INSTITUTO FEDERAL DO ESPÍRITO SANTO

PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO COM ÊNFASE EM

TECNOLOGIAS DA DECISÃO

ANÁLISE ENVOLTÓRIA DE DADOS (DEA)

AVALIAÇÃO DE EFICIÊNCIA – DEA BCC ORIENTADO A OUTPUT

EURICO DE OLIVEIRA MELO

SAULO TUAYAR SPALA

CARIACICA
2022
 SUMÁRIO

1. INTRODUÇÃO .................................................................................................. 3

2. SELEÇÃO DAS DMU’S .................................................................................... 3

3. SELEÇÃO DAS VARIÁVEIS DO MODELO ...................................................... 4

4. APRESENTAÇÃO DO SCORE DE EFICIÊNCIA .............................................. 5

5. ANÁLISE DE ALVOS ........................................................................................ 6

6. ANÁLISE DE BENCHMARKS ........................................................................... 7

7. ANÁLISE DA EFICIÊNCIA GLOBAL E DOS RETORNOS DE ESCALAS ........ 8

8. RESULTADOS E DICUSSÃO ........................................................................... 8

9. REFERÊNCIAS................................................................................................. 9

LISTA DE TABELAS

Tabela 1: Matriz de dados (Fonte: ANEEL). ............................................................. 4

Tabela 2: Resultado utilizando o modelo BBC orientado ao output. ........................ 5

Tabela 3: Pesos das variáveis. ................................................................................. 5

Tabela 4: Resultados para COELBA. ....................................................................... 6

Tabela 5: Resultados para ESCELSA. ..................................................................... 6

Tabela 6: Resultados para CEEE. ............................................................................ 6

1. INTRODUÇÃO

O presente trabalho tem por objetivo avaliar a eficiência por meio da Análise
Envoltória de Dados (Data Envelopment Analysis - DEA) de um espaço amostral formado
pelas 18 maiores distribuidoras do setor de energia elétrica do Brasil. Para isso, foram
utilizados dados contidos no estudo de caso: Implementando Modelos DEA no R
(Pessanha et al. 2013); o que permitiu a releitura das análises de eficiências como uma
forma de contribuir no aprendizado da disciplina de Análise Envoltória de Dados.

A Análise Envoltória de Dados, que foi introduzida por Charnes et al. (1978),
consiste numa ferramenta das áreas de Pesquisa Operacional e Ciência Econômica
capaz de executar um benchmarking da eficiência entre pares das Unidades Tomadoras
de Decisão (Decision Making Units – DMU’s). Desse modo, é possível avaliar a eficiência
de organizações atuantes em um mesmo ramo de atividade, tais como: agências
bancárias, indústrias de variados segmentos entre outras.

É uma técnica não paramétrica fundamentada em programação linear pela qual as

unidades podem ser analisadas em conjunto contanto que, sejam utilizadas as mesmas
entradas e produzam as mesmas saídas com tecnologia similares de produção. Cook et
al. (2014) afirmam que, a programação linear, inserida no campo da pesquisa
operacional, trata de situações as quais o objetivo é maximizar ou minimizar uma
determinada função linear, sujeita a restrições. Ressalta-se que, tanto a função objetivo
bem como as restrições serão definidas por equações ou inequações lineares.

2. SELEÇÃO DAS DMU’S

Os dados apresentados a seguir são de 2009 referente às 18 maiores

distribuidoras de energia elétrica atuantes no Brasil. Tais distribuidoras de energia
executam serviços em duas dimensões básicas: volume de energia distribuída e número
de unidades consumidoras atendidas os quais, juntos, constituem os principais fatores de
custo operacional (Operating Expenses - OPEX). Vale salientar, que os custos
operacionais, também, são influenciados por fatores não controláveis pela distribuidora,
tais como: a dispersão das unidades consumidoras em um aspecto associado ao
tamanho e a cobertura da rede de distribuição, isto posto, para um determinado nível de
serviços, a distribuidora deve provê-lo com o menor custo possível.

3
3. SELEÇÃO DAS VARIÁVEIS DO MODELO

Senra et. al. (2007) afirmam que a análise do conjunto de variáveis consiste numa
fase de fundamental importância e que deve ser executada por especialistas, analistas e
processos decisórios, conjuntamente. Ademais, Sollero (2004), também destaca que, no
contexto da avaliação da eficiência das distribuidoras de energia elétrica, a escolha
adequada das variáveis configura-se como um dos critérios mais importantes para a
aplicação da metodologia de análise.

Pessanha et al. (2013) relatam que a Agência Nacional de Energia Elétrica

(ANEEL), tendo em vista o objetivo de obter uma medida de eficiência que quantifique o
potencial de redução dos custos operacionais nas concessionárias, recomenda um
modelo DEA com orientação ao insumo no qual o OPEX constitui-se como o único input.

No que concerne às variáveis selecionadas, são informados: o custo operacional

total em R$ (OPEX), a extensão total, em quilômetros, da rede de distribuição
(NETWORK), o volume de energia transacionada ao longo do ano (MWh) e o número de
unidades consumidoras (CUSTOMERS). Fundamentado nos dados supracitados e tendo
como finalidade obter uma medida de eficiência capaz de quantificar o potencial de
redução dos custos operacionais, foi proposto um modelo DEA orientado ao insumo, onde
OPEX é o input e NETWORK, MWh e CUSTOMERS são os outputs.

DMUs OPEX NETWORK MWH CUSTOMERS

ELETROPAULO 1.249.143.613.000 45.213.000 39.922.710.000 5.987.873.000
CEMIG 1.682.334.644.000 460.219.000 37.476.802.000 6.832.546.000
CPFL-Paulista 497.290.782.000 88.879.000 25.267.579.000 3.502.793.000
COPEL 1.018.866.491.000 224.817.000 23.525.040.000 3.628.209.000
LIGHT 557.206.112.000 58.074.000 22.902.552.000 3.640.182.000
CELESC 721.455.274.000 144.896.000 18.105.811.000 2.237.127.000
COELBA 436.436.014.000 251.001.000 14.286.757.000 4.622.046.000
ELEKTRO 414.602.018.000 107.116.000 13.398.558.000 2.123.670.000
CPFL-Pirapetinga 195.789.961.000 22.236.000 13.013.378.000 1.367.488.000
BANDEIRANTE 286.832.273.000 27.496.000 12.536.237.000 1.482.518.000
CELPE 350.651.684.000 120.428.000 10.001.560.000 2.994.259.000
AMPLA 436.532.756.000 51.050.000 9.506.961.000 2.365.558.000
CELG 691.472.253.000 199.494.000 9.344.291.000 2.213.198.000
RGE 186.357.415.000 84.997.000 7.993.103.000 1.226.079.000
COELCE 316.166.876.000 120.300.000 7.929.212.000 2.744.830.000
ESCELSA 241.433.335.000 56.960.000 7.897.969.000 1.185.432.000
AES_SUL 206.122.962.000 76.133.000 7.616.460.000 1.150.518.000
CEEE 385.990.997.000 71.892.000 7.277.929.000 1.438.072.000

Tabela 1: Matriz de dados (Fonte: ANEEL).

4
4. APRESENTAÇÃO DO SCORE DE EFICIÊNCIA

As Tabelas 2 e 3, a seguir, apresentam os valores de eficiência encontrados bem

como o peso atribuído às variáveis.

DMU Padrão Invertida Composta Composta*

ELETROPAULO 1 1 0,5 0,681804
CEMIG 1 1 0,5 0,681804
CPFL-Paulista 1 0,622739 0,68863 0,939021
COPEL 0,807195 1 0,403598 0,550349
LIGHT 0,926092 0,750953 0,587569 0,801214
CELESC 0,719546 1 0,359773 0,490589
COELBA 1 0,533302 0,733349 1
ELEKTRO 0,733932 0,716659 0,508637 0,693581
CPFL-Pirapetinga 1 1 0,5 0,681804
BANDEIRANTE 0,750057 1 0,375029 0,511392
CELPE 0,864924 0,727679 0,568622 0,775377
AMPLA 0,567046 1 0,283523 0,386614
CELG 0,678948 1 0,339474 0,462909
RGE 1 0,95066 0,52467 0,715444
COELCE 0,916319 0,917863 0,499228 0,680751
ESCELSA 0,665358 1 0,332679 0,453644
AES_SUL 0,843194 1 0,421597 0,574893
CEEE 0,451054 1 0,225527 0,307530
*Eficiência normalizada
Tabela 2: Resultado utilizando o modelo BBC orientado ao output. (Fonte: Autores)

DMU Peso OPEX Peso NETWORK Peso MWH Peso CUSTOMERS v0

ELETROPAULO 0,00000049 0 0,00002505 0 0,39011321
CEMIG 0,00000039 0,00038568 0,00001292 0,00004951 0,338688
CPFL-Paulista 0,00000179 0 0,00002248 0,00012335 0,11127425
COPEL 0,00000078 0,00157109 0,00002749 0 0,44865469
LIGHT 0,00000088 0 0,00002004 0,00014864 0,5884184
CELESC 0,00000107 0,00216569 0,0000379 0 0,61845705
COELBA 0,00000229 0 0,00001738 0,00016262 0
ELEKTRO 0,00000276 0,00260668 0,0000538 0 0,21712682
CPFL-Pirapetinga 0,00000388 0 0,00004874 0,00026746 0,241283
BANDEIRANTE 0,00000324 0 0,00007977 0 0,40328607
CELPE 0,00000452 0 0 0,00033397 -0,42762663
AMPLA 0,00000354 0 0,00004447 0,00024403 0,22013807
CELG 0,00000084 0,00501268 0 0 0,89081535
RGE 0,00000537 0,00479489 0,0000691 0,0000327 0
COELCE 0,00000493 0 0 0,00036432 -0,46648604
ESCELSA 0,00000601 0,00585013 0,00008442 0 0,0524113
AES_SUL 0,00000552 0,00537499 0,00007757 0 0,04815451
CEEE 0,00000477 0,00450266 0,00009292 0 0,37505521

Tabela 3: Pesos das variáveis. (Fonte: Autores)

5
5. ANÁLISE DE ALVOS

Alvos e folgas consistem em valores de referência que devem ser utilizados para
definição dos objetivos de melhorias das DMU’s ineficientes no que concerne aos inputs e
outputs usados na avaliação. Constituem-se em parâmetros para a redução na utilização
dos insumos ou no aumento da produção de bens ou de serviços. As Tabelas 4, 5 e 6,
exibem os resultados de alvos e folgas para COELBA, ESCELSA e CEEE.

COELBA (eficiência:1,000000)
Variável Atual Radial Folga Alvo
OPEX 436.436,01 436.436,01 0 436.436,01
NETWORK 251,001 251,001 0 251,001
MWH 14.286,76 14.286,76 0 14.286,76
CUSTOMERS 4.622,05 4.622,05 0 4.622,05
Tabela 4: Resultados para COELBA. (Fonte: Autores)

ESCELSA (eficiência:0,665358)
Variável Atual Radial Folga Alvo
OPEX 241.433,34 241.433,34 0 241.433,34
NETWORK 56,96 85,607985 0 85,607985
MWH 7.897,97 11.870,25 0 11.870,25
CUSTOMERS 1.185,43 1.781,64 199,280647 1.980,92
Tabela 5: Resultados para ESCELSA. (Fonte: Autores)

CEEE (eficiência:0,451054)
Variável Atual Radial Folga Alvo
OPEX 385.991,00 385.991,00 0 385.991,00
NETWORK 71,892 159,386631 0 159,386631
MWH 7.277,93 16.135,38 0 16.135,38
CUSTOMERS 1.438,07 3.188,25 366,068248 3.554,32
Tabela 6: Resultados para CEEE. (Fonte: Autores)

Pode-se notar que COELBA consegue atingir todos os alvos, sem folgas e, assim,
demonstra sua eficiência operacional em comparação às demais DMU’s selecionadas.
ESCELSA, com 0,6653 (67%) de eficiência, e CEE, com 0,4510 (45%) de eficiência,
possuem pontos de melhoria em seus três outputs, destacando-se em ambos os casos
uma folga expressiva na variável de número das unidades consumidoras (CUSTOMERS),
o que indica que há um volume de insumos gastos de forma ineficiente.

6
6. ANÁLISE DE BENCHMARKS

Benchmarks consistem em DMU’s que foram consideradas eficientes (com melhor

desempenho) e que serão usadas como modelos de referência para as unidades não
eficientes. O processo de benchmarking, por meio da DEA, permite avaliar se uma DMU
está ou não, próxima de uma DMU eficiente.
DMU ELETROPAULO CEMIG CPFL-Paulista COELBA CPFL-Pirapetinga RGE
ELETROPAULO 1 0 0 0 0 0
CEMIG 0 1 0 0 0 0
CPFL-Paulista 0 0 1 0 0 0
COPEL 0 0,44755708 0,40785182 0,1445911 0 0
LIGHT 0,09378079 0 0,73213222 0,17408699 0 0
CELESC 0 0,20113544 0,56568938 0,23317518 0 0
COELBA 0 0 0 1 0 0
ELEKTRO 0 0 0,3832161 0,42914516 0,18763874 0
CPFL-Pirapetinga 0 0 0 0 1 0
BANDEIRANTE 0 0 0,30196373 0 0,69803627 0
CELPE 0 0 0 0,64352488 0,35647512 0
AMPLA 0 0 0,23252967 0,70907005 0,05840028 0
CELG 0 0,20470063 0 0,79529937 0 0
RGE 0 0 0 0 0 1
COELCE 0 0 0 0,50022393 0,49977607 0
ESCELSA 0 0 0 0,20058967 0,52082826 0,2785821
AES_SUL 0 0 0 0,0747605 0,11338878 0,8118507
CEEE 0 0 0,19847909 0,54170607 0,25981484 0

Tabela 7: Benchmarks fornecidos pela DEA orientado a BBC (Fonte: Autores)

Observou-se que 06 das 18 DMU’s foram eficientes, todavia, apenas em uma

análise de desempate, pela normalização da eficiência composta, a COELBA configura-se
como a unidade mais eficiente. Ao analisar o benchmarking, a DMU COELBA é a
referência para as demais, sendo assim considerada a única completamente eficiente.

7
7. ANÁLISE DA EFICIÊNCIA GLOBAL E DOS RETORNOS DE ESCALAS

A DMU COELBA, apontada como nosso benchmark, é a única considerada

eficiente tecnicamente, visto que, apresenta um índice de eficiência forte, ou seja, nível de
eficiência igual a 01 (um) e tem em todas as suas folgas valores iguais a 0 (zero). Em
contrapartida, as DMU’s que apresentam folgas, com valores diferentes de zero, são
classificadas como eficientemente fracas ou fracamente eficientes.

Para a DMU selecionada como benchmark neste trabalho, pode-se afirmar que ela
está em um retorno variável de escala constante, já que, ela opera em uma capacidade
que pode ser julgada como ótima e não se faz necessário maiores alterações em seu
processo produtivo. Em contrapartida, para as demais DMU’s, é correto afirmar que estão
em retorno de variável de escala crescente, haja visto, que operam muito abaixo de sua
capacidade ótima, necessitando, desse modo, aumentar a produção com os insumos já
existentes para que se torne mais produtiva e alcance maiores valores de eficiência.

8. RESULTADOS E DICUSSÃO

Ao analisarmos a COELBA, é possível observar que ela foi uma unidade eficiente,
não se fazendo necessário ajustes em sua produção ou insumos. Entretanto, as DMU’s
ineficientes, tais como CEEE e ESCELSA, demonstraram características similares do
retorno de valor alvo para variável de saída, ao passo que, depreende-se volumes gastos
de insumo de forma arbitrária quando comparado a sua produção ideal.

A Análise Envoltória de Dados (DEA) é uma ferramenta de grande apoio ao

monitoramento das eficiências produtivas, uma vez que permite abordar,
simultaneamente, diferentes vertentes da produção energética. Ela possibilita construir a
fronteira das melhores práticas para que, posteriormente, o gestor de cada DMU, agora
municiado com os principais parâmetros, seja capaz de tomar a melhor decisão e efetuar
as modificações necessárias que otimizem a eficiência das unidades. Essa confiabilidade
se dá pela exposição dos pontos forte do benchmark e demonstra que é possível ajustar,
pontualmente, as variáveis de output, sem a necessidade de aumento nos inputs, para
que, dessa forma, se obtenham resultados mais próximos do considerado eficiente.

8
9. REFERÊNCIAS

CHARNES, Abraham; COOPER, William W.; RHODES, Edwardo. Measuring the

efficiency of decision making units. European journal of operational research, v. 2, n. 6,
p. 429-444, 1978.

COOK, Wade D.; TONE, Kaoru; ZHU, Joe. Data envelopment analysis: Prior to choosing
a model. Omega, v. 44, p. 1-4, 2014

PESSANHA, José Francisco Moreira et al. Implementando modelos DEA no

R. SIMPÓSIO DE EXCELÊNCIA EM GESTÃO E TECNOLOGIA, 2013.

SENRA, Luis Felipe Aragão de Castro et al. Estudo sobre métodos de seleção de
variáveis em DEA. Pesquisa Operacional, v. 27, p. 191-207, 2007.

SOLLERO, Maria Karla Vervloet; LINS, Marcos Pereira Estellita. Avaliação de eficiência
de distribuidoras de energia elétrica através da análise envoltória de dados com restrições
aos pesos. XXXVI Simpósio Brasileiro de Pesquisa Operacional, São João del Rei,
2004.