Escolar Documentos
Profissional Documentos
Cultura Documentos
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
NITERÓI
Junho/2022
JOÃO VICTOR MUYLAERT REIS PESSANHA
Niterói – RJ
2022
JOÃO VICTOR MUYLAERT REIS PESSANHA
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.
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
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.
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
2 REFERENCIAL TEÓRICO
2.1.1 Produtividade
2.1.2 Eficácia
2.1.3 Eficiência
𝑃𝑟𝑜𝑑𝑢𝑡𝑖𝑣𝑖𝑑𝑎𝑑𝑒
𝐸𝑓𝑖𝑐𝑖ê𝑛𝑐𝑖𝑎 = (2)
𝑀𝑎𝑖𝑜𝑟 𝑃𝑟𝑜𝑑𝑢𝑡𝑖𝑣𝑖𝑑𝑎𝑑𝑒 𝑑𝑜 𝐺𝑟𝑢𝑝𝑜
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
∑𝑗 𝑢 𝑦
𝐸𝑓𝑖𝑐𝑖ê𝑛𝑐𝑖𝑎 = (3)
∑𝑗 𝑣 𝑥
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
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).
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
Figura 3 – Projeção radial e alvos de Modelo CCR orientado a input (2 inputs e 1 output)
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
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.
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)
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.
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
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).
quando comparado com a emissão do trem para o mesmo volume transportado (IPEA,
2016).
3.1 MODELAGEM
𝐶= 𝑐 (12)
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.
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
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.
ano de 2019 e EFC (2020) as mesmas variáveis, porém com os dados do ano de
2020.
Tabela 4 – DMUs e suas eficiências pelo modelo BCC com orientação a output
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%
eficientes por default são de fato eficientes por seu próprio desempenho e não pelo
tamanho.
Nesta evolução temporal é possível notar que existem quatro tipos de padrão
para a eficiência das ferrovias durante o decorrer do tempo:
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.
apenas uma unidade de 2018 para 2019, passando de 16 para 15 e, em 2020, atingiu
a marca de 10 acidentes naquele ano.
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.
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.
Sendo assim, as variáveis de 2020 que devem ser alteradas e seus respectivos
valores alvo se encontram na Tabela 9 apresentada abaixo.
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.
5. CONCLUSÃO
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.
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.
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.
CASTIGLIONI, José Antônio de Mattos. Logística Operacional: Guia Prático. 2 ed. São
Paulo: Érica, 2009.
COOK, W. D., KAROU, T., & ZHU, J. Data envelopment analysis: Prior to choosing a
model. Elsevier, pp. 1-4, 2013.
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.
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.
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.