28,13 Km/h, em 2019, para 32 KM/h.

A RMN é uma ferrovia que apresentou o padrão “Piora – Piora” e analisando

seus valores de inputs e outputs da Tabela 3, nota-se que a capacidade e os Números
de Terminais foram aumentando, porém os valores de VMC dos anos de 2019 e 2020
foram menores que o de 2018. Vale ressaltar que o Número de Acidentes reduziu
 39

apenas uma unidade de 2018 para 2019, passando de 16 para 15 e, em 2020, atingiu
a marca de 10 acidentes naquele ano.

Por fim, a ferrovia EFPO é um exemplo de padrão “Constante”. No ano de 2018,

por mais que tenha apresentado um Número de Terminais relativamente baixo, 14
terminais, apresentou um número baixo de acidentes, quatro acidentes no ano. Nos
dois anos seguintes os Números de Terminais foram mantidos. Em 2019, aumentou
a TKU para 3,61 108 ton.Km e mantidos quatro acidentes no ano, já em 2020, por mais
que a TKU tenha reduzido mais que a metade, o Número de Acidentes reduziu 50%.

4.4 EFICIÊNCIA MÉDIA POR FERROVIA

Conforme apresentado na Tabela 6, houveram anos com mais de uma ferrovia

eficiente como foi o caso dos anos de 2018 e 2020. Em 2018, as ferrovias EFC e
EFPO atingiram eficiência 100% e a ferrovia com menor desempenho foi a FCA com
46,24%. No ano seguinte, em 2019, apenas a ferrovia EFPO foi eficiente e a menos
eficiente foi a FCA com 44,07%. Por fim, no último ano analisado, 2020, as ferrovias
EFC, EFPO e RMO foram eficientes e, novamente, a FCA apresentou pior resultado,
com 46,12%.

Se analisar os dados da Tabela 5 com o desempenho de cada ferrovia nos três

anos, pode ser feita uma média por ferrovia e teve-se a Tabela 7 apresentada abaixo.

Tabela 7 – Ferrovias e suas eficiências médias

Ferrovia Eff. média

EFPO 100,00%
EFC 99,52%
RMO 91,53%
FTC 89,37%
EFVM 87,78%
RMN 81,06%
FNSTN 72,42%
RMS 53,08%
RMP 52,41%
MRS 52,31%
FTL 52,19%
FCA 45,48%

Nota-se que as três ferrovias com maior eficiência média, EFPO, EFC e RMO
foram ferrovias que já atingiram 100% de eficiência ao menos uma vez nos três anos
 40

analisados. Já a ferrovia com menor eficiência média foi a FCA, conforme esperado
por ser a ferrovia com menor eficiência em todos os anos estudados.

Observando os dados de input e output da Tabela 3, EFPO nos três anos

analisados apresentou o mesmo Número de Terminais e leve aumento na
Capacidade, embora o TKU seja um dos menores, é notável seu baixo Número de
Acidentes que em 2018 e 2019 foi de quatro por ano e, em 2020, caiu para dois
acidentes apenas. Dessa forma, com estes dados, juntamente com a VMC, a EFPO
performou como 100% eficiente nos três anos do estudo.

Enquanto isso, a FCA é a ferrovia com maior Número de Terminais do estudo

em todos os três anos e, mesmo com tantos terminais, possui Capacidade menor que
600 103 TU/dia. Ainda, apresenta uma das mais baixas VMC e é a segunda ferrovia
com maior Número de Acidentes nos três anos, perdendo apenas para a RMS. Logo,
com esses valores tão elevados de terminais e acidentes, baixa VMC e sem
apresentar valores de TKU significativos que compensem as demais variáveis, esta
ferrovia, em todos os anos estudados foi a mais ineficiente.

Nas próximas subseções serão focadas nas ferrovias eficientes e na menos

eficiente do estudo. Ou seja, serão feitas análises sobre as três ferrovias com maior
eficiência média (EFPO, EFC, RMO) e a ferrovia com menor eficiência média (FCA).
Tais analises podem ser feitas de forma análoga para todas as demais ferrovias.

4.5 BENCHMARKS DAS FERROVIAS EFPO, EFC, RMO E FCA

O modelo elaborado para este trabalho, além de fornecer a eficiência de cada

DMU, identifica os benchmarks das DMUs ineficientes, ou seja, o conjunto de DMUs
de referência, conjunto este que é uma indicação de como as DMUs ineficientes
podem ser ajustadas para rumarem a eficiência. Na Tabela 8 abaixo, relaciona-se as
DMUs ineficientes e seus benchmarks.
 41

Tabela 8 – DMUs ineficientes e benchmarks

DMU λEFC(2018) λEFC(2020) λEFPO(2018) λEFPO(2019) λEFPO(2020) λRMO(2020)

EFC (2019) 0,4423 0,5385 - - 0,0192 -
EFVM (2018) - 0,6240 - 0,3760 - -
FTC (2020) - 0,0201 - 0,9799 - -
RMN (2018) 0,2111 - - 0,7889 - -
FTC (2019) - 0,0201 - 0,9799 - -
RMO (2019) 0,0026 - - 0,1198 - 0,8776
FTC (2018) - 0,0201 - 0,9799 - -
RMO (2018) 0,0030 - - 0,1189 - 0,8780
EFVM (2020) - 0,5294 - - 0,4706 -
EFVM (2019) - 0,6395 - 0,3605 - -
RMN (2019) 0,2569 - - 0,7431 - -
FNSTN (2018) - 0,1275 - 0,8725 - -
FNSTN (2019) - 0,1176 - - 0,8824 -
RMN (2020) 0,2991 - - 0,7009 - -
FNSTN (2020) - 0,1275 - 0,8725 - -
RMS (2020) - 0,2455 - 0,7545 - -
FTL (2020) 0,0042 - - 0,7416 - 0,2542
MRS (2018) - 0,9267 - 0,0733 - -
RMS (2019) - 0,3094 - 0,6906 - -
RMP (2018) - 0,0800 - 0,9200 - -
RMP (2019) - 0,2648 - 0,7352 - -
FTL (2018) 0,0042 - - 0,7416 - 0,2542
MRS (2020) - 0,8512 - 0,1488 - -
RMP (2020) - 0,2752 - 0,7248 - -
RMS (2018) - 0,3094 - 0,6906 - -
MRS (2019) - 0,8709 - 0,1291 - -
FTL (2019) 0,0042 - - 0,7416 - 0,2542
FCA (2018) - 0,3566 - 0,6434 - -
FCA (2020) - 0,3548 - 0,6452 - -
FCA (2019) - 0,3548 - 0,6452 - -

Cada λ possui subscrito a DMU eficiente a qual está relacionado, por exemplo,
λEFC(2018) refere-se a DMU EFC (2018). Sendo assim, verifica-se que as DMUs
ineficientes da tabela possuem ao menos duas DMUs eficientes como benchmarks.

A DMU ineficiente EFC (2019) possui como benchmarks as DMUs EFC (2018),
EFC (2020) e EFPO (2020). Já a RMO (2018) e a RMO (2019) possuem as mesmas
DMUs de referência que são as EFC (2018), EFPO (2019) e RMO (2020). Por fim,
FCA (2018), FCA (2019) e FCA (2020) possuem, todas, os mesmos benchmarks que
são as DMUs EFC (2020) e EFP (2019). Vale notar que há DMUs de referência que
são mais indicadas do que outra, por exemplo, para a DMU ineficiente RMO (2019), a
RMO (2020), que possui λ=0,8776, é uma orientação mais indicada que a EFC (2020)
que possui λ=0,0026.
 42

Nota-se que a EFC (2019) obteve EFC (2018) e EFC (2019) como benchmarks
com λ maior que o λEFPO(2020), ou seja, essas exercem grande contribuição para a DMU
em questão. Já a RMO (2018) e RMO (2019) obtiveram a λRMO(2020) com valor muito
maior que λEFC(2018) e λEFPO(2019), mostrando sua relevância frente os demais
benchmarks. Ou seja, as ferrovias tiveram a si mesmas como bons benchmarks em
períodos diferentes, exceto a FCA uma vez que nunca foi eficiente.

4.6 ALVOS PARA AS DMUS INEFICIENTES EM 2020

Dentre os resultados acima apresentados e analisados, o modelo BCC

elaborado também forneceu, tal como dito anteriormente, os alvos de todas a DMUs
ditas ineficientes. Considerando o triênio estudado, analisou-se somente as DMUs
referentes ao ano de 2020 para que pudesse ser quantificado o quanto deveriam
alterar a fim de se tornarem eficientes no ano seguinte ou o quão logo. As DMUs
referentes aos anos de 2018 e 2019 não foram analisadas pois o objetivo de
apresentar os alvos é para que as mudanças sejam feitas o quanto antes a fim de que
a DMU0 possa se tornar eficiente, logo, fornecer alvos para 2018 e 2019 não seriam
de grande valor uma vez que há dados de um ano mais recente que permitiram
calcular a eficiência das ferrovias neste ano.

Sendo assim, as variáveis de 2020 que devem ser alteradas e seus respectivos
valores alvo se encontram na Tabela 9 apresentada abaixo.

Tabela 9 – Alvos para as DMUs em 2020

Tonelada Velocidade Média

Capacidade (10³ Número de Número de
DMU Quilômetro Útil - Anual Comercial -
TU/dia) Terminais Acidentes
TKU (108 ton.Km) VMC (Km/h)
EFC (2020) 1.584,70 26 1.773,77 32,00 19
EFPO (2020) 22,91 14 1,19 22,44 2
EFVM (2020) 1021,65 → 849,74 79 → 20,35 391,70 → 939,61 23,08 → 27,50 11
FCA (2020) 577,04 189 → 18,26 235,12 → 631,67 12,16 → 26,37 137 → 9,32
FNSTN (2020) 221,97 46 → 15,53 95,70 → 229,23 16,32 → 24,38 7 → 5,91
FTC (2020) 54,32 18 → 14,24 2,36 → 39,21 21,66 → 23,45 9 → 4,30
FTL (2020) 30,88 12 6,31 → 11,61 9,27 → 20,26 56 → 6,62
MRS (2020) 1.352,23 113 → 24,21 524,31 → 1.510,28 16,09 → 30,70 109 → 16,77
RMN (2020) 483,62 32 → 16,39 392,09 → 553,94 12,82 → 24,59 10
RMO (2020) 28,82 6 4,69 11,35 14
RMP (2020) 452,66 63 → 17,30 84,14 → 490,70 13,16 → 25,67 92 → 8,13
RMS (2020) 406,33 108 → 16,95 139,62 → 438,18 14,07 → 25,41 233 → 7,68

Vale notar que as DMUs que apresentaram as piores eficiências necessitam

de grandes mudanças em suas variáveis, como é o caso da FCA (2020) que precisaria
 43

reduzir seu número de terminais em quase 90%, mais que dobrar sua TKU e VMC e
reduzir seu número de acidentes em mais de 92% para se tornar eficiente. Outras
DMUs precisam de mudanças menores, por exemplo a FTC (2020), com 92,38% de
eficiência, que, embora precise alterar de 2,36 108 ton.Km para 39,21 108 ton.Km sua
TKU, necessita de alterações menores quando comparada com a FCA (2020) como
reduzir apenas três terminais, aumentar a VMC de 21,66 Km/h para 23,45 Km/h e
reduzir quatro acidentes no ano para ser eficiente.

Em conjunto com os alvos, os benchmarks das DMUs em questão são de

grande valia uma vez que são exemplos de boas práticas a serem seguidas, como
por exemplo, a FCA (2020) tem como benchmarks as DMUs EFPO (2019) e EFC
(2020). Logo, a FCA pode consultar, realizar troca de informações, seguir práticas e
melhorias adotadas por estas ferrovias nestes anos a fim de melhorar seus pontos
fracos e investir nos pontos que devem continuar crescendo. Esta análise de
benchmarks pode ser seguida de forma análoga para as demais DMUs ineficientes
de 2020.
 44

5. CONCLUSÃO

O presente estudo utilizou a Análise Envoltória de Dados para analisar a

eficiência das ferrovias brasileiras. No total foram analisadas 12 ferrovias em três anos
distintos, 2018, 2019 e 2020. Sendo assim, cada ferrovia em cada ano recebeu um
valor de eficiência e com tal informação foi permitido, além de ranqueá-las, analisar a
progressão temporal da eficiência no decorrer dos anos e, também, identificar
benchmarks de DMUs consideradas ineficientes.

No modelo DEA, foram selecionadas cinco variáveis, dois inputs e três outputs,
sendo um dos outputs, indesejável. Os inputs foram Capacidade e Número de
Terminais da ferrovia em questão, enquanto que como outputs teve-se as variáveis
Tonelada Quilômetro Útil (TKU), Velocidade Média Anual Comercial (VMC) e o
Número de Acidentes. A variável Número de Acidente foi considerada como variável
indesejável, sendo assim, tratada pelo método INP. Todos os dados do estudo foram
com bases nos três Anuários e Declarações de Rede mais recentes da ANTT.

Durante o estudo foi utilizado o modelo BCC com orientação a output. A escolha
do modelo BCC se deu devido a grande diferença nos tamanhos das ferrovias
analisada. Já a escolha da orientação foi com o intuito de maximizar o poder de
transporte, com o menor número de acidentes possível, com base nos recursos
disponíveis. Foram utilizados os dados das 12 ferrovias levando em consideração os
amos de 2018, 2019 e 2020, atingindo um total de 36 DMUs.

Após obtidos os valores de eficiência para cada uma das DMUs, pode-se
ranquear as DMUs em ordem decrescente de eficiência e, ainda, foram identificados
os benchmarks das DMUs ineficientes. No decorrer do estudo verificou-se que o
modelo BCC apresenta DMUs eficientes por default, sendo assim, foi-se utilizado
também o modelo CCR a fim de verificar se as DMUs ditas eficientes no modelo BCC
também seriam eficientes no modelo CCR considerando a mesma orientação a
output. Como resultado, todas as DMUs eficientes no modelo CCR foram eficientes
no modelo BCC, descartando o risco de serem eficientes apenas por default.

Foi analisado, também, a evolução temporal, ano a ano, da eficiência por

ferrovia, permitindo encontrar determinados padrões que foram validados com base
nos valores das variáveis. Ampliou-se, ainda, a análise para a média da eficiência das
ferrovias considerando o triênio estudado, de forma que as três ferrovias com maior
 45

eficiência média e a ferrovia com menor eficiência média foram estudas e identificados
os benchmarks das mesmas a fim de verificar quais são suas DMUs de referência são
mais indicadas a serem seguidas.

A ferrovia FCA apresentou os piores resultados do estudo, em todos os anos,

enquanto que a EFPO obteve eficiência de 100% em todos os três anos. Além da
EFPO, também foram eficientes a EFC em 2018 e 2020 e a RMO, em 2020,
totalizando seis DMUs eficientes. Notou-se que as ferrovias que já foram eficientes
serviram como benchmarks para elas mesmas nos anos que não foram eficientes. A
ferrovia FCA não entra dentro deste grupo pois nunca apresentou 100% de eficiência,
tendo então, EFC (2020) e EFPO (2019) como DMUs de referência mais indicados.

No decorrer do trabalho foram encontrados alguns obstáculos, um deles foi a

não obtenção dos dados do ano de 2021 e, ao analisar relatórios anteriores a 2018,
foi verificado que a ANTT apresentava relatórios divergentes em suas bases para o
mesmo ano analisado e ferrovias sem relatórios o que impossibilitou de efetuar uma
análise temporal maior do que três anos. Outro desafio encontrado foi apurar todos os
dados obtidos dos anuários do sistema ferroviário de forma a selecionar as melhores
variáveis.

O modelo DEA perpassou através desses desafios encontrados e apresentou

resultados que permitiram trazer importantes contribuições para as ferrovias. Ao trazer
as eficientes e ineficientes, juntamente com os benchmarks, permite com que sejam
verificadas quais ferrovias brasileiras apresentam bom desempenho e como as que
não apresentam desempenho adequado podem melhorar e indica para estas
ineficientes quais ferrovias podem colaborar para aprimorar suas performances.

Aos estudos futuros, pode-se utilizar outras variáveis como por exemplo
número de trens, vagões, tipos de vagões e tamanho das ferrovias para que possibilite
outras análises e possíveis novos resultados. Além disso, o estudo pode ser utilizado
em revistas e congressos do ramo ferroviário para que as ferrovias possam ter
conhecimento acerca da Análise Envoltória de Dados e a contribuição para o ramo.
Pode ainda, ser ampliado para outros países ou até mesmo comparar países, como
por exemplo, os da América Latina ou Europa. Por fim, é sugerido a realização do
estudo com base em dados mais recentes de 2021 e, possivelmente, 2022. Uma vez
 46

que com novos dados, possivelmente haverá mudança nas ferrovias eficientes, novos
benchmarks e alvos.

.
 47

REFERÊNCIAS

ANGULO MEZA, L.; BIONDI NETO, L.; RIBEIRO, P. G. SIAD V.2.0. – Sistema
Integrado de Apoio à Decisão: Uma implementação de modelos de análise envoltória
de dados e um método multicritério. XXXVII Simpósio Brasileiro de Pesquisa
Operacional, Gramado, 2005.

ANTF - Associação Nacional dos Transportadores Ferroviários, 2021. Avanço

expressivo do transporte de grãos. Disponível em:
<https://www.antf.org.br/releases/avanco-expressivo-do-transporte-de-graos/>.
Acesso em: 20 de dez. de 2021.

ANTF - Associação Nacional dos Transportadores Ferroviários, 2021. Relatório de

produção setembro 2021. Disponível em: <https://www.antf.org.br/wp-
content/uploads/2021/10/Relat%C3%B3rio-de-Produ%C3%A7%C3%A3o-Setembro-
de-2021.pdf>. Acesso em: 12 de dez. de 2021.

ANTF - Associação Nacional dos Transportadores Ferroviários, c2022. Histórico.

Disponível em: <https://www.antf.org.br/historico/>. Acesso em: 13 de jan. de 2022.

ANTT – Agência Nacional de Transportes Terrestres, 2021. Mapa do Subsitema

Ferroviário Federal. Disponível em: <http://anuario.antt.gov.br/index.php/
content/view/39234/Mapa_do_Subsistema_Ferroviario_Federal.html>. Acesso em:
20 de dez. de 2021.

ANTT – Agência Nacional de Transportes Terrestres, 2022. Anuário do setor

ferroviário. Disponível em: <https://portal.antt.gov.br/anuario-do-setor-ferroviario>.
Acesso em: 20 de jan. de 2022.

ANTT – Agência Nacional de Transportes Terrestres, 2022. Declaração de rede.

Disponível em: <https://portal.antt.gov.br/declaracao-de-rede>. Acesso em: 12 de jan.
de 2022.

BANKER, R. D.; CHARNES, A.; COOPER, W. W. Some models for estimating

technical scale inefficiencies in data envelopment analysis. Management Science, 30,
1078-1092, 1984.

BOUGNOL, M. L., DULA, J. H., ESTELLITA LINS, M. P., MOREIRA DA SILVA, A.

C. Enhancing standard performance practices with DEA. Omega, v. 38, p. 33-45, 2009.
 48

CASTIGLIONI, José Antônio de Mattos. Logística Operacional: Guia Prático. 2 ed. São
Paulo: Érica, 2009.

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

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

CNT – Confederação Nacional do Transporte, c2021. Painel CNT do Transporte –

Ferroviário. Disponível em: <https://www.cnt.org.br/painel-cnt-transporte-ferroviario>.
Acesso em: 19 de nov. de 2021.

COELLI, T. J.; RAO, D. S. P.; BATTESE G. E. An Introduction to Efficiency and

Productivity Analysis. Springer US, 2005.

COOK, W. D., KAROU, T., & ZHU, J. Data envelopment analysis: Prior to choosing a
model. Elsevier, pp. 1-4, 2013.

COOPER, W. W., SEIFORD, L. M., TONE, K. Data Envelopment Analysis: a

comprehensive texto with models, applications, references and DEA-solver software.
Kluwer Academic Publishers, USA, 2000.

DA SILVA, G. M., ANGULO MEZA, L., DA SILVEIRA, V. L. F. Utilização de DEA para

análise de processos licitatórios estudo de caso do processo de contratação de
embarcações de apoio marítimo offshore da Petrobras. Engevista, V. 12, n. 2. p. 81-
92, 2010.

DUARTE, Marcella. China constrói trem-bala mais rápido do mundo, mas 'se esquece'
dos trilhos. UOL, 21 jul. 2021. Disponível em: <https://www.uol.com.br/tilt/noticias/
redacao/2021/07/22/ china-constroi-trem-mais-rapido-do-mundo-mas-esquece-dos-
trilhos.htm>. Acesso em 01 de mai. 2022.

GOLANY, B; ROLL, Y. An Application Procedure for DEA. Ômega, Elsevier vol. 17(3),
237-250, 1989.

HARA, Celso Minoru. Logística: Armazenagem, Distribuição, Trade Marketing. 3 ed.

São Paulo, 2009

IBGE - Instituto Brasileiro de Geografia e Estatística, 2018. Evolução das redes

ferroviária e rodoviária. Disponível em: <https://atlasescolar.ibge.gov.br
/images/atlas/mapas_brasil/brasil_evolucao_das_redes_ferroviaria_e_rodoviaria.pdf
>. Acesso em: 20 de jan. de 2022.
 49

IPEA - Instituto de Pesquisa Econômica Aplicada, 2016. Logística e Transportes no

Brasil: uma análise do programa de investimentos 2013-2017 em rodovias e ferrovias.
Disponível em: <https://www.ipea.gov.br/portal/images/stories/PDFs/relatorio
pesquisa/161026_relatorio_pesquisa_logistica_transportes_>. Acesso em: 20 de jan.
de 2022.

PENA, Rodolfo. Rodoviarismo no Brasil. Mundo Educação, 31 de out. 2021.

Disponível em: <https://mundoeducacao.uol.com.br/geografia/rodoviarismo-no-brasil
.htm >. Acesso em 15 de mai. 2022.

RAMOS SILVA, R., LEAL JUNIOR, I. C. Indicadores de eficiência operacional de uma

empresa do setor ferroviário. UFF, 2009

SCHEEL, H. Undesirable outputs in efficiency valuations. European Journal of

Operational Research, vol. 132, pp. 400-410, 2001.

SLACK, N., BRANDON-JONE, A., & JOHNSTON, R. (2015). Administração da

Produção (4a ed.). São Paulo: Atlas Ltda.

SOARES DE MELLO, J. C., ANGULO-MEZA, L., GOMES, E. G., & BIONDI NETO, L.
(2005). Curso de análise envoltória de dados. XXXVII Simpósio Brasileiro de Pesquisa
Operacional, Gramado, 2005.

SOARES, J.B.C; RIBEIRO, I.O.C.A. Transporte ferroviário: a solução para o

escoamento da produção de soja de Mato Grosso sentido Porto de Santos. Periódico
Científico Negócios em Projeção 5: 50-52, 2014.

TSCHAFFON, P. B.; ANGULO MEZA, L. Assessing the efficiency of the electric energy
distribution using data envelopment analysis with undesirable outputs. IEEE Latin
America Transactions, v. 12, n. 6, p. 1027-1035, 2014.

ZHU, J. Data envelopment analysis: Let the Data Speak for themselves.
Massachusetts, 2014.