MINISTÉRIO DA EDUCAÇÃO

UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO

PROPPG – PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO
NAAP – NÚCLEO DE APOIO A ADMINISTRAÇÃO E PESQUISA

Avaliação de usinas de cana de açúcar utilizando

análise envoltória de dados com limites de análise de
correlação canônica

Isabella de Souza Veloso

Antonio Carlos Gonçalves

RELATÓRIO FINAL – 2018 / 2019

Programa Institucional de Bolsa de Iniciação Científica - PIBIC, PIBITI e PIBIC-Af

Grande Área: Ciências Exatas e da Terra

Nome do Professor: Antonio Carlos Gonçalves

CPF: 349.530.607-25
E-mail: antoniogon@ufrrj.br
Telefone: (21) 98589-5586

Bolsista: Isabella de Souza Veloso

CPF: 173.508.367-40
E-mail: isabella_s._veloso@hotmail.com
Telefone: (21) 98094-3398

Universidade Federal Rural do Rio de Janeiro

Setembro / 2019

1
SUMÁRIO

1- Resumo...................................................................................................................................3

2- Apresentação.........................................................................................................................3

2.1- Introdução..........................................................................................................................3

2.2- Justificativas.......................................................................................................................4

2.3- Objetivos cumpridos..........................................................................................................4

3- Metodologia...........................................................................................................................5

3.1- Análise Envoltória de Dados (Data EnvelopmentAnalysis -DEA)...............................5

4- Conclusão...............................................................................................................................6

4.1- Resultados da pesquisa......................................................................................................6

4.1.1- Potencial de melhoramentos- unidades ineficientes....................................................7

4.1.2- Contribuição de entradas e saídas.................................................................................7

4.1.3- Potencial de melhoramento global................................................................................8

4.2- Considerações finais..........................................................................................................8

5- Referências bibliográficas....................................................................................................9

6- Parecer do orientador.........................................................................................................10

7- Anexos..................................................................................................................................10

7.1- Anexo 1- Plano de atividades do bolsista.......................................................................10

7.2- Anexo 2- Produtos da pesquisa.......................................................................................10

2
Resumo

O presente projeto apresenta uma abordagem para a definição de peso em Análise Envoltória
de Dados (AED). Para isto, foram usados os resultados de uma Análise de Correlação
Canônica (ACC), desenvolvida com as mesmas variáveis da AED, como informação para o
cálculo de pesos da AED. Nesta abordagem os limites de restrição de Wong-Beasley são
especificados sem a interferência de um tomador de decisão, pois foram obtidos
estatisticamente. Como exemplo, as restrições de pesos para o modelo AED, foram obtidas
aplicando-se a um conjunto de dados de 50 usinas distribuídas pelo Brasil e separadas por
suas regiões. A AED teve como insumos (inputs) as variáveis “número de funcionários” e
“total de moagem”; e como saídas (outputs) “açúcar” e “álcool”. Finalmente, foram
apresentados os resultados suficientes para estabelecer linhas de ação que o tomador de
decisão possa adotar para obter um melhor funcionamento das usinas, diminuindo insumos
(inputs) ou aumentando a produção (outputs) para atingir a eficiência.

2- Apresentação

2.1- Introdução

Dos anos 90 até 2009, verifica-se um cenário de reordenação da agroindústria canavieira sob
o escudo da desregulamentação setorial, onde os produtores tiveram que se adaptar ao livre
mercado e caminhar sem os subsídios, incentivos e coordenação estatal existentes. O setor
passou a desenvolver novas competências visando aumentar cada vez mais sua eficiência
técnica, modernizando a estrutura organizacional das firmas e buscando outros mecanismos
para melhorar a coordenação corporativa.

A produtividade de uma empresa é um conceito que está associado às quantidades dos

recursos empregados para realizar suas atividades e às quantidades de resultados gerados por
essas atividades. Para analisar a eficiência das usinas é necessário entender melhor o conceito
das curvas de produção que visam definir a relação entre os insumos e produtos. As curvas de
produção são a base da análise de eficiência, pois as considerações em torno das mesmas
visam definir relações entre insumos e produtos (ROMÃO, 2015). As hipóteses que são
consideradas para a relação entre insumos e produtos determinam que há retornos de escala
constantes e retornos de escala variáveis, de acordo com os modelos DEA clássicos
CRS(Constant ReturnScale) e VRS(VariableReturnScale) (BANKER, 1984).

Desde o final da década de 70, a técnica conhecida como Análise Envoltória de Dados (do
inglês DataEnvelopmentAnalysis – DEA) vem sendo utilizada na avaliação da eficiência
produtiva de unidades educacionais, e posteriormente, entre outros segmentos (saúde,
agronomia, engenharias, economia, etc.). O objetivo de DEA consiste em comparar um certo
número de DMUs que realizam tarefas similares e se diferenciam nas quantidades de inputs
que consomem e outputs que produzem.

3
2.2- Justificativa

O crescimento econômico de um país está diretamente relacionado com o grau de

produtividade deste em determinado período de tempo. Planos incitantes à demanda por bens
agroindustriais, por exemplo, são realizados pelo governo brasileiro como estímulo ao
crescimento econômico. Tem-se como exemplar desta prática a produção sucroalcooleira, que
consiste na transição da cana de açúcar em produtos acabados como o açúcar e o álcool.

A produção de açúcar foi o principal produto destinado da cana-de-açúcar no Brasil por

quatrocentos anos, porém, a finalidade do álcool como combustível é de aproximadamente
cem anos. Devido à crise internacional de 1929 e a segunda guerra mundial, alguns aspectos
forçaram o Brasil a internalizar e produzir álcool com intuito de substituição das importações
de petróleo. Com a crise do petróleo da década de setenta, a utilização de fontes energéticas
inusuais foi impulsionada no mundo todo. O Brasil, recorrendo à sua estrutura canavieira já
instalada, constituiu o Programa Nacional do Álcool, ou Proálcool, no ano de 1975. O projeto
foi criado visando o atendimento das necessidades do mercado interno e externo e da política
de combustíveis automotivos, a partir do estímulo da produção do álcool. Este feito, acrescido
a evolução da pesquisa agrícola, propiciou uma concorrência brasileira nestes produtos muito
elevada. A partir de 1994, as exportações do açúcar foram liberadas; em 1997, o preço do
álcool anidro deixou de ser tabelado; em 1998, o governo liberou o preço da cana-de-açúcar, e
em 1999, o preço do álcool hidratado também deixou de ser tabelado. Por esse ângulo, o setor
passou a desenvolver novas competências visando aumentar cada vez mais sua eficiência
técnica, modernizando a estrutura organizacional das firmas e buscando outros mecanismos
para melhorar a coordenação corporativa (ROMÃO, 2015). Portanto, a aplicação de técnicas
de otimização para avaliar a produção das usinas do Brasil se tornou imprescindível.

2.3- Objetivoscumpridos

Dada a importância do agronegócio na economia do País, este estudo teve como objetivo
fazer uma avaliação de usinas de cana de açúcar e álcool utilizando a análise envoltória de
dados com limites de análise de correlação canônica. Para isso, foi definido o grupo de usinas
avaliadas conforme as hipóteses teóricas do modelo de otimização utilizado cujos resultados
estão apresentados no texto e seus anexos.

3- Metodologia

3.1- Análise Envoltória de Dados (Data EnvelopmentAnalysis -DEA)

Os modelos clássicos de Análise Envoltória de Dados (DEA) foram introduzidos por

Charneset al. em 1978 (baseada em retornos constantes em escala - CRS) e estendidos por
BANKER(1984). (com retornos variáveis de escala - VRS), consistindo em uma metodologia
não paramétrica para mensuração comparativa da eficiência de unidades tomadoras de decisão
(DecisionMakingUnits - DMUs), com base nas melhores práticas. O conjunto de DMUs deve
ser homogêneo e ter em comum a utilização dos mesmos inputs e a produção dos mesmos

4
outputs. O aspecto fundamental do método é estabelecer uma “região comum” (restrições)
com base nos dados, criando um índice de eficiência (classificação) por meio de vetores de
pesos distintos, que refletem a importância de cada variável para cada DMU, e que busca,
nessa região, as unidades com um comportamento mais otimizado. O valor máximo deste
índice (para cada DMU) é então assumido como um “máximo empírico” de eficiência, a partir
do qual uma classificação relativa das unidades torna-se possível (MARINHO, 1998). O
método também fornece valores ótimos que as variáveis devem assumir para que as DMUs
possam mudar de “ineficientes” para “eficientes”.

Entretanto, a formulação original do modelo DEA (CHARNES et al., 1978) permite a

variação completa dos pesos (modelo irrestrito), acarretando como problema que valores dos
pesos assim obtidos podem apresentar contradições à luz de informações anteriores, e, até
mesmo, levar a que variáveis importantes para a análise sejam descartadas (estabelecimento
de peso zero). Adicionalmente, a flexibilidade total na seleção dos pesos permite que as
DMUs possam representar circunstâncias particulares, o que é contraditório com a suposição
de serem elas unidades homogêneas (consistentemente semelhantes). Portanto, o interesse
encontra-se em estabelecer limites nos quais esses pesos podem variar, permitindo certa
coerência em seus valores, os quais podem, então, ser utilizados na formação dos escores de
eficiência. Esses limites representam restrições adicionais na formulação original do modelo

Embora métodos de restrição aos pesos em DEA tenham sido desenvolvidos para lidar com
esse problema, nenhum deles aborda a maneira de como especificar os valores para os limites
de restrição, propondo, em lugar disso, que um perito ou tomador de decisão diretamente, e
subjetivamente, indique os valores vinculados aos intervalos em que os pesos devem variar.
Na prática, isto é inviável na maioria dos casos, e pode introduzir um sério viés nos modelos
assim estimados. Portanto, o método de restrição de WONG e BEASLEY (1990) e o modelo
de Análise de Correlação Canônica (ACC) foram empregados para avaliar as usinas de cana
de açúcar e álcool selecionadas. Além disso, buscou-se um procedimento de definição de
limites que evitasse a inviabilidade do modelo de programação linear da AED, conforme
especificado em GONÇALVES et al (2013).

4- Conclusão

4.1- Resultados da pesquisa

A base de dados utilizada para a aplicação foi formada a partir de dados coletados do anuário
da cana 2008/2009, porém, de um total de 62 usinas, só foram escolhidas as usinas que
possuíam todas as informações necessárias e que contribuíssem positivamente para o
desenvolvimento do modelo AED, excluindo as demais da amostra. Foramutilizados dados de
50 usinas distribuídas pelas regiões Nordeste, Centro-Oeste, Sudeste e Sul. A razão da
exclusão da região Norte se deu devido à existência de apenas uma usina com os critérios
necessários para a inclusão na amostra.

Como inputs (insumos) foram utilizados quantidade de empregados e total da moagem, como
outputs (produtos) açúcar e álcool. A escolha de inputs e outputs foi semelhante à de Salgado
et al. (2013), porém com a diferença de que foi acrescentada nesta pesquisa a variável

5
emprego para analisar também como a produtividade do trabalho afeta a eficiência das usinas.
A escolha das variáveis também foi norteada pela disponibilidade de dados pelas usinas.
Dessa forma, não foi possível utilizar as informações de todas as usinas que estavam
catalogadas no anuário da cana, pois muitas não apresentaram o número de empregados, por
exemplo. No Quadro 1 (anexo 2), tem-se um resumo das variáveis que foram utilizadas nesta
pesquisa.

O Quadro 2 (anexo 2) apresenta as usinas selecionadas com as 4 variáveis de entrada

(moagem e emprego) e saída (açúcar e álcool).

A partir dos trabalhos de SENGUPTA (1990) e FRIEDMAN e SINUANY- STERN (1997)

foi desenvolvido um procedimento para especificar os limites do método de WONG E
BEASLEY (1990) usando pesos canônicos.

A AED foi realizada no programa FrontierAnalyst Professional (BANXIA,1998). Os valores

dos pesos canônicos, a correlação canônica, os intervalos de restrição dos pesos e os demais
procedimentos estatísticos foram gerados no programa BioEstat5.0 e no Microsoft Excel.

Nas tabelas 1 e 2 a seguir, apresentamos os pesos canônicos obtidos que foram utilizados para
gerar as restrições do método de Wong e Beasley e os respectivos limites:

Tabela 1- Valores dos pesos canônicos.

U1
0.0370 X1 0.9833 X2

V1
0.9972 Y1 0.0329 Y2

Tabela 2- Limites das restrições adicionais do método Wong e Beasley

Variável
Emprego Moagem Açúcar Álcool

Peso mínimo
1,153344384 45,28134769 40,04584813 0,448828557

Peso máximo
54,71865231 98,84665562 99,55117144 59,95415187

6
Os resultados, após a aplicação do método de Wong e Beasley, os gráficos (1 a 48) do
potencial de melhoramento das unidades ineficientes, potencial de melhoramento global e a
contribuição das entradas e saídas para o ranking de referência estão no anexo 2.

4.1.1- Potencial de melhoramentos- unidades ineficientes

A usina Santa Isabel – Mendon(a melhor das ineficientes) apresentou um índice de 95,88 de
eficiência (Quadro 3). O Gráfico 48 (anexo) mostra as variações percentuais das entradas e
saídas para que a unidade seja eficiente. Os números indicados em cada barra representam
para o conjunto das entradas, qual a decisão a ser tomada para que a unidade (DMU) seja
eficiente. Assim, uma diminuição de 4%para o emprego e 4%paramoagemlevariam a esta
condição. Outra forma de se atingir a eficiência seria diminuir a saída açúcar em 4% com uma
folga para aumentar a produção de álcool em789%. A usina Biopav (a pior das ineficientes-
6,20% - Gráfico 1(anexo 2)) precisaria reduzir suas entradas emprego e moagem, para atingir
a eficiência, em 90% e 99%, respectivamente. Os gráficos 1–48 (anexo2) mostram as
variações para todas as unidades ineficientes.

4.1.2-Contribuição de entradas e saídas

Mostra em valores percentuais, para cada unidade, o quanto cada entrada/saída contribuiu
para a formação do seu índice de eficiência. Para a usinaBiopav, por exemplo, a variável
“emprego” contribuiu, no conjunto das entradas, com 55% para a formação deste índice e a
variável “açúcar” com 97% no conjunto das saídas. Estas mesmas variáveis, para a usina JB,
representam 55% e 99%, respectivamente. Conforme os gráficos 49 e 50(anexo 2).

4.1.3- Potencial de melhoramento global

O Gráfico 51(anexo2) mostraas percentagens relativas demelhoriapotencial globalpara cada

entrada/saída para todo o sistema. Isto é conseguidoatravés da adição dospotenciais de
melhoramentospara cada unidade. Assim, se um setor no gráfico é grande, então muitas
melhorias devem ser feitas, ao contrario de uma fatia menor.

4.2- Considerações finais

Conforme foi visto anteriormente, o procedimento de geração dos intervalos de restrições aos
pesos, para o método de Wong e Beasley, possui a seguinte vantagem: os coeficientes que
determinam as restrições são escolhidos estatisticamente e não de forma subjetiva. Isto é,
levam em consideração a importância estatística de cada variável para o modelo AED.Após
serem estabelecidas as restrições e os novos pesos obtidos para a AED, estes formam uma

7
base mais uniforme para a formação dos scores. Outra vantagem do métodoé que a forma
proposta de especificação de limites de pesos, e consequentemente a escolha de variáveis para
a AED, permitem a um tomador de decisão selecionar variáveis mais adequadas para
problema, tendo em vista que estas também serão submetidas a um procedimento de
verificação estatística. Ou seja, o tomador de decisão é auxiliado pelo conhecimento
agregado, a partir dos estudos necessários para gerar os limites, e o julgamento sobre o peso
das entradas - saídas é feito de forma mais objetiva.

A AED é uma metodologia direcionada para fronteiras (ajuste pelo topo), isto é, escolhe o
conjunto de pesos que atribui o mais alto escore de eficiência possível para cada unidade que
está sendo avaliada, o que a diferencia da ACC, que geram estimativas baseadas nos valores
médios das variáveis, de acordo com uma função especificada. Assim, estudos futuros seriam
necessários para especificar outras relações do método estatístico e o modelo AED.

De acordo com a análise feita, conclui-se que os resultados obtidos de eficiência e ineficiência
mudam de acordo com as variáveis estudadas, trabalhando o modelo sob a ótica das entradas,
o que significa dizer que o interesse é encontrar valores ótimos de operação para estas
variáveis para obter resultados satisfatórios. Os gráficos 1-48 (anexo 2)apresentados no texto
mostram claramente o comportamento necessário que as usinas ineficientes devem adquirir
para que alcancem a eficiência. Este comportamento é baseado nas usinas eficientes do grupo
selecionado (de acordo com as variáveis escolhidas), que neste caso foram as usinas Santo
Ângelo e Corol. Logo, conclui-se que, caso a base de dados fosse outra, os resultados obtidos
seriam provavelmente distintos.

Com isso, entende-se que a visualização dos resultados e dos gráficos apresentados seja
suficiente para estabelecer linhas de ação que o tomador de decisão possa adotar para obter
um melhor funcionamento das DMUs, diminuindo insumos (inputs) ou aumentando a
produção (outputs) para atingir a eficiência.

8
5- Referências bibliográficas

BANKER, R.D., CHARNES, A., COOPER W.W., 1984, “Some models for estimating
technical scale inefficiencies in Data Envelopment Analysis”, Management Science, v. 30, n.9
(Set), pp.1078-1092.

A.Charnes,W.W.Cooper,andE.Rhodes,Measuring the efficiency of decision-making

units,Eur.J.Oper.Res.2(6) (1978), pp. 429–444.

Banxia, Frontier Analyst Professional, Banxia Holdings Limited, Glasgow, 1998.

GONÇALVES, Antonio Carlos et al. Canonical. correlationanalysis in

thedefinitionofweightrestrictions for data envelopmentanalysis. JournalOfAppliedStatistics.
London. jul. 2013.

ROMÃO, Lemuel de Lemos. Eficiência das usinas de açúcar e álcool de cana no Brasil:
uma aplicação da análise envoltória de dados (DEA). 2015. 54 f. TCC (Graduação) - Curso de
Ciências Econômicas, Universidade Federal do Rio Grande do Norte, Natal, 2015.

BERNARDO, Tuany Siqueira. Uso de medidas de eficiência na avaliação dos hospitais do

sistema único de saúde (SUS) do município da cidade do Rio de Janeiro. 2012. 42 f.
Iniciação científica - Curso de Matemática, Universidade Federal Rural do Rio de Janeiro,
Seropédica, 2012.

PEREIRA, Caroline Nascimento; SILVEIRA, José Maria Ferreira Jardim. Análise

Exploratória da Eficiência Produtiva das Usinas de Cana-de-açúcar na Região Centro-Sul do
Brasil. Revista de Economia e Sociologia Rural, [s.l.], v. 54, n. 1, p.147-166, mar. 2016.
FapUNIFESP (SciELO). http://dx.doi.org/10.1590/1234-56781806-9479005401008.

SOARES, Ruimax Viana. O setor sucroalcooleiro no Norte Fluminense: Análise da

mudança institucional ocorrida no período pós-desregulamentação. 2013. 108 f. Dissertação
(Mestrado) - Curso de Engenharia de Produção, Universidade Estadual do Norte Fluminense
Darcy Ribeiro, Campos dos Goytacases, 2013. Disponível em:
<http://uenf.br/posgraduacao/engenharia-de-producao/wp-
content/uploads/sites/13/2013/04/Disserta%C3%A7%C3%A3o-de-Mestrado-Ruimax-
2013.pdf>.

ELY, Rômulo Neves. Análise da Indústria Sucroalcooleira no Brasil. 2007. 99 f. TCC

(Graduação) - Curso de Ciências Econômicas, Universidade Federal do Rio de Janeiro, Rio de
Janeiro, 2007. Disponível em:
<http://www.ie.ufrj.br/images/infosucro/biblioteca/Monografia_Romulo.pdf>.

ALISSON, Elton. Proálcool: uma das maiores realizações do Brasil baseadas em ciência e
tecnologia. 2016. Disponível em: <http://agencia.fapesp.br/proalcool-uma-das-maiores-
realizacoes-do-brasil-baseadas-em-ciencia-e-tecnologia/24432/>.

9
COSTA, Cinthia Cabral da; GUILHOTO, Joaquim José Martins; IMORI, Denise.
Importância dos setores agroindustriais na geração de renda e emprego para a economia
brasileira. Revista de Economia e Sociologia Rural, [s.l.], v. 51, n. 4, p.787-814, dez. 2013.
FapUNIFESP (SciELO). http://dx.doi.org/10.1590/s0103-20032013000400010.

PRÓALCOOL: Programa Brasileiro de Álcool. Programa Brasileiro de Álcool. 2006.

Disponível em: <https://www.biodieselbr.com/proalcool/pro-alcool/programa-etanol>.

ALMEIDA FILHO, Adiel Teixeira de; RAMOS, Francisco Sousa. In: ENCONTRO NAC.
DE ENG. DE PRODUÇÃO, 25., 2005, Porto Alegre. Avaliação de desempenho de
programas de pós-graduação com análise de envoltória de dados. Porto Alegre: Abepro,
2005. p. 1 - 8. Disponível em:
<http://www.abepro.org.br/biblioteca/ENEGEP2005_Enegep1102_0895.pdf>.

JUNIOR, Alexandre Pereira Salgado et al. Análise envoltória de dados (DEA) para
avaliação da eficiência operacional de usinas de cana-de-açúcar. P&D em Engenharia de
Produção, Itajubá, v. 11, n. 1, p. 58-73, 2013

BISUTI, Vitor Vinícius et al. ANÁLISE DAS ROTAS DE TRANSPORTE DE ETANOL DA

USINA SANTA ADÉLIA ATÉ O PORTO DE SANTOS. Revista Nacional de
Gerenciamento de Cidades, São Paulo, v. 1, n. 4, p.1-11. 2013.

6. Parecer do orientador

Inicialmente, a proposta era avaliar 62 usinas de açúcar e álcool. Porém, apenas, 50 usinas do
conjunto inicial, não violaram a hipótese de pesos positivos para aplicação da teoria da
definição dos limites das restrições aos pesos das variáveis de inputs e outputs (Gonçalves et
al 2013).

Finalmente, a aluna mostrou-se bastante envolvida com as atividades do projeto, estando

presente semanalmente nas reuniões e realizando de forma satisfatória as atividades que
exigiam trabalho fora do horário do grupo, de forma que, sua participação pode ser
considerada excelente. Em relação ao desenvolvimento das atividades propostas pelo
orientador e cumprimento do plano de trabalho, mostrou-se bastante motivada com a
pesquisa. Assim, seu desempenho geral pode ser avaliado como excelente.

7- Anexos

10
7.1- Anexo 1- Plano de atividades do bolsista

MINISTÉRIO DA EDUCAÇÃO
UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO
PROPPG – PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO
NAAP – NÚCLEO DE APOIO A ADMINISTRAÇÃO E PESQUISA

Programa Institucional de Bolsa de Iniciação Científica - PIBIC, PIBITI e PIBIC-Af.

Edital Nº 001 de 14 de março de 2018

Especificando restrição aos pesos em análise envoltória de

dados com uso da análise de correlação canônica aplicado
ao setor de açúcar e álcool.

Avaliação de usinas de cana de açúcar utilizando análise

envoltória de dados com limites de análise de correlação
canônica

Nome do Orientador: Antonio Carlos Gonçalves

Departamento de Matemática (DEMAT)

E-mail:antoniogon@ufrrj.br

Grande Área:Matemáyica/Probabilidade e Estatística

Universidade Federal Rural do Rio de Janeiro

2018

11
 1. JUSTIFICATIVA/IMPORTÂNCIA

A produção de açúcar foi o principal produto de destinação da cana-de-açúcar no Brasil

por quatrocentos anos, porém, a utilização do álcool como combustível é de aproximadamente
de cem anos. Devido a fatores relacionados à crise internacional de 1929 e a segunda guerra
mundial, forçaram o Brasil a internalizar e produzir álcool com intuito de substituição das
importações de petróleo. Com a crise do petróleo da década de setenta, criou-se um impulso
no mundo todo para a adoção de fontes energéticas alternativas e o Brasil, aproveitando sua
estrutura canavieira já instalada implementou o programa denominado Proálcool, que foi
fundamental para o setor e reduziu a dependência das importações de petróleo, fazendo
também do Brasil o maior produtor de cana-de-açúcar no mundo.
Percebendo a importância do setor, estudar os fatores condicionantes da produção do setor
sucroalcooleiro é uma tarefa fundamental para garantir a competitividade do mesmo. Com o
passar dos anos os usineiros experimentaram diversas situações de incertezas e a analise de
eficiência se torna indispensável para o produtor. Apesar de o produtor possuir controle sobre
as decisões de produção, muito dos fatores que afetam o setor não são controlados pelos
produtores em suas usinas como o preço do álcool e açúcar, mudanças na política de governo
para o setor, a volatilidade do câmbio, dentre outros fatores, relegam bastante importância
para as decisões de investimento em tecnologias e sobre a escolha da combinação de insumos
para produção que sejam as mais eficientes. Estas decisões possuem extrema importância para
garantir a competitividade das usinas de açúcar e álcool.

2. OBJETIVOS RELACIONADOS COM O PROJETO PRINCIPAL

Para que o projeto principal seja atingido, é necessário definir objetivos relacionados.Sendo
assim, para a concretização do projeto, definem-se os seguintes objetivos:

a) definir o grupo de usinas que serão avaliadas de acordo com as hipóteses teóricas dos
modelos apresentados no projeto principal.

b) ajustar os modelos pertinentese avaliar os resultados obtidos.

c) realizar análises econômicas para auxiliar os setores envolvidos na tomada de decisão.

Em muitas aplicações práticas, alguns dados do problema não são conhecidos exatamente,
sendo, então são estimados tão bem quanto possível. Assim, é importante ser capaz de

12
 encontrar uma nova solução ótima do problema com outras estimativas de alguns dados que
se tornem disponíveis. O resultado do modelo original pode ser modificado pela inclusão de
uma nova variável ou restrição, pelo aumento na disponibilidade de um determinado recurso,
pela exclusão de variáveis ou de restrições ou pela modificação do custo de uma determinada
variável. Desta forma, ao se encontrar a solução ótima para as DMUs envolvidas (unidades
tomadora de decisão), devemos analisar de que forma esta se comporta em relação às
variações que podem ocorrer no modelo.

2.MÉTODOS

Os dados sobre as usinas de açúcar e álcool utilizados serão os obtidos do Anuário da Cana
(https://www.jornalcana.com.br/anuario-da-cana)[1] da última safra que esteja disponívelou
outra fonte. A seguir serão apurados, criticados. Uma vez, considerados satisfatórios serão
objeto da aplicação dos modelos, cujos resultados serão apresentados e analisados. Cujas as
conclusões constarão do relatório final.

3.CRONOGRAMA

ANO 2018 2019

Atividade / Mês 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

Estudo sobre os
modelos AED e
ACC utilizados
Coleta de dados,
apuração e crítica

Coleta de dados,
apuração e crítica
Apresentação e
análise-
usode“softwares”
específicos)

13
 Apresentação e
análise-
usode“softwares”
específicos)
Apresentação e
análise dos
resultados

Apresentação e
análise dos
resultados

Conclusões:
Relatório final

5. REFERÊNCIAS BIBLIOGRÁFICAS

1. Charnes A., Cooper W.W., Rhodes E. Measuring the efficiency of decision-making

units, European Journal of Operational Research 6, 429-444. (1978).
2.Charnes A., Cooper W.W., Lewin A.Y., Seiford L.M. Data envelopment analysis:
Theory, methodology, and applications, Springer, New York. (2013).
3.Podinovski VV. Optimal weights in DEA models with weight restrictions, European
Journal of Operational Research 254, 916 – 924. (2016).
4.Lins, M.P.; Moreira da Silva, A.C. & Lovell, C.A.K. Avoiding infeasibility in DEA
models with weight restrictions. European Journal of Operational Research, 181, 956-966
(2007).
5. Allen R., Athanassopoulos A., Dyson RG.,Thanassoulis E. Weights restrictions and
value judgments in Data Envelopment Analysis Annals of Operations Research 73, 13-34
(1997).
6.Wong YHB., Beasley JE. Restricting weight flexibility in Data Envelopment Analysis,
Journal of Operation Research Society 41, 829-835 (1990).
7. Thompson, B. Canonical Correlation Analysis: Use and Interpretation. Sage, NY,
(1984).

14
 8.Gonçalves C., Lins MPE., Almeida RMVR. Data Envelopment Analysis for evaluating
public hospitals in Brazilian state capitals, Revista de SaúdePública 41, 427-435. (2007).
9. Gonçalves C., Almeida RMVR., Lins MPPE., Samanez CP. Canonical correlation
analysis in the definition of weight restrictions for data envelopment analysis.
JournalofAppliedStatistics, 40, 1-12. (2013).
10. Júnior APS.,Carlucci FV., Bonacim CAG., Novi JC., Júnio ACP,Análise envoltória
de dados (DEA) para avaliação da eficiência operacional de usinas de cana-de-açúcar,
P&D em Engenharia de Produção, Itajubá, v. 11, n. 1, p. 58-73, 2013

15
7.2- Anexo 2- Produtos da pesquisa (Quadros e Gráficos)
Quadro 1- Resumo das variáveis (inputs e outputs) utilizadas na pesquisa.

Variáveis Unidade de Classificação Definição

medida
Valor total, em toneladas,
de cana de açúcar
utilizados na produção de
Moagem Toneladas (ton) Input
açúcar e etanol safra
2008/2009.
Número de Valor total, em números de
Emprego empregados Input trabalhadores contratados,
para a safra 2008/2009.
Valor total, em toneladas,
Açúcar Toneladas (ton) Output de açúcar produzido na
safra 2008/2009.
Valor total, em metros
Etanol Metros cúbicos Output cúbicos, de etanol
(m3 ) produzido na safra
2008/2009.

Quadro 2- Base de dados contendo as variáveis, as DMUs (separadas por estados) .

Insumos (Inputs) Produtos (Outputs)

Usinas Emprego Moagem Total Açúcar (tol) Álcool UF

(tol) (𝐦𝟑 )

Paisa 781 709972 54353 32773

Santa 3570 1062588 81589 29782
Clotilde AL
Sinimbu 4066 1517685 127501 44393
Sumaúma 893 880388 82878 21670
Agrovale 3540 1297570 59269 69088 BA
Cacaú 5745 1106265 76632 40231
JB 3670 989140 38363 62988
PE
Salgado 2900 685992 63722 13843
São José 3687 1270646 117119 33084
Usicoda –

16
Olho D’água 4460 1660579 147513 40823
USJP 2350 909188 82099 20217 SE
Açúcar 2000 651528 46148 19748 PB
Alegre
Alta Paulista 1913 1413234 36716 91148
Batatais 2029 3441118 245500 136500
Biopav 1798 947494 8614 54627
Campestre 2405 2485506 95440 140936
Colombo -
Ariranha 4446 5152190 394077 200093
Destil – 1340 1100000 45440 88370
Itajobi
Diana 1050 902083 40598 48313
Equipav 4937 6530403 290089 344592
Ester 1741 1928069 107750 81360
ETH – 1805 1350442 58000 85842
Alcídia SP
Ferrari 1562 1865947 115562 83464
Ipiranga –
Descalvado 811 1362005 106903 45425
Ipiranga –
Mococa 1253 1549632 94550 73296
Nova
América – 1562 3332844 258000 123450
Mara
Nova
América – 1122 945099 48337 49551
Paráco
Nova
América – 2970 4145247 287235 168092
Tarumã
Paraíso
Bioenergia 2025 1871486 128102 78326
Pioneiros 1732 1817674 103509 91326
Pitangueira 885 2166916 137748 104985
Ruette 831 1921415 140252 78508

17
 Santa 3264 3203282 217656 142436
Cândida
Santa Cruz 3280 3808287 233425 168824
Santa Fé 2531 2462492 71650 163150
Santa Isabel 2037 2175554 154491 82868
Santa Isabel –
Mendon 1164 2288422 197911 74669
São José da
Estiva 1850 3190576 199650 95084
São Luiz –
Ourinhos 3300 2297432 152476 90085
USJ – São
João 2655 3609199 222741 156457
de Araras
Coagro 420 866797 58431 28582 RJ
Alvorada 1309 1538130 96532 67810
Caeté – Delta 4436 4110622 369733 114907
Caeté – Volta
MG
Grande 2254 4270566 251587 195411
Infinity – 1222 718494 16156 41381
Alcana
Santo Ângelo 607 2033862 160873 72270
WD 360 854291 25753 54001
Disa 1778 1148297 25130 71685 ES
Corol 715 50686 30296 891140 PR
Jaciara 1700 55000 8650 624000 MT

Quadro 3- Ranking/ scores (em ordem crescente) calculados através do

programa Frontier Analyst Professional (BANXIA,1988).
DMU Score
Biopav 6,20
JB 14,49
Infinity –Alcana 16,19
Disa 16,56

18
 Cacaú 18,02
Alta Paulista 20,96
Agrovale 22,05
Salgado 22,09
Santa Clotilde 26,03
Santa Fé 26,46
Açúcar Alegre 26,97
São José 32,82
Usicoda – Olho D’água 33,58
USJP 33,92
Sinimbu 34,09
ETH – Alcídia 34,69
Destil – Itajobi 34,89
Jaciara 35,45
Campestre 35,63
WD 35,98
Diana 38,64
Nova América – Paráco 43,50
Equipav 45,00
São Luiz – Ourinhos 50,07
Ester 52,66
Pioneiros 52,91
Santa Cruz 58,68
Paraíso Bioenergia 59,21
Ferrari 59,92
Ipiranga – Mococa 59,95
Alvorada 60,28
Santa Cândida 60,56
USJ – São João de Araras 62,42
Santa Isabel 64,75
Paisa 65,68
Caeté – Volta Grande 66,04
São José da Estiva 67,31

19
 Nova América – Tarumã 70,19
Colombo – Ariranha 71,82
Caeté – Delta 73,26
Pitangueira 75,78
Coagro 76,43
Batatais 76,79
Sumaúma 77,33
Ipiranga – Descalvado 83,31
Ruette 85,47
Nova América – Mara 88,50
Santa Isabel – Mendon 95,88
Santo Ângelo 100,00
Corol 100,00

Gráfico 1- Paisa- 65,7%

Gráfico 2- Santa Clotilde- 26,0%

20
Gráfico 3- Sinimbu- 34,1%

Gráfico 4- Sumaúma- 77,3%

Gráfico 5- Agrovale- 22,1%

21
Gráfico 6- Cacaú- 18,0%

Gráfico 7- JB- 14,5%

Gráfico 8- Salgado- 22,1%

22
Gráfico 9- São José- 32,8%

Gráfico 10- Usicoda – Olho D’água- 33,6%

Gráfico 11- USJP- 33,9%

23
Gráfico 12- Açúcar Alegre- 27,0%

Gráfico 13- Alta Paulista- 21,0%

Gráfico 14- Batatais- 76,8%

24
Gráfico 15- Biopav- 6,2%

Gráfico 16- Campestre- 35,6%

Gráfico 17- Colombo – Ariranha- 71,8%

25
Gráfico 18- Destil – Itajobi- 34,9%

Gráfico 19- Diana- 38,6%

Gráfico 20- Equipav- 45,0%

26
Gráfico 21- Ester- 52,7%

Gráfico 22 - ETH – Alcídia- 34,7%

Gráfico 23- Ferrari- 59,9%

27
Gráfico 24- Ipiranga – Descalvado- 83,3%

Gráfico 25- Ipiranga – Mococa- 60,0%

Gráfico 26- Nova América – Mara- 88,5%

28
Gráfico 27- Nova América – Paráco- 43,5%

Gráfico 28- Nova América – Tarumã- 70,2%

Gráfico 29- Paraíso Bioenergia- 59,2%

29
Gráfico 30- Pioneiros- 52,9%

Gráfico 31- Pitangueira- 75,8%

Gráfico 32- Ruette- 85,5%

30
Gráfico 33- Santa Cândida- 60,6%

Gráfico 34- Santa Cruz- 58,7%

Gráfico 35- Santa Fé- 26,5%

31
Gráfico 36- Santa Isabel- 64,7%

Gráfico 37- Santa Isabel – Mendon- 95,9%

Gráfico 38- São José da Estiva- 67,3%

32
Gráfico 39- São Luiz – Ourinhos- 50,1%

Gráfico 40- USJ – São João de Araras- 62,4%

Gráfico 41- Coagro- 76,4%

33
Gráfico 42- Alvorada- 60,3%

Gráfico 43- Caeté – Delta- 73,3%

Gráfico 44- Caeté – Volta Grande- 66,0%

34
Gráfico 45- Infinity – Alcana- 16,2%

Gráfico 46- WD- 36,0%

Gráfico 47- Disa- 16,6%

35
Gráfico 48- Jaciara- 35,4%

Gráfico 49- Contribuição de entradas e saídas- Biopav

Gráfico 50- Contribuição de entradas e saídas- JB

36
Gráfico 51- Potencial de melhoramento global

37