Escolar Documentos
Profissional Documentos
Cultura Documentos
1
SUMÁRIO
1- Resumo...................................................................................................................................3
2- Apresentação.........................................................................................................................3
2.1- Introdução..........................................................................................................................3
2.2- Justificativas.......................................................................................................................4
3- Metodologia...........................................................................................................................5
4- Conclusão...............................................................................................................................6
5- Referências bibliográficas....................................................................................................9
6- Parecer do orientador.........................................................................................................10
7- Anexos..................................................................................................................................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.
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
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
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”.
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
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.
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:
V1
0.9972 Y1 0.0329 Y2
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.
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.
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).
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.
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.
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.
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
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).
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
E-mail:antoniogon@ufrrj.br
11
1. JUSTIFICATIVA/IMPORTÂNCIA
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.
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
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
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.
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
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
20
Gráfico 3- Sinimbu- 34,1%
21
Gráfico 6- Cacaú- 18,0%
22
Gráfico 9- São José- 32,8%
23
Gráfico 12- Açúcar Alegre- 27,0%
24
Gráfico 15- Biopav- 6,2%
25
Gráfico 18- Destil – Itajobi- 34,9%
26
Gráfico 21- Ester- 52,7%
27
Gráfico 24- Ipiranga – Descalvado- 83,3%
28
Gráfico 27- Nova América – Paráco- 43,5%
29
Gráfico 30- Pioneiros- 52,9%
30
Gráfico 33- Santa Cândida- 60,6%
31
Gráfico 36- Santa Isabel- 64,7%
32
Gráfico 39- São Luiz – Ourinhos- 50,1%
33
Gráfico 42- Alvorada- 60,3%
34
Gráfico 45- Infinity – Alcana- 16,2%
35
Gráfico 48- Jaciara- 35,4%
36
Gráfico 51- Potencial de melhoramento global
37