MARIANA COATES FURQUIM WERNECK - coppead.ufrj.br · universidade federal do rio de janeiro mariana...
Transcript of MARIANA COATES FURQUIM WERNECK - coppead.ufrj.br · universidade federal do rio de janeiro mariana...
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
MARIANA COATES FURQUIM WERNECK
DETERMINANTES DA EFICIÊNCIA DE ESCALA NA INDÚSTRIA DE
OPERADORES LOGÍSTICOS NO BRASIL: UM ESTUDO LONGITUDINAL COM
ANÁLISE ENVOLTÓRIA DE DADOS (DEA)
RIO DE JANEIRO
2011
ii
Mariana Coates Furquim Werneck
DETERMINANTES DA EFICIÊNCIA DE ESCALA NA INDÚSTRIA DE
OPERADORES LOGÍSTICOS NO BRASIL: UM ESTUDO LONGITUDINAL COM
ANÁLISE ENVOLTÓRIA DE DADOS (DEA)
Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Administração, Instituto COPPEAD de Administração, Universidade Federal do Rio de Janeiro, como parte dos requisitos necessários à obtenção do título de Mestre em Administração
Orientador: Prof. Peter Fernandes Wanke
Rio de Janeiro
2011
iii
FICHA CATALOGRÁFICA
Werneck, Mariana Coates Furquim.
Determinantes da Eficiência de Escala na Indústria de Operadores
Logísticos no Brasil: Um Estudo Longitudinal com Análise Envoltória
de Dados (DEA). / Mariana Coates Furquim Werneck. – 2011.
117 f.: il.
Dissertação (Mestrado em Administração) - Universidade
Federal do Rio de Janeiro - UFRJ, Instituto COPPEAD de
Administração, Rio de Janeiro, 2011.
Orientador: Peter Fernandes Wanke
1. Operadores Logísticos. 2. DEA. 3. Mensuração de Eficiência 4.
Logística. I. Wanke, Peter Fernandes. (Orient.). II. Universidade
Federal do Rio de Janeiro. Instituto COPPEAD de Administração. III.
Título.
iv
MARIANA COATES FURQUIM WERNECK
DETERMINANTES DA EFICIÊNCIA DE ESCALA NA INDÚSTRIA DE OPERADORES LOGÍSTICOS NO BRASIL: UM ESTUDO LONGITUDINAL COM
ANÁLISE ENVOLTÓRIA DE DADOS (DEA)
Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Administração, Instituto COPPEAD de Administração, Universidade Federal do Rio de Janeiro, como parte dos requisitos necessários à obtenção do título de Mestre em Administração
Aprovada em ____________________________________________________
Prof. Peter Fernandes Wanke, D.Sc (Orientador) COPPEAD/UFRJ
____________________________________________________
Prof. Rebecca Arkader, D.Sc. COPPEAD/UFRJ
____________________________________________________
Prof. Elton Fernandes, Ph.D PEP - COPPE/UFRJ
v
vi
AGRADECIMENTOS
Aos meus pais, Victoria e Rogério, que sempre acreditaram em mim até mais do que eu mesma.
Aos meus irmãos, Renato e André, por serem os amigos mais fiéis.
Ao Marcos, a melhor companhia do mundo antes, durante e depois da dissertação, no Fundão e fora
dele, por me apoiar em absolutamente todos os momentos.
Aos meus amigos maduros do mestrado, que contribuíram enormemente para a minha felicidade
nestes últimos dois anos e que, certamente, contribuirão por muitos anos que ainda estão por vir.
Em especial à Fernanda Rios, que não me larga desde a 1ª série primária.
A todos os amigos, que sempre torceram por mim, enquanto aguentavam minhas ausências
prolongadas.
Ao meu orientador, Peter Wanke, pela paciência, tempo dedicado e valiosas sugestões na longa
jornada de elaboração deste trabalho.
Aos professores do COPPEAD, que investem diariamente no sucesso da escola. Agradeço,
particularmente, à professora Rebecca Arkader, pela leitura cuidadosa e pelos preciosos
comentários.
Ao professor Elton Fernandes, pela gentileza de aceitar participar da banca examinadora.
Finalmente, a todos os funcionários do COPPEAD, em especial aos da Secretaria Acadêmica, da
Biblioteca e da cantina, obrigada pela preocupação e pelo carinho constantes.
vii
RESUMO
WERNECK, Mariana C. F.. Determinantes da Eficiência de Escala na Indústria de Operadores
Logísticos no Brasil: Um Estudo Longitudinal com Análise Envoltória de Dados (DEA). Orientador:
Peter Fernandes Wanke. Rio de Janeiro: COPPEAD/UFRJ, 2011. Dissertação (Mestrado em
Administração).
O setor de Operadores Logísticos (OLs) vem sendo cada vez mais pressionado por clientes e
concorrentes a prover altos níveis de serviços para uma ampla gama de produtos logísticos. Esta
combinação de fatores gera uma competição mais acirrada que, por sua vez, faz com que se torne
cada vez mais necessária a medição adequada da eficiência relativa de cada operador, de forma que
estes possam melhor se posicionar frente à concorrência.
Mais precisamente, a eficiência pode ser dividida em eficiência técnica e de escala, sendo a última o
foco desta pesquisa. A literatura aponta que mecanismos de coordenação e tecnologias da
informação influenciam a alocação de recursos disponíveis aos operadores logísticos. Assim, o
objetivo primordial deste trabalho é o de analisar que impacto estas variáveis exercem sobre a
eficiência de escala dos operadores, verificando se, de fato, geram um processo mais eficiente de
transformação de insumos em produtos e, portanto, uma operação mais próxima do seu tamanho de
escala mais produtivo (MPSS - Most Productive Scale Size).
Para tanto, fez-se uso de uma metodologia de DEA (Data Envelopment Analysis – Análise Envoltória
de Dados) em três estágios. Inicialmente, a técnica de DEA foi utilizada para se chegar aos escores de
eficiência de cada OL, tendo como base o painel incompleto de dados da pesquisa anual realizada
pela Revista Tecnologística sobre o setor de OLs, de 2001 a 2010. A fim de avaliar, além da eficiência
relativa, os fatores determinantes desta eficiência, recorreu-se à análise fatorial para agregar as
possíveis variáveis contextuais – inerentes aos operadores, mas fora de seu controle – que afetam
estes escores e, posteriormente, à técnica de regressão Tobit para regredir estes fatores contra os
escores de eficiência de escala e, assim, se chegar aos principais determinantes destes escores.
Os resultados corroboram a hipótese de que os mecanismos de coordenação e, em especial, as TIs,
são importantes determinantes da eficiência de escala dos OLs no Brasil. Em particular, destacam-se
os serviços e TIs relacionadas a logística expressa.
Palavras-chave: Operadores Logísticos, DEA, Mensuração de Eficiência, Eficiência de Escala,
Tecnologia da Informação, Mecanismos de Coordenação.
viii
ABSTRACT
WERNECK, Mariana C. F. Determinantes da Eficiência de Escala na Indústria de Operadores
Logísticos no Brasil: Um Estudo Longitudinal com Análise Envoltória de Dados (DEA). Orientador:
Peter Fernandes Wanke. Rio de Janeiro: COPPEAD/UFRJ, 2011. Dissertação (Mestrado em
Administração).
Nowadays the 3PL industry is being pressured by clients and competition to provide high service
levels for a wide range of logistics services. This combination of factors enhances competition and
makes it increasingly necessary to properly measure relative efficiency, so that 3PLs can better
choose their competitive position.
More precisely, efficiency can be divided into technical and scale efficiency. Although this research
presents both results, our focus remains on the latter. Literature suggests that coordination
processes and information technology (IT) may influence 3PLs’ available resources’ allocation. Thus,
the primary aim of this work is to analyze the impact these variables have on the scale efficiency of
3PLs, in order to confirm if they indeed create a more efficient process of transformation of inputs
into outputs and therefore an operation which is closer to the most productive scale size (MPSS).
To achieve this goal, we used a 3-stage DEA (Data Envelopment Analysis) technique. We started with
DEA to estimate technical and scale efficiency scores for each company, based on the data from 2001
to 2010 from the annual survey on the 3PL industry conducted by Revista Tecnologística. In addition
to the assessment of this relative efficiency, we used factor analysis to reduce possible external
variables – inherent to 3PLs but outside their control – and Tobit regression to regress these factors
against scale efficiency scores in order to identify the main determinants of these scores.
Results corroborate evidence in the literature of the importance of coordination processes and,
especially, of ITs on the scale efficiency of Brazilian 3PLs. Services and IT related to express logistics
seem to stand out.
Keywords: 3PL, DEA, Efficiency Measurement, Scale Efficiency, Information Technology, Coordination
Processes.
ix
LISTA DE FIGURAS
Figura 1: Modelo de DEA ....................................................................................................................... 64
Figura 2: Fluxograma Metodológico ..................................................................................................... 73
x
LISTA DE GRÁFICOS
Gráfico 1: Medidas de eficiência em um caso simples (FARRELL, 1957) .............................................. 15
Gráfico 2: Comparação entre fronteira de DEA e regressão (COOPER et al., 2007) ............................. 16
Gráfico 3: Eficiência de Produto X Eficiência de Recursos (baseado em COOPER et al., 2007) ............ 17
Gráfico 4: Efeito da escala sobre a produtividade ................................................................................ 21
Gráfico 5: Fronteira exemplo 1 CCR X BCC ............................................................................................ 22
Gráfico 6: Evolução da mediana da receita bruta do OLs (em R$ milhões) .......................................... 76
Gráfico 7: Evolução da mediana de anos de mercado dos OLs ............................................................ 76
Gráfico 8: Evolução da percentagem de empresas que prestam serviço de controle de estoque ...... 77
Gráfico 9: Evolução da percentagem de empresas que prestam serviço de embalagem .................... 77
Gráfico 10: Evolução da percentagem de empresas que prestam serviço de montagem de kits ........ 77
Gráfico 11: Evolução da percentagem de empresas que prestam serviço de logística reversa ........... 77
Gráfico 12: Evolução da percentagem de empresas que prestam serviço de desenvolvimento de
projetos ................................................................................................................................................. 77
Gráfico 13: Evolução da percentagem de empresas que prestam serviço de distribuição .................. 77
Gráfico 14: Evolução da percentagem de empresas que prestam serviço porta-a-porta .................... 77
Gráfico 15: Evolução da percentagem de empresas que prestam serviço de transferência................ 77
Gráfico 16: Evolução da percentagem de empresas que têm escritórios próprios .............................. 78
Gráfico 17: Evolução da percentagem de empresas que utilizam WMS e ERP .................................... 79
Gráfico 18: Evolução da percentagem de empresas que têm certificação........................................... 79
Gráfico 19: Teste scree para análise fatorial com 7 fatores .................................................................. 82
xi
LISTA DE QUADROS
Quadro 1: Resumo dos Estudos de DEA em Aeroportos e Companhias Aéreas .................................. 30
Quadro 2: Resumo dos Estudos de DEA em Ferrovias .......................................................................... 36
Quadro 3: Resumo dos Estudos de DEA em Transporte Urbano .......................................................... 38
Quadro 4: Resumo dos Estudos de DEA em Portos e Terminais .......................................................... 44
Quadro 5: Resumo dos Estudos de DEA em Outras Aplicações Logísticas ........................................... 49
Quadro 6: Resumo dos Estudos de DEA em Operadores Logísticos ..................................................... 53
Quadro 7: Painel Incompleto de Dados – Indústria Brasileira de OLs .................................................. 61
xii
LISTA DE TABELAS
Tabela 1: Correlações tau-b de Kendall entre inputs e outputs ............................................................ 57
Tabela 2: Estatísticas Descritivas das Medidas de Input e Output ........................................................ 58
Tabela 3: Estatísticas descritivas do input número de funcionários ..................................................... 74
Tabela 4: Estatísticas descritivas do input área total ............................................................................ 74
Tabela 5: Estatísticas descritivas do input armazéns próprios .............................................................. 75
Tabela 6: Estatísticas descritivas do input armazéns de clientes .......................................................... 75
Tabela 7: Estatísticas descritivas do output número de clientes .......................................................... 75
Tabela 8: Estatísticas descritivas do output receita bruta .................................................................... 75
Tabela 9: Resumo dos escores de eficiência calculados por ano .......................................................... 80
Tabela 10: KMO e teste Bartlett de esfericidade .................................................................................. 82
Tabela 11: Matriz de componentes rotacionados – processos de coordenação e Tecnologias de
informação ............................................................................................................................................ 83
Tabela 12: Análise de correlação entre os fatores e a outra variável independente ........................... 84
Tabela 13: Resultados da Regressão Tobit para Dados em Painel Incompleto .................................... 84
Tabela 14 - Resultados da DEA: Escores CCR ...................................................................................... 109
Tabela 15 - Resultados da DEA: Escores BCC ...................................................................................... 112
Tabela 16 - Resultados da DEA: Escores de eficiência de escala ......................................................... 115
xiii
LISTA DE SIGLAS
BCC – Banker, Charnes e Cooper (retornos variáveis de escala)
CCR – Charnes, Cooper e Rhodes (retornos constantes de escala)
DEA – Data Envelopment Analysis (Análise Envoltória de Dados)
DMU – Decision-Making Unit (Unidade de Tomada de Decisão)
EE – Eficiência de Escala
ERP – Enterprise Resource Planning (Sistemas Integrados de Gestão Empresarial)
ISO – International Organization for Standardization (Organização Internacional de Padronização)
MPSS – Most Productive Scale Size (Escala de Produção Mais Produtiva)
MQO – Mínimos Quadrados Ordinários
OL – Operador Logístico
PIB – Produto Interno Bruto
SFA – Stochastic Frontier Analysis (Análise Estocástica de Fronteira)
TI – Tecnologia da Informação
TMS – Transportation Management System (Sistema de Gestão de Transportes)
WMS – Warehouse Management System (Sistema de Gestão de Armazéns)
xiv
Sumário
1 Introdução ....................................................................................................................................... 1
1.1 Objetivos ................................................................................................................................. 1
1.2 Relevância do Estudo .............................................................................................................. 1
1.3 Organização do Estudo ............................................................................................................ 5
2 Revisão de Literatura ...................................................................................................................... 6
2.1 Operadores Logísticos ............................................................................................................. 6
2.1.1 Fundamentos Conceituais ............................................................................................... 6
2.1.2 Influência de insumos, produtos e variáveis contextuais na eficiência de escala dos OLs
10
2.2 Análise Envoltória de Dados/Data Envelopment Analysis (DEA) .......................................... 14
2.2.1 Modelo CCR ................................................................................................................... 18
2.2.2 Modelo BCC ................................................................................................................... 20
2.2.3 Eficiência de Escala ........................................................................................................ 22
2.2.4 DEA em Três Estágios .................................................................................................... 23
2.3 Aplicações de DEA no Setor de Logística .............................................................................. 28
2.3.1 Aeroportos .................................................................................................................... 29
2.3.2 Ferrovias ........................................................................................................................ 35
2.3.3 Transporte Urbano ........................................................................................................ 38
2.3.4 Portos e Terminais Portuários ....................................................................................... 43
2.3.5 Outras Aplicações Logísticas ......................................................................................... 49
2.3.6 Operadores Logísticos ................................................................................................... 50
3 Metodologia de Pesquisa .............................................................................................................. 54
3.1 Base de Dados Utilizada ........................................................................................................ 54
3.2 Tratamento Inicial de Dados e Escolha de Variáveis ............................................................. 55
3.2.1 Seleção de Inputs e Outputs .......................................................................................... 55
3.2.2 Seleção das Variáveis Contextuais ................................................................................ 58
xv
3.2.3 Escolha das DMUs ......................................................................................................... 60
3.3 O Modelo de DEA em Três Estágios ...................................................................................... 63
3.3.1 O Modelo de DEA .......................................................................................................... 63
3.3.2 Análise Fatorial .............................................................................................................. 64
3.3.3 Regressão Tobit ............................................................................................................. 67
3.4 Fluxograma Metodológico .................................................................................................... 73
4 Análise e Discussão de Resultados ................................................................................................ 74
4.1 Apresentação dos Resultados ............................................................................................... 74
4.1.1 Estatísticas Descritivas .................................................................................................. 74
4.1.2 Resultados da DEA ......................................................................................................... 80
4.1.3 Resultados da Análise Fatorial ...................................................................................... 81
4.1.1 Resultados da Regressão Tobit ..................................................................................... 84
4.2 Análise dos Resultados .......................................................................................................... 85
5 Conclusões e Implicações Gerenciais ............................................................................................ 87
5.1 Resumo .................................................................................................................................. 87
5.2 Conclusões............................................................................................................................. 88
5.3 Limitações do Estudo ............................................................................................................ 89
5.4 Sugestões para Estudos Futuros ........................................................................................... 90
Referências Bibliográficas ..................................................................................................................... 91
Anexo 1: Exemplo Numérico de DEA .................................................................................................. 104
Anexo 2: Resultados da DEA por DMU ................................................................................................ 109
1
1 Introdução
1.1 Objetivos
A exploração de economias de escala é o ponto fundamental da própria existência dos operadores
logísticos (OLs). Estes conseguem auferir ganhos expressivos tanto em custo quanto em nível de
serviço pela consolidação de demandas aliada a sua alta especialização. Assim, este estudo visa
investigar os principais determinantes que afetam a eficiência de escala na indústria de OLs no Brasil.
Para isto, a pesquisa fará uso, inicialmente, de uma combinação de modelos de Análise Envoltória de
Dados (Data Envelopment Analysis – DEA) para estimar a eficiência dos OLs. As eficiências técnica e
de escala são determinadas para se avaliar a eficiência relativa de suas operações, analisando os
benchmarks de cada unidade ineficiente. Desta forma, chega-se à pergunta principal da pesquisa:
“Quais os principais fatores que afetam a eficiência de escala dos operadores logísticos no Brasil?”. A
partir dela, pode-se explorar o tema pelo ponto-de-vista gerencial, analisando maneiras pelas quais
os operadores poderiam melhorar sua eficiência de escala.
1.2 Relevância do Estudo
Muitos autores, como Hum (2000), vêem a logística como a última fronteira onde ainda há espaço
para que as empresas desenvolvam vantagens competitivas estratégicas. Sendo assim, empresas que
não têm as operações logísticas como competência central (PRAHALAD e HAMEL, 1990) buscam a
terceirização como forma de alcançar estas vantagens e, para isso, contam com o uso de operadores
logísticos. Esta, que é uma das tendências mais poderosas para a maior parte das empresas (RAJESH
et al., 2011), pode ser comprovada pelo índice de terceirização logística1 em diferentes regiões do
globo: 47% nos EUA, 62% na Ásia, 65% na Europa e 63% no Brasil (COPPEAD, 2009). O alto percentual
de terceirização no país evidencia a importância do papel dos prestadores de serviços logísticos na
economia brasileira.
Pode-se constatar que a terceirização logística é um fenômeno mundial. Nos EUA, o início da década
de 90 viu uma expansão espetacular da indústria de operadores logísticos: 100 novos operadores
surgiram entre 1990 e 1995. As receitas praticamente dobraram de US$65 bilhões em 2001 para
US$128,7 bilhões em 2008 (FIELD, 2009). Na China, o mercado dos OLs era estimado em US$55,8
bilhões em 1999, US$90 bilhões em 2005 e esperava-se que atingisse a marca de US$120,8 bilhões
1 Percentagem do total de gastos com logística.
2
em 2010. Entretanto, empresas com negócios neste país pareciam estar preocupadas com o
aumento dos custos – por motivos como precariedade da infraestrutura, burocracia e corrupção –,
que poderiam colocar em perigo a vantagem competitiva chinesa, uma vez que os gastos logísticos
chegaram a 21,5% do PIB em 2002 (ZHOU et al., 2008). Pode-se traçar um paralelo da evolução
chinesa com a evolução brasileira.
A indústria de operadores logísticos no Brasil só começou sua real evolução depois da estabilização
econômica resultante do Plano Real (FLEURY e RIBEIRO, 2001), na segunda metade da década de 90,
com a entrada de importantes empresas internacionais e o desenvolvimento de empresas locais. A
expansão do uso de operadores logísticos veio com cerca de 10 anos de atraso em relação aos EUA e
à Europa, por exemplo, mas resultou em uma expansão de 286% de 2000 a 2003 no tamanho do
mercado, sem que, na verdade, o número de prestadores de serviço aumentasse tanto – de 98 para
116 firmas (FLEURY, 2004). Cristiano Koga, diretor de Vendas e Engenharia do operador Penske,
coloca, em entrevista à edição de junho de 2010 da Revista Tecnologística, que o movimento
europeu e americano de terceirização dos últimos anos deve se repetir aqui, porque não há mais
como as empresas crescerem a taxas exponenciais mantendo internas certas atividades. A receita
média dos OLs aumentou de R$32 milhões em 2000 para R$203 milhões em 2007. Considerando o
setor como um todo, os gastos com logística no Brasil, em 2008, corresponderam a
aproximadamente R$192 bilhões ou 11,7% do PIB nacional (COPPEAD, 2009).
Na visão da maioria dos embarcadores nacionais, a terceirização gera redução de custos, sendo este
o principal motivador para se terceirizar, citado por 81% das empresas. O segundo (73%) e terceiro
(73%) motivos foram, respectivamente, focar no core business e aumentar a eficiência operacional. É
interessante notar a evolução do motivo “trazer maior know-how para geração de novas soluções
logísticas”, que, apesar de continuar pouco expressivo, evoluiu de 35% em 2003 para 53% em 2008,
evidenciando um amadurecimento do setor (COPPEAD, 2009).
Uma pesquisa sobre o transporte rodoviário de cargas no Brasil publicada pelo Instituto ILOS em
2010 mostrou que havia restrição de oferta de transporte no curto prazo, tendo sido constatado que
a demanda nesse ano já poderia ser maior que a disponibilidade de ativos para determinados setores
(ARAÚJO, 2010). Além disso, há todo um processo de interiorização do país, com avanço de
fronteiras em direção ao Norte e ao Centro-Oeste, regiões com extraordinárias possibilidades,
principalmente de extração mineral e produção agrícola (MAGALHÃES, 2009). Isto resulta em
distâncias maiores a serem percorridas na prestação de serviços logísticos. Por este setor ainda não
ser tão desenvolvido aqui quanto em outros países e por haver um crescimento da adoção do
conceito de logística integrada, o mercado brasileiro apresenta enorme potencial. Entretanto, os OLs
3
enfrentam uma série de problemas no país, dentre os quais os principais são a infraestrutura
precária, os entraves regulatórios e burocráticos, a ineficiente legislação tributária e o pouco
conhecimento acerca da indústria.
O negócio de operadores logísticos vem evoluindo de acordo com a demanda por serviços mais
sofisticados. A globalização, a redução dos lead times, a orientação para o consumidor e a
terceirização são algumas das mudanças drásticas que contribuíram para o aumento do interesse em
logística. A integração da cadeia de suprimentos apresenta oportunidades de ganho em vantagem
competitiva e, como resultado, a função dos OLs está mudando tanto em papel quanto em
complexidade (HERTZ e ALFREDSSON, 2003). Assim, o crescimento da importância dos operadores
logísticos e da terceirização na economia mundial suscitou o interesse de diversos pesquisadores
pelo tema. Os aspectos pesquisados incluem o critério de seleção, o leque de serviços oferecidos e a
extensão da terceirização (ZHOU et al., 2008).
Tomando o exemplo do caso norte-americano, Min e Joo (2006) acreditam que, após duas décadas
de evolução, a indústria de operadores logísticos atingiu a maturidade. Partindo-se deste
pressuposto, o mesmo estaria acontecendo no Brasil em alguns anos. A maior complexidade do setor
somada ao aumento da exigência dos clientes gera a necessidade de se conseguir um bom
posicionamento frente à concorrência. Fleury e Ribeiro (2001) citaram a pressão por melhoria de
desempenho como sendo o fator que mais impacta o setor de OLs, seguido de perto pela pressão
por redução de preços. Mais recentemente, Wang et al. (2008) também mencionam a existência de
crescentes pressões por redução de custos e provisão de melhores serviços no setor de logística. A
crise mundial que atingiu o Brasil principalmente em 2009 foi outro fator que estimulou a redução de
custos através do aumento da eficiência, transformando o que antes era uma estratégia na única
alternativa possível. Assim, hoje em dia, são grandes as pressões por redução de custo e aumento do
nível de serviço, por integração dos serviços e, consequentemente, por melhorias na eficiência
operacional. Esta combinação de fatores torna fundamental a avaliação de eficiência dos OLs, apesar
de, até hoje, a análise de eficiência não ter sido muito pesquisada, mostrando uma lacuna
importante na literatura.
Nesta empreitada, a DEA – desenvolvida há mais de 30 anos, embora seu uso só se tenha
disseminado há alguns anos (COOK e SEIFORD, 2009) – é considerada uma poderosa ferramenta,
capaz de processar simultaneamente diversos inputs e outputs, auxiliando os gestores na tomada de
decisão. Ela produz uma única medida de desempenho para cada uma das unidades analisadas,
chamadas DMUs (decision-making units ou unidades de tomada de decisão), e constrói
empiricamente uma fronteira eficiente, após ter identificado as DMUs eficientes e ineficientes
4
(WAGNER e SHIMSHAK, 2007). Sua maior vantagem em relação às técnicas paramétricas é que os
pesos relativos das variáveis não precisam ser conhecidos a priori.
Esta técnica é capaz de gerar escores tanto de eficiência técnica quanto de eficiência de escala. Esta
eficiência é tão importante no setor de logística que até mesmo um decreto presidencial sobre
fomento do setor de portos coloca que o plano geral de outorgas deve estar de acordo com a
“expansão da oferta de serviços portuários, baseada na eficiência de escala da exploração das
atividades e redução dos custos unitários” (DECRETO no 6.620 de 29 de outubro de 2008, Art. 44º,
inciso II). Em um momento em que a tendência generalizada de consolidação no setor de operadores
logísticos se torna patente (SELVIARIDIS e SPRING, 2007), surge a questão de se operadores maiores
são, de fato, mais eficientes. A própria existência dos operadores logísticos se baseia nas economias
de escala que eles conseguem auferir com a consolidação de diversas demandas por um mesmo
serviço e pela especialização em serviços correlatos. Liu et al. (2008) defendem que, dado que os
custos de desenvolver a logística nas empresas são altos, a melhor forma de reduzir custos logísticos
é subcontratando OLs. Rajesh et al. (2011) aprofundam esta idéia e mostram que os operadores
utilizam melhor sua capacidade, distribuindo os custos entre os clientes e, assim, tomando proveito
de economias de escala. Os OLs são capazes de movimentar mais produtos utilizando menos ativos,
ainda mantendo o nível de serviço exigido pelo cliente, alguns otimizam redes de distribuição e
consolidam rotas, além de alavancarem, com o alto volume, a adoção de novas tecnologias.
Isso mostra que a melhor adequação da escala à demanda é crucial para o seu bom desempenho.
Min e Joo (2006) acreditam que os OLs que não conseguirem sustentar suas economias de escala
podem acabar vítimas de fusões e aquisições. Neste contexto torna-se cada vez mais importante
mensurar de forma acurada os determinantes da eficiência no setor. Hertz e Alfredsson (2003)
defendem que o aumento da competição de novas empresas frente às transportadoras e aos
armazéns tradicionais exige um posicionamento competitivo mais interessante. Para adicionar valor
para o cliente, é necessário desenvolver habilidades e competências e ganhar vantagens em escala e
escopo, explorando a co-utilização de recursos, a coordenação de atividades no portfólio de clientes
e a criação de conhecimento específico. Este equilíbrio entre escala e escopo é um dos principais
desafios enfrentados pela indústria e determina o desenvolvimento estratégico dos OLs, em termos
de recursos críticos, serviços oferecidos e competências-chave a serem estimuladas (HERTZ e
ALFREDSSON, 2003).
Em conjunto com técnicas multivariadas de análise de dados, a DEA permite a mensuração do
impacto de variáveis contextuais nos escores de eficiência (COOPER et al., 2007).
5
O único artigo que deu a devida importância à análise de fatores que afetam à eficiência de escala foi
o de Ross e Droge (2004), que o fizeram na avaliação de eficiência de unidades de uma extensa rede
de distribuição de petróleo. Assim, o tema é bastante inovador de forma geral, mas ainda mais no
que tange à análise de eficiência de operadores logísticos, que, em si, também é bastante pouco
explorada com uso de DEA.
A próxima seção apresentará a organização do estudo.
1.3 Organização do Estudo
O presente estudo está dividido em cinco capítulos. O primeiro apresentou os objetivos que serão
perseguidos, bem como sua relevância. O segundo capítulo traz a revisão de literatura sobre o tema.
Inicia-se com uma caracterização geral da indústria de operadores logísticos no Brasil, discutindo o
seu papel nas cadeias de suprimentos, os principais serviços prestados e as tecnologias de
informação (TIs) comumente adotadas. Em seguida, vem uma explicação sobre a técnica de DEA e
seus modelos – assim como sobre a combinação desta com outras técnicas multivariadas. Na última
seção são resumidos os principais estudos que aplicaram DEA no setor de logística, dando destaque,
especificamente, à aplicação em OLs, que até hoje ocorreu em pouquíssimos estudos e apenas em
outros países.
O capítulo 3 apresenta a metodologia do estudo, expondo os métodos utilizados e o processo de
análise. A primeira seção dá especial atenção às motivações para a escolha do escore de eficiência de
escala para análise mais profunda. As seções subsequentes apresentam a base de dados utilizada,
detalhando a escolha de variáveis e DMUs. A última seção é a principal, onde é detalhado o modelo
de DEA em três estágios utilizado na pesquisa, dividida em DEA, análise fatorial e regressão Tobit.
O quarto capítulo mostra e discute os resultados e a análise da aplicação da técnica de DEA, da
análise fatorial das variáveis contextuais e, finalmente, da regressão Tobit, que determina os
principais fatores que afetam a eficiência de escala na indústria brasileira de OLs.
No quinto e último capítulo as conclusões são apresentadas e são sugeridas estratégias gerenciais
para se aumentar a eficiência. Também serão abordadas as limitações do trabalho, assim como
recomendações para estudos futuros sobre este mesmo tema.
6
2 Revisão de Literatura
Este capítulo traz uma revisão de literatura, dividida em três seções, que propiciará ao leitor um
embasamento teórico da pesquisa levada a cabo. A primeira seção trata do tema operadores
logísticos, da mensuração de eficiência neste setor, dos processos de coordenação na cadeia de
suprimentos e, por fim, aborda a utilização da tecnologia da informação. A segunda, por sua vez,
apresenta um resumo da DEA e versa sobre seus principais modelos e sua aplicação em três estágios.
Isto é feito para orientar o leitor acerca da metodologia utilizada com o objetivo de determinar os
principais fatores que impactam a eficiência de escala dos OLs. Por fim, a última seção traz uma
junção dos dois assuntos, mostrando aplicações da técnica de DEA na logística e, mais
especificamente, no setor de operadores logísticos.
2.1 Operadores Logísticos
2.1.1 Fundamentos Conceituais
A ABML, a Fundação Getúlio Vargas e a Associação Brasileira de Movimentação e Logística definiram,
em conjunto, que “operador logístico” é
O prestador de serviços logísticos, especializado em gerenciar e executar
todas ou parte das atividades logísticas nas várias fases da cadeia de
suprimentos de seus clientes, agregando valor ao produto dos mesmos, e
que tenha competência para, no mínimo, prestar simultaneamente serviços
nas três atividades básicas de controle de estoques, armazenagem e gestão
de transportes (ABML, 1999).
A proliferação de operadores logísticos é uma tendência que veio se consolidando ao longo do
tempo. Por um lado, o crescimento da complexidade das atividades logísticas dificultou o
acompanhamento das exigências competitivas, que seguiam tendência de aumento. Por outro, à
medida que esta complexidade crescia, a necessidade de investimentos que capacitassem as
empresas a realizar as atividades logísticas também aumentava. Assim, a contratação de
especialistas para gerenciá-las tornou-se cada vez mais indispensável (FIGUEIREDO e MORA, 2009).
Segundo Fleury (1999, p.1),
7
as operações logísticas têm se tornado mais complexas (o que tende a gerar
mais custos), mais sofisticadas tecnologicamente (implicando em maiores e
mais frequentes investimentos) e mais importantes sob o ponto-de-vista
estratégico (por permitir maior agregação de valor e maior diferenciação
competitiva), favorecendo a utilização de especialistas.
Há diversos motivos que contribuem para este aumento da complexidade. Um deles é a globalização,
que “resulta em maior número de clientes e fornecedores, maior número de locais para suprimento
e distribuição, maiores distâncias a serem percorridas, maior complexidade cultural e regulatória”
(FLEURY, 1999, p.1).
Adicionalmente, os clientes têm exigido serviços cada vez mais confiáveis, rápidos, flexíveis (WANG
et al., 2010) e variados (RAJESH et al., 2011). O resultado é a adequação à conveniência do cliente em
todos os aspectos, como é o caso do lugar e da hora de entrega desejados, da velocidade em que o
pedido chega e dos serviços de pós-compra (GOTZAMANI et al., 2010). As altas expectativas dos
clientes aliadas ao maior nível de competição global fazem com que um número cada vez maior de
empresas terceirize suas atividades logísticas (VAIDYANATHAN, 2005).
Outros fatores de grande influência para o aumento da demanda por operadores logísticos são a
tendência de aumento da frequencia de lançamento de novos produtos juntamente com a difusão
do conceito de segmentação dos mercados. Atualmente, os sistemas logísticos têm de suportar
maior flexibilidade tanto no número de linhas de produtos quanto nos múltiplos canais de vendas
pelos quais eles são distribuídos. A consequente fragmentação do volume de produtos nestes
diversos canais aumenta a complexidade e os custos da logística, uma vez que diminui as
oportunidades de consolidação (BOWERSOX e CLOSS, 2007).
Finalmente, aliada à complexidade operacional, a sofisticação tecnológica também tem contribuído
para o aumento da demanda por operadores logísticos. A baixa taxa de adoção de tecnologias pelas
empresas evidencia amplas oportunidades para que os operadores logísticos as adotem e explorem
(LAI et al., 2006). Rajesh et al. (2011) confirmam que as economias de escala atingidas pelos
operadores logísticos na prestação de serviços para terceiros ocorrem tanto em ativos quanto em
conhecimento. Sendo assim, viabilizam investimentos em tecnologia, permitindo-lhes oferecer maior
flexibilidade operacional para seus clientes a menores custos. Adicionalmente, Gotzamani et al.
(2010) registram que os OLs usam significantemente mais métodos e ferramentas de forma a
corretamente identificar as necessidades e percepções dos clientes.
8
Figueiredo e Mora (2009) identificam a adoção do conceito de produção enxuta pelas indústrias
como fator de grande importância no aumento da complexidade das atividades logísticas. Desde que
o paradigma da produção em massa foi substituído pela filosofia Just in Time (JIT), a necessidade de
entrega rápida de matérias-primas e produtos acabados tornou necessária a contratação de
especialistas (FIGUEIREDO e MORA, 2009). Outros fatores importantes foram a busca por aumentar a
flexibilidade operacional e o foco nas competências-chave do negócio, derivado das idéias de
Prahalad e Hamel (1990) (apud WILDING e JURIADO, 2004).
Sob o ponto-de-vista operacional, os operadores podem ser baseados em ativos, ou seja, ter seus
próprios armazéns, frota, etc., ou baseados em informação e gestão, vendendo soluções advindas de
seu know-how de gerenciamento baseado em sistemas de informação e capacidade analítica
(FLEURY, 1999). Em média, 92% da frota de veículos de carga, 27% dos armazéns e 32% dos
equipamentos de armazenagem pertencem aos OLs (COPPEAD, 2009). A maior parte dos OLs
brasileiros são baseados em ativos2 e seu crescimento se deu, em parte, graças à falta de uma boa
infraestrutura de armazenagem pública e à capacidade de provisão de serviços de transporte
confiáveis (HOFER, 2007).
O surgimento de operadores pode se dar por ampliação de serviços a partir de empresas
especializadas em transporte ou armazenagem, por exemplo, ou por diversificação de atividades,
dentro de uma empresa industrial ou comercial que, tendo desenvolvido competências logísticas
internas, decide criar um prestador de serviços logísticos para terceiros (FLEURY, 1999). Uma das
vantagens deste tipo de desenvolvimento é que as firmas que não eram transportadoras não têm
redes de distribuição muito fortes: as empresas podem querer terceirizar diferentes partes de seus
negócios para diferentes operadores, esperando objetividade dos prestadores de serviço; a
desvantagem é o fato de o cliente da transportadora ser também um cliente potencial do novo
operador, e poder se desenvolver juntamente com ele. Para exemplificar esta situação, Hertz e
Alfredsson (2003) citam como exemplo a Cat Logistics, que se desenvolveu a partir do serviço de
MRO da Caterpillar. O sucesso levou a divisão, que hoje é uma unidade separada (existem casos de
empresas que se separaram totalmente da matriz, para que os clientes as considerassem “neutras”),
a lentamente adicionar clientes externos, inicialmente clientes e fornecedores da própria Caterpillar.
Hoje, muitos dos seus novos clientes acreditam que a sua origem industrial pode ser fonte de
conhecimentos importantes.
2 Segundo Paulo Fleury, em entrevista para a edição de junho de 2008 da Revista Tecnologística, há poucos OLs
não baseados em ativos no Brasil, uma vez que isto tende a deixar o cliente inseguro.
9
O Brasil está seguindo a tendência mundial, mas a oferta de serviços de maior valor agregado está
evoluindo lentamente. De fato, Selviaridis e Spring (2007) identificam que existe um contínuo
movimento de consolidação one-stop shop, graças às economias de escala, à expansão da cobertura
geográfica, à possibilidade de expansão das capacitações e à necessidade de grandes investimentos
em equipamentos e TI. Fleury (2008, p.68) afirma que “as tendências dos mercados mais
desenvolvidos acabam vindo para cá.”
Os OLs se diferenciam em diversas alternativas de atuação, dentre as quais os tipos de serviços
oferecidos, o escopo geográfico, os tipos de indústria atendidos, as características dos ativos
utilizados e a atividade de origem. O transporte e a armazenagem, atividades que deram origem à
enorme maioria dos operadores, continuam sendo os serviços que mais contribuem para seu
faturamento (FLEURY e RIBEIRO, 2001).
Figueiredo e Mora (2009) argumentam que, dada a busca cada vez maior dos embarcadores por
soluções completas, os OLs estão sendo obrigados a repensar estratégias para melhorar seu
desempenho, fazendo escolhas de com que serviços e em que segmentos atuar. Wanke, Arkader e
Hijjar (2007) concordam com a atratividade desta estratégia. Os autores mediram a segmentação dos
OLs brasileiros com base na sofisticação logística do embarcador, chegando à conclusão de que
quanto maior a sofisticação, maior a busca por prestadores de serviço integrados, embora esta
escolha dependa, em última análise, do tipo de indústria sendo analisado. Realmente, na direção
contrária ao aumento do leque de serviços observado no passado, existe uma tendência de
segmentação dos prestadores de serviços logísticos, não só pela demanda dos clientes por
especialização e experiência em setores específicos, mas também de acordo com uma estratégia de
diversificação do portfólio de clientes. Esta tendência acaba sendo uma vantagem para pequenos
prestadores, dado que são necessários menos investimentos em ativos, gestão e TI (FIGUEIREDO e
MORA, 2009).
Para aumentar a eficiência, algumas empresas apelam para o transporte colaborativo de cargas, com
acordos com o embarcador para consolidação de cargas e/ou para frete de retorno (FIGUEIREDO e
EIRAS, 2007). Em linha, Min e Joo (2006) colocam que, em momentos de cortes de pessoal e aperto
financeiro, a eficiência operacional dos operadores logísticos dita não só sua competitividade como
também sua sobrevivência.
10
2.1.2 Influência de insumos, produtos e variáveis contextuais na eficiência de escala dos OLs
Como qualquer unidade produtiva, os operadores logísticos utilizam inputs para produzir outputs. Os
principais insumos encontrados em artigos de aplicação da técnica de DEA no setor de OLs são,
basicamente, trabalho (salários, horas de trabalho por ano), propriedades e equipamentos (número
de equipamentos, depreciação e amortização de propriedade, área, ativo permanente), contas
financeiras (contas a receber, custo de vendas, despesas de vendas, despesas operacionais ex-
salários) e, até mesmo, informação. Os produtos podem ser medidos por throughput, número de
ordens, lucro, receita, etc. (ROSS e DROGE, 2004; MIN e JOO, 2006; HAMDAN e ROGERS, 2008; ZHOU
et al., 2008; MIN e JOO, 2009).
Os OLs típicos contratam um grande número de funcionários – entre os quais gerentes,
despachantes, motoristas, separadores de pedidos –, dada a natureza intensiva em mão-de-obra da
indústria de logística, fazendo com que os custos com pessoal representem grande parte dos custos
totais de um operador (ZHOU et al., 2008; MIN e JOO, 2006; MIN e JOO, 2006). Assim, Min e Joo
(2006) acreditam que os salários refletem a eficiência do investimento direto em recursos humanos
e, em sua pesquisa, tiveram acesso à folha de pagamentos dos OLs. Zhou et al. (2008) também
consideram os salários como um de seus inputs, e Hamdan e Rogers (2008) utilizam a variável horas
trabalhadas por ano.
Equipamentos e infraestrutura também são vistos como recursos importantes, pois a correta
utilização da capacidade pode aumentar a eficiência dos OLs em atender as demandas de seus
clientes. Estes recursos permitem o oferecimento de serviços de transporte e armazenagem, com a
oportunidade de consolidação e de oferta de serviços de maior valor agregado (MIN e JOO, 2006).
Estas atividades, que deram origem à maioria dos operadores, continuam sendo os serviços que mais
contribuem para o seu faturamento, embora os serviços mais lucrativos sejam os de maior valor
agregado (FLEURY e RIBEIRO, 2001).
Assim, Zhou et al. (2008) consideraram o ativo imobilizado líquido como um de seus inputs, incluindo
armazéns, terminais, caminhões, aviões, contêineres, computadores, etc., na crença de que
geralmente são recursos críticos para o aumento das vendas e, consequentemente, da receita
(especialmente no caso de OLs baseados em ativos), representando bem a eficiência no uso dos
ativos. Hamdan e Rogers (2008), em sua análise de eficiência de armazéns operados por operadores
logísticos, escolheram o espaço de armazenagem, em volume, como input, assim como o número de
equipamentos para manuseio de materiais.
11
Além destes inputs, a tecnologia da informação também é considerada nos estudos sobre operações
logísticas. Ross e Droge (2004) incluíram a previsão de demanda e Hamdan e Rogers (2006), o custo
anual dos gastos com tecnologia.
A escolha de outputs financeiros é comum, seja o lucro operacional (MIN e JOO, 2006; ZHOU et al.,
2008), seja a receita do operador (MIN e JOO, 2009). Entretanto, Hamdan e Rogers (2008), em seu
artigo sobre operadores de armazenagem, dão prioridade aos produtos operacionais resultantes
destas operações: throughput, número de ordens por ano e utilização do espaço de armazenagem.
Contudo, a eficiência não é afetada somente pela destreza em minimizar insumos ou maximizar
produto. Fried et al. (2002) colocam que três fenômenos muito diferentes afetam o desempenho das
DMUs: a eficiência desta transformação de inputs em outputs; o impacto da sorte, de variáveis
omitidas ou de eventos relacionados, resumidos no que seria o termo de erro em uma regressão; e
as características contextuais das atividades do processo de produção. O primeiro fenômeno é
endógeno, enquanto os outros dois são exógenos, sendo interessante separar estes dois efeitos.
Fried et al. (1999) destacam a importância da exploração das razões para as diferenças entre os
escores de eficiência das DMUs, por meio do relacionamento das medidas de ineficiência a
características do ambiente operacional em que as DMUs estão inseridas. Assume-se que estas
características são não-discricionárias, ou seja, não podem ser mudadas à discrição do gestor, mas
ainda assim são capazes de influenciar sua habilidade de transformar insumos em produtos, ou
inputs em outputs. A natureza da ineficiência é importante para que se possa desenhar políticas
adequadas de melhoria na alocação de recursos.
Ross e Droge (2004) fizeram esta análise para um grande sistema de distribuição, separando a
eficiência em administrativa, de escala das operações dado um mercado e de alocação de recursos
dada uma escala e, depois, analisando o impacto que variáveis não-discricionárias poderiam ter
sobre a eficiência. Diferenças nos processos de coordenação do sistema levam a diferenças na
alocação de recursos das atividades operacionais, que, por sua vez, afetam os resultados de
desempenho. Modelos que incorporam variáveis não-discricionárias tendem a ter maior eficiência de
escala, mostrando que elas de fato têm impacto sobre o escore de eficiência de escala. A seguir,
estas variáveis contextuais serão analisadas mais profundamente.
12
2.1.2.1 Mecanismos de Coordenação
Como já mencionado, o objetivo básico desta pesquisa é avaliar quão próximos os OLs estão de seu
tamanho de escala mais produtivo (MPSS – most productive scale size) e quanto isso é reflexo dos
processos de coordenação na cadeia de suprimentos (WANKE, 2003), além de determinar as
condições objetivas de seu desempenho.
Dado que os inputs e outputs são os insumos e produtos diretos de uma operação, são eles que
determinarão o nível de eficiência do operador. Entretanto, não explicam os motivos pelos quais o
operador se encontra naquele nível. Para entender estas razões, é preciso lançar mão de variáveis
adicionais, que expliquem o contexto no qual o operador logístico trabalha: serviços oferecidos,
tecnologias adotadas, tempo de experiência, etc.
As variáveis contextuais, neste trabalho, são utilizadas para verificar a influência dos mecanismos de
sincronização da cadeia de suprimentos: JIT, milk-run, gerenciamento intermodal, etc. A
coordenação é essencial no gerenciamento da cadeia de suprimentos, sendo crescente o interesse
por mecanismos de coordenação que eliminem as ineficiências (FUGATE et al., 2006). Os processos
de coordenação em sistemas de grande escala, como é o caso específico dos operadores logísticos,
impactam a alocação de recursos específicos nas operações (ROSS e DROGE, 2004), e sua melhor
alocação pode levar a uma também melhor adequação da escala do OL à sua demanda. A
organização do negócio e de sistemas e a gestão dos fluxos de informação para a coordenação de
diversos clientes é fundamental para o dimensionamento de recursos e, portanto, para a exploração
de economias de escala. Assim, acredita-se que estes processos têm impacto positivo sobre o
desempenho logístico e, mais especificamente, sobre a eficiência de escala dos OLs.
Embora o reconhecimento da importância da coordenação na cadeia de suprimentos não seja algo
novo (NG et al., 1997), a tecnologia da informação mudou totalmente a forma como os processos
são levados a cabo e ajudou a melhorar extraordinariamente o desempenho das cadeias de
suprimentos. A próxima seção trata deste assunto.
2.1.2.2 Tecnologia da Informação no setor de OLs
A tecnologia da informação é “o conjunto de recursos tecnológicos e computacionais para geração e
uso da informação” (MENDONÇA et al., 2009, p.75). Envolve tanto hardware quanto software e pode
ser aplicada tanto no fluxo de dados e informações quanto nas operações em si. São exemplos de
13
hardware os códigos de barras, o leitor ótico, a rádiofrequência e o GPS. Por outro lado,
roteirizadores, sistemas ERP, sistemas GIS, simuladores e sistemas de planejamento de redes são
softwares (FLEURY, 1999), uma vez que são apenas programas.
Banker et al. (1990) chegaram à conclusão, através de seu estudo, de que a tecnologia da informação
pode ajudar a reduzir custos operacionais. Em geral, as TIs aumentam a visibilidade da demanda,
levando geralmente à redução de custos e melhoria do nível de serviço. Esta melhor adequação
entre os recursos e a demanda acaba por diminuir os tempos de ciclo e a variabilidade nos tempos
de resposta ao mesmo tempo em que aumenta a precisão dos serviços (MASON et al., 2003).
Com o intuito de gerenciar o aumento da complexidade, advindo da globalização, da maior exigência
por parte dos clientes, da segmentação dos mercados e da proliferação de produtos, tem havido
maior busca por sofisticação tecnológica. Segundo Fleury e Ribeiro (2001, p.10), “A melhoria da
competência em TI é percebida como sendo a principal oportunidade para a melhoria de
desempenho por parte dos operadores. Esta percepção está condizente com os investimentos em
sistemas observados em quase todas as empresas.” Ainda segundo eles, nos EUA, por outro lado,
provavelmente a adoção de TI é importante já há algum tempo, não constituindo, atualmente, uma
grande oportunidade de diferenciação. Lá, os clientes consideram o uso de TI como um item básico a
ser fornecido pelos OLs (LIEB, 2005).
De fato, a adoção de complexas tecnologias da informação é cada vez mais comum em OLs que
coordenam uma ampla gama de atividades para seus clientes, dado que um dos principais desafios
na prestação de serviços logísticos é a transmissão da informação correta, para a pessoa correta, no
tempo certo e numa forma em que possa ser utilizada (YOUNGBERG, 2009).
Serviços baseados em TI são cada vez mais demandados. O aumento da competência em TI é uma
resposta óbvia à pressão que os OLs têm sofrido simultaneamente por melhoria do serviço e redução
de custos. Fleury e Ribeiro, em pesquisa realizada em 2001, mostram que os OLs percebem a
melhoria da competência em TI como sendo a principal oportunidade para melhoria de
desempenho. Sete dentre as oito empresas por eles entrevistadas mencionaram o e-commerce como
sendo a maior oportunidade. Em pesquisa apresentada por Lieb e Lieb (2008), o domínio das TIs é
considerado uma vantagem competitiva chave no setor de OLs.
Muitas vezes, a criação e implementação de tecnologias é terceirizada. Fleury e Ribeiro (2001)
mencionam o desenvolvimento de softwares, aplicação de Internet e de EDI como exemplos de
atividades terceirizadas na pesquisa que conduziram com alguns OLs. Segundo Fleury (2008), após
um período de decepção com alguns produtos superdimensionados para as necessidades locais, que
14
tinham muitas funcionalidades, mas ao custo de preços altos e dificuldades de implementação, hoje
existe uma tendência a se investir em sistemas mais simplificados, muitas vezes desenvolvidos
internamente e, portanto, adaptados à realidade local.
Em sua pesquisa, Mendonça et al. (2009) constataram que a adoção de TI é muito mais frequente em
companhias de maior porte, nas regiões mais desenvolvidas do país e nos setores produtivos mais
intensivos em conhecimento. Empresas que adotam TI possuem, em média, empregados 13,24%
mais produtivos do que empresas não adotantes. “De forma geral, a revisão da literatura sugere que
os efeitos das TI no crescimento econômico e, mais especificamente, na produtividade do
trabalhador se dão de forma inequívoca, mesmo levando em conta amostras completamente
distintas e técnicas de estimação diversas” (MENDONÇA et al., 2009, p.77).
Boudreau et al. (1998) colocam que a tecnologia da informação cria economias de escala tanto na
manufatura quanto nos serviços. Na mesma linha, Martins e Oliveira (2008), afirmam que as
inovações tecnológicas aumentam a escala dos negócios. Dado que é de se esperar que a grande
maioria dos OLs opere sob retornos de escala crescentes, a tecnologia melhoraria sua eficiência de
escala. Wang et al. (2008) defendem que as TIs têm papel crucial na sincronização e coordenação de
processos complexos da cadeia de suprimentos.
Em resumo, as TIs e os processos de coordenação – as variáveis contextuais do modelo – são
responsáveis por alavancar a eficiência de escala dos operadores logísticos. Justifica-se, assim, a
escolha do escore de eficiência de escala como meio de se avaliar o impacto dos processos de
coordenação no desempenho logístico. Na seção 3, a modelagem de DEA em três estágios, que
permitirá a avaliação deste impacto, será apresentada mais detalhadamente.
2.2 Análise Envoltória de Dados/Data Envelopment Analysis (DEA)
As bases da mensuração de eficiência produtiva foram colocadas por Farell já no ano de 1957,
apoiado nos trabalhos de Koopmans (1951) e Debreu (1951). Em seu artigo, publicado no Journal of
Royal Statistical Society, ele critica tentativas frustradas de mensuração então utilizadas, como a
produtividade média do trabalho – dado que ela leva em consideração apenas um input, que pode
nem mesmo ser o mais importante – e os índices de eficiência, pela necessidade de determinação de
pesos para os inputs, introduzindo um elemento arbitrário na medida. Sendo assim, argumenta a
favor de uma medida de eficiência simples que, ao mesmo tempo, leve em consideração todos os
inputs sem atribuir a eles pesos arbitrários. Sugere que ela é formada por dois componentes: a
15
eficiência técnica, que reflete a habilidade da firma de obter o produto máximo a partir de uma dada
quantidade de recursos, e a eficiência de preço, que diz respeito à habilidade de utilizar os recursos
na proporção ótima, dados os preços e a tecnologia de produção. Juntos, estes dois componentes
determinariam a eficiência total.
No gráfico, retirado do artigo, SS’ é a isoquanta de firmas perfeitamente eficientes (assumindo
retornos constantes de escala), ou seja, as várias combinações de fatores de produção que uma
firma eficiente pode usar para produzir uma unidade de produto. Os pontos representam a
quantidade utilizada de fator por unidade de produto. A firma P não está sobre a isoquanta SS’,
sendo, portanto, ineficiente. O ponto Q é a representação de uma firma eficiente que utiliza apenas
OQ/OP dos fatores para produzir a mesma quantidade de produto. Assim, OQ/OP é a chamada
eficiência técnica da firma P. Por outro lado, a inclinação da reta AA’ é igual à razão de preços entre
os fatores x e y. Isto deixa claro que o método ótimo de produção é Q’, e não Q, pois o custo de
produção em Q’ seria apenas a fração OR/OQ do custo em Q. Esta razão é a chamada eficiência de
preço de Q. Desta forma, a eficiência total da firma P poderia ser representada pela multiplicação
entre essas duas razões, o que levaria à razão OR/OP.
Gráfico 1: Medidas de eficiência em um caso simples (FARRELL, 1957)
A análise envoltória ou envelopamento de dados (DEA - Data Envelopment Analysis), desenvolvida
posteriormente por Charnes et al. em 1978 e expandida por Banker, Charnes e Cooper (1984), é uma
técnica não-paramétrica que deriva a medida de eficiência da utilização de inputs em relação aos
outputs correspondentes. Ela converte, por meio de processos iterativos (HAMDAN e ROGERS, 2008),
múltiplos inputs e outputs medidos de maneiras diferentes em uma medida escalar de eficiência
operacional relativa para cada unidade avaliada (ZHOU et al. 2008).
PS
A
Y
X
A’
S’Q’R
Q
0
16
Assim como a técnica de Farrell, também não requer a pré-determinação de pesos: os pesos são
variáveis e derivados dos próprios dados, resultando na maximização da razão inputs/outputs para
cada ponto – ou DMU (decision-making unit)3 – analisado. Além de evitar a pré-determinação da
relação entre inputs e outputs, ou seja, da forma funcional regendo a produção (necessária quando
da utilização, por exemplo, de métodos estocásticos), nem mesmo requer que relação seja a mesma
para todas as DMUs (FANCHON, 2003).
Ao contrário da regressão linear, a DEA reflete a performance da DMU mais eficiente em vez de
refletir a média de todas, estimando a performance das outras DMUs em relação à melhor delas
(COOPER et al., 2007). Ou seja, é uma técnica direcionada à estimação de fronteiras em vez de
tendências centrais, como fica claro no Gráfico 2.
Gráfico 2: Comparação entre fronteira de DEA e regressão (COOPER et al., 2007)
Isto quer dizer que a utilização da DEA resulta em uma abordagem diferente em relação ao processo
de melhoria, uma vez que leva a uma comparação apenas com o benchmark. É possível identificar a
fonte e o tamanho da folga em cada input ou output para cada unidade produtora analisada, e o
aumento da eficiência pode se dar tanto pela diminuição dos inputs quanto pelo aumento dos
outputs, como ilustrado nos gráficos abaixo.
3 Uma DMU é uma entidade responsável pela conversão de inputs em outputs, cuja performance será
analisada (COOPER et al., 2007). Um conjunto de DMUs pode ser um conjunto de firmas privadas, ONGs, departamentos, unidades administrativas ou qualquer grupo que tenha objetivos, funções, padrões e segmentos de atuação no mercado similares (MIN e JOO, 2006). Neste trabalho as DMUs são operadores logísticos.
17
Gráfico 3: Eficiência de Produto X Eficiência de Recursos (baseado em COOPER et al., 2007)
A escolha do objetivo vai depender de qual destes fatores é mais facilmente controlado pelas DMUs.
O caso dos operadores logísticos parece ter de ser tratado como um caso de minimização de inputs,
uma vez que a demanda por serviços depende de uma variedade de fatores externos, dado que os
serviços logísticos são considerados de apoio a outras atividades econômicas. Como colocam Odeck e
Alkadi (2001), de nada adianta aumentar o output se não há demanda para isso. É importante citar,
entretanto, que alguns autores consideram que a escolha da orientação é irrelevante, resultado
empírico ao qual chegam Coelli e Perelman (1999), por exemplo. Este resultado pode ser
tranquilizador nos casos em que a escolha da orientação é muito complexa.
Em linha com o que foi sugerido por Farrell, a ineficiência de uma DMU pode ser de dois tipos:
ineficiência técnica, que pode ser suprimida com o aumento ou a diminuição de inputs e outputs
embora sem alteração da proporção entre eles, e/ou ineficiência do mix, que demanda a alteração
da proporção entre inputs e outputs para ser eliminada.
Emrouznejad (2008) identificou mais de 4000 artigos sobre DEA publicados em periódicos ou
capítulos de livros. A busca mostra que esta técnica de benchmarking pode ser usada em diversos
setores, sendo os mais populares o de bancos, ensino e assistência média, e para diversos fins, como
a priorização do uso de recursos e a avaliação dos efeitos de investimentos, por exemplo. Uma vez
que permite estabelecer padrões confiáveis de medida, ajuda na avaliação de forças e fraquezas,
vantagens competitivas e na incorporação destes conhecimentos em planos estratégicos (MIN e JOO,
2006). Sendo assim, proporciona oportunidades de colaboração entre analistas e tomadores de
decisão, tanto na escolha de inputs e outputs quanto na seleção das análises de sensibilidade
adequadas em relação aos competidores, uma vez que tem a capacidade de levar em consideração
múltiplos aspectos da performance operacional, resultando em importantes insights sobre como agir
em diferentes cenários (COOPER et al. 2007).
18
Há diversas variações da técnica de DEA, em relação a retornos de escala e como medir a distância
entre as DMUs ineficientes e a fronteira, como pode ser visto no artigo de Cook e Seiford (2009).
Modelos mais avançados podem incluir termos estocásticos, técnicas de Monte Carlo ou
bootstrapping (SIMAR e WILSON 98; DARAIO e SIMAR, 2007), para avaliar a significância dos escores
de eficiência. Entretanto, como Graham (2008), neste trabalho se decidiu utilizar basicamente as
técnicas BCC e CCR, que estão entre as mais fundamentais disponíveis, e sua escolha se deu
exatamente por elas serem conceitualmente diretas e fáceis de interpretar, além de serem as mais
usadas na literatura. Contudo, estas serão aplicadas em um contexto de DEA em três estágios, que
será apresentado mais adiante. Assim, os escores serão mais profundamente analisados no segundo
e no terceiro estágios.
A seguir, são apresentadas as técnicas de DEA utilizadas neste estudo.
2.2.1 Modelo CCR
O Modelo CCR foi inicialmente proposto por Charnes, Cooper e Rhodes, em 1978. Para contornar o
problema de arbitrariedade de pesos identificado por Farrell (1957), ele determina os pesos de
inputs e outputs via programação linear de forma a gerar pesos ótimos para cada DMU, tendo como
premissa retornos constantes de escala. Originalmente, foi apresentado como um problema de
maximização de outputs, mas, dado que se irá usar neste trabalho a orientação a input, o modelo é
apresentado sob esta forma.
Resolve-se o problema de programação fracionária (orientado a inputs) para cada uma das DMUs:
(1) (FPo)
,
(2) s.a.
,
(3) ,
(4) .
Onde
19
A primeira restrição diz simplesmente que não se é possível obter mais produto do que os insumos
utilizados, enquanto a segunda e a terceira garantem a não-negatividade dos pesos, uma vez que se
assume que os inputs e outputs também o são.
Para diminuir a complexidade computacional associada à forma fracional não-linear das equações
acima, este problema pode ser transformado no seguinte problema de programação linear, seguindo
a teoria de programação fracionária de Charnes e Cooper (1962), onde arbitrariamente assume-se
que a soma dos outputs é igual à unidade4:
(5) (LPo)
,
(6) s.a.: ,
(7) ,
(8) ,
(9) .
Onde
4 Isto não muda o resultado. Para mais detalhes, ver Cooper et al. (2007).
20
5
A solução ótima para o problema acima é representada por (θ*, ω*, μ*), onde ω* e μ* são os pesos
ótimos para cada DMU e θ* é o seu escore de ineficiência relativa. A DMU só é eficiente se θ*=1 e se
existe uma solução ótima (ω*, μ*) com ω*, μ*≥0. Caso contrário, ela é ineficiente.
O escore de 1 indica que a operação está na fronteira eficiente. Qualquer valor menor que 1 pode ser
multiplicado pelo nível observado de inputs para estimar a quantidade de insumos que seria
adequada numa operação eficiente que produzisse o mesmo nível de produto. Por outro lado, nas
estimativas de eficiência orientadas a output, todos os outputs devem ser multiplicados por 1/escore
para que a DMU atinja a eficiência (COOPER et al., 2007).
Como já foi dito anteriormente, o modelo CCR não leva em consideração a possibilidade de se obter
economias de escala com mudanças no nível de produção das DMUs. Para contornar esta limitação,
Banker, Charnes e Cooper (1984) desenvolveram o modelo BCC, apresentado a seguir.
2.2.2 Modelo BCC
A premissa de retornos constantes de escala não é muito razoável empiricamente. É possível que
uma firma seja técnica e alocativamente eficiente, mas que a escala de sua operação não seja ótima:
ela pode ser pequena demais, operando na parte da função de produção onde há retornos
crescentes de escala, ou grande demais, operando na parte onde há retornos decrescentes de escala
(COELLI et al. 2005).
Todas as firmas no gráfico abaixo são tecnicamente eficientes, uma vez que operam na fronteira de
produção. Entretanto, não são igualmente produtivas, como pode ser confirmado pela diferença na
inclinação das três retas (Y/X), pois, tomando-se o ponto B como referência, a firma A está operando
na parte da função de produção onde há retornos crescentes de escala (ou seja, a economia nos
inputs é superada pelo ganho nos outputs) e a firma C o faz na parte onde há retornos decrescentes
(a economia nos inputs supera o ganho nos outputs). Ambas podem melhorar sua produtividade
5 No artigo original de 1978, os autores simplesmente restringiram as variáveis para que fossem não-negativas
(ε=0). A imposição de um limite inferior estritamente positivo (ε>0) foi feita em um artigo subsequente (CHARNES et al., 1981). O infinitesimal não-arquimediano é um número menor que qualquer número real positivo e, de fato, o produto de ε por qualquer número real, não importando quão grande é o multiplicador, continua menor que qualquer número real positivo (COOPER et al., 2007).
21
movendo-se para o ponto B, que é o tamanho de escala mais produtivo (MPSS – most productive
scale size).
Gráfico 4: Efeito da escala sobre a produtividade
Para levar em consideração as diferenças de escala, em 1984, Banker, Charnes e Cooper
desenvolveram o modelo BCC. Ele se diferencia do modelo CCR em uma única restrição:
(10) DEA-CCR (orientado a input) (11) DEA-BCC (orientado a input)
Onde e é um vetor-linha com todos os elementos iguais a um, o que impõe uma restrição de
convexidade.
No caso de retornos variáveis de escala, não necessariamente o nível de eficiência de input é igual a
um menos o nível de eficiência de output (JOHNSON et al., 2010). Entretanto DMUs que são
eficientes sob a premissa de retornos constantes de escala necessariamente o são também sob a
premissa de retornos variáveis, ainda que a recíproca não seja verdadeira (ROSS e DROGE, 2004).
C
B
A
Y
X
,𝜆
. . 𝑋𝜆 0
𝑌𝜆
𝜆 0
,𝜆
. . 𝑋𝜆 0
𝑌𝜆
𝜆 0
𝜆 = 1
22
Gráfico 5: Fronteira exemplo 1 CCR X BCC
Os retornos de escala podem ser determinados inspecionando-se a soma dos pesos de acordo com
as especificações do modelo CCR: se a soma for igual a um, os retornos são constantes, mas se ela for
inferior ou superior a um, eles são, respectivamente, crescentes e decrescentes, considerando-se um
modelo orientado a inputs (ODECK e ALKADI, 2001). Em outras palavras, em cada um destes casos
um aumento em todos os inputs resulta, respectivamente, em um aumento proporcional, mais do
que proporcional e menos do que proporcional nos outputs. No caso de um modelo orientado a
output, o contrário acontece.
Existem modelos alternativos que permitem inferir o tipo de retorno de escala. Os modelos
multiplicativos, como o apresentado por Banker et al. (2004), ao invés de minimizar input ou
maximizar output, trabalham com excesso de input e déficit de output simultaneamente, de uma
forma que os minimiza conjuntamente. Estes modelos determinam elasticidades de escala “exatas”
sem a dependência de propriedades analíticas, como as associadas ao uso de derivadas parciais, por
exemplo, uma vez que não estão confinados a fronteiras de eficiência côncavas. Com isso é possível
determinar quantitativamente os retornos de escala (COOPER et al., 2007). Os modelos baseados em
bootstrap, técnica que faz uma reamostragem aleatória da amostra original (com reposição)
tentando repetir a experiência para determinar intervalos de confiança (HAIR et al., 2005), são outra
forma de inferir o tipo de retorno de escala (SIMAR e WILSON, 2002).
2.2.3 Eficiência de Escala
A eficiência de escala pode ser definida como EE= / e é uma forma de identificar quanto da
ineficiência de uma DMU é causada especificamente por estar operando em uma escala ineficiente.
Este valor estará no intervalo (0,1], em que 1 indica que a DMU está operando na escala ótima e os
23
valores menores que 1 indicam o tamanho da divergência da escala da DMU analisada para seu
MPSS. A EE é utilizada para determinar se as DMUs estão ou não operando no seu tamanho mais
produtivo, dados seus inputs e outputs. Caso não estejam, pode-se calcular quão distantes estão
dele, por meio da razão entre o escore de eficiência CCR e o BCC, e entender se as ineficiências se
dão por retornos crescentes ou decrescentes de escala.
O escore BCC contém informações sobre a ineficiência técnica, enquanto o escore CCR as contém
tanto sobre a técnica quanto sobre a de escala. A eficiência técnica é determinada por um sem-
número de dimensões. A eficiência de escala, por outro lado, em última instância pode ser reduzida à
decisão de aumentar ou diminuir as operações, ou seja, o cálculo da eficiência de escala ajuda a
estimar se é possível melhorar o desempenho com a mudança do mix de recursos.
Como será visto adiante, é comum que grande parte das DMUs de uma amostra sejam julgadas
eficientes tecnicamente e, neste caso, a melhoria de desempenho estaria relacionada apenas à EE e
poderia ser resolvida tanto com a venda de ativos, no caso de deseconomias de escala, quanto com o
crescimento orgânico ou fusões e aquisições, no caso de retornos crescentes. Assim, para maximizar
a produtividade, deve-se buscar aumentar a escala do processo, se este se encontra na região de
retornos crescentes, e diminuí-la (via downsizing, consolidação ou encerramento) caso contrário.
Entretanto, é importante frisar a dificuldade inerente tanto à redução de inputs quanto ao aumento
de outputs. Por um lado, a redução de inputs, na prática, pode vir a ser uma alternativa complicada,
uma vez que talvez se precise dar um fim aos ativos tangíveis e que a diminuição dos ativos
intangíveis se prove muito complicada. No caso, por exemplo, de o modelo indicar que é preciso
diminuir o nível de experiência dos funcionários, provavelmente não seria rentável nem viável
demiti-los e contratar outros. Nestes casos, se possível, dever-se-ia optar pelo aumento dos outputs
(ROSS e DROGE, 2004). Contudo, este só pode ser alcançado se houver demanda para tal (ODECK e
ALKADI, 2001) – com a crise mundial de 2009, por exemplo, esta tampouco seria uma alternativa
viável. Assim, é importante que esta análise seja feita caso a caso, levando-se em consideração a
viabilidade econômica de cada uma das opções.
2.2.4 DEA em Três Estágios
Apesar de muito utilizada, há até alguns anos, a técnica de DEA era desacreditada por muitos por não
ser considerada “estatística”. Em uma famosa declaração, Schmidt (1985) mostrou ser cético em
relação a métodos não-estatísticos de mensuração de dados, não vendo qualquer valor neles. De
fato, segundo Von Hirschhausen e Cullman (2008), por serem não-estatísticas e determinísticas, as
24
técnicas de DEA são muito sensíveis a valores extremos e outliers e não consideram a presença de
ruído nos dados. Outras críticas dizem respeito à robustez e validação dos resultados. Em resposta,
Banker (1993) publicou uma base estatística formal para a DEA, identificando as condições sob as
quais seus estimadores são estatisticamente consistentes e maximizam a verossimilhança.
Desde então, a abordagem estatística complementar à abordagem de envelopamento de dados veio
sendo largamente utilizada, de diversas formas.6 Há um número crescente de estudos que combinam
os resultados gerados pela técnica de DEA, aplicada em um primeiro estágio, com análises
multivariadas aplicadas posteriormente, como, por exemplo, a Análise de Regressão e a SFA
(Stochastic Frontier Analysis ou Análise Estocástica de Fronteira) (COOPER et al., 2007).
Muitos avanços ocorreram no desenvolvimento de testes de hipótese baseados em DEA. Alguns
deles são os de comparação da eficiência entre grupos, de adequação de formas funcionais
paramétricas na estimação de funções de produção monotônicas e côncavas, de verificação de
separação e substituição de inputs em sistemas de produção, os clássicos de existência de
ineficiência alocativa e avaliação da evolução técnica e da produtividade, além dos de impacto de
variáveis contextuais sobre a produtividade (BANKER e NATARAJAN, 2004).
Estes últimos são bastante importantes, pois o entendimento das possíveis razões por trás da
ineficiência é fundamental para melhorar os níveis eficiência, embora elas possam ser muitas, difíceis
de quantificar e interdependentes, tornando este tipo de análise muito desafiadora (CULLINANE e
WANG, 2006). Panayides et al. (2009) comentam a relevância da aplicação de modelos de DEA
dependentes do contexto, uma abordagem considerada das mais modernas.
Os escores de eficiência derivados da aplicação de DEA às DMUs podem ser significativamente
influenciados por três fenômenos bastante distintos: a eficiência gerencial em si, as características do
ambiente em que a DMU opera e ruído estatístico, ou seja, o impacto da sorte, de variáveis omitidas
e outros fenômenos relacionados que estariam no termo de erro aleatório em uma avaliação de
desempenho baseada em regressão. Para um melhor entendimento dos escores relativos e para
estimar a verdadeira performance das DMUs, é interessante decompô-los nestas três partes, e, para
isso, é preciso utilizar uma ou mais técnicas adicionais para ajustar os escores, penalizando aqueles
produtores operando em condições relativamente favoráveis e indicando caminhos mais realistas
para melhorar a eficiência (FRIED et al., 2002).
6 Para uma lista extensiva, consultar Simar e Wilson (2007).
25
A maior parte dos modelos de DEA podem ser considerados determinísticos, uma vez que não têm
um termo de erro estatístico explícito. Para capturar a aleatoriedade associada às observações, é
preciso construir um modelo estocástico (FRIED et al., 2002). Uma das formas de se fazer isso é
utilizando a outra principal técnica de mensuração de eficiência (CULLINANE et al., 2009): a SFA. Esta
é um método paramétrico de estimação de fronteira baseado em regressão que leva em
consideração os erros de medida e o ruído estatístico. Entretanto, apesar de apontar se as variações
nos escores são produto da aleatoriedade ou não, a SFA falha em apontar as razões, ou seja, as
variáveis contextuais da produtividade.
Uma maneira de lidar com essas limitações é usando modelos Tobit, como se fará adiante. Simar e
Wilson (2007) apontaram diversos problemas de inferência nas abordagens mais comuns de DEA em
dois estágios, mas Souza e Staub (2007) afirmaram que estes não são gerais. Na mesma direção,
Banker e Natarajan (2008) mostram que os procedimentos de segundo estágio utilizando Mínimos
Quadrados Ordinários (MQO), máxima verossimilhança e Tobit têm desempenho tão bom quanto o
melhor dos métodos paramétricos de estimação do impacto de variáveis contextuais sobre a
produtividade.
Como coloca Giménez et al. (2007), há diversas sugestões na literatura de como tratar fatores
ambientais em DEA, embora ainda não se tenha chegado a um consenso. A primeira alternativa
envolve o agrupamento das DMUs baseado nos fatores ambientais mais importantes e a estimação
de fronteiras separadas (CHARNES et al., 1981; BANKER e MOREY, 1986a; BROCKETT e GOLANY,
1996). Entretanto, é preciso selecionar estes fatores a priori. A segunda opção é a inclusão das
variáveis contextuais diretamente no modelo de DEA, algo que foi sugerido por Banker e Morey
(1986b) e Charnes et al. (1994). A terceira e última abordagem, escolhida neste estudo, é a de
modelos de DEA em múltiplos estágios, em que a técnica não-paramétrica é combinada a técnicas
paramétricas – frequentemente econométricas – que explicam os efeitos das variáveis sobre os
escores de eficiência. Alguns autores sugerem que se leve a cabo etapas de correção das variáveis
dummy contextuais ou nos níveis iniciais de input e output e depois se recalcule a DEA (FRIED et al.,
1999). Neste estudo, o primeiro estágio do cálculo dos escores de DEA será seguido pela análise
fatorial das variáveis contextuais, cujos fatores determinados serão utilizados na regressão Tobit
subsequente para a avaliação de seu impacto sobre a eficiência de escala.
Houve já outro estudo brasileiro que fez uso destas mesmas etapas da metodologia aqui utilizada:
Didonet (2007), em tese de doutorado acerca da eficiência no setor supermercadista, utilizou
inicialmente a técnica de DEA para chegar aos escores de eficiência dos supermercados, reduziu as
variáveis contextuais que afetavam estes escores por meio de análise fatorial e, posteriormente,
26
recorreu à regressão Tobit para estimar os impactos destas variáveis contextuais sobre a eficiência
dos supermercados.
2.2.4.1 Aplicação de DEA e Análise Fatorial
Os estudos que combinam DEA e análise fatorial normalmente o fazem para reduzir inputs e outputs,
como os trabalhos de Vargas e Bricker (2000), Kuo (2004) e Nadimi e Jolai (2008). Entretanto, alguns
utilizam a técnica após a estimação dos escores de DEA. Alguns exemplos estão listados abaixo,
embora nem todos se refiram ao trabalho com variáveis contextuais.
Yeh (1996) empregou a técnica de análise fatorial após a estimação dos escores de DEA para avaliar o
desempenho de bancos taiwaneses. Estes tiveram seus escores classificados em baixo, médio ou
alto. Doze índices financeiros de cada um foram agrupados em fatores por meio de análise fatorial
para que se pudesse estimar a diferença entre as médias dos fatores de cada grupo de bancos, com o
objetivo de entender as diferentes estratégias financeiras por trás da eficiência ou da ineficiência.
Athanassopoulos (1997) escreveu um artigo sobre a sinergia entre a qualidade de serviço e a
eficiência operacional em bancos gregos em que a análise fatorial também é utilizada após a
estimação dos escores de DEA. Contudo, o objetivo é reduzir variáveis a três dimensões de qualidade
de serviço, que são elementos controláveis da operação, não podendo tampouco ser considerados
variáveis contextuais.
Um dos poucos exemplos de uso da técnica de análise fatorial para redução de variáveis contextuais
é o artigo de Giménez et al. (2007). Os autores defendem que, na avaliação da eficiência de sistemas
educacionais, é preciso que se leve em consideração a importância do possível impacto de fatores
ambientais e contextuais, especialmente na comparação entre países, como vem a ser o caso. Como
os modelos de DEA perdem capacidade de discriminação à medida que o número de variáveis
aumenta, foi levada a cabo uma análise fatorial com o objetivo de reduzi-lo. A análise prévia da
matriz de correlações indicava que a técnica era apropriada, dadas as altas correlações.
Adicionalmente, ambos o teste KMO (Kaiser-Meyer-Olkin) quanto o teste de esfericidade de Bartlett
confirmaram estas correlações, assim como a matriz de correlação anti-imagem mostrou valores
bem baixos fora da diagonal. O método de extração escolhido foi o da máxima verossimilhança, sob
o critério da raiz latente. A rotação Equamax permitiu uma melhor interpretação tanto dos fatores
como das variáveis. Afinal, se chegou a quatro fatores: atitude positiva em relação ao estudo,
27
disponibilidade de recursos em casa, nível de renda da família e expectativas em relação à
dificuldade das matérias.
Vê-se que este método pode complementar o trabalho com DEA de diversas maneiras. A técnica, em
si, será apresentada no próximo capítulo, referente à metodologia.
2.2.4.2 Aplicação de DEA e Regressão Tobit
A utilização da regressão Tobit em conjunto com a técnica de DEA é largamente difundida: há
inumeráveis estudos em diversos países do mundo, dos quais o precursor é o de McCarthy e
Yaisawarng (1993). Mesmo no Brasil, existe um número bastante considerável de estudos, referentes
a diversos setores: educação (BARBOSA, 2007; BARBOSA e WILHELM, 2009), agropecuária (OTSUKI,
REIS e HARDIE, 1999; SOUZA, 1999; SOUZA, 2006; GONÇALVES et al., 2008), bancos (SOUZA e TABAK,
2002), telecomunicações (RESENDE e TUPPER, 2004), bens de consumo (DIDONET, 2007; CUNHA et
al., 2009), serviços de utilidade pública (MARINHO, 2001; TUPPER e RESENDE, 2004) e comércio
exterior (DE NEGRI e FREITAS, 2004).
Em quase todos estes estudos, assim como nos estudos em geral, utiliza-se a regressão Tobit para
examinar efeitos de variáveis de contexto sobre a eficiência das DMUs, variáveis estas não presentes
no modelo de DEA por não consistirem em insumos ou produtos diretos das operações. Assim, a
regressão tem como variável dependente os escores de eficiência e como variáveis independentes
estas variáveis contextuais, que explicarão quais fatores fora do alcance dos gestores são
importantes para o escore de eficiência.
Contudo, é interessante notar que Resende e Tupper (2004), assim como Tupper e Resende (2004),
fazem uso da regressão Tobit para controlar os escores para heterogeneidade das DMUs e depois
redimensioná-los com base nos resíduos da regressão, de forma a permitir uma análise mais
adequada do problema. De Negri e Freitas (2004) têm uma abordagem ainda mais alternativa:
utilizam o escore de eficiência de escala como variável independente, em conjunto com a
escolaridade média da mão-de-obra dos trabalhadores ocupados na empresa em uma regressão em
que a variável dependente é a quantidade exportada pela firma. Vê-se, assim, que o trabalho
conjunto das duas técnicas pode assumir diversas formas.
Tanto é assim que o único estudo brasileiro relacionado a logística em que a regressão Tobit é
utilizada complementarmente à análise envoltória de dados, aquela não é empregada com o objetivo
de avaliar efeitos das variáveis contextuais. Um dos artigos que Rios e Maçada (2006b) escreveram
28
sobre a análise da eficiência relativa de terminais de contêineres do Mercosul tem como diferencial
inovador na literatura a utilização dos mesmos inputs do modelo de DEA na regressão Tobit, como
maneira de identificar as variáveis que têm maior efeito sobre a eficiência das DMUs analisadas e,
desta forma, possibilitar que se faça uma análise mais acurada do modelo.
No presente trabalho, entretanto, o modelo de regressão Tobit será usado da forma tradicional,
permitindo a mensuração do impacto de variáveis contextuais na eficiência de escala do setor e,
assim, explicitando os determinantes destes escores de eficiência.
2.3 Aplicações de DEA no Setor de Logística
A utilização de DEA na logística é bastante extensa. Embora existam poucos artigos referentes ao
setor de operadores logísticos especificamente, a DEA tem sido empregada com sucesso, por
exemplo, em empresas do setor aéreo, aeroportos, transporte urbano, redes de distribuição, portos,
entre outros. Cabe, assim, levar a cabo uma análise dos estudos prévios em logística que utilizaram
esta técnica, cuja amplitude de utilização gerou grande volume de produção literária. Assim, foram
analisados neste trabalho 62 artigos publicados entre 2005 e 2010, chegando-se a um panorama
bastante completo dos estudos de DEA em logística.
A diversidade de abordagens abrange aspectos como o número e as características dos inputs e
outputs utilizados, o tamanho e o tipo de amostra, sua concentração geográfica, e a incorporação ou
não do tempo na análise, dividindo os dados em transversais ou longitudinais.
A análise de quais modelos foram utilizados deixa clara a variedade de aplicações da técnica. Embora
as técnicas clássicas tenham preponderância – os modelos DEA-CCR e DEA-BCC foram utilizados em
71% e 59% dos artigos, respectivamente – outras 33 metodologias também foram utilizadas, em
conjunto ou não com as duas primeiras. Esta multiplicidade de modelos ajuda os pesquisadores a
melhorar a fundamentação dos resultados, evitando limitações oriundas da utilização de um só
modelo. Quanto à orientação, a orientação a input foi escolhida por 45% dos pesquisadores,
enquanto 60% escolheram a orientação a output. Em 5% das vezes ambas as orientações foram
utilizadas.
A amostra média é de 36 DMUs, em um range de 5 a 179. O número médio de inputs utilizados é de
3,5, com média de 2,3 outputs por modelo. Mais de metade das análises (57%) aferiram a eficiência
de DMUs dentro de um mesmo país, algo positivo do ponto-de-vista da homogeneidade da amostra,
29
enquanto 18% o fizeram em uma mesma região do globo e 25% em todo o mundo. Apesar da
superioridade da análise de dados em painel, que atenuam possíveis especificidades ocasionais de
algum período, muitos estudos ainda utilizam dados transversais (42%). Dos estudos que lançam
mão dos dados longitudinais, a média de anos na amostra é de 7,1, com range entre 2 e 32 anos.
Apenas 4 dos 66 artigos têm amostra de tamanho menor do que o produto entre o número de inputs
e o número de outputs, que, segundo Panayides et al. (2009), seria a amostra mínima necessária para
gerar resultados confiáveis. Entretanto, Sinuany-Stern (1998) e Cooper et al. (2007) defendem que o
número de DMUs deve ser ao menos três vezes maior do que a soma dos inputs e outputs, o que
resultaria em 16 modelos, ou quase um quarto do total, sendo inadequados. No setor de OLs,
especificamente, todos os quatro modelos são considerados inadequados sob esta perspectiva.
O presente capítulo está dividido em seis seções, uma para cada um dos seguintes temas:
aeroportos, ferrovias, transporte urbano, portos e terminais portuários, outras aplicações logísticas e
operadores logísticos. Estas seções provêem uma análise mais detalhada de cada um dos subsetores
analisados, contendo tabelas que sintetizam os principais parâmetros dos artigos em questão, assim
como seu objetivo e suas conclusões.
2.3.1 Aeroportos
Os dados do setor de aeroportos e companhias aéreas são, em grande maioria, longitudinais (89%), o
que é bastante positivo, pois este tipo de dados contém mais informações. Há amostras de
aeroportos e companhias aéreas – divididos em 79% e 21%, respectivamente – com média de 31
DMUs, em intervalo de 8 a 58. Em sua maioria, são comparações dentro de um mesmo país (74%),
embora existam estudos sobre regiões e sobre o mundo.
A análise de eficiência de aeroportos tem como vantagem a disponibilidade de diversos inputs
diferentes. Os mais comuns são o número de funcionários ou custo do trabalho, o número de pistas e
a área do terminal, total, das pistas, etc. Entretanto, as opções são muito variadas: combustível,
número de aeronaves, número de esteiras de bagagem, horas de utilização da aeronave, entre
muitos outros. Já os principais outputs são operacionais, como o fluxo de passageiros, a
movimentação de cargas e o número de pousos e decolagens, embora, neste setor, a utilização de
dados monetários seja mais difundida (ex: receitas totais, lucro comercial por passageiro por
quilômetro).
30
Os métodos CCR e BCC são dominantes, com participação em 68% e 47% dos modelos,
respectivamente, embora em apenas um estudo eles não sejam utilizados em conjunto com outros
modelos ou métodos. Cerca de dois terços dos modelos são orientados a output.
Segue abaixo uma compilação dos principais artigos sobre DEA no setor aeroportuário a partir de
2005.
Quadro 1: Resumo dos Estudos de DEA em Aeroportos e Companhias Aéreas
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
1. Lin e
Hong
(2006)
Estimar a
eficiência física
relativa de 20 dos
mais importantes
aeroportos do
mundo
20 dos mais
importantes
aeroportos
do mundo
(2003)
DEA-CCR, DEA-
BCC, SCE, DEA de
supereficiência,
FDH
-no
funcionários
-no pistas
-no vagas de
aviões
-no esteiras
de bagagem
-no rampas
-fluxo
passageiros
-no pousos e
decolagens
-crescimento
do país e fato
de ele ser um
hub
influenciam
desempenho
operacional
-no pistas e
vagas de aviões
são inputs mais
influentes
-Europa e
América do
Norte mais
eficientes que
Ásia e Austrália
2. Martín e
Román
(2006)
Estimar a
eficiência relativa
de aeroportos
espanhóis
comparando os
métodos de DEA
e SMOP
34
aeroportos
espanhóis
(1997)
SMOP, DEA de
eficiência cruzada
e DEA de
eficiência virtual
orientados a
input, DEA de
supereficiência
orientado a output
-custo
trabalho
-custo capital
-custo
material
-no pousos e
decolagens
-fluxo
passageiros
-
movimentação
carga
-rankings são
consistentes e
não dependem
do método
-modelo de
DEA de
eficiência
cruzada é o
melhor
3. Pacheco
et al.
(2006)
Investigar o
impacto das
mudanças no
sistema de
gerenciamento
sobre o
desempenho dos
aeroportos
58
aeroportos
brasileiros
(1998-2001)
DEA-BCC
orientado a input
-salários e
benefícios
-despesas
operacionais
e não-
operacionais
-no
funcionários
-receitas
operacionais
-receitas
comerciais
-outra receitas
-fluxo
passageiros
-
movimentação
carga
-preparação
pela INFRAERO
para
privatização,
com mudança
de estilo
gerencial,
melhorou
desempenho
31
Continuação do Resumo dos Estudos de DEA em Aeroportos e Companhias Aéreas
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
4. Vogel
(2006)
Analisar o
impacto da
privatização
total ou parcial
no desempenho
financeiro e
econômico dos
aeroportos
europeus
31
aeroportos
e 4 sistemas
de
aeroportos
europeus
(1990-2000)
PFP, FRA, DEA-
CCR, DEA-BCC
orientados a
input
-custos totais -receitas totais
-privatização
aumenta eficiência,
mas não
necessariamente
retorno, uma vez
que aeroportos
públicos podem se
endividar e alavancar
mais por serem
apoiados pelo
governo
5. Barros
e Dieke
(2007)
Estimar a
eficiência
relativa
financeira e
operacional de
aeroportos
italianos
31
aeroportos
italianos
(2001-2003)
DEA-CCR, DEA-
BCC, DEA de
eficiência
cruzada e DEA
de
supereficiência
orientados a
output
-custo
trabalho
-capital
investido
-custos
operacionais
ex-trabalho
- no aviões
-fluxo
passageiros
-
movimentação
carga
-receitas
aeronáuticas
-receitas
manuseio
-receitas
comerciais
-aeroportos italianos
têm habilidades
gerenciais
relativamente altas
-maior parte deles é
eficiente dada a sua
escala
6. Barros
(2008)
Estimar a
eficiência
relativa de
aeroportos
argentinos
durante um
período de
intensa crise
econômica
32
aeroportos
argentinos
(2003-2007)
DEA-CCR
orientado a
output,
regressão
proposta por
Simar e Wilson
(2007)
-
comprimento
pistas
-no rampas
-área
terminal
-no
funcionários
-fluxo
passageiros
-
movimentação
carga
-no pousos e
decolagens
-alguns aeroportos
se mantiveram
eficientes apesar da
crise
-pequenos
aeroportos regionais
mais sensíveis
-economias de escala
são importantes
nesta amostra
7. Barros
e Dieke
(2008)
Estimar os
determinantes
de eficiência de
aeroportos
italianos
31
aeroportos
italianos
(2001-2003)
DEA-CCR, DEA-
BCC orientado a
outputs, modelo
de Simar e
Wilson (2007)
-custo
trabalho
-capital
investido
-custos
operacionais
ex-trabalho
-no aviões
-fluxo
passageiros
-
movimentação
carga
-receitas
aeronáuticas
-receitas
manuseio
-receitas
comerciais
-amostra
heterogênea em
termos de eficiência
-quase todos têm
alto grau de
eficiência técnica
-eficiência aumentou
ao longo do tempo
-hubs e/ou
parcialmente
privados são mais
eficientes
32
Continuação do Resumo dos Estudos de DEA em Aeroportos e Companhias Aéreas
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
8. Barros
e Dieke
(2008)
Estimar os
determinantes de
eficiência de
aeroportos
italianos
31
aeroportos
italianos
(2001-2003)
DEA-CCR,
DEA-BCC
orientado a
outputs,
modelo de
Simar e
Wilson
(2007)
-custo trabalho
-capital
investido
-custos
operacionais
ex-trabalho
-no aviões
-fluxo
passageiros
-movimentação
carga
-receitas
aeronáuticas
-receitas
manuseio
-receitas
comerciais
-amostra
heterogênea em
termos de
eficiência
-quase todos têm
alto grau de
eficiência técnica
-eficiência
aumentou ao
longo do tempo
-hubs e/ou
parcialmente
privados são
mais eficientes
9. Fung et
al.
(2008)
Estimar a
eficiência relativa
de aeroportos
regionais chineses
25
aeroportos
regionais
chineses
(1995-2004)
DEA-CCR
orientado a
output,
Malmquist
-comprimento
pistas
-área terminal
-fluxo
passageiros
-movimentação
carga
-no pousos e
decolagens
-crescimento
médio na
produtividade é
de 3%, maior
fonte o
progresso
técnico
- reformas
deveriam focar
em aeroportos
que não são
hubs nem
listados em bolsa
e aeroportos no
NE
10. Greer
(2008)
Examinar
mudanças na
produtividade de
companhias
aéreas norte-
americanas
durante o começo
conturbado dos
anos 2000
8 companhias
aéreas de
passageiros
norte-
americanas
(2000 e 2004)
DEA-CCR
orientado a
input,
Malmquist
-no
funcionários
em tempo
integral
(equivalente)
para atender
passageiros
-combustível
para atender
passageiros
-no assentos
-assentos-milhas
-entre 2000 e
2004, perigo de
falência e
liquidação fez
com que as
companhias
buscassem
aumentar
produtividade
-maior parte
dessa melhora
veio de aumento
da eficiência,
pequena parte
da adoção de
novas
tecnologias
33
Continuação do Resumo dos Estudos de DEA em Aeroportos e Companhias Aéreas
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
11. Pathomsiri et al. (2008)
Estimar a
eficiência relativa
de aeroportos
norte-
americanos,
levando em
consideração a
existência de
outputs
desejados e
indesejados
56
aeroportos
norte-
americanos
(2000–2003)
DEA/função
de distância
direcional,
Luenberger
orientado a
output
-área total
-no pistas
-área pistas
-no pousos e
decolagens
-no passageiros
-ignorar medidas
importantes
como os outputs
indesejados pode
levar a medidas
de eficiência
inapropriadas,
que podem
resultar em
políticas de
incentivos pouco
sensatas (por
exemplo,
aumento do
tráfego sem
considerar
aspectos
negativos)
-área total
-no pistas
-área pistas
-no pousos e
decolagens
-no passageiros
-
movimentação
carga
-área total
-no pistas
-área pistas
Outputs
desejados:
-no pousos e
decolagens
-no passageiros
-
movimentação
carga
Outputs
indesejados:
-no vôos
atrasados
-tempo atraso
12. Bhadra
(2009)
Analisar a
eficiência entre
companhias
aéreas e
intertemporal
13
companhias
aéreas
norte-
americanas
(1985-2006)
DEA-BCC
orientado a
output, Tobit
-combustível
-no
funcionários
em tempo
integral
-horas
vôo/horas
viagem
-horas
utilização
aeronave
-no
assentos/
aeronave
-no
aeronaves
- assentos-
milhas
disponíveis
-demanda tem
grande influência
na eficiência
transversal
-11/09 teve
pouco impacto na
ineficiência
intertemporal,
mas diminuiu
eficiência
transversal
-diminuição dos
tempos de vôo
tende a aumentar
a eficiência
34
Continuação do Resumo dos Estudos de DEA em Aeroportos e Companhias Aéreas
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
13. Barros e
Peypoch (2009)
Estimar os
fatores que
afetam a
produtividade
de companhias
aéreas
européias
27 das
principais
companhias
aéreas
européias
(2000-2005)
DEA-CCR,
DEA-BCC
orientado a
output,
modelo de
Simar e
Wilson
(2007)
-no
funcionários
-custo
operacional
-no aviões
-lucro
operacional/
passageiro/
quilômetro
-EBIT
-a eficiência parece
aumentar ao longo
do tempo, mas a
taxas decrescentes
-as companhias
low-cost são as
mais eficientes
-alianças
melhoram a
eficiência
14. Barros e
Weber (2009)
Entender as
causas do
declínio da
eficiência
técnica dos
aeroportos do
Reino Unido
27
aeroportos
do Reino
Unido
(2000/01-
2004/05)
DEA-CCR
orientado a
input,
Malmquist
-no
funcionários
-valor ativos
fixos
-valor outros
custos
-fluxo
passageiros
-
movimentação
carga
-no pousos e
decolagens
- aeroportos se
tornaram menos
eficientes, mas
também
regrediram
tecnologicamente
15. Chi-Lok e
Zhang (2009)
Investigar a
influência que
a competição e
a política de
avião têm
sobre a
eficiência de
aeroportos
chineses
25
aeroportos
chineses
(1995-2006)
DEA-CCR
orientado a
output,
MQO,
Tobit,
Malmquist
-
comprimento
pista
-área
terminal
-fluxo de
passageiros
-
movimentação
de carga
-número de
pousos e
decolagens
-aeroportos
listados em bolsa
são mais
eficientes, assim
como os que
sofrem mais
competição
- programa de
localização de
aeroportos
estimula eficiência
e progresso
tecnológico
16. Jarzemskiene
(2009)
Desenhar um
modelo
sistemático de
avaliação e
predição de
indicadores de
eficiência
baseados nos
resultados de
estudos
anteriores
- - - -
-DEA parece
apropriada para a
mensuração de
produtividade de
sistemas
complexos como
terminais
aeroportuários
-modelo CCR mais
analisa do que gera
soluções
35
Continuação do Resumo dos Estudos de DEA em Aeroportos e Companhias Aéreas
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
17. Lam et al.
(2009)
Estimar a
eficiência
relativa dos
mais
importantes
aeroportos da
região Ásia-
Pacífico
11 dos mais
importantes
aeroportos da
região Ásia-
Pacífico
(2001-2005)
DEA-CCR,
DEA-BCC,
DEA-SBM
orientados a
input, DEA
de eficiência
virtual
-trabalho
-capital
-terceirização
-valor
comercial
-número de
pousos e
decolagens
-fluxo de
passageiros
-
movimentação
de carga
-eficiências
técnica, de escala
e de mix são altas
dentre os mais
importantes
aeroportos da
Ásia-Pacífico
-há muitas
disparidades no
quesito eficiência
em custos, graças
a efeitos
específicos dos
países e
ineficiências
alocativas
18. Michaelides
et al. (2009)
Comparar as
eficiências de
diversas
companhias
aéreas pelos
métodos de
SFA e DEA
24 das
maiores
companhias
áreas do
mundo
(1991-2000)
SFA, DEA-
CCR
orientado a
output
-no
funcionários
-combustível
- no
aeronaves
para
operações de
passageiros
-passageiros-
km/ano
-as estimativas de
DEA e SFA são
altamente
correlacionadas
-as empresas
americanas e
asiáticas são as
mais eficientes
tecnicamente
-as empresas se
deparam com
retornos
constantes à
escala
-a privatização de
algumas
companhias
aéreas não alterou
sua eficiência
técnica
2.3.2 Ferrovias
Os estudos sobre ferrovias são os mais escassos.
Os principais inputs são não-monetários (número de funcionários, o comprimento da linha férrea e
vagões), assim como todos os outputs, com destaque para passageiros-km e toneladas-km. Martin e
Reggiani (2007) foram os únicos que utilizaram outputs não relacionados à distância percorrida: o
mercado potencial e a acessibilidade dos passageiros à linha férrea.
36
Em dois terços dos artigos os dados utilizados são transversais e as amostras incluem uma rede
intermodal de rodovias e ferrovias com 88 cidades, 43 operadores de ferrovias, 20 ferrovias, etc.,
com uma média de 43 DMUs. Geograficamente, como se poderia esperar pela própria característica
do modal, as DMUs abrangem regiões específicas ou todo o mundo, não havendo estudos que
foquem em um só país.
Não existe consenso quanto à orientação a inputs ou outputs e os modelos CCR e BCC não são tão
preponderantes como em outros setores. Apesar da pouca quantidade de trabalhos, a utilização de
modelos mais sofisticados de DEA permeia esta amostra.
A seguir, um resumo dos estudos de DEA em ferrovias.
Quadro 2: Resumo dos Estudos de DEA em Ferrovias
Autores Objetivos Amostra Método Inputs Outputs Conclusões
19. Driessen
et al. (2006)
Explorar a
relação entre
competição e
eficiência
produtiva
14 sistemas
ferroviários
europeus
(1990-2001)
DEA-BCC
orientado a
input, regressão
Tobit
-no
funcionários
-
comprimento
linha férrea
-estoque
ativos
-passageiros-
km
-carga-km
-livre entrada e
mais autonomia
gerencial
diminuem a
eficiência
produtiva
-leilão
competitivo
aumenta a
eficiência
20. Growitsch
e Wetzel
(2007)
Estimar a
eficiência
relativa de
ferrovias
européias
54 ferrovias
em 27 países
(2000-2004)
DEA-CCR, DEA
de
supereficiência
-no
funcionários
-estoque em
ativos
-
comprimento
linha férrea
-custo
operacional
-trem-km
-passageiros-
km
-ton-km
-economias de
escala são a
regra para a
maior parte das
ferrovias
européias
21. Martin e
Reggiani
(2007)
Analisar e
comparar
índices de
acessibilidade
para medir o
impacto de
trens de alta
velocidade em
cidades
européias
Rede
intermodal de
ferrovias e
rodovias com
+-7000 arcos
e 4000 nós de
88 cidades
européias
com mais de
300 mil
habitantes em
1996
Método de
abordagem
parcial, DEA
orientado a
output, PCA
-localização
-mercado
potencial
-
acessibilidade
diária
-PCA produz
resultados mais
influenciados
pelo potencial
de mercado,
DEA é mais
afetada pela
acessibilidade
diária
-diferentes
conclusões
resultam de
diferentes
indicadores de
acessibilidade
37
Continuação do Resumo dos Estudos de DEA em Ferrovias
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
22. Yu
(2008)
Estimar a
eficiência
relativa das
ferrovias
40 ferrovias
da Ásia,
Europa e
África (2002)
TDEA
orientado a
input e
output,
NDEA
-no funcionários
-no vagões
passageiros
-no vagões carga
-comprimento
total linha
férrea
-outputs
produzidos:
trem-km
passageiros,
trem-km
carga
-outputs
consumidos:
passageiros-
km,
toneladas-km
-diferentes técnicas de
DEA normalmente não
mudam o ranking,
mas podem fazer com
que os escores variem
consideravelmente
-ferrovias da Europa
Ocidental têm a maior
eficiência técnica
-ferrovias africanas
têm maior nível de
serviço e efetividade
tecnológica que as de
outras regiões
-aumentar a
quantidade de
passageiros ou carga é
crucial
23. Yu e Lin
(2008)
Estimar a
eficiência
relativa das
ferrovias
20 ferrovias
europeias
(2002)
MNDEA
-no funcionários
-comprimento
total linha
férrea
-no vagões
-no vagões carga
-outputs
produzidos:
trem-km
passageiros,
trem-km
carga
-outputs
consumidos:
passageiros-
km,
toneladas-km
-dentre as ferrovias
com mau
desempenho, algumas
devem melhorar a
produção, enquanto
outras devem focar
nas medidas de
performance
24. Merkert
et al. (2010)
Estimar a
eficiência
relativa de
companhias
operadoras
de ferrovias
43
companhias
operadoras
de ferrovias
suecas,
alemãs e
britânicas
(2006/2007)
DEA-CCR,
DEA-BCC
orientados
a input,
regressão
Tobit
-custos anuais
da operação ex-
trabalho
-no total de
funcionários, no
de funcionários
de gerência, no
de funcionários
de produção
- no
de
funcionários
gerenciais de
transação, no
de
funcionários
não-gerenciais
de transação,
resto dos
funcionários
-trem-km
-passageiros-
km
-ton-km
-fatores transacionais
influenciam mais a
eficiência do que
fatores institucionais
ou competitivos
-menos competição é
positiva para a
eficiência de
operadores de carga
-custos de transação
mais altos estão
associados a
operações ineficientes
38
2.3.3 Transporte Urbano
Os estudos sobre a eficiência de transportes urbanos englobam companhias e linhas de ônibus,
estacionamentos, pedágios, sistemas ferroviários urbanos e, de forma mais geral, companhias de
transporte público. Pelo caráter local deste setor, quase 90% dos estudos abrangem apenas um país.
A média das amostras é de 42 DMUs, mas o intervalo vai de 15 a 179. Retirando este estudo de Von
Hirschhausen e Cullman (2008), a média cai para 33,6.
Graças a esta heterogeneidade, os inputs são muito variados. Os outputs, por outro lado, se
concentram em veículos-km, número de passageiros e passageiros-km, apesar de outros outputs,
como proporção de viagens pontuais, evidenciarem a ampla gama de objetivos com que o transporte
urbano se defronta. Os dados transversais são os mais comuns (71%), assim como a orientação a
inputs. Esta se dá, provavelmente, pela dificuldade de controlar a demanda, graças a restrições
geográficas e regulatórias.
Como esperado, os modelos CCR e BCC são os mais utilizados, sendo muitas vezes os únicos
métodos. Um fato interessante é a maior utilização do modelo BCC em relação ao CCR, algo que
acontece apenas neste setor. Dentre outras técnicas usadas estão a SFA, o DEA de supereficiência e
até mesmo um modelo desenvolvido por Yu e Fan (2009): o MSNDEA.
Em seguida, são apresentados os estudos sobre transporte urbano que utilizaram a técnica de DEA.
Quadro 3: Resumo dos Estudos de DEA em Transporte Urbano7
Autores Objetivos Amostra Método Inputs Outputs Conclusões
25. Barnum
et al.
(2006)
Apresentar um
método de
comparação de
eficiência de
subunidades de um
sistema de
transporte
(estacionamentos)
16
estacionamentos
de intercâmbio do
Chicago Transit
Authority (1º
trimestre de 2005)
DEA
orientado
a output,
SFA
-no vagas
-custos
operacionais
diários
médios
-no médio de
carros
estacionados
em dias úteis
-receita diária
média
-escores podem
ser usados para
identificar as
ineficiências de
cada unidade,
para melhorar
desempenho da
subunidade e
do sistema
-com SFA,
medidas podem
ser ajustadas a
fatores
ambientais
7 Baseado, em parte, em De Borger et al. (2002).
39
Continuação do Resumo dos Estudos de DEA em Transporte Urbano
Autores Objetivos Amostra Método Inputs Outputs Conclusões
26. Odeck
(2006)
Determinar o
impacto que os
inputs como
consumo de
combustível e
número total
de
funcionários
têm sobre a
eficiência dos
operadores na
indústria de
ônibus
norueguesa
33
companhias
de ônibus
norueguesas
(1994)
DEA-CCR,
DEA-BCC
orientado
a input
-consumo de
combustível
-equipamentos
-horas de direção
-no assentos
-no funcionários
-assentos-km
-passageiros-
km
-potencial de
economia no setor
de 21%
-ineficiências são
geradas por má
alocação de
inputs,
essencialmente
pré-determinada
pelo tamanho das
companhias de
ônibus
-alto grau de
congestão de
inputs (aumento
de input diminui o
output) no setor
27. Margari
et al.
(2007)
Analisar o
impacto dos
fatores
ambientais,
regulatórios e
do ruído
estatístico de
sistemas de
trânsito
públicos
42
companhias
de transporte
público local
italianas
(1993-1999):
15 urbanas,
10
interurbanas
e 17 mistas
DEA-BCC
orientado
a input,
SFA
-no motoristas
-no funcionários
indiretos
-combustível
-custos de materiais
e serviços
-assentos-km
-habilidades
gerenciais têm
papel menor,
fatores exógenos e
eventos aleatórios
afetam mais a
eficiência
-contratos de
incentivos
poderosos e
melhoria das
condições
ambientais das
redes impactam
muito a melhoria
da eficiência
28. Sheth
et al.
(2007)
Desenvolver
um framework
em que as
agências de
transporte
público são
avaliadas
quanto à
maximização
da eficiência
do serviço com
minimização
dos desvios em
relação aos
objetivos
sociais
Dados
simulados de
60 rotas de
ônibus
DEA-CCR,
DEA-BCC
-Diferença de tempo
entre dois veículos
consecutivos
-tempo de provisão
do serviço em uma
rota/dia
-custo total/dia
-no encruzilhadas na
rota
-no corredores
prioritários para
ônibus
-veículos-
milhas
-proporção de
viagens
pontuais
-tempo médio
de duração da
rota
-framework pode
ser usado por
gerentes de
agências de
transporte,
planejadores e
engenheiros de
tráfego
-no longo prazo,
permitirá uso mais
eficiente dos
recursos da
sociedade,
maiores níveis de
serviço e a
consideração de
objetivos sociais
muitas vezes
conflitantes
-veículos-milhas
-proporção de
viagens pontuais
-tempo médio de
duração da rota
-passageiros-
milhas
40
Continuação do Resumo dos Estudos de DEA em Transporte Urbano
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
29. Barnum
et al.
(2008)
Comparar o
desempenho de
diversas rotas de
ônibus dentro de
um mesmo
sistema de
transporte
urbano
46 rotas de
ônibus de uma
agência de
trânsito
americana
(dados dos dias
de semana da
primavera de
2005)
Regressão,
DEA-CCR
orientado a
output
-Assentos-km
-assentos-
hora
-no
passageiros
-proporção
de viagens
pontuais
-tempo de
provisão de
serviço em
uma
direção/dia
-frequência
diária média
de serviço
-frequência
máxima
diária de
serviço
-novo
procedimento
ajusta os dados
para influências
ambientais antes de
aplicar o método
-o uso de DEA para
avaliar a eficiência
de subunidades de
sistemas de
transporte urbano é
um procedimento
promissor na
melhoria do
desempenho
30. Graham
(2008)
Formular e
comparar
estimativas de
eficiência
paramétricas e
não-
paramétricas
para companhias
ferroviárias
urbanas
89 sistemas
ferroviários
urbanos de três
tipos: metrôs,
ferrovias leves
e ferrovias
suburbanas
(1995/1996)
DEA-CCR,
DEA-BCC
orientado a
input, TFP
-no
funcionários
-capacidade
da frota
-comprimento
da via férrea
-vagões-km
por ano
-tipo de sistema,
vitalidade
econômica da
cidade e densidade
populacional
influenciam a
produtividade
-estimativas de
retornos de escala
de TFP e DEA são
muito diferentes,
mas ranking de
eficiência é
semelhante
31. Jain et
al. (2008)
Analisar a
relação entre
estrutura de
propriedade e
eficiência técnica
dos sistemas
ferroviários
urbanos
15 sistemas
ferroviários
urbanos de
trânsito de
cidades ao
redor do
mundo (1992-
2002)
DEA-CCR,
DEA-BCC
orientados
a output
-no
funcionários
-no vagões e
unidades
elétricas
múltiplas
-comprimento
total da linha
férrea
-viagens de
passageiros
-vagões-km
-privatização tem
efeito direto e
positivo no
aumento da
eficiência,
resultando em uma
tendência de
melhoria ao longo
do tempo
-corporatização
deve preceder a
privatização, para
fazer com que o
sistema se torne
auto-sustentável
41
Continuação do Resumo dos Estudos de DEA em Transporte Urbano
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
32. Lin et
al.
(2008)
Estimar o
desempenho da
aderência ao
horário e da
regularidade
das rotas de
ônibus de
Chicago, não
sua eficiência
29 semanas de
dados de
localização
automática de
veículos em 24
rotas (48
direções) do
CTA entre
janeiro e junho
de 2006
-DEA de
supereficiência
orientado a
input, dados em
painel
-% menor
tempo de rota
-% maior
tempo de rota
-% mais curto
intervalo entre
ônibus
-% mais longo
intervalo entre
ônibus
-igual à
unidade
-indicador
construído
identifica os
benchmarks e
prioriza as DMUs
que precisam de
atenção
-artigo sai da
convencional
análise de
organizações de
trânsito para a das
suas subunidades
organizacionais que
realizam atividades
paralelas
33. Odeck
(2008a)
Estimar quanto
as fusões
impactam o
desempenho
das companhias
de ônibus
Dados do
RTOMR de 17
operadores de
ônibus no
período (1995-
1999) e 10 no
período 2000-
2002
DEA-CCR, DEA-
BCC orientados
a input,
Malmquist
-no total de
assentos
-combustível
-horas de
direção e horas
totais
trabalhadas
excluindo os
motoristas
-
assentos-
km
-companhias
fundidas tiveram
melhor
desempenho em
eficiência de escala
-houve ganhos de
produtividade em
ambos os grupos,
depois das fusões,
pois as não-
fundidas tiveram
que se tornar mais
inovadoras para
competir
34. Odeck
(2008b)
Estimar a
eficiência
relativa de
companhias de
pedágio
norueguesas
sem fins
lucrativos
18 companhias
de pedágio
norueguesas
(2001-2004)
DEA-CCR, DEA-
BCC orientados
a input,
regressão
truncada,
Malmquist
-pagamento ao
conselho de
administração
-custo
operacional
-tráfego
anual
-no pistas
-na média,
companhias
conseguiriam
reduzir seus inputs
em 16%
-setor apresenta
economias de
escala
-houve aumento da
produtividade ao
longo dos anos e
um deslocamento
da fronteira de 17%
42
Continuação do Resumo dos Estudos de DEA em Transporte Urbano
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
35. Von
Hirschhausen
e Cullmann
(2008)
Estimar a
eficiência relativa
de empresas de
ônibus alemãs
179
empresas
alemãs de
ônibus
médias e
grandes
que fazem
transporte
público
(1990-
2004)
DEA-CCR, DEA-
BCC orientados
a input, DEA de
supereficiência,
bootstrap
-no
funcionários
em tempo
integral e
parcial
-no ônibus
-ônibus-
km/assentos-
km
- eficiência
técnica média
das empresas é
relativamente
baixa
-empresas
pequenas
normalmente
enfrentam
retornos
crescentes à
escala
36. Lao e Liu
(2009)
Avaliar o
desempenho das
linhas de ônibus
do sistema de
transporte público
de Monterey-
Salinas, levando
em consideração
seus aspectos
espaciais
24 linhas
fixas de
ônibus do
sistema de
Monterey-
Salinas
DEA-BCC
orientado a
output
Mod. de
eficiência
operacional:
-tempo
operação
-distância da
rota até o
ponto de
partida
-no paradas
de ônibus
-no
passageiros
atendidos
-não existe
associação clara
entre eficiência
operacional e
efetividade
espacial para as
linhas de ônibus
-o sistema de
informação
geográfica (GIS)
pode ajudar a
analisar a
variação
espacial da
eficiência e da
efetividade em
relação a
variáveis
demográficas
Mod.
efetividade
espacial:
-no
passageiros
-população
acima de 65
anos
-no
deficientes
físicos
-número de
passageiros
atendidos
43
Continuação do Resumo dos Estudos de DEA em Transporte Urbano
Autores Objetivos Amostra Método Inputs Outputs Principais Conclusões
37. Yu e
Fan
(2009)
Propor um método de
DEA de estrutura em
rede mista (MSNDEA)
que pode ser utilizada
para estimar
simultaneamente a
eficiência de produção
e a efetividade de
serviço e operacional
de empresas de
transporte multimodal
Sistema de
ônibus de
Taiwan de 23
cidades
MSNDEA
Rodoviário:
-no motoristas
-no veículos
-combustível
-comprimento
rede de trânsito
-no funcionários
gerenciais
-no mecânicos
-veículos-km
-esta abordagem
é mais
apropriada para a
alocação de
inputs comuns
em termos de
otimizar suas
proporções e
fazer dos
processos de
produção e de
consumo um
único modelo
Urbano:
-no motoristas
-no veículos
-combustível
-comprimento
da rede de
trânsito
-no funcionários
gerenciais
-no mecânicos
-veículos-km
Processo de
consumo:
-no funcionários
de vendas
-no funcionários
gerenciais
-
passageiros-
km
2.3.4 Portos e Terminais Portuários
Os principais inputs utilizados nos estudos analisados são o número de equipamentos de cais e de
pátio, o comprimento do cais e a área do terminal. No caso dos portos, o número de funcionários
claramente é secundário, principalmente em relação aos outros setores. Uma abordagem
interessante foi feita por Lee et al. (2005), que utilizou o tempo de atraso como input, mostrando
que é possível que existam outros objetivos além do throughput. Em todos os casos, o output
escolhido foi a carga movimentada pelo porto, embora apenas os estudos de Diaz-Hernandez et al.
(2008) e Park (2008) levem em consideração cargas não-conteinerizadas, mostrando a limitação de
escopo dos artigos que utilizam DEA no setor portuário.. A orientação a input ou a output não mostra
uma tendência muito clara, evidenciando a falta de consenso na literatura a este respeito
(CULLINANE et al., 2006).
Nos muitos estudos, são utilizados tanto dados transversais quanto dados longitudinais em
praticamente igual proporção. As amostras são de portos ou de terminais, com alguma
preponderância dos terminais (62,5% vs. 37,5%), o que é bastante positivo, dado que, segundo
44
Cullinane et al. (2006), os terminais são mais comparáveis do que os portos. O ideal seria que
houvesse competição entre as DMUs (CULLINANE et al., 2006), mas as amostras são bastante
heterogêneas: a maior parte dos autores estudaram terminais de todo o mundo, embora outros o
tenham feito dentro de uma região (Mercosul ou Ásia, por exemplo) ou, ainda, de um mesmo país. O
tamanho médio da amostra é de cerca de 39 DMUs, em um intervalo que vai de 10 a 70.
Apenas um dos estudos não utilizou o método CCR (RIOS e MAÇADA, 2006) e o método BCC também
foi largamente utilizado (mais de 80% dos estudos). Outros métodos ainda não são consensuais,
embora muitos dos estudos tentem a utilização conjunta dos modelos básicos com outros mais
sofisticados ou mesmo outras técnicas complementares.
O Quadro 4 identifica os principais estudos de DEA em portos e terminais portuários.
Quadro 4: Resumo dos Estudos de DEA em Portos e Terminais8
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
38. Cullinane
et al. (2005a)
Avaliar e
comparar a
eficiência
relativa dos
portos,
utilizando duas
técnicas
alternativas:
DEA e FDH
57 terminais
de contêiner
localizados nos
30 principais
portos do
mundo (1999)
DEA-CCR,
DEA-BCC
orientados a
input, FDH
-comprimento
cais
-área terminal
-no guindastes
de cais
-no guindastes
de pátio
-no straddle
carriers
-TEUs
movimentados
-dados em painel,
em vez de
amostras
transversais, levam
a melhores
estimativas de
eficiência
-DEA e FDH
tendem a ter
resultados
bastante
diferentes, e uma
análise combinada
pode ser útil
- terminais
normalmente
operam sob
economias de
escala
39. Cullinane
et al. (2005b)
Analisar a
relação entre a
privatização e a
eficiência
relativa dos
portos, com
ênfase no caso
chinês
30 portos de
contêiner
internacionais:
25 entre os 30
principais do
mundo e 5
chineses
adicionais
(1992-1999)
DEA-CCR,
DEA-BCC
orientados a
output
-comprimento
cais
-área terminal
-no guindastes
de cais
-no guindastes
de pátio
-no straddle
carriers
-TEUs
movimentados
-não existe relação
clara entre a
privatização ou a
propriedade das
terras e maior
eficiência
8Em parte, baseado em Valente (2007).
45
Continuação do Resumo dos Estudos de DEA em Portos e Terminais
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
40. Lee et al.
(2005)
Estimar a
eficiência relativa
de portos de
contêiner
asiáticos do
Pacífico e fazer
uma comparação
com os portos
taiwaneses
16 portos de
contêiner
asiáticos do
Pacífico (1996)
DEA-CCR
orientado a
input, RDEA
-no berços
-no guindastes
-no
rebocadores
-no
funcionários
da autoridade
portuária
-área terminal
-tempo atraso
-TEUs
movimentados
-contêineres
movimentados/
hora
-RDEA tem
todas as
vantagens da
DEA, mas provê
um ranking
mais completo
e acurado dos
escores
41. Lin e
Tseng (2005)
Comparar os
métodos de DEA
e SFA na
aplicação sobre
portos de
contêiner
internacionais
27 portos de
contêiner do
mundo (1999-
2002)
DEA-CCR,
DEA-BCC
orientados
a input, SFA
-no guindastes
-comprimento
cais
-equipamentos
estiva
-TEUs
movimentados
-SFA é melhor
que DEA em
medir eficiência
portuária
-crescimento
econômico do
país influencia
muito a
eficiência
42. Cullinane
e Wang
(2006)
Estimar a
eficiência relativa
de terminais
europeus
69 terminais
de contêineres
europeus, em
24 países, com
throughput de
mais de
10.000 TEUs
por ano (2002)
DEA-CCR,
DEA-BCC
orientados
a output
-comprimento
cais
-área terminal
-no
equipamentos
-TEUs
movimentados
-existem
economias de
escala
-terminais
britânicos são
os mais
eficientes,
enquanto os
menos
eficientes
encontram-se
na Escandinávia
e na Europa
Oriental
43. Cullinane
et al. (2006)
Estimar a
eficiência relativa
dos portos e
terminais,
comparando os
métodos de DEA
e SFA
57 terminais
de contêiner
localizados
nos 30
principais
portos do
mundo (2001)
DEA-CCR,
DEA-BCC
orientados
a output,
SFA
-comprimento
cais
-área terminal
-no guindastes
de cais
-no guindastes
de pátio
-no straddle
carriers
-TEUs
movimentados
-resultados são
robustos para
DEA e SFA
-maior escala,
maior
participação do
setor privado e
terminais de
transbordo
estão
associados a
maior eficiência
46
Continuação do Resumo dos Estudos de DEA em Portos e Terminais
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
44. Rios e
Maçada
(2006)
Estimar a
eficiência
relativa de
terminais de
contêineres
do Mercosul e
verificar quais
deles servem
como
referência
23 terminais
de contêiner
do Mercosul –
15 brasileiros,
seis argentinos
e dois
uruguaios
(2002-2004)
DEA-BCC
-no guindastes
-no berços
-no
funcionários
-área terminal
-no
equipamentos
de pátio
-TEUs
movimentados
-contêineres
movimentados
/hora
-no de terminais
eficientes
diminuiu de
2002 para 2004
45. Cullinane
e Wang
(2007)
Estimar a
eficiência
relativa dos
terminais,
comparando
uma análise
transversal a
outra
longitudinal
57 terminais
de contêiner
localizados nos
30 principais
portos do
mundo (2001),
25 dos 30 mais
importantes
portos de
contêiner do
mundo (1992-
1999)
DEA-CCR, DEA-
BCC
orientados a
output, DEA-
análise de
janela
-comprimento
cais
-área terminal
-no guindastes
de cais
-no guindastes
de pátio
-no straddle
carriers
-TEUs
movimentados
-eficiência dos
terminais flutua
ao longo do
tempo, podendo
a análise cross-
section levar a
erros
-desperdício
substancial nas
operações: em
média, o output
poderia ser
aumentado em
70%
-amostra exibe
todo tipo de
retorno de
escala
46. Lin e
Tseng (2007)
Comparar a
eficiência dos
terminais
asiáticos à luz
de diversos
modelos de
estimação de
eficiência
10 terminais
de contêiner
asiáticos
(dados de
1998 a 2001)
DEA-CCR, DEA-
BCC, DEA de
supereficiência
-comprimento
cais
-área terminal
-no berços e
guindastes
-no
embarcações
atracadas
-no contêineres
movimentados
47. Diaz-
Hernandez et
al. (2008)
Analisar a
eficiência
relativa de
portos
espanhóis
21 portos
espanhóis
(1994-1998)
DEA-CCR, DEA-
BCC
orientados a
input,
Malmquist
-horas
trabalho
-horas
guindastes
-carga geral
conteinerizada
-carga geral
não
conteinerizada
-granel sólido
-mudanças na
eficiência
técnicadevidas
principalmente à
eficiência de
escala
-portos com
maiores taxas de
mudança técnica
são aqueles
onde há mais
volume,
terminais e
guindastes
privados
47
Continuação do Resumo dos Estudos de DEA em Portos e Terminais
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
48. Park
(2008)
Estimar a
eficiência relativa
de terminais de
contêiner
coreanos
24 terminais
de contêiner
coreanos
(2002-2004)
DEA-CCR,
DEA-BCC
orientados
a input,
bootstrap
-no
funcionários
-comprimento
berço
-área pátio de
contêineres
-no guindastes
-TEUs
movimentados
-taxa anual de
ocupação do
berço
-toneladas de
carga geral
-DEA e correção
de viés de
bootstrapping
dão resultados
bastante
diferentes
-autores
recomendam o
segundo
49. Wu e Lin
(2008)
Estimar a
eficiência relativa
de terminais de
contêiner de
países
desenvolvidos e
em
desenvolvimento,
com foco na Índia
22 maiores
portos de
contêiner
em 22 países
(2000-2005)
RCA, DEA-
CCR, DEA-
BCC
orientados
a output,
DEA de
supereficiê
ncia
-área terminal
-comprimento
cais
-no guindastes
de cais
-no guindastes
de pátio
-no straddle
carriers
-no contêineres
movimentados
-eficiência
operacional dos
portos indianos é
relativamente
baixa
- setor de carga
na Índia é
competitivo em
relação ao setor
de transporte de
passageiros
50. Koster et
al. (2009)
Comparar a
eficiência relativa
de terminais de
contêiner com a
de estudos
anteriores
38 terminais
de contêiner
(2005/2006/
2007)
DEA-CCR,
DEA-BCC
orientados
a input e
output,
FDH
-no guindastes
de cais
-comprimento
cais
-área terminal
-TEUs
movimentados
- terminais norte-
americanos têm
eficiência relativa
mais baixa
- terminais mais
eficientes são os
do Oriente Médio
-existem
economias de
escala
-terminais de
transbordo são
mais eficientes
que os de
importação/
exportação
48
Continuação do Resumo dos Estudos de DEA em Portos e Terminais
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
51. Panayides
et al. (2009)
Fazer uma
revisão crítica
da literatura
sobre o uso de
DEA para a
mensuração de
eficiência de
portos
marítimos
- - - -
-apesar de muito
usado como output, a
movimentação no
porto por si só ignora
certas dimensões
importantes
-importância da
homogeneidade da
amostra e da
pesquisa sobre a
evolução da
eficiência ao longo do
tempo
-novas abordagens de
DEA devem ser
exploradas
52. Sharma e
Yu (2009)
Estimar a
eficiência
relativa de
terminais de
contêiner
70
terminais
de
contêiner
do mundo
DEA-CCR
orientado a
output,
SOM
-área terminal
-
comprimento
cais
-no guindastes
de cais e
pátio
-no straddle
carriers
-no reach
stackers
-no contêineres
movimentados
-passo-a-passo para
que terminais
ineficientes alcancem
a fronteira que lhes é
permitido alcançar
dadas sua capacidade
e sua similaridade
com o benchmark
53. Hung et
al. (2010)
Estimar a
eficiência
relativa de
portos de
contêiner
asiáticos
31 portos
de
contêiner
asiáticos
(2003)
DEA-CCR,
DEA-BCC
orientados
a output,
bootstrap,
-área terminal
-no guindastes
de cais
-no berços
-
comprimento
cais
-TEUs
movimentados
-ineficiência dos
portos de contêiner
asiáticos se dá mais
pela ineficiência
técnica do que pela
ineficiência de escala
-maior parte opera
sob retornos
crescentes de escala
54. Sharma e
Yu (2010)
Estimar a
eficiência
relativa de
terminais de
contêiner
70
terminais
de
contêiner
do mundo
DEA-CCR
orientado a
output,
árvore de
decisão
-
comprimento
cais
-área terminal
-no guindastes
de cais
-no guindastes
de pátio
-no reach
stackers
-no straddle
carriers
-TEUs
movimentados
-passo-a-passo para
que terminais
ineficientes alcancem
a fronteira
-para terminais que
se deparam com mais
ameaças, pode ser
interessante investir
em equipamentos de
ponta, times
gerenciais fortes e
melhores instalações
49
2.3.5 Outras Aplicações Logísticas
O agrupamento “outras aplicações logísticas” contém basicamente uma comparação de eficiência
entre diferentes modais e três trabalhos relacionados a redes de armazéns/centros de distribuição.
Destes três, um é apenas teórico, pois somente apresenta uma metodologia, sem aplicá-la de forma
prática. Assim, não se pode afirmar nada sobre tendências ou procedimentos comuns neste
agrupamento, uma vez que ele nem mesmo consiste em um setor.
Esta compilação de estudos de DEA em logística cobre apenas os últimos cinco anos, mas mostra que
a literatura da aplicação da técnica é bastante extensa. Entretanto, a aplicação específica no setor de
operadores logísticos é muito limitada, como veremos a seguir.
O quadro a seguir detalha outros estudos de DEA em outras aplicações logísticas que não se inserem
nas categorias anteriores.
Quadro 5: Resumo dos Estudos de DEA em Outras Aplicações Logísticas
Autores Objetivos Amostra Método Inputs Outputs Conclusões
55. Ramanathan
(2005)
Estimar a
eficiência relativa
dos transportes
rodoviário e
ferroviário
indianos,
estimando o
consumo de
energia e as
emissões de
carbono para os
anos 2005-2006
e 2020-2021
Dados de
ferrovias e
rodovias
indianas
(1980-1994) e
valores
estimados
para os anos
de 2005-2006
e 2020-2021
-DEA-
Aditivo
-
consumo
energia
-
passageiros-
km
-toneladas-
km
-Se o modal ferroviário
fosse responsável por
50% da matriz de
transportes nos anos
2005-2006 e 2020-
2021, pouparia 35% do
consumo de energia e
emissões em
comparação com o
status quo
56. Korpela et
al. (2007)
Propor uma nova
abordagem para
a seleção de
redes de
armazéns
utilizando AHP e
DEA
-5 armazéns
-AHP,
DEA-CCR
orientado
a output
-custos
diretos
-custos
indiretos
-tempo de
entrega
-entregas de
emergência
-qualidade
-quantidade
-pedidos
especiais
-frequência
-capacidade
-abordagem proposta
provê um método
sistemático e flexível
para a seleção de
armazéns, levando em
conta fatores
quantitativos e
qualitativos, que,
depois da
implementação, pode
ser usada para
acompanhar o
desempenho
50
Continuação do Resumo dos Estudos de DEA em Outras Aplicações Logísticas
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
57. Koster e
Balk (2008)
Análise
transversal e
longitudinal de
centros de
distribuição
europeus
65 armazéns
contendo 140
operações de
distribuição
européias,
asiáticas e
americanas
(2000-2004)
DEA-CCR,
DEA-BCC
orientados
a input,
Malmquist
-no horas
trabalhadas/
funcionário
em tempo
integral
-área
armazém
-grau
automação
-no diferentes
SKUs
armazenados
-no ordens
atendidas
-nível de
atividades
logísticas de
adição de valor
-no processos
especiais
levados a cabo
para otimizar o
desempenho
-% ordens
enviadas
corretamente
-flexibilidade
ordens
-armazéns
europeus são mais
eficientes que
asiáticos e
americanos
-operações
terceirizadas
tendem a ser as
mais eficientes
-a eficiência
diminuiu ao longo
dos anos, levando
também a uma
diminuição da
produtividade
apesar de maior
disponibilidade de
tecnologia
58. Johnson
et al. (2010)
Demonstrar uma
metodologia de
benchmarking
em larga escala
baseada na
coleta de dados
por internet para
a indústria de
armazenagem
-
DEA-BCC
orientado a
input e
output,
MQO
-horas de
trabalho
-área do
armazém
-
equipamentos
-número caixas
não-completas
enviadas
-número de
caixas
completas
enviadas
-número de
pallets
-índice de
consolidação
-armazenagem
-à medida que a
competição global
aumenta, o
benchmarking
online se tornará
cada vez mais
importante para
identificar e
compartilhar
melhores práticas
-também ajudarão
a aumentar a
interação entre
acadêmicos e
profissionais
2.3.6 Operadores Logísticos
Apesar da profusão de estudos sobre a aplicação de DEA em logística, os estudos que tratam
especificamente do setor de OLs são escassos e recentes. O modelo CCR é utilizado por todos os
autores, enquanto o BCC o é em dois dos quatro artigos. O estudo de Hamdan e Rogers (2008) é o
único que utiliza dados transversais e orientação a input, sendo sua unidade de estudo também
singular (armazéns de um OL).
51
Os inputs mais comuns estão relacionados a propriedades/equipamentos e trabalho, sendo este
tratado tanto em horas quanto em custo financeiro (salários). A mediana dos inputs é quatro,
enquanto, em geral, usa-se apenas um output. Em três dos artigos o output escolhido foi financeiro
(lucro ou receita operacional). As amostras, por sua vez, são restritas, tendo todos os artigos número
de DMUs inadequado de acordo com método de Sinuany-Stern (1998) e de Cooper et al. (2007).
Mais especificamente, o primeiro artigo a aferir a eficiência de operadores logísticos pelo método de
DEA foi publicado apenas em 2006. Tomando o exemplo do caso norte-americano, Min e Joo (2006)
acreditam que, após duas décadas de evolução, a indústria de operadores havia atingido a
maturidade, o que levaria a maiores pressões por redução de custo e aumento do nível de serviço,
por integração dos serviços e, consequentemente, por melhorias na eficiência operacional. Nesta
situação, o benchmarking seria uma das formas para se avaliar as forças e fraquezas internas da
companhia, assim como as vantagens competitivas dos maiores rivais e identificar as melhores
práticas, visando atingir um posicionamento mais bem-sucedido. Os autores usam como amostra seis
dos maiores operadores americanos e aplicam o modelo CCR orientado a output. Entre as mais
importantes conclusões estão o fato de que a performance dos operadores está intrinsecamente
correlacionada com o crescimento da indústria manufatureira – normalmente seu cliente mais
importante –, que uma ampla gama de serviços tende a aumentar a eficiência e que a oportunidade
de crescimento das receitas pode influenciar a eficiência, ainda que seu tamanho absoluto não o
faça.
De acordo com estudos publicados pelo CSCMP, a maior parte das empresas não mede sua
performance logística, e mesmo as que têm os melhores desempenhos não sabem o potencial que
poderiam alcançar pela medição. No artigo de Hamdan e Rogers (2008), primeiramente é aplicado a
um grupo de 19 armazéns um modelo de DEA orientado a inputs – uma vez que são mais
controláveis que os outputs – e sob retornos constantes que, posteriormente, é restringido e
reaplicado, de forma a levar em consideração informações específicas e importantes sobre os pesos.
Esta restrição é feita utilizando a opinião de conhecedores do assunto, assim como a missão e os
objetivos da organização. As principais conclusões são que os armazéns de granéis tendem a ser mais
eficientes, assim como os menores e aqueles que têm corredores mais largos. Por outro lado, é
importante notar que a mecanização nem sempre aumenta a eficiência da operação.
Zhou et. al. (2008) escreveram um dos mais recentes artigos sobre o tema, focado no mercado
chinês de operadores logísticos. Este cresceu vertiginosamente nos últimos anos, mas o crescimento
dos custos logísticos começou a se tornar uma preocupação, podendo comprometer a vantagem
competitiva do país. Para analisar a eficiência dos operadores, mas também identificar as causas da
52
ineficiência, aplicaram o modelo CCR orientado a outputs seguido do BCC em 10 empresas
selecionadas, para estimar a eficiência técnica e de escala. Para identificar fatores que possivelmente
impactam o desempenho dos OLs, seguiu-se uma regressão múltipla dos escores obtidos contra
quatro possíveis fatores. Entretanto, os autores reconhecem que o modelo Tobit poderia ser mais
adequado que o de MQO, dado o viés e a inconsistência que podem resultar da aplicação de MQO
neste tipo de amostra censurada. Dentre as principais conclusões, destaca-se que a receita
acumulada de vendas parece permitir uma melhor utilização dos recursos e que o nível de
conhecimento técnico também é positivamente correlacionado com a eficiência operacional, o que
leva a pensar que o sucesso dos operadores depende da sua habilidade de reter pessoal capacitado.
Além disso, ao contrário do que se esperaria, o tamanho do OL não parece ter impacto direto sobre
sua performance.
Em um segundo artigo, Min e Joo (2009) avaliaram a eficiência financeira relativa de um grupo de 12
dos principais operadores logísticos norte-americanos no período de 2005 a 2007, visando
estabelecer benchmarks que permitissem identificar possíveis áreas de melhorias. Para isto,
aplicaram o método CCR orientado a outputs, seguido também do método BCC, para mitigar os
efeitos do tamanho sobre a eficiência financeira dos OLs. Os autores chegaram à conclusão de que,
apesar do aumento dos custos de trabalho e combustível, a maior parte dos operadores conseguiu
controlar suas despesas. Além disso, aqueles operadores baseados em ativos sofrem de subutilização
de seus ativos, o que leva a ineficiência financeira, e operadores não-baseados em ativos têm
maiores oportunidades de melhorar sua eficiência financeira. Min e Joo (2009) reconhecem que este
tipo de análise pode ser estendida, para incluir um maior número de outputs e operadores ao redor
do mundo.
Assim, tendo os pouquíssimos artigos existentes sobre aplicação de DEA em operadores logísticos
sido feitos com poucas empresas e no exterior, fica clara a lacuna, na literatura brasileira, de uma
análise de eficiência baseada em DEA para os OLs locais.
A seguir, um resumo dos principais estudos da aplicação da DEA em operadores logísticos, apresentado no
apresentado no
Quadro 6.
53
Quadro 6: Resumo dos Estudos de DEA em Operadores Logísticos
Autores Objetivos Amostra Método Inputs Outputs Principais
Conclusões
Min e
Joo
(2006)
Estimar a
eficiência relativa
de OLs
6 dos maiores
OLs norte-
americanos
(1999-2002)
DEA-CCR
orientado a
output
-contas a receber
-salários
-despesas
operacionais ex-
salários
-propriedade e
equipamentos
-lucro
operacional
-performance dos
operadores está
correlacionada com
crescimento da
manufatura,
normalmente o cliente
mais importante
-ampla gama de
serviços tende a
aumentar a eficiência
-oportunidade de
crescimento das
receitas pode
influenciar a eficiência,
ainda que o tamanho
absoluto não o faça
Hamdan
e Rogers
(2008)
Estimar a
eficiência relativa
dos armazéns
19 armazéns
operados por
um OL (2004)
DEA-CCR
orientado a
input, DEA
com
restrição de
pesos
-horas
trabalho/ano
-área armazém
-custo anual de
tecnologia
-equipamentos
para manuseio de
materiais
-
throughput
caixas
-no
ordens/ano
-utilização
espaço
-os armazéns de
granéis, os menores e
os que têm corredores
mais largos tendem a
ser mais eficientes
-mecanização nem
sempre aumenta a
eficiência da operação
Zhou et
al.
(2008)
Estimar a
eficiência relativa
dos OLs e
identificar suas
causas
10 empresas
(2000-2004)
DEA-CCR e
DEA-BCC
orientados a
output,
regressão
múltipla
MQO
-ativo permanente
líquido
-salários
-despesas
operacionais ex-
salários
-passivo circulante
-lucro
operacional
-receita acumulada de
vendas parece permitir
melhor utilização dos
recursos
-nível de conhecimento
técnico é
positivamente
correlacionado com a
eficiência operacional
-tamanho do OL não
parece ter impacto
direto sobre seu
desempenho
Min e
Joo
(2009)
Estimar a
eficiência
financeira relativa
dos OLs,
identificando
fatores que a
afetam
12 dos
principais OLs
norte-
americanos
(2005-2007)
DEA-CCR,
DEA-BCC
orientados a
output
-custo de vendas
-despesas de
vendas, gerais e
administrativas
-depreciação e
amortização de
propriedades e
equipamentos
-ativo circulante
-ativo permanente
-outros ativos
-receita -maior parte dos
operadores conseguiu
controlar suas
despesas mesmo com
o aumento dos custos
de trabalho e
combustível
-operadores baseados
em ativos sofrem de
subutilização de seus
ativos, o que leva a
ineficiência financeira
54
3 Metodologia de Pesquisa
O principal objetivo deste capítulo é apresentar a metodologia escolhida para a realização da
pesquisa. A primeira parte do capítulo apresenta a base de dados utilizada. Segue uma seção sobre o
tratamento dos dados e a escolha das variáveis, que relata a escolha dos inputs, outputs e das
variáveis contextuais, além da filtragem das DMUs. A última seção envolve as descrições dos
métodos de pesquisa utilizados com o intuito de alcançar os objetivos traçados no Capítulo 1.
O método em questão é um método de DEA em três estágios: inicialmente se utilizará a DEA para
aferir a eficiência de escala dos OLs, utilizando os dados de input e output selecionados. Em seguida,
as variáveis contextuais serão identificadas, organizadas em fatores, por meio de uma análise
fatorial, e testadas. Finalmente, se fará uso de regressão Tobit para estimar o efeito destes fatores
sobre os escores de eficiência de escala dos OLs.
3.1 Base de Dados Utilizada
Como já mencionado, este estudo visa determinar os principais fatores que afetam a eficiência de
escala na indústria de operadores logísticos no Brasil, e a avaliação da eficiência operacional
utilizando DEA começa com a seleção das variáveis adequadas para formar medidas de input e
output que possam ser agregadas em um índice de desempenho composto (ZHOU et al., 2008).
Os dados utilizados foram retirados de edições especiais da revista Tecnologística dedicadas à
caracterização do mercado de operadores logísticos no Brasil publicadas nos meses de junho dos
anos de 2001 a 2010. Esta pesquisa tem a participação de mais de uma centena de empresas, sendo
o maior levantamento logístico do país. A lista de operadores vem juntamente com seus ativos,
serviços prestados e características mais importantes.
Cabe salientar que dados secundários, como os que foram utilizados, têm vantagens e desvantagens.
Dado o provável desalinhamento entre os objetivos da pesquisa que coletou os dados e os objetivos
da pesquisa que utilizará estes dados, eles raramente são precisamente adequados ao propósito da
pesquisa, fazendo com que o uso de proxies se torne indispensável, embora elas não
necessariamente sejam muito correlacionadas com o que se gostaria de medir (HAIR et al., 2003).
Além disso, é preciso simplesmente confiar na integridade da fonte original para assegurar-se da
precisão, uma vez que normalmente não se pode avaliar a qualidade do método de coleta (HAIR et
al., 2003). Adicionalmente, ao longo do tempo, algumas variáveis podem deixar ou passar a integrar
55
o questionário de pesquisa, assim como sua definição também pode mudar. Isto, de fato, aconteceu
nesta amostra. Por outro lado, as vantagens em relação à economia de tempo e dinheiro na
condução de uma pesquisa extensiva como esta (HAIR et al., 2003) superam largamente suas
limitações, uma vez que o objetivo é se chegar a um resultado generalizável e que não seria nem
mesmo possível coletar dados para todos os operadores nos dez últimos anos.
A próxima seção aborda o tratamento inicial de dados e a escolha de variáveis para a aplicação da
técnica de DEA.
3.2 Tratamento Inicial de Dados e Escolha de Variáveis
3.2.1 Seleção de Inputs e Outputs
A seleção de inputs e outputs deve se basear na significância destes recursos e nos objetivos
estratégicos da empresa. Dado que o principal objetivo da técnica é fazer uma avaliação global da
eficiência das DMUs e dado que esta eficiência é determinada pelos recursos e produtos, é crítico
que eles sejam representativos (HAMDAN e ROGERS, 2008), tanto financeira quanto
operacionalmente (ZHOU et al., 2008). Neste trabalho foram usadas variáveis identificadas na
literatura (Seção 2.1.2) que estivessem disponíveis na pesquisa anual sobre operadores logísticos da
Revista Tecnologística.
Levando em conta o objetivo de identificar os principais determinantes da eficiência de escala dos
OLs, foram escolhidos inputs que ajudassem a reconhecer o tamanho da empresa.
No presente estudo, usaremos o número de funcionários (envolvidos tanto em atividades
operacionais quanto em atividades estratégicas) como proxy9 para traduzir a utilização da força de
trabalho, embora a folha de pagamentos seja uma medida mais exata e comumente utilizada do
valor do trabalho empregado, uma vez que provavelmente há variação salarial entre os cargos.
Dado que a literatura aponta equipamentos e infraestrutura como recursos importantes, não se
poderia deixar de incluí-los. A armazenagem foi a atividade terceirizada que mais cresceu no período
de 2001 a 2008 (FLEURY, 2008), embora o seu índice de terceirização esteja abaixo da média
internacional (COPPEAD, 2009), indicando mais crescimento adiante. Levando-se isto em
consideração, faz-se necessária a escolha de medidas que traduzam como os OLs lidam com a
9 Uma variável proxy é uma medição indireta daquilo que o investigador pretende estudar, usada quando o
objeto de estudo é difícil de medir ou de observar.
56
armazenagem. Foram selecionados tanto a área total de armazenagem quanto o número total de
armazéns próprios e de clientes, caso em que o armazém é um recurso operacional do OL, embora
não pertença a ele.
Pelo lado dos outputs, o mesmo racional de se escolher variáveis representativas foi utilizado, tendo-
se o cuidado de abranger, com elas, tanto aspectos financeiros quanto aspectos operacionais. Pela
falta de dados de lucro operacional, escolhemos a receita bruta anual do operador como um dos
outputs. Do ponto-de-vista da operação, nos dados disponíveis na base da Tecnologística, o volume
de produtos gerenciados é coletado em itens ou em peso e não há qualquer informação sobre o
número de pedidos, não sendo possível conseguir um dado padronizado que seja comparável.
Portanto, neste trabalho, o aspecto operacional é coberto pelo número total de clientes da empresa,
que pode refletir não só uma boa imagem no mercado como também a complexidade operacional.
Os resultados da DEA dependem fortemente de quais inputs e outputs são considerados na análise
(WAGNER e SHIMSHAK, 2007). Apesar de que todos os recursos utilizados por uma DMU são inputs,
em geral, a literatura propõe a limitação do número de variáveis. Segundo Friedman e Sinuany-Stern
(1998), este deveria ser menos de um terço do total de DMUs sendo analisadas, dado que, quanto
maior o número de variáveis, maior é a dimensionalidade10 do espaço de solução da programação
linear e menos acurada é a análise (JENKINS e ANDERSON, 2003).
Segundo Simar e Wilson (2007), o método de DEA sofre de dimensionalidade, ou seja, a quantidade
de dados a serem estimados (a soma do número de inputs e de outputs) cresce rapidamente. Assim,
uma especificação parcimoniosa do modelo, com apenas os insumos e produtos mais críticos, é
fundamental (JOHNSON et al., 2010).
Quanto maior o número de medidas de input e output, menos discriminatório é o modelo, uma vez
que é possível que uma DMU domine as outras em uma das medidas, colocando-a na fronteira
eficiente. Se outras medidas são dominadas por diferentes DMUs, muitas serão identificadas como
eficientes, fazendo com que a análise perca seu poder (PATHOMSIRI et al., 2008).
Há diversas formas de se escolher as variáveis mais significativas (WAGNER e SHIMSHAK, 2007).
Alguns estudos sugeriram o julgamento por especialistas, que indicassem as variáveis mais
importantes para o modelo (GOLANY e ROLL, 1989), outros, a análise de regressão, de forma a
verificar quais variáveis são mais altamente correlacionadas, ou seja, redundantes, e poderiam ser
eliminadas sem que a informação contida nelas comprometesse as análises (LEWIN et al., 1982).
10
Do inglês dimensionality.
57
Entretanto, já se provou que a eliminação/adição de variáveis por análise de correlação pode alterar
significativamente os escores de eficiência em DEA, devendo, portanto, ser utilizada apenas como
um método auxiliar (NUNAMAKER, 1985). O método proposto por WAGNER e SHIMSHAK (2007) é
baseado na mudança média mínima dos escores à medida que são retiradas/adicionadas variáveis
(backwards e forwards approach, respectivamente), uma a uma. O resultado final do método
stepwise proposto por eles é um modelo central, denominado “core model”, no qual resta apenas
um input e um output e que pode proporcionar alguns insights sobre sua influência sobre a eficiência
das DMUs.
Para validar as variáveis selecionadas, foi realizada uma análise de correlação Tau-b de Kendall entre
inputs e entre outputs, indicada para dados não-paramétricos (PRESS et al., 1993). A grande maioria
das correlações apresentou boa significância estatística, mas todos os valores são relativamente
baixos. Assim, podemos confirmar que não há forte colinearidade e, portanto, a eliminação de
variáveis foi descartada.
Estes coeficientes de correlação são apresentados na Tabela 1, a seguir.
Tabela 1: Correlações tau-b de Kendall entre inputs e outputs
INPUTS Funcionários Área Total Armazéns Próprios
Armazéns de Clientes
Funcionários 1.00
Área Total 0.41 1.00
Armazéns Próprios 0.22 0.36 1.00
Armazéns de Clientes 0.29 0.22 0.06 1.00
OUTPUTS Clientes Receita Bruta
Clientes 1.00
Receita Bruta 0.34 1.00
Em última análise, a determinação do melhor modelo depende do julgamento gerencial da atividade
em questão mais do que da resposta mecânica de um modelo.
Assim, para a construção dos modelos de DEA, foram selecionados inicialmente quatro inputs –
número de funcionários, área total de armazenagem (em metros quadrados), número de armazéns
próprios e número de armazéns de clientes – e dois outputs – número de clientes e receita bruta (em
milhões de reais (R$) por ano). Suas estatísticas descritivas resumidas são apresentadas na tabela
abaixo.
58
Tabela 2: Estatísticas Descritivas das Medidas de Input e Output
Mínimo Máximo Média Mediana Desvio Padrão
CV Curtose Assimetria
(I) Funcionários 5 12,018 889 301 1,656 1.86 17.74 0.47
(I) Área Total (m2) 2,100 1,512,000 202,358 105,000 239,775 1.18 6.38 0.55
(I) Armazéns Próprios 1 47 7 5 8 1.10 6.62 0.29
(I) Armazéns de Clientes 1 40 5 3 7 1.34 8.33 -
(O) Clientes 1 12,000 210 18 1,119 5.34 88.21 0.26
(O) Receita Bruta (mi R$) 0.2 5,000 111 25 343 3.08 145.73 0.59
É importante frisar que quanto maior o desvio-padrão e a discrepância entre os valores máximo e
mínimo, melhor será o poder de discriminação da variável e, portanto, da DEA (GOLANY e ROLL,
1989).
Como a DEA resulta em medidas de eficiência relativa, ou seja, determina a eficiência ou ineficiência
de uma DMU pela comparação de seus inputs e outputs com o de outras DMUs, unidades que
operam com níveis de input ou output suficientemente maiores ou menores que as outras podem ser
consideradas eficientes simplesmente graças à falta de unidades comparáveis. Todavia, em amostras
grandes, estes problemas são minimizados (ODECK e ALKADI, 2001).
3.2.2 Seleção das Variáveis Contextuais
As demais variáveis são variáveis de controle, uma vez que não constituem nem insumos nem
produtos, mas características dos processos. Estas são importantes para a identificação dos
determinantes de eficiência de escala dos OLs, por explicarem o contexto. Zhou et al. (2008)
destacam a importância de se identificar fatores endógenos e exógenos que afetam
significativamente as operações de forma a entender as causas da eficiência/ineficiência operacional
e de escala.
A base de dados retirada da Revista Tecnologística foi novamente utilizada. Foram pesquisados as
características tradicionais e os serviços normalmente oferecidos pelos OLs, que serviram como
variáveis de controle, dado que representam simplesmente atributos, e não insumos ou produtos do
processo de produção. As variáveis contextuais escolhidas foram limitadas pela disponibilidade de
dados em todos os anos, uma vez que a pesquisa muitas vezes mudou de ano para ano. Todas são
variáveis dummy, ou seja, assumem valor 1 se estiverem presentes no OL e valor zero caso contrário,
com exceção do tempo de mercado, medido em anos.
59
Como o surgimento maciço de operadores logísticos é um fenômeno relativamente recente no Brasil,
as empresas pesquisadas não são muito antigas. Entretanto, o tempo de mercado pode influenciar
positivamente a eficiência, pelo acúmulo de experiências e pelo possível estreitamento do
relacionamento entre o OL e seu cliente, o que levaria a um maior comprometimento de ambas as
partes e a um uso mais extensivo dos serviços (BATHNAGAR et al., 1999).
Este comprometimento pode ser mais facilmente alcançado se o operador logístico tiver alguma
certificação. As certificações internacionais são um quesito bastante valorizado na indústria de OLs,
principalmente graças à globalização, que estimulou as empresas a buscar padrões internacionais
para reduzir as barreiras comerciais (LO et al., 2009). Além disso, os níveis de serviço prestados
podem aumentar por meio da estruturação e da implantação de procedimento padronizados.
Estabelecer e manter um sistema de qualidade documentado significa entregar o que foi prometido,
no tempo em que foi prometido, levando à sustentabilidade da satisfação do consumidor. Lo et al.
(2009) compararam a mudança nos estoques, nas contas a receber e no ciclo operacional de
empresas que tinham ISO 9000 com empresas que não o tinham, controlando para o tipo de
indústria, o tamanho e o desempenho pré-certificação. Foi empiricamente comprovado que a ISO
9000 melhora a eficiência de tempo logo após a certificação, em termos de fluxos mais rápidos de
materiais e informações, e que o ciclo operacional continua diminuindo ao longo do tempo. Assim,
há evidência de que ela está associada a eficiência na cadeia de suprimentos.
A indústria de OLs tem evoluído para o foco na gestão do conhecimento (ZHOU et al., 2008), o que
pode ser evidenciado pelo aumento do número de serviços baseados em tecnologia avançada, como,
por exemplo, WMS e rastreamento por radiofrequência. Desta forma, Zhou et al. (2008) julgam
importante estimar como o grau de eficiência técnica (BCC) é influenciado pelo nível de expertise
tecnológica da DMU. Neste trabalho analisaremos as tecnologias de software de simulação e
otimização, WMS, TMS, ERP, consultas pela internet e pelo celular e as tecnologias de rastreamento
e roteirização.
O Enterprise Resource Planning (ERP), por exemplo, é popular por sua capacidade de melhorar a
eficiência operacional. Estes sistemas padronizam e integram as informações de demanda, tornando-
as mais confiáveis para o planejamento dos recursos de transporte e armazenagem do OL
relativamente aos estoques do cliente, possibilitando, assim, a melhoria de seu desempenho
operacional (CHOU e CHANG, 2008). Este é um dos exemplos de como a TI pode impactar a eficiência
dos operadores. De outro ponto-de-vista, é possível que os armazéns se encontrem em regiões de
retornos crescentes ou decrescentes de escala, dependendo da utilização da TI e das ferramentas de
60
controle e movimentação de estoques por parte dos OLs, sendo muito pequenos ou grandes em
relação aos seus níveis de estoque e movimentação de carga (ROSS e DROGE, 2004).
É possível que escritórios próprios no exterior sejam evidência da eficiência dos operadores, uma vez
que seria razoável que a expansão internacional só acontecesse depois que as operações em
território nacional estão funcionando bem.
Todos os serviços oferecidos pelo OL serão analisados. A lista encontra-se no quadro 1, junto com o
resto das variáveis, e inclui armazenagem, controle de estoque, gerenciamento de terceiros,
desembaraço aduaneiro em importação e exportação, suporte fiscal, desenvolvimento de projetos,
coordenação, milk-run, gerenciamento intermodal, entre outros. O oferecimento de cada um destes
serviços pode influenciar a eficiência de diferentes formas. O controle de estoques, por exemplo,
pode permitir uma maior integração do fluxo de produtos do cliente com os equipamentos de
transporte e armazenagem do OL, melhorando a coordenação. Marino (2009) cita uma empresa de
cosméticos que aumentou a eficiência com aumento da visibilidade da carga para permitir
consolidações e melhor utilização dos ativos do operador logístico. Por outro lado, alguns dos
serviços podem não ser prestados para um número suficiente de clientes de forma que tenham a
escala necessária para serem lucrativos. Isto se torna mais provável à medida que a empresa oferece
uma gama mais ampla de serviços.
No total, foram pesquisadas 24 variáveis contextuais: certificação ISO, consultas pela internet,
controle de estoque, desenvolvimento de projetos, distribuição, embalagem, ERP, escritórios no
exterior, gerenciamento intermodal, desembaraço aduaneiro, JIT, logística reversa, milk run,
montagem de kits, porta a porta, rastreamento por satélite para frota própria, rastreamento por
satélite para frota terceirizada, outro tipo de rastreamento para frota própria, outro tipo de
rastreamento para frota terceirizada, roteirizadores para frota própria, suporte fiscal, tempo de
mercado, transferência e WMS.
3.2.3 Escolha das DMUs
Inicialmente, foram descartados todos os operadores para os quais não foram coletadas informações
para pelo menos um dos inputs ou outputs escolhidos, como também o fizeram Von Hirschhausen e
Cullman (2008) em seu estudo sobre companhias de transporte urbano. Nesta mesma linha, também
foram excluídas as DMUs que não tivessem informação completa nas variáveis contextuais, ou seja,
61
para as quais houvesse respostas “NF” (dados não-fornecidos pela empresa). As variáveis contextuais
consideradas foram aquelas para as quais havia observações para todos os anos, de 2001 a 2010.
Um dos requisitos básicos dos modelos de DEA é a garantia de que todas as DMUs são homogêneas
(HAMDAN e ROGERS, 2008). Ainda que seja normal que alguns inputs e outputs sejam mais
importantes para algumas DMUs do que para outras, é importante que a amostra selecionada reflita
semelhança de objetivos e estratégias ou concorrência entre as DMUs (PANAYIDES et al., 2009).
Buscando esta homogeneização, foram excluídos da análise aqueles operadores que não fossem
eminentemente rodoviários, ou seja, que tivessem ativos dos modais aquaviário, ferroviário e/ou
aéreo ou cujas operações fossem dedicadas primordialmente a um deles. A única exceção a este
grupo é uma empresa de movimentação interna, fornecedora de empilhadeiras, que também foi
retirada. Mantê-los na análise causaria um viés (podendo tanto ser positivo quanto negativo),
tirando parte do significado da comparação. Quando incluídas na análise, estas companhias muitas
vezes aparecem como benchmark em relação a outros operadores, embora suas operações não
possam ser diretamente comparadas.
Assim, o painel incompleto de dados utilizado é formado por 122 indivíduos, totalizando 290
observações distribuídas ao longo de dez anos (ver Quadro 7).
Quadro 7: Painel Incompleto de Dados – Indústria Brasileira de OLs
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
2 ALIANÇAS
4PL 4PL
5
ESTRELAS
ABRANGE ABRANGE
ADDRESS
ADL
AGI
AGM AGM AGM AGM AGM
AGR AGR AGR
AGUIA BRANCA
AGV AGV AGV AGV AGV AGV
ARGECAMP
ARGIMPEL
ARMAVALE
ATLAS ATLAS ATLAS ATLAS
BINOTTO BINOTTO BINOTTO
BMS BMS
BPL
BRASEX
BRASILMAXI BRASILMAXI BRASIL MAXI
BRASIL MAXI
BRASIL MAXI
BRASILMAXI
BRUCAI BRUCAI BRUCAI BRUCAI BRUCAI BRUCAI BRUCAI BRUCAI
BUENO
CAM CAM CAM
CARDOSO MINAS
CARDOSO
MINAS
CARDOSO MINAS
CENTER CARGO
CESA CESA CESA CESA CESA
CEVA CEVA CEVA CEVA
COIMEX
62
Painel Incompleto de Dados – Indústria Brasileira de OLs
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
COLUMBIA COLUMBIA COLUMBIA COLUMBIA COLUMBIA COLUMBIA
CONSEIL CONSEIL CONSEIL CONSEIL
COOPER-CARGA
CSI CSI CSI CSI CSI CSI CSI
CUSTODIA
DAL
DEICMAR DEICMAR
DELARA
DELTA DELTA DELTA DELTA DELTA DELTA DELTA
DEX DEX
DGT
DI CI
DIGILOG
DRY PORT
DSR DSR DSR
EADI STO ANDRE
EADI STO ANDRE
EADI STO ANDRE
EBAMAG
EICHENBERG EICHENBERG
EMBAGE EMBAGE
ENAR
ESTRELA
EXATA EXATA EXATA EXATA EXATA EXATA EXATA EXATA EXATA
EXEL
EXO-
LOGISTICA
EXO-LOGISTICA
EXP
BRILHANTE
EXP JUNDIAI EXP JUNDIAI
EXP NEPO-MUCENO
FANTINATI
FORT FORT FORT
GATX
GEFCO GEFCO GEFCO GEFCO GEFCO
G-LOG G-LOG
GRANVALE GRANVALE GRANVALE
GRECCO
GTECH GTECH GTECH GTECH GTECH
HIPERCON HIPERCON
ID
INTER
MARITIMA
IRAPURU IRAPURU IRAPURU IRAPURU IRAPURU IRAPURU
ITAMARATI
JOACABA
JULIO
SIMÕES JULIO
SIMÕES JULIO
SIMÕES JULIO
SIMÕES JULIO SIMÕES
JULIO SIMÕES
JULIO SIMÕES
KEEPERS KEEPERS KEEPERS KEEPERS KEEPERS KEEPERS
KMC
KRUGER
K-WAY
LC LC LC LC
LÍDER
LIMEIRA
LINKERS LINKERS LINKERS
LOGHIS LOGHIS
LOGISPLAN LOGISPLAN
LOGISTOCK
MARBO MARBO
MCLANE
MERCURIO MERCURIO MERCURIO
METODO
METRO-POLITAN
METRO-POLITAN
METRO-POLITAN
METRO-POLITAN
METRO-POLITAN
METRO-POLITAN
METRO-POLITAN
METRO-POLITAN
MIRASSOL MIRASSOL
MSLOG
N SRA FATIMA
N SRA FATIMA
OTM
OURO PRATA OURO PRATA OURO PRATA
63
Painel Incompleto de Dados – Indústria Brasileira de OLs
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
PANAZZOLO
PENNACCHI
PENSKE PENSKE PENSKE PENSKE PENSKE PENSKE PENSKE PENSKE PENSKE
PRONTO
QUICK QUICK QUICK QUICK
QUIMITRANS
RAPIDÃO RAPIDÃO RAPIDÃO RAPIDÃO
RAPIDO 900 RAPIDO 900
RODO-
BORGES RODO-
BORGES
RYDER RYDER RYDER RYDER RYDER
SADA
SALVADOR
SANTOS BRASIL
SATLOG SATLOG SATLOG
STOCK TECH
SUPPORT SUPPORT
TA TA TA
TARGET
TDS TDS TDS
TGESTIONA TGESTIONA TGESTIONA TGESTIONA
TONIATO
TORA TORA TORA
TPC TPC TPC
TRANS-CASTRO
TRANSMIRO
TRANSWORLD
TRIALE
ULTRACARGO ULTRACARG
O ULTRACARGO
USIFAST USIFAST
VILLANOVA VILLANOVA
3.3 O Modelo de DEA em Três Estágios
3.3.1 O Modelo de DEA
No primeiro estágio, os modelos DEA-CCR e DEA-BCC orientados a input foram executados dez vezes,
uma para cada um dos anos do período de 2001 a 2010. Para isto, foi utilizado o software DEA Excel
Solver 1.0, incluído em Zhu (2002). Na análise de Richard Barr (2004) sobre os softwares disponíveis
para se levar a cabo análises envoltórias de dados, o DEA Excel Solver é considerado o mais
completo, provendo um grande número de modelos (muitos dos quais são únicos dentre todos os
pacotes examinados), além de ser conciso nos relatórios apresentados.
O modelo utilizado é mostrado abaixo.
64
Figura 1: Modelo de DEA
Cooper et al.(2007) colocam que o tamanho mínimo da amostra deve ser ao menos três vezes maior
do que a soma de inputs e outputs. Isto só não acontece em um dos anos (2002).
Os modelos CCR e BCC são orientados para minimização de inputs. Para valores de eficiência
menores do que 1 no modelo BCC, as DMUs são denominadas tecnicamente ineficientes. Os escores
de eficiência de escala foram encontrados dividindo o escore CCR pelo BCC. A análise dos retornos de
escala foi feita a partir da soma dos pesos (lambdas) determinados no modelo CCR: pesos maiores
que 1 indicam retornos decrescentes; iguais a 1, retornos constantes; e menores que 1, retornos
crescentes de escala.
O método stepwise de Wagner e Shimshak (2007), que leva a um modelo core, de um input e um
output, foi utilizado para ajudar na compreensão de quais variáveis são mais importantes para os
operadores.
3.3.2 Análise Fatorial
A análise multivariada de dados acomoda múltiplas variáveis na tentativa de compreender relações
complexas. Entretanto, dado que o aumento do número de variáveis também aumenta a
probabilidade de nem todas serem não-correlacionadas e representativas, o agrupamento de
variáveis pode ser uma boa opção. A utilização de muitas variáveis como forma de representar
muitas dimensões de um problema complexo pode complicar a interpretação devido à redundância
(HAIR et al., 2005).
65
Segundo Hair et al. (2005, p.89), “Durante a década passada, a técnica estatística multivariada de
análise fatorial encontrou uso crescente em todas as áreas de pesquisa relacionadas a negócios.”
Quando a comparabilidade ao longo do tempo é exigida, como neste estudo, a utilização deste
método se torna ainda mais crítica.
“Análise fatorial é um nome genérico dado a uma classe de métodos estatísticos multivariados cujo
propósito principal é definir a estrutura subjacente em uma matriz de dados” (HAIR et al., 2005,
p.91). Ela é particularmente adequada para a análise de relações complexas multidimensionais, uma
vez que examina padrões ou relações latentes para um grande número de variáveis com o objetivo
de condensar e resumir as informações em um conjunto menor de componentes ou fatores comuns
que descrevem os dados em um menor número de conceitos. Estes fatores são variáveis estatísticas,
ou seja, a composição linear de variáveis, formados para maximizar o poder de explicação do
conjunto inteiro de variáveis. É uma técnica de interdependência, na qual todas as variáveis são
consideradas simultaneamente, cada uma relacionada a todas as outras, podendo-se dizer que cada
uma é prevista por todas as outras.
O propósito geral da técnica é a busca e definição dos constructos fundamentais ou dimensões
assumidas como inerentes às variáveis originais. Mais especificamente, ela pode ser usada para dois
objetivos: identificação da estrutura por meio do resumo de dados ou redução de dados. No
presente trabalho, o objetivo é reduzir o número de variáveis, mantendo a natureza e o caráter das
variáveis originais, para simplificar a análise multivariada (regressão Tobit) a ser empregada
subsequentemente.
Para se poder trabalhar com os conceitos de processos de coordenação e tecnologias da informação,
foi feita uma análise fatorial com rotação Varimax padronizada, utilizando o pacote SPSS 17.0, de
forma a reduzir as variáveis categóricas a um número menor de dimensões.
Como regra geral, deve-se ter no mínimo cinco vezes mais observações que variáveis a serem
analisadas. Nesta pesquisa há 290 observações e 23 variáveis contextuais, enquanto 23 X 5=115, o
que mostra que o número de observações está adequado.
Existem dois métodos básicos para extração de fatores, embora a pesquisa empírica tenha
demonstrado, em muitos casos, resultados análogos entre as duas abordagens. A análise de
componentes deve ser usada quando o objetivo é resumir a maior parte da informação original a um
número mínimo de fatores com o propósito de fazer previsões, enquanto a análise de fatores
comuns deve ser usada para identificar dimensões latentes que reflitam o que as variáveis têm em
comum (HAIR et al., 2005). Embora os modelos subjacentes sejam diferentes, o método de cálculo é
66
o mesmo (VARGAS e BRICKER, 2000). Neste trabalho será usada a análise de componentes principais,
considerado o método mais simples e computacionalmente eficiente (SAS, 1988).
Outra questão é a computação de correlações parciais entre variáveis, ou seja, correlações entre
variáveis quando outras variáveis são levadas em consideração. Se estas correlações forem altas, não
existem fatores latentes “verdadeiros” e, portanto, a análise fatorial não é adequada. Analisa-se,
para tal, a matriz de correlação anti-imagem, que é o valor negativo da correlação parcial. Como se
esperaria, valores maiores são indicativos de que a matriz de dados talvez não seja adequada para a
técnica aqui apresentada. Outros métodos de medida de adequação da amostra utilizados são o
teste Bartlett de esfericidade e a medida de Kaiser-Meyer-Olkin (KMO) (HAIR et al., 2005).
No que tange à decisão sobre o número de fatores a serem estimados, deve-se frisar sempre a
importância da parcimônia, embora a seleção de poucos fatores possa levar à omissão de dimensões
importantes, assim como a escolha de fatores em excesso dificulta a interpretação quando os
resultados são rotacionados. Como recomendado por Hair (2005), foram usados primeiramente o
critério da raiz latente como orientação para a primeira tentativa de interpretação e, a seguir, o teste
scree para determinar o número ótimo de fatores que podem ser extraídos antes que a quantidade
de variância única (associada apenas àquela variável) comece a dominar a estrutura de variância
comum (a todas as variáveis). O ponto no qual o gráfico começa a ficar horizontal é indicativo do
número de fatores que devem ser extraídos.
O primeiro fator pode ser visto como o melhor resumo de relações lineares nos dados, o segundo,
como a melhor combinação a partir da variância residual (ou seja, sujeito à restrição de ser ortogonal
ao primeiro fator), e assim por diante até que toda a variância seja dissipada.
A rotação fatorial, na qual os eixos de referência dos fatores são rotacionados em torno da origem
até que alguma outra posição seja alcançada, é uma importante ferramenta na interpretação de
fatores. Ela maximiza a carga de uma variável em um único fator, objetivando atingir um padrão
fatorial mais simples e, teoricamente, mais significativo. Isto faz com que fique mais fácil agrupar
variáveis em fatores diferentes, reduzindo algumas das ambiguidades que frequentemente
acompanham a análise preliminar. O caso mais simples é a rotação ortogonal. Embora a rotação
oblíqua faça um agrupamento com maior precisão, uma vez que as dimensões não são supostas sem
correlação entre si, os procedimentos analíticos para levá-la a cabo ainda não são amplamente
aceitos. Ademais, Hair et al. (2005) colocam que “se o pesquisador quer reduzir um número maior de
variáveis para um conjunto menor de variáveis não-correlacionadas para uso subsequente em
regressão ou outras técnicas de previsão, uma solução ortogonal é a melhor”. Dentre os principais
67
critérios de rotação ortogonal, foi escolhida a rotação Varimax, a mais comum e que oferece uma
clara separação dos fatores: “o método Varimax tem sido muito bem-sucedido como uma
abordagem analítica para obtenção de uma rotação ortogonal de fatores” (HAIR et al., 2005).
Sendo a meta identificar variáveis apropriadas para a aplicação subsequente da regressão Tobit,
pode-se tanto selecionar a variável com maior carga fatorial em cada fator para atuar como uma
variável substituta representativa daquele fator (escala múltipla) quanto substituir o conjunto
original de variáveis por um menor e inteiramente novo (escore fatorial). Por muitas das variáveis
terem cargas significantes próximas umas das outras, escolheu-se o método de escore fatorial,
computado com base nas cargas de todas as variáveis no fator.
Neste trabalho, a intenção é identificar se existem variáveis mais gerais, ao invés de itens tão
específicos como os providos pela Revista Tecnologística, de modo a facilitar a análise, permitindo
que as dimensões sejam interpretadas e descritas. Além disso, também a torna mais efetiva, uma vez
que itens específicos altamente correlacionados serão considerados elementos daquela dimensão
mais ampla. A partir daí, os fatores podem ser utilizados para definir áreas também amplas de
planejamento e ação.
3.3.3 Regressão Tobit
3.3.3.1 Dados em Painel
Dados longitudinais ou em painel têm dimensões tanto de corte transversal (vários indivíduos em um
determinado período) quanto de série temporal (um único indivíduo em diversos períodos).
Consistem em n sujeitos ou entidades (pessoas, firmas, ações, etc.) medidos ao longo de T períodos
(meses, trimestres, anos, etc.), resultando em nT observações. O ideal é tentar acompanhar os
mesmos indivíduos, empresas, cidades, etc., ao longo do tempo, de modo a analisar variações dentro
de um grupo e/ou variações do grupo ao longo do tempo (PARK, 2009).
A definição de Wooldridge (2006) é:
Um conjunto de dados construído de cortes transversais repetidos ao longo
do tempo. Com um painel equilibrado, as mesmas unidades aparecem em
cada período de tempo. Com um painel não-equilibrado, algumas unidades
não aparecem em cada período de tempo, frequentemente devido a
problemas de redução da amostra.
68
O trabalho com painéis não-equilibrados apresenta desafios adicionais, mas normalmente é
facilitado pelos pacotes econométricos. Entretanto, se os dados estiverem muito desequilibrados, o
resultado deve ser encarado com cautela e pode-se mesmo considerar a exclusão de observações
muito incompletas (PARK, 2009).
Podemos separar os fatores não-observados que afetam uma variável em dois tipos: os que são
constantes (efeitos fixos) e os que variam ao longo do tempo (efeitos aleatórios). Um modelo de
efeitos fixos analisa como o grupo e/ou o tempo afetam o intercepto, assumindo variância dos erros
constante entre as observações da amostra. Já um modelo de efeitos aleatórios explora os efeitos
proporcionados pelos grupos e/ou pelo tempo sobre a estrutura de variância dos erros, funcionando
as variáveis dummy como um termo de erro. As inclinações permanecem constantes entre os grupos
e os períodos em ambos os modelos (PARK, 2009).
Começando com o modelo de primeiras diferenças, para estimar o parâmetro de interesse β1 a partir
de dois anos de dados em painel, pode-se rodar a regressão:
(13)
onde é a variável independente, é a variável dependente e t é o período. A variável d2 é uma
variável dummy que assume valor 0 quando t=1 e 1 quando t=2. Assim, em t=1 o intercepto é e
em t=2, é . Como ele não muda com i, não tem este subscrito. Por outro lado, a variável só
varia ao longo de i, captando todos os fatores constantes no tempo que afetam . Por isso é
comumente chamada de efeito fixo e o modelo acima é chamado de modelo de efeitos não-
observados ou de efeitos fixos. O erro idiossincrático representa fatores não-observados que
afetam e mudam ao longo do tempo (WOOLDRIDGE, 2006).
Entretanto, mesmo sob a hipótese de que seja não-correlacionado com , o uso de MQO
agrupado para os dois anos será viesado e inconsistente se e forem correlacionados (como
costuma acontecer), por causa da omissão de uma variável constante no tempo. Para corrigir este
problema, pode-se construir uma equação para cada um dos anos:
(14)
(15)
E, em seguida, subtrair uma da outra:
(16)
69
(17) , onde representa a mudança de t=1 para t=2
Nesta equação de primeiras diferenças, o efeito foi eliminado. Esta diferenciação pode ser feita
para quaisquer N períodos de tempo (WOOLDRIDGE, 2006).
Outra forma de lidar com dados em painel é utilizar a estimação de efeitos fixos. Considerando o
modelo com uma única variável explicativa:
(18)
É possível calcular sua média ao longo do tempo.
(19)
Como é fixo, ele aparece em ambas as equações. Subtraindo a segunda da primeira, chega-se a:
(20)
(21)
onde as variáveis com trema representam os dados temporais reduzidos. Com este método, o efeito
também foi eliminado (WOOLDRIDGE, 2006).
Quando T=2, os dois métodos geram estimativas idênticas. Entretanto, quanto T≥3, para N grande e
T pequeno, a escolha dependerá da eficiência relativa dos estimadores, que, por sua vez, depende da
correlação serial nos erros idiossincráticos: quando estes não são correlacionados, o estimador de
efeitos fixos é mais eficiente que o de primeiras diferenças. Caso contrário, o último deve ser usado,
embora a maior parte dos modelos sejam definidos com erros não-correlacionados, ainda que esta
hipótese não seja sempre verdadeira (WOOLDRIDGE, 2006).
Os métodos de efeitos fixos podem ser aplicados a painéis desequilibrados,11 mas é preciso assumir
que os períodos faltantes não são sistematicamente correlacionados aos erros idiossincráticos, o que
pode ser uma hipótese um tanto restritiva, pois a razão pela qual uma empresa deixa a amostra pode
ser correlacionada com os fatores não-observados que mudam ao longo do tempo e a afetam
(WOOLDRIDGE, 2006).
11
Um grau de liberdade será perdido em cada observação faltante, mas normalmente os ajustes já são feitos pelo software econométrico (WOOLDRIDGE, 2006).
70
O estimador de efeitos aleatórios, por outro lado, deve ser escolhido quando se acredita que o efeito
não-observado não é correlacionado com nenhuma das variáveis explicativas.12 É apropriado usá-lo
em amostra de indivíduos retirados aleatoriamente de uma grande população. (PARK, 2009) O
modelo de efeitos aleatórios é igual ao modelo de efeitos não-observados, com a diferença de que se
tem de deixar no erro para evitar uma estimação ineficiente e, então, resolve-se a correlação
serial ao longo do tempo por Mínimos Quadrados Generalizados (WOOLDRIDGE, 2006).
Neste trabalho, será aplicado a um painel incompleto de dados um modelo Tobit, que será detalhado
em seguida.
3.3.3.2 Modelo Tobit
O modelo Tobit é uma extensão do modelo Probit, na medida em que trabalha com variável
dependente limitada, específico para dados com concentração de observações em um único valor.
Estas amostras são chamadas censuradas, uma vez que existe um limite superior e/ou inferior onde
ocorre a concentração (WOOLDRIDGE, 2006). Isto pode se dar pela censura de dados de fato, como
no caso em que há faixas do tipo “maior/menor do que X” ou, no caso em questão, pela própria
construção do método de DEA. Muitos autores têm defendido que a amostra de estimativas de
escores de eficiência de DEA é uma amostra censurada, uma vez que, tipicamente, há diversas
observações iguais a 1 (SIMAR e WILSON, 2007). O modelo Tobit com dados em painel censurado
pode ser usado para investigar a influência das variáveis contextuais sobre os escores de eficiência
encontrados por DEA.
Utilizando o método de Mínimos Quadrados Ordinários (MQO), cujos resultados costumam ser
parecidos, a estimação com a amostra censurada seria viesada, pela correlação dos erros com as
variáveis independentes. Simar e Wilson (2007) colocam que a amostra sofre também de correlação
serial, uma vez que os escores são relativos e, portanto, mudanças na fronteira influenciarão os
outros escores.
A situação de dados em painel incompleto com amostra censurada pode ser acomodada com o
método da máxima verossimilhança para estimação destes parâmetros. Como a variável
dependente, ou seja, a eficiência de escala, é contínua, mas censurada em 1, assume-se para ela uma
distribuição normal truncada em vez da distribuição normal assumida no método de MQO (SOUZA e
STAUB, 2007).
12
Isto pode ser testado com o teste de Hausman (PARK, 2009).
71
Em geral, a resposta observada, y (no caso, os escores de eficiência), é expressada em termos de
uma variável latente subjacente:
(33) 𝑌 𝑋 𝑋 𝑋 𝑋 𝑋
A derivação completa do modelo encontra-se em Wooldridge (2006).
Em 1975, Rosett e Nelson desenvolveram o modelo Tobit com dois limites, permitindo as censuras
inferior e superior.
(34)
Onde é a variável latente, é o limite inferior e é o limite superior.
Os vínculos com outros modelos podem ser encontrados variando os τs. Se = , o modelo é
reduzido para o modelo Probit. Se =∞, o modelo é Tobit com censura inferior e se =-∞, o modelo
é Tobit com censura superior (LONG, 1997).
3.3.3.3 Aplicação do Modelo Tobit
Para aumentar o entendimento em relação à eficiência dos operadores, optou-se, nesta pesquisa,
por estender a metodologia para além da DEA, com a utilização da regressão Tobit como forma de
responder à questão crucial de quais fatores afetam a eficiência de escala dos operadores logísticos.
Nesta etapa foram incluídas variáveis contextuais (apresentadas no Erro! Fonte de referência não
ncontrada.) não contempladas na técnica de DEA, por não serem insumos ou produtos diretos das
operações, mas que possivelmente contribuem para a eficiência das DMUs.
Assim como o modelo de DEA, o de regressão também foi construído a partir dos dados retirados da
Revista Tecnologística, embasados nos estudos apresentados nas seções 2.1.2.1 e 2.1.2.2.
Entretanto, para facilitar a interpretação dos resultados, foram utilizados como variáveis explicativas
os fatores resultantes da análise fatorial, dado que a redução das variáveis dá maior clareza ao
significado dos fatores.
O pacote econométrico gratuito Gretl 1.9.3cvs (disponível em
http://gretl.sourceforge.net/gretl_portugues.html) foi usado para executar a regressão Tobit no
72
painel incompleto de dados. A partir da mensuração de desempenho, foi aplicado o método
estatístico de regressão múltipla, com 6 variáveis dependentes, expresso pela equação abaixo:
(35)
Onde i é a DMU e t é o período.
A variável dependente é o escore de eficiência de escala (i.e. escoreCCR/escoreBCC) e, como variáveis
independentes foram usados os fatores resultantes da análise fatorial, por facilitarem a
interpretação dos resultados, acrescidos da variável Anos_de_Mercado, totalizando seis variáveis
explicativas, além da constante.
O coeficiente estimado para cada variável independente representa a variação esperada na variável
explicada resultante de uma variação de uma unidade naquela variável explicativa. No caso de
variáveis dummy, a interpretação do coeficiente é o aumento decorrente da presença da
característica na observação.
O nível de significância escolhido foi o de 0,05 a 0,10, como vem sendo costume nos estudos de
logística (MENTZER e FLINT, 1997; WANKE e HIJJAR, 2009).
73
3.4 Fluxograma Metodológico
Abaixo, é apresentado um fluxograma que resume as etapas da dissertação.
Figura 2: Fluxograma Metodológico
74
4 Análise e Discussão de Resultados
Para atingir o resultado final do modelo, foi preciso passar por três etapas: a etapa de DEA, dividida
em CCR e BCC, a análise fatorial e, finalmente, a regressão Tobit. Nas próximas seções, os resultados
de cada etapa e final serão descritos e discutidos.
4.1 Apresentação dos Resultados
A apresentação dos resultados começa com uma contextualização das variáveis utilizadas, com suas
estatísticas descritivas. Seguem os resultados da DEA, da análise fatorial e, finalmente, da regressão
Tobit.
4.1.1 Estatísticas Descritivas
Na descrição dos resultados, primeiramente é feita uma contextualização quantitativa do setor de
OLs. As tabelas abaixo resumem as estatísticas descritivas de cada um dos inputs e outputs.
Tabela 3: Estatísticas descritivas do input número de funcionários
Funcionários 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 Total
Mínimo 5 22 25 18 13 25 14 70 35 22 5
Máximo 4,379 3,864 1,200 4,765 5,692 6,500 8,651 7,300 11,841 12,018 12,018
Média 535 526 263 644 1,160 1,141 915 810 1,128 1,439 889
Mediana 270 130 173 205 700 477 411 309 375 363 301
D.P. 894 989 277 1,118 1,409 1,593 1,687 1,425 2,115 2,526 1,656
C.V. 1.67 1.88 1.05 1.74 1.22 1.40 1.84 1.76 1.87 1.76 1.86
Tabela 4: Estatísticas descritivas do input área total
Área Total (mil m2) 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 Total
Mínimo 3 22 2 2 2 4 4 19 6 9 2
Máximo 786 1,132 1,512 550 1,224 600 842 939 1,171 1,171 1,512
Média 195 256 155 144 248 190 213 198 210 225 202
Mediana 110 115 66 87 105 106 110 122 105 100 105
D.P. 206 310 272 144 301 176 216 212 269 254 240
C.V. 1.06 1.21 1.75 1.00 1.21 0.93 1.01 1.07 1.28 1.13 1.18
75
Tabela 5: Estatísticas descritivas do input armazéns próprios
Armazéns Próprios 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 Total
Mínimo 1 2 1 1 1 2 1 1 1 1 1
Máximo 28 18 22 20 32 20 33 42 36 47 47
Média 6 7 4 5 7 6 7 9 8 11 7
Mediana 5 5 2 4 5 5 5 7 5 6 5
D.P. 6 5 5 5 8 4 6 9 9 13 8
C.V. 0.88 0.75 1.18 0.93 1.12 0.78 0.95 0.98 1.09 1.16 1.10
Tabela 6: Estatísticas descritivas do input armazéns de clientes
Armazéns de Clientes 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 Total
Mínimo 1 1 1 1 1 1 1 1 1 1 1
Máximo 25 6 40 18 24 25 37 35 38 35 40
Média 4 3 4 4 6 7 6 6 6 5 5
Mediana 2 3 2 3 4 5 4 2 3 3 3
D.P. 5 2 7 4 6 6 8 9 8 8 7
C.V. 1.27 0.60 1.66 1.04 1.05 0.90 1.26 1.44 1.45 1.39 1.34
Tabela 7: Estatísticas descritivas do output número de clientes
Clientes 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 Total
Mínimo 1 3 3 3 2 4 3 3 3 1 1
Máximo 3,200 2,895 2,500 100 1,339 255 387 561 12,000 12,000 12,000
Média 147 373 198 21 85 34 46 59 316 592 210
Mediana 11 36 15 11 22 17 18 24 19 18 18
D.P. 575 861 566 25 288 57 89 115 1,748 2,163 1,119
C.V. 3.91 2.31 2.86 1.23 3.38 1.69 1.91 1.95 5.52 3.65 5.34
Tabela 8: Estatísticas descritivas do output receita bruta
Receita Bruta 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 Total
Mínimo 1 2 1 1 2 0 5 3 2 1 0
Máximo 5,000 250 170 444 326 397 443 763 1,300 1,600 5,000
Média 193 45 29 52 82 78 91 92 155 178 111
Mediana 13 15 15 15 42 27 43 40 61 44 25
D.P. 879 72 41 96 107 113 119 148 258 328 343
C.V. 4.57 1.60 1.43 1.84 1.30 1.45 1.31 1.60 1.66 1.84 3.08
Para avaliar a evolução dos inputs e outputs ao longo dos anos, foi escolhida sua mediana anual, pelo
fato de a média ser muito afetada por observações individuais. Como o objetivo era obter um
panorama generalizável a partir de um painel desequilibrado, era importante minimizar o efeito das
observações. Assim, acredita-se que a mediana reflete de forma mais acurada o real
desenvolvimento do setor.
Um dos pontos que mais chamou a atenção foi o aumento da mediana da receita bruta, que
aumentou quase 5 vezes nestes 10 anos. O gráfico abaixo ilustra este crescimento.
76
Gráfico 6: Evolução da mediana da receita bruta do OLs (em R$ milhões)
Outro dado que confirma o que se falou anteriormente é a evolução dos anos de mercado dos OLs.
Sua idade mediana praticamente dobrou – de seis para 12 anos – nos últimos 10 anos, apesar de
todo o movimento de entrada e saída no setor, o que denota o amadurecimento já mencionado.
Gráfico 7: Evolução da mediana de anos de mercado dos OLs
Para analisar as variáveis contextuais, utilizou-se a média de cada uma das variáveis dummy. Como
os valores eram só 0 ou 1, sua média resulta na percentagem de empresas que prestam aquele
serviço. Inicialmente, chegou-se à conclusão de que existem diversos serviços cuja percentagem de
empresas que os prestam é, de forma constante, próxima a 90%. Estes serviços – controle de
estoque, embalagem, montagem de kits, logística reversa, desenvolvimento de projetos, distribuição,
porta-a-porta e transferência – são os mais tradicionais. Apesar de a alta média indicar que eles já
estão enraizados como “básicos”, nem todos são serviços simples de transporte e armazenagem.
Alguns, como a montagem de kits e o porta-a-porta, são serviços de valor adicionado, o que,
novamente, mostra que a indústria brasileira de OLs está cada vez mais sofisticada.
y = 4.8203x + 5.0633R² = 0.7628
-
10
20
30
40
50
60
70
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Mediana
Tendência
y = 0.5879x + 5.4667R² = 0.8882
-
2
4
6
8
10
12
14
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Mediana
Tendência
77
Gráfico 8: Evolução da percentagem de empresas que prestam serviço de controle de estoque
Gráfico 9: Evolução da percentagem de empresas que prestam serviço de embalagem
Gráfico 10: Evolução da percentagem de empresas que prestam serviço de montagem de kits
Gráfico 11: Evolução da percentagem de empresas que prestam serviço de logística reversa
Gráfico 12: Evolução da percentagem de empresas que prestam serviço de desenvolvimento de projetos
Gráfico 13: Evolução da percentagem de empresas que prestam serviço de distribuição
Gráfico 14: Evolução da percentagem de empresas que prestam serviço porta-a-porta
Gráfico 15: Evolução da percentagem de empresas que prestam serviço de transferência
0.80 0.82 0.84 0.86 0.88 0.90 0.92 0.94 0.96 0.98 1.00
20
01
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
0.80 0.82 0.84 0.86 0.88 0.90 0.92 0.94 0.96 0.98 1.00
20
01
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
0.80 0.82 0.84 0.86 0.88 0.90 0.92 0.94 0.96 0.98 1.00
20
01
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
0.80 0.82 0.84 0.86 0.88 0.90 0.92 0.94 0.96 0.98 1.00
20
01
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
0.80 0.82 0.84 0.86 0.88 0.90 0.92 0.94 0.96 0.98 1.00
20
01
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
0.80 0.82 0.84 0.86 0.88 0.90 0.92 0.94 0.96 0.98 1.00
20
01
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
0.80 0.82 0.84 0.86 0.88 0.90 0.92 0.94 0.96 0.98 1.00
20
01
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
0.80 0.82 0.84 0.86 0.88 0.90 0.92 0.94 0.96 0.98 1.00
20
01
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
78
Por outro lado, o comércio exterior, nesta amostra, não têm a mesma generalidade. Claro que é
importante frisar que este resultado pode ter sido influenciado pelo filtro realizado nas DMUs, tanto
retirando empresas que não tivessem resposta para todas as variáveis quanto eliminando aquelas
dedicadas a outros modais que não o rodoviário, que são os modais que, de fato, concentram as
atividades de comércio exterior. O Gráfico 16 mostra que apenas cerca de 60% das empresas fazem
despacho aduaneiro e 30% têm escritórios próprios no exterior, e que estes números foram
relativamente constantes ao longo dos anos.
Gráfico 16: Evolução da percentagem de empresas que têm escritórios próprios no exterior e das que prestam serviço de despacho aduaneiro
Já em relação à adoção de tecnologia, pode-se notar uma clara tendência de crescimento. Se, em
2001, apenas cerca de 53% das empresas utilizavam ERP e 75% utilizavam WMS, estes números
saltaram para impressionantes 87% e 97%, respectivamente, nos 10 anos analisados. O Gráfico 17
ilustra este crescimento.
-0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Despacho Escritórios Próprios no Exterior
79
Gráfico 17: Evolução da percentagem de empresas que utilizam WMS e ERP
Outro ponto já mencionado é a importância da certificação. Esta fica clara no aumento da
percentagem de empresas que têm certificação ao longo dos anos, que passou de cerca de 40% para
cerca de 80%.
Gráfico 18: Evolução da percentagem de empresas que têm certificação
Em resumo, pode-se verificar, fazendo-se uma generalização dos dados aqui apresentados, que a
importância dos operadores logísticos realmente é maior a cada ano, como evidencia o aumento
impressionante da receita bruta. Esta importância está intrinsecamente ligada ao amadurecimento
da indústria, que também ficou claro com os dados de anos de mercado, do número de empresas
certificadas e do leque de serviços que são amplamente oferecidos. A mais ampla utilização das TIs
está conectada com estas duas dimensões, uma vez que é reflexo tanto da maior exigência dos
clientes quanto da busca por maior eficiência por parte dos próprios operadores. Os únicos dados
dissonantes são aqueles de comércio exterior, mas, provavelmente, se deve, em parte, à
concentração do estudo no modal rodoviário. A seguir, serão apresentados os resultados da análise
envoltória de dados.
0.50
0.60
0.70
0.80
0.90
1.00
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
ERP WMS
y = 0.0504x + 0.3963R² = 0.6038
-
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Média
Tendência
80
4.1.2 Resultados da DEA
A Tabela 9 mostra as estatísticas descritivas dos escores computados pelos modelos CCR e BCC para
os anos de 2001 a 2010, utilizando o já mencionado add-in DEA Excel Solver 1.0.13
Tabela 9: Resumo dos escores de eficiência calculados por ano
ESCORE Ano 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 Total
CCR
Média 0.19 0.76 0.47 0.76 0.67 0.83 0.44 0.54 0.27 0.41 0.48
Máximo 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
Mínimo 0.00 0.24 0.06 0.18 0.11 0.33 0.05 0.11 0.02 0.05 0.00
Desvio-padrão 0.29 0.28 0.35 0.27 0.34 0.26 0.35 0.31 0.33 0.30 0.36
Coef. de variação 1.49 0.36 0.73 0.36 0.50 0.32 0.80 0.57 1.21 0.72 0.76
# DMUs eficientes 3 6 6 9 9 11 7 6 6 6 69
% DMUs eficientes 9% 40% 19% 41% 43% 61% 21% 20% 13% 15% 24%
BCC
Média 0.70 0.97 0.86 0.88 0.84 0.90 0.67 0.78 0.71 0.76 0.78
Máximo 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
Mínimo 0.17 0.76 0.38 0.27 0.11 0.52 0.06 0.24 0.11 0.24 0.06
Desvio-padrão 0.30 0.07 0.21 0.24 0.30 0.17 0.34 0.27 0.34 0.26 0.29
Coef. de variação 0.42 0.07 0.24 0.27 0.36 0.18 0.50 0.35 0.48 0.34 0.37
# DMUs eficientes 15 12 19 17 16 13 15 16 26 18 167
% DMUs eficientes 47% 80% 61% 77% 76% 72% 44% 53% 54% 46% 58%
EE
Média 0.24 0.78 0.54 0.86 0.82 0.90 0.62 0.70 0.40 0.55 0.59
Máximo 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
Mínimo 0.01 0.24 0.06 0.34 0.29 0.48 0.17 0.11 0.02 0.10 0.01
Desvio-padrão 0.28 0.27 0.33 0.19 0.26 0.18 0.31 0.29 0.36 0.31 0.35
Coef. de variação 1.15 0.35 0.61 0.21 0.31 0.21 0.49 0.41 0.90 0.57 0.60
# DMUs eficientes 3 6 6 9 9 11 7 6 6 6 69
% DMUs eficientes 9% 40% 19% 41% 43% 61% 21% 20% 13% 15% 24%
# DMUs 32 15 31 22 21 18 34 30 48 39 290
# DMUs RCS 3 6 6 9 9 11 7 6 6 6 69
# DMUs RVS - Cresc. 29 9 25 11 10 6 24 21 40 33 208
# DMUs RVS - Decresc. 0 0 0 2 2 1 3 3 2 0 13
RCS = Retornos Constantes de Escala/RVS = Retornos Variáveis de Escala
Como esperado, os modelos CCR apresentaram escores mais baixos que os BCC, ou seja,
identificaram menos operadores eficientes, uma vez que estes modelos assumem uma tecnologia de
produção com retornos constantes de escala, fazendo com que a comparação possa ser “injusta”
caso os retornos não sejam constantes. A diferença entre as médias dos dois modelos foi de nada
menos que 0,30 (0,78-0,48). Em outras palavras, sob o modelo de retornos variáveis de escala foram
13
Resultados mais detalhados – por DMU – podem ser encontrados no segundo anexo.
81
identificadas 167 DMUs eficientes, das 290 da amostra, enquanto o modelo de retornos constantes
identificou apenas 69.
Como se pode ver pelo resultado do modelo BCC, muitas das DMUs se mostraram eficientes
tecnicamente (média de 58% ao longo dos dez anos), ou seja, apresentaram escore 1 sob este
modelo. Entretanto, poucos OLs (13% e 15%, respectivamente, em 2009 e 2010) operam no MPSS
(lembrando que o modelo CCR captura tanto a eficiência técnica quanto a de escala).
A análise de retornos de escala mostra que a grande maioria dos OLs se depara com retornos
crescentes de escala (cerca de 72%), em segundo lugar vêm aqueles com retornos constantes, com
24% e, em último, os operadores que têm retornos de escala decrescente (apenas 4% do total).
O modelo core baseado no método stepwise (SIMAR e WILSON, 2007) foi baseado em quatro etapas,
ao final das quais se chegou a um input e um output fundamentais. Os resultados mostram que, no
caso CCR, o principal input é o número de funcionários (em seis dos dez anos) e o principal output é a
receita bruta (em sete dos dez anos). Sob o modelo BCC, o output continuou sendo a receita (em oito
dos dez anos), mas o principal input passou a ser o número de armazéns de clientes (em sete dos dez
anos). Estes resultados estão em linha com o que havia sido dito anteriormente. Em relação ao
número de funcionários, frisou-se a natureza ainda intensiva em mão-de-obra dos operadores
logísticos. Já em relação ao número de armazéns de clientes, é claro ver que esta variável é,
provavelmente, a que é menos proporcional à escala do OL, uma vez que depende muito mais da sua
estratégia do que do seu tamanho.
4.1.3 Resultados da Análise Fatorial
Analisou-se a adequação da amostra pelos testes Bartlett de esfericidade e KMO (Tabela 10). Este
apresenta valor entre 0 e 1 e indica que proporção da variância das variáveis é devida a fatores
comuns. Neste caso, a relação entre as variáveis é considerada entre medíocre e razoável por estar
entre 0,6 e 0,7 (SHARMA, 1996). O teste de Bartlett, por sua vez, é baseado na distribuição qui-
quadrado e testa a hipótese nula de que a matriz de correlação é uma matriz identidade, ou seja, que
a correlação entre as variáveis é zero (PETT et al., 2003). O nível de significância do teste foi
p<0,0001, confirmando a possibilidade de uso do método.
82
Tabela 10: KMO e teste Bartlett de esfericidade
Foi realizada uma análise fatorial exploratória com extração dos componentes principais e rotação
Varimax utilizando as variáveis apresentadas no Erro! Fonte de referência não encontrada..
nicialmente se utilizou o critério da raiz latente, para se ter uma idéia inicial do número de fatores a
serem extraídos. Esta rodada resultou em sete fatores que explicavam 58,8% da variância total. A
variável anos de mercado, única variável quantitativa, foi retirada das análises fatoriais posteriores,
pois acredita-se que não faria sentido perder informações sobre ela (transformando-a em um fator)
dado que sua comunalidade com as outras era baixa (0,36). Assim, decidiu-se utilizá-la originalmente
na regressão Tobit pela importância que ela poderia ter para o modelo. Analisando o teste scree
(Gráfico 19) e prezando pela parcimônia, o modelo foi rodado novamente com apenas 5 fatores.
Gráfico 19: Teste scree para análise fatorial com 7 fatores
Escolher as cargas fatoriais que vale a pena considerar é fundamental na interpretação dos fatores.
Pode-se considerar que cargas fatoriais maiores 0,30 atingem o nível mínimo, cargas de 0,40 são
consideradas mais importantes e de 0,50 ou mais são consideradas com significância prática14 (HAIR
et al., 2005). Assim, foram retiradas as variáveis que não se haviam provado importantes para
nenhum fator neste modelo (cargas < 0,5), e o modelo foi reespecificado. O último modelo resultou
em cinco componentes ortogonais que, juntas, explicam 61,1% da variância total. Isto está de acordo
14 Dado que a carga fatorial é a correlação entre a variável e o fator, a variância total da variável explicada pelo
fator é a carga ao quadrado. Desta forma, uma carga de 0,50 reflete uma explicação de aproximadamente 25%.
Essas orientações são aplicáveis quando a amostra tem 100 ou mais observações (HAIR et al., 2005).
.647
Aprox. Qui-
quadrado1433.050
df 136
Sig. .000
Kaiser-Meyer-Olkin
Teste Bartlett
de
Esfericidade
83
com Hair et al. (2005), que afirma que a solução, nas ciências sociais, deve explicar pelo menos 60%
da variância total15.
A seguir, foram designados significados e nomes para os fatores. Assim, a Tabela 11 apresenta os
cinco fatores relacionados aos processos de coordenação e às TIs – os construtos teóricos desta
pesquisa – obtidos.
Tabela 11: Matriz de componentes rotacionados – processos de coordenação e Tecnologias de informação
O primeiro fator pode ser interpretado como a dimensão de serviços e TIs relacionados a estocagem
e armazenagem, contendo controle de estoques, embalagem, montagem de kits, suporte fiscal e
WMS. O segundo fator são as TIs relacionadas ao apoio de frota própria, incluindo roteirização e
rastreamento por satélite e não-satélite. O fator 3 agrupa os serviços clássicos de transporte –
distribuição, transferência e porta-a-porta. Já o quarto está mais ligado à logística expressa e ao JIT,
compreendendo esta variável, além dos rastreamentos para frota terceirizada e do gerenciamento
intermodal. O quinto e último fator diz respeito às operações internacionais e de comércio exterior,
contendo escritórios no exterior e importação/exportação e despacho aduaneiro.
Foram estimadas as correlações entre os fatores e a variável anos de mercado, que será utilizada na
regressão Tobit, para garantir que a correlação entre eles fosse baixa, dado que se fez a rotação
ortogonal justamente para evitar o problema de multicolinearidade. Os resultados encontrados
(Tabela 12) garantem que ela não será um problema.
15
Em alguns casos, os autores afirmam que este número pode ser até menor.
84
Tabela 12: Análise de correlação entre os fatores e a outra variável independente
Fator 1 Fator 2 Fator 3 Fator 4 Fator 5
Anos de Mercado
Fator 1: Serviços e TIs relacionadas a estoque
e armazenagem 1.00
Fator 2: TIs de apoio a frota própria
0.00 1.00
Fator 3: Serviços clássicos de transporte
0.00 0.00 1.00
Fator 4: Serviços e TIs relacionados a logística
expressa 0.00 0.00 0.00 1.00
Fator 5: Comércio exterior
0.00 0.00 0.00 0.00 1.00
Anos de Mercado 0.02 0.17 0.00 0.12 0.12 1.00
4.1.1 Resultados da Regressão Tobit
A Tabela 13 apresenta os resultados da regressão Tobit para cada um dos seis fatores a que se
chegou na análise fatorial, acrescidos da variável Anos_de_Mercado. Ressalta-se que os dados dos 10
anos foram analisados conjuntamente.
Tabela 13: Resultados da Regressão Tobit para Dados em Painel Incompleto
O modelo aponta alguns direcionadores para o desempenho dos OLs. Ao nível de significância de
0,10, as variáveis relevantes são o fator 4, resultante do agrupamento de variáveis ligadas a serviços
e TIs relacionados a logística expressa, a variável Anos_de_Mercado e o fator 2, referente a TIs de
apoio a frota própria.
O coeficiente de determinação múltipla ou R2 indica quanto da variação do desempenho é explicada
pelas variáveis de controle. Em um modelo de Mínimos Quadrados Ordinários (MQO), o R2 é
85
calculado como a razão entre a variação explicada pelo modelo e a variação total na variável
dependente, traduzidas como a soma explicada dos quadrados divida por sua soma total
(WOOLDRIDGE, 2006). Entretanto, em uma regressão Tobit, não existe uma estatística equivalente
ao R2, uma vez que as estimativas resultantes do modelo são de máxima verossimilhança por meio
de um processo iterativo, e não de minimização da variância, como no MQO. Por isso, alguns pseudo-
R2 foram criados, assim chamados porque variam de 0 a 1, com valores mais altos indicando melhor
ajuste, embora não possam ser interpretados como o R2 tradicional. Assim, foi calculado o pseudo-R2
de McFadden, cuja fórmula é apresentada abaixo, para avaliar o nível de explicação do modelo
(UCLA).
Como a verossimilhança é um valor entre 0 e 1, seu logaritmo é menor ou igual a zero. Se um modelo
tem uma verossimilhança alta, seu logaritmo será baixo, assim como a razão. Desta forma, um R2 alto
indica que o modelo completo, isto é, com todas as variáveis, tem um ajuste melhor que o modelo
rodado apenas com a constante (UCLA). O valor do R2 de McFadden tende a ser menor do que o do
R2 normal (CSUN) e, neste modelo, foi de 0,23, sendo valores entre 0,2 e 0,4 considerados altamente
satisfatórios (CSUN).
4.2 Análise dos Resultados
No presente trabalho, duas técnicas multivariadas permitiram verificar os possíveis fatores que
contribuem para a ineficiência de escala das operações. Foram usadas, adicionalmente à DEA, a
análise fatorial das variáveis contextuais e a regressão Tobit para dados em painel.
Os retornos crescentes de escala apresentados pela grande maioria dos OLs dá força à hipótese de
Fleury e Ribeiro (2001) de que a grande discrepância entre o porte dos operadores logísticos no
Brasil e nos Estados Unidos aumentava a perspectiva de consolidação. Esta constatação sugere que
OLs maiores são mais eficientes. Os resultados de DEA mostraram que a maior parte dos OLs é
eficiente tecnicamente, mas poucos também o são em escala, o que evidencia a importância da
análise de impactos sobre sua eficiência de escala.
Para isso, foram gerados fatores de variáveis contextuais por meio de uma análise fatorial, que
agruparam variáveis relacionadas TIs e mecanismos de coordenação, como previsto na metodologia.
A regressão Tobit permitiu avaliar os efeitos destas variáveis sobre o escore de eficiência. Os
86
resultados apresentados na Tabela 13 confirmam o impacto positivo dos processos de coordenação
e, em particular, das TIs na melhoria da eficiência de escala dos OLs brasileiros.
O fator 4, de logística expressa, é o que tem maior coeficiente e maior significância, denotando sua
importância sobre o desempenho do OLs no que tange à eficiência de escala. Especificamente,
compõem este fator o rastreamento de frota terceirizada, just-in-time e gerenciamento intermodal.
Assim, pode-se atribuir tal resultado à maior facilidade que os grandes OLs têm de desenvolver uma
capacitação de prover serviços de logística expressa, uma vez que têm mais equipamentos, recursos
administrativos, além de maior poder econômico para adotar as tecnologias necessárias.
O fator 2, de TIs de apoio a frota própria, afeta positivamente a variável dependente, o que pode ser
explicado pelos benefícios na escala auferidos com o gerenciamento eficiente da frota.
Como esperado, o tempo de mercado dos operadores impacta positivamente a eficiência de escala,
o que provavelmente se deve tanto ao posicionamento avançado na curva de aprendizado quanto ao
estreitamento do relacionamento com os clientes, que permite melhor ajuste dos serviços às
demandas. Entretanto, enquanto os fatores ligados às TIs têm coeficientes mais altos, esta variável
parece ter um impacto reduzido sobre a eficiência de escala, dado seu coeficiente próximo de zero,
evidenciando a proeminência das tecnologias da informação no panorama atual de mercado.
Ainda que o fator 3 (serviços clássicos de transporte) tenha um coeficiente relativamente alto, não
foi considerado significante. Tampouco o foram os fatores 5 (comércio exterior) e 1 (serviços e TIs
relacionadas a estoque e armazenagem). Apesar disso, é interessante notar que este último foi o
único que parece exercer impacto negativo sobre a eficiência de escala. Isto pode possivelmente ser
explicado pela comum má utilização das tecnologias de estoque e armazenagem, dado que, como
tratado na seção 2.1.2.2, muitas vezes não se destina a atenção devida à adaptação do software ou
sistema à empresa que o adota.
87
5 Conclusões e Implicações Gerenciais
5.1 Resumo
Este estudo teve como objetivo estimar o nível de eficiência de escala dos operadores logísticos
brasileiros e, mais especificamente, determinar os principais fatores que a afetam. Isto permitiu que
se chegasse a uma visão geral da indústria de serviços logísticos no país, assim como à identificação
das principais lacunas que impedem que os OLs operem de forma mais eficiente. Levando-se em
consideração a natureza cada vez mais ampla e complexa dos serviços por eles oferecidos em
conjunção com o aumento da exigência dos clientes, sugere-se o emprego da técnica de DEA para
avaliação de desempenho e apoio à tomada de decisão.
Com esse intuito, a ferramenta escolhida foi um método de DEA em três estágios com uso adicional
de análise fatorial e de regressão Tobit, para que fosse possível explorar a profundidade do tema de
forma adequada. Na primeira etapa, os dados foram tratados, homogeneizando a amostra, e foram
escolhidas as variáveis disponíveis no Panorama de Operadores Logísticos da Revista Tecnologística
que poderiam ser utilizadas como inputs, outputs e variáveis contextuais. A seguir foram rodados os
modelos CCR e BCC para as 290 observações completas colhidas de 2001 a 2010. Utilizou-se o
método stepwise para precisar quais insumos e produtos mais influenciam a eficiência dos OLs,
chegando-se aos inputs fundamentais número de funcionários (sob o modelo CCR) e armazéns de
clientes (sob o BCC) e ao output fundamental receita. Tendo os escores dos modelos de retornos
constantes e variáveis, pôde-se calcular o escore de eficiência de escala, pela razão entre os dois
(EE= / ). A análise fatorial serviu, então, para agrupar as possíveis variáveis em fatores, o que
deixaria mais fácil a posterior interpretação dos determinantes de eficiência. Estes fatores, por sua
vez, foram empregados como variáveis independentes em um modelo de regressão Tobit para dados
censurados, em que a variável dependente era o próprio escore de eficiência de escala, cujos valores
se encontram no intervalo entre 0 e 1.
A sequência metodológica aqui utilizada, que se destaca pela singularidade, tanto em estudos sobre
OLs quanto em temas de forma geral, permitiu que se chegasse a resultados claros e precisos sobre
as implicações gerenciais do estudo. A amostra é grande e suficientemente bem distribuída ao longo
do tempo para que os resultados encontrados sejam robustos. Por outro lado, a maior incidência de
observações nos últimos anos faz com que as conclusões sejam atuais.
Em consonância com a literatura, os resultados mostram que os mecanismos de coordenação, em
especial as TIs, levam a uma alocação mais racional dos recursos. A disponibilidade de informação
88
em tempo real, mais especificamente na logística expressa e no apoio à frota própria, estimula o
desenvolvimento de uma operação mais próxima do tamanho de escala mais produtivo (MPSS).
5.2 Conclusões
As deseconomias de escala encontradas a partir da DEA ajudam a identificar oportunidades de
expansão, consolidação, downsizing ou mesmo encerramento das atividades. Como mais de 70% das
DMUs operam sob retornos crescentes de escala, o crescimento é uma estratégia que, na grande
maioria dos casos, é vencedora.
Uma forma de crescer rapidamente é através de fusões e aquisições. Esta tendência já está
ganhando forma no mercado brasileiro: em pesquisa realizada em 2010 pelo Instituto ILOS, 77% de
61 transportadoras afirmaram que estão ocorrendo fusões e aquisições de empresas de transporte
no país (ILOS, 2010). Este processo de profissionalização e consolidação em curso tem, como
exemplos, a aquisição da Lubiani Logística e da Transportadora Grande ABC pelo Grupo Julio Simões,
da Mercúrio e da Expresso Araçatuba pela TNT (TORRES, 2010) e, mais recentemente, da Exata
Logística pela AGV Logística (PIRES, 2011). Sendo assim, a análise da eficiência de escala é crucial do
ponto-de-vista estratégico, uma vez que permite que as empresas entendam melhor seu
posicionamento no mercado, assim como o de seus concorrentes, levando a uma visão completa das
oportunidades que se delineiam. As DMUs com menores escores de eficiência de escala são fortes
candidatas à consolidação.
O crescimento orgânico, por sua vez, pode assumir diversos formatos: o OL pode ampliar sua oferta
de serviços nos mesmos setores em que já atua, entrar em novos setores oferecendo os mesmos
serviços ou mesmo entrar em setores novos ampliando, ao mesmo tempo, o escopo dos serviços
oferecidos. Em todos os casos, a ferramenta apresentada neste estudo pode ser largamente
utilizada, tanto na escolha de novos serviços quanto de novos setores que mais contribuam para o
aumento da eficiência de escala, assim como na avaliação constante do desempenho ao longo dessa
exploração de novos nichos de mercado.
Os resultados têm forte caráter prático, deixando clara a aplicabilidade da técnica de DEA na
mensuração da eficiência de operadores logísticos. Mais ainda, eles devem ser vistos pelos OLs como
uma possibilidade de modernização dos processos operacionais com consequente atingimento de
novos patamares de eficiência de escala. A indicação de áreas críticas que mais contribuem para o
89
aumento da eficiência é também uma indicação de em que áreas há espaço para investimentos e
onde eles trarão maior retorno para a companhia.
As variáveis utilizadas, assim como as DMUs de comparação, podem ser facilmente modificadas para
que se consiga um modelo específico de avaliação para cada empresa, podendo os resultados ser
atualizados a cada nova informação disponível, acompanhando a dinâmica da companhia e do setor.
5.3 Limitações do Estudo
O método de pesquisa aqui utilizado apresenta algumas limitações. Em primeiro lugar estão as já
mencionadas limitações com o trabalho com dados secundários em vez de dados primários, embora
ele também traga vantagens. Dentre estas limitações, as principais são relacionadas ao conjunto de
inputs e outputs escolhidos, dado que ele pode não cobrir todos os aspectos que seriam relevantes
na estimação de uma fronteira eficiente. Por ter sido escolhida a realização de uma pesquisa
extensiva, com muitas empresas, os inputs e outputs tiveram de ser os disponíveis. Caso se
escolhesse levar a cabo uma pesquisa própria, as variáveis provavelmente seriam mais adequadas,
embora se viesse a perder muito na generalidade dos resultados.
Outra questão é a filtragem de dados: foram rejeitadas DMUs que não tivessem dados completos
para todos os inputs e outputs selecionados, assim como para as variáveis independentes escolhidas,
de maneira a tornar a informação suficientemente homogênea para a análise. Dada esta depuração
da base de dados original, não se pode afirmar que a amostra a que se chegou seja aleatória na
dimensão do corte transversal, uma vez que é possível que as DMUs rejeitadas seguissem um
padrão, viesando-a.
Um terceiro ponto importante no que tange à pesquisa com dados secundários é que também foram
excluídas variáveis contextuais que não estavam disponíveis para todos os anos, de 2001 a 2010. São
elas as variáveis dummy (1) frota própria de transporte, (2) roteirizadores de terceiros, (3)
gerenciamento de terceiros, (4) paletização, (5) cross-docking, (6) monitoramento de desempenho,
(7) suprimento, (8) coordenação, (9) software de simulação, (10) TMS e (11) consultas por celular.
Não é possível afirmar que elas não fossem importantes, embora se acredite que as dimensões que
elas formam já estejam representadas de alguma maneira nos fatores resultantes da análise fatorial.
Outras limitações decorrem da própria utilização do método de DEA. Uma delas é a comparação de
DMUs sem que necessariamente elas sejam de fato homogêneas: é possível que o benchmark
sugerido para as DMUs não seja inerentemente similar nas suas práticas, como sugerem Doyle e
90
Green (1994). Adicionalmente, a técnica carece de intervalo de confiança, assim como não permite o
emprego de fatores estocásticos ou medidas de erro e de dispersão (BICHOU, 2006), fazendo com
que erros de medida possam ter grande efeito sobre o resultado. Acredita-se, no entanto, que os
pontos positivos apresentados anteriormente superem estas limitações.
Algumas das desvantagens da utilização da análise fatorial são a controvérsia sobre qual das várias
técnicas usar, a existência de muitos aspectos subjetivos e, muitas vezes, a falta de confiabilidade,
uma vez que os dados mudam de acordo com mudanças na amostra e que qualquer análise
específica não é totalmente segura (a plausibilidade não necessariamente é garantia de validade ou
mesmo estabilidade).
5.4 Sugestões para Estudos Futuros
É possível realizar uma série de outras análises utilizando esta mesma base de dados. Uma delas
seria a análise conjunta de DEA para todos os anos, que levaria a benchmarks absolutos para a
amostra (tomando-se o cuidado de atualizar os valores dos dados financeiros de receita dos OLs).
Poder-se-ia também examinar a evolução do que seria a empresa padrão da amostra, de forma a
estudar o comportamento do setor como um todo ao longo do tempo.
No que diz respeito à escolha dos operadores a serem utilizados na análise, este estudo se baseou
nos dados da Revista Tecnologística, mas também nos websites da empresas, para buscar maiores
informações acerca das principais atividades levadas a cabo pelo OL. Entretanto, não se pode afirmar
que as informações estivessem atualizadas e nem que fossem acuradas para os anos anteriores.
Desta forma, uma sugestão é a realização de uma análise mais aprofundada para a escolha das DMUs
de forma a tornar a amostra ainda mais homogênea.
Especificamente, poder-se-ia tentar conseguir um painel completo de dados, ainda que para um
número menor de anos, de forma que eles pudessem ser comparados ano a ano e se pudesse
observar a evolução dos escores e do perfil dos operadores. Também poderia ser interessante
conhecer melhor a história das empresas, de forma a conseguir montar um painel que permitisse
uma análise histórica da eficiência nesta indústria que levasse em consideração as fusões, aquisições
e extinções que ocorreram ao longo dos anos.
91
Referências Bibliográficas
ABML. O conceito de operador logístico; 1999. Disponível em: http://www.abml.org.br/website/section.asp?ttpCodeParent=8D6AF581-FF46-4D9B-963D-51B47F11C0EC&ttpCode={A155EFA3-8D57-4011-9BB0-C176AEDDEFA9}
ARAÚJO, J. Transporte Rodoviário de Cargas no Brasil: Mercado Atual e Próximas Tendências; 2010. Disponível em: http://www.ilos.com.br/site/index.php?option=com_content&task=view&id=1749&Itemid=74
ATHANASOPOULOS, A. Service quality and operating efficiency synergies for management control in the provision of financial services: evidence from Greek bank branches. European Journal of Operational Research, 98, p. 300-313; 1997.
BANKER, R. D. Maximum likelihood, consistency and data envelopment analysis: a statistical foundation. Management Science, 39(10), p.1265-127; 1993.
BANKER, R. D.; CHARNES, A.; COOPER, W. W. Some models for the estimation of technical and scale inefficiencies in data envelopment analysis. Management Science, 30(9), p. 1078-1092; 1984.
BANKER, R. D.; COOPER, W. W.; SEIFORD, L. M.; THRALL, R. M.; ZHU, J. Returns to scale in different DEA models. European Journal of Operational Research, 154(2), p. 345-362; 2004.
BANKER, R. D.; MOREY, R. C. Efficiency analysis for exogenously fixed inputs and outputs. Operations Research, 34 (4), p. 513-521; 1986a.
BANKER, R. D.; NATARAJAN, R. Evaluating contextual variables affecting productivity using data envelopment analysis. Operations Research, 56(1), p. 48-58; 2008.
BANKER, R. D.; NATARAJAN, R. Statistical tests based on DEA efficiency scores. In COOPER, W. W.; SEIFORD, L. M.; ZHU, J. (Eds.). Handbook on Data Envelopment Analysis. Boston: Kluwer International Series, p. 299-321; 2004.
BANKER, R.D.; MOREY, R. C. The use of categorical variables in data envelopment analysis. Management Science, 32 (12) , p. 1613-1627; 1986b.
BANKER, R.D; KAUFFMAN, R.J.; MOREY, R.C. Measuring gains in operational efficiency from Information Technology: A study of the Positran deployment at Hardee’s Inc. Journal of Management Information Systems, 7(2), p.29-54; 1990.
BARBOSA, S. Avaliação das escolas do núcleo regional de educação de Paranavaí através de Data
Envelopment Analysis, análise de regressão e correlação. Dissertação de Mestrado (Mestrado em
Métodos Numéricos em Engenharia) – UFPR. Curitiba; 2007.
BARBOSA, S.G.; WILHELM, V.E. Influência dos fatores sociais e econômicos no desempenho de
escolas públicas. Diálogos e Saberes, (5) 1, p.93-109; 2009.
BARNUM, D. T.; MCNEIL, S.; HART, J. Comparing the efficiency of public transportation subunits using data envelopment analysis. Journal of Public Transportation, 10(2); 2007.
92
BARNUM, D. T.; TANDON, S.; MCNEIL, S. Comparing the Performance of Urban Transit Bus Routes after Adjusting for the Environment, Using Data Envelopment Analysis. Great Cities Institute Working Paper; 2008.
BARROS, C. P. A Benchmark Analysis of Italian Seaports Using Data Envelopment Analysis. Maritime Economics & Logistics, 8, p. 347-365; 2006.
BARROS, C. P. Airports in Argentina: Technical efficiency in the context of an economic crisis. Journal of Air Transport Management, 14, p. 315-319; 2008.
BARROS, C. P.; DIEKE, P. U. C. Measuring the economic efficiency of airports: A Simar–Wilson methodology analysis. Transportation Research Part E, 44, p. 1039-1051; 2008.
BARROS, C. P.; DIEKE, P. U. C. Performance evaluation of Italian airports: A data envelopment analysis. Journal of Air Transport Management, 13, p. 184-191; 2007.
BARROS, C. P.; PEYPOCH, N. An evaluation of European airlines’ operational performance. International Journal of Production Economics, 122, p. 525-533; 2009.
BARROS, C. P.; WEBER, W. L. Productivity growth and biased technological change in UK airports. Transportation Research Part E, 45, p. 642-653; 2009.
BATHNAGAR, R.; SOHAL, A. S.; MILLEN, R. Third party logistics services: a Singapore perspective. International Journal of Physical Distribution & Logistics Management, 29(9), p. 569-587; 1999.
BERGLUND, M. Strategic positioning of the emerging third party logistics providers. Dissertação de doutorado - Linkoping Studies in Management and Economics; 2000.
BHADRA, D. Race to the bottom or swimming upstream: Performance analysis of US airlines. Journal of Air Transport Management, 15, p. 227-235; 2009.
BICHOU, K. Review of port performance approaches and supply chain framework to port performance benchmarking. Research in Transportation Economics, 17, p. 567-598; 2006.
BOUDREAU, M.; LOCH, K.D.; ROBEY, D.; STRAUB, D. Going global: using information technology to advance the competitiveness of the virtual transnational organization. Academy of Management Executive, 12(4), p. 120-128; 1998.
BOWERSOX, D. J.; CLOSS, D. J. Logística empresarial: o processo de integração da cadeia de suprimento. São Paulo: Atlas; 2007.
BRASIL. Decreto no 6.620, de 29 de outubro de 2008. Disponível em: http://www.presidencia.gov.br/legislacao/
CHARNES, A.; COOPER, W. W. Programming with Linear Fractional Functionals. Naval Research Logistics Quarterly; 1962.
CHARNES, A.; COOPER, W. W.; RHODES, E. Evaluating program and managerial efficiency: an application of data envelopment analysis to program follow through. Management Science, 27(6), p. 668-697; 1981.
CHARNES, A.; COOPER, W. W.; RHODES, E. Measuring efficiency of decision making units. European Journal of Operational Research, 2, p. 429-444; 1978.
93
CHARNES, A.; COOPER, W. W.; SEIFORD, L. A multiplicative model for efficiency analysis. Socio-Economic Planning Sciences, 16; 1982.
CHARNES, A.; COPPER, W. W.; SEIFORD. L.; STUTZ, J. Invariant multiplicative efficiency and piecewise Cobb-Douglas envelopments. Operations Research Letters; 1983.
CHEN, Y.; IQBAL ALI, A. DEA Malmquist productivity measure: New insights with an application to computer industry. European Journal of Operational Research, 159, p. 239-249; 2004.
CHEN, Y.; ZHU, J. Measuring information technology’s indirect impact on firm performance. Information Technology & Management Journal, 5(1-2), p. 9-22; 2004.
CHI-LOK, A. Y.; ZHANG, A. Effects of competition and policy changes on Chinese airport productivity: An empirical investigation. Journal of Air Transport Management, 15, p. 166-174; 2009.
CHOU, S.; CHANG, Y. The implementation factors that influence the ERP (enterprise resource planning) benefits. Decision Support Systems, 46, p. 149-157, 2008.
COELLI, T.; PRASADA RAO, D.; BATTESE, G. E. An introduction to efficiency and productivity analysis. Boston, Dordrecht and London: Kluwer Academic Publishers; 1998.
COOK, W.; SEIFORD, L. Data envelopment analysis (DEA) – Thirty years on. European Journal of Operational Research, 192, p. 1-17; 2009.
COOPER, W. W.; SEIFORD, L. M.; TONE, K. Data envelopment analysis: a comprehensive text with models, applications, references and DEA-solver software. New York: Springer; 2007.
COPPEAD. Panorama Logístico – Terceirização Logística no Brasil. Rio de Janeiro; 2009.
CSUN. Notas de aula. Disponível em: http://www.csun.edu/~ata20315/psy524/docs/Psy524%20lecture%2019%20logistic_cont.pdf
CULLINANE, K.; JI, P.; WANG, T. The relationship between privatization and DEA estimates of efficiency in the container port industry. Journal of Economics and Business, 57, p. 433-462; 2005b.
CULLINANE, K.; SONG, D.; WANG, T. The application of mathematical programming approaches to estimating container port production efficiency. Journal of Productivity Analysis, 24, p. 73-92; 2005a.
CULLINANE, K.; WANG, T. Data Envelopment Analysis (DEA) and improving container port efficiency. Research in Transportation Economics, 17, p. 517–566; 2007.
CULLINANE, K.; WANG, T. The efficiency of european container ports: a crosssectional data envelopment analysis. International Journal of Logistics: Research and Applications, 9(1), p. 19-31; 2006.
CULLINANE, K.; WANG, T.; SONG, D.; JI, P. The technical efficiency of container ports: comparing data envelopment analysis and stochastic frontier analysis. Transportation Research Part A, 40, p. 354-374; 2006.
94
CUNHA, D.; BORGES, S.; SALAZAR, M.; VALE, S. Efficiency of Brazilian food and beverage industry post
productive restructuring. VII International PENSA Conference, November 26th-28th, São Paulo, Brasil;
2009.
DE BORGER, B.; KERSTENS, K.; COSTA, A. Public transit performance: what does one learn from frontier studies. Transport Reviews, 22(1), p. 1-38; 2002.
DE NEGRI, J.; FREITAS, F. Inovação tecnológica, eficiência de escala e exportações brasileiras. IPEA -
Texto para Discussão no 1044; 2004.
DEBREU, G. The Coefficient of Resource Utilization. Econometrica, 19(3), p. 273-292; 1951.
DIAZ-HERNANDEZ, J. J.; MARTINEZ-BUDRÍA, E.; JARA-DÍAZ, S. Productivity in Cargo Handling in Spanish Ports During a Period of Regulatory Reforms. Networks and Spatial Economics, 8, p. 287-295; 2008.
DIDONET, S. Orientação para o mercado e eficiência – Aplicações ao segmento supermercadista.
Tese de Doutorado (Doutorado em Administração) – UFMG. Belo Horizonte; 2007.
DRIESSEN, G.; LIJESEN, M.; MULDER, M. The impact of competition on productive efficiency in European railways. CPB Discussion Paper, 71; 2006.
FANCHON, P. Variable selection for dynamic measures of efficiency in the computer industry. International Advances in Economic Research, 9(3), p. 175-188; 2003.
FÄRE, R.; GROSSKOPF, S.; NORRIS, M.; ZHANG, Z. Productivity Growth, Technical Progress, and Efficiency Change in Industrialized Countries. The American Economic Review, 84(1), p. 66-81; 1994.
FARRELL, M. J. The Measurement of Productive Efficiency. Journal of the Royal Statistical Society, 120(3), p. 253-278; 1957.
FIELD, A. M. End of the 3PL rally? The journal of commerce; 2009.
FIGUEIREDO, K. F.; MORA, D. M. A segmentação dos operadores logísticos no mercado brasileiro de acordo com suas capacitações para oferecer serviços. RAC-Eletrônica, 3(1), p. 123-141; 2009.
FIGUEIREDO, R.; EIRAS, J. Transporte Colaborativo: Conceituação, Benefícios e Práticas – Parte 2; 2007. Disponível em: http://www.ilos.com.br/site/index.php?option=com_content&task=view&id=1114&Itemid=74
FLEURY, P. F.; RIBEIRO, A. F. M. A indústria de operadores logísticos no Brasil: uma análise dos principais operadores; 2001. Disponível em: http://www.ilos.com.br/site/index.php?option=com_content&task=view&id=1097&Itemid=74
FLEURY, P.F. [Opinião sobre o mercado de operadores logísticos no Brasil]. Entrevista concedida a Silvia Marino para a revista Tecnologística,p. 68-73, junho 2008.
FLEURY, P.F. A indústria de provedores de serviços logísticos no Brasil: analisando oferta e demanda de serviços; 2004. Disponível em: http://www.ilos.com.br/site/index.php?option=com_content&task=view&id=724&Itemid=74
95
FLEURY, P.F. Vantagens competitivas e estratégicas no uso de operadores logísticos; 1999. Disponível em: http://www.ilos.com.br/site/index.php?option=com_content&task=view&id=1077&Itemid=74
FORSUND, F. R.; HJALMARSSON, L. Calculating scale elasticity in DEA models. Journal of the Operational Research Society, 55(10), p. 1023-1038; 2004.
FRIED, H. O.; LOVELL, C. A. K.; SCHMIDT, S. S.; YAISAWARNG, S. Accounting for environmental effects and statistical noise in Data Envelopment Analysis. Journal of Productivity Analysis, 17, p. 157-174; 2002.
FRIED, H. O.; SCHMIDT, S. S.; YAISAWARNG, S. Incorporating the operating environment into a nonparametric measure of technical efficiency. Journal of Productivity Analysis, 12, p. 249-267; 1999.
FRIEDMAN, L.; SINUANY-STERN, Z. Combining ranking scales and selecting variables in the DEA context: The case of industrial branches. Computers and Operations Research, 25(9), p. 781-791; 1998.
FUGATE, B. S.; SAHIN, F.; MENTZER, J. T. Supply Chain Management Coordination Mechanisms. Journal of Business Logistics, 27(2), p. 129-161; 2006.
FUNG, M. K. Y.; WAN, K. K. H.; HUI, Y. V.; LAW, J. S. Productivity changes in Chinese airports 1995–2004. Transportation Research Part E, 44, p. 521-542; 2008.
GIMÉNEZ, V.; PRIOR, D.; THIEME, C. Technical efficiency, managerial efficiency and objective-setting in the educational system: an international comparison. Journal of the Operational Research Society, 58, p. 996-1007; 2007.
GOLANY, B. Using rank statistics for determining programmatic efficiency differences in data envelopment analysis. Management Science, 42(3), p. 466-472; 1996.
GOLANY, B.; ROLL, Y. An application procedure for DEA. Omega, 17(3), p. 237- 250; 1989.
GONÇALVES, R.; VIEIRA, W.; LIMA, J.; GOMES, S. Analysis of technical efficiency of milk-producing
farms in Minas Gerais. Econ. Aplic 12(2), p.321-335; 2008.
GOTZAMANI, K.; LONGINIDIS, P.; VOUZAS, F. The logistics services outsourcing dilemma: quality management and financial performance perspectives. Supply Chain Management: An International Journal, 15 (6), p. 438–453; 2010.
GRAHAM, D. J. Productivity and efficiency in urban railways: Parametric and non-parametric estimates. Transportation Research Part E, 44, p. 84-99; 2008.
GREENE, W. H. LIMDEP version 9.0 – Econometric modeling guide. New York: Econometric Software, Inc., 2007.
GREER, M. R. Nothing focuses the mind on productivity quite like the fear of liquidation: Changes in airline productivity in the United States, 2000–2004. Transportation Research Part A, 42, p. 414-426; 2008.
GROWITSCH, C.; WETZEL, H. Testing for Economies of Scope in European Railways: An Efficiency Analysis. Working Paper Series in Economics - University of Lüneburg, 72; 2007.
96
GUJARATI, D. M. Basic Econometrics. 3rd ed. McGraw-Hill International Editions; 1995.
HAIR, J. F.; ANDERSON, R. E.; TATHAM, R. L.; BLACK, W. C. Análise Multivariada de Dados. 5ª ed. Porto Alegre: Bookman; 2005.
HAIR, J. F.; BABIN, B.; MONEY, A. H.; SAMOUEL, P. Métodos de Pesquisa em Administração. São Paulo: Bookman; 2003.
HAMDAN, A.; ROGERS, K.J. Evaluating the efficiency of 3PL logistics operations. International Journal of Production Economics, 113(1), p. 235-244; 2008.
HERTZ, S.; ALFREDSSON, M. Strategic development of third party logistics providers. Industrial Marketing Management, 32, p. 139-149; 2003.
HOFER, A.R. Determinants of customer partnering behavior in logistics outsourcing relationships: a relationship marketing perspective. 2007, 217f., Tese de Doutorado – College Park, University of Maryland. Washington, 2007.
HUM, S.H. A Hayes-Wheelwright framework approach for strategic management of third party ologistics services. Integrated Manufacturing Systems, 11(2), p.132-137; 2000.
HUNG, S. W.; LU, W. M.; WANG, T. P. Benchmarking the operating efficiency of Asia container ports. European Journal of Operational Research, 203, p. 706-713; 2010.
ILOS. Transporte Rodoviário de Cargas: Mercado Atual e Próximas Tendências; 2010.
JAIN, P.; CULLINANE, S.; CULLINANE, K. The impact of governance development models on urban rail efficiency. Transportation Research Part A, 42, p. 1238–1250; 2008.
JARZEMSKIENE, I. Research into the methods of analysing the productivity indicators of transport terminals. Transport, 24 (3), p. 192-199; 2009.
JENKINS, L.; ANDERSON, M. A multivariate statistical approach to reducing the number of variables in data envelopment analysis. European Journal of Operational Research, 147, p. 51-61; 2003.
JESSOP, A. A multicriteria blockmodel for performance assessment. The International Journal of Management Science, 37, p. 204-214; 2009.
JOHNSON, A.; CHEN, W. C.; MCGINNIS, L. F. Large-scale Internet benchmarking: Technology and application in warehousing operations. Computers in Industry, 61, p. 280-286; 2010.
KOOPMANS, T. C. Activity analysis of production and allocation. New York: Wiley; 1951.
KORPELA, J.; LEHMUSVAARA, A.; NISONEN, J. Warehouse operator selection by combining AHP and DEA methodologies. International Journal of Production Economics, 108, p. 135-142; 2007.
KOSTER, M. B. M.; BALK, B. M. Benchmarking andMonitoring International Warehouse Operations in Europe. Production and Operations Management, 17(2), p. 175-183; 2008.
KOSTER, M. B. M.; BALK, B. M.; VAN NUS, W. T. I. On using DEA for benchmarking container terminals. International Journal of Operations & Production Management, 29(11), p. 1140-1155; 2009.
97
KUO, Y-H. A DEA and benchmarking analysis of customer relationship management for international tourist hotels in taiwan. Dissertação de Mestrado - National Cheng Kung University, Institute of Business Administration; 2004.
LAM, S. W.; LOW, J. M W.; TANG, L. C. Operational efficiencies across Asia Pacific airports. Transportation Research Part E, 45, p. 654-665; 2009.
LAO, Y.; LIU, L. Performance evaluation of bus lines with data envelopment analysis and geographic information systems. Computers, Environment and Urban Systems, 33, p. 247-255; 2009.
LEE, H. S.; CHOU, M. T.; KUO, S. G. Evaluating port efficiency in Asia Pacific region with recursive data envelopment analysis. Journal of the Eastern Asia Society for Transportation Studies, 6, p. 544-559; 2005.
LEVINE, D. M.; STEPHAN, D. F.; KREHBIEL, T. C.; BERENSON, M. L. Estatística: Teoria e Aplicações. São Paulo: LTC; 2007.
LEWIN, A.; MOREY, R.; COOK, T. Evaluating the administrative efficiency of courts. Omega, 10, p. 401-411; 1982.
LIEB, R. C. The 3PL industry: where it’s been, where it’s going. Supply Chain Management Review, 9(6), p. 20-27; 2005.
LIEB, R. C.; LIEB, K. J. Why 3PLs need to build their brand? Supply Chain Management Review, 12(8), p. 46-52; 2008.
LIN, J.; WANG, P.; BARNUM, D. T. A quality control framework for bus schedule reliability. Transportation Research Part E, 44, p. 1086-1098 ; 2008.
LIN, L. C.; HONG, C. H. Operational performance evaluation of international major airports: An application of data envelopment analysis. Journal of Air Transport Management, 12, p. 342-351; 2006
LIN, L. C.; TSENG, C. C. Operational performance evaluation of major container ports in the Asia-Pacific region. Maritime Policy & Management, 34(6), p. 535-551; 2007.
LIN, L. C.; TSENG, L. A. Application of DEA and SFA on the Measurement of Operating Efficiencies for 27 International Container Ports. Proceedings of the Eastern Asia Society for Transportation Studies, 5, p. 592-607; 2005.
LIU, T-S.; LIU, C-M; BROWN, J.R. Assessment of global logistics strategies for Third Party Logistics. International Journal of Integrated Supply Management, 4 (1), p.102–124; 2008.
LO, C. K. Y.; YEUNG, A. C. L.; CHENG, T. C. E. ISO 9000 and supply chain efficiency: empirical evidence on inventory and account receivable days. International Journal of Production Economics, 118, p. 367-374; 2009.
LONG, J. S. Regression Models for Categorical and Limited Dependent Variables. Sage Publishing; 1997.
MAGALHÃES, V.L. Deficiência do transporte pode bloquear agricultura. Desafios do Desenvolvimento, Brasília: IPEA, 55, p. 26, out./nov. 2009.
98
MARGARI, B. B.; ERBETTA, F.; PETRAGLIA, C.; PIACENZA, M. Regulatory and environmental effects on public transit efficiency: a mixed DEA-SFA approach. Journal of Regulatory Economics, 32, p. 131-151; 2007.
MARINHO, A. Avaliação da eficiência técnica nos serviços de saúde do Estado do Rio de Janeiro. IPEA
– Texto para Discussão no 842; 2001
MARINO, S. Ponto fora da curva. Revista Tecnologística, 163, p. 42-47; 2009.
MARTIN, J. C.; REGGIANI, A. Recent Methodological Developments to Measure Spatial Interaction: Synthetic Accessibility Indices Applied to High-speed Train Investments. Transport Reviews, 27(5), p. 551-571; 2007.
MARTIN, J. C.; ROMAN, C. A Benchmarking Analysis of Spanish Commercial Airports. A Comparison Between SMOP and DEA Ranking Methods. Networks and Spatial Economics, 6, p. 111-134; 2006.
MARTINS, F.O.M e OLIVEIRA, T. Determinants of Information Technology Diffusion: a Study at the Firm Level for Portugal. The Electronic Journal Information Systems Evaluation, 11(1) , p. 27-34; 2008. Disponível em: at www.ejise.com.
MASON, S. J.; RIBERA, P. M.; FARRIS, J. A.; KIRK, R. G. Integrating the warehousing and transportation functions of the supply chain. Transportation Research Part E, 39, p. 141-159, 2003.
MCCARTHY, T.; YAISAWARNG, S. Technical efficiency in New Jersey schools districts. In H.O. Fried;
KnoxLovell, C.A.; Schmidt, S.S. (ed) – The Measurement of Productive Efficiency: Techniques and
Applications. Oxford University Press, New York, USA; 1993.
MENDONÇA, M. A. A.; FREITAS, F. A.; SOUZA, J. M. Tecnologia da Informação e Produtividade na Indústria Brasileira. RAE, 49(1), p. 74-85; 2009.
MENTZER, J. T.; FLINT, D. J. Validity in logistics research. Journal of Business Logistics, 18(1), p. 199-216; 1997.
MERKERT, R.; SMITH, A. S. J.; NASH, C. A. Benchmarking of train operating firms – a transaction cost efficiency analysis. Transportation Planning and Technology, 33(1), p. 35-53; 2010.
MICHAELIDES, P. G.; BELEGRI-ROBOLI, A.; KARLAFTIS, M.; MARINOS, T. International Air Transportation Carriers: Evidence from SFA and DEA Technical Efficiency Results (1991-2000). European Journal of Transport and Infrastructure Research, 9(4), p. 347-362; 2009.
MIN, H.; JOO, S. J. Benchmarking the operational efficiency of third party logistics providers using data envelopment analysis. Supply Chain Management: An International Journal, 11(3), p. 259-265; 2006.
MIN, H.; JOO, S. J. Benchmarking third-party logistics providers using data envelopment analysis: an update. Benchmarking: An International Journal, 16(5), p. 572-587; 2009.
MIN, H.; PARK, B-I. Evaluating the inter-temporal efficiency trends of international container terminals using data envelopment analysis. International Journal of Integrated Supply Management, 1(3), p. 258-277; 2005.
99
MUÑIZ, M. Separating managerial inefficiency and external conditions in data envelopment analysis. European Journal of Operational Research, 143, p. 625-643; 2002.
NADIMI, R.; JOLAI, F. Joint Use of Factor Analysis (FA) and Data Envelopment Analysis (DEA) for Ranking of Data Envelopment Analysis. International Journal of Mathematical, Physical and Engineering Sciences, 2(4), p. 218-222; 2008.
NG, B.; FERRIN, B. G.; PEARSON, J. N. The role of purchasing/transportation in cycle time reduction. International Journal of Operations & Production Management, 17(6), p. 574-591; 1997.
NUNAMAKER, T. R. Using data envelopment analysis to measure the efficiency of non-profit organizations: A critical evaluation. Managerial and Decision Economics, 6(1), p. 50-58; 1985.
ODECK, J. Congestion, ownership, region of operation, and scale: Their impact on bus operator performance in Norway. Socio-Economic Planning Sciences, 40(1), p. 52-69; 2006.
ODECK, J. How efficient and productive are road toll companies? Evidence from Norway. Transport Policy, 15, p. 232-241; 2008b.
ODECK, J. The effect of mergers on efficiency and productivity of public transport services. Transportation Research Part A, 42, p. 696-708; 2008a.
ODECK, J.; ALKADI, A. Evaluating efficiency in the Norwegian bus industry using Data Envelopment Analysis. Transportation, 28, p. 211-232; 2001.
OTSUKI, T.; REIS, E.; HARDIE, I. The implication of property rights for joint agriculture – Timber
productivity in the Brazilian Amazon, Environment and Development Economics, 7(2), p.299-323;
2002.
PACHECO, R. R.; FERNANDES, E. Managerial efficiency of Brazilian airports. Transportation Research Part A, 37, p. 667-680; 2003.
PACHECO, R. R.; FERNANDES, E.; SANTOS, M. P.S. Management style and airport performance in Brazil. Journal of Air Transport Management, 12,p. 324-330; 2006.
PANAYIDES, P. M.; MAXOULIS, C. N.; WANG, T. F.; NG, K. Y. A. A Critical Analysis of DEA Applications to Seaport Economic Efficiency Measurement. Transport Reviews, 29(2), p. 183-206; 2009.
PARK, H. M. Linear Regression Models for Panel Data Using SAS, Stata, LIMDEP, and SPSS. Bloomington: Indiana University; 2009.
PARK, R. K. A Verification of Korean Containerport Efficiency Using the Bootstrap Approach. Journal of Korea Trade; 2008.
PATHOMSIRI, S.; HAGHANI, A.; DRESNER, M.; WINDLE, R. J. Impact of undesirable outputs on the productivity of US airports. Transportation Research Part E, 44, p. 235-259; 2008.
PETT, M.A.; LACKEY, N.R.; SULLIVAN, J.J. Making sense of factor analysis: the use of factor analysis for
instrument development in health care research. Sage Publications; 2003.
100
PIRES, F. AGV compra a Exata e já projeta receita acima de R$ 1 bilhão. Valor Econômico, São Paulo, 4
mai. 2011. Disponível em: http://www.valoronline.com.br/impresso/empresas/102/421685/agv-
compra-a-exata-e-ja-projeta-receita-acima-de-r-1-bilhao
PRAHALAD, C. K.; HAMEL, G. A. Competência Essencial das Organizações. Harvard Business Review; 1990.
PRESS, W. H.; TEUKOLSKY, S. A.; VETTERLING, W. T.; FLANNERY, B. P. Numerical Recipes in C: The Art of Scientific Computing. Cambridge University Press; 1993.
RAJESH, R.; PUGAZHENDHI, S.; GANESH, K.; MURALIDHARAN, C.; SATHIAMOORTY, R. Influence of 3PL service offerings on client performance in India. Transportation Research Part E, 47, p. 149–165; 2011.RAMANATHAN, R. Estimating Energy Consumption of Transport Modes in India Using DEA and Application to Energy and Environmental Policy. The Journal of the Operational Research Society, 56(6), p. 732-737; 2005.
RESENDE, M.; TUPPER, H. C. Service-quality in Brazilian mobile telephony: an efficiency-frontier
analysis. Texto para discussão 013/2004, Instituto de Economia – UFRJ; 2004.
RIOS, L. R.; MAÇADA, A. G. Analysing the relative efficiency of container terminals of Mercosur using DEA. Maritime Economics and Logistics, 8, p. 331-346; 2006.
RIOS, L.R.; MAÇADA, A.C. Medindo a Eficiência Relativa das Operações dos Terminais de Contêineres do Mercosul Utilizando a Técnica de DEA e Regressão Tobit. In: Encontro da Associação Nacional de Pós-Graduação e Pesquisa em Administração (EnANPAD), Anais XXV EnANPAD; 2006.
ROSETT, R. N.; NELSON, F. D. Estimation of the Two-Limit Probit Regression Model. Econometrica, 43(1), p. 141-146; 1975.
ROSS, A. D.; DROGE, C. An analysis of operations efficiency in large-scale distribution systems. Journal of Operations Management, 21, p. 673-688; 2004.
SANCHEZ, P. C.; MONSALVEZ, J. M. P.; MARTINEZ, L. S. Vertical and Horizontal Separation in the European Railway Sector: Effects on Productivity. Working Papers Series - Fundación BBVA, 12; 2008.
SAS INC. SAS Stat User's Guide Version 6 - Volumes 1 and 2. 4th ed. SAS Institute Inc.; 1988.
SCHEFCZYK, M. Operational performance of airlines: An extension of traditional measurement paradigms. Strategic Management Journal, 14(4), p. 301-317; 1993.
SELVIARIDIS, K.; SPRING, M. Third party logistics: a literature review and research agenda. The International Journal of Logistics Management, 18(1), p. 125-150; 2007.
SHARMA, M. J.; YU, S. J. Benchmark optimization and attribute identification for improvement of container terminals. European Journal of Operational Research, 201, p. 568-580; 2010.
SHARMA, M. J.; YU, S. J. Performance based stratification and clustering for benchmarking of container terminals. Expert Systems with Applications, 36, p. 5016-5022; 2009.
SHARMA, S. Applied Multivariate Techniques. New York: Wiley; 1996.
101
SHETH, C.; TRIANTIS, K.; TEODOROVIC, D. Performance evaluation of bus routes: A provider and passenger perspective. Transportation Research Part E, 43, p. 453-478; 2007.
SILVEIRA, R. V. Mensuração da eficiência dos terminais portuários brasileiros via análise envoltória de dados. 2009, 109 f., Dissertação de Mestrado (Mestrado em Administração) - Instituto COPPEAD de Administração, UFRJ. Rio de Janeiro; 2009.
SIMAR, L.; WILSON, P. W. Estimation and inference in two-stage, semiparametric models of production processes. Journal of Econometrics, 136(1), p. 31-64; 2007.
SIMAR, L.; WILSON, P. W. Estimation inference in cross-sectional, stochastic frontier models. IAP Statistics Network - Technical Report, 0541; 2005.
SIMAR, L.; WILSON, P. W. Non-parametric tests of returns to scale. European Journal of Operational Research, 139, p. 115-132; 2002.
SOUZA, G. Assessing technical efficiency effects in agricultural research: truncated and censored data
analyses in the context of deterministic and stochastic frontiers. Universidade de Brasília,
Departamento de Estatística; 1999.
SOUZA, G. S.; STAUB, R. B. Two-stage inference using data envelopment analysis efficiency measurements in univariate production models. International Transactions in Operational Research, 14, p. 245-258; 2007.
SOUZA, G. Significância de efeitos técnicos na eficiência de produção da pesquisa agropecuária.
Revista Brasileira de Economia, 60(1), p. 69-86; 2006.
SOUZA, G.; TABAK, B. Factors affecting the technical efficiency of production of the Brazilian banking
system: a comparison of four statistical models in the context of Data Envelopment Analysis. 2002.
TORRES, C. Recursos privados e fusões reforçam a frota rodoviária. Valor Econômico, São Paulo, 16
nov. 2010. Disponível em: http://www.valoronline.com.br/impresso/tnt/2402/336843/recursos-
privados-e-fusoes-reforcam-a-frota-rodoviaria
TONE, K. A slacks-based measure of efficiency in data envelopment analysis. European Journal of
Operational Research, 130, p. 498-509; 2001.
TUPPER, H.C.; RESENDE, M. Efficiency and regulatory issues in the Brazilian water and sewage sector:
an empirical study. Utilities Policy, 12, p.29-40; 2004.
TURNER, H.; WINDLE, R.; DRESSNER, M. North American containerport productivity: 1984-1997. Transportation Research Part E, 40, p. 339-356; 2004.
UCLA. What are pseudo R-squareds? Disponível em http://www.ats.ucla.edu/stat/mult_pkg/faq/general/Psuedo_RSquareds.htm
102
VAIDYANATHAN, G. A framework for evaluating third-party logistics. Communications of the ACM, 48 (1), p. 89-94; 2005.VARGAS, C.; BRICKER, D. Combining DEA and factor analysis to improve evaluation of academic departments given uncertainty about the output constructs. Discussion Paper, Department of Industrial Engineering, University of IOWA; 2003.
VOGEL, H. –A. Impact of privatization on the financial and economic performance of European airports. The Aeronautical Journal; 2006.
VON HIRSCHHAUSEN, C.; CULLMAN, A. Next Stop: Restructuring? A Nonparametric Efficiency Analysis of German Public Transport Companies. DIW Berlin Discussion Papers, 831; 2008.
WAGNER, J. M.; SHIMSHAK, D. G. Stepwise selection of variables in data envelopment: Procedures and managerial perspectives. European Journal of Operational Research, 180, p. 57-67; 2007.
WANG, Q.; HUO, B.; LAI, F.; CHU, Z. Understanding performance drivers of third-party logistics providers in mainland China: A replicated and comparative study. Industrial Management & Data Systems, 110 (9), p. 1273-1296; 2010.
WANG, Q.; LAI, F.; ZHAO, X. The impact of information technology on the financial performance of third-party logistics firms in China. Supply Chain Management: An International Journal, 13(2), p.138-150; 2008.
WANG, T. F.; SONG, D. W.; CULLINANE, K. The applicability of data envelopment analysis to efficiency measurement of container ports. IAME Panama International Steering Comitee, Panamá; 2002.
WANKE, P. F. Logística, gerenciamento de cadeias de suprimento e estratégia logística. In: Logística e Gerenciamento da Cadeia de Suprimentos: Planejamento do Fluxo e dos Recursos, p. 27-47. São Paulo: Atlas; 2003.
WANKE, P. F.; ARKADER, R.; HIJJAR, M. F. Logistics sophistication, manufacturing segments and the choice of logistics providers. International Journal of Operations & Production Management, 27, p. 542-559; 2007.
WANKE, P. F.; HIJJAR, M. F. Exportadores brasileiros: estudo exploratório das percepções sobre a qualidade da infraestrutura logística. Produção, 19(1), p. 143-162; 2009.
WILDING, R.; JURIADO, R. Customer perceptions on logistics outsourcing in the European consumer goods industry. International Journal of Physical Distribution & Logistics Management, 34(8), p.28-48; 2004.
WOOLDRIDGE, J.M. Introdução à Econometria: uma abordagem moderna. São Paulo:Thomson-Pioneira; 2005.
WU, Y. C. J.; LIN, C. W. National port competitiveness: implications for India. Management Decision, 46(10), p. 1482-1507; 2008.
YOUNGBERG, E.; OLSEN, D.; HAUSER, K. Determinants of professionally autonomous end user acceptance in an enterprise resource planning system environment. International Journal of Information Management, 29(2), p. 138-144; 2009.
YU, M. M. Assessing the technical efficiency, service effectiveness, and technical effectiveness of the world’s railways through NDEA analysis. Transportation Research Part A, 42, p. 1283-1294; 2008.
103
YU, M. M.; FAN, C. K. Measuring the performance of multimode bus transit: A mixed structure network DEA model. Transportation Research Part E, 45, p. 501-515; 2009.
YU, M. M.; HSU, S. H.; CHANG, C. C.; LEE, D. H. Productivity growth of Taiwan’s major domestic airports in the presence of aircraft noise. Transportation Research Part E, 44, p. 543-554; 2008.
YU, M. M.; LIN, E. T. J. Efficiency and effectiveness in railway performance using a multi-activity network DEA model. The International Journal of Management Science, 36, p. 1005-1017; 2008.
ZHANG, J.; YE, H. Evaluation of Operational Efficiency for Listed Companies in Logistics Industry in China. In: International Conference on Transportation Engineering 2009 – Volume 5, p. 2526-2531. Chengdu: ASCE; 2009.
ZHOU, G.; MIN, H.; XU, C.; CAO, Z. Evaluating the comparative efficiency of Chinese third-party logistics providers using data envelopment analysis. International Journal of Physical Distribution & Logistics Management, 38(4), p. 262-279; 2008.
ZHU, J. Quantitative models for performance evaluation and benchmarking: data envelopment analysis with spreadsheets and DEA excel solver. New York: Springer; 2003.
104
Anexo 1: Exemplo Numérico de DEA
O exemplo que utilizaremos aqui foi retirado de Cook e Seiford (2009). Digamos que existam sete
DMUs cujos inputs X e outputs Y estão explicitados abaixo.
DMU 1 DMU 2 DMU 3 DMU 4 DMU 5 DMU 6 DMU 7
X 2 3 6 9 5 4 10
Y 2 5 7 8 3 1 7
Nossa função objetivo para a primeira DMU é:
Min θ = 2v
s.a. 2u = 1 8u ≤ 9v
2u ≤ 2v 3u ≤ 5v
5u ≤ 3v u ≤ 4v
7u ≤ 6v 7u ≤ 10v
Onde u é o peso dos outputs e v é o peso dos inputs. Queremos minimizar os inputs multiplicados
pelo seu peso, sujeito às restrições de produção daquela DMU e à restrição de que a quantidade de
produto deve ser igual ou menor do que a quantidade de insumos.
Pela primeira restrição, podemos ver que u=0,5 e que, por conseguinte:
2v ≥ 1 v ≥ 0,5
3v ≥ 2,5 v ≥ 0,8333
6v ≥ 3,5 v ≥ 0,5833
9v ≥ 4 v ≥ 0,4444
5v ≥ 1,5 v ≥ 0,3
4v ≥ 0,5 v ≥ 0,125
105
10v ≥ 3,5 v ≥ 0,35
A mais restritiva das restrições é a segunda e, portanto, é a que será utilizada na função objetivo.
Assim, podemos ver que min θ = 2 X 0,8333 = 1,6667. Neste caso, o escore de eficiência seria
1/1,6667 = 0,6.
No caso da segunda DMU, a função passa a ser:
Min θ = 3v
s.a. 5u = 1 8u ≤ 9v
2u ≤ 2v 3u ≤ 5v
5u ≤ 3v u ≤ 4v
7u ≤ 6v 7u ≤ 10v
Pela primeira restrição, podemos ver que u=0,2 e que, por conseguinte:
2v ≥ 0,4 v ≥ 0,2
3v ≥ 1 v ≥ 0,3333
6v ≥ 1,4 v ≥ 0,2333
9v ≥ 1,6 v ≥ 0,1778
5v ≥ 0,6 v ≥ 0,12
4v ≥ 0,2 v ≥ 0,05
10v ≥ 1,4 v ≥ 0,14
A restrição mais restritiva é a segunda, que, portanto, será substituída na função objetivo. Desta
forma, min θ = 3 X 0,3333 = 1. O escore de eficiência é 1/1=1 e esta DMU é considerada eficiente.
106
Segue-se o mesmo processo para cada uma das DMUs e, no final, se chegará ao seguinte resultado:
DMU Escore de Eficiência CCR
DMU 1 0,6
DMU 2 1,0
DMU 3 0,7
DMU 4 0,5333
DMU 5 0,36
DMU 6 0,15
DMU 7 0,42
A fronteira resultante é a do gráfico abaixo.
Agora demonstraremos este exemplo utilizando o software DEA Excel Solver 1.0, incluído em Zhu
(2002).
Para realizar o procedimento, é necessário instalar o add-in de Excel e colocar os dados como
demonstrado abaixo: denominar a planilha como “Data” e colocar os inputs separados dos outputs
por uma coluna.
0
1
2
3
4
5
6
7
8
9
0 2 4 6 8 10 12
Ou
tpu
t
Input
DMU 1
DMU 2
DMU 3
DMU 4
DMU 5
DMU 6
DMU 7
107
Depois é preciso clicar no add-in DEA e escolher a opção “Envelopment Model”.
108
O programa possibilita a utilização da orientação a input e a output e de quatro diferentes tipos de
fronteira.
Escolhendo a orientação a input e retornos de escala constantes, chegamos ao mesmo resultado
demonstrado acima.
109
Anexo 2: Resultados da DEA por DMU
Tabela 14 - Resultados da DEA: Escores CCR
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
2 ALIANÇAS 0,28
4PL 0,45 0,11
5 ESTRELAS 0,62
ABRANGE 0,14 0,33
ADDRESS 0,12
ADL 1,00
AGI 0,29
AGM 0,43 0,46 1,00 0,33 0,20
AGR 0,30 1,00 0,03
AGUIA BRANCA 0,10
AGV 0,05 0,32 0,28 0,31 0,14 0,24
ARGECAMP 0,29
ARGIMPEL 1,00
ARMAVALE 0,75
ATLAS 1,00 0,36 1,00 1,00
BINOTTO 1,00 0,70 0,62
BMS 0,12 0,58
BPL 0,65
BRASEX 0,17
BRASILMAXI 0,22 0,85 1,00 1,00 0,09 0,63
BRUCAI 0,07 0,58 0,15 0,34 1,00 0,31 0,30 0,06
BUENO 0,37
CAM 0,27 0,06 0,17
CARDOSO MINAS 0,05 0,17 0,09
CENTER CARGO 0,43
CESA 0,03 1,00 1,00 1,00 0,47
CEVA 0,38 0,73 0,12 0,69
COIMEX 1,00
COLUMBIA 1,00 1,00 1,00 1,00 0,55 1,00
CONSEIL 1,00 1,00 1,00 1,00
COOPERCARGA 0,52
CSI 0,03 0,22 0,31 0,34 0,49 0,23 0,07
CUSTODIA 0,37
DAL 0,26
DEICMAR 0,05 0,96
DELARA 0,10
DELTA 0,22 1,00 0,61 0,65 1,00 0,72 0,14
DEX 0,04 0,27
DGT 0,18
DI CI 0,10
DIGILOG 0,69
DRY PORT 0,02
DSR 0,54 0,37 0,02
EADI STO ANDRE 0,42 0,24 0,06
EBAMAG 0,05
EICHENBERG 0,20
EMBAGE 0,44
ENAR 0,61 0,07
ESTRELA 1,00
EXATA 1,00
EXEL 0,07 1,00 0,15 0,53 1,00 0,26 0,44 0,20 0,41
EXOLOGISTICA 1,00
EXPRESSO BRILHANTE 0,19 0,05
110
Resultados da DEA: Escores CCR
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
EXPRESSO JUNDIAI 0,22
EXPRESSO NEPOMUCENO 0,06 0,17
FANTINATI 0,84
FORT 0,21
GATX 1,00 1,00 1,00
GEFCO 1,00
G-LOG 1,00 1,00 1,00 0,22 1,00
GRANVALE 0,38 1,00
GRECCO 0,09 1,00 0,08
GTECH 0,06
HIPERCON 0,44 1,00 0,86 0,68 0,07
ID 1,00 1,00
INTERMARITIMA 0,40
IRAPURU 0,25
ITAMARATI 0,18 0,27 1,00 0,35 0,24 0,34
JOACABA 0,05
JULIO SIMÕES 0,08
KEEPERS 1,00 1,00 1,00 1,00 1,00 0,80 1,00
KMC 0,34 1,00 0,72 0,80 0,13 0,41
KRUGER 0,23
K-WAY 0,89
LC 0,02
LÍDER 0,25 0,63 0,47 0,53
LIMEIRA 0,78
LINKERS 0,08
LOGHIS 0,11 0,05 0,16
LOGISPLAN 0,14 0,15
LOGISTOCK 0,06 0,23
MARBO 0,09
MCLANE 0,52 1,00
MERCURIO 0,21
METODO 0,44 0,29 0,97
METROPOLITAN 0,33
MIRASSOL 0,09 0,87 0,58 0,77 0,40 0,29 0,92 0,19
MSLOG 1,00 0,94
N SRA FATIMA 0,03
OTM 0,02 0,38
OURO PRATA 0,04
PANAZZOLO 0,08 1,00 0,68
PENNACCHI 0,05
PENSKE 0,91
PRONTO 0,05 0,75 0,84 1,00 0,81 0,11 0,40 0,22 0,52
QUICK 0,17
QUIMITRANS 0,30 0,08 0,09 0,13
RAPIDÃO 0,05
RAPIDO 900 0,11 0,05 1,00 1,00
RODOBORGES 0,35 0,12
RYDER 0,06 0,13
SADA 0,15 1,00 0,94 1,00 0,33
SALVADOR 1,00
SANTOS BRASIL 0,31
SATLOG 1,00
STOCK TECH 0,30 0,05 0,30
SUPPORT 0,18
TA 0,06 0,77
TARGET 0,28 0,13 0,15
111
Resultados da DEA: Escores CCR
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
TDS 0,75
TGESTIONA 0,07 0,19 0,13
TONIATO 0,11 0,42 0,08 0,61
TORA 0,44
TPC 0,00 1,00 0,20
TRANSCASTRO 0,28 0,04 0,16
TRANSMIRO 0,08
TRANSWORLD 1,00
TRIALE 0,43
ULTRACARGO 1,00
USIFAST 0,31 1,00 0,22
VILLANOVA 1,00 1,00
112
Tabela 15 - Resultados da DEA: Escores BCC
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
2 ALIANÇAS 1,00
4PL 0,63 0,17
5 ESTRELAS 1,00
ABRANGE 1,00 1,00
ADDRESS 1,00
ADL 1,00
AGI 1,00
AGM 0,46 0,51 1,00 0,56 0,55
AGR 0,33 1,00 0,25
AGUIA BRANCA 1,00
AGV 1,00 1,00 0,50 0,32 0,15 0,24
ARGECAMP 1,00
ARGIMPEL 1,00
ARMAVALE 1,00
ATLAS 1,00 1,00 1,00 1,00
BINOTTO 1,00 1,00 0,66
BMS 0,35 0,76
BPL 1,00
BRASEX 1,00
BRASILMAXI 1,00 1,00 1,00 1,00 0,40 1,00
BRUCAI 1,00 1,00 1,00 1,00 1,00 0,50 0,72 0,69
BUENO 1,00
CAM 1,00 1,00 1,00
CARDOSO MINAS 0,50 0,99 1,00
CENTER CARGO 0,91
CESA 0,17 1,00 1,00 1,00 1,00
CEVA 1,00 1,00 0,12 0,69
COIMEX 1,00
COLUMBIA 1,00 1,00 1,00 1,00 1,00 1,00
CONSEIL 1,00 1,00 1,00 1,00
COOPERCARGA 1,00
CSI 1,00 0,38 0,33 0,35 0,52 0,24 0,50
CUSTODIA 1,00
DAL 0,55
DEICMAR 0,37 0,96
DELARA 0,56
DELTA 0,51 1,00 0,72 0,70 1,00 0,76 0,50
DEX 1,00 1,00
DGT 0,62
DI CI 1,00
DIGILOG 1,00
DRY PORT 0,50
DSR 1,00 0,57 0,13
EADI STO ANDRE 1,00 1,00 1,00
EBAMAG 0,21
EICHENBERG 1,00
EMBAGE 0,54
ENAR 1,00 0,61
ESTRELA 1,00
EXATA 1,00
113
Resultados da DEA: Escores BCC
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
EXEL 0,51 1,00 0,47 0,59 1,00 0,46 0,57 1,00 0,52
EXOLOGISTICA 1,00
EXPRESSO BRILHANTE 1,00 0,46
EXPRESSO JUNDIAI 1,00
EXPRESSO NEPOMUCENO 0,73 0,51
FANTINATI 1,00
FORT 0,72
GATX 1,00 1,00 1,00
GEFCO 1,00
G-LOG 1,00 1,00 1,00 0,33 1,00
GRANVALE 0,54 1,00
GRECCO 1,00 1,00 1,00
GTECH 1,00
HIPERCON 1,00 1,00 1,00 0,70 0,15
ID 1,00 1,00
INTERMARITIMA 1,00
IRAPURU 0,50
ITAMARATI 0,27 0,32 1,00 0,38 0,32 0,35
JOACABA 1,00
JULIO SIMÕES 0,25
KEEPERS 1,00 1,00 1,00 1,00 1,00 1,00 1,00
KMC 0,77 1,00 0,94 1,00 1,00 1,00
KRUGER 1,00
K-WAY 1,00
LC 1,00
LÍDER 1,00 1,00 1,00 1,00
LIMEIRA 1,00
LINKERS 1,00
LOGHIS 1,00 0,60 0,53
LOGISPLAN 1,00 0,50
LOGISTOCK 0,34 0,43
MARBO 1,00
MCLANE 1,00 1,00
MERCURIO 1,00
METODO 0,77 1,00 1,00
METROPOLITAN 1,00
MIRASSOL 0,51 0,87 0,77 1,00 1,00 0,73 1,00 1,00
MSLOG 1,00 1,00
N SRA FATIMA 1,00
OTM 0,50 0,76
OURO PRATA 0,35
PANAZZOLO 0,50 1,00 1,00
PENNACCHI 0,50
PENSKE 1,00
PRONTO 0,53 1,00 1,00 1,00 0,83 0,17 0,41 0,38 0,56
QUICK 1,00
QUIMITRANS 1,00 0,33 0,25 0,25
RAPIDÃO 0,47
RAPIDO 900 0,11 0,06 1,00 1,00
RODOBORGES 0,62 0,33
114
Resultados da DEA: Escores BCC
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
RYDER 0,33 0,66
SADA 0,61 1,00 1,00 1,00 0,69
SALVADOR 1,00
SANTOS BRASIL 1,00
SATLOG 1,00
STOCK TECH 0,90 0,50 0,60
SUPPORT 0,47
TA 1,00 1,00
TARGET 0,50 1,00 1,00
TDS 1,00
TGESTIONA 1,00 0,50 0,34
TONIATO 0,35 0,55 0,25 0,68
TORA 0,54
TPC 0,25 1,00 0,76
TRANSCASTRO 0,30 0,11 0,26
TRANSMIRO 1,00
TRANSWORLD 1,00
TRIALE 1,00
ULTRACARGO 1,00
USIFAST 0,33 1,00 0,22
VILLANOVA 1,00 1,00
115
Tabela 16 - Resultados da DEA: Escores de eficiência de escala
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
2 ALIANÇAS 0,28
4PL 0,72 0,66
5 ESTRELAS 0,62
ABRANGE 0,14 0,33
ADDRESS 0,12
ADL 1,00
AGI 0,29
AGM 0,94 0,89 1,00 0,58 0,36
AGR 0,92 1,00 0,13
AGUIA BRANCA 0,10
AGV 0,05 0,32 0,56 0,99 0,89 0,98
ARGECAMP 0,29
ARGIMPEL 1,00
ARMAVALE 0,75
ATLAS 1,00 0,36 1,00 1,00
BINOTTO 1,00 0,70 0,94
BMS 0,33 0,76
BPL 0,65
BRASEX 0,17
BRASILMAXI 0,22 0,85 1,00 1,00 0,22 0,63
BRUCAI 0,07 0,58 0,15 0,34 1,00 0,63 0,42 0,08
BUENO 0,37
CAM 0,27 0,06 0,17
CARDOSO MINAS 0,09 0,17 0,09
CENTER CARGO 0,47
CESA 0,20 1,00 1,00 1,00 0,47
CEVA 0,38 0,73 0,98 0,99
COIMEX 1,00
COLUMBIA 1,00 1,00 1,00 1,00 0,55 1,00
CONSEIL 1,00 1,00 1,00 1,00
COOPERCARGA 0,52
CSI 0,03 0,57 0,96 0,99 0,93 1,00 0,14
CUSTODIA 0,37
DAL 0,46
DEICMAR 0,15 1,00
DELARA 0,18
DELTA 0,43 1,00 0,85 0,93 1,00 0,94 0,29
DEX 0,04 0,27
DGT 0,30
DI CI 0,10
DIGILOG 0,69
DRY PORT 0,03
DSR 0,54 0,64 0,15
EADI STO ANDRE 0,42 0,24 0,06
EBAMAG 0,27
EICHENBERG 0,20 0,81
EMBAGE 0,61 0,11
ENAR 1,00
ESTRELA 1,00
EXATA 0,13 1,00 0,32 0,89 1,00 0,56 0,78 0,20 0,78
116
Resultados da DEA: Escores de eficiência de escala
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
EXEL 1,00
EXOLOGISTICA 0,19 0,10
EXPRESSO BRILHANTE 0,22
EXPRESSO JUNDIAI 0,08 0,33
EXPRESSO NEPOMUCENO 0,84
FANTINATI 0,30
FORT 1,00 1,00 1,00
GATX 1,00
GEFCO 1,00 1,00 1,00 0,66 1,00
G-LOG 0,70 1,00
GRANVALE 0,09 1,00 0,08
GRECCO 0,06
GTECH 0,44 1,00 0,86 0,97 0,44
HIPERCON 1,00 1,00
ID 0,40
INTERMARITIMA 0,51
IRAPURU 0,66 0,85 1,00 0,91 0,75 0,99
ITAMARATI 0,05
JOACABA 0,32
JULIO SIMÕES 1,00 1,00 1,00 1,00 1,00 0,80 1,00
KEEPERS 0,45 1,00 0,76 0,80 0,13 0,41
KMC 0,23
KRUGER 0,89
K-WAY 0,02
LC 0,25 0,63 0,47 0,53
LÍDER 0,78
LIMEIRA 0,08
LINKERS 0,11 0,09 0,31
LOGHIS 0,14 0,30
LOGISPLAN 0,17 0,54
LOGISTOCK 0,09
MARBO 0,52 1,00
MCLANE 0,21
MERCURIO 0,57 0,29 0,97
METODO 0,33
METROPOLITAN 0,18 1,00 0,75 0,77 0,40 0,40 0,92 0,19
MIRASSOL 1,00 0,94
MSLOG 0,03
N SRA FATIMA 0,04 0,50
OTM 0,12
OURO PRATA 0,16 1,00 0,68
PANAZZOLO 0,10
PENNACCHI 0,91
PENSKE 0,10 0,75 0,84 1,00 0,98 0,68 0,98 0,59 0,92
PRONTO 0,17
QUICK 0,30 0,25 0,37 0,51
QUIMITRANS 0,10
RAPIDÃO 0,97 0,83 1,00 1,00
RAPIDO 900 0,56 0,35
RODOBORGES 0,17 0,20
117
Resultados da DEA: Escores de eficiência de escala
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
RYDER 0,25 1,00 0,94 1,00 0,48
SADA 1,00
SALVADOR 0,31
SANTOS BRASIL 1,00
SATLOG 0,33 0,10 0,50
STOCK TECH 0,39
SUPPORT 0,06 0,77
TA 0,55 0,13 0,15
TARGET 0,75
TDS 0,07 0,38 0,39
TGESTIONA 0,30 0,76 0,30 0,89
TONIATO 0,82
TORA 0,01 1,00 0,26
TPC 0,93 0,37 0,60
TRANSCASTRO 0,08
TRANSMIRO 1,00
TRANSWORLD 0,43
TRIALE 1,00
ULTRACARGO 0,94 1,00 0,99
USIFAST 1,00 1,00
VILLANOVA 1,00 0,22