Assine o DeepL Pro para traduzir arquivos maiores.

Mais informações em www.DeepL.com/pro.

Ciências de Planejamento Socioeconômico 34 (2000)

www.elsevier.com/locate/orms
35-49

Rede DEA
Rolf Fä rea,b, *, Shawna Grosskopfb
aDepartamento de Economia Agrícola e de Recursos, Universidade Estadual do Oregon, Corvallis, OR 93331-
3612, EUA
bDepartamento de Economia, Universidade Estadual do Oregon, Corvallis, OR 93331-3612, EUA

Resumo

A maioria dos modelos DEA tradicionais trata suas tecnologias de referência como caixas pretas.
Nossos modelos de rede, desenvolvidos para o Instituto Sueco de Economia da Saúde (IHE), nos
permitem examinar essas caixas e avaliar o desempenho organizacional e o desempenho de seus
componentes. A estrutura muito geral do modelo de rede nos permite aplicar esse modelo a uma
variedade de situações: produtos intermediários, alocação de orçamentos ou fatores fixos e
determinados sistemas dinâmicos (separáveis no tempo). 2000 Elsevier Science Ltd. Todos os
direitos reservados.

1. Introdução

Os modelos tradicionais de medição de desempenho do tipo Análise de Envoltória de

Dados (doravante DEA) baseiam-se em pensar na produção como uma "caixa preta". Nessa
caixa, os inputs são transformados em outputs. O processo de transformação real
geralmente não é modelado explicitamente; em vez disso, basta especificar o que entra na
caixa e o que sai. Essa é, de fato, uma das vantagens da DEA - ela revela, em vez de impor,
a estrutura do processo de transformação. No entanto, quando os pesquisadores aplicam a
DEA a setores ou situações específicas, eles geralmente acrescentam mais estrutura ao
modelo para melhor se adequar à aplicação. Os exemplos são muitos e incluem, entre
outros: modelos de dois (ou mais) estágios, modelos híbridos, regiões de garantia cônica,
janelas etc. O leitor deve consultar Charnes et al. [1] (veja especialmente as pp. 425-3б).
As variações da DEA mencionadas acima geralmente têm o objetivo de personalizar o
modelo de acordo com a aplicação. Aqui, nos concentramos, de uma forma um pouco mais
geral, no processo de transformação na caixa preta. A formulação geral que usamos é um
modelo de rede, que tem

* Autor correspondente.

0038-0121/00/$ - see front matter Ⓒ 2000 Elsevier Science Ltd. Todos os direitos
reservados. PII: S 0038 - 0121 ( 99 ) 00012 - 9
3б R. Färe, S. Grosskopf / Socio-Economic Planning Sciences 34 (2000) 35-49

provou ser frutífera em aplicações de engenharia e pesquisa operacional, entre outras. Mais
especificamente, com base no trabalho de Shephard e Fä re [2,3] sobre correspondências
dinâmicas de produção, Fä re e Grosskopf [4] desenvolveram uma sequência de modelos de
rede que podem ser usados para abordar vários refinamentos dos modelos DEA1 padrão.
Neste artigo, apresentamos três modelos de rede. O primeiro, usado por Fä re et al. [8]
para estudar a alocação de terras agrícolas para várias culturas, permite a alocação de um
fator ou insumo (fixo) entre usos alternativos. Essa estrutura geral também poderia ser
usada para introduzir a alocação de um orçamento ou a alocação de recursos entre
unidades ou filiais. O segundo modelo, usado por Fä re e Whittaker [9], modela
explicitamente produtos intermediários, ou seja, produtos produzidos e usados dentro da
tecnologia. Esse modelo também é usado por Fä re et al. [10] para estudar estruturas
organizacionais alternativas de uma empresa com várias fábricas. A terceira formulação de
rede é um modelo DEA dinâmico no qual alguns produtos no período t são insumos no
período seguinte, t + 1. Isso constitui uma alternativa aos modelos DEA dinâmicos
propostos por Sengupta [11]. O modelo DEA dinâmico apresentado aqui é usado por Fä re e
Grosskopf [12] para estudar a eficiência dinâmica dos países da APEC (Comunidade
Econômica Ásia-Pacífico).
Nosso objetivo é mostrar a utilidade da DEA em rede, reunindo uma sequência desses
modelos em um único documento. Começamos discutindo a tecnologia de rede de uma
forma "heurística", ilustrando os vários modelos com diagramas simples. Em seguida,
formalizamos essas tecnologias, especificando-as como uma série de restrições de
desigualdade linear, conhecidas da DEA. Em seguida, passamos à especificação desses
modelos como medidas de desempenho baseadas em funções de distância que podem ser
estimadas usando medidas tradicionais de DEA ou Farrell [13] eAciency. Um resumo conclui
e discute as implicações políticas e as direções para pesquisas futuras.

2. A heurística dos modelos de rede

Nesta seção, apresentamos um roteiro heurístico para os diferentes modelos de rede

discutidos no presente documento. Denotamos as entradas por x=(x1 ,... ,xN ) e as saídas por
y=( y 1 ,... ,yM ). O modelo estático simples sem rede, geralmente chamado de "caixa preta", é
ilustrado primeiro (veja a Fig. 1).
Aqui, os insumos x são empregados no processo de produção P para produzir o
produto y. P pode ser modelado, no caso mais simples, por uma função de produção ou
como um modelo DEA em casos mais complexos, como ilustramos na próxima seção.
Independentemente de como P é modelado, não há informações sobre o que está
ocorrendo no processo de produção P. Somente a transformação de inputs em outputs x
→ y é modelada.
Esse modelo estático também pode ser usado para medir o desempenho ao longo do
tempo, como na Fig. 2. O modelo estático comparativo considera a tecnologia e os insumos
como fixos e exógenos em cada período; no entanto, mudanças técnicas (não incorporadas)
podem ocorrer ao longo do tempo. Essa ideia foi usada para modelar a mudança de
produtividade em uma estrutura DEA, como em Fä re et al. [14]. Eles mostram como usar a
DEA

1 A terminologia DEA foi cunhada por Charnes et al. [5]. É interessante notar que o modelo de análise de atividade de

von Neuman [б], veja Harlin [7], pode ser considerado um modelo DEA.
 R. Färe, S. Grosskopf / Socio-Economic Planning Sciences 34 (2000) 35-49 37

Fig. 1. A tecnologia estática.

para calcular e decompor os índices de produtividade de Malmquist em mudanças na

eAciência ("catching up") e mudanças técnicas (mudanças na fronteira). Consulte também
Fä re et al. [15].
Em seguida, passamos a um modelo relacionado que introduz a "ligação" entre os
processos que caracterizam os modelos de rede. Vamos supor que existam dois processos
de produção, P1 e P2 , cada um produzindo um vetor de saída y1 e y2 , respectivamente. Além
disso, suponha que os dois processos usem a mesma fonte de insumos x. Nesse caso, é
possível analisar a alocação de x para P1 e P2 . Em particular, se x1 for empregado por P1 e x2
por P2 , então sua soma não poderá exceder x, ou seja, x1 +x2 ≤x. Esse tipo de modelo é
conhecido na economia agrícola como um modelo com insumos fixos (x ), mas alocáveis
(Fig. 3).
Como exemplo, suponha que y1 seja a produção de milho e y2 seja a produção de soja.
Então, a terra e outros recursos x podem ser alocados para a produção de y1 e y2 sob a
restrição de que o uso total de insumos não exceda os recursos x fornecidos. Esse modelo
pode ser usado para determinar a alocação ideal (maximização da produção, maximização
da receita ou maximização do lucro) da terra para as culturas. Ele também pode ser usado
para simular o efeito de programas de retirada de terras, por exemplo.
O modelo de rede estática, que discutiremos a seguir, tenta analisar o "interior" de um
processo de produção e modelar explicitamente a caixa preta. Subprocessos e bens
intermediários são os dois novos conceitos necessários para modelar uma rede. Na Fig. 4,
adotada de Fä re e Grosskopf [4], descrevemos uma rede com três subprocessos, 1, 2 e 3.
A esses subprocessos, são adicionadas uma fonte 0 e uma saída ou ''sumidouro'' 4. A fonte
fornece à rede insumos exógenos x, que

Fig. 2. A tecnologia estática comparativa.

38 R. Färe, S. Grosskopf / Socio-Economic Planning Sciences 34 (2000) 35-49

são alocados para os subprocessosi x, i = 1,2,3 com a restrição1 x +2 x +3 x≤x. A menor

0 0 0 0
O ''prescript'' refere-se à origem da entrada, enquanto o ''prescript'' superior é o destino ou
ponto de uso da entrada.
O subprocesso
e alguns são outputs1 produz
finais4oy,vetor de saída
ou seja, y1 ≤3 y4 , dos quais alguns são saídas intermediárias1y
1 3

11y + 1y. A notação significa que o processo 1, o menor

produz outputs intermediários que são inputs no processo 3, ou seja,13 y. Além disso, alguns
de seus outputs são outputs finais, aqui representados com o índice superior 4. Na prática,
os outputs intermediários também podem ser outputs finais, como no caso das peças de
reposição. O subprocesso ou nó 3 usa
insumos exógenos da rede3 x, bem como insumos intermediários produzidos nos subprocessos 1
e 2, 0
3 3 4
ou seja, 1y e 2y, respectivamente, para produzir os produtos finais 3y. 4
O coletor 4 coleta todos os resultados finais da rede, ou seja, y = y +4 y +4 y. De forma
apropriada
1 2 3
adicionando zeros aos vetores, o problema da dimensionalidade é evitado. Esse tipo de
modelo de rede foi usado para estudar a organização das farmácias suecas, em que os
subprocessos podem representar diferentes tipos de farmácias (em hospitais versus pontos
de venda comerciais mais comuns ou sedes regionais que distribuem medicamentos para
farmácias locais, por exemplo). Como outro exemplo, os nós 1 e 2 podem representar
unidades de produção que enviam seus "segundos" para o nó 3, que é o ponto de venda da
fábrica. Os nós 1 e 2 enviam seus produtos finais diretamente ao mercado (4).
Vamos agora mostrar como a noção de rede pode ser usada para modelar processos ou
tecnologias de produção dinâmicos. Suponhamos que tenhamos dois períodos e dois
processos de produção com inputs e outputs específicos para cada período. Além disso,
supomos que parte da produção no primeiro período seja usada como entrada no segundo,
ou seja, algumas saídas são produtos intermediários no tempo (Fig. 5). Os dois processos de
produção são denotados por Pt e P t + 1 . Cada um deles usa inputs específicos de tempo xt
e x t+ 1 para produzir outputs finais específicos de tempo yft e yft+ 1 . Além disso, Pt produz
outputs intermediários que são usados como inputs em P t + 1 . Pt também usa insumos do
período anterior t—1 , ou seja, yit— 1 . A produção total do modelo dinâmico consiste em
produtos finais ( y +ftft+1 y) e insumos intermediários ( y , yitit+ 1 ). Claramente, há uma
troca entre produzir os resultados finais hoje (t ) ou amanhã (t + 1). Observe que esse
modelo pode ser aplicado para estudar eAciências dinâmicas, conforme demonstrado por Fä
re e Grosskopf [12]. Em sua aplicação, a produção agregada em nível nacional é alocada
entre consumo (os produtos finais) e investimento (os produtos intermediários). Eles
resolvem o modelo para a trajetória ideal de consumo e investimento, que maximiza o
consumo agregado descontado ao longo do tempo.
horizonte de tempo.

3. A formalística dos modelos de rede

Os modelos de rede heurística da seção anterior são formalizados a seguir. Em particular,

modelamos as redes como os conjuntos de restrições ou tecnologias de referência dos
modelos DEA. Esses modelos se mostraram muito úteis para medir a eficiência eletrônica e
a produtividade. Como veremos, o modelo DEA de rede não é um modelo único, mas uma
família de modelos, com a característica comum de ter restrições lineares. Na próxima
seção, adicionaremos um objetivo a esses modelos para transformá-los em medidas de
desempenho DEA.
Suponha que existam k = 1,... . ,K unidades de tomada de decisão (DMU:s) ou
observações de inputs e outputs (xk ,yk )=(xk1 ,... ,xkN , y k1 ,... ,ykM ). Os coeAcientes (xkm
,ykm)
 R. Färe, S. Grosskopf / Socio-Economic Planning Sciences 34 (2000) 35-49 39

n = 1,.. . ,N,m = 1,... . ,M, k = 1,... . ,K devem satisfazer determinadas propriedades

(consulte o Apêndice A). Para formular o modelo DEA a partir dos dados (xk ,yk ), precisamos
introduzir variáveis de intensidade zk , k = 1,... . K, uma para cada observação ou atividade
k. Essas variáveis não negativas nos informam até que ponto uma determinada DMU está
envolvida na produção de produtos. O modelo básico, escrito em termos de um conjunto de
produtos, é:
( K K
Σ Σ
P(x)= ( y1 , ... . , yM z ykkm , m = 1, ... . , z xkkn ≤xn , n = 1, ... . ,
k=1
M,
k=1
N, (1)
):ym ≤
)
zk "0, k = 1, ... . , K .

As heurísticas desse modelo são mostradas na Fig. 1. Embora ele atenda a certas
propriedades, como retornos constantes de escala e livre disposição de insumos e produtos
(novamente, consulte o Apêndice A), nada de especial pode ser dito ex ante sobre sua
estrutura interna. Por exemplo, não podemos determinar como os insumos são alocados
para a produção dos vários produtos ou se são produzidos produtos intermediários.
Nosso modelo ''Fixed but Allocative Inputs'' nos dá alguns insights sobre como os inputs
podem ser compartilhados por diferentes processos, aqui modelados por dois conjuntos de
outputs P1 e P2 . Para simplificar, presumimos que apenas o primeiro insumo pode ser
alocado entre os dois processos ou nós e que os demais são pré-atribuídos a um processo
específico para cada DMU. Aqui, os sobrescritos referem-se ao processo, P1 ou P2 . Nesse
caso, o modelo heurístico da Fig. 3 pode ser formalizado como:
2
( ΣM ΣK
1 1 1 2 z1 y1
P xˆ1, xˆ2, ... . , xˆN, xˆ2, .. . , = y1 + y2 = y1m + y2m : ym
1 ≤
k km ,
xˆN m=1 k=1
ΣK ΣK
1
m = 1, .. . , k1 ≤x 1,
z xk11 1 zkxkn11 ≤xˆn , n = 2, ... . , N,k z1 "0, k = 1, .. .
M, k=1 k=1 , K,
ΣK
ΣK ΣK (2)
2
m z2k y2km
y2 ≤ k=1 , m = 1, .. . , k=1 zkx k1 ≤x 1, k=1 zkx kn ≤xˆn,
22 2 22 n = 2, ... . ,
M, N,
)
z2k "0, k = 1, ... . , K,1 x 1 +
1 x ≤xˆ 1
2 .

A principal diferença entre os dois modelos (1) e (2) é que em (2) a alocação do primeiro
input x^ 1 entre os dois subprocessos não é dada a priori como os outros inputs x ^ 1 ,... . x ^21 , N
x ^ 2 ,... . x ^ 2 . Em vez disso, exigimos apenas que a alocação entre subprocessos seja viável, o que é
2 N
a interpretação da última desigualdade em (2). O modelo em (1) não fornece essa alocação,
pois pode ser visto como uma agregação de (2) que obscurece os subprocessos.
O modelo de rede completo, ilustrado na Fig. 4, inclui produtos intermediários e insumos
alocáveis. Um produto é intermediário para o sistema de produção se for produzido e
consumido, ou seja, se for tanto um output quanto um input, dentro da rede. É claro que nem
todos os
40 R. Färe, S. Grosskopf / Socio-Economic Planning Sciences 34 (2000) 35-49

Os bens intermediários são necessariamente consumidos ou usados dentro da rede; eles

também podem ser o produto final. Novamente, as peças de reposição são um exemplo
típico desse último caso.
A seguir, ilustramos a rede na Fig. 4, que tem três subprocessos de produção, uma fonte e
uma saída, o que nos dá um total de cinco nós (0,.. . ,4). Denotemos o total de insumos
(exógenos) disponíveis por x e0 deixemosi x, i = 1,2,3 denotar o montante do vetor de
insumos (exógenos) que é alocado ao nó i. O nó de origem modela as restrições para a
alocação dos insumos exógenos; em particular:
3
x" Σi x (3)
i=1
0

ou
1 2 3
xn xn + x n + x n , n = 1, ... . , N.
" 0 0
0
Denotam o vetor de produtos produzidos pelo subprocesso ou subtecnologia i e entregues a
nó j porj y. Voltando à Fig. 4, vemos que a produção total do nó 1 é3 y +4 y, onde
i 1 1
3
1y é sua saída de produtos intermediários e 1y4 é sua saída final. O nó 1 não usa nenhum produto
intermediário como insumo. O nó ou subprocesso 3, entretanto, usa insumos do nó 1
(3 y) e nó 2 (3 y), bem como inputs exógenos3 x. Esse nó produz apenas outputs finais4 y.
1 2 0 3
O nó de 4saída Mj
ou de coleta 4, considerando que cada subtecnologia produz um produto distinto
vetores, y ϵ R , j = 1,2,3, em que M=M1 +M2 +M3 , pode ser escrito como
j +

4 4
y=4y, y, y . (4)
1 2 3
Se não insistirmos que cada nó produza produtos distintos, a produção total pode ser escrita
como
a soma Σ3 4y das saídas dos nós individuais. O número apropriado de zeros deve ser
j=1 j
adicion
ado.

Fig. 3. A tecnologia de restrição de recursos.

 R. Färe, S. Grosskopf / Socio-Economic Planning Sciences 34 (2000) 35-49 41

A tecnologia linear por partes ou DEA associada a k = 1,... . ,K observações pode ser escrita
em termos do conjunto de resultados como:
4 4 4
P(x)= { y = y, y, y :
1 2 3
ym ≤Σz K y , m = 1, .. . , M3 ,
(a) 4 3 4 km
3 k=1
k 3
ΣK
33 3
(b) z xkn ≤ x n , n = 1, ... . ,
k=1 k 0 0N,

Σz3 3 ykm 3ym , m = 1, ... . , M1 ,

K
Nó ou subprocesso 3 (c)
≤
k=1 k 1 1
K 33
(d)
Σ z ykm ≤3ym , m = 1, ... . , M2 ,
k=1 k 2 2
3
(e) z "0, k = 1, .. . , K,
k
≤ΣK
3 4 13 4 1 ,.
(f ) ym + ym z ykm + ykm , m = 1, .. . , M
1 1 k=1
k1 1
ΣK
11 1
Nó ou subprocesso 1 (g) zxkn ≤ k 0 x n , n = 1, ... . , N,
k=1
0
1
(h) z "0, k = 1, .. . , K,
k
≤ΣK
3 4 23 4
(i) ym + ym z ykm + ykm , m = 1, .. . , M2 ,
2 2 k=1
k2 2
ΣK
22 2
Nó ou subprocesso 2 (j) zxkn ≤ k 0 x n , n = 1, ... . , N,
k=1
0
2
(k) z "0, k = 1, .. . , K,
k
1 2
Distribuição de insumos exógenos (l) 0xn + x n + x n ≤x n , n = 1, ... . , N
0 3}
0 (5)
No modelo de rede (5), podemos identificar as três subtecnologias. A terceira,
P (33
0
x,13 y,32 y), consiste nas expressões (a)-(e). A primeira,0 P (11 x), é dada por (f)-(h), e a última,
2
P (20 x), por (i)-(k). Uma comparação do modelo de análise de atividade padrão (1) com o
modelo de rede (5) mostra que o primeiro tem um conjunto de variáveis de intensidade,
enquanto o segundo tem três conjuntos de tais variáveis. Além disso, P(x ) tem um nó de
distribuição que nos permite estudar a distribuição ótima de
42 R. Färe, S. Grosskopf / Socio-Economic Planning Sciences 34 (2000) 35-49

Fig. 4. A tecnologia de rede.

distribuição dos insumos exógenos entre as subtecnologias, enquanto o modelo padrão não o
faz. Além disso, o modelo de rede nos permite modelar explicitamente os insumos
intermediários, ao passo que o modelo padrão não o faz.
Fä re e Grosskopf [3] demonstraram que, se as subtecnologias Pj , j = 1,2,3,
satisfizerem propriedades como a livre disposição de insumos e produtos e retornos
constantes de escala, a tecnologia de rede (5) também o fará.
Voltando ao modelo de rede dinâmica, ilustrado na Fig. 5, observamos que ele consiste
em duas subtecnologias distintas, Pt e P t+ 1 , uma para cada período. Essas subtecnologias
são interativas de forma semelhante aos nós do modelo de rede acima. O resultado de Pt
consiste no resultado final yft e no resultado intermediário yit . O último é usado como
entrada em t + 1. Portanto, yit é o "investimento" do período t. Os outros insumos são os
insumos exógenos em cada período xt e x t+ 1 . Embora não sejam considerados aqui,
alguns deles podem ser armazenáveis, ou seja, podem ser usados em um período posterior
(consulte Fä re e Grosskopf [4]). A tecnologia ilustrada na Fig. 5 pode ser expressa como
uma análise dinâmica de atividade ou modelo DEA da seguinte forma:
f
iyt-1 = { yt fyt+1 + iyt+1 :
P x ,x ,
t t+1

f t i t Σ
K
f t it
ym + ym ≤ ztk ykm + ym , m = 1, .. . , M,
k=1

Fig. 5. A tecnologia dinâmica.

 R. Färe, S. Grosskopf / Socio-Economic Planning Sciences 34 (2000) 35-49 43
K
Σzt xt ≤xt , n = 1, ... . , N,
k kn n
k=1

K
Σ t i t-1 ≤iyt—1 , m = 1, ... . , M,
zk kmy m
k=1

ztk "0, k = 1, ... . , K,

K
i
fyt+1
+ ≤Σ t+1 f i t+1
m yt+1
m z yt+1
km + y
km , m = 1, .. . , M,
k=1 k

ΣK
k n n
k=1 z xt+1t+1 ≤xt+1 , n = 1, ... . ,
N,
ΣK
t t
k ykm≤iym, m = 1, ... . , M,
zt+1i
k=1

zt+1
k "0, k = 1, ... . , K }. (6)
O modelo DEA dinâmico (б) está relacionado ao modelo de rede (5) no sentido de que
ambos têm várias subtecnologias ou nós, e ambos têm produtos intermediários, o que torna
as subtecnologias interdependentes. Fä re e Grosskopf [5] demonstraram que, se as
subtecnologias Pt e Pt+1 satisfazem propriedades como a livre disposição de insumos e
produtos e retornos constantes de escala, o mesmo ocorre com o modelo dinâmico (б), ou
seja, o modelo dinâmico herda propriedades das subtecnologias.

4. Medidas de desempenho

O desempenho de uma determinada empresa, observação ou DMU k ', pode, em

princípio, ser avaliado em duas situações diferentes: primeiro, quando não há informações
sobre preços disponíveis e, segundo, quando os preços são conhecidos. Obviamente, casos
intermediários, quando alguns preços estão disponíveis, também são possíveis. Aqui,
abordamos a situação de ausência de preços e usamos as funções de distância como
nossos parâmetros. As medidas de eficiência técnica padrão da DEA ou Farrell [13] estão
intimamente relacionadas às funções de distância, como mostraremos a seguir. A mais geral
dessas funções é a função de distância direcional da tecnologia, que é definida na
tecnologia P(x ) por
)}
D → (x, y;gx , g y )= max β:( y + βg y )e P(x - βgx , (7)
44 R. Färe, S. Grosskopf / Socio-Economic Planning Sciences 34 (2000) 35-49

onde (-gx , gy ) é a direção na qual a distância é medida.2 Menos gerais, mas mais conhecidas,
são as funções de distância de entrada e saída de Shephard [13], que são definidas como
}
Di ( y, x)= max ß:y e P(x/ß) (8)
e
}
D0 (x, y)= min θ:( y/θ)e P(x) , (9)

respectivamente. As funções de distância de entrada e saída são casos especiais da função

de distância direcional (7). Em particular, se escolhermos a direção (-gx ,gy ) como sendo
(x,0), então (7) assume a forma
D → (x, y; x, 0)= 1 - 1/Di ( y, x) (10)
ou seja, a função de distância direcional se torna a função de distância de entrada. Da
mesma forma, se considerarmos (-gx ,gy )=(0,y ), então
D → (x, y;0, y)= (1/D0 (x, y)) - 1 (11)
e a função de distância de saída é obtida. A relação entre a função de distância de entrada e
saída é dada por
D0 (x, y)= 1/Di ( y, x) (12)
desde que a tecnologia apresente retornos constantes à escala, ou seja, P(ßx )=ß P(x ), ß > 0.
Podemos ilustrar as três funções de distância (7), (8) e (9) conforme mostrado na Fig. б.
Para fazer isso, apresentamos o gráfico da tecnologia T. Ele é definido em termos de
conjuntos de saída como
n
T = (x, y):y e P(x), x e R+N }. (13)
Claramente, P(x ) pode ser recuperado de T como
}
P(x)= y :(x, y)e T . (14)

A tecnologia de referência é dada por T, a área entre o raio da origem e o eixo x. Quando a
observação (x,y ) é avaliada pela função de distância direcional, o valor ideal é atingido em A,
onde β*=D→ (x, y; gx ,gy ). A função de distância de saída leva (x,y ) para B, onde D0 (x,y )=θ* ,
enquanto a função de distância de entrada leva (x,y ) para C, onde Di ( y,x )=λ* .
Para tornar nosso exemplo muito mais concreto, suponha que o valor observado (x,y) seja (2,1)
e nós
escolha o vetor de direção como sendo (-2,1). Se a fronteira da tecnologia for descrita por
y=x, então o ponto B teria coordenadas (2,2) e o ponto C, coordenadas (1,1). O ponto
eAcient associado usando a função de distância direcional (ponto A) teria um valor de
(4/3,4/3). O valor correspondente de beta seria 1/3 para a função de distância direcional. A
saída

Luenberger [1б,17] introduziu a função de distância direcional, que ele chamou de função de escassez. Aqui,
2

seguimos Chambers et al. [18].

 R. Färe, S. Grosskopf / Socio-Economic Planning Sciences 34 (2000) 35-49 45

Fig. б. Funções de distância.

Nesse caso, a função de distância de entrada teria um valor de 1/2, enquanto a função de
distância de entrada teria um valor de 2.
Em nossa primeira ilustração de medição de desempenho, optamos por avaliar a empresa
ou DMU k' em relação à tecnologia estática (1) por meio da medida de eAciência de
produção de Farrell [13]. Essa medida é a recíproca da função de distância de produção,3 a
saber:

D 0x k r , yk r -1= F x0k r , yk r = max θ

K
Σ
s.t. θyk r m≤ z ykkm , m = 1, ... . , M,
k=1
(15)
K
Σ
z xkkn ≤x k r n, n = 1, ... . ,
k=1
N,
zk "0, k = 1, ... . , K.

F0 (xk' ,yk' ) é a solução para o problema de programação linear (15). Um valor igual a um
indica eAciência, enquanto um valor maior que um indica ineAciência. A produção poderia
ser aumentada proporcionalmente por (F0 (x k' yk' )-1) se a DMU k ' for ineficiente.
Uma medida mais sofisticada do que a medida de Farrell é o índice de produtividade de
Malmquist [14]. Como uma medida de mudança de produtividade, ele nos diz o quanto a
proporção de produção agregada para entrada agregada (um índice de produto médio)
mudou entre dois períodos de tempo quaisquer. Esse índice pode ser orientado para a
entrada ou para a saída, dependendo do uso de funções de distância de entrada ou saída.
Aqui, discutiremos o caso orientado para a produção e começaremos com uma ilustração
adotada de Fä re e Grosskopf [4] (veja a Fig. 7).
As duas observações de entrada-saída (xt ,yt ) e (x t+ 1 ,y t+ 1 ) pertencem às tecnologias T t
e

3 Essa é a interpretação de Fä re, et al. [18]. A medida de saída original de Farrell é a função de distância de
saída [13].
4б R. Färe, S. Grosskopf / Socio-Economic Planning Sciences 34 (2000) 35-49

Tt+1 , respectivamente. A mudança de eAciência entre os períodos é representada por:

Dt+1 xt+1 yt+1
EFFCH = Oe = 0 , . (16)
Oc
Oa de t0
D (xt , y )t
A Eq. (1б) capta a mudança na distância/diferença entre a produção observada e a fronteira
- às vezes referida como uma medida de "catching up". Os países ou empresas que estão
envolvidos em um aprendizado bem-sucedido, seja pela prática ou pela imitação, exibiriam
melhorias (valores maiores que um) nesse componente da mudança de produtividade.
A mudança técnica é medida por:
yt+1 Dt x t , y t !1/2
Oa Ob 1/2 Dt xt+1,
0
TECNO = 0 t t+1 t+1 . (17)
Od Oe D0 x , y 0 (x , y )
Dt+1 t t

LOGIA

Observe que a Eq. (17) capta, por exemplo, as mudanças na fronteira devido à inovação.
O produto da eAciência e da mudança técnica é a medida de produtividade de Malmquist,
dada pela Eq. (18).
" #1/2
Dt+1 xt+1 yt+1 Dt xt+1 yt+1
M0 (t, t + 1)= EFFCH ● TECH = 0 , 0, . (18)
0( , )
Dt xt yt
Dt+1
0 (x , y )
t t

O índice de Malmquist consiste, portanto, em funções de distância que avaliam (xt ,yt ) e (x t+ 1
,y t+ 1 ) em relação às duas tecnologias de referência, Tt e T t + 1 , respectivamente. Elas são
indicadas por
os sobrescritos nas funções de distância, Dt 0e D t + 1 0, respectivamente.
Em seguida, passamos para o modelo de rede dinâmica (б), que foi usado por Fä re e
Grosskopf
[12] para calcular a eAciência dinâmica. Aqui, precisamos resolver a questão de se um único
escalonamento geral ou um escalonamento anual deve ser usado para o modelo. No primeiro
caso, o

Fig. 7. O índice de Malmquist.

 R. Färe, S. Grosskopf / Socio-Economic Planning Sciences 34 (2000) 35-49 47

O resultado final de cada ano, aqui yft e yft+ 1 , seria escalonado com o mesmo escalar, θ.
No segundo caso, seriam usados dois escalares, θt e θ t+ 1 , e a função objetiva seria a soma
deles. Fä re e Grosskopf [12] usaram a última formulação, pois estavam interessados em
comparar o modelo dinâmico com uma sequência de modelos estáticos. Em ambos os
casos, a eAciência pode ser estimada usando as técnicas de LP conhecidas da DEA.

5. Resumo

Este artigo mostrou a flexibilidade da estrutura de modelagem DEA, concentrando-se na

DEA de rede. Esses modelos DEA permitem que o pesquisador estude o "interior" da
tecnologia de caixa preta usual, tanto em configurações estáticas quanto dinâmicas. Eles
conseguem isso fornecendo uma estrutura muito geral para especificar (endogeneizar) o
funcionamento interno da caixa preta. A ideia básica do modelo de rede é, portanto,
"conectar" os processos, fornecendo uma estrutura de modelo único para a produção em
vários estágios (com produtos intermediários, por exemplo) ou produção em vários períodos.
Em geral, essa situação tem sido tratada na literatura sobre DEA como uma série ad hoc de
problemas de DEA ou por meio do uso de vários estágios.
As "ligações" entre os processos (ou nós) no modelo de rede também podem ser usadas
para analisar a alocação de recursos em várias unidades ou processos. Os exemplos incluem
a alocação de um recurso fixo, como a terra no nível da fazenda em um determinado
momento, em vários usos da cultura; e a alocação de um orçamento escolar em várias
categorias orçamentárias. Os vínculos também podem ser usados para resolver os vínculos
"ideais" e a estrutura das unidades - nos casos em que uma empresa tem muitas fábricas ou
locais, etc.
Todos esses cenários - bens intermediários, recursos alocáveis e produção em vários
períodos - podem ser representados como modelos de rede. Isso permite que o pesquisador
endogeneize as alocações no espaço, no tempo, etc. Mostramos também que esses
modelos são facilmente estimáveis usando formulações padrão de LP conhecidas da
literatura DEA. Esperamos que essa estrutura bastante simples seja útil para aqueles que
usam a DEA e, ao mesmo tempo, leve os pesquisadores de outras áreas a investigar o
poder da DEA.

Agradecimentos

Os autores agradecem ao Dr. B. Parker por seus "ajustes com caneta vermelha".

Apêndice A

Suponha que existam k = 1,... . ,K DMU:s. Essas podem ser empresas diferentes ou
uma empresa em momentos diferentes. Cada DMU é caracterizada por seu vetor de
entrada e saída (xk ,yk )=(xk1 ,... ,xkN ,yk1 ,... ,ykM ). Os coeAcientes (xkn ,ykm ), m = 1,... . ,M,
n = 1,... . ,N, k = 1,... . ,K devem satisfazer determinadas condições. Essas condições
são:
48 R. Färe, S. Grosskopf / Socio-Economic Planning Sciences 34 (2000) 35-49

(i) x kn "0, ykm "0, k = 1, ... . , K, n = 1, ... . , N, m = 1, .. . , M,

ΣK
(ii) xkn > 0, n = 1, ... . , N.
k=1

ΣN

(iii) xkn > 0, k = 1, ... . , K.

n=1

K
Σ
(iv) ykm > 0, m = 1, ... . , M.
k=1

M
Σ
(v) ykm > 0, k = 1, ... . , K.
m=1

As condições em (i) simplesmente afirmam que os inputs e outputs são números não
negativos, mas não precisam ser todos positivos. O requisito (ii) significa que cada entrada é
usada em pelo menos uma atividade. A terceira condição diz que cada atividade usa pelo
menos um input. A primeira das duas condições de saída (iv) exige que cada saída seja
produzida por alguma atividade, enquanto a (v) afirma que cada atividade produz alguma
saída.
O modelo de (1) satisfaz as propriedades:

1. P(0)={O}não há "almoço grátis

2. y "y1 ϵ P(x )= > y ϵ P(x ) livre (forte) descartabilidade de
resultados
3. x1 "x=> P(x1 ) sP(x ) livre (forte) descartabilidade de entradas
4. P(ßx )=ßP(x ), ß > 0retornos constantes de escala.

Referências

[1] Charnes A, Cooper WW, Lewin AY, Seiford LM. The DEA process, usages and interpretations (O processo
DEA, usos e interpretações). Em: Data envelopment analysis: theory, methodology and applications, cap. 21.
Boston: Hluwer Academic, 1993.
[2] Shephard RW, Fä re R. A dynamic theory of production correspondences (Uma teoria dinâmica das
correspondências de produção). ORC UC Berkeley 75-13, Berkeley, CA 1975.
[3] Shephard RW. Theory of cost and production. Princeton: Princeton University Press, 1970.
[4] Fä re R, Grosskopf S. Intertemporal production frontiers: with dynamic DEA Boston: Hluwer Academic
Publishers, 199б.
[5] Charnes A, Cooper WW, Rhodes E. Measuring the eAciency of decision making units. European journal of
operational research 1978;2(б):429-44.
[б] von Neumann J. A model of general economic equilibrium (Um modelo de equilíbrio econômico geral). Review of
Economic Studies 1945;13(1):1-9.
[7] Harlin S. Mathematical methods and theory in games, programming and economics (Métodos matemáticos e
teoria em jogos, programação e economia). Reading: Addison-Wesley, 1959.
 R. Färe, S. Grosskopf / Socio-Economic Planning Sciences 34 (2000) 35-49 49

[8] Fä re R, Grabowski R, Grosskopf S, Hraft S. EAciência de um input fixo, mas alocável: uma abordagem não
paramétrica. In: Economics Letters, vol. 5б, 199б. p. 187-93.
[9] Fä re R, Whittaker G. An intermediate input model of dairy production using complex survey data. Journal of
agricultural economics 1995;4б(2):201-23.
[10] Fä re R, Grosskopf S, Roos P. Network and production models of swedish pharmacies, mimeo 199б.
[11] Sengupta J. Dynamics of DEA (Dinâmica da DEA). Dordrecht: Hluwer Academic Publishers, 1995.
[12] Fä re R, Grosskopf S. EAciência e produtividade em países ricos e pobres. Em: Jensen B, Wong HY,
editores. Dynamics, economic growth and international trade (Dinâmica, crescimento econômico e comércio
internacional). Ann Arbour: University of Michigan Press, 1997.
[13] Farrell MJ. The measurement of productive eAciency (A medição da eficiência produtiva). Journal of the royal
statistical society Series A 1957;120:253-90.
[14] Färe R, Grosskopf S, Lindgren B, Roos P. Productivity developments in Swedish hospitals: A Malmquist out-
put index approach. Em: Charnes A, Cooper WW, Lewin A, Seiford L, editores. Data envelopment analysis:
the- ory, methodology and applications (Análise de envelopamento de dados: teoria, metodologia e
aplicações). Boston: Hluwer Academic, 1994.
[15] Fä re, Grosskopf RS, Lovell CAH. Production frontiers (Fronteiras da produção). Cambridge:
Cambridge University Press, 1994. [1б] Luenberger D. Benefit functions and quality (Funções de
benefício e qualidade). Journal of Mathematical Economics 1992;21:4б1-81.
[17] Luenberger D. Microeconomic theory (Teoria microeconômica). New York: Mcgraw Hill, 1995.
[18] Chambers RG, Chung Y, Färe R. Profit, directional distance functions, and nerlovian eAciency. Journal of op-
timization theory and applications 1998;98(2):351-б4.