0034807

UNIVERSIDADE FEDERAL DE ITAJUB
PROGRAMA DE PS-GRADUAO EM ENGENHARIA DE PRODUO
Fabiana Dias Batista
METODOLOGIA PARA O USO DA ANLISE POR ENVOLTRIA DE DADOS NO AUXLIO DECISO
Dissertao submetida ao Programa de Ps-Graduao em Engenharia de Produo como parte dos requisitos para obteno do ttulo de Mestre em Cincias em Engenharia de Produo.
rea de Concentrao: Produo e Tecnologia
Orientador: Prof. Jos Arnaldo Barra Montevechi, Dr.
Abril de 2009 Itajub - MG
Ficha catalogrfica elaborada pela Biblioteca Mau Bibliotecria Margareth Ribeiro- CRB_6/1700
B333m Batista, Fabiana Dias Metodologia para o uso da anlise por envoltria de dados no auxlio deciso / Fabiana Dias Batista. -- Itajub, (MG) : [s.n.], 2009. 107 p. : il. Orientador: Prof. Dr. Jos Arnaldo Barra Montevechi. Co-orientador: Prof. Dr. Anderson Paulo de Paiva. Dissertao (Mestrado) Universidade Federal de Itajub. 1. Anlise por envoltria de dados. 2. Deciso. 3. Plantas auto_ motivas. I. Montevechi, Jos Arnaldo Barra, orient. II. Paiva, An_ derson Paulo de, co-orient. III. Universidade Federal de Itajub. IV. Ttulo. CDU 658(043)
UNIVERSIDADE FEDERAL DE ITAJUB
Fabiana Dias Batista
METODOLOGIA PARA O USO DA ANLISE POR ENVOLTRIA DE DADOS NO AUXLIO DECISO
Dissertao aprovada por banca examinadora em 27 de abril de 2009, conferindo ao autor o ttulo de Mestre em Engenharia de Produo
Banca Examinadora: Prof. Dr. Jos Arnaldo B. Montevechi (Orientador) - UNIFEI Prof. Dr. Anderson Paulo de Paiva (Co-orientador) - UNIFEI Prof. Dr. Helder Gomes Costa UFF Prof. Dr. Renato da Silva Lima UNIFEI Itajub 2009
Que a inspirao chegue no depende de mim, a nica coisa que posso fazer garantir que ela me encontre trabalhando. Pablo Picasso
AGRADECIMENTOS
Muitas pessoas contriburam direta e indiretamente para esse trabalho. Quero deixar aqui os meus mais sinceros agradecimentos a todas essas pessoas. Em especial, desejo agradecer: Ao meu orientador e amigo Jos Arnaldo, que foi quem me inspirou nessa empreitada. Obrigada por todo o apoio e confiana, pelo exemplo de profissionalismo e dedicao, e principalmente por me oferecer a sua amizade nos momentos mais difceis. Ao professor e co-orientador Anderson pelas idias desafiadoras e pelas crticas e comentrios feitos no meu trabalho. Aos professores do Instituto Engenharia de Produo e Gesto, no somente pela excelente qualidade das aulas, mas tambm pela disponibilidade e carinho que tiveram comigo durante esses anos. por vocs que tenho orgulho da minha formao. todos que participavam das reunies do nosso grupo de estudos, o Ncleo de Estudos Avanados de Auxlio Deciso. As oportunidades que tive de apresentar o meu trabalho e mesmo de estar presente nas apresentaes de vocs foram muito valiosas. Universidade Federal de Itajub, onde encontrei toda a infra-estrutura e recursos necessrios para conduzir esse trabalho com muita tranqilidade. Ao amigo Geovandro, que dividiu comigo as angstias e alegrias de estudar um assunto novo para a Universidade. Suas dvidas foram essenciais para que eu evolusse cada vez mais na teoria. Obrigada tambm pela ateno e disponibilidade com que me ajudou na coleta de dados. Capes pelo auxlio financeiro durante o curso. Aos colegas do Gepe de Economia e Finanas, que em tantos momentos e conversas contriburam para que nosso ambiente de trabalho fosse sempre muito prazeroso. Aos amigos, de perto e de longe, que sempre me alegraram e me apoiaram em tantos momentos. Em especial s amizades que surgiram e se fortaleceram durante esses dois anos. Ao meu companheiro Gustavo, que acompanhou todo o trabalho de perto e me ajudou a superar muitos obstculos com seu amor e carinho. Agradeo por cada idia e cada problema que pude compartilhar com voc. minha famlia por todo incentivo e por toda a compreenso que sempre tiveram nos momentos de ausncia. Sem o apoio e a torcida de vocs tudo teria sido muito mais difcil. Deus, que se traduz em toda a fora e energia positiva que levamos dentro de ns...
RESUMO
A modelagem quantitativa geralmente utilizada para auxiliar os gestores a decidir sobre os processos produtivos. Uma das tcnicas que tem sido utilizada com essa finalidade a Anlise por Envoltria de Dados, tambm conhecida como DEA. Embora existam muitos trabalhos publicados sobre DEA, seu entendimento e aplicao no auxlio deciso no trivial. O analista que for utilizar DEA precisa estar ciente de algumas particularidades para garantir a confiabilidade dos resultados gerados. Nesse contexto, a utilizao de um guia pode auxiliar os gestores a aproveitar o grande potencial da tcnica na comparao de unidades produtivas. Este trabalho apresenta uma metodologia para utilizao da DEA no processo decisrio. A proposta dividida em trs etapas: Concepo, Modelagem e Anlise. Primeiramente so apresentadas as caractersticas de cada fase, estruturadas na forma de tpicos que o usurio precisa investigar durante o estudo. Em seguida a metodologia utilizada para auxiliar os gestores de uma multinacional do setor automotivo na tomada de deciso em 14 plantas produtivas. Na aplicao possvel verificar a fragilidade de se utilizar somente um modelo DEA na anlise. A utilizao de um passo a passo pode trazer grandes contribuies na transferncia de tcnicas utilizadas no ambiente acadmico para aplicaes reais dentro do ambiente empresarial. Palavras-chave: anlise por envoltria de dados, deciso, plantas automotivas;
ABSTRACT
Quantitative modeling is often used to help managers decide about productive processes. One tool that has been employed with this intention is Data Envelopment Analysis, also known as DEA. Although there are many works published about DEA, its comprehension and application are not straightforward. The analyst who decides to use DEA must be aware of some particularities necessary to ensure reliable results. In this context, a guide can assist managers to make good use of DEAs great potential in comparing productive unities. This work presents methodology to apply DEA to the decision environment. It is divided in three phases: Concepcion, Modeling and Analysis. First we cover the characteristics of each phase, structured as topics that the user must know during the study. Second the guide is utilized to help managers of an automotive multinational company during the decisions about 14 productive plants. The application shows the fragility of using only one DEA model. The use of a step by step can bring great contributions when using tools from the academy environment in real business situations. Key-words: data envelopment analysis, decision, automotive plants;
LISTA DE FIGURAS
Figura 1.1 Abordagens de modelagem quantitativa ..............................................................13 Figura 1.2 Metodologia de Simulao...................................................................................14 Figura 2.1 Conjunto de produo ..........................................................................................18 Figura 2.2 Rendimentos de escala .........................................................................................18 Figura 2.3 Representao do espao de entrada ....................................................................20 Figura 2.4 Representao do espao de sada........................................................................21 Figura 2.5 Descarte de insumos.............................................................................................22 Figura 2.6 Diagrama de Farrell..............................................................................................26 Figura 2.7 Eficincia tcnica .................................................................................................27 Figura 2.8 Duas fases de soluo do modelo CCR ...............................................................36 Figura 2.9 Comparao entre os modelos CCR e BCC.........................................................39 Figura 3.1 Esquema para estudo da cincia como sistema....................................................43 Figura 3.2 Classificao das metodologias de pesquisa quantitativa ....................................46 Figura 4.1 Esquema de aplicao da DEA no auxlio deciso ...........................................51 Figura 4.2 Invarincia translao em alguns modelos DEA...............................................57 Figura 4.3 Alvos e benchmarks do exemplo .........................................................................64 Figura 5.1 Organograma simplificado da empresa................................................................67 Figura 5.2 Grfico de eficincias...........................................................................................93 Figura 5.3 Grfico de referncias ..........................................................................................94
LISTA DE QUADROS E TABELAS

Tabela 4.1 Valores de entradas e sadas das unidades...........................................................63 Tabela 4.2 Eficincia e referncias das unidades ..................................................................63 Quadro 5.1 Conjunto inicial de variveis ..............................................................................69 Quadro 5.2 Primeira seleo de variveis .............................................................................70 Quadro 5.3 Classificao das variveis .................................................................................71 Tabela 5.4 Estatsticas descritivas bsicas.............................................................................72 Tabela 5.5 Correlao entre as variveis Parte 1................................................................73 Tabela 5.6 Correlao entre as variveis Parte 2................................................................73 Tabela 5.7 Mtodo de Wagner e Shimshak (CCR) ...............................................................76 Tabela 5.8 Modelos resultantes do mtodo de Wagner e Shimshak (CCR)..........................78 Tabela 5.9 Mtodo MCI (CCR) Passo 1 ............................................................................79 Tabela 5.10 Mtodo MCI (CCR) Passo 2 ..........................................................................80 Tabela 5.11 Mtodo MCI (CCR) Passo 3 ..........................................................................81 Tabela 5.12 Mtodo MCI (CCR) Passo 4 ..........................................................................82 Tabela 5.13 Modelos resultantes do mtodo MCI (CCR) .....................................................83 Tabela 5.14 Mtodo de Wagner e Shimshak (BCC) .............................................................85 Tabela 5.15 Modelos resultantes do mtodo de Wagner e Shimshak (BCC) .......................86 Tabela 5.16 Mtodo MCI (BCC) - Pares entrada-sada com a sada Vendas .......................87 Tabela 5.17 Mtodo MCI (BCC) - Pares entrada-sada com a sada Retorno de Capital .....87 Tabela 5.18 Mtodo MCI (BCC) - Pares entrada sada com Vendas por Funcionrio .........88 Tabela 5.19 Mtodo MCI (BCC) - Pares entrada-sada com a sada Resultado ...................88 Tabela 5.20 Mtodo MCI (BCC) Passo 2 ..........................................................................89 Tabela 5.21 Mtodo MCI (BCC) Passo 3 ..........................................................................90 Tabela 5.22 Modelos resultantes do mtodo MCI (BCC) .....................................................90 Tabela 5.23 Resumo dos modelos resultantes da etapa de Aplicao...................................91 Tabela 5.24 Modelos escolhidos pelos gestores....................................................................92 Tabela 5.25 ndices de eficincia e unidades referncia para o modelo 8.............................95 Tabela 5.26 - ndices de eficincia e unidades referncia excluindo MECA...........................96 Tabela 5.27 Variveis de folga das unidades ........................................................................96 Tabela 5.28 Projees das unidades ineficientes na fronteira eficiente ................................98
GLOSSRIO E ABREVIATURAS
CPP Conjunto de possibilidades de produo. CCR Modelo DEA desenvolvido por Charnes, Cooper e Rhodes. BALANCED SCORECARD Metodologia de gesto, que pode ser traduzida como Indicadores balanceados de desempenho. BCC Modelo DEA desenvolvido por Banker, Charnes e Cooper. DEA Anlise por Envoltria de Dados, do ingls Data Envelopment Analysis. DMU Como chamada uma unidade em DEA, do ingls Decision Making Units. ISO Organizao Internacional para padronizao, do ingls International Organization for Standardization. MCI Mtodo multicritrio combinatrio inicial. PPL Problema de programao linear. SBM Modelo baseado nas folgas, do ingls Slacks-based measure. WS Mtodo de seleo de variveis desenvolvido por Wagner e Shimshak (2007).
SUMRIO
1 1.1 1.2 1.3 2 2.1 2.2 2.3 2.4 3 3.1 3.2 3.3 4 4.1 4.2 4.3 5 INTRODUO CONSIDERAES INICIAIS OBJETIVOS E JUSTIFICATIVA DO TRABALHO ESTRUTURA DO TRABALHO REVISO BIBLIOGRFICA TEORIA DA PRODUO EFICINCIA E PRODUTIVIDADE ANLISE POR ENVOLTRIA DE DADOS MODELOS DEA ALTERNATIVOS METODOLOGIA CIENTFICA O TRABALHO DE MITROFF PESQUISA QUANTITATIVA BASEADA EM MODELOS CLASSIFICAO DA PESQUISA EM QUESTO METODOLOGIA PARA USO DA DEA NO AUXLIO DECISO CONCEPO MODELAGEM ANLISE 12 12 15 16 17 17 23 30 37 43 43 46 49 51 51 55 61
APLICAO DA METODOLOGIA NUMA EMPRESA MULTINACIONAL DO SETOR 66 66 68 74 93 100 103
AUTOMOTIVO 5.1 5.2 5.3 5.4 6 7 CARACTERSTICAS DO OBJETO DE ESTUDO CONCEPO MODELAGEM ANLISE CONCLUSO REFERNCIAS BIBLIOGRFICAS
Captulo 1 - INTRODUO
12
INTRODUO
Em qualquer tipo de organizao, existem decises sendo tomadas a todo o momento.
1.1 Consideraes iniciais

No nvel operacional, supervisores precisam alocar funcionrios, decidir sobre paradas e correes no sistema produtivo e planejar diversas atividades rotineiras e operaes dirias. Ao subir na hierarquia de uma organizao, normalmente aumenta-se a importncia das decises tomadas. Membros da alta direo lidam com decises que impactam diretamente o futuro da empresa. Algumas dessas decises envolvem uma grande quantidade de variveis dinmicas. O uso de modelos quantitativos para auxiliar o processo decisrio pode evitar que a sade da organizao fique dependendo somente da intuio e experincia dos gestores. Nesse contexto, a modelagem quantitativa como auxlio tomada de deciso pode auxiliar a soluo dos problemas encontrados nas empresas e instituies. Heidenberger e Stummer (1999) fazem uma reviso do uso da modelagem quantitativa para seleo de projetos de Pesquisa e Desenvolvimento (P&D) e alocao de recursos. As principais tcnicas so divididas em mtodos de medio do benefcio, como o AHP (Analytical Hierarchy process); modelos de programao matemtica, tais como programao linear, no linear e inteira; abordagens de deciso e teoria dos jogos; modelos de simulao; modelagem heurstica e emulao cognitiva. A reviso mostra como uma variedade de modelos quantitativos pode aumentar a capacidade dos gestores de selecionar projetos e alocar recursos de maneira eficiente. Hallgren e Olhager (2006) abordam o uso de mtodos quantitativos em decises estratgicas na manufatura e propem uma metodologia para auxiliar os gestores a estruturar o processo decisrio. A diviso dos modelos proposta por Heidenberger e Stummer (1999) foi modificada e apresentada por Hallgren e Olhager (2006), de acordo com a Figura 1.1. O conjunto de tcnicas quantitativas que tem como objetivo auxiliar a deciso tambm conhecido por Pesquisa Operacional (PO). De uma maneira geral, todas as disciplinas que constituem a PO se apiam em quatro cincias fundamentais: Economia, Matemtica, Estatstica e Informtica. O sucesso inegvel da pesquisa operacional no suporte atividades militares e de inteligncia trouxe a idia de que a tomada de deciso poderia ser estudada usando uma abordagem cientfica. H um interesse crescente em questes como a estrutura e formulao do problema, em como conduzir e programar um processo de auxlio deciso, como tratar as
13
relaes com o cliente do suporte de deciso requerido e como treinar pessoas nessa profisso (TSOUKIS, 2008).
Figura 1.1 Abordagens de modelagem quantitativa Fonte: Hallgren e Olhager (2006)
O objetivo da pesquisa operacional desenvolver um modelo suficientemente vlido do problema, derivar solues baseadas no modelo simplificado e testar e implementar as solues. Como o desempenho muitas vezes analisado para um nico caso e fica restrito opinio de um nico grupo, a produo de conhecimento cientfico nem sempre ocorre. Porm isso no significa que o conhecimento gerado nessa rea no tenha valor. Essa questo, abordada por Bertrand e Fransoo (2002) abrange grande parte dos trabalhos em modelagem quantitativa. Ainda segundo os autores, como a Administrao da Produo carece de uma estrutura metodolgica bem definida e compartilhada para identificar
14
e medir as caractersticas relevantes dos processos reais, o foco de parte dos trabalhos acaba sendo em correes matemticas e julgamentos acerca da relevncia do problema. A crtica que em muitos casos, metodologia no percebida como uma questo. Uma exceo a pesquisa baseada em simulao computacional. Nesse caso a metodologia considerada e baseada amplamente em estatstica, modelagem experimental e anlise (BERTRAND e FRANSOO, 2002). Um exemplo pode ser visto em trabalhos sobre simulao de eventos discretos. Nesse caso as aplicaes so divididas em trs fases, como no diagrama da Figura 1.2.
Figura 1.2 Metodologia de Simulao Fonte: Adaptado de Chwif (1999)
Cada fase consiste de vrias etapas. Um analista que deseje fazer uma aplicao de simulao sabe que na fase de concepo o modelo abstrato dever ser representado atravs de alguma tcnica de mapeamento. Na fase de implementao o modelo computacional ser verificado e validado e na fase de anlise o modelo operacional ser utilizado para realizar experimentos no modelo. Dentre as modelagens quantitativas que auxiliam os gestores na tomada de deciso, um mtodo que tem se destacado nos ltimos anos a Anlise por Envoltria de Dados. Segundo a diviso de Hallgren e Olhager (2006), a tcnica se enquadra no conjunto de tcnicas de programao matemtica que utiliza programao linear (embora o primeiro modelo DEA desenvolvido tenha sido no linear). A anlise por envoltria de dados j consideravelmente conhecida no ambiente acadmico e possui uma infinidade de aplicaes nas mais diversas reas, tais como hospitais (Al-Shammari, 1999), seleo de fornecedores (Liu, Ding e Lall, 2000) e at mesmo avaliao de companhias areas (Soares de Mello et al., 2003).
15
O gestor que tenha a necessidade de avaliar o desempenho de um conjunto de unidades, ou mesmo identificar quais so as melhores prticas dentre o conjunto pode fazer uso da DEA com sucesso.
1.2 Objetivos e justificativa do trabalho

Muitos dos trabalhos publicados em modelagem quantitativa se resumem a discusses acerca dos modelos matemticos utilizados nas aplicaes. O arcabouo matemtico s vezes se torna to complexo que fica praticamente impossvel de ser aplicado nas situaes reais que os gestores encontram no dia a dia. Na anlise por envoltria de dados a situao tambm no muito diferente. Desde o seu surgimento, uma infinidade de trabalhos foi publicada utilizando aplicaes diferentes para o modelo CCR ou BCC, que foram os primeiros modelos desenvolvidos. Outra srie de artigos trazia modificaes na tentativa de superar algumas deficincias dos primeiros modelos e mesmo o desenvolvimento de novos modelos DEA. Embora DEA tenha se difundido muito rapidamente, sua aplicao no trivial. A idia do trabalho surgiu justamente da dificuldade que muitas pessoas no especialistas encontram ao tentar aplicar DEA e mesmo outras tcnicas de pesquisa operacional nos problemas reais encontrados. Para utilizar DEA com segurana necessrio estar atento s peculiaridades e limitaes da mesma. Outra caracterstica que DEA multidisciplinar, e para seu entendimento so necessrios bons conhecimentos em microeconomia e programao linear. O gestor que deseje utilizar a tcnica para auxiliar problemas reais certamente se encontrar confuso. H um conjunto de aplicaes que utiliza os modelos em diferentes situaes, comparando escolas, hospitais, correios, indstrias, pases e uma infinidade de outras unidades de anlise. Muitos trabalhos abordam a comparao dos resultados DEA com outras tcnicas. Outros discutem modelos matemticos, mtodos de seleo de variveis e limitaes. Dentre as diversas linhas de pesquisa sobre DEA muito difcil para o gestor encontrar um trabalho que comente os cuidados que devem ser tomados, as particularidades da DEA e de alguns modelos e as maneiras em que ela pode ser utilizada para que haja confiabilidade nas aplicaes em situaes reais. Dentro dessa dificuldade encontrada, o objetivo do trabalho se traduz da seguinte maneira:
16
Fornecer uma metodologia para a utilizao da Anlise por Envoltria de Dados no auxlio deciso.
O trabalho consiste em duas partes: a apresentao da metodologia e sua aplicao numa empresa do setor automotivo, visando mostrar tanto a aplicao quanto o mtodo. Busca-se ainda investigar as vantagens e limitaes do uso da metodologia para essa finalidade. A estrutura dividida da seguinte maneira: primeiramente apresentada a metodologia em si, estruturando conceitos importantes que esto dispersos nas diversas linhas de pesquisa sobre DEA. Em seguida a metodologia ser aplicada a uma situao real onde os gestores de uma empresa multinacional do setor automotivo se renem regularmente para tomar decises acerca de 14 plantas produtivas que competem recursos entre si. O captulo sobre metodologia cientfica tambm foi escrito de modo a trazer contribuies aos pesquisadores que desejem trabalhar na rea de modelos quantitativos. As dvidas que costumam ocorrer nessa rea geralmente dizem respeito maneira de classificar determinada pesquisa e at mesmo na relevncia do trabalho. Sero vistos nesse tpico algumas maneiras de obter contribuies cientficas na rea de pesquisa operacional e tambm as tipologias de pesquisa quantitativa baseadas em modelos.
1.3 Estrutura do trabalho

No segundo captulo feita uma reviso bibliogrfica da Anlise por Envoltria de Dados, mostrando os conceitos econmicos que levaram ao seu surgimento. Alguns desses conceitos econmicos so fundamentais para o entendimento de modelos DEA mais avanados. O captulo trs apresenta conceitos de metodologia cientfica voltados para pesquisa operacional, assim como as tipologias de pesquisa quantitativa baseada em modelos. Posteriormente o trabalho classificado de acordo com as definies apresentadas. No quarto captulo apresentada a metodologia para utilizao da DEA no auxlio deciso. Nesse tpico so comentadas algumas particularidades e os principais pontos onde o decisor precisa ficar atento. No quinto captulo a metodologia aplicada a dados reais de uma empresa multinacional automotiva, visando auxiliar o processo decisrio acerca de 14 unidades produtivas. No ltimo captulo, referente s Concluses, sero feitos comentrios acerca das principais contribuies do trabalho, assim como sugestes para trabalhos futuros.
Captulo 2 REVISO BIBLIOGRFICA
17
REVISO BIBLIOGRFICA
2.1 Teoria da Produo

As empresas ou unidades produtivas tm como principal funo a produo de bens e servios. A teoria da produo mostra como as empresas podem tomar decises de produo baseadas na minimizao dos custos e como esses custos podem variar com o volume produzido. Alguns conceitos importantes da teoria da produo so relevantes no estudo de eficincia, e sero abordados nesse tpico.
2.1.1 Definies gerais

Para gerar produtos as empresas utilizam recursos, que podem ser trabalho, matriaprima, capital investido em equipamentos e outros. H diversas maneiras de se obter o mesmo produto utilizando combinaes diferentes de insumos. Porm, somente algumas dessas formas so viveis. O conjunto de todas as combinaes de recursos e produtos que so viveis, utilizando tecnologias diferentes, chamado de conjunto de possibilidades de produo (CPP). Este conjunto mostra as escolhas tecnolgicas possveis que a empresa pode utilizar. O mximo que se pode obter de produtos a partir de determinada quantidade de insumos dado pela funo de produo (VARIAN, 2006). A funo de produo no esttica. Na medida em que a tecnologia se desenvolve, mudam-se tambm as propores entre os recursos e produtos, podendo ser produzido mais produtos com menos insumos. Dessa forma importante salientar que a funo de produo modificada de acordo com a tecnologia. A Figura 2.1 traz o exemplo de um CPP e sua funo de produo, ou fronteira. Segundo Fried, Lovell e Schmidt (2008) a estimao emprica de funes de produo comeou possivelmente com os trabalhos de Cobb e Douglas em 1928. At 1950 as funes de produo foram amplamente usadas para estudar a distribuio funcional de rendimentos entre e capital e trabalho na macroeconomia. Quando h dois insumos, h uma forma de descrever as relaes de produo, conhecida como isoquanta. Para Pindyck e Rubinfeld (2002) a isoquanta representa todas as possveis combinaes de insumos que resultam no mesmo volume de produo. Ao duplicarmos ou triplicarmos a quantidade de insumos utilizada poderamos esperar o dobro ou o triplo do volume produzido. Pindyck e Rubinfeld (2002) definem rendimentos
18
de escala como a taxa de crescimento do produto medida que os insumos crescem proporcionalmente. A Figura 2.2 traz alguns exemplos de rendimentos de escala.
y = produo y = f(x) = funo de produo
Conjunto de produo
x = insumo
Figura 2.1 Conjunto de produo Fonte: Varian (2006)
x2
x2
x2
6 30
6 50
6 20
4 20 2 10
4 30 2 10
4 15 2 10
x1
x1
x1
Rendimento constante
Rendimento crescente
Rendimento decrescente
Figura 2.2 Rendimentos de escala Embora a figura parea a mesma para os trs casos, a diferena entre elas est nas quantidades produzidas. No rendimento constante, ao dobrarmos a quantidade de insumos (eixo x), a quantidade produzida tambm dobra (passa de 10 para 20 unidades). No rendimento crescente, dobrando os insumos a produo mais que dobram (ao invs de produzir 20 unidades, a produo de 30), e o inverso ocorre com os rendimentos decrescentes. Isto importante j que muitas atividades podem mudar de acordo com a escala de produo, e, conseqentemente, alterar a fronteira, ou seja, para cada tipo de retorno h uma fronteira diferente.
19
2.1.2 Conjuntos de possibilidade de produo (CPPs)

A seguir sero apresentadas algumas representaes dos CPPs segundo o trabalho de Fried, Lovell e Schmidt (2008), que aborda alguns conceitos microeconmicos de maneira mais adequada avaliao de desempenho. Uma tecnologia pode ser descrita utilizando todos os planos de operao viveis. Alguns desses planos podem ter sido observados na prtica, outros so considerados factveis dentro de algumas suposies acerca da tecnologia produtiva. Um sistema de produo que utiliza M itens para produzir S produtos pode ser representado de acordo com a equao 2.1.
M T = (x, y ) + + S : x pode produzir y
(2.1)
O conjunto T tambm chamado de Grafo da Tecnologia, e pode ser representado de duas outras maneiras: i) pelo conjunto de entradas ou consumo L(y) e ii) pelo conjunto de sada ou produo P(x).
M L(y) o conjunto de todos os vetores de entrada x + que produzem ao menos y, e
est representado na equao 2.2.
L( y ) = {x : ( x, y ) T } ou L( y ) = {x : y P( x)}
(2.2)
S P(x) o conjunto de todos os vetores de sada y + que so obtidos atravs de x.
Esse conjunto pode ser representado de acordo com a equao 2.3. P( x) = { y : ( x, y ) T } ou P( x) = { y : y L( y )}

(2.3)
Os conjuntos T, P(x) e L(y) representam a mesma tecnologia, embora foquem aspectos diferentes. O conjunto de entradas ou insumos L(y) aborda a substituio de insumos e P(x) trata da substituio de produtos. Alguns subconjuntos dessa tecnologia so teis para medidas de eficincia, porm dois deles recebem ateno especial: a isoquanta e o subconjunto eficiente. A isoquanta de entrada de L(y) est em 2.4. I ( y ) = {x : x L( y ), x L( y ), < 1}
(2.4)
Da mesma forma a Isoquanta de sada de P(x) apresentada na equao 2.5.
I ( x) = { y : y P( x),y P( x), > 1}
(2.5)
20
A Isoquanta do Grafo T(x,y) pode ser escrita como em 2.6.
I ( x, y ) = {( x, y ) : ( x, y ) T ( x, y ), (x,y ) T ( x, y ), < 1, > 1}
(2.6)
Os subconjuntos eficientes de L(y),P(x) e T(x,y) so, respectivamente: E ( y ) = {x : x L( y ), x' x e x' x x' L( y ) E ( x) = { y : y P( x), y ' y e y ' y y ' P( x)
(2.7) (2.8) (2.9)
E ( x, y ) = {( x, y ) : ( x, y ) T ( x, y ), ( x' , y ' ) ( x, y )e( x' , y ' ) ( x, y ) ( x ' , y ' ) T ( x, y )
A Figura 2.3 mostra graficamente o espao de entrada L(y) e os subconjuntos E(y) e I(y).
Entrada 2
L(y)
A
E(y)
B C D D Entrada 1
I(y)
Figura 2.3 Representao do espao de entrada Fonte: Adaptado de Fried, Lovell e Schmidt (2008) A isoquanta I(y) dada por AABCDD e a rea direita e acima dessa fronteira linear por partes corresponde ao espao L(y). O subconjunto eficiente E(y) formado pelos segmentos de reta ABC, retirando da isoquanta as extenses verticais e horizontais. O espao de sada P(x) e seus subconjuntos so dados na Figura 2.4. Da mesma forma P(x) o espao entre a isoquanta I(x) dada por AABCDD e os eixos. O segmento BCD forma E(x), o subconjunto eficiente.
21
Sada 2
B C
I(x)
E(x)
P(x)
D Sada 1
Figura 2.4 Representao do espao de sada Fonte: Adaptado de Fried, Lovell e Schmidt (2008)
2.1.3 Propriedades da Tecnologia

Os CPPs podem assumir diferentes formas. Para que represente uma tecnologia produtiva o conjunto de vetores deve satisfazer algumas propriedades de natureza econmica. Nesse tpico sero citadas e explicadas algumas das propriedades que so comumente adotadas acerca dos CPPs. A monotonicidade uma propriedade tambm conhecida como livre descarte (free disposal) ou descarte forte. Diz que se aumentarmos a quantidade de pelo menos um dos recursos, deveremos produzir ao menos o que era produzido antes. Caso a empresa possa ter qualquer insumo sem custo, o excedente no ser prejudicial (VARIAN, 2006). Um exemplo de Farid (1999) explica com clareza a propriedade de descarte forte. Dado um processo qualquer onde dois insumos so usados para produzir um produto, considere a Figura 2.5. Ao aumentar o insumo x1 do ponto 2 para o ponto 3, a quantidade produzida se altera, uma vez que muda-se de isoquanta. Para manter o produto constante, preciso mover em direo a 4, aumentando tambm o insumo x2. Dessa forma, o insumo x1 apresenta descarte fraco, pois alter-lo resulta em custo. Partindo do ponto 1, nota-se que posso aumentar x2 sem custo, ou seja, sem diminuir a quantidade produzida ou aumentar o consumo de x1. Assim o insumo x2 possui descarte forte.
22
Figura 2.5 Descarte de insumos Fonte: Farid (1999) O livre descarte de insumos e produtos est representado nas equaes 2.10 e 2.11. Insumos: Produtos:
Se ( x, y ) T e x' x ento ( x' , y ) T Se ( x, y ) T e y ' y ento ( x, y ' ) T
(2.10) (2.11)
Farid (1999) aponta ainda que as tecnologias que possuem livre descarte so mais abrangentes e envolvem as tecnologias de descarte fraco, que, conseqentemente, so mais restritas. Outra suposio feita com freqncia acerca das tecnologias a convexidade. Se houver duas maneiras de produzir y unidades de produto, a mdia ponderada das duas formas dever produzir, ao menos, y unidades do produto. Dessa forma, se houver diferentes tcnicas de produo para atingir determinada quantidade de produtos, podemos usar combinaes das tcnicas para obter o mesmo resultado. Essa suposio adequada em tecnologias onde pode ser aumentado ou diminudo o processo de produo, e segmentos separados do processo so independentes entre si (VARIAN, 2006). A convexidade pode ser representada como em 2.12.
Se ( x, y ) T e ( x' , y ' ) T ento ( ( x, y ) + (1 )( x' , y ' )) T para qualquer [0,1]
(2.12)
Tambm admitido, de acordo com o CPP a ser modelado, o retorno de escala de produo. Uma tecnologia que possua retorno de escala constante pode ser representada como na equao 2.13.
23
Se ( x, y ) T ento (x, y ) T 0
(2.13)
De acordo com Fried, Lovell e Schmidt (2008), a suposio de retornos de escala constantes nem sempre vlida na vida real. A forma mais relaxada de admitir retornos de escala supondo que estes sejam variveis. Assim possvel acolher retornos de escala crescentes ou decrescentes. A representao da tecnologia com retornos de escala variveis ser apresentada mais adiante.
2.2 Eficincia e produtividade

H vrias definies de eficincia de acordo com a disciplina e a rea estudada. Muitas vezes os conceitos eficincia, assim como os de eficcia e produtividade causam confuso. Iremos abordar nesse tpico algumas diferentes definies de eficincia e produtividade, e como essas definies podem estar relacionadas entre si.
2.2.1 Definies gerais

O conceito de eficcia est ligado ao atendimento das metas previamente estabelecidas, sem levar em considerao os recursos utilizados. A produtividade consiste numa razo entre o que foi produzido e o que foi gasto para produzir. Um exemplo de produtividade seria Peas/homem.hora. J a eficincia um conceito relativo, que compara o que foi produzido com o que poderia ter sido produzido utilizando os mesmos recursos. Soares de Mello et al (2005) resume bem esses conceitos ao relacionar eficcia quantidade produzida, produtividade razo entre produtos e recursos e enfatizar que eficincia tem relao com certas comparaes entre produtividades. A medida de desempenho mais tradicional a produtividade, e normalmente atribui-se que quanto maior a produtividade, melhor o desempenho da organizao. A forma mais simples de medir a produtividade consiste na razo: Produtividade =
Sada Entrada
(2.14)
Essa maneira tradicional conhecida como medida de produtividade parcial. Quando usada, pode levar a uma avaliao errnea do desempenho, uma vez que pode atribuir ganhos a uma entrada ou sada que seriam resultantes de outros fatores no contemplados na anlise (COOPER, SEIFORD e TONE, 2006). O ideal seria ento uma medida de produtividade total, considerando todos os insumos e produtos obtidos. O problema reside na maneira de agregar fatores diferentes como capital e
24
trabalho em um nico ndice. Uma das maneiras fazer a soma ponderada dos produtos e dividir pela soma ponderada dos recursos utilizados. Num processo que utilize 3 entradas para produzir 2 sadas, a medida de produtividade total ser:
sada1 .u1 + sada 2 .u 2 entrada1 .v1 + entrada 2 .v 2 + entrada 3 .v 3
Produtividade total =
(2.15)
Onde
u1 e u2 = pesos atribudos s sadas e
v1 , v2 e v3 = pesos atribudos s entradas.

De acordo com Knight (1933/1965 apud Fried, Lovell e Schmidt, 2008), se todas as entradas e sadas forem includas na anlise todos os produtores iro obter produtividade total igual a unidade. A proposta seria ento escolher as variveis a entrar no ndice de acordo com a utilidade. A utilidade poderia ser incorporada atravs de pesos que representassem os preos de mercado, gerando um ndice econmico de produtividade.
2.2.2 Eficincia Pareto-Koopmans

O economista e socilogo italiano Vilfredo Pareto (1848-1923) foi um dos primeiros a estudar o conceito de eficincia. A eficincia de Pareto uma das idias mais importantes da economia, e consiste da seguinte definio: se houver uma maneira de melhorar a situao de uma pessoa sem piorar a de outra, haver uma melhoria de Pareto. Se uma alocao puder realizar uma melhoria de Pareto, ela dita Pareto-ineficiente. A questo que se levanta : se h um modo de melhorar algum sem prejudicar ningum, por que no faz-lo? Se no puder ser feita nenhuma melhoria de Pareto, ento a alocao dita Pareto-eficiente (VARIAN, 2006). O Manual de Poltica Econmica escrito por Pareto em 1906 estabeleceu a base da economia do bem-estar. O critrio de Pareto evita a necessidade de definir funes de utilidade dos indivduos afetados ou mesmo pesar a importncia relativa das perdas e ganhos dos indivduos (COOPER, SEIFORD e ZHU, 2004). Koopmans (1951, apud Cooper, Seiford e Zhu, 2004) adotou a propriedade de Pareto no ambiente produtivo, no contexto que nenhuma sada poderia ser melhorada se piorasse uma ou mais sadas ou entradas. Da mesma forma no haveria como melhorar uma entrada sem piorar uma ou mais entradas ou sadas.
25
Para Fried, Lovell e Schmidt (2008) o trabalho de Koopmans forneceu uma definio formal de eficincia tcnica. Nesse sentido um produtor pode ser considerado tecnicamente eficiente se:
O aumento em uma sada requer a reduo em pelo menos outra sada ou o aumento de pelo menos uma entrada; A reduo em uma entrada requer o aumento em pelo menos outra entrada ou a reduo de pelo menos uma sada.
Dessa forma, se houver ineficincia tcnica, isso implica que poderia ser produzido a mesma coisa com menos de pelo menos uma entrada, ou poderiam ter sido usadas as mesmas entradas para produzir mais de pelo menos uma sada. Isso implica em desperdcio de recursos. Essa propriedade ficou conhecida como eficincia Pareto-Koopmans. Vale lembrar que esses estudos dizem respeito mais a aspectos conceituais acerca da eficincia, do que a aspectos empricos.
2.2.3 Eficincia Debreu-Farrell

A primeira medida de eficincia tcnica surgiu do trabalho de Debreu (1951). A medida intitulada coeficiente de utilizao de recursos uma medida radial, orientada para o uso de recursos e calcula a maior reduo equiproporcional de todos os insumos sem alterar a quantidade do produto (nico). Entretanto, o trabalho que ganhou muita repercusso na Teoria da Produo, e influenciou significativamente os trabalhos sobre eficincia e produtividade foi o de Farrell (1957). Baseado no trabalho de Debreu, Farrell construiu uma fronteira linear por partes baseada nas observaes. Essa fronteira era calculada usando sistemas de equaes lineares, e possibilitava definir as unidades eficientes e as no eficientes, e decompor a medida em duas outras componentes: uma tcnica e outra alocativa. O diagrama de Farrell (1957), que est representado na Figura 2.6, auxilia o entendimento das medidas de eficincia.
26
X2
P B
C Isoquanta unitria
X1
Figura 2.6 Diagrama de Farrell Fonte: Adaptado de Farrell (1957) Dado dois insumos utilizados para gerar um produto qualquer, a isoquanta unitria obtida atravs das observaes, e a linha PP representa a razo dos preos relativos dos insumos (isocusto). Pode-se definir como medidas de eficincia as distncias radiais a partir da origem. As unidades B e C so eficientes, mas somente C eficiente tanto na utilizao de recursos, quanto em relao aos preos. Assim pode-se dizer que C eficiente tecnicamente e alocativamente. A eficincia de B pode ser calculada da seguinte forma:
Eficincia tcnica: dada por
OB e est associada utilizao de recursos; OA
Eficincia alocativa: dada por Eficincia total: pode ser
OD e est ligada aos preos dos insumos; OB
OD OB OD ou . OA OA OB
Frsund e Sarafoglou (2005) comentam sobre o trabalho de Farrell:

Na escolha de uma fronteira de produo benchmark, Farrell adota uma aproximao mais prtica, comeando com consideraes de engenharia e terminando com as melhores prticas observadas. Ele usou um envelopamento linear por partes dos dados como a estimao mais pessimista da fronteira, de modo que a funo fosse a mais prxima possvel das observaes.
Enquanto os conceitos de Pareto e Koopmans esto ligados economia como um todo, a medida de Farrell possibilitou analisar o desempenho das unidades em relao s sadas e entradas utilizadas. O trabalho emprico de Farrell ficou restrito a casos de somente um produto, embora tivesse havido a tentativa de estender aos casos de mais de um produto
27
(COOPER, SEIFORD e ZHU, 2004). A medida radial apresentada conhecida em grande parte da literatura como medida de eficincia Debreu-Farrell. Assim a medida de Debreu-Farrell traz um novo conceito de eficincia tcnica: a mxima reduo (nas entradas) ou expanso (nas sadas) possvel dentro da tecnologia mantendo a mesma produo ou o mesmo consumo, dependendo da orientao. Embora seja largamente utilizada, a definio de eficincia tcnica de Debreu-Farrell no coincide com a definio de eficincia tcnica de Pareto-Koopmans. A eficincia tcnica Debreu-Farrell necessria, mas no suficiente para se obter a eficincia tcnica segundo Pareto-Koopmans (FRIED, LOVELL e SCHMIDT, 2008). Para explicar as diferenas entre os dois conceitos, voltemos aos conjuntos de possibilidades de produo, mais especificamente representao do espao de entrada (Figura 2.3) no tpico 2.1.2.
Entrada 2
L(y)
E(y)
E F
B C D
I(y) D Entrada 1
Figura 2.7 Eficincia tcnica O subconjunto eficiente E(y) atende ao conceito de Pareto-Koopmans, uma vez que os seus planos de operao A, B e C no possuem desperdcio de recursos. J a unidade D poderia produzir a mesma quantia (se mantendo na isoquanta I(y)), porm utilizando menos do insumo 1. Assim a unidade D pode ser considerada eficiente segundo Debreu-Farrell, por no comportar mais redues radiais, mas no eficiente segundo Pareto-Koopmans. Comumente diz-se que A, B e C so timos de Pareto e D uma unidade Pareto dominada. Para se situar no conjunto eficiente, a unidade E precisa reduzir radialmente seus insumos, de acordo com a definio Debreu-Farrell. J a unidade F, reduzindo radialmente seus insumos alcana a eficincia Debreu-Farrell, mas no atende ao conceito de eficincia Pareto-Koopmans, pois mesmo estando na isoquanta, ainda possui excesso do insumo 1.
28
Verifica-se, ento, que a medida de eficincia Debreu-Farrell no contempla todas as ineficincias presentes nos planos de operao. Entretanto a medida de Farrell foi de extrema importncia para alavancar os estudos de eficincia e de estimao de fronteiras de produo paramtricas e no paramtricas nos anos posteriores.
2.2.4 Funo de distncia de Shephard

Economistas desenvolveram vrias tcnicas para caracterizar a tecnologia. A Teoria Econmica de Produo baseada em fronteiras de produo e valores duais como custo, receita e lucro. Tambm estuda a quantidade de entradas que minimiza o custo, a quantidade de sadas que maximiza a receita e as necessidades de ambas que maximizam o lucro. O conceito de eficincia sempre foi muito discutido na Economia. Na tentativa de mensurar o desempenho surgiram as funes de distncia. As funes de distncia so muito teis, no somente como agregadoras, mas tambm por no precisarem de informaes de preos, serem medidas naturais de desempenho ou eficincia, e mais ainda, estarem ligadas a custos, receitas e lucros pelo teorema da dualidade (FRIED, LOVELL e SCHMIDT, 2008). Shephard (1953, 1970 apud Fried, Lovell e Schmidt, 2008) introduziu as funes de distncia na teoria econmica de produo e utilizou-as para dar uma representao funcional das isoquantas. A partir das funes de distncia, desenvolveu a teoria da dualidade, partindo da idia de que dados econmicos podem consistir de quantidades (informaes primais) de entradas e sadas, ou valores (informaes duais) acerca de preos, levando representao da tecnologia pelas funes de lucro, custo ou receita. O teorema da dualidade serviu como uma ligao entre as medidas tradicionais de produtividade em termos de valores (receita e custo) e as medidas de produtividade por funes de distncia, que so mais relacionadas s tecnologias e quantidades de entradas e sadas. Ficou provado ento, que sob determinadas condies, as funes de custo e produo so duais uma em relao outra. As dualidades demonstradas por Shephard so aquelas entre receitas e a funo de distncia de sadas, e entre custos e funo de distncia de entradas. Isso serviu como base para as decomposies de eficincia de Farrell (1957). Fre (1975) comenta sobre a semelhana entre os conceitos de funo de distncia de Shephard e o de medida de eficincia tcnica de Farrell, embora alerte que a medida de eficincia de Farrell imprpria para um grande grupo de tecnologias.
29
Segundo Fre e Grosskopf (2002), Shephard introduziu seu modelo de produo, e ao examinar as propriedades tericas do seu modelo, verificou (e provou) que este satisfaz retornos de escala constantes, que convexo e suas entradas e sadas apresentam descarte forte. Seja uma tecnologia convexa, com descarte forte e rendimentos de escala constantes representada como na equao 2.16.
T ( x, y ) = {( x, y ) : x j =1 x j j ,
n
y j =1 y j j , j 0, j = 1,..., n}
n
(2.16)
A funo de distncia de Shephard para um conjunto de entradas L(y) dada por (LINS e MEZA, 2000): 1 onde h( x, y ) = min{h : hx L( y ), h 0} h ( x, y )
g ( x, y ) =
(2.17)
A funo de distncia acima pode ser expressa como um problema de programao linear da seguinte maneira: min h tal que
hx j =1 x j j
n
y j =1 y j j
n
(2.18)
j 0, j
h0
Dessa forma, h o menor valor que se pode multiplicar o vetor de insumos x de modo que este ainda pertena ao conjunto de entradas L(y). Assim h promove uma reduo equiproporcional no vetor de insumos de modo que este ainda pertena ao CPP admitido. A funo de distncia de entradas de Shephard recproca medida de eficincia tcnica orientada entrada de Farrell, que serviu de base para o modelo de Charnes, Cooper e Rhodes (1978), conhecido como CCR. Charnes, Cooper e Rhodes (1978) forneceram uma
30
formulao de programao linear da funo de distncia de Shephard. O modelo CCR desenvolvido tem uma relao dual com a funo de custo. 1 Charnes, Cooper e Rhodes (1978) partiram da medida de Farrell na sua anlise, enquanto Shephard usou a funo de custo como ponto inicial. Vale ressaltar que Shephard no formulou um modelo de programao linear para estimar diretamente a funo de distncia de entradas. Farrell tambm no formulou sua medida de eficincia como um problema de programao linear em 1957 (FRE e GROSSKOPF, 2002).
2.3 Anlise por Envoltria de Dados

Esse tpico traz um pouco mais sobre a origem da ferramenta DEA, assim como a formulao matemtica do modelo CCR orientado entrada e a sada. Tambm so apresentados o modelo dual e sua relao com os conceitos de eficincia econmica abordados anteriormente.
2.3.1 Origens
A Anlise por Envoltria de Dados, conhecida como DEA do ingls data
envelopment analysis surgiu dos conceitos de eficincia apresentados nos tpicos anteriores
e sua origem atribuda a Charnes, Cooper e Rhodes. Embora estes tenham utilizado o trabalho de Farrell (1957) como base, h consenso na literatura de que o artigo Measuring the
efficiency of decision making units (Charnes, Cooper e Rhodes, 1978) representa o

nascimento oficial do tema, onde foi apresentado o termo Data Envolopment Analysis. (FRSUND e SARAFOGLOU, 2005). No comeo dos anos 70 Rhodes, orientado por Cooper, buscava em sua tese avaliar programas educacionais de escolas pblicas americanas. O programa Follow Through, no qual Rhodes participou, era uma tentativa do Escritrio de Educao Americano de aplicar princpios estatsticos num conjunto de escolas. Porm todas as abordagens estatsticas e economtricas experimentadas forneceram resultados insatisfatrios e at absurdos. Foi ento que Rhodes chamou a ateno de Cooper para o artigo de Farrell (1957). Cooper tambm havia anteriormente trabalhado com Charnes numa tentativa de dar uma forma computacional implementvel s idias de Koopmans (1951). Unindo esses e outros conceitos os autores
Para mais informaes sobre as relaes entre os modelos de Farrell, Shephard e CCR, ver Fre e Grosskopf
(2002).
31
deram incio ao que seria, posteriormente, um vasto campo de pesquisa (COOPER, SEIFORD e ZHU, 2004). No artigo clssico, Charnes, Cooper e Rhodes (1978) propuseram uma medida de eficincia que pudesse ser usada para avaliar os programas pblicos, que necessitava abordar variveis diversas, como aumento na auto-estima e tempo de leitura gasto por uma me com o seu filho. Os autores relacionam o modelo desenvolvido com outras medidas de eficincia, tais como as eficincias econmicas e tambm a medida de eficincia energtica usada na engenharia. O mtodo de transformao de um modelo fracional em um modelo de programao linear apresentado no artigo j era estudado por Charnes e Cooper anteriormente2. O dual de programao linear do modelo apresentado, e tambm abordada outra dualidade, a dualidade econmica custo - funo de produo de Shephard (1953,1970). Desse trabalho surgiu a definio uma medida escalar de eficincia que atende aos conceitos econmicos de Debreu-Farrel e Pareto-Koomans e pode ser usada para o caso de vrios insumos e produtos. Outro conceito apresentado foi o de Decision Making Units ou unidade tomadora de deciso. Esse termo, conhecido na literatura por DMU, no precisa ser necessariamente uma unidade tomadora de deciso. Diz respeito s unidades produtivas em anlise, que podem ser as mais variadas, tais como hospitais, escolas, empresas, departamentos entre outras. Logo em seguida, os mesmos autores deram continuidade ao trabalho num segundo artigo (Charnes, Cooper e Rhodes, 1981), onde aplicaram DEA nos dados do programa Follow Through. Esses dois artigos podem ser considerados o surgimento da verso atual da Anlise por Envoltria de Dados.
2.3.2 O modelo CCR

O primeiro modelo DEA desenvolvido leva o nome dos autores. Usando programao linear, busca-se para cada DMU, maximizar o quociente entre a soma ponderada das sadas e a soma ponderada das entradas, utilizando como varivel de deciso os pesos. Supondo que existam n DMUs: DMU1, DMU2,..., DMUn , que utilizem m entradas e s sadas, as variveis de entrada e sada para cada uma das j = 1,..., n DMUs so selecionadas atendendo aos seguintes critrios (COOPER, SEIFORD e TONE, 2006):
H dados numricos positivos (essa suposio ser relaxada posteriormente para admitir tambm valores nulos) para cada entrada e sada;
Ver Charnes e Cooper (1962,1973)
32
As variveis e a escolha das DMUs devem refletir o interesse dos gestores ou analistas na avaliao de desempenho; Devem-se preferir menores quantidades de entradas e maiores quantidades de sadas de modo que o ndice de eficincia reflita esse princpio; As unidades de medidas das diferentes entradas e sadas no precisam ser as mesmas.
Para cada DMU, os pesos so obtidos do seguinte problema: max z =

v ,u
u1 y1o + u2 y2 o + ... + us yso v1 x1o + v2 x2o + ... + vm xmo
(2.19)
sujeito a
u1 y1 j + ... + u s y sj v1 x1 j + ... + vm xmj v1 , v2 ,..., vm 0 u1 , u 2 ,..., u s 0 Dessa forma, o objetivo obter o maior ndice de eficincia para a DMU em anlise, de modo que os mesmos pesos aplicados s outras DMUs no exceda unidade. Caso a DMU no alcance a unidade, significa que outra DMU usando a mesma ponderao consegue atingir a mxima eficincia. Dessa forma o ndice de eficincia obtido relativo ao conjunto em anlise. O modelo apresentado tem infinitas solues. Porm, linearizado igualando-se o denominador a um e maximizando o numerador em (2.19). O problema de programao linear resultante o seguinte dado na equao 2.20.
max z = u1 y1o + u2 y2 o + ... + u s yso
v ,u
1 ( j = 1,..., n)
(2.20)
sujeito a v1 x1o + v2 x2o + ... + vm xmo = 1
u1 y1 j + ... + u s y sj v1 x1 j + ... + vm xmj ( j = 1,..., n) v1 , v2 ,..., vm 0 u1 , u 2 ,..., u s 0 Uma unidade considerada ineficiente se tiver z * < 1 ou z * = 1 e pelo menos um elemento de ( v* ,u * ) for igual a zero para cada soluo tima do problema. Os valores timos
33
so independentes das unidades em que as entradas e sadas so medidas, contanto que essas unidades sejam as mesmas para cada DMU. 3 Os pesos da equao indicam o grau de importncia ou contribuio da varivel no clculo da eficincia. Se uma unidade alcanar a eficincia mxima (unidade) zerando algum peso, significa que ela desconsiderou a varivel na sua anlise. Dessa forma ela no pode ser considerada eficiente, pois teve que excluir alguma entrada ou sada onde tinha propores relativamente desfavorveis. A flexibilidade na escolha dos pesos pode ser considerada uma fraqueza e uma fora da DEA. uma fraqueza porque numa simples escolha arbitrria de pesos a unidade pode parecer eficiente. Essa flexibilidade tambm uma fora se uma unidade for considerada ineficiente, mesmo se receber os melhores pesos no seu clculo de eficincia (EMROUZNEJAD, 2008). A suposio de dados positivos relaxada para admitir agora dados semipositivos. Cada DMU precisa ter pelo menos um valor positivo de entrada e sada. Um par de entradas semipositivas x m e sadas semipositivas y s chamado de atividade e representado por (x,y). O problema de programao linear CCR primal (tambm conhecido como modelo dos multiplicadores) orientado entrada pode ser escrito usando a notao de matrizes e vetores:
max z = uyo
v ,u
(2.21)
sujeito a vxo = 1
vX + uY 0
v0
u0
O conjunto de possibilidades de produo em DEA deduzido a partir das observaes. As propriedades admitidas so: convexidade, livre descarte, retorno de escala constante e ainda, a restrio de que nenhuma sada possa ser produzida sem utilizar entradas. Um CPP que atenda a essas propriedades pode ser representado pela equao 2.22. T ( x, y ) = {( x, y ) : x j =1 x j j , y j =1 y j j , j 0, j = 1,..., n}
n n
(2.22)
Ver a prova em Cooper, Seiford e Tone (2006, p.24).
34
O dual de programao linear do problema (2.21) tambm conhecido como modelo do envelope e dado pela equao 2.23.
min
,
(2.23)
sujeito a
xo X 0
Y yo
0
O objetivo encontrar uma atividade no CPP admitido que garanta pelo menos o nvel de sadas yo da DMU em anlise enquanto reduz o vetor de entradas xo radialmente, ou seja,
o menor valor possvel de modo que xo ainda pertena a T ( x, y ) . Se * < 1, pode-se

dizer que ( X , Y ) envelopa ( xo , yo ). Esse modelo tambm conhecido como modelo de Farrell, pois o mesmo usado em Farrell (1957). Na literatura econmica de DEA, diz-se que ele admite descarte forte, pois ignora a presena de folgas diferentes de zero. Na literatura de pesquisa operacional sobre DEA, essa eficincia conhecida como eficincia fraca. Farrell falhou em explorar o teorema da dualidade da programao linear. O fato de no ter utilizado o teorema dual da programao linear trouxe dificuldades computacionais para Farrell (1957), uma vez que o problema de programao linear equivalente poderia ser resolvido pelo Simplex e outros mtodos. Para obter o que era necessrio para tornar o problema de Farrell (1957) implementvel de forma computacional, Charnes, Cooper e Rhodes desenvolveram o par dual do problema para mltiplos insumos e produtos. (COOPER, SEIFORD e ZHU, 2004). Pelo teorema da dualidade em programao linear, z* = * e qualquer um dos modelos pode ser usado. As unidades com * = 1 so pontos na fronteira. Alguns pontos na fronteira podem ter eficincia fraca, por conterem folgas diferentes de zero. Isso pode ser um problema, pois os pesos timos das unidades eficientes no precisam ser nicos4 e timos alternativos podem ter folgas no-nulas em algumas solues, mas no em outras. Para evitar essa questo, utiliza-se outro problema de programao linear, onde as folgas so maximizadas. A soluo consiste em duas fases: primeiramente, resolve-se (2.21) e utiliza-se o valor de * timo encontrado no seguinte problema:
Ver Cooper, Seiford e Tone (2006, p.31).
35
max si + sr+
i =1 r =1
(2.24)
sujeito a
x
j =1 ij
+si = * xio
i = 1,2,..., m;
j =1
y rj j s r+ = y ro
r = 1,2,..., s;
j , si , sr+ 0 i, j , r
Na primeira soluo ( * ), encontra-se a eficincia tcnica. Se esse valor for menor que 1, todas as entradas podem ser reduzidas radialmente, sem alterar as propores em que estas so utilizadas. A segunda fase garante a eficincia Pareto-Koopmans ou eficincia forte. Se uma unidade tiver alguma folga diferente de zero, ainda h possibilidade de reduo no radial, modificando as propores de entradas. Uma unidade s pode ser considerada eficiente se tiver * =1 e folgas ( si* , sr+* ) iguais a zero. Para uma unidade ineficiente, o conjunto de unidades com *j > 0 chamado de conjunto de referncia da unidade em anlise. Esse conjunto formado por unidades CCReficientes, e qualquer combinao semipositiva dessas DMUs so CCR-eficientes. A eficincia de (xo,yo) para a DMUo pode ser melhorada se as entradas forem reduzidas radialmente por * e os excessos de entrada s * forem eliminados. Similarmente a eficincia pode ser obtida se os valores de sada forem aumentados pelas folgas em s +* . Em outras palavras, essas DMUs eficientes servem como benchmark para a unidade ineficiente em questo. A utilizao de duas fases para verificar a eficincia CCR pode ser mais bem compreendida utilizando a representao do espao de entradas, como na Figura 2.8. Citando como exemplo a unidade F, a equao (2.21) reduz o vetor de entradas radialmente at F (nmero 1). J a segunda fase (equao 2.24) fornece as folgas, que nesse caso sero diferentes de zero, pois F dominado por C. A unidade E ter folgas nulas na segunda fase, pois s precisa reduzir radialmente para se situar na fronteira eficiente.
36
Entrada 2
L(y)
E(y)
E 1 F D F I(y) D Entrada 1
B C
Figura 2.8 Duas fases de soluo do modelo CCR As duas fases da soluo explicadas acima podem ser unificadas em um nico problema de programao linear (COOPER, SEIFORD e ZHU, 2004): min ( si + sr+ )
i =1 r =1 m s
(2.25)
sujeito a
x
j =1 ij
+si = xio
i = 1,2,..., m;
r = 1,2,..., s;
y
j =1
rj
j sr+ = yro
j , si , sr+ 0 i, j , r
Onde > 0 um nmero infinitesimal no-arquimediano menor que qualquer nmero positivo real. Ele serve como um ponderador que fora o PPL a ser resolvido em duas etapas: primeiro ocorre o deslocamento radial na direo da fronteira (eficincia fraca) e depois um movimento no-radial para a fronteira de eficincia forte. Para evitar a complexidade do tratamento de nmeros no-arquimedianos, pode-se utilizar o mtodo de duas fases citado anteriormente. O modelo CCR orientado sada utiliza outra representao da mesma tecnologia, o espao de sadas P(x), dado pela figura 2.4 no tpico 2.1.2. Agora, o problema trata da maximizao das sadas e dado por:
37
max
,
(2.26)
sujeito a xo X 0
yo Y 0 0
Agora o vetor de sadas yo que ser expandido o mximo possvel. * representa a taxa de reduo, enquanto * representa a taxa de aumento. Uma unidade eficiente no modelo orientado entrada ser tambm eficiente no modelo orientado sada. Quanto maior o valor de * , menor a eficincia da unidade. A soluo tima dos modelos est relacionada de acordo com a equao 2.27.
1 * e * = * *
* =
(2.27)
O fato dos modelos estarem relacionados entre si no diminui a importncia da escolha dos modelos, uma vez que correes diferentes esto associadas s orientaes. Dessa forma a escolha do modelo a ser usado merece ateno. H outros modelos DEA que lidam simultaneamente com ambas as orientaes (COOPER, SEIFORD e TONE, 2000).
2.4 Modelos DEA alternativos

Desde o surgimento da DEA, diversas adaptaes foram feitas ao modelo CCR de forma a acomodar situaes diferentes e superar limitaes e dificuldades do uso deste ao longo dos anos. Algumas dessas mudanas realizadas, assim como novos modelos desenvolvidos sero abordados aqui.
2.4.1 Modelo CCR com variveis no discretas

Variveis no-discretas so aquelas que esto fora do controle dos gestores, mas impactam de forma significativa no processo. O modelo CCR assume que todas as variveis so controlveis, ou seja, podem ser modificadas para melhorar o ndice de eficincia da unidade. Para lidar com essas variveis no-controlveis utiliza-se a adaptao ao modelo CCR orientado entrada (COOPER, SEIFORD e ZHU, 2004):
38
min ( si + sr+ )
i I D r =1
(2.28)
sujeito a
x
j =1 ij
+si = xio
i ID
x
j =1 n ij
+si = xio
i IN r = 1,2,..., s;
y
j =1
rj
j sr+ = yro
j 0 j = 1,2,..., n
Onde ID corresponde s entradas discretas e IN s entradas no-discretas. Verifica-se que somente as variveis controlveis so minimizadas, enquanto as variveis no controlveis s entram no modelo como restrio. Na funo objetivo nota-se tambm que s entram as folgas das entradas controlveis.
2.4.2 Modelo BCC

No modelo CCR, o CPP deduzido das observaes e admite algumas propriedades de natureza econmica, tais como: livre descarte, convexidade e rendimentos constantes de escala. Dessa forma a tecnologia restrita por essas propriedades e pode escrita como em 2.29.
T ( x, y ) = {( x, y ) : x j =1 x j j ,
n
y j =1 y j j , j 0, j = 1,..., n}
n
(2.29)
Entretanto algumas dessas propriedades podem no ser vlidas na realidade. No modelo BCC, proposto por Banker, Charnes e Cooper (1984), a suposio de retorno constante de escala relaxada para admitir retornos variveis de escala. Isso feito adicionando-se ao CPP a restrio de convexidade
n j =1
j = 1 . Dessa maneira a tecnologia
passa a admitir retornos variveis, pois somente combinaes convexas de unidades eficientes formam a fronteira (FRIED, LOVELL e SCHMIDT, 2008). A tecnologia passa a ser ento:
T ( x, y ) = {( x, y ) : x j =1 x j j ,
n
y j =1 y j j , j =1 j = 1, j 0, j = 1,..., n}
n n
(2.30)
39
O modelo BCC menos restritivo que o modelo CCR. Uma unidade eficiente no modelo CCR ser tambm eficiente no modelo BCC, porm o inverso no verdadeiro5. A
Figura 2.9 ilustra o modelo CCR e BCC para um conjunto de dados.
CCR Sada
BCC
Entrada
Figura 2.9 Comparao entre os modelos CCR e BCC Como as unidades sero avaliadas por fronteiras diferentes, o ndice de eficincia do modelo BCC maior ou igual ao ndice da mesma unidade no modelo CCR, considerando orientao entrada. Segundo Belloni (2000) o ndice de eficincia tcnica BCC possibilita isolar da eficincia produtiva o componente associado ineficincia de escala. Dessa maneira, desconsiderando a escala de produo, o modelo permite a avaliao de unidades de portes distintos. O modelo do envelope orientado entrada e com retornos variveis de escala dado na equao 2.31:
min
,
sujeito a
xo X 0 Y y o e = 1 0
Onde e um vetor unitrio usado na restrio de convexidade.
5
(2.31)
Ver prova em Cooper, Seiford e Zhu (2004, p.52).
40
O mesmo modelo BCC usando a forma dos multiplicadores pode ser escrito como em 2.32: max z = uyo uo
v ,u ,u o
sujeito a vxo = 1 vX + uY uo e 0
(2.32)
v 0, u 0, uo livre
O escalar uo ser negativo para retornos de escala crescentes, positivo para retornos de escala decrescentes e nulo para retornos de escala constantes6. Ambos os modelos BCC apresentados devem ser resolvidos em 2 fases, uma para contemplar a distncia radial e outra relacionada s folgas, da mesma forma que explicado anteriormente para o modelo CCR.
2.4.3 Modelo Aditivo

Os modelos vistos at agora necessitam de uma escolha por parte do usurio acerca da orientao, que pode ser voltada minimizao das entradas ou maximizao das sadas. Entretanto ambas as orientaes podem ser combinadas em um s modelo, conhecido por modelo aditivo. H vrios tipos de modelos aditivos. Ser apresentado na equao 2.33 o modelo aditivo abordado em Cooper, Seiford e Tone (2006). max +z = es + es +
,s ,s
sujeito a
X + s = xo Y s + = yo e = 1
(2.33)
0, s 0, s + 0
Das restries, verifica-se que o CPP admitido para o modelo aditivo o mesmo admitido para o modelo BCC. Porm as folgas so tratadas agora na funo objetivo. Uma DMU considerada eficiente no modelo aditivo se, e somente se, tiver s-*=0 e s+*=0. O modelo CCR e o modelo BCC no consideram as folgas no ndice de eficincia , sendo estas calculadas no segundo estgio de resoluo do problema. J o modelo aditivo, embora considere diretamente as folgas e possa discriminar entre unidades eficientes e ineficientes, no mede a intensidade da ineficincia, como feito atravs do escalar nos modelos CCR e
Ver Cooper, Seiford e Tone (2006, p.125).
41
BCC. Para eliminar essa deficincia utilizado o modelo baseado nas folgas, que ser abordado no prximo tpico.
2.4.4 Modelo baseado na folgas (SBM)

O ndice * medido nos modelos CCR e BCC de forma a depender do sistema de coordenadas do conjunto de dados. Porm em alguns modelos, como os aditivos, a medida de eficincia livre dos sistemas de coordenadas e invariante translao. A eficincia da unidade avaliada nesses casos pela distncia da fronteira eficiente. Embora esses modelos forneam informaes acerca das projees das unidades ineficientes, eles falham em obter uma nica medida de eficincia como . O modelo SBM, do ingls Slacks-Based measure, foi desenvolvido para superar essa deficincia. Entretanto o modelo SBM no invariante translao. Nesse caso as sadas negativas so substitudas por um nmero positivo bem pequeno (COOPER, SEIFORD e TONE, 2006). A formulao do modelo SBM est na equao 2.34.
1 m i =1 si / xio m min = + 1 s + s s 1 + r =1 s r / y ro s sujeito a 1 x o = X + s = y o = Y s + =
(2.34)
0, s 0 , s + 0
Nesse modelo, assume-se que X 0 . Se xio=0, deleta-se o termo s i / x io da funo objetivo. Se yro 0 , o valor substitudo por um nmero positivo bem pequeno de forma que o termo sr+ / y ro tenha o papel de penalizador. O valor de ser igual a um somente se todas as folgas forem nulas. Podem ser atribudos pesos s entradas e sadas, correspondendo a importncia relativa de cada uma, de acordo com a equao 2.35.
42
=
com
1 + r =1 w r+ s r+ / y ro
s
1 i =1 wi s i / x io
m
w
i =1
(2.35)
i
=1
w
r =1
+ r
=1
Os pesos devem refletir as intenes dos tomadores de deciso. Embora o modelo SBM original seja orientado entrada e a sada, h tambm os modelos SBM orientados entrada ou a sada. Mais informaes sobre os modelos SBM podem ser encontradas em Cooper, Seiford e Tone (2006).
Captulo 3 METODOLOGIA
43
METODOLOGIA CIENTFICA
Nesse captulo sero comentados conceitos abordados por dois importantes trabalhos
que tratam de metodologia cientfica na rea de pesquisa operacional e modelagem quantitativa. Posteriormente a presente pesquisa ser classificada de acordo com as tipologias apresentadas.
3.1 O trabalho de Mitroff

Uma grande contribuio ao estudo da metodologia em Pesquisa Operacional foi o artigo seminal de Mitroff (1974). Nesse trabalho foi apresentado um esquema para estudo da cincia como um sistema, baseado no processo de soluo de problemas. O esquema, que apresentado na forma de um diagrama, dado na Figura 3.1.
Modelo Conceitual
a li z ua e it nc o Mo de la
Co
ge m
Realidade, Situao problema

Im pl e me n
Feedback (limitado) Modelo Cientfico
Validao
o lu so
ta
Re
Soluo
4
Figura 3.1 Esquema para estudo da cincia como sistema Fonte: Mitroff (1974)
44
O diagrama permite representar diversas maneiras de fazer cincia. O processo cientfico pode comear em qualquer ponto e ter qualquer nmero de iteraes entre as atividades. Da mesma forma, a pesquisa tambm pode terminar em diferentes pontos. Cada elemento e caminho requerem diferentes habilidades. A conceitualizao basicamente uma atividade filosfica que inicia a definio do problema a ser resolvido. Requer a capacidade de pensar globalmente e em termos mais intuitivos. normalmente uma atividade realizada pela comunidade cientfica e pelos interessados no problema. O modelo cientfico que deriva do modelo conceitual requer habilidades analticas e formais, e normalmente est mais ligado comunidade cientfica. A validao consiste no grau de correspondncia entre a realidade e o modelo. A soluo que deriva do modelo cientfico no necessariamente o fim do problema de pesquisa. At pode ser para alguns pesquisadores. Para outros o problema s est resolvido na fase de implementao. H ainda os que necessitam sugerir um novo problema e iniciar o ciclo novamente. A implementao consiste em derivar aes a partir da soluo. Requer a habilidade de trazer uma mudana social significativa, e est normalmente relacionada aos gestores. considerada a fase mais difcil, pois muitas vezes o que constitui um problema e uma soluo para o pesquisador pode no coincidir com o problema que o gestor encontra e a soluo desejada por ele. Duas das formas mais comuns de atividades cientficas envolvem o ciclo 2-3-4-2: a abordagem formal convencional dedutiva e a abordagem formal convencional indutiva. Estas so ditas convencionais, pois h grande concordncia entre os praticantes de que estas so formas vlidas de atividade cientfica. Mitroff (1974) afirma ainda que os praticantes geralmente agem como se essas fossem as nicas formas vlidas de atividade cientfica. Na abordagem formal dedutiva a nfase dada em modelos dedutivos, soluo axiomtica de modelos, prova de teoremas, etc.. J na formal indutiva a nfase dada em testes de hiptese e coleta de dados. A abordagem seria informal se a nfase fosse dada na descoberta de hipteses e novas idias e no no teste destas. As formas 2-3-4-2 trazem uma preocupao excessiva com modelagem e soluo do problema. O feedback, ou retroalimentao dito limitado, pois raramente h o retorno realidade para questionar as premissas iniciais. Outra caracterstica que no h o interesse na implementao, ou seja, na nas implicaes dos modelos e solues para aes sociais. Outras formas de atividade cientfica e suas caractersticas so:
45
Ciclo 1-2-4-1: traz uma preocupao excessiva com as atividades de conceitualizao e modelagem. Mitroff (1974) afirma que se 2-3-4-2 confunde soluo com implementao, 1-2-4-1 confunde conceitualizao com modelagem. Ainda, segundo Mitroff (1974), por mais rica que a conceitualizao seja no substituta para um modelo mais formal. Da mesma forma, por mais significante que seja a soluo, no substitui a implementao;
Ciclo 1-2-3-1: focado na validao, na checagem contnua de um modelo conceitual e cientfico. Essa forma de atividade cientfica pode resultar numa insegurana crnica, onde nunca h satisfao com um modelo podendo-se nunca chegar s atividades de soluo e implementao;
Ciclo 1-3-4-1: traz uma preocupao excessiva com solues e aes, mas fraco nas atividades de conceitualizao e modelagem. Essa atividade caracterstica daqueles que querem tomar aes imediatas e daqueles que so excessivamente prticos no pensamento, no desenvolvendo adequadamente o campo das idias.
O lado esquerdo do diagrama (1-2-4-1) est ligado origem das idias e ao contexto da descoberta. O lado direito (2-3-4-2) relaciona-se com o teste das idias e com o contexto da verificao. Alguns autores argumentam que o lado esquerdo irrelevante para a cincia, uma vez que somente o lado direito pode ser modelado logicamente seguindo termos formais rigorosos que satisfazem os requisitos para poderem ser considerados conhecimento. Entretanto, por mais difcil ou mesmo impossvel que seja modelar a descoberta em termos lgicos, ignorar a parte esquerda do diagrama ignorar o efeito que a origem das idias tem para a cincia. Nenhum aspecto individual do diagrama mais importante que outro, e os componentes dos sistemas no podem ser separados. No se deve perceber qualquer componente como mais crtico e errado alocar todo o esforo da pesquisa para estudar somente uma fase do sistema. Em qualquer campo cientfico, a maior parte dos pesquisadores prefere trabalhar em um ou outro aspecto do diagrama. O nmero de indivduos que trabalhou em todas as fases do diagrama pequeno. O ciclo abordado no representa as nicas maneiras de se fazer cincia. Este tambm poderia trazer outros componentes como: comunicao cientfica, reviso dos resultados, publicaes, etc.. O principal que h muitos modos alternativos de se fazer pesquisa, e que mesmo que o pesquisador opte por trabalhar em um ou outro aspecto, deve-se ter sempre a viso sistmica do estudo da cincia.
46
3.2 Pesquisa Quantitativa baseada em modelos

Utilizando tambm o trabalho seminal de Mitroff (1974), Bertrand e Fransoo (2002) apresentam uma classificao das metodologias de pesquisa em Administrao da Produo que utilizam modelagem quantitativa. O trabalho de Bertrand e Fransoo (2002) pode ser til para os pesquisadores que trabalham com modelagem quantitativa, e ser abordado com profundidade nessa seo. Pesquisa quantitativa baseada em modelos a pesquisa onde so desenvolvidos, analisados e testados modelos de relaes causais entre as variveis de controle e desempenho. Estas partem do princpio que podemos construir modelos objetivos que expliquem parte do comportamento dos processos reais, ou que podem capturar parte dos problemas de tomada de deciso enfrentados pelos gestores na vida real. Os diferentes tipos de pesquisa quantitativa so dados na Figura 3.2.
Figura 3.2 Classificao das metodologias de pesquisa quantitativa Fonte: Bertrand e Fransoo (2002)
Ambas as classificaes, axiomtica e emprica, podem ser subdivididas em descritiva e normativa. Normalmente a rea descritiva relaciona-se com o estudo de um processo e a normativa est ligada ao estudo de um problema.
Pesquisa axiomtica:
A pesquisa axiomtica definida pelas seguintes caractersticas: guiada pelo modelo idealizado (assume-se que alguns aspectos do problema no afetam a soluo);
47
O objetivo primrio obter solues que forneam conhecimento acerca da estrutura do problema; So utilizados mtodos formais de reas cientficas como matemtica, estatstica e cincias da computao; Os pesquisadores olham para os processos ou problemas atravs dos modelos matemticos que possam ser utilizados; Necessita-se de um forte fundo matemtico; Deve-se julgar quais formulaes de problemas cientficos so bons problemas, ou seja, problemas onde podem ser obtidos resultados de qualidade.
Os passos para realizar uma pesquisa axiomtica so os seguintes: 1. Descrever as caractersticas dos processos ou problemas a serem estudados. A descrio do modelo conceitual deve usar tanto quanto possvel conceitos e termos aceitos como padro na literatura; 2. Especificar o modelo cientfico do processo ou problema. Este deve ser apresentado de maneira formal, em termos matemticos. Na pesquisa axiomtica descritiva, a modelagem do processo o centro. Busca-se analisar um modelo para explicar suas caractersticas. O pesquisador parte de um modelo conceitual e deriva um modelo cientfico. Depois so feitas algumas anlises do modelo cientfico para ganhar conhecimento sobre o comportamento deste. Tipicamente no se passa fase de soluo do modelo e a qualidade da pesquisa est ligada extenso na qual os resultados provam dar as caractersticas exatas do processo. A extenso para a soluo do modelo feita na pesquisa axiomtica normativa, onde a soluo a pesquisa central reportada. Em muitos artigos axiomticos normativos, o processo de modelagem tambm est includo e os resultados retornam ao modelo conceitual, que equivale ao que Mitroff (1974) chama de feedback limitado. Nesse caso a qualidade da pesquisa pertence extenso no qual o resultado prova ser a melhor soluo possvel para o problema. Quase todos os artigos no domnio da PO caem na rea normativa.
Pesquisa emprica:
A pesquisa emprica possui as seguintes caractersticas: O objetivo principal assegurar que h um ajustamento das observaes e aes na realidade e o modelo feito daquela realidade; voltada a criar um modelo que descreva adequadamente as relaes causais que possam existir na realidade e levem ao entendimento do processo;
48
Deve ser planejada para testar a validade de modelos tericos quantitativos e suas solues; A essncia validar o modelo conceitual ou a soluo da pesquisa axiomtica; Como os processos operacionais so todos diferentes, premissas bsicas e caractersticas dos problemas so validadas para classes definidas de processos, implcitas nos modelos tericos e problemas;
Ao contrrio da pesquisa axiomtica quantitativa, a pesquisa emprica no tem sido muito produtiva.
Os passos para aplicao de uma pesquisa emprica so os seguintes: 1. Identificar as premissas bsicas dos processos onde esto baseados os modelos ou problemas tericos em questo. Na literatura existem diferentes linhas de pesquisa que compartilham premissas comuns sobre processos ou problemas de deciso. H por exemplo uma linha de pesquisa baseada na viso do processo produtivo como um modelo de filas. Essa chamada de premissa bsica; 2. 3. Identificar o tipo de processo ou problema no qual as premissas bsicas se apliquem; Desenvolver um critrio objetivo para decidir se um processo da vida real pertence classe de processos considerada e para identificar o sistema de deciso que representa o problema em questo. Diferentes pesquisadores devem chegar ao mesmo resultado acerca dessas classificaes; 4. 5. Derivar das premissas bsicas, hipteses sobre o comportamento dos processos. Esse comportamento se refere a variveis ou fenmenos que possam ser medidos; Desenvolver uma maneira objetiva de medir ou fazer observaes Como no existe uma maneira geralmente aceita de medir as variveis, os pesquisadores devem desenvolver maneiras prprias de medir e documentar essa etapa. Essa dificuldade ilustra a posio fraca da pesquisa quantitativa emprica na administrao cientfica; 6. 7. Aplicar os sistemas de medio, coletar e documentar os resultados; Interpretar os dados, o que geralmente ir incluir o uso de anlise estatstica. Tcnicas especiais so necessrias, pois os resultados no podem ser manipulados de maneira arbitrria como num projeto experimental. As hipteses devem ser restritas ao comportamento dentro de um perodo esperado;
49
8.
Interpretar os resultados em relao aos modelos tericos ou problemas que deram origem s hipteses testadas. Esse passo completa a fase de validao e pode resultar na confirmao do modelo terico (ou partes) em relao ao problema de deciso e ao processo considerado, ou levar a rejeio (parcial ou no) e sugestes para melhorar os modelos tericos.
A pesquisa emprica descritiva principalmente voltada a criar um modelo que descreva adequadamente as relaes causais que possam existir na realidade e levem ao entendimento do processo corrente. Nesse caso, segue-se o ciclo conceitualizao, modelagem e validao do diagrama de Mitroff (1974). A pesquisa emprica normativa busca desenvolver polticas, estratgias e aes que melhorem a situao atual. Essa rea de pesquisa pequena. Houve tentativa em alguns artigos, mas o procedimento de verificao normalmente no muito forte. Essa a forma mais completa de pesquisa cientfica, onde conduzido o ciclo completo: conceitualizao, modelagem, soluo do modelo e implementao. Em muitos casos essa pesquisa construda em trabalhos publicados na categoria axiomtica descritiva onde j foram desenvolvidos caminhos para os estgios de modelagem e soluo do modelo. No se deve confundir pesquisa emprica com uso dos resultados da pesquisa axiomtica para melhorar os processos. Nesse caso, os resultados se baseiam na crena que as premissas admitidas nos modelos so vlidas e as solues iro funcionar bem. Essas premissas so raramente testadas durante o projeto.
3.3 Classificao da pesquisa em questo

O presente trabalho classificado como sendo de natureza aplicada, objetivos exploratrios e abordagem quantitativa e qualitativa. De acordo com a classificao de Bertrand e Fransoo (2002), o mtodo utilizado ser a modelagem quantitativa axiomtica normativa. Na classe axiomtica, o objetivo primrio da pesquisa obter solues dentro do modelo e certificar que essas solues fornecem conhecimento acerca da estrutura do problema definido. Os pesquisadores olham para os processos ou problemas atravs dos modelos matemticos que podem ser empregados, utilizando mtodos de outras reas de conhecimento como matemtica, estatstica e cincias da computao. A pesquisa normativa interessa-se em desenvolver polticas, estratgias e aes para melhorar os resultados disponveis na literatura, achar uma soluo tima para um problema novo ou comparar vrias estratgias para lidar com um problema especfico. Nesse caso o processo de soluo do modelo a pesquisa central normalmente reportada.
50
Fazendo analogia com o diagrama de Mitroff (1974), sero contempladas as etapas de Conceitualizao, Modelagem e Resoluo. O modelo no ser validado, embora existam trabalhos que abordem a validao de modelos DEA, utilizando at mesmo comparaes com outras tcnicas estatsticas. Essa etapa pode ser deixada como sugesto para trabalhos futuros.
Captulo 4 PROPOSTA PARA USO DA DEA NO AUXLIO DECISO
51
Metodologia para uso da DEA no auxlio deciso

Neste captulo ser apresentada uma metodologia para utilizao da DEA no auxlio
deciso. Esta pode servir como um guia para o gestor que deseje utilizar a tcnica dentro do ambiente empresarial. A Figura 4.1 traz um esquema da metodologia.
Figura 4.1 Esquema de aplicao da DEA no auxlio deciso
4.1 Concepo
Na fase de concepo, o problema deve ser discutido com os interessados buscando-se entender claramente o problema e seus objetivos. Nessa fase so coletados os dados de entrada, as variveis so classificadas e feito uma anlise exploratria dos dados utilizando estatsticas descritivas bsicas.
52
4.1.1 Objetivos e definio do sistema

A primeira pergunta que surge nessa fase : Por que utilizar a Anlise por Envoltria de Dados? Nessa etapa os gestores precisam estar cientes das situaes em que o uso da DEA indicado. Em DEA, busca-se comparar as unidades, partindo do princpio que estas utilizam variveis de entrada para gerar sadas. As variveis no necessariamente contemplam todos os recursos e insumos, e mesmo a classificao das variveis como entrada ou sada dependem do objetivo pretendido na anlise. As unidades devem ser comparveis e atuar sobre as mesmas condies. As entradas e sadas devem ser as mesmas para cada unidade, se diferenciando apenas na intensidade ou magnitude (KASSAI, 2002). Como as relaes entre as mltiplas entradas e mltiplas sadas so de natureza geralmente complexa, a Anlise por Envoltria de Dados abriu a possibilidade de fornecer conhecimento adicional em aplicaes onde outros mtodos no foram bem sucedidos, ou mesmo complementar anlises anteriores. A grande limitao ao se comparar unidades produtivas, tais como empresas, hospitais ou universidades, que cada uma tende a priorizar no ndice de eficincia aqueles indicadores onde obtm os melhores resultados. DEA permite ao gestor comparar as unidades de forma que nenhuma varivel seja considerada mais importante que a outra. Nos casos onde imprescindvel a priorizao de uma entrada ou sada, h modelos como o de restrio aos pesos, onde o decisor adiciona ao modelo seu julgamento acerca da importncia relativa de determinada varivel. Alguns atrativos da metodologia so: DEA pode considerar mltiplos insumos e produtos, sem a necessidade de se fazer suposies bsicas sobre estes; No necessrio estipular a forma funcional da funo de produo; A tcnica gera um nico escore de desempenho, que ir permitir a diferenciao entre unidades eficientes e ineficientes; O nvel de ineficincia tambm dado, assim como os alvos e benchmarks para cada unidade; H a possibilidade de capturar deficincias especficas no detectadas por outras tcnicas.
53
Ao final dessa etapa os gestores ou interessados na anlise devem ter definido quais so as unidades a serem avaliadas, e quais caractersticas dessas unidades sero comparadas.
4.1.2 Coleta dos dados de entrada

Nessa fase so levantadas as informaes necessrias para atender ao objetivo estabelecido na fase anterior. A facilidade ou no de obteno desses dados pode variar de uma empresa para outra. Muitas aplicaes em DEA trabalham com determinado conjunto de variveis devido dificuldade de obteno de dados que sejam mais representativos do processo em questo. Nos processos decisrios, as variveis do estudo devem ser as mesmas que os gestores utilizam no dia a dia da empresa. Normalmente essas informaes esto disponveis nos relatrios utilizados pelos decisores ou no prprio mdulo gerencial do sistema de informao da companhia. Como em qualquer modelo, muitas variveis que impactam nos resultados acabam no sendo includas nas anlises, ou por serem desconhecidas ou pela dificuldade de obteno. Cabe ao gestor decidir pela coleta ou no de novas variveis para melhorar o modelo. Ainda nessa fase, dependendo da aplicao, j possvel que o gestor selecione qual o conjunto de variveis que melhor atende ao objetivo proposto.
4.1.3 Classificao das variveis

Em muitos casos, a definio de determinada varivel como entrada ou sada no trivial. Essa escolha depende da experincia dos gestores e analistas no processo e tambm do objetivo da anlise. Ao definir determinada varivel como entrada ou sada no modelo, estamos na verdade considerando o modo pelo qual seu incremento influencia o desempenho da unidade sendo avaliada. A participao dos gestores nesse processo imprescindvel. Uma sugesto para facilitar a classificao das variveis dada por Cooper, Seiford e Tone (2006). Tomando por base a razo de eficincia, sadas/entradas, basta o decisor perguntar se um aumento na varivel ir melhorar ou piorar o ndice de eficincia de acordo com o objetivo pretendido na anlise. Se o indicador melhorar, deve ser tratado como sada, e se piorar, como entrada.
4.1.4 Anlise Exploratria e Tratamento dos dados

O objetivo dessa etapa conhecer o comportamento das unidades para cada varivel e em relao ao grupo. Aqui as variveis so analisadas de forma a contribuir para as etapas posteriores, principalmente para a fase de aplicao dos modelos. Dependendo das
54
caractersticas dos dados, a prpria anlise exploratria j ir guiar o gestor para a utilizao do modelo mais adequado. As variveis no precisam estar nas mesmas unidades de medida, ou seja, podem ser usadas variveis diversas como rea, nmero de pessoas, valores monetrios, etc., contanto que essas variveis sejam as mesmas para cada unidade. Devero ser calculadas medidas estatsticas tradicionais, tais como: mdia, desviopadro, coeficiente de variao, mnimo, 1 quartil, mediana, 3 quartil e mximo. As estatsticas tradicionais so necessrias para que o gestor identifique se determinada varivel se posiciona na fronteira somente por dominar uma varivel de entrada ou sada. Outra finalidade das estatsticas descritivas bsicas a identificao dos outliers. Em DEA, o tratamento dos outliers um aspecto que merece importncia. A tendncia que os pontos mais distantes dominem as demais unidades e sejam classificados como eficientes. Esse deve ser eliminado se percebido que no representa uma tecnologia factvel. Caso a unidade distante seja um benchmark genuno, a sim este pode ser utilizado como referncia para as outras unidades. Outro objetivo dessa etapa verificar a homogeneidade dos dados, principalmente em relao s diferenas de porte das unidades. Dessa maneira possvel obter informaes acerca dos dados que sero utilizadas para guiar o gestor na fase de modelagem. Diferentes ordens de grandeza em DEA podem ser tratadas atravs do agrupamento, tambm conhecido como anlise de cluster (Ceretta e Niedearauer, 2000 e Badin, 1997). Segundo Kassai (2000), o agrupamento exige a anlise de uma relao custobenefcio. A segregao em grupos diminui o nmero de unidades. Dessa forma a obteno de dados mais homogneos pode custar a perda de capacidade de discriminao do modelo. Nos trabalhos de Ceretta e Niederauer (2000) e Badin (1997), essa no foi uma questo, pois em ambos havia um grande nmero de unidades disponveis. O fato de os dados no serem homogneos no exclui o potencial da DEA como auxlio deciso. Isso pode indicar a necessidade de se utilizar modelos com retorno de escala varivel como o BCC. Segundo Belloni (2000), o modelo BCC possibilita isolar da ineficincia produtiva o componente associado ineficincia de escala. Dessa forma, o modelo possibilita utilizar unidades de referncia de diferentes ordens de grandeza. Outra anlise a ser feita nessa etapa a anlise de correlao. Em DEA, a anlise de correlao tambm pode ser usada para reduzir o nmero de variveis do modelo, justificando que algumas variveis podem ser redundantes para a anlise. Norman e Stoker (1991)
55
desenvolveram um mtodo de selecionar as variveis utilizando a correlao, de forma a identificar as variveis redundantes no modelo. Segundo Kassai (2000) a anlise de correlao busca verificar as relaes de causalidade, determinantes dos insumos e produtos, ou a existncia de informaes redundantes. Embora o critrio de correlao seja muitas vezes usado para selecionar as variveis, o fato de estas variveis apresentarem correlao linear, no necessariamente implica que estaro relacionadas nos modelos DEA. Segundo Nunamaker (1985) o critrio de correlao pode ser limitado para identificar variveis redundantes a serem excludas do modelo. Jenkins e Anderson (2003) tambm comentam que a omisso de variveis altamente correlacionadas pode influenciar as medidas de eficincia. Dessa forma, a anlise de correlao ser utilizada somente para verificar se existe relao de causalidade entre as entradas e sadas do modelo.
4.2 Modelagem
A fase de modelagem consiste basicamente na escolha de qual modelo DEA utilizar em determinada aplicao. Na literatura existe uma infinidade de modelos disponveis, cada um abordando uma caracterstica diferente ou limitao encontrada nos modelos mais bsicos. As caractersticas a serem observadas nessa fase so: forma do conjunto de possibilidades de produo; orientao do modelo; presena de dados negativos; seleo de variveis, aplicao dos modelos e escolha dos modelos a serem analisados.
4.2.1 Forma do conjunto de possibilidades de produo

Uma caracterstica que diferencia os modelos DEA a forma do conjunto de possibilidades de produo, que varia de acordo com as propriedades econmicas admitidas. O modelo CCR trabalha com um conjunto de possibilidades de produo onde h retornos constantes de escala, e os modelos BCC e aditivos assumem fronteiras produtivas com retornos de escala variveis. Se houver a possibilidade de se realizarem estudos preliminares para verificar as caractersticas da funo de produo, pode-se utilizar o modelo DEA que mais se encaixe na situao. Cooper, Seiford e Tone (2006) alertam que se no houver estudos acerca das funes de produo, pode ser arriscado basear toda a anlise num modelo particular. A proposta ento que sejam utilizados diferentes mtodos e modelos, comparando-se os resultados obtidos e utilizando a experincia dos gestores antes de se chegar a uma concluso definitiva sobre o problema.
56
4.2.2 Orientao do modelo

Uma anlise em DEA pode ter trs orientaes: Orientao s entradas: Almeja reduzir as quantidades de entrada tanto quanto possvel enquanto mantm o nvel de sadas atual; Orientao s sadas: Visa maximizar as sadas mantendo fixo o nvel das entradas; Orientao s entradas e sadas: Essa uma caracterstica de alguns modelos DEA, como os aditivos e o SBM, que lida com as duas orientaes simultaneamente, de forma a maximizar ambos. Se verificar o alcance da eficincia, ou a presena de unidades ineficientes o nico tpico de interesse, ento os diferentes modelos iro fornecer os mesmos resultados. Porm um dos propsitos da anlise DEA projetar as DMUs ineficientes na fronteira, e diferentes correes podem ser associadas minimizao das entradas ou maximizao das sadas.
4.2.3 Presena de dados negativos

A presena de dados negativos precisa ser tratada adequadamente em modelos DEA. O modelo CCR de Charnes, Cooper e Rhodes (1978) admite um conjunto de possibilidades de produo composto somente por dados positivos. Essa propriedade foi relaxada por Charnes, Cooper e Thrall (1991), de modo que fosse possvel utilizar tambm valores nulos. Entretanto para lidar com valores negativos necessrio que o modelo DEA possua uma propriedade conhecida na literatura por translation invariance ou invarincia translao. Isso significa que a translao dos dados de entrada ou sada fornecem a mesma soluo tima que os dados originais. O modelo BCC orientado entrada invariante somente translao das sadas e o modelo BCC orientado sada invariante somente translao das entradas (PASTOR, 1996). Os modelos aditivos que contm a restrio de convexidade so invariantes translao de entradas e sadas, mas o mesmo no ocorre se a restrio de convexidade omitida (COOPER, SEIFORD e TONE, 2006). Ceretta e Niederauer (2001) apresentam uma modificao no modelo DEA original para possibilitar a modelagem sem a necessidade de converter os valores para positivos. No entanto o modelo s aplicvel em situaes onde as empresas que possuem sadas negativas no participem da fronteira eficiente. Outra sada para esse problema seria a excluso das unidades que apresentam valores negativos. Porm isso s possvel se houver um grande nmero de unidades, e no haja necessidade de determinada unidade estar na anlise.
57
BCC orientado entradas
Invariante translao das sadas Invariante translao das entradas Invariante translao de entradas ou sadas
BCC orientado sadas sa
Modelos aditivos
Figura 4.2 Invarincia translao em alguns modelos DEA Nos modelos que no possuem invarincia translao, como o CCR, as variveis com dados negativos no podem ser utilizadas. Para fazer uso da propriedade de invarincia translao costuma-se somar ao conjunto o valor mais negativo de todos, como nos seguintes trabalhos: Lovell (1995); Simak (1997); Kassai (2002); Brockett et al.(2004) e Freaza, Guedes e Gomes (2006).
4.2.4 Seleo de variveis

A seleo de variveis em DEA merece ateno especial. Quanto maior o nmero de variveis de entrada e sada, maior a dimenso do espao de soluo do problema linear, e menos discriminante a anlise. Uma prtica comumente empregada (Friedman e SinuanyStern, 1998) que o nmero total de variveis de entrada e sada deve ser menor que 1/3 do nmero de DMUs na anlise. Na literatura pouca ateno tem sido dada em como, nas situaes reais, essas variveis devem ser escolhidas. Muitos artigos em DEA tratam as variveis como dadas e seguem com a metodologia. (WAGNER e SHIMSHAK, 2007) Como h muitos conjuntos alternativos de variveis que podem ser utilizadas, a importncia de uma varivel particular nos resultados DEA normalmente estabelecida por especialistas, trabalhos estatsticos anteriores, conhecimento do pesquisador no ambiente de deciso ou uma combinao de todas essas abordagens (NUNAMAKER,1985). No h consenso na literatura sobre a melhor maneira de selecionar as variveis (Wagner e Shimshak, 2007), e h muitos mtodos de seleo disponveis. Algumas abordagens consideram para o ndice de eficincia ao se remover ou adicionar variveis, verificando se as mudanas no ndice so significativas. Outras utilizam a anlise de correlao ou anlise multivariada de dados.
58
Adler e Golany (2001) utilizam Anlise de Componentes Principais para diminuir o nmero de variveis no modelo sem perda de informao. J Zhu (1998) trabalhou com a razo de cada sada por cada entrada para cada DMU. No seu exemplo, 2 entradas e 3 sadas geraram 6 razes de sada/entrada. Como haviam 16 DMUs no seu exemplo, haviam 16 vetores de observao. Ele aplicou anlise de componentes principais para desenvolver um nico valor para cada razo. As razes deram um nico peso para cada entrada e sada, que foi ento usada para rankear as unidades. Os resultados foram ento comparados com os de DEA. Borenstein, Becker e Prado (2004) utilizaram dois dias de brainstorming com os funcionrios do correio do Rio Grande do Sul para definir o conjunto de variveis a ser utilizado no modelo. Jenkins e Anderson (2003) usaram anlise de regresso e correlao para identificar quais variveis poderiam ser omitidas sem perda de informao. A perda de informao foi relacionada com a varincia. Sua abordagem estatstica usando correlao parcial resultou numa medida de informao contida em cada varivel. Se a varincia for constante, no h participao na distino de uma DMU da outra. Inversamente, uma variao notvel indica influncia importante. Wagner e Shimshak (2007) apresentam um mtodo de seleo de variveis em DEA que consiste nos seguintes passos: 1. Rodar um modelo DEA que inclua todas as variveis de entrada e sada. Guardar os ndices de eficincia dessa rodada em E*; 2. Rodar modelos DEA consecutivos retirando uma varivel de cada vez (lembrando que necessrio que estejam no modelo ao menos uma varivel de entrada e uma de sada). Guardar os ndices de eficincia de cada rodada em Ei. Para cada DMU calcular a diferena entre o ndice de eficincia E*-Ei; 3. Escolher a varivel de entrada ou sada a ser retirada selecionando a varivel com menor diferena mdia E*-Ei. Pelo menos uma entrada e uma sada devem ser mantidas na anlise; 4. Calcular para as variveis que ficaram na anlise E*1 que o ndice de eficincia a ser usado para calcular a menor diferena mdia no prximo passo, e assim consecutivamente. O mtodo continua at que somente uma entrada e uma sada permaneam na anlise. O critrio de parada tambm pode ser definido pelo decisor. Dessa forma, possvel fazer uma anlise das variveis que so mais importantes para distinguir as caractersticas de um conjunto de unidades. O mtodo tambm pode ser adaptado
59
para adicionar variveis ao invs de exclu-las. Nesse caso, o objetivo identificar variveis que causam a maior diferena nos ndices de eficincia totais. Uma abordagem tradicionalmente utilizada para reduzir o nmero de variveis a correlao. Geralmente algumas variveis so altamente correlacionadas, e uma ou mais dessas variveis podem ser omitidas, justificando-se que estas so redundantes para a anlise. As limitaes do uso da correlao como mtodo de seleo de variveis j foram comentadas anteriormente. O mtodo multicritrio, desenvolvido por Soares de Mello et al.(2002), combina uma maneira de obter uma boa discriminao dos modelos resultantes em conjunto com uma boa relao causal. O mtodo consiste nos seguintes passos: 1. Escolher um par entrada-sada inicial. Essa escolha deve ser feita pelo decisor com base em seu conhecimento sobre o assunto; 2. Calcular a eficincia mdia para cada varivel acrescentada. Os valores da eficincia mdia devem ser normalizados de forma que a maior eficincia mdia tenha valor 1 e a menor tenha valor 0. O valor normalizado deve ser guardado numa varivel, que foi chamada de SEF; 3. Para cada varivel acrescentada, contar o nmero de DMUs na fronteira. Esse valor deve ser normalizado de forma que se atribua 0 ao maior nmero de DMUs na fronteira e 1 ao menor nmero de DMUs na fronteira. Guardar esse valor em uma varivel, no caso chamada de SDIS. Quanto maior o nmero de DMUs na fronteira, menor a discriminao do modelo; 4. Fazer uma soma ponderada de SEF e SDIS, e armazenar esse valor em uma varivel denominada S. Os pesos dependem do objetivo do decisor. Se este busca uma maior ordenao, deve dar peso maior a SDIS. Se buscar maior relao causal, deve priorizar SEF; 5. Escolher a varivel que tenha maior valor de S; 6. Verificar se o nmero de DMUs excede o quntuplo do nmero de variveis. Se positivo, o mtodo se encerra. Se negativo, continua-se a anlise com a incluso de mais uma varivel, retornando para a etapa 2. Para retirar do gestor a necessidade de fazer a escolha do par inicial e dos pesos das variveis SEF e SDIS, uma modificao no mtodo foi feita por Senra, Nanci e Soares de Mello (2004). Nesse caso, o que o par inicial escolhido pelo maior valor da varivel S, e o clculo de S feito pela mdia aritmtica de SEF e SDIS, sem a atribuio de pesos.
60
Outros mtodos de seleo podem ser encontrados em Senra et al. (2007). No artigo, so comparados quatro mtodos de seleo de variveis: o mtodo I-O Stepwise Exaustivo Completo, o Mtodo Multicritrio, o Mtodo Multicritrio Combinatrio Inicial e o Mtodo Multicritrio Combinatrio por Cenrios. Os mtodos so aplicados para avaliar a eficincia de operadores logsticos na entrega de jornais e so citadas as vantagens e desvantagens de cada um dos mtodos. Cabe ao gestor decidir pelo mtodo de seleo mais adequado ao problema, podendose ainda usar mais de um mtodo de seleo e comparar os resultados. O uso de mais de um mtodo de seleo pode aumentar credibilidade do estudo. Meza et al.(2007) comentam que o fato de diferentes escolhas de variveis fornecerem resultados diferentes no deve ser visto como uma fraqueza da DEA. A escolha de diferentes variveis diz respeito a diferentes maneiras de ver o problema, ou seja, olhar as DMUs por diferentes pontos de vista. Nesse contexto, os mtodos de escolha de variveis servem como auxlio deciso, e devem ser feitos em conjunto pelos agentes de deciso, especialistas e analistas. O grau de interveno por parte do decisor pode variar de acordo com a situao. Gestores que estejam em grande dvida e no consigam emitir opinies acerca do problema devem utilizar mtodos que tenham pouca subjetividade. J os mtodos que necessitam da participao do decisor permitem alguma direo ao mtodo. Entretanto, muito importante que seja verificada a coerncia dos resultados, analisando, por exemplo, se no foi excluda da anlise nenhuma varivel imprescindvel (MEZA et al., 2007). De qualquer forma, mesmo que utilizados mtodos que no necessitem de interveno para derivar os modelos, o gestor ter que participar da etapa de escolha dos modelos. Dessa forma, algumas caractersticas devem ser consideradas pelos gestores durante a escolha dos mtodos de seleo de variveis: Familiaridade ou facilidade de aplicao da tcnica utilizada; Grau de interveno desejado pelo gestor; Tempo operacional disponvel.
4.2.5 Aplicao dos modelos

Para evitar os riscos de se basear a tomada de deciso num nico modelo particular, a proposta do trabalho que sejam utilizados vrios modelos DEA para sustentar o processo decisrio. O modelo CCR, embora tenha algumas limitaes como o uso de dados negativos,
61
pode ser uma boa alternativa para se iniciar um estudo em DEA. A partir da, o gestor pode derivar modelos mais complexos de acordo com as caractersticas dos dados. Para a soluo computacional de modelos DEA, podem ser utilizados softwares que disponibilizam rotinas para a soluo de problemas de programao linear, como o Solver do Microsoft Excel. Porm, como cada unidade corresponde a um problema de programao linear que precisa ser resolvido em duas fases, o tempo operacional pode ser muito grande. aconselhvel o uso de softwares especficos desenvolvidos para aplicaes em DEA. Atualmente, existem diversos: DEA Solver, DEA Frontier, Frontier Analyst, etc.; e grande parte deles utilizado como suplemento do Microsoft Excel. Joe Zhu disponibiliza em sua pgina (http://www.deafrontier.com/frontierfree.html) uma verso gratuita do software DEA FrontierTM, que permite anlises com at 20 unidades. Uma verso de teste do software SIAD Sistema Integrado de Apoio Deciso tambm pode ser encontrada na pgina do grupo de apoio deciso da Universidade Federal Fluminense, em http://www.uff.br/decisao/software.html.
4.2.6 Escolha dos modelos

Dentre os diversos modelos derivados da etapa anterior, um modelo dever ser agora escolhido pelos gestores para ser analisado detalhadamente na etapa seguinte. Alguns aspectos devem ser considerados nessa escolha: O modelo apresenta uma boa relao entre a eficincia mdia e a discriminao entre as variveis? O modelo contempla as variveis necessrias para alcanar o objetivo pretendido? Nesse caso, dentre os vrios modelos derivados, o gestor ir decidir qual modelo traz um conjunto de variveis mais satisfatrio. A escolha deve ser feita de maneira a alcanar o objetivo proposto na fase de concepo, onde o gestor talvez tenha que balancear situaes como diminuir o poder discriminatrio do modelo se houver a necessidade de se incluir uma varivel considerada imprescindvel na anlise. importante salientar que todos os modelos sero utilizados para sustentar o processo decisrio.
4.3 Anlise
Nessa etapa sero utilizadas as modelagens realizadas na etapa anterior. Porm a etapa de Anlise no precisa ficar somente restrita ao uso dos modelos anteriores. Os conjuntos de
62
variveis derivados como mais significativos pode tambm ser utilizado em modelos DEA mais avanados, de acordo com as necessidades ou dvidas do gestor. Outra abordagem que pode ser til verificar o impacto da excluso de algumas unidades dos modelos. Dessa maneira possvel identificar o conjunto das melhores unidades entre as melhores, ou mesmo das piores unidades entre as piores. Deve-se, entretanto, manter uma boa relao entre o nmero de unidades e o nmero de variveis, para garantir a discriminao do modelo. As anlises podem ser dividas em anlises globais e anlises especficas.
4.3.1 Anlises globais

As anlises globais se referem utilizao de todos os modelos aplicados e os diferentes mtodos de seleo. Dessa forma possvel ter uma viso geral das unidades, de forma a identificar aspectos como: Unidades que so avaliadas como eficientes nos modelos; Unidades avaliadas como ineficientes nos modelos; Unidades que se posicionam como referncia para as ineficientes; Unidades que embora sejam eficientes, no se destacam como referncia para as unidades ineficientes. A existncia de unidades que so avaliadas como eficientes, mas no servem como referncia para as outras do conjunto pode indicar que esta utiliza uma proporo de entradas ou sadas muito distante e peculiar, difcil de ser alcanada. Dessa forma, a unidade no serve como alvo e no fornece perspectivas de melhoria para as outras. Nessa etapa, dois grficos podem ser teis aos gestores: o grfico de eficincias e o grfico de referncias. Para avaliar as eficincias, basta contar quantas vezes a unidade alcana eficincia unitria ao longo dos vrios modelos. Da mesma forma, o grfico de referncias mostra quantas vezes a unidade aparece no conjunto de referncias e quantas vezes a unidade a maior referncia para as unidades ineficientes.
4.3.2 Anlises especficas

O modelo considerado pelos gestores como mais relevante dentre o grupo ser analisado com mais detalhe nessa fase. Um diferencial de uma anlise DEA que alm dos ndices de eficincia, o modelo ainda fornece os alvos e benchmarks para as unidades ineficientes. Os alvos referem-se
63
projeo da unidade na fronteira eficiente, ou seja, quais variveis a unidade precisa melhorar para estar na fronteira. Os benchmarks so as unidades de referncia, ou seja, as unidades eficientes que apresentam uma utilizao de entradas e sadas mais prxima de ser realizada pela unidade ineficiente. Um exemplo de Soares de Mello et al. (2005) auxilia a compreenso destes desses conceitos. Considere uma aplicao hipottica onde seis unidades so avaliadas utilizando duas entradas e uma sada. As quantidades utilizadas e geradas por cada unidade, assim como os respectivos ndices de eficincia so dados na Tabela 4.1.
DMU A B C D E F Entrada 1 4 26 16 4 6 20 Entrada 2 3 12 2 2 12 2 Sada 1 4 2 1 3 2
Tabela 4.1 Valores de entradas e sadas das unidades Fonte Soares de Mello et al. (2005) Utilizando o modelo CCR do envelope, com a mesma notao da equao 4.1, onde X e Y so os vetores de entrada e sada e refere-se ao ndice de eficincia, as referncias ou
benchmarks so dadas pelo vetor .

min
,
(4.1)
sujeito a
xo X 0
Y yo
0
Os ndices de eficincia e valores de esto na Tabela 4.2.
DMU A B C D E F
Eficincia 0,85 0,65 1,00 1,00 1,00 1,00
D C C D E C
Valores de 0,71 E 0,10 D 1,00 1,00 1,00 1,00
0,10 3,78
Tabela 4.2 Eficincia e referncias das unidades Fonte: Soares de Mello et al. (2005)
64
As unidades eficientes apresentam O =1, ou seja, para o seu valor de elas so a prpria referncia, e os demais i so nulos. J a unidade ineficiente A apresenta A, B, C, F = 0, e valores diferentes de zero para as unidades de referncia que so D e E. As unidades C, D e E aparecem como referncia. Porm a unidade D a maior referncia para as duas unidades ineficientes. A Figura 4.3 mostra a linha de projeo das unidades A e B na fronteira. A unidade D possui um valor de maior, pois est mais prxima da unidade A do que E. Da mesma forma, ela tambm uma referncia melhor para a unidade B.
Entrada 2/Sada
Entrada 1/Sada
Figura 4.3 Alvos e benchmarks do exemplo Fonte: Soares de Mello et al. (2005)
Outro aspecto analisado em DEA so os pesos e as folgas das unidades. Segundo Cooper, Seiford e Tone (2006), os pesos timos para uma DMU eficiente no necessariamente so nicos. Isso crtico uma vez que as unidades eficientes podem apresentar pesos nulos em algumas situaes e em outras no. Uma vez que os pesos representam o grau de importncia da varivel na anlise de eficincia, uma varivel que apresente peso nulo foi desconsiderada pela unidade, e esta no pode ser considerada efetivamente eficiente.
65
Para verificar a autenticidade da eficincia da unidade, pode-se fazer uso da seguinte relao existente e provada por Cooper, Seiford e Tone (2006), tambm conhecida como condies complementares: Os vetores v e u do modelo dos multiplicadores multiplicados pela folga correspondente devem retornar valor nulo, da seguinte forma:
v*s-* = 0 e u*s+* = 0
(4.2)
Isso significa que se uma das folgas s-* ou s+* for positiva, ento o vetor correspondente v*ou u* deve ser zero, havendo tambm a possibilidade de ambos serem iguais a zero. Se uma unidade tiver eficincia igual a unidade e alguma folga diferente de zero, pela
* relao acima, o elemento de v ou u * correspondente deve ser zero e a unidade no
eficiente, pois desconsiderou uma varivel na anlise. Se a unidade tiver ndice de eficincia unitrio e as folgas forem nulas, ento esta pode ser considerada eficiente. A anlise de sensibilidade realizada nos problemas de programao linear no feita da mesma maneira nos modelos DEA, e no ser abordada nesse estudo. Segundo Cooper, Seiford e Zhu (2004), pesquisas sobre anlise de sensibilidade em DEA tiveram incio no trabalho de Charnes et al.(1985), onde percebeu-se que os mtodos de anlise de sensibilidade utilizada na programao linear no eram apropriados para DEA. Entretanto outros mtodos de anlise de sensibilidade foram desenvolvidos para anlises em DEA, e podem ser encontrados em Cooper, Seiford e Zhu (2004).
4.3.3 Modelagens adicionais

Como comentado anteriormente, o uso de mais de um modelo ou mtodo DEA pode aumentar a credibilidade do estudo. Ao longo da etapa de Anlise, podem surgir diversas dvidas e questionamentos que levam a novas modelagens. O gestor pode desejar tambm interferir no mtodo, acrescentando pesos nas variveis que considera mais importante. Anlises adicionais podem surgir ento a partir da utilizao de novos modelos e comparao entre os resultados.
Captulo 5 APLICAO DA PROPOSTA EM UMA EMPRESA AUTOMOTIVA
66
5 APLICAO DA METODOLOGIA EMPRESA MULTINACIONAL DO AUTOMOTIVO
NUMA SETOR
Nesse captulo a metodologia ser aplicada a um problema real de uma multinacional do setor automotivo. Sero comentadas as adaptaes feitas em cada passo, assim como os resultados obtidos pelos gestores.
5.1 Caractersticas do objeto de estudo

A empresa utilizada nesse estudo uma multinacional de grande porte do setor automotivo, formada por 14 unidades localizadas em diferentes pases. Embora estas estejam instaladas em diferentes localizaes geogrficas e existam algumas diferenas entre elas, principalmente em relao ao porte das mesmas, essas so vistas pela matriz como unidades homogneas e comparveis. As semelhanas entre as unidades podem ser agrupadas em fatores de manufatura, denominados 5Ms, que so: Mtodo; Mo de obra; Mquina; Meio ambiente no contexto interno organizao, como cultura, presso por resultados, sistemas de gesto, padro mundial de arquitetura (layout, cores, etc..), entre outros; Matria prima. H ainda um sexto M comum a todas as plantas analisadas, que o Meio de Medio. As medies so padronizadas de acordo com uma srie de normas ISO especficas ao produto final. A Figura 5.1 traz o organograma simplificado da empresa. O processo decisrio da empresa em anlise ocorre da seguinte maneira: A empresa trabalha com um nico presidente mundial, responsvel por 2 segmentos: as linhas de produtos e os centros de lucratividade. Nessa aplicao o interesse na Linha de Produtos 2; Logo aps o presidente, a hierarquia maior so os vice-presidentes. Cada linha de produto e cada centro de lucratividade tm um vice-presidente. Logo abaixo do vice-presidente da Linha de Produtos 2 h os vice-presidentes do grupo de produtos. Nessa anlise chamaremos o grupo de produtos em questo de Grupo X,
67
onde X corresponde ao produto produzido. Como h 5 grupos de produtos na Linha 2, h tambm 5 vice-presidentes dos grupos de produtos. No Grupo X existem 14 plantas que fabricam o produto X, e essas esto espalhadas em diferentes pases.
Figura 5.1 Organograma simplificado da empresa O vice-presidente da Linha de Produtos 2 define o Balanced Score Card, do qual so derivadas as diretrizes para cada grupo de produto. Atravs dessas diretrizes so estabelecidos os planos mestre dos grupos e de cada planta dentro dos grupos; A cada 6 meses o vice-presidente do Grupo X se rene com o Comit Diretivo. O Comit Diretivo formado por alguns gerentes regionais (as 14 plantas esto divididas em regies) e trs colaboradores que respondem diretamente ao vicepresidente e trabalham com todas as 14 plantas. Esse comit formado por um total de 8 pessoas; Nas reunies semestrais o comit discute, com base no Balanced Scorecard e alguns Indicadores Chave de Desempenho, os resultados de todas as 14 plantas. So discutidos durante esses encontros aspectos estratgicos do futuro do Grupo X, tais como: abertura e fechamento de novas instalaes, diviso do investimento anual entre as plantas, novas diretrizes para os planos mestres, entre outras.
68
O que ocorre normalmente que os membros do comit precisam analisar uma srie de indicadores antes de tomar as decises. Cada representante regional tambm procura enfatizar os indicadores onde as respectivas plantas esto melhores, diminuindo a ateno naqueles indicadores onde as plantas esto mais fracas. Durante as reunies semestrais do Comit Diretivo, falta aos decisores presentes uma maneira de comparar as plantas entre si. Algumas perguntas podem gerar dvidas entre os gestores, como por exemplo: qual a planta mais eficiente? A que possui melhor resultado ou a que possui melhor retorno do capital empregado? Essas e outras questes podem ser resolvidas com o auxlio da anlise por envoltria de dados. Como as empresas competem recursos financeiros entre si, as decises acerca do futuro do grupo so tomadas com base nos indicadores apresentados durantes as reunies. Uma vez que as empresas utilizam os mesmos recursos (investimentos, funcionrios, etc..) para gerar os mesmos produtos (vendas, resultado, etc..), as decises tomadas podem ser auxiliadas atravs do uso da Anlise por Envoltria de Dados. Os tpicos seguintes trazem a aplicao da metodologia de uso do DEA no auxlio deciso para esse caso.
5.2 Concepo
5.2.1 Objetivos e definio do sistema
Como contextualizado anteriormente, os gestores de uma multinacional do setor automotivo desejam utilizar a metodologia como auxlio ao planejamento estratgico da empresa. Os resultados sero utilizados nas reunies do Comit Diretivo, onde so tomadas decises acerca da alocao de recursos, fechamento de plantas e novas diretrizes para os planos mestres das unidades. As unidades a serem comparadas sero todas as 14 plantas do grupo em questo. As caractersticas analisadas sero as mesmas que os gestores avaliam nas reunies. Essas esto representadas pelo Balanced Scorecard de cada unidade e indicadores chave de desempenho. Para facilitar a tomada de decises, ser ento utilizada a Anlise por Envoltria de Dados. Os resultados da Anlise devem atender aos seguintes propsitos definidos pelos gestores: Diminuir a subjetividade da anlise dos resultados; Descobrir quais os benchmarks do grupo, e por quais variveis esses benchmarks se destacam;
69
Verificar, na medida do possvel, o que as unidades precisam para que alcancem resultados to bons quanto s melhores prticas.
Os mtodos de seleo devem ser aplicveis por qualquer analista envolvido no estudo, e sero escolhidos por esse critrio. Um dos objetivos da anlise descobrir quais variveis de entrada mais discriminam o conjunto de unidades. Dessa maneira, num primeiro momentos no sero feitas interferncias nos mtodos de seleo. A participao do gestor ser na escolha final dos modelos a serem detalhados nas anlises especficas. Um critrio de seleo adicional ser a presena de algumas variveis de sada. Os gestores consideram imprescindvel a presena da varivel vendas ou da varivel resultado como sada dos modelos.
5.2.2 Coleta dos dados de entrada

O primeiro conjunto de variveis foi coletado do Balanced Scorecard e Indicadores Chave de Desempenho da empresa. Essas so as variveis consultadas pelos gestores nas reunies do Comit Diretivo. O conjunto inicial de variveis dado na Tabela 5.1.
Varivel Vendas (milhes USD) Quantidade vendida (ps) Resultado (milhes USD) Rentabilidade de vendas (%) Estoque (USD) Estoque (dias) Investimentos (milhes USD) Retorno do capital empregado (%) Capital Empregado (milhes USD) Funcionrios Custos com pessoal nas vendas (%) Vendas por funcionrio (mil USD) Entrega no prazo (%) Falhas no cliente (PPM) Custo total da Qualidade (% vendas) Refugo de material (%) Reclamaes dos clientes Taxa de absentesmo (%)
Quadro 5.1 Conjunto inicial de variveis Os dados coletados referem-se a 14 plantas de uma multinacional do setor automotivo e so de maro de 2007. importante lembrar que o gestor que utilizar a metodologia nas suas anlises ter que atualizar os dados com freqncia, uma vez que DEA uma tcnica de anlise pontual.
70
Dentre as variveis levantadas, houve consenso entre os gestores que algumas dessas variveis so utilizadas para acompanhamento das unidades, mas no so relevantes na tomada de deciso estratgica. Dessa forma foi feita uma primeira seleo de variveis. A
Tabela 5.2 traz as variveis resultantes dessa primeira seleo.
Varivel Vendas (milhes USD) Quantidade vendida (ps) Resultado (milhes USD) Rentabilidade de vendas (%) Estoque (USD) Estoque (dias) Investimentos (milhes USD) Retorno do capital empregado (%) Capital Empregado (milhes USD) Funcionrios Custos com pessoal nas vendas (%) Vendas por funcionrio (mil USD)
Quadro 5.2 Primeira seleo de variveis As variveis relativas ao ambiente externo de cada pas, tal como poltica, cultura, moeda, e outras caractersticas certamente influenciam o desempenho das unidades em anlise. Sempre que estiverem disponveis essas variveis devem compor o modelo, melhorando os resultados das aplicaes. Nesse caso, no ser includa nenhuma varivel externa s empresas. Segundo os gestores, essas informaes so acompanhadas de maneira global, atravs de notcias e acesso aos dados macroeconmicos mundiais. Sua incluso nas anlises ser feita de maneira subjetiva, considerando juntamente com os resultados obtidos caractersticas externas de cada planta.
5.2.3 Classificao das variveis

As variveis sero classificadas seguindo o seguinte critrio: se a varivel do tipo quanto maior, melhor deve ser classificada como sada. Se quanto menor o seu valor, melhor, esta deve ser classificada como entrada. A classificao de uma varivel como entrada ou sada depende do objetivo da anlise. A varivel quantidade vendida, por exemplo, classificada como entrada, uma vez que desejvel uma menor quantidade de peas vendidas a um preo melhor, que estar refletido na varivel de sada Vendas. Outra varivel que pode gerar dvidas o Investimento. Poderia se argumentar que um investimento maior melhor para a empresa. Porm nesse caso, a varivel Capital Empregado composta por Investimento + Ativos Fixos. Um investimento maior tem
71
como conseqncia Capital Empregado tambm maior, varivel que nesse caso o gestor deseja diminuir. A Tabela 5.3 apresenta as classificaes das variveis como entrada ou sada.
Varivel Vendas (milhes USD) Quantidade vendida (ps) Resultado (milhes USD) Rentabilidade de vendas (%) Estoque (USD) Estoque (dias) Investimentos (milhes USD) Retorno do capital empregado (%) Capital Empregado (milhes USD) Funcionrios Custos com pessoal nas vendas (%) Vendas por funcionrio (mil USD) Classificao > sada
< > > < < < > < < < >
entrada sada sada entrada entrada entrada sada entrada entrada entrada sada
Quadro 5.3 Classificao das variveis
5.2.4 Anlise Exploratria e Tratamento dos dados

As plantas produtivas sero tratadas ao longo do trabalho por siglas que representam os nomes das mesmas para os gestores. Essas siglas no sero identificadas no trabalho por motivos de confidencialidade. As siglas que representam as unidades produtivas em anlise so as seguintes: MPT, BAR, VIL, MBR, MAN, STJ, FSP, FCI, MUS, ARC, AGU, ROS, MECA e MRYK. O primeiro tratamento que teve que ser feito nos dados foi com relao s moedas. Como h unidades no mundo todo, havia valores nas seguintes moedas: peso argentino, dlar australiano, yuan chins, dlar americano e euro. A maior parte das unidades utilizava o dlar americano. Para efeito de comparao entre as unidades, optou-se por trazer todos os valores para dlares americanos. Alguns modelos semelhantes foram executados com os valores em dlares e em euros para verificar se a mudana de moeda traria diferenas nos resultados. Os ndices de eficincia e empresas referncia para os valores em euro e dlares foram os mesmos, ou seja, parece ser indiferente para a anlise trazer os valores para qualquer uma das moedas. Entretanto, maiores concluses s podem ser retiradas com uma anlise mais detalhada dessa questo, que no ser feita nesse estudo.
72
A amostra apresenta valores que variam consideravelmente. Como exemplo, pode-se citar a varivel vendas que apresenta valores que variam entre 1 milho de dlares at 54 milhes de dlares. Muitas variveis indicam a diferena de porte entre as empresas. A planta MBR traz os maiores valores para grande parte das variveis, destacando-se das outras plantas no conjunto. Como comentado anteriormente, a presena de outliers, afeta consideravelmente uma anlise DEA. O gestor deve verificar se essa unidade realmente representa uma referncia para o grupo. Na etapa de anlise isso pode ser verificado atravs das unidades de referncia. Se verificado que a unidade se distancia muito do grupo, essa pode ser excluda e novos modelos devem ser gerados com as unidades restantes. Algumas estatsticas descritivas bsicas so dadas na Tabela 5.4. O coeficiente de variao da Tabela 5.4 indica que h grande disperso dos dados em relao mdia. Muitas variveis apresentam desvio padro superior mdia. Dessa maneira, as empresas no so to homogneas, confirmando as diferenas de porte. Uma anlise de cluster, ou seja, segregao das empresas em grupos ajudaria a resolver esse problema. Entretanto, como o conjunto DMUs pequeno, isso poderia diminuir ainda mais a discriminao do modelo. Essa alternativa foi descartada para essa aplicao.
Planta Mdia Desv. Padro Coef. Variao Mnimo 1 quartil Mediana 3 quartil Mximo Mnimo (planta) Mximo (planta)
(O)Vendas (milhes USD) 10,92 14,80 1,36 1,22 3,77 5,36 9,10 53,94 MECA MBR (I)Investimentos (milhes USD) 2,19 2,71 1,24 -0,01 0,24 0,98 3,75 8,26 FSP AGU
(I)Quantidade vendida 9,64 10,67 1,11 0,15 2,78 5,91 10,93 39,58 MUS MBR (O)Retorno do capital empregado - 13 pa (%) 0,06 0,27 4,72 -0,44 -0,07 0,04 0,24 0,50 VIL MPT
(O)Resultado (milhes (O)Rentabilidade de (I)Estoque (mil (I)Estoque (dias) USD) vendas (%) USD) 0,91 0,00 4,22 42,73 2,78 0,10 3,57 22,05 3,06 -37,75 0,85 0,52 -1,07 -0,20 -0,03 0,45 9,06 MAN MBR (I)Capital Empregado 13pa (milhes USD) 16,66 22,41 1,35 1,92 4,83 8,30 16,14 84,37 MECA MBR FSP MBR BAR MBR (I)Funcionrios 390,50 663,97 1,70 30,00 109,75 193,00 400,50 2615,00 -0,19 -0,04 -0,02 0,04 0,17 0,86 1,81 2,78 4,66 12,06 MECA MBR (I)Custos com pessoal nas vendas (%) 0,35 0,20 0,56 0,11 0,23 0,29 0,45 0,88 MRYK MUS STJ AGU (O)Vendas por funcionrio (mil USD) 37,62 19,41 0,52 11,71 21,79 36,70 51,39 67,12 MRYK FSP 15,02 26,69 38,75 44,21 90,99
Planta Mdia Desv. Padro Coef. Variao Mnimo 1 quartil Mediana 3 quartil Mximo Mnimo (planta) Mximo (planta)
Tabela 5.4 Estatsticas descritivas bsicas As Tabelas 5.5 e 5.6 mostram a correlao entre as variveis do conjunto.
73
(I)Quantidade vendida (I)Estoque $ (I)Estoque dias (I)Investimentos (I)Capital Empregado (I)Funcionrios (I)Custos com pessoal nas vendas (O)Resultado (O)Rentabilidade de vendas (O)Vendas (O)Retorno do capital empregado (O)Vendas por funcionrio
Quantidade vendida 1,00 0,69 -0,41 0,65 0,85 0,84 -0,36 0,88 -0,24 0,89 0,72 0,10
Estoque $ 1,00 -0,03 0,70 0,88 0,79 -0,30 0,82 -0,38 0,86 0,60 -0,13
Estoque dias
Investimentos
Capital Empregado
Funcionrios
1,00 0,05 -0,23 -0,22 -0,27 -0,28 0,38 -0,40 -0,05 -0,32
1,00 0,58 0,56 -0,16 0,59 -0,26 0,57 0,69 -0,22
1,00 0,93 -0,30 0,96 -0,22 0,98 0,65 -0,12
1,00 -0,18 0,90 -0,21 0,90 0,56 -0,30
Tabela 5.5 Correlao entre as variveis Parte 1
(I)Custos com pessoal nas vendas (O)Resultado (O)Rentabilidade de vendas (O)Vendas (O)Retorno do capital empregado (O)Vendas por funcionrio
Custos pessoal nas vendas 1,00 -0,31 -0,18 -0,25 -0,43 -0,20
Resultado
Rentabilidade vendas
Vendas
Retorno capital empregado
Vendas funcionrio
1,00 -0,08 0,96 0,77 -0,03
1,00 -0,30 0,13 -0,05
1,00 0,66 0,00
1,00 0,11
1,00
Tabela 5.6 Correlao entre as variveis Parte 2 As maiores correlaes entre as variveis de entrada foram: Capital Empregado e Quantidade Vendida (0,85); Capital Empregado e Estoque em dinheiro (0,88); Funcionrios e Quantidade Vendida (0,84); e Funcionrios e Capital Empregado (0,93). O uso de todas essas variveis poderia ser considerado redundante para a anlise. Entratanto, por se tratarem de variveis que mostram aspectos muito distintos das empresas, fica difcil para o gestor decidir qual varivel de entrada deve ser excluda utilizando somente a correlao. Muitos pares entrada-sada apresentam correlaes altas. Isso explica a forte relao de causalidade entre as variveis do modelo, o que desejvel. Os pares Capital Empregado (entrada) e Resultado (sada); e Capital Empregado (entrada) e Vendas (sada) so os que apresentam maior correlao. J nas variveis de sada, as nicas que apresentam forte correlao so Resultado e Vendas, o que j era esperado. Da mesma forma, o uso das duas variveis num mesmo modelo poderia ser considerado redundante.
74
Algumas dessas correlaes podem ser resultantes de variaes no volume de operaes das empresas. de se esperar que um aumento nas Vendas resulte tambm no aumento da varivel Resultado.
5.3 Modelagem
5.3.1 Forma do conjunto de possibilidades de produo
Embora seja prefervel, nesse trabalho no sero realizados testes ou estudos preliminares para verificar as caractersticas da funo de produo. Entretanto, como comentado anteriormente, o processo decisrio no ser baseado em um nico modelo DEA, o que aumenta a credibilidade do estudo.
5.3.2 Orientao do modelo

De acordo com a preferncia dos gestores, todos os modelos sero orientados entrada, ou seja, busca-se reduzir as entradas mantendo o nvel de sadas atual. Para o modelo BCC, no existe a flexibilidade de escolha da orientao. Como existem variveis de sada que sero transformadas, o nico modelo BCC possvel de ser usado o orientado entrada.
5.3.3 Presena de dados negativos

No conjunto de dados foi verificado que as variveis resultado, rentabilidade de vendas e retorno do capital empregado apresentavam valores negativos para algumas unidades. Essas variveis no sero utilizadas no modelo DEA CCR. Para serem utilizadas no modelo BCC, as variveis sero transformadas, somando-se a todos os valores o valor mais negativo do conjunto, como comentado anteriormente.
5.3.4 Seleo de variveis

A primeira varivel a ser considerada para excluso do modelo a varivel Rentabilidade das Vendas, derivada das variveis Vendas e Resultado (Rentabilidade das Vendas = Resultado/Vendas). Essa varivel foi considerada pelos gestores como redundante na anlise por j estar representada por essas outras duas variveis. Alguns mtodos de seleo envolvem tcnicas e conhecimentos no muito comuns no ambiente empresarial. Embora qualquer mtodo de seleo possa ser utilizado, para essa aplicao foram selecionados dois mtodos de seleo de fcil entendimento, e que podem ser aplicados por qualquer pessoa participante no estudo. Os mtodos so o de Wagner e Shimshak (2007), que ser identificado pela sigla WS, e o Mtodo Multicritrio Combinatrio
75
Inicial, desenvolvido por Soares de Mello et al. (2002) e modificado por Senra, Nanci e Soares de Mello (2004), que ser abreviado para mtodo MCI. Ambos os mtodos foram explicados no item 4.2.4.
5.3.5 Aplicao dos modelos

Sero aplicados inicialmente dois modelos, o DEA CCR e o DEA BCC, utilizando dois mtodos de seleo. Posteriormente, os modelos derivados dessa etapa sero escolhidos atendendo alguns critrios. O software utilizado ser o DEA-Solver Learning version 3.0, que acompanha o livro de Cooper, Seiford e Tone (2006). Essa verso inclui vrios modelos e pode resolver problemas com at 50 DMUs. O software trabalha em conjunto com o Microsoft Excel, e de fcil entendimento e utilizao. Aplicao do modelo DEA CCR: A primeira modelagem ser feita utilizando o primeiro e mais bsico modelo DEA, o CCR. A orientao ser para minimizar as entradas e as DMUs correspondem s 14 unidades produtivas. O conjunto de possibilidades de produo do modelo CCR no admite dados negativos, e o modelo no apresenta a propriedade de invarincia translao, como comentado anteriormente. Dessa maneira, sero excludas dessa modelagem as variveis Resultado e Retorno do Capital Empregado. As variveis que faro parte desse primeiro modelo so (o valor entre parnteses representa a unidade de medida): Entradas: Quantidade vendida (milhes peas); Estoque (milhes USD); Estoque (dias); Investimentos (mihes USD); Capital Empregado (milhes USD); Funcionrios (pessoas); Custo com pessoal nas vendas (%). Sadas: Vendas (milhes USD); Vendas por funcionrio (mil USD). O primeiro modelo incluindo todas as variveis apresentou 10 das 14 plantas na fronteira eficiente. Isso era esperado, uma vez que o modelo contm 9 variveis e apenas 14 DMUs. Para melhorar o poder discriminatrio ser necessrio utilizar algum mtodo de seleo de variveis. O primeiro mtodo utilizado foi o proposto por Wagner e Shimshak (2007). Este foi explicado na seo anterior e os resultados esto na Tabela 5.7. O objetivo do mtodo remover as variveis que tem a menor influncia no conjunto de DMUs que definem o conjunto de referncia.
76
MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC 1 0,82 1 1 1 1 1 1 1 1 Passo 1 - Retirando consecutivamente as variveis: MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC O1 - Vendas 1 0,82 0,97 0,31 0,99 1 1 0,99 1 1 O2 - Vendas por funcionrio 1 0,66 1 1 1 1 1 1 1 1 I1 - Custo pessoal nas vendas 1 0,82 1 1 1 1 1 1 1 1 I2 - Funcionrios 1 0,82 1 1 1 1 1 1 1 1 I3 - Capital empregado 1 0,82 1 1 1 1 1 1 1 1 I4 - Investimentos 1 0,82 1 1 1 1 1 0,98 1 1 I5 - Estoque (dias) 1 0,78 1 1 1 1 1 1 1 1 I6 - Estoque ($) 1 0,82 1 1 1 1 1 1 1 1 I7 - Quantidade vendida 1 0,58 1 1 0,80 1 1 1 1 1 Retiradas as variveis I2 - Funcionrios e I6 - Estoque ($) E*1 1 0,82 1 1 1 1 1 1 1 1 Passo 2 - Retirando consecutivamente as variveis: MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC O1 - Vendas 1 0,82 0,97 0,31 0,99 1 1 0,99 1 1 O2 - Vendas por funcionrio 1 0,54 1 1 1 1 1 0,85 1 1 I1 - Custo pessoal nas vendas 1 0,82 1 1 1 1 1 1 1 1 I3 - Capital empregado 1 0,82 1 1 1 1 1 1 1 1 I4 - Investimentos 1 0,82 1 1 1 1 1 0,98 1 1 I5 - Estoque (dias) 1 0,74 1 1 1 1 1 0,95 1 1 I7 - Quantidade vendida 1 0,48 1 1 0,69 1 1 1 1 1 Retirada a varivel I4 - Investimentos E*2 1 0,82 1 1 1 1 1 0,98 1 1 Passo 3 - Retirando consecutivamente as variveis: MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC O1 - Vendas 1 0,82 0,97 0,31 0,99 1 1 0,83 1 1 O2 - Vendas por funcionrio 1 0,52 1 1 1 1 0,47 0,84 1 0,66 I1 - Custo pessoal nas vendas 1 0,82 1 1 1 1 1 0,98 1 0,91 I3 - Capital empregado 1 0,82 1 1 1 1 1 0,79 1 1 I5 - Estoque (dias) 1 0,74 1 0,87 1 1 1 0,95 1 1 I7 - Quantidade vendida 1 0,48 1 1 0,50 1 1 0,98 1 1 Retirada a varivel I5 - Estoque (dias) E*3 1 0,74 1 0,868 1 1 1 0,95 1 1 Passo 4 - Retirando consecutivamente as variveis: MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC O1 - Vendas 1 0,66 0,68 0,18 0,83 0,54 1 0,45 1 1 O2 - Vendas por funcionrio 1 0,52 1 0,87 1 1 0,47 0,84 1 0,66 I1 - Custo pessoal nas vendas 0,63 0,45 0,98 0,55 0,46 0,96 0,97 0,92 1 0,86 I3 - Capital empregado 1 0,72 0,86 0,84 1 0,48 0,93 0,40 1 1 I7 - Quantidade vendida 1 0,47 1 0,87 0,50 1 1 0,95 1 1 Retirada a varivel I7 - Quantidade vendida E*4 1 0,47 1 0,868 0,503 1 1 0,95 1 1 Passo 5 - Retirando consecutivamente as variveis: MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC O1 - Vendas 1 0,23 0,34 0,18 0,29 0,54 1 0,45 0,34 1 O2 - Vendas por funcionrio 1 0,40 1 0,87 0,50 1 0,47 0,84 1 0,64 I1 - Custo pessoal nas vendas 0,63 0,45 0,98 0,55 0,46 0,96 0,97 0,92 1 0,86 I3 - Capital empregado 1 0,14 0,24 0,84 0,21 0,39 0,69 0,20 0,06 0,71 Retirada a varivel I1 - Custo com pessoal nas vendas E*5 0,63 0,45 0,98 0,549 0,459 0,96 0,97 0,92 1 0,86 Passo 6 - Retirando consecutivamente as variveis: MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC O1 - Vendas 0,08 0,23 0,30 0,01 0,13 0,28 0,97 0,44 0,34 0,63 O2 - Vendas por funcionrio 0,63 0,39 0,98 0,55 0,46 0,96 0,46 0,83 1 0,62 A varivel de entrada I3 - Capital empregado no pode ser retirada da anlise por ser a nica entrada. Par entrada-sada final: I3 Capital empregado e O1 Vendas
Incio (E*)
DMUs AGU ROS MECA MRYK eficientes 0,51 0,77 1 0,90 10 AGU 0,18 0,51 0,41 0,51 0,38 0,51 0,51 0,51 0,48 0,51 AGU 0,18 0,51 0,38 0,38 0,51 0,51 0,48 0,51 AGU 0,18 0,51 0,38 0,38 0,51 0,48 0,51 AGU 0,18 0,51 0,37 0,38 0,48 0,48 AGU 0,17 0,48 0,37 0,14 0,37 ROS MECA MRYK 0,31 1 0,82 0,77 1 0,57 0,74 1 0,50 0,77 1 0,90 0,64 1 0,90 0,77 1 0,90 0,77 1 0,90 0,77 1 0,90 0,76 1 0,31 0,774 1 0,9027
E* 0,930 E*-Ei 0,116 0,035 0,038 0,000 0,019 0,002 0,003 0,000 0,077 0,930 E*-Ei 0,116 0,055 0,044 0,020 0,002 0,009 0,093 0,928 E*-Ei 0,126 0,150 0,072 0,036 0,017 0,114 0,911 E*-Ei 0,224 0,142 0,202 0,118 0,109 0,802 E*-Ei 0,301 0,120 0,095 0,435 0,707 E*-Ei 0,380 0,097
6 10 10 10 10 9 10 10 9 10
ROS MECA MRYK 0,31 1 0,82 0,77 1 0,57 0,68 1 0,50 0,63 1 0,90 0,77 1 0,90 0,77 1 0,90 0,76 1 0,30 0,774 1 0,9027
6 9 10 10 9 9 9 9
ROS MECA MRYK 0,31 1 0,82 0,77 0,54 0,57 0,68 1 0,20 0,59 1 0,90 0,77 1 0,90 0,66 1 0,29 0,774 1 0,9027
6 6 8 9 8 8 8
ROS MECA MRYK 0,26 1 0,82 0,77 0,54 0,57 0,63 1 0,13 0,59 1 0,90 0,66 1 0,29 0,663 1 0,2909
5 5 2 5 7 7
ROS MECA MRYK 0,18 1 0,29 0,66 0,54 0,15 0,63 1 0,11 0,13 0,18 0,23 0,631 1 0,1125
4 4 2 1 2
AGU ROS MECA MRYK 0,04 0,09 1 0,05 0,37 0,63 0,54 0,10
1 1
Tabela 5.7 Mtodo de Wagner e Shimshak (CCR) No primeiro passo, para as variveis Funcionrios e Estoque ($), a mudana no ndice de eficincia foi zero. Isso significa que essas variveis podem ser removidas do modelo sem apresentar mudanas em nenhum ndice de eficincia. Nos passos seguintes, foram excludas da anlise as variveis Investimentos e Estoque (dias), influenciando a eficincia mdia em
77
apenas 2%. No passo 4, a varivel com menor impacto no desempenho foi Quantidade Vendida. A retirada dessa varivel resultou num decrscimo de cerca de 13% no ndice de eficincia. No passo 5 retira-se do conjunto a varivel Custo com pessoal nas vendas, reduzindo a eficincia em 13,5%. Nessa etapa restam no modelo duas variveis de sada: Vendas e Vendas por funcionrio e uma varivel de entrada, que no poder mais ser excluda: Capital Empregado. A ltima etapa consiste ento em retirar consecutivamente a varivel Vendas e Vendas por Funcionrio. O mtodo acaba com o par entrada-sada Capital empregado (entrada) e Vendas (sada). O gestor tambm pode decidir por finalizar o mtodo quando a reduo no ndice de eficincia comear a ser significativa. Isso ocorre no modelo a partir do passo 4. Dois modelos podem ento ser derivados desse mtodo de seleo. O primeiro formado pelas entradas: Custo com pessoal nas vendas e Capital empregado; e sadas Vendas e Vendas por funcionrio. A eficincia mdia resultante foi 0,80 e 7 DMUs se situaram na fronteira eficiente. O segundo modelo consiste na varivel Capital Empregado como entrada e Vendas e Vendas por Funcionrio como sadas. Esse modelo traz uma eficincia mdia de 0,70 e duas unidades na fronteira eficiente. Na viso dos gestores, ambos os modelos trouxeram uma discriminao ruim entre as unidades. O primeiro por apresentar muitas unidades na fronteira, e o segundo por trazer apenas duas unidades eficientes, resultado que pode ter sido influenciado pelos valores que essas unidades possuem para a entrada Capital Empregado, que so os mais baixos do conjunto. Os modelos resultantes do mtodo WS esto na Tabela 5.8. Meza et al. (2007) comentam que o mtodo de Wagner e Shimshak (2007) s considera o ajuste fronteira, ignorando o aumento da discriminao. O uso de outros mtodos de seleo indicado nesse caso, e escolheu-se utilizar o mtodo multicritrio combinatrio inicial como procedimento de seleo alternativo. O mtodo multicritrio combinatrio inicial (MCI) fornece como par inicial a dupla Capital Empregado (entrada) e Vendas (sada). A escolha desse par se baseou somente na eficincia mdia, uma vez que todas as combinaes de pares apresentaram uma nica unidade eficiente. O primeiro passo do mtodo dado na Tabela5.9.
78
Modelo 1 - Parando no passo 5 Entradas: Custo com pessoal nas vendas; Capital Empregado Vendas; Vendas por Funcionrio Sadas DMUs 7 Eficientes Eficncia 0,8 mdia Modelo 2 - Parando no passo 6 Entradas: Capital Empregado Vendas; Vendas por Funcionrio Sadas DMUs 2 Eficientes Eficncia 0,7 mdia
Tabela 5.8 Modelos resultantes do mtodo de Wagner e Shimshak (CCR) No passo seguinte, adicionando-se ao par inicial uma varivel de cada vez, a varivel que apresentou o melhor valor para S foi Vendas por funcionrio. Esse modelo coincide com um dos modelos derivados do mtodo anterior, que no foi satisfatrio. Uma alternativa para essa questo pode ser excluir da anlise a varivel Vendas por funcionrio, e incluir a varivel com o maior valor de S entre as variveis restantes. No caso, temos um empate entre Quantidade vendida e Funcionrios, ambas com S = 0,50. Ambas as variveis sero ento includas ao par Capital Empregado (entrada) e Vendas (sada) separadamente. Os resultados do Passo 2 podem ser encontrados na Tabela 5.10. Incluindo a varivel Funcionrios, o maior valor de S ocorre para Custo com pessoal nas vendas (S = 0,76). Se ao invs de Funcionrios for includa a varivel Quantidade Vendida, h dois valores de S significativos: Investimentos (S = 0,75) e Estoque $ (S = 0,67). Os resultados esto nas Tabelas 5.11 e 5.12. Como so 14 plantas, optou-se por seguir a tradicional regra de que o nmero total de variveis de entrada e sada deve ser menor que 1/3 do nmero de DMUs na anlise. Assim para essa aplicao um modelo satisfatrio deve conter no mximo 4 variveis. Os modelos resultantes do mtodo multicritrio combinatrio inicial esto na Tabela 5.13.
79
Sada Entrada MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU ROS MECA MRYK DMUs Eficientes Eficncia mdia Sada Entrada MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU ROS MECA MRYK DMUs Eficientes Eficncia mdia
Vendas por funcionrio Custo com Capital Estoque Funcionrios Investimentos pessoal empregado dias 1,00 0,05 0,08 0,00 0,72 0,14 0,14 0,23 0,01 0,22 0,24 0,09 0,30 0,05 0,34 0,18 0,00 0,01 0,00 0,26 0,21 0,09 0,13 0,01 0,28 0,39 0,12 0,28 0,00 1,00 0,69 1,00 0,97 0,18 0,42 0,20 0,14 0,44 0,04 0,43 0,06 0,06 0,34 0,00 0,19 0,71 0,48 0,63 1,00 0,28 0,13 0,01 0,04 0,00 0,05 0,13 0,01 0,09 0,00 0,11 0,18 0,48 1,00 0,10 0,23 0,23 0,04 0,05 0,00 0,04 1 0,32 1 0,19 1 0,33 1 0,10 Vendas Custo com pessoal 1,00 0,03 0,09 0,84 0,09 0,16 0,04 0,05 0,02 0,08 0,14 0,11 0,01 0,06 1 0,19 Funcionrios 0,95 0,52 0,64 0,31 0,64 0,86 1,00 0,56 0,35 1,00 0,22 0,21 0,56 0,17 1 0,57 Capital empregado 0,63 0,39 0,98 0,55 0,46 0,96 0,46 0,83 1,00 0,62 0,37 0,63 0,54 0,10 1 0,61 Investimentos 0,04 0,01 0,17 0,04 0,04 0,01 0,09 0,08 0,01 1,00 0,00 0,03 0,05 0,01 1 0,11 Estoque dias 0,58 0,04 0,11 1,00 0,09 0,34 0,02 0,08 0,05 0,03 0,04 0,08 0,01 0,01 1 0,18 1 0,33
Estoque $ 0,12 0,26 0,18 0,04 0,18 0,58 1,00 0,56 0,19 0,43 0,03 0,07 0,82 0,13 1 0,33
Quantidade 0,02 0,08 0,05 0,00 0,08 0,02 0,05 0,02 1,00 0,06 0,01 0,02 0,17 0,07 1 0,12
Estoque $ 0,51 0,22 0,30 0,69 0,30 1,00 0,23 0,51 0,27 0,21 0,14 0,26 0,22 0,13 1 0,36
Quantidade 0,06 0,05 0,06 0,05 0,10 0,02 0,01 0,01 1,00 0,02 0,03 0,04 0,03 0,05 1 0,11
Tabela 5.9 Mtodo MCI (CCR) Passo 1
80
Passo 2 - Entrada: Capital Empregado Sada: Vendas Incluso das seguintes variveis Sada Entrada MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU ROS MECA MRYK DMUs Eficientes Eficncia mdia SEF SDIS S Custo com pessoal 1,00 0,40 1,00 0,87 0,50 1,00 0,47 0,84 1,00 0,64 0,48 0,66 0,54 0,15 4,00 0,68 0,54 0,00 0,27 Investimentos 0,64 0,40 1,00 0,56 0,47 0,97 0,84 0,85 1,00 1,00 0,37 0,64 1,00 0,11 4,00 0,70 0,69 0,00 0,35 Estoque $ 0,65 0,40 0,99 0,69 0,47 1,00 0,47 0,85 1,00 0,63 0,37 0,64 0,55 0,13 2,00 0,63 0,15 0,67 0,41 Quantidade 0,63 0,39 0,98 0,55 0,46 0,96 0,46 0,83 1,00 0,62 0,37 0,63 0,54 0,10 1,00 0,61 0,00 1,00 0,50 Vendas por funcionrio 0,63 0,45 0,98 0,55 0,46 0,96 0,97 0,92 1,00 0,86 0,37 0,63 1,00 0,11 2,00 0,71 0,77 0,67 0,72
Funcionrios Estoque dias 0,97 0,55 1,00 0,56 0,67 1,00 1,00 0,85 1,00 1,00 0,37 0,63 0,63 0,17 4,00 0,74 1,00 0,00 0,50 0,98 0,40 1,00 1,00 0,47 1,00 0,46 0,84 1,00 0,62 0,37 0,64 0,54 0,10 4,00 0,67 0,46 0,00 0,23
81
MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU ROS MECA MRYK DMUs Eficientes Eficncia mdia SEF SDIS S
Passo 3 - Entrada: Capital Empregado; Funcionrios Sada: Vendas Incluso das seguintes variveis Custo com Estoque Estoque Investimentos Quantidade pessoal dias $ 1,00 0,97 1,00 1,00 1,00 0,55 0,55 0,56 0,56 0,66 1,00 1,00 1,00 1,00 1,00 0,87 0,56 1,00 0,69 0,58 0,67 0,68 0,68 0,68 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 0,85 0,86 0,85 0,85 0,85 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 0,48 0,37 0,37 0,38 0,38 0,66 0,64 0,64 0,64 0,63 0,63 1,00 0,63 0,63 0,70 0,18 0,17 0,18 0,19 0,35 5,00 0,78 0,51 1,00 0,76 6,00 0,77 0,38 0,00 0,19 6,00 0,78 0,54 0,00 0,27 6,00 0,76 0,00 0,00 0,00 6,00 0,80 1,00 0,00 0,50
82
Passo 4 - Entrada: Capital Empregado; Quantidade vendida Sada: Vendas Incluso das seguintes variveis Estoque Estoque Custo com Funcionrios Investimentos dias $ pessoal 1,00 0,83 1,00 1,00 1,00 0,52 0,54 0,44 0,55 0,66 1,00 1,00 1,00 0,99 1,00 0,87 0,68 1,00 1,00 0,58 1,00 1,00 0,88 0,84 1,00 1,00 0,97 1,00 1,00 1,00 0,47 0,84 0,46 0,47 1,00 0,84 0,85 0,84 0,85 0,85 1,00 1,00 1,00 1,00 1,00 0,66 1,00 0,62 0,63 1,00 0,51 0,37 0,38 0,40 0,38 0,77 0,64 0,68 0,70 0,63 0,54 1,00 0,54 0,58 0,70 0,57 0,43 0,13 0,38 0,35 5,00 0,77 0,67 0,50 0,58 5,00 0,80 0,99 0,50 0,75 5,00 0,71 0,00 0,50 0,25 4,00 0,74 0,35 1,00 0,67 6,00 0,80 1,00 0,00 0,50
MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU ROS MECA MRYK DMUs Eficientes Eficncia mdia SEF SDIS S
83
Modelo 3 Capital Empregado; Funcionrios; Entradas: Custo com pessoal nas vendas Vendas Sadas DMUs 5 Eficientes Eficncia 0,78 mdia Modelo 4 Capital Empregado; Quantidade Vendida; Entradas: Investimentos Vendas Sadas DMUs 5 Eficientes Eficncia 0,8 mdia Modelo 5 Capital Empregado; Quantidade Vendida; Entradas: Estoque $ Vendas Sadas DMUs 4 Eficientes Eficncia 0,74 mdia
Tabela 5.13 Modelos resultantes do mtodo MCI (CCR) Aplicao do modelo DEA BCC: Como comentado anteriormente, algumas variveis continham dados negativos e no puderam ser includas no modelo DEA mais bsico. Para tratar dessa questo, faz-se o uso da propriedade de invarincia translao contida em alguns modelos mais avanados, como o BCC. Outra caracterstica do modelo BCC que este admite retornos variveis de escala, o que no ocorre no modelo CCR. As DMUs continuam sendo as mesmas 14 plantas produtivas, porm agora tambm entraro no modelo as variveis com valores negativos. As variveis com valores negativos foram transformadas, somando-se a todos os valores o valor mais negativo do conjunto, como explicado anteriormente. As variveis que faro parte da prxima modelagem sero as seguintes:
84
Entradas: Quantidade vendida (milhes peas); Estoque (milhes USD); Estoque (dias); Investimentos (mihes USD); Capital Empregado (milhes USD); Funcionrios (pessoas); Custo com pessoal nas vendas (%). Sadas: Vendas (milhes USD); Vendas por funcionrio (mil USD); Resultado (milhes USD); Retorno do Capital Empregado (%) Como era de se esperar, o primeiro modelo contendo todas as variveis no discriminou as unidades, uma vez que 13 das 14 plantas se situaram na fronteira eficiente. Uma observao a ser feita que o modelo BCC, por relaxar a propriedade de retornos constantes de escala, normalmente apresenta mais unidades na fronteira eficiente quando comparado com o mesmo modelo DEA CCR. Da mesma forma, devero ser utilizados mtodos de seleo para reduzir o nmero de variveis. Sero utilizados os mesmos mtodos de seleo da modelagem CCR, lembrando que a deciso acerca de qual mtodo de seleo utilizar fica a critrio do gestor ou analista. O mtodo de Wagner e Shimshak (2007) para o modelo BCC orientado entrada dado na Tabela 5.14.
85
Incio (E*)
MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU 1 0,89 1 1 1 1 1 1 1 1 1 Passo 1 - Retirando consecutivamente as variveis: MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU O1 - Vendas por funcionrio 1 0,89 1 1 1 1 1 1 1 1 1 O2 - Resultado 1 0,89 1 1 1 1 1 1 1 1 1 O3 - Vendas 1 0,89 1 1 0,992 1 1 1 1 1 1 O4 - Retorno Capital Empregado 1 0,89 1 1 1 1 1 1 1 1 0,72 I1 - Custo pessoal nas vendas 1 0,89 1 1 1 1 1 1 1 1 1 I2 - Funcionrios 1 0,88 1 1 1 1 1 1 1 1 1 I3 - Capital empregado 1 0,89 1 1 1 1 1 1 1 1 0,87 I4 - Investimentos 1 0,89 1 1 1 1 1 1 1 1 1 I5 - Estoque (dias) 1 0,8 1 1 1 1 1 1 1 1 1 I6 - Estoque ($) 1 0,89 1 1 1 1 1 1 1 1 1 I7 - Quantidade vendida 1 0,76 1 1 0,812 1 1 1 1 1 0,87 Retiradas as variveis: O1 - Vendas por funcionrio; O2 - Resultado; I4 - Investimentos e I6 - Estoque ($) E*1 1 0,89 1 1 0,992 1 1 1 1 1 1 Passo 2 - Retirando consecutivamente as variveis: MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU O3 - Vendas 1 0,89 1 1 0,897 1 1 1 1 1 1 O4 - Retorno Capital Empregado 1 0,89 1 1 1 1 1 1 1 1 0,69 I1 - Custo pessoal nas vendas 1 0,89 1 1 1 1 1 1 1 1 1 I2 - Funcionrios 1 0,87 1 1 1 1 1 1 1 1 1 I3 - Capital empregado 1 0,89 1 1 1 1 1 1 1 1 0,87 I5 - Estoque (dias) 1 0,8 1 1 1 1 1 0,98 1 1 1 I7 - Quantidade vendida 1 0,76 1 1 0,709 1 1 1 1 1 0,87 Retirada a varivel I2 - Funcionrios E*2 1 0,87 1 1 1 1 1 1 1 1 1 Passo 3 - Retirando consecutivamente as variveis: MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU O3 - Vendas 1 0,87 1 1 0,89 1 1 1 1 1 1 O4 - Retorno Capital Empregado 1 0,87 1 1 1 1 1 1 1 1 0,69 I1 - Custo pessoal nas vendas 1 0,74 1 1 0,98 1 1 1 1 1 1 I3 - Capital empregado 1 0,87 1 1 1 1 0,88 1 1 0,86 0,87 I5 - Estoque (dias) 1 0,76 1 1 1 1 1 0,98 1 1 1 I7 - Quantidade vendida 1 0,64 1 1 0,594 1 1 1 1 1 0,87 Retirada a varivel O3- Vendas A varivel de sada O4 - Retorno do Capital Empregado no pode mais ser retirada da anlise por ser a nica sada E*3 1 0,87 1 1 0,89 1 1 1 1 1 1 Passo 4 - Retirando consecutivamente as variveis: MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU I1 - Custo pessoal nas vendas 1 0,74 0,91 1 0,752 1 1 1 1 1 1 I3 - Capital empregado 1 0,87 1 1 0,89 1 0,88 1 1 0,86 0,87 I5 - Estoque (dias) 1 0,63 0,73 0,527 0,496 1 1 0,7 1 1 1 I7 - Quantidade vendida 1 0,64 0,83 1 0,594 1 1 1 1 1 0,87 Retirada a varivel I3 - Capital Empregado E*4 1 0,87 1 1 0,89 1 0,88 1 1 0,86 0,87 Passo 5 - Retirando consecutivamente as variveis: MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU I1 - Custo pessoal nas vendas 1 0,74 0,91 1 0,752 1 0,65 1 1 0,55 0,81 I5 - Estoque (dias) 1 0,35 0,29 0,521 0,297 0,47 0,53 0,27 1 0,71 0,87 I7 - Quantidade vendida 1 0,44 0,59 1 0,478 1 0,64 0,69 0,441 0,65 0,51 Retirada a varivel I1 - Custo com pessoal nas vendas E*5 1 0,74 0,91 1 0,752 1 0,65 1 1 0,55 0,81 Passo 6 - Retirando consecutivamente as variveis: MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU I5 - Estoque (dias) 1,00 0,06 0,03 0,45 0,04 0,43 0,18 0,01 1,00 0,55 0,81 I7 - Quantidade vendida 1 0,34 0,45 1 0,354 1 0,34 0,62 0,441 0,23 0,17 Par entrada-sada final: I5 Estoque dias e O4 Retorno do Capital Empregado
DMUs ROS MECA MRYK eficientes 1 1 1 13 ROS 1 1 1 1 0,976 1 1 1 1 1 1 1 ROS 1 1 0,868 1 1 1 0,99 1 ROS 1 1 0,868 1 1 0,99 MECA 1 1 1 1 1 1 1 1 1 1 1 1 MECA 1 1 1 1 1 1 1 1 MECA 1 1 1 1 1 1 MRYK 1 1 1 1 1 1 1 1 1 1 1 1 MRYK 1 1 0,949 1 1 1 1 1 MRYK 1 1 0,4173 1 1 1
E* 0,992 E*-Ei 0,000 0,000 0,001 0,020 0,002 0,001 0,010 0,000 0,006 0,000 0,032 0,991 E*-Ei 0,007 0,021 0,012 0,001 0,009 0,007 0,039 0,991 E*-Ei 0,008 0,022 0,062 0,028 0,009 0,055
13 13 12 12 12 13 12 13 13 13 11 12
12 12 11 13 12 12 10 13
12 12 10 10 12 10
1 ROS 0,86 1 0,86 0,99 1 ROS 0,86 0,469 0,668 0,86
1 MECA 1 1 1 1 1 MECA 0,7825 0,6175 0,4778
1 MRYK 0,4173 1 1 1 1 MRYK 0,4173 1 1
12
0,983 E*-Ei 0,077 0,028 0,130 0,060 0,955 E*-Ei 0,136 0,355 0,272 0,819 E*-Ei 0,473 0,325
9 9 8 9 9
5 3 4 5
0,7825 0,4173
ROS MECA MRYK 0,03 0,11 0,15 0,428 0,3537 0,1854
2 3
Tabela 5.14 Mtodo de Wagner e Shimshak (BCC) No primeiro passo do mtodo WS as variveis Vendas por funcionrio, Resultado, Investimentos e Estoque ($) apresentaram valores nulos para a diferena E*-Ei e foram excludas da anlise. Nos passos seguintes foram removidas do modelo as variveis Funcionrios, Vendas e Capital Empregado sem mudanas significativas no ndice de
86
eficincia. A partir do quinto passo dois modelos podem ser derivados do mtodo e esto na
Tabela 5.15.
Modelo 6 - Parando no passo 4 Custo com pessoal nas vendas; Entradas: Estoque(dias); Quantidade vendida Retorno do capital empregado Sadas DMUs 9 Eficientes Eficncia 0,955 mdia Modelo 7 - Parando no passo 5 Entradas: Estoque(dias); Quantidade vendida Retorno do capital empregado Sadas DMUs 5 Eficientes Eficncia 0,819 mdia
Tabela 5.15 Modelos resultantes do mtodo de Wagner e Shimshak (BCC) J no mtodo multicritrio combinatrio inicial (MCI), primeiramente so modelados cada par entrada sada possvel. Os resultados dessa primeira etapa esto nas Tabelas 5.16 a
5.19.
87
Sada Entrada MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU ROS MECA MRYK DMUs Eficientes Eficncia mdia SEF SDIS S Custo com pessoal 1,000 0,209 0,309 1,000 0,264 0,395 0,521 0,281 0,133 0,561 0,462 0,487 0,249 1,000 3 0,49 0,625 0,60 0,61 Funcionrios 1,000 0,519 0,655 1,000 0,661 0,891 1,000 0,568 0,355 1,000 0,228 0,211 0,909 0,227 4 0,66 0,891 0,40 0,65 Capital empregado 1,000 0,416 1,000 1,000 0,470 1,000 0,636 0,831 1,000 0,632 0,375 0,639 1,000 0,168 6 0,73 1,000 0,00 0,50
Vendas Investimentos 0,798 0,016 1,000 1,000 0,352 0,117 0,000 0,136 0,013 1,000 0,026 0,119 0,000 0,026 3 0,33 0,375 0,60 0,49 Estoque dias 0,779 0,345 0,454 1,000 0,354 1,000 0,338 0,620 0,441 0,233 0,165 0,428 0,354 0,185 2 0,48 0,609 0,80 0,70 Estoque $ 0,697 0,425 0,346 1,000 0,338 1,000 0,702 0,870 0,470 0,374 0,171 0,352 1,000 0,493 3 0,59 0,781 0,60 0,69 Quantidade 1,000 0,056 0,562 1,000 0,980 0,230 0,016 0,021 1,000 0,021 0,235 0,281 0,111 0,146 3 0,40 0,484 0,60 0,54
Tabela 5.16 Mtodo MCI (BCC) - Pares entrada-sada com a sada Vendas
Sada Entrada MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU ROS MECA MRYK DMUs Eficientes Eficncia mdia SEF SDIS S Custo com pessoal 1,000 0,206 0,293 0,521 0,248 0,413 0,535 0,275 0,131 0,582 0,495 0,469 0,249 1,000 2 0,46 0,578 0,80 0,69 Funcionrios 1,000 0,280 0,148 0,197 0,137 1,000 1,000 0,254 0,164 1,000 0,366 0,065 0,909 0,227 4 0,48 0,609 0,40 0,50 Capital empregado 1,000 0,240 0,257 0,519 0,111 1,000 1,000 0,421 0,833 1,000 0,544 0,265 1,000 0,223 5 0,60 0,797 0,20 0,50 Retorno Capital Investimentos 1,000 0,016 0,078 0,688 0,020 0,284 0,000 0,069 0,008 1,000 0,188 0,017 0,000 0,026 2 0,24 0,297 0,80 0,55 Estoque dias 1,000 0,345 0,454 1,000 0,354 1,000 0,338 0,620 0,441 0,233 0,165 0,428 0,354 0,185 3 0,49 0,625 0,60 0,61 Estoque $ 1,000 0,336 0,194 0,807 0,182 1,000 0,915 0,648 0,447 0,465 0,208 0,246 1,000 0,572 3 0,57 0,750 0,60 0,68 Quantidade 1,000 0,056 0,030 0,447 0,044 0,432 0,177 0,014 1,000 0,550 0,815 0,030 0,111 0,146 2 0,35 0,406 0,80 0,60
Tabela 5.17 Mtodo MCI (BCC) - Pares entrada-sada com a sada Retorno de Capital
88
Sada Entrada MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU ROS MECA MRYK DMUs Eficientes Eficncia mdia SEF SDIS S Custo com pessoal 1,000 0,228 0,335 0,438 0,286 0,441 1,000 0,310 0,137 0,909 0,445 0,474 0,279 1,000 3 0,52 0,672 0,60 0,64 Funcionrios 0,056 0,280 0,148 0,011 0,137 0,143 1,000 0,254 0,164 0,492 0,053 0,065 0,909 0,227 1 0,28 0,297 1,00 0,65
Vendas por funcionrio Capital Estoque Investimentos empregado dias 0,077 0,240 0,299 0,023 0,133 0,281 1,000 0,445 0,522 0,648 0,100 0,224 1,000 0,154 2 0,37 0,438 0,80 0,62 0,004 0,016 0,078 0,003 0,020 0,003 0,000 0,069 0,008 1,000 0,002 0,017 0,000 0,026 1 0,09 0,000 1,00 0,50 1,000 0,345 0,454 0,653 0,354 1,000 1,000 0,620 0,441 0,566 0,165 0,428 0,354 0,185 3 0,54 0,703 0,60 0,65
Estoque $ 0,125 0,336 0,212 0,071 0,203 0,615 1,000 0,669 0,354 0,435 0,098 0,228 1,000 0,478 2 0,42 0,516 0,80 0,66
Quantidade 0,357 0,441 0,472 0,004 0,789 0,225 1,000 0,158 1,000 1,000 0,013 0,030 1,000 0,146 4 0,47 0,594 0,40 0,50
Tabela 5.18 Mtodo MCI (BCC) - Pares entrada sada com Vendas por Funcionrio
Sada Entrada MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU ROS MECA MRYK DMUs Eficientes Eficncia mdia SEF SDIS S Custo com pessoal 1,000 0,206 0,293 1,000 0,248 0,377 0,522 0,275 0,130 0,554 0,461 0,469 0,250 1,000 3 0,48 0,609 0,60 0,60 Funcionrios 1,000 0,280 0,148 1,000 0,137 0,397 1,000 0,254 0,164 0,629 0,226 0,065 0,909 0,227 3 0,46 0,578 0,60 0,59 Capital empregado 1,000 0,240 0,257 1,000 0,111 0,664 0,662 0,421 0,587 0,567 0,561 0,224 1,000 0,154 3 0,53 0,688 0,60 0,64 Resultado Investimentos 0,793 0,016 0,078 1,000 0,020 0,058 0,000 0,069 0,008 1,000 0,075 0,017 0,000 0,026 2 0,23 0,219 0,80 0,51 Estoque dias 0,787 0,345 0,454 1,000 0,354 1,000 0,338 0,620 0,441 0,233 0,170 0,428 0,354 0,185 2 0,48 0,609 0,80 0,70 Estoque $ 0,712 0,336 0,194 1,000 0,182 0,872 0,707 0,648 0,368 0,348 0,245 0,228 1,000 0,478 2 0,52 0,672 0,80 0,74 Quantidade 1,000 0,056 0,030 1,000 0,044 0,103 0,029 0,014 1,000 0,082 0,338 0,030 0,111 0,146 3 0,28 0,297 0,60 0,45
Tabela 5.19 Mtodo MCI (BCC) - Pares entrada-sada com a sada Resultado
89
O modelo inicial a ser escolhido o possui o maior valor para a varivel S, ou seja, apresenta boa discriminao e boa eficincia mdia. O maior valor ocorre para o par Estoque($) e Resultado. Partindo desse par inicial, cada varivel restante adicionada ao modelo. A prxima varivel a entrar no modelo ser novamente a que tiver o maior valor de S. O segundo passo do mtodo est na Tabela 5.20.
Passo 2 - Entrada: Estoque ($) Sada: Resultado Incluso das seguintes variveis Sada Vendas por funcionrio Retorno capital empregado 1,00 0,34 0,19 1,00 0,18 1,00 0,92 0,65 0,45 0,46 0,27 0,25 1,00 0,57 4,00 0,591 0,03 0,50 0,27 Vendas
Entrada MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU ROS MECA MRYK DMUs Eficientes Eficncia mdia SEF SDIS S
Custo com Estoque Capital Funcionrios Investimentos Quantidade Empregado pessoal dias 1,00 0,48 0,37 1,00 0,34 0,99 1,00 0,82 0,42 0,64 0,46 0,48 1,00 1,00 5,00 0,715 1,00 0,00 0,50 1,00 0,34 0,19 1,00 0,18 0,90 1,00 0,65 0,37 0,63 0,30 0,23 1,00 0,48 4,00 0,590 0,03 0,50 0,26 0,79 0,54 0,45 1,00 0,38 1,00 0,81 1,00 0,62 0,44 0,26 0,47 1,00 0,50 4,00 0,661 0,58 0,50 0,54 0,79 0,34 0,19 1,00 0,18 0,87 1,00 0,65 0,37 1,00 0,24 0,23 1,00 0,48 4,00 0,596 0,07 0,50 0,29 1,00 0,34 0,26 1,00 0,18 0,87 0,71 0,65 0,59 0,57 0,56 0,23 1,00 0,48 3,00 0,602 0,12 1,00 0,56 1,00 0,43 0,24 1,00 0,29 0,87 0,71 0,65 1,00 0,35 0,38 0,25 1,00 0,84 4,00 0,643 0,44 0,50 0,47
1,00 0,34 0,21 1,00 0,20 1,00 1,00 0,67 0,37 0,47 0,24 0,23 1,00 0,48 5,00 0,587 0,00 0,00 0,00
0,72 0,42 0,35 1,00 0,34 1,00 0,72 0,87 0,47 0,37 0,25 0,35 1,00 0,49 3,00 0,597 0,08 1,00 0,54
Tabela 5.20 Mtodo MCI (BCC) Passo 2 A prxima varivel a ser includa no modelo a entrada Capital Empregado com S = 0,56, resultando num modelo com 3 variveis. Continuando com a anlise, um modelo de 4 variveis derivado do mtodo ir conter a varivel de entrada Custo com Pessoal, de acordo com o passo 3 na Tabela 5.21.
90
Passo 3 - Entrada: Estoque ($); Capital Empregado Sada: Resultado Incluso das seguintes variveis Sada Estoque dias 1,00 0,56 0,70 1,00 0,45 1,00 0,85 1,00 1,00 0,62 0,56 0,65 1,00 0,50 5,00 0,778 0,84 0,50 0,67 Vendas por Retorno capital funcionrio empregado 1,00 0,34 0,30 1,00 0,20 1,00 1,00 0,67 0,59 0,78 0,56 0,23 1,00 0,48 5,00 0,653 0,11 0,50 0,31 1,00 0,34 0,26 1,00 0,18 1,00 1,00 0,65 0,83 1,00 0,71 0,26 1,00 0,57 6,00 0,700 0,38 0,00 0,19 Vendas
Entrada MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU ROS MECA MRYK DMUs Eficientes Eficncia mdia SEF SDIS S
Custo com Funcionrios pessoal 1,00 0,48 0,55 1,00 0,40 0,99 1,00 0,82 0,59 0,99 0,71 0,76 1,00 1,00 5,00 0,806 1,00 0,50 0,75 1,00 0,34 0,26 1,00 0,18 0,90 1,00 0,65 0,59 0,69 0,56 0,23 1,00 0,48 4,00 0,633 0,00 1,00 0,50
Investimentos Quantidade 1,00 0,34 0,26 1,00 0,18 0,87 1,00 0,65 0,59 1,00 0,56 0,23 1,00 0,48 5,00 0,653 0,12 0,50 0,31 1,00 0,43 0,26 1,00 0,29 0,87 0,71 0,65 1,00 0,57 0,56 0,25 1,00 0,84 4,00 0,673 0,23 1,00 0,62
1,00 0,48 1,00 1,00 0,47 1,00 0,72 0,97 1,00 0,74 0,57 0,64 1,00 0,49 6,00 0,792 0,92 0,00 0,46
Tabela 5.21 Mtodo MCI (BCC) Passo 3 Os modelos derivados do mtodo multicritrio combinatrio inicial esto na Tabela
5.22.
Modelo 8 Entradas: Estoque($); Capital Empregado Resultado Sadas DMUs 3 Eficientes Eficncia 0,602 mdia Modelo 9 Entradas: Estoque($); Capital Empregado; Custo com pessoal
Resultado Sadas DMUs Eficientes Eficncia mdia
5 0,806
Tabela 5.22 Modelos resultantes do mtodo MCI (BCC)
91
O gestor se encontra agora com nove modelos diferentes derivados de dois mtodos de seleo, que esto resumidos na Tabela 5.23.
Modelo Mtodo 1 2 3 4 5 6 CCR CCR CCR CCR CCR BCC WS WS MCI MCI MCI WS Entradas Custo com pessoal nas vendas; Capital Empregado Capital Empregado Capital Empregado; Funcionrios; Custo com pessoal nas vendas Capital Empregado; Quantidade Vendida; Investimentos Capital Empregado; Quantidade Vendida; Estoque($) Custo com pessoal nas vendas; Estoque(dias); Quantidade vendida Estoque(dias); Quantidade vendida Estoque($); Capital Empregado Estoque($); Capital Empregado; Custo com pessoal Sadas Vendas; Vendas por Vendas; Vendas por Vendas Vendas Vendas Retorno do capital empregado Retorno do capital empregado Resultado Resultado DMUs Ef. Ef. mdia 7 2 5 5 4 9 0,8 0,7 0,78 0,8 0,74 0,96
7 8 9
BCC BCC BCC
WS MCI MCI
5 3 5
0,82 0,60 0,81
Tabela 5.23 Resumo dos modelos resultantes da etapa de Aplicao
5.3.6 Escolha do modelo

Embora todos os modelos derivados sejam utilizados na etapa de Anlise, deve-se escolher um modelo para ser analisado detalhadamente. Essa escolha ser feita considerando os seguintes aspectos: gestores. De acordo com o objetivo da anlise traado anteriormente, o modelo deve conter ao menos uma das duas variveis de sada: Vendas ou Resultado. Essa restrio j exclui os modelos 6 e 7 que apresentam como nica varivel de sada o Retorno do Capital Empregado. Discriminao, representado pelo nmero de unidades na fronteira eficiente; Eficincia mdia; Presena de varivel considerada imprescindvel pelos gestores.
Todos os modelos apresentam uma eficincia mdia considerada satisfatria pelos
92
O modelo 1 apresenta muitas variveis na fronteira eficiente, indicando uma discriminao ruim. J o modelo 2 considerado fraco por conter somente duas unidades na fronteira. Sobram ento os modelos 3, 4, 5, 8 e 9. A incluso da varivel Custo com Pessoal traz um aumento de duas unidades na fronteira. Essa varivel no considerada suficientemente importante para os gestores a ponto de classificar uma unidade que era ineficiente como eficiente. Isso j exclui o modelo 9. Dentre as variveis contidas nos modelos 3, 4, 5 e 8 restantes, a varivel Estoque ($) considerada muito relevante ao avaliar as unidades. Isso j guia o gestor dois modelos, de acordo com a Tabela 5.24.
Modelo Mtodo 5 8 CCR BCC MCI MCI
Entradas Capital Empregado; Quantidade Vendida; Estoque($) Estoque($); Capital Empregado
Sadas Vendas Resultado
DMUs Ef. Ef. mdia 4 3 0,74 0,60
Tabela 5.24 Modelos escolhidos pelos gestores Na etapa de Anlise Exploratria e Tratamento dos Dados, verificou-se que as unidades no so homogneas, apresentando diferenas de porte. Como comentado anteriormente, isso indica a necessidade de se utilizar modelos com retornos de escala variveis. Assim o modelo que mais se encaixa nas caractersticas dos dados e necessidades dos gestores o modelo BCC utilizando o mtodo MCI. Deve-se levar em considerao que sempre existir a subjetividade na escolha dos melhores modelos. Uma vez que cada gestor pode considerar a importncia de determinada varivel de maneira diferente, a etapa de escolha pode fornecer resultados muito distintos. Entretanto essa no uma limitao somente da tcnica DEA. Qualquer tcnica de auxlio deciso fica dependente de certa subjetividade por parte do analista ou gestor. Uma caracterstica que pode ser aproveitada que diferentes modelos fornecem diferentes perspectivas sobre as unidades. O gestor que deseje enfatizar alguma caracterstica especfica ir escolher o modelo que melhor atenda a esse objetivo. Um exemplo dessa nfase foi a prioridade dada varivel Estoque ($) durante a escolha dos modelos.
93
5.4 Anlise
5.4.1 Anlises globais
O grfico de eficincias (Figura 5.2) traz a contagem das plantas que obtiveram o ndice de eficincia unitrio nos nove modelos.
7 6 5 5 4 3 2 2 2 1 1
VI L
N A M R
EC A
PT
FS P
ST J
US
RY K
BR
FC
Figura 5.2 Grfico de eficincias J possvel verificar unidades que se posicionam como as piores do grupo. As plantas AGU e BAR no foram consideradas eficientes em nenhum dos nove modelos aplicados. O gestor poderia considerar tambm como as piores do grupo as unidades que se mostram eficientes em somente um ou dois dos nove modelos analisados. O grfico de referncias traz a contagem do nmero de vezes que a planta considerada referncia para uma unidade ineficiente, e o nmero de vezes que a planta a maior referncia para a unidade, ou seja, possui o maior valor de . A Figura 5.3 traz o grfico de referncias para o conjunto em anlise. Como as unidades AGU e BAR no foram avaliadas como eficientes, essas tambm no servem como referncia para nenhuma outra planta. A unidade MUS a que mais aparece no grupo de referncia, e a que mais aparece como maior referncia. Dessa forma ela pode ser considerada um benchmark global para o conjunto de empresas.
94
41
27
26
21
19
21
10
10
6 2
M PT M EC A
1
M RY K FS P VI L ST J FC I
0
A R C M AN
1
R O S
2
M BR
M US
Vezes no grupo de referncia
Vezes como maior referncia
Figura 5.3 Grfico de referncias J a planta MPT, embora se destaque pelo nmero de vezes que aparece no conjunto de referncias, somente em duas delas a maior referncia. Isso mostra que embora a unidade possa servir como referncia para uma unidade eficiente, h sempre outra unidade que tambm referncia e traz uma proporo de entradas e sadas mais fcil de ser atingida pela unidade ineficiente em questo. A planta MBR se situa no grupo das empresas mais avaliadas como eficientes, mas a que menos aparece no conjunto de referncias e nenhuma vez a maior referncia para a planta ineficiente analisada. Isso mostra que a unidade alcana a eficincia por conter valores de entrada e sada muitos distantes dos praticados pelas outras plantas. Dessa forma, deve-se ter cautela ao considerar a planta MBR como um benchmark genuno, uma vez que esta deve estar operando em condies muito diferentes do restante do conjunto.
5.4.2 Anlises especficas

Na etapa de escolha os gestores analisaram os modelos resultantes dos mtodos de seleo e escolheram o modelo BCC utilizando o mtodo MCI (modelo 8) como o mais satisfatrio do conjunto, de acordo com as variveis consideradas mais relevantes para a anlise. O modelo 8 considera retornos variveis de escala, possui boa discriminao e eficincia mdia, e formado pelo seguinte conjunto de variveis: Entrada: Estoque ($), Capital Empregado; Sada: Resultado;
95
Os ndices de eficincia e unidades de referncia para este modelo esto na Tabela

5.25:
DMU MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU ROS MECA MRYK Eficincia Referncia 1,00 MPT 0,34 MECA 0,26 MECA 1,00 MBR 0,18 MECA 0,87 MBR 0,71 MBR 0,65 MECA 0,59 MPT 0,57 MPT 0,56 MPT 0,23 MECA 1,00 MECA 0,48 MECA
Tabela 5.25 ndices de eficincia e unidades referncia para o modelo 8 Trs unidades foram consideradas eficientes nesse modelo: MPT, MBR e MECA. Um ponto a ser considerado que a planta MUS, considerada benchmark global nas anlises anteriores no aparece como eficiente nesse modelo especfico escolhido pelos gestores. Isso mostra a fragilidade de se utilizar somente um modelo para a anlise DEA. Certamente nesse conjunto de variveis a planta MUS no apresenta bons valores de entrada e sada, mas se destaca em outros conjuntos de variveis. A planta de MECA possui os menores valores para as duas variveis de entrada do modelo, e provavelmente se situa na fronteira por ser um ponto extremo. A sugesto excluir a unidade e verificar a composio da nova fronteira de eficincia. A nova fronteira est na
Tabela 5.26.
Com a excluso da unidade, quatro outras unidades passam a se situar na fronteira: STJ, FSP, e MUS. Embora o modelo excluindo MECA perca em discriminao (mais unidades na fronteira), os resultados obtidos so mais confiveis.
96
DMU MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU ROS MRYK
Eficincia 1,00 0,52 0,49 1,00 0,28 1,00 1,00 1,00 1,00 0,79 0,61 0,43 0,74
Referncia MPT FSP MUS MBR FSP STJ FSP FSP MUS MPT MPT FSP FSP
Tabela 5.26 - ndices de eficincia e unidades referncia excluindo MECA Como comentado anteriormente, somente o ndice de eficincia no serve para avaliar as plantas como eficientes. preciso analisar tambm se as folgas so nulas, verificando se a unidade no desconsidera determinadas variveis na anlise. As folgas das unidades esto na
Tabela 5.27.
DMU MPT BAR VIL MBR MAN STJ FSP FCI MUS ARC AGU ROS MRYK Eficincia 1,00 0,52 0,49 1,00 0,28 1,00 1,00 1,00 1,00 0,79 0,61 0,43 0,74 Folga Estoque 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,89 2,37 0,00 0,00 Folga Capital Empregado 0,00 0,44 0,00 0,00 1,15 0,00 0,00 0,85 0,00 0,00 0,00 0,00 5,47 Folga Resultado 0,00 0,71 0,90 0,00 1,10 0,00 0,00 0,19 0,00 0,00 0,00 0,22 0,09
Tabela 5.27 Variveis de folga das unidades A unidade MUS a nica que eficiente e apresenta folga diferente de zero para uma das variveis. Pelas condies complementares explicadas anteriormente, se uma das folgas diferente de zero, ento a varivel v ou u correspondente obrigatoriamente deve ser zero, o que significa que a unidade desconsidera a varivel correspondente, no caso Estoque ($), da anlise. Dessa forma ela no pode ser considerada eficiente.
97
Para que as plantas ineficientes se tornem eficientes, essas precisam modificar os valores de suas variveis. O quanto uma unidade ineficiente precisa reduzir ou aumentar de uma ou mais variveis para estar na fronteira eficiente determinado pelas unidades eficientes. A Tabela 5.28 traz os valores das projees das unidades ineficientes. Como comentado anteriormente, a eficincia da unidade MUS pode ser questionada, uma vez que para se tornar efetivamente eficiente, precisa ainda reduzir seu Estoque($). A varivel Estoque ($) est em milhes de dlares e a unidade precisa reduzi-lo em 342 dlares. Fica a cargo dos gestores decidirem se esse valor significante ou no. Muitos dos valores apresentados podem ser considerados absurdos do ponto de vista prtico. Realmente pode ser considerado impraticvel aumentar em 547% o Resultado da VIL, ou mesmo reduzir 65% do Estoque ($) de AGU. Porm esses dados mostram ao gestor qual a varivel crtica que est prejudicando a eficincia da unidade quando comparada com as outras, e nessa varivel que os esforos devem ser concentrados.
5.4.3 Modelagens adicionais

Nessa etapa os gestores optaram por confirmar os resultados obtidos com os modelos DEA CCR e BCC a partir da utilizao de um modelo orientado s entradas e sadas. Como havia o interesse de obter um escore de eficincia, o modelo escolhido foi o SBM com retorno varivel de escala. Nesse modelo os dados negativos so substitudos por valores positivos bem pequenos. O primeiro modelo contendo as entradas Capital Empregado e Estoque ($) e a sada Resultado apresentou os mesmos resultados obtidos anteriormente: as plantas MPT, MBR e MECA como eficientes, sendo que todas as plantas eficientes continham folga nula. Excluindo a planta MECA aparecem MPT, MBR, STJ e FSP como eficientes, tambm todas com folgas nulas. Dessa vez a planta MUS no aparece na fronteira, como no modelo BCC.
98
Valor Projeo Diferena Eficincia 0,518 BAR Estoque (milhes USD) Capital Empregado - 13pa (milhes USD) Resultado (milhes USD) VIL Estoque (milhes USD) Capital Empregado - 13pa (milhes USD) Resultado (milhes USD) MAN Estoque (milhes USD) Capital Empregado - 13pa (milhes USD) Resultado (milhes USD) FCI Estoque (milhes USD) Capital Empregado - 13pa (milhes USD) Resultado (milhes USD) MUS Estoque (milhes USD) Capital Empregado - 13pa (milhes USD) Resultado (milhes USD) ARC Estoque (milhes USD) Capital Empregado - 13pa (milhes USD) Resultado (milhes USD) AGU Estoque (milhes USD) Capital Empregado - 13pa (milhes USD) Resultado (milhes USD) ROS Estoque (milhes USD) Capital Empregado - 13pa (milhes USD) Resultado (milhes USD) MRYK Estoque (milhes USD) Capital Empregado - 13pa (milhes USD) Resultado (milhes USD) 2,557 8,014 0,382 4,430 7,475 0,165 4,734 17,360 0,000 1,327 4,570 0,910 2,431 3,687 1,061 2,995 5,601 1,181 8,817 19,269 2,087 3,772 8,582 0,866 1,800 12,476 1,004 1,325 3,713 1,095 2,188 3,692 1,068 1,325 3,713 1,095 1,325 3,713 1,095 2,430 3,687 1,061 1,473 4,409 1,181 3,039 11,820 2,087 1,629 3,706 1,086 1,325 3,713 1,095 -1,232 -4,301 0,713 -2,242 -3,782 0,903 -3,408 -13,648 1,095 -0,001 -0,857 0,186 0,000 0,000 0,000 -1,523 -1,192 0,000 -5,778 -7,449 0,000 -2,143 -4,876 0,220 -0,474 -8,764 0,091
% -48,17% -53,67% 186,54% -50,60% -50,60% 547,49% -72,00% -78,61% 999,90% -0,09% -18,76% 20,43% -0,01% 0,00% 0,00% -50,84% -21,28% 0,00% -65,54% -38,66% 0,00% -56,82% -56,82% 25,36% -26,36% -70,24% 9,04%
Eficincia 0,494
Eficincia 0,280
Eficincia 0,999
Eficincia 1
Eficincia 0,787
Eficincia 0,613
Eficincia 0,432
Eficincia 0,736
Tabela 5.28 Projees das unidades ineficientes na fronteira eficiente
5.4.4 Sntese dos resultados

A prxima reunio semestral do comit diretivo ir contar com dados adicionais para auxlio tomada de deciso. Utilizando as 14 plantas que compe o Grupo X, os resultados obtidos com a anlise DEA so os seguintes:
99
Dentre o conjunto, as cinco empresas mais eficientes so, respectivamente: MPT, MUS, MECA, MBR e STJ; Do conjunto de empresas mais eficientes, algumas se destacam por servirem de referncia para as unidades ineficientes. So estas, respectivamente: MUS, MPT, MECA e STJ;
AGU e BAR so as piores empresas do grupo, uma vez que no so eficientes em nenhum dos modelos testados. Essas empresas podem necessitar de intervenes urgentes;
O ranking das 5 piores empresas do grupo fica ento composto por: AGU e BAR, ROS, MAN e MRYK; A planta MBR eficiente, mas utiliza uma proporo de entradas e sadas muito diferenciado de todas as outras do grupo. Olhando para as empresas atravs das variveis de entrada Estoque ($) e Capital Empregado e sada Resultado, as empresas mais eficientes so MPT e MBR. A planta de MECA se situa como eficiente, mas foi excluda por conter os menores valores para as duas variveis de entrada desse modelo, sendo considerada um ponto extremo.
Retirando a planta MECA o novo grupo de unidades eficientes fica composto ento por: MPT, MBR, STJ e FSP. A planta MUS apresenta o escore unitrio, mas traz a folga de Estoque ($) nula, sendo ento desconsiderada entre o grupo eficiente;
Para a planta AGU se situar na fronteira de eficincia necessrio reduzir o Estoque ($) em 65% e reduzir o Capital Empregado em 38%; J a planta BAR precisa reduzir o Estoque ($) em 48%, reduzir o Capital Empregado em 53,7% e aumentar o Resultado em 186%. Os valores das projees so impraticveis, mas fornecem gesto uma magnitude da ineficincia da planta em questo; O modelo SBM confirma os resultados obtidos pelo modelo DEA BCC.
Captulo 6 CONCLUSO
100
CONCLUSO
A anlise por envoltria de dados uma tcnica de anlise de eficincia que vem sendo
muito utilizada nos ltimos anos. Por permitir a comparao entre unidades, seu potencial de utilizao como auxlio deciso muito grande. Entretanto sua aplicao nem sempre trivial no ambiente empresarial. O analista que deseja utilizar DEA precisa estar por dentro de algumas particularidades que devem ser consideradas para que haja credibilidade na anlise. Esto entre essas, aspectos como: a presena de dados negativos, a seleo de variveis e a escolha dos modelos a serem utilizados. O presente trabalho reuniu algumas caractersticas que merecem ateno na aplicao da DEA, dividindo essas caractersticas em etapas, que vo da fase de Concepo at a fase de Anlise. Nessas etapas so apresentadas algumas caractersticas que podem facilitar e melhorar a aplicao da DEA. A utilizao de um guia como o apresentado pode aumentar a utilizao da tcnica por parte dos gestores e garantir maior confiabilidade e segurana para aqueles que j utilizam DEA como auxlio deciso. Destaca-se como vantagem na utilizao da metodologia a possibilidade de basear a tomada de deciso em mais de um modelo DEA. O uso de diferentes modelos e mtodos de seleo mostra que os resultados podem ser muito diferentes dependendo do enfoque dado na anlise, e recomenda-se que mais de um modelo seja utilizado. A planta MUS, por exemplo, aparece como benchmark global do conjunto, uma vez que entre as plantas mais eficientes a que mais aparece no conjunto de referncia. Entretanto, no modelo escolhido pelos gestores, a unidade apresenta folga nula e excluda do conjunto eficiente. O uso desse modelo isolado no mostraria a fora da unidade como uma das mais eficientes e maior referncia para o conjunto ineficiente. Dessa forma, a proposta que as unidades sejam avaliadas atravs de todos os modelos, aumentando a confiabilidade do estudo. A etapa de concepo tem como objetivo melhorar a qualidade das informaes que sero utilizadas na etapa de modelagem. Essa etapa imprescindvel na maior parte dos trabalhos que utilizam modelagem quantitativa, e apresentada nesse trabalho de maneira estruturada. A etapa de modelagem trata de aspectos especficos da DEA, e mostra o que deve ser verificado durante sua aplicao.
Captulo 6 CONCLUSO
101
No exemplo de aplicao havia um pequeno nmero de unidades, o que justificou a necessidade de se utilizar mtodos de seleo de variveis. Nesses casos, o uso de mais de um mtodo de seleo parece ser uma boa alternativa para aumentar a confiabilidade do modelo e fornecer diferentes perspectivas sobre o problema. Entretanto o gestor precisa analisar cada situao separadamente, e adaptar os conhecimentos a outras situaes. Podem existir casos onde os mtodos de seleo no sejam necessrios. Os mtodos de seleo escolhidos para o caso em questo no necessariamente precisam ser os utilizados. Esses foram os escolhidos por atenderem ao caso em questo, e por ser invivel o detalhamento e explicao de muitos mtodos de seleo, uma vez que esse um vasto campo de pesquisa em DEA. O gestor deve procurar utilizar o mtodo de seleo que seja mais adequado ao seu trabalho. A escolha dos modelos sempre uma etapa subjetiva e que necessita da participao do gestor. Como comentado, essa no uma fraqueza da DEA, e sim uma possibilidade de avaliar as unidades por diferentes perspectivas. Porm podem ser utilizadas medidas como a eficincia mdia e o nmero de unidades na fronteira para auxiliar na escolha dos modelos. O gestor deve buscar conciliar caractersticas de boa eficincia mdia e boa discriminao com a necessidade de reter variveis que so imprescindveis para a anlise. Na etapa de Anlise foram retiradas as informaes e resultados a serem utilizados na tomada de deciso. A anlise global permite obter resultados que sejam independentes da escolha do modelo, ou seja, identificar as variveis que se destacam na maioria dos conjuntos de variveis. Se o nico objetivo verificar qual a unidade mais eficiente do conjunto, independente da perspectiva, somente a anlise global pode ser utilizada. Quando se deseja verificar a eficincia por determinado conjunto de variveis, utilizase a anlise especfica. Nesse caso so verificados tambm os alvos e unidades referncia. Os alvos fornecidos muitas vezes parecem absurdos ou impraticveis pela unidade. Porm esses fornecem ao gestor uma magnitude da ineficincia, e indica quais unidades merecem maior ateno. Uma limitao do trabalho consiste no fato de que este s foi aplicado em um caso real. A utilizao da metodologia em outras situaes de tomada de deciso pode incrementar as etapas e mostrar os pontos de maior dificuldade ao utilizar DEA. A validao de modelos DEA consiste em outra rea a ser explorada, e deixada como sugesto para trabalhos futuros. Essa etapa adicional encerraria a aplicao, aumentando ainda mais a confiana dos gestores durante a utilizao dos resultados. Um
Captulo 6 CONCLUSO
102
exemplo de tcnicas de validao em DEA pode ser visto em Pastor, Lovell e Tulkens (2006), onde uma tcnica suplementar conhecida por FDH (free disposal hull) utilizada para validar os resultados obtidos pela tcnica primria DEA. Dessa maneira a metodologia deve ser utilizada ao menos como um incio da utilizao da DEA no ambiente empresarial. Trazer modelos quantitativos da teoria para a vida real sempre um desafio. Nas palavras de Rouse e Swales (2006), tornar a caixa preta transparente no sempre fcil, mas essencial quando se almeja obter sucesso com DEA e trazer ganhos reais para organizaes.
REFERNCIAS BIBLIOGRFICAS
103
ADLER, N.; GOLANY, B. Evaluation of deregulated airline networks using data envelopment analysis combined with principal component analysis with an application to Western Europe. European Journal of Operational Research, v.132, p.260-273, 2001. AL-SHAMMARI, M. A multi-criteria data envelopment analysis model for measuring the productive efficiency of hospitals. International Journal of Operations & Production Management, v.19, n.9, p.879-890, 1999. BADIN, Neiva Teresinha. Avaliao da produtividade de supermercados e seu benchmarking. Dissertao Programa de Ps-Graduao em Engenharia de Produo, Universidade Federal de Santa Catarina, Florianpolis, 1997. BANKER, R.D.; CHARNES, A.; COOPER, W.W. Some models for estimating technical and scale inefficiencies in Data Envelopment Analysis. Management Science, v.30, n.9, p. 10781092, 1984. BELLONI, Jos ngelo. Uma metodologia de avaliao da eficincia produtiva de universidades federais brasileiras. Tese (Doutorado) Programa de Ps-Graduao em Engenharia de Produo, Universidade Federal de Santa Catarina, Florianpolis, 2000. BERTRAND, J.W.M.; FRANSOO, J.C. Operations management research methodologies using quantitative modeling. International Journal of Operations & Production Management, v.22, n.2, p.241-264, 2002. BROCKETT, P.L.;COOPER, W.W.;GOLDEN, L.L.;ROUSSEAU, J.J.;WANG,Y. Evaluating solvency versus efficiency performance and different forms of organization and marketing in US property-liability insurance companies. European Journal of Operational research, v.154, p.492-514, 2004. BORENSTEIN, D.; BECKER, J.L.; PRADO, V.J. Measuring the efficiency of Brazilian post office stores using data envelopment analysis. International Journal of Operations & Production Management, v.24, n.10, p.1055-1078, 2004. CERETTA, P.S.; NIEDERAUER, C.A.P. Rentabilidade e eficincia no setor bancrio brasileiro. RAC, v.5, n.3, set/dez, p.7-26, 2001. CHARNES, A.; COOPER, W.W. Programming with linear fractional functionals. Naval Research Logistics Quarterly, v.9, n.3 e 4, p.181-185, 1962. CHARNES, A.; COOPER, W.W. LEWIN, A.Y.; MOREY, R.C.; ROUSSEAU, J.J. Sensibility and stability analysis in DEA. Annals of Operations Research, v.2, p.139-150, 1985. CHARNES, A.; COOPER, W.W. An explicit general solution in linear fractional programming. Naval Research Logistics Quarterly, v.20, n.3, 1973. CHARNES, A.; COOPER, W.W; RHODES, E. Measuring the efficiency of decision making units. European Journal of Operational Research, v.2, p.429-444, 1978.
104
CHARNES, A.; COOPER, W.W.; RHODES, E. Evaluating program and managerial efficiency: an application of Data Envelopment Analysis to program Follow Through. Management Science, v.27, p.668-697, 1981. CHARNES, A., COOPER, W.W.; THRALL, R.M. A structure for classifying and characterizing efficiencies and inefficiencies in data envelopment analysis. Journal of Productivity Analysis, v.2, p.197-237, 1991. CHWIF, Leonardo. Reduo de modelos de simulao de eventos discretos na sua concepo: uma abordagem causal. Tese (Doutorado) Departamento de Engenharia Mecnica, Escola Politcnica, Universidade de So Paulo, 1999. COOPER, Willian W.; SEIFORD, Laurence M.; TONE, Kaoru. Introduction to Data Envelopment Analysis and its uses: with DEA-Solver software and references. New York: Springer, 2006. COOPER, Willian W.; SEIFORD, Laurence M.; ZHU, Joe. Handbook on Data Envelopment Analysis. Boston: Kluwer Academic Publishers, 2004. DEBREU, G. The coefficient of resource utilization. Econometrica, v. 19, n.3, p. 273-92, 1951. EMROUZNEJAD, A. Ali Emrouznejads DEA Home Page, Warwick Business School, Coventry CV47 AL, UK, 1995-2008. Disponvel em: http://www.deazone.com. Acesso em: 25 de maro de 2008. FANCHON, P. Variable selection for dynamic measures of efficiency in the computer industry. International Advances in Economic Research, v.9,n.3, 2003. FRE, R. Efficiency and the production function. Zeitschrift fr Nationalkonomie, v.35, p.317-324, 1975. FRE, R.; GROSSKOPF, S. Two perspectives on DEA: unveiling the link between CCR and Shephard. Journal of Productivity Analysis,v.17, p.41-47, 2002. FARID, Marcelo Pereira. Evoluo da fronteira tecnolgica mltipla e da produtividade total dos fatores do setor agropecurio brasileiro de 1970 a 1996. Tese (Doutorado) Programa de Ps-graduao em Engenharia de Produo, Universidade Federal de Santa Catarina, Florianpolis, 1999. FARRELL, M.J. The measurement of productive efficiency. Journal of the Royal Statistical Society - Series A, v.120, n.3, p. 253-90, 1957. FRSUND, F.R.;SARAFOGLOU, N. The tale of two research communities: The diffusion of research on productive efficiency. International Journal of Production Economics, v.98, n.1, p.17-40, 2005. FREAZA, F.P.; GUEDES, L.E.M.; GOMES, L.F.A.M. Anlise de eficincia do mercado bancrio brasileiro utilizando a metodologia da Anlise Envoltria de Dados. Em: XXXVIII SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL, Goinia GO, p.244-257, Anais em cd-rom, 2006.
105
FRIED, Harold O.; LOVELL, Knox C.A.; SCHMIDT, Shelton S. The measurement of productive efficiency and productivity growth. New York: Oxford University Press, 2008. FRIEDMAN, L.; SINUANY-STERN, Z.Combining ranking scales and selecting variables in the DEA context: the case of industrial branches. Computers and Operations Research, v.25, n.9, p.781-791, 1998. HALLGREN, M.; OLHAGER, J. Quantification in manufacturing strategy: a methodology and illustration. International Journal of Production Economics, n.104, p.113-124, 2006. HEIDENBERGER, K.; STUMMER, C. Research and development project selection and resource allocation: a review of quantitative modeling approaches. International Journal of Management Reviews, v.1, n.2, p.197-224, 1999. JENKINS, L.; ANDERSON, M. A multivariate statistical approach to reducing the number of variables in data envelopment analysis. European Journal of Operational Research, v.147, p.51-61, 2003. KASSAI, Silvia. Utilizao da Anlise por Envoltria de Dados (DEA) na Anlise de Demonstraes Contbeis. Tese (Doutorado) - Faculdade de Economia, Administrao e Contabilidade, Universidade de So Paulo, So Paulo, 2002. KNIGHT, F.H. The Economic Organization. New York: Harper and Row, 1965 (Publicado originalmente em 1933). In: FRIED, Harold O.; LOVELL, Knox C.A.; SCHMIDT, Shelton S. The measurement of productive efficiency and productivity growth. New York: Oxford University Press, 2008. KOOPMANS, T.C. Analysis of Production as an efficient combination of Activities, in T.C. Koopmans, ed.Wiley, New York, 1951. In: COOPER, Willian W.; SEIFORD, Laurence M.; ZHU, Joe. Handbook on Data Envelopment Analysis. Boston: Kluwer Academic Publishers, 2004. LINS, Marcos P.E.; MEZA, Lidia A. Anlise Envoltria de Dados e perspectivas de integrao no ambiente de apoio deciso. Rio de Janeiro: Editora da COPPE/UFRJ, 2000. LIU, J.; DING, F., LALL, V. Using data envelopment analysis to compare suppliers for supplier selection and performance improvement. Supply Chain Management: an International Journal, v.5, n.3, p.143-150, 2000. LOVELL, C.A.K. Measuring the macroeconomic performance of the Taiwanese economy. International Journal of Production Economics, v.39, p.165-178, 1995. MEZA, L.A.; MELLO, J.C.C.B.S.; GOMES, E.G.; FERNANDES, A.J.S. Seleco de variveis em DEA aplicada a uma anlise do mercado de energia elctrica. Investigao Operacional, n.27, p.21-36, 2007. MITROFF, I.I.; BETZ, F. PONDY, L.R.; SACASTI, F. On managing science in the systems age: two schemas for the study of science as a whole systems phenomenon. Interfaces, vol.4, n.3, 1974. NORMAN, M.; STOKER, B. Data Envelopment Analysis: The Assessment of Performance. J. Wiley and Sons, 1981.
106
NUNAMAKER, T.R. Using data envelopment analysis to measure the efficiency of nonprofit organizations: A critical evaluation. Managerial and Decision Economics, v.6, n.1, p.50-58, 1985. ONUSIC, L.M.; NOVA, S.P.C.C; ALMEIDA, F.C. Modelos de previso de insolvncia utilizando anlise por envoltria de dados: aplicao a empresas brasileiras. RAC, 2 edio especial, p.77-97, 2007. PASTOR, J.T. Translation invariance in data envelopment analysis: a generalization. Annals of Operations Research, v.66, p.93-102, 1996. PASTOR, J.T.; LOVELL, C.A.K.; TULKENS, H. Evaluating the financial performance of bank branches. Annals of Operations Research, 145, p.321-337, 2006. PINDYCK, Robert S.; RUBINFELD, Daniel L. Microeconomia. Quinta Edio. So Paulo: Prentice Hall, 2002. ROUSE, P; SWALES, R. Pricing public health care services using DEA: methodology versus politics. Annals of Operations Research,145, p.265-280, 2006. SENRA, L.F.A.C; NANCI, L.C.; SOARES DE MELLO, J.C.C.B. Comparao de mtodos de seleo de variveis em DEA. XXXVI SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL, 2004, So Joo Del-Rei. Anais So Joo Del-Rei: Minas Gerais, p.304314, 2004. SENRA, L.F.A.C; NANCI, L.C.; SOARES DE MELLO, J.C.C.B.; MEZA, L.A. Estudo sobre mtodos de seleo de variveis em DEA. Pesquisa Operacional, v.27, n.2, p.191-207, 2007. SHEPHARD, R.W. Cost and production functions. New Jersey: Princeton University Press, 1953. In: FRIED, Harold O.; LOVELL, Knox C.A.; SCHMIDT, Shelton S. The measurement of productive efficiency and productivity growth. New York: Oxford University Press, 2008. SHEPHARD, R.W. Theory of cost and production functions. New Jersey: Princeton University Press, 1970. In: FRIED, Harold O.; LOVELL, Knox C.A.; SCHMIDT, Shelton S. The measurement of productive efficiency and productivity growth. New York: Oxford University Press, 2008. SIMAK, Paul C. DEA based analysis of corporate failure. Masters of Applied Science Graduate Department of Mechanical and Industrial Engineering, University of Toronto Canada, 1997. SOARES DE MELLO, J.C.C.B.; GOMES, E. G.; SOARES DE MELLO, M. H. C.; ESTELLITA LINS, M. P. Mtodo Multicritrio para Seleo de Variveis em Modelos DEA, Revista de Pesquisa Naval, Rio de Janeiro, 2002. SOARES DE MELLO, J.C.C.B.; MEZA, L.A.; GOMES, E.G.; NETO, L.B. Curso de Anlise Envoltria de Dados. Em: XXXVII SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL, 2005, Gramado. Anais Gramado: Rio Grande do Sul, p.2520-47, 2005. SOARES DE MELLO, J.C.C.B; MEZA, L.A.; GOMES, E.G.; SERAPIO, B.P.; LINS, M.P.E. Anlise de Envoltria de Dados no estudo da eficincia e dos benchmarks para companhias areas brasileiras. Pesquisa Operacional, v.23, n.2, p.325-345, 2003
107
TSOUKIS, A. From decision theory to decision aiding methodology. European Journal of Operational Research, n.187, p.138-161, 2008. VARIAN, Hal R., Microeconomia: princpios bsicos. Traduo da 7 ed. Rio de Janeiro: Elsevier, 2006. WAGNER, J.M.; SHIMSHAK, D.G. Stepwise selection of variables in data envelopment analysis: Procedures and managerial perspectives. European Journal of Operational Research, v.180, p.57-67, 2007. ZHU, J. Data envelopment analysis vs. principal component analysis: An illustrative study of economic performance of Chinese cities. European Journal of Operational Research, v.111, p.50-61, 1998.

0034807

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

0034807

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DE ITAJUB

PROGRAMA DE PS-GRADUAO EM ENGENHARIA DE PRODUO

Fabiana Dias Batista

METODOLOGIA PARA O USO DA ANLISE POR ENVOLTRIA DE DADOS NO AUXLIO DECISO

rea de Concentrao: Produo e Tecnologia

Orientador: Prof. Jos Arnaldo Barra Montevechi, Dr.

Abril de 2009 Itajub - MG

UNIVERSIDADE FEDERAL DE ITAJUB

Fabiana Dias Batista

METODOLOGIA PARA O USO DA ANLISE POR ENVOLTRIA DE DADOS NO AUXLIO DECISO

LISTA DE QUADROS E TABELAS

APLICAO DA METODOLOGIA NUMA EMPRESA MULTINACIONAL DO SETOR 66 66 68 74 93 100 103

1.1 Consideraes iniciais

Figura 1.1 Abordagens de modelagem quantitativa Fonte: Hallgren e Olhager (2006)

Figura 1.2 Metodologia de Simulao Fonte: Adaptado de Chwif (1999)

1.2 Objetivos e justificativa do trabalho

1.3 Estrutura do trabalho

Captulo 2 REVISO BIBLIOGRFICA

2.1 Teoria da Produo

2.1.1 Definies gerais

Captulo 2 REVISO BIBLIOGRFICA

y = produo y = f(x) = funo de produo

Figura 2.1 Conjunto de produo Fonte: Varian (2006)

Captulo 2 REVISO BIBLIOGRFICA

2.1.2 Conjuntos de possibilidade de produo (CPPs)

est representado na equao 2.2.

S P(x) o conjunto de todos os vetores de sada y + que so obtidos atravs de x.

Esse conjunto pode ser representado de acordo com a equao 2.3. P( x) = { y : ( x, y ) T } ou P( x) = { y : y L( y )}

Da mesma forma a Isoquanta de sada de P(x) apresentada na equao 2.5.

I ( x) = { y : y P( x),y P( x), > 1}

Captulo 2 REVISO BIBLIOGRFICA

A Isoquanta do Grafo T(x,y) pode ser escrita como em 2.6.

I ( x, y ) = {( x, y ) : ( x, y ) T ( x, y ), (x,y ) T ( x, y ), < 1, > 1}

E ( x, y ) = {( x, y ) : ( x, y ) T ( x, y ), ( x' , y ' ) ( x, y )e( x' , y ' ) ( x, y ) ( x ' , y ' ) T ( x, y )

Captulo 2 REVISO BIBLIOGRFICA

2.1.3 Propriedades da Tecnologia

Captulo 2 REVISO BIBLIOGRFICA

Captulo 2 REVISO BIBLIOGRFICA

2.2 Eficincia e produtividade

2.2.1 Definies gerais

Captulo 2 REVISO BIBLIOGRFICA

v1 , v2 e v3 = pesos atribudos s entradas.

2.2.2 Eficincia Pareto-Koopmans

Captulo 2 REVISO BIBLIOGRFICA

2.2.3 Eficincia Debreu-Farrell

Captulo 2 REVISO BIBLIOGRFICA

Eficincia tcnica: dada por

OB e est associada utilizao de recursos; OA

Eficincia alocativa: dada por Eficincia total: pode ser

OD e est ligada aos preos dos insumos; OB

Frsund e Sarafoglou (2005) comentam sobre o trabalho de Farrell:

Captulo 2 REVISO BIBLIOGRFICA

Captulo 2 REVISO BIBLIOGRFICA

2.2.4 Funo de distncia de Shephard

Captulo 2 REVISO BIBLIOGRFICA

Captulo 2 REVISO BIBLIOGRFICA

2.3 Anlise por Envoltria de Dados

efficiency of decision making units (Charnes, Cooper e Rhodes, 1978) representa o

Captulo 2 REVISO BIBLIOGRFICA

2.3.2 O modelo CCR

Ver Charnes e Cooper (1962,1973)

Captulo 2 REVISO BIBLIOGRFICA

Para cada DMU, os pesos so obtidos do seguinte problema: max z =

u1 y1o + u2 y2 o + ... + us yso v1 x1o + v2 x2o + ... + vm xmo