Embed Size (px)
Citation preview
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
CENTRO DE CIÊNCIAS SOCIAIS APLICADAS
DEPARTAMENTO DE ECONOMIA
LEMUEL DE LEMOS ROMÃO
EFICIÊNCIA DAS USINAS DE AÇÚCAR E ALCOOL DE CANA NO
BRASIL: UMA APLICAÇÃO DA ANÁLISE ENVOLTORIA DE DADOS
(DEA)
NATAL
2015.2
LEMUEL DE LEMOS ROMÃO
EFICIÊNCIA DAS USINAS DE AÇÚCAR E ALCOOL DE CANA NO
BRASIL: UMA APLICAÇÃO DA ANÁLISE ENVOLTORIA DE DADOS
(DEA)
Trabalho de conclusão de curso apresentado ao
Curso de Ciências Econômicas, da
Universidade Federal do Rio Grande do Norte,
como parte dos requisitos necessários à
obtenção do título de Bacharel em Ciências
Econômicas.
Orientador: Prof. Dra. Janaina da Silva Alves
NATAL
2015.2
Catalogação da Publicação na Fonte.
UFRN / Biblioteca Setorial do CCSA
Romão, Lemuel de Lemos.
Eficiência das usinas de açúcar e álcool de cana no Brasil: uma aplicação da
análise envoltória de dados (DEA) / Lemuel de Lemos Romão. - Natal, RN, 2015.
53 f.
Orientador: Profa. Dra. Janaina da Silva Alves.
Monografia (Graduação em Economia) - Universidade Federal do Rio Grande
do Norte. Centro de Ciências Sociais Aplicadas. Departamento de Economia. Curso
de Graduação em Ciências Econômicas.
1. Economia – Brasil - Monografia. 2. Usinas Sucroalcooleiras - Monografia. 3. Análise Envoltória de Dados – Monografia. I. Alves, Janaina da Silva. II.
Universidade Federal do Rio Grande do Norte. III. Título.
RN/BS/CCSA CDU 338.1
LEMUEL DE LEMOS ROMÃO
EFICIÊNCIA DAS USINAS DE CANA DE AÇÚCAR E ALCOOL NO BRASIL: UMA
APLICAÇÃO DE ANÁLISE ENVOLTORIA DE DADOS (DEA)
Trabalho de conclusão de curso apresentado ao
Curso de Ciências Econômicas, da
Universidade Federal do Rio Grande do Norte,
como parte dos requisitos necessários à
obtenção do título de Bacharel em Ciências
Econômicas.
Aprovada em:
Banca Examinadora:
_________________________________________
Profa. Dr
a. Janaina da Silva Alves
Orientadora / DEPEC UFRN
__________________________________________
Prof. Dr. João Paulo Martins Guedes
Examinador / DEPEC UFRN
Dedico este trabalho a todos aqueles que
estiveram comigo nesta caminhada, Deus, família,
amigos.
Agradecimentos
Dentro desta longa caminhada são muitos os que passam por nossas vidas e assim
causam seus impactos. Primeiro venho agradecer aos professores que nos inspiraram durante
os anos dentro da academia. Agradeço primeiro a Edward que foi o que me apresentou este
ramo da ciência econômica pela qual tanto me interesso, sempre me incentivando a buscar
mais. A professora Janaina que me orientou nos estudos da metodologia DEA, além da
orientação deste trabalho que me foi de grande ajuda, em contraste as dificuldades do
semestre. Agradeço a outros que sempre bom era estar em suas aulas, o João Paulo, Fabricio,
André Lourenço e a Erica, aulas das quais ainda sinto falta.
Agradeço a família que sempre esteve comigo, a minha mãe que sempre trabalhou
muito para proporcionar meus estudos, e a minha irmã que sempre esteve comigo em várias
noites sozinhos em casa. Lembrando também de tios e primos que de uma forma ou de outra
me ajudaram sempre.
Agradeço a Michelle pela amizade e companheirismo ao longo dos anos. A formação
e conclusão desta etapa está intimamente ligada a ela. A pessoa que sempre me empurrou a
seguir em frente a cada queda, quem compreendeu as dores e as curou, dom este que exercerá
como profissão e pela qual espero passar o resto de meus dias ao seu lado.
Aos amigos adquiridos durante toda a academia, que nos ajudaram a enfrentar os dias
a cada semestre. Conversas de corredor, ao companheirismo em seminários, provas e
trabalho, pequenas coisas que marcaram e farão falta, amigos que espero que o tempo não os
leve.
RESUMO
O setor sucroalcooleiro possui historicamente um papel relevante dentro da economia
brasileira, pois contribui para a produção de alimentos e faz parte da matriz energética do
país. Atualmente é o maior produtor mundial de cana-de-açúcar e dentro do agronegócio está
lado a lado com a soja em termos de representatividade. Neste trabalho buscou-se analisar a
eficiência técnica do setor através da metodologia conhecida como DEA, que consiste em
uma técnica de programação linear conhecida como Análise Envoltória de Dados (Data
Envelopment Analysis), inicialmente desenvolvida por Charnes, Cooper e Rhodes (1978). As
usinas então foram agrupadas, segundo sua localização, nas cinco regiões geográficas
brasileiras e também agrupadas por porte das usinas seguindo a classificação UNICA.
Concomitante à análise de eficiência técnica foi estudada a análise de eficiência de escala,
compararando com o porte das usinas a fim de perceber se os resultados se encontram dentro
do que é esperado conforme a literatura. Os parâmetros de análise de cada grupo estudado
foram suas respectivas médias de eficiência, que foram comparadas a média de eficiência
global (Brasil) e aplicado o teste estatístico t de diferenças de médias para dar robustez à
análise. Os resultados do estudo evidenciam que a região Sul possui média de eficiência
inferior se comparada com a média global de eficiências. Em relação à escala, as usinas
pequenas operam na faixa de retornos crescentes e constantes, as de médio porte possuem
usinas em todas as faixas de retornos de escala e as de grande porte com usinas apenas na
faixa de retornos decrescentes, estando dentro do esperado para as mesmas. Portanto, conclui-
se que o tamanho da usina não mostrou uma tendência à eficiência das mesmas e, com
respeito à localização, não foram verificadas diferenças de eficiência média para a maioria das
regiões analisadas, em comparação com a eficiência média para o Brasil.
Palavras-Chave: Usinas Sucroalcooleiras, Eficiência, Análise Envoltória de Dados.
ABSTRACT
The sugar and alcohol sector historically has a relevant role in the Brazilian economy as it
contributes to food production and is part of the Brazilian energy matrix. It is currently the
largest producer of sugarcane and in agribusiness is side by side with soybeans in terms of
representativeness. This study aimed to analyze the technical efficiency of the sector through
the methodology known as DEA, which consists of a linear programming technique known as
data envelopment analysis (Data Envelopment Analysis), initially developed by Charnes,
Cooper and Rhodes (1978). The mills were then grouped according to their location in the
five geographical regions and also grouped by size of mills following the UNICA
classification. Concomitant to the technical efficiency analysis to study the scale efficiency
analysis, compararando to the size of the plants to see if the results are within what is
expected according to the literature. Analysis parameters of each group were studied their
respective averages of efficiency, which were compared to average global efficiency (Brazil)
and applied the statistical t-test mean differences to give robustness analysis. The study results
show that the South has an average lower efficiency compared to the global average
efficiencies. In relation to the scale, small plants that operate in the range of growing and
steady returns, midsize have plants in all the returns to scale ranges and large ones with plants
only in the range of diminishing returns and is as expected for the same. Therefore, it is
concluded that the size of the plant showed a tendency to efficiency of the same and, with
respect to location, average efficiency differences were observed for most of the regions
analyzed, compared with the average efficiency for Brazil.
Keywords: Sugarcane Mills, Operational Efficiency and Data Envelopment Analysis.
Lista de Figuras
Figura 1. Produção de etanol do Centro-Sul e do Norte-Nordeste, em bilhões de litros, nas
safras de 1995–1996 a 2012–2013. .......................................................................................... 18
Figura 2. Produção brasileira de etanol anidro e hidratado, em bilhões de litros, anos 1995-
2012. ......................................................................................................................................... 18
Figura 3. Fronteiras de eficiência. ............................................................................................ 37
Lista de Quadros, Tabelas e Gráficos
Quadro 1. Embasamento teórico das variáveis relevantes (Modelagem DEA). ...................... 21
Quadro 2. Descrição das Variáveis........................................................................................... 23
Quadro 3. Armadilhas e Protocolos na Execução de DEA. ..................................................... 25
Quadro 4. Inputs e fonte de coleta de dados. ............................................................................ 26
Quadro 5. Outputs do modelo DEA. ........................................................................................ 27
Quadro 6. Variáveis utilizadas na pesquisa. ............................................................................. 34
Tabela 1. Número de destilarias e capacidade anual de produção de etanol anidro em anos
selecionados. ............................................................................................................................. 15
Tabela 2. Número de Empresas do Universo e da Amostra por Setor. .................................... 20
Tabela 3. Distribuição das usinas por estado. ........................................................................... 24
Tabela 4. Distribuição das usinas por região. ........................................................................... 35
Tabela 5. Distribuição dos grupos por tamanho. ...................................................................... 35
Tabela 6. Resumo das variáveis. .............................................................................................. 36
Tabela 7. Quadro resumo dos scores. ....................................................................................... 38
Tabela 8. Teste t de diferença de média por região. ................................................................. 41
Tabela 9. Teste t de diferença de médias por porte das usinas. ................................................ 42
Tabela 10. Eficiência de Escala. ............................................................................................... 43
Tabela 11. Par de Referência (Benchmarks) ............................................................................ 46
Tabela 12. Numeração das Usinas Eficientes. .......................................................................... 47
Gráfico 1. Produção em toneladas de cana de açúcar no ano de 2009. .................................... 28
Gráfico 2. Valor da Produção das lavouras temporárias brasileiras. ........................................ 29
Gráfico 3. Área colhida das lavouras temporárias 2009. .......................................................... 29
Lista de Abreviaturas
DEA – Análise envoltória de dados
CCR – Retornos Constantes de escala
BCC – Retornos variáveis de escala
DRS – Retornos decrescentes de escala
PROÁLCOOL - Programa Nacional do Álcool
UNICA – União da indústria da cana-de-açúcar
VRS – Idêntico ao BCC
IBGE – Instituto brasileiro de estatística e geografia
ITN - Instituto Nacional de Tecnologia
CEAM - Comissão de Estudos Sobre o Álcool-Motor
IDE – Investimento direto estrangeiro
DMU – Unidade de decisão produtora.
BNDES – banco nacional de desenvolvimento.
NE – Região Nordeste
SE – Região Sudeste
CO – Região Centro-oeste
SU – Região Sul
SUMÁRIO
RESUMO ................................................................................................................................... 6
ABSTRACT ............................................................................................................................... 7
1 INTRODUÇÃO ................................................................................................................ 12
2. EVOLUÇÃO DO SETOR SUCROALCOOLEIRO NO BRASIL................................... 15
3. REVISÃO DA LITERATURA SOBRE EFICIÊNCIA NO SETOR
SUCROALCOOLEIRO DO BRASIL ..................................................................................... 20
3.1. Síntese dos Trabalhos dobre Análise de Eficiência do Setor. ....................................... 20
3.2. Produção Sucroalcooleira brasileira. ............................................................................. 27
4. METODOLOGIA ............................................................................................................. 31
4.1. Descrição do Método ..................................................................................................... 31
4.2. Descrição das variáveis ................................................................................................. 33
4.3. Descrição da amostra ..................................................................................................... 34
5. RESULTADOS E DISCUSSÃO ...................................................................................... 38
5.1. Apresentação dos resultados .......................................................................................... 38
5.2. Discussão dos resultados ............................................................................................... 48
6. CONCLUSÃO .................................................................................................................. 50
REFERÊNCIAS ....................................................................................................................... 52
12
1 INTRODUÇÃO
O setor sucroalcooleiro no Brasil possui relevância histórica dado que seu cultivo data
desde o período colonial brasileiro, sendo introduzida no Brasil no ano de 1532 pelos
portugueses. Pelas características climáticas o “êxito dessa primeira grande empresa colonial
agrícola europeia” (FURTADO, 2003, p. 15 citado por Moraes e Bacchi, 2015), fez com que
esta cultura fosse amplamente explorada, primeiramente no Nordeste brasileiro e,
posteriormente se irradiou por outras regiões do país.
A produção de açúcar foi o principal produto de destinação da cana-de-açúcar no
Brasil por quatrocentos anos, porém, a utilização do álcool como combustível é de
aproximadamente de cem anos. Devido a fatores relacionados à crise internacional de 1929 e
a segunda guerra mundial, forçaram o Brasil a internalizar e produzir álcool com intuito de
substituição das importações de petróleo. Com a crise do petróleo da década de setenta, criou-
se um impulso no mundo todo para a adoção de fontes energéticas alternativas e o Brasil,
aproveitando sua estrutura canavieira já instalada implementou o programa denominado
Proálcool, que foi fundamental para o setor e reduziu a dependência das importações de
petróleo, fazendo também do Brasil o maior produtor de cana-de-açúcar no mundo.
A trajetória do setor é marcada por uma fase importante que envolveu diversos atores
do cenário nacional que foi a desregulamentação do setor. No Brasil existiam dois
importantes grupos de interesses, os produtores do Norte/Nordeste e do Centro-Sul. A
diferença de competividade entre estas duas regiões produtoras justificava a concessão de
subsídios para a região Norte/Nordeste, com este grupo de produtores lutando pela
manutenção de subsídios, tabelamento de preços e o controle do governo na comercialização
do álcool. No Centro-Sul, porém, não se encontrou consenso em torno do tema da
desregulamentação, possuindo grupos que queriam a centralização e os que queriam a
liberalização mediante a adoção de certas regras (BARROS; MORAES, 2002).
Shikida, Azevedo e Vian (2011) citando Shikida(1997), afirma que as industrias do
estado de São Paulo possuíam como estratégia competitiva e defensiva elevados níveis de
investimento em P&D, as unidade de Minas Gerais e Paraná também tinha esta estratégia,
porém em menor intensidade, pois eram mais avessos ao risco, adotando conjuntamente
estratégias de ajustamento técnico-legal, ou uma estratégia imitativa. Outro ponto importante
destacado pelo autor foi que no período regulamentado pelo estado, a inovação não foi
favorecida como deveria devido ao paradigma subvencionista, fato que foi transformado com
a desregulamentação.
13
Dentro do setor houve outra grande mudança que foi fundamental para impactar e
fomentar novamente a atividade, o desenvolvimento da tecnologia dos carros flex, no ano de
2003. Os carros flex impulsionaram a demanda por álcool novamente e forçou a expansão das
fronteiras agrícolas para a região Centro-Oeste. Como os três estados não haviam sido
contemplados pelo Proálcool por estarem distantes dos mais importantes centros
consumidores, a impulsão da demanda provocada pelos carros flex gerou a necessidade da
produção de álcool estivesse próximo dos consumidores devido aos custos de transporte e
armazenagem, fazendo da região a maior zona de expansão da fronteira agrícola da cana-de-
açúcar. Shikida (2013) aponta quais outros fatores, limites e potencialidades da região Centro
Oeste, elencando como potencialidades a busca por fontes de energias sustentáveis,
representado pelo álcool e pela segurança alimentar pelo açúcar, o encarecimento das terras
na região Sudeste, melhoria na logística e a decadência de regiões tradicionais no Nordeste.
Como limitações estão o cenário de instabilidade do etanol, ineficiência de escoamento de
produção baseada no modal rodoviário e a pouca tradição no setor da região que elevam os
custos devido ao processo de aprendizagem.
Percebendo a importância do setor, estudar os fatores condicionantes da produção do
setor sucroalcooleiro é uma tarefa fundamental para garantir a competitividade do mesmo.
Com o passar dos anos os usineiros experimentaram diversas situações de incertezas e a
analise de eficiência se torna indispensável para o produtor. Apesar de o produtor possuir
controle sobre as decisões de produção, muito dos fatores que afetam o setor não são
controlados pelos produtores em suas usinas como o preço do álcool e açúcar, mudanças na
política de governo para o setor, a volatilidade do câmbio, dentre outros fatores, relegam
bastante importância para as decisões de investimento em tecnologias e sobre a escolha da
combinação de insumos para produção que sejam as mais eficientes. Estas decisões possuem
extrema importância para garantir a competitividade das usinas de açúcar e álcool.
A eficiência técnica de acordo com Ferreira e Gomes (2009) consiste num processo de
produção que é eficiente quando utiliza a menor quantidade de insumos para um mesmo nível
de produção relativo aos demais processos, a eficiência é relativa, sendo o processo mais
eficiente referência e os demais com suas eficiências calculadas a partir deste.
Analisaremos neste trabalho primeiramente a eficiência técnica, verificando quais
usinas foram as mais eficientes em termos da relação insumo e produto, e também pelo
tamanho das usinas, segundo a classificação do próprio setor. Dessa forma, pretende-se
investigar: Quais as usinas eficientes no Brasil, em quais regiões estão localizadas e qual porte
14
destas usinas possuem tendência a maior ou menor eficiência, adicionando ao final a análise
de eficiência de escala.
Portanto, o objetivo geral da pesquisa é analisar a eficiência das usinas de açúcar e
álcool de cana nas regiões Nordeste, Sudeste, Sul e Centro-Oeste do Brasil.
Os objetivos específicos são:
Investigar se a localização da usina, dentro das regiões analisadas, possue
alguma tendência à ineficiência ou eficiência, evidenciando, ou não, a
hipóteses de dotação natural à cultura da cana-de-açúcar;
Investigar a relação entre o tamanho das usinas e a eficiência das mesmas,
observando se usinas, de acordo com sua característica de tamanho, possuem
alguma tendência à eficiência ou ineficiência;
Fazer a análise de escala, analisando além da eficiência técnica a eficiência de
escala comparando estes dois fatores ao tamanho da usina para perceber se
existe alguma tendência entre eficiência técnica, de escala e tamanho.
Este trabalho está dividido em seis capítulos além desta introdução. O segundo
capitulo mostra a evolução do setor no Brasil sucroalcooleiro no Brasil. O terceiro capitulo
busca fazer o retrospecto de alguns trabalhos já realizados com o tema de eficiência do setor
no Brasil. O quarto capítulo apresenta a metodologia, divido em apresentar as variáveis,
explicar a metodologia DEA, descrever os valores da variáveis utilizadas e explanar como foi
feita a análise dos resultados. No quinto capítulo é apresentado os resultados e os comentários
sobre os mesmo. O sexto capítulo conclui o trabalho analisando no âmbito geral os resultados
e observando os objetivos do trabalho.
15
2. EVOLUÇÃO DO SETOR SUCROALCOOLEIRO NO BRASIL
No Brasil a primeira tentativa de divulgar o álcool como combustível foi promovida
pela Sociedade Nacional da Agricultura em 1903, na Exposição Internacional de Aparelhos de
Álcool. Em 1922 o presidente Epitácio Pessoa criticou a dependência brasileira da gasolina
importada, observando os efeitos positivos que iriam ser sentidos pela indústria canavieira,
através da adoção do álcool como combustível. A Estação Experimental de Combustíveis e
Minérios1 era a responsável pela utilização do álcool em motores, com o marco de um Ford
em 1925 ter percorrido 230 quilômetros no Rio de Janeiro com álcool etílico hidratado 70%
(MARCOLIN, 2008).
Em 1929 a crise americana teve um papel de influenciar positivamente o mercado
interno de álcool combustível, como o mercado externo de açúcar foi bastante afetado pela
crise, ocorre expressivas quedas nos preços internacionais do açúcar e internamente a
demanda reduziu-se. No ano de 1931, Getúlio Vargas, por meio do Decreto 19.717/31,
definiu a mistura de 5% de álcool anidro na gasolina importada, além de criada no mesmo ano
a Comissão de Estudos Sobre o Álcool-Motor (CEAM) (DUNHAM et. al.,2011).
Posteriormente com o inicio da segunda guerra mundial, segundo Moraes (2000) a
produção de álcool anidro aumentou por causa da escassez da gasolina, praticamente
importada em sua totalidade. Em 1941 o teor da mistura sai dos 5% para 20% e em 1942,
segundo o mesmo autor, a indústria alcooleira foi declarada de interesse nacional, com
garantias de preços mínimos para o álcool.
Tabela 1. Número de destilarias e capacidade anual de produção de etanol anidro em
anos selecionados.
1933 1939 1941
N° de destilarias 1 31 44
Capacidade anual (mil litros) 100 38.000 76.600
Fonte: Szmrecsányi (1979).
O álcool até então era tido como um produto secundário para o setor canavieiro,
porém este cenário muda com os choques do petróleo da década de 70 e 80, alterando a
1 Orgão do governo de pesquisa que, em 1933, se torna o Instituto Nacional de Tecnologia (INT).
16
maneira do estado atuar, sendo o mesmo a mola propulsora do setor a fim de impulsionar a
produção e consumo interno. Em 1974 o Brasil era o maior importador de óleo entre os países
em desenvolvimento e o sétimo em escala mundial, antes do choque o Brasil gastava 15% das
receitas das exportações com a importação de petróleo e em 1974 este gasto passa a ser de
40% (SANTANA, 2006 citado por MORAES; BACCHI, 2015, p.8).
Diante da grande dependência do petróleo importado e de seus derivativos, o governo
lançou um programa para substituir e diminuir esta dependência, o programa denominado de
Proálcool, lançado no ano de 1975 (MORAES; BACCHI, 2015).
Dentro do Proálcool Shikida (1998) divide o programa em três fases:
i. A expansão modera de 1975 a 1979, governo responsável por investir 75% do
montante;
ii. Expansão acelerada, de 1980 a 1985, com o governo somando 56% dos investimentos;
iii. Desaceleração e crise, de 1986 a 1995, com 39% de participação do capital estatal;
Nos dois primeiros anos do programa Proálcool o incentivo foi dado para a produção
de álcool anidro para que este fosse utilizado misturado à gasolina na proporção de 20%. No
ano de 1977 o incentivo é estendido ao álcool hidratado, que enfrentava a barreira da
resistência das montadoras em produzir veículos movidos a álcool. Em 1979 é feito um
acordo entre os representantes do governo e a Associação dos Fabricantes de Veículos
Automotores para que fossem produzidos veículos movidos a álcool, que caracterizou a
segunda fase do programa (NIGRO; SZWARC,2010).
Depois do acordo a produção de veículos movidos a álcool, a produção saiu da faixa
dos 3 mil em 1979 para a quantidade de 573 mil no ano de 1985, com o alcance da marca
histórica de produção sendo alcançada em 1986 com o número de 697 mil veículos, se
caracterizando como a fase de expansão acelerada (MORAES; BACCHI, 2015).
A fase de desaceleração e crise é marcada pela constância da produção do etanol
hidratado combinado com a queda na produção de veículos a álcool. Essa fase é tida como a
crise do Proálcool que ocorre devido à combinação de alguns fatores conjunturais. O
Proálcool era viável com o preço do barril de petróleo acima do U$ 40, em 1986 o preço do
barril cai para o valor de U$ 13, em paralelo com a situação de conjuntura econômica do país,
que sofria de crises fiscais e como consequência reduziu as subvenções para a produção do
etanol além da liberalização das exportações do açúcar (Kohlhepp, 2010).
17
Em 1989 ocorreu um desabastecimento gerando um profundo impacto na confiança do
consumidor, como a frota de carros movidos a álcool cresceu mais rápido que a capacidade do
setor de suprir a demanda, isto gerou o desabastecimento sendo necessário a importação de
metanol para tentar suprir esta demanda (VIAN, 2002).
O problema do desabastecimento, a queda dos preços do petróleo, a deficiência
mecânica dos carros movidos a álcool e a abertura econômica que permitiu a importação de
veículos, de maioria movidos a gasolina, acarretaram na queda de demanda dos carros
movidos a etanol (NIGRO; SZWARC,2010).
Como vimos anteriormente Shikida (1998) faz uma divisão da expansão da produção
de álcool no Brasil iniciada com o Proálcool em três fases, no período de 1986 a 1995,
posteriormente seguindo a ordem cronológica Moraes e Bacchi (2014) definem mais três
fases do setor, que são chamadas: Adormecimento (1996-2002), revolução flex (2003-2008) e
Incerteza/estagnação (2008-2013).
Moraes e Bacchi (2014) descrevem a fase adormecida como que foi marcada pela
desregulamentação do setor acompanhada pelo aumento da produção de álcool anidro, que foi
impulsionada pela expansão do consumo da gasolina (pelo fato do álcool anidro ser utilizado
na mistura da gasolina) e pela queda do consumo do álcool hidratado. A fase da revolução flex
puxada pela adoção da nova tecnologia de motores flex, causa um aumento da produção do
álcool hidratado que mais do que triplica a produção, saindo dos 5,6 bilhões para 18,1 bilhões
de litros da safra 2002-2003 a safra 2008-2009. Na fase de Incerteza/estagnação, após o ano
de 2008 uma crise atinge o setor, e a produção do hidratado sofre mais uma queda: 18,6
bilhões na safra 2009-2010, para 13,96 na safra 2012-2013. Estes movimentos são retratados
nas figuras 1 e 2.
18
Figura 1. Produção de etanol do Centro-Sul e do Norte-Nordeste, em bilhões de litros,
nas safras de 1995–1996 a 2012–2013.
Fonte: Moraes e Bacchi (2015).
Figura 2. Produção brasileira de etanol anidro e hidratado, em bilhões de litros, anos
1995-2012.
Fonte: Moraes e Bacchi (2015)
A fase adormecida, que fica marcada pela desregulamentação do setor, causou
profundas mudanças à produção no Brasil. Alguns fatores foram responsáveis para justificar
essa desregulamentação, que ficam dividas em internos e externos. Dentre os internos estão: a
crise das finanças públicas e as políticas de combate à inflação, influenciando a redução dos
subsídios e financiamentos ao setor. A flutuação do preço do petróleo, altamente influenciado
pelo controle da Organização dos Países Produtores de Petróleo (Opep), além do
comportamento das exportações de açúcar que compete na produção nas usinas com o álcool,
19
caracterizando-se como os fatores externos. O estado neste momento deixa de ser interventor
para ser coordenador, deixando de tabelar os preços, permitindo as exportações açucareiras,
além de liberar os preços do etanol anidro e da cana-de-açúcar (SHIKIDA, 2014).
Este cenário impulsionou as indústrias a buscar investir em diferenciação e inovação,
causando a imersão de uma nova estrutura com novos aspectos técnicos e organizacionais
modernos. Muito embora o setor não se desenvolvesse dinamicamente na fase regulada
necessitando da intervenção estatal, no período não regulamentado o estado ainda se faz
necessário exercendo a função de coadunar a produção com a demanda, para evitar crises de
superprodução ou desabastecimento (SHIKIDA, 2014).
A fase impulsionada pela adoção da tecnologia flex, é marcada pela recente tendência
de preocupação ambiental, que força os países a buscar fontes de energia renováveis. Outro
fator esta ligado a esta expansão, é dada pela própria volatilidade dos preços dos combustíveis
fosseis nos últimos anos, o que estimulou países a buscarem alternativas energéticas, aliado a
desregulamentação e esta fase de expansão ocorre um forte aporte de Investimento
Estrangeiro Direto (IDE) no setor (SHIKIDA, 2014).
No período que caracteriza a incerteza/estagnação ocorre o fechamento de cerca de 40
usinas entre 2008 e 2012, fatores como a falta de coordenação e planejamento setorial e a
descoberta do Pré-sal relegaram ao etanol em um plano secundário. Adiciona-se o fato de que
o controle artificial do governo no preço da gasolina coloca o etanol, seu principal substituto,
em uma situação mais vulnerável e menos competitiva, mesmo com a adoção de modernas
tecnologias que foram empregadas na produção alcooleira. Com a crise financeira de 2008,
recursos de crédito se tornaram mais escassos, o que dificultou para as empresas a
manutenção e renovação dos canaviais tornando mais caro a produção de álcool e açúcar e
consequentemente fechando diversas usinas (SHIKIDA, 2014).
A produção de álcool no Brasil está diretamente ligada aos fatores conjunturais que a
envolve. Ao passar dos anos as diferentes políticas governamentais moldaram o setor e
impactaram positiva ou negativamente, bem como as variáveis econômicas, por exemplo,
preço do barril de petróleo, do açúcar e taxas de câmbio possui efeitos diretos sobre os
produtores. Dentro de um ambiente que demonstra ser bastante volátil, buscar a eficiência na
produção pode ser um fator de sobrevivência, mostrando a importância de mensurar índices e
padrões de eficiência, tanto para o administrador das usinas como que para servir de insumo
de análise para o formulador de políticas públicas voltadas ao setor.
20
3. REVISÃO DA LITERATURA SOBRE EFICIÊNCIA NO SETOR
SUCROALCOOLEIRO DO BRASIL
3.1. Síntese dos Trabalhos dobre Análise de Eficiência do Setor.
Em trabalhos que procuram mensurar a eficiência de determinado setor, tem-se
utilizado com bastante frequência a metodologia de Análise Envoltória de Dados (DEA).
Dessa forma, apesar desta técnica ser, atualmente, empregada em diversos trabalhos nas mais
diversas áreas de atividades econômicas, o número de pesquisas de análise de eficiência
aplicadas ao setor sucroalcooleiro ainda é reduzido. Neste capítulo fez-se uma breve revisão
de alguns trabalhos que serviram como base para a construção da presente pesquisa.
Macedo et. al. (2006) utilizou dados com base em variáveis contábeis e financeiras de
vários setores econômicos do segmento agroindustrial brasileiro. No trabalho são utilizados
dados do Anuário do Agronegócio da Revista Exame edição 2007, com os seguintes setores,
conforme tabela 2.
Tabela 2. Número de Empresas do Universo e da Amostra por Setor.
Setor Universo
Empresas Excluídas
por Falta de
Informações
Empresas Excluídas por
Problemas nas
Informações
Amostra
Final
Açúcar e Álcool 62 6 6 50
Adubos e Defensivos 24 4 8 12
Aves e Suínos 21 5 3 13
Café 15 2 2 11
Leite e Derivados 19 5 3 11
Madeira, Celulose e Papel 59 9 8 42
Óleos, Farinhas e Conservas 49 11 6 32
Têxtil e Vestuário 21 4 9 8
Fonte: Macedo et al. (2006)
As variáveis utilizadas por Macedo et al. (2006) foram os seguintes indicadores:
Rentabilidade do PL (como output), Alavancagem e Taxa de Receita Imobilizada (como
inputs). O modelo utilizado para análise foi o VRS (ou também conhecido BCC, com retornos
variáveis de escala), como principais conclusões percebe-se que não existe relação entre
21
tamanho da empresa, segundo o critério de faturamento, e eficiência, observando ainda que
em alguns setores a relação foi inversa, ou seja, as empresas maiores são as menos eficientes.
O autor ainda conclui que as empresas líderes em desempenho não são as maiores em termos
de receita, dando total condição para que as empresas de pequeno e médio porte garantam sua
sobrevivência, pois não é o tamanho que gera competitividade, mas o desempenho superior.
O trabalho feito por Salgado Junior, Bonacim e Pacagnella Junior (2009), agora
tratando especificamente do setor das usinas de açúcar e álcool, fez uma análise utilizando
apenas usinas do estado de São Paulo, especificamente da região nordeste do estado. O
objetivo do trabalho consistiu em analisar a relação entre o tamanho e a eficiência operacional
das usinas desta região, utilizando informações de 26 usinas. Para a escolha das variáveis o
autor faz um levantamento bibliográfico na qual ele resumiu no quadro 1 a seguir:
Quadro 1. Embasamento teórico das variáveis relevantes (Modelagem DEA).
Fonte: Salgado Junior, Bonacim e Pacagnella Junior (2009).
Além do levantamento bibliográfico Salgado Junior, Bonacim e Pacagnella Junior
(2009), utilizaram outra técnica para realizar a escolha de quais destas são as mais importantes
para o calculo da fronteira de eficiência. A técnica utilizada pelo autor é chamada de stepwise,
e os passos seguidos, bem como a descrição da técnica, são ilustrados abaixo:
1) “calcular a eficiência média de cada par input-output possível. Nesse passo
deve-se aplicar um modelo DEA para cada par input-output. Após, para cada
resultado encontrado calcula-se a eficiência média de todas as DMU’s;
2) “escolher o par input e output inicial que gerou a maior eficiência média (base
do modelo);
22
3) uma vez de posse do par inicial, aplicar o modelo com mais uma variável.
Repetir esse procedimento para cada variável que ainda não foi incluída no
modelo;
4) calcular a eficiência média para cada variável incluída;
5) escolher a variável que gerou a maior eficiência média para ser incluída no
modelo; e
6) verificar se o aumento da eficiência foi significativo. O estudo considerou como
acréscimos significativos aqueles superiores a 5%, conforme recomendação de
Souza (2006). Em caso afirmativo, repetir o procedimento três. Caso contrário,
retirar a última variável incluída e finalizar o processo. (SALGADO JUNIOR;
BONACIM; PACAGNELLA JUNIOR, 2009, p. 505).
Como resultados Salgado Junior, Bonacim e Pacagnella Junior (2009), as usinas
pequenas médias e grandes tiveram e grandes, tiveram respectivamente eficiências médias de
0,8193, 0,8095 e 0,8966, constatando que mesmo que com a maior eficiência média
(estatisticamente), nem todas as usinas de grande porte são consideradas eficientes e no
sentido oposto, apesar de eficiência média inferior, nem todas as usinas de pequeno porte
foram consideradas ineficientes, constatando a não relação entre porte e eficiência
operacional.
No trabalho de Macedo, Cípola e Ferreira (2010), a abordagem deixa de ser apenas
econômica para adicionar um caráter socioambiental. A perspectiva dos autores é que as
sociedades modernas exigem que as empresas demonstrem um custo-benefício positivo,
agregando valor à economia e a sociedade, respeitando os direitos humanos de seus
colaboradores, sem que sua atividade agrida o meio ambiente. Os dados foram colhidos dos
balanços sociais, modelo Ibase, dos anos de 2004, 2005 e 2006 de 19 usinas distribuídas por
todas as regiões brasileiras, exceto a região Norte. As variáveis utilizadas foram: Indicadores
Sociais Internos, Indicadores Sociais Externos e Investimento em Meio Ambiente como
outputs, e Receita Líquida como input. Para melhor entender a análise o quadro 2 traz a
descrição das variáveis utilizadas por estes autores.
O modelo DEA utilizado foi o CRS (também conhecido como CCR, ou retornos
constantes de escala), orientado a output. Os autores concluem que em relação aos indicadores
socioambientais, os investimentos ambientais são aqueles que mais precisam de incrementos
para que as empresas alcancem a eficiência e chama a atenção ao fato desta atividade possuir
fortes impactos ambientais, ligados a sua característica de monocultura e deficiência
justamente neste tipo de investimento.
23
Quadro 2. Descrição das Variáveis.
Indicadores Sociais
Internos
Representa o output 01 e mede o total de recursos investidos no
bem-estar dos funcionários. Dentre esses recursos estão os gastos
com alimentação, segurança no trabalho, previdência privada e
social, saúde, educação, cultura, capacitação e desenvolvimento
profissional, creches, entre outros. É um índice do tipo quanto
maior, melhor o desempenho.
Indicadores Sociais
Externos
Indicador que representa o output 02, sendo obtido pela soma de
todos os recursos investidos pela empresas em benefício da
sociedade, em áreas como: educação, esporte, saúde, cultura, etc.
É um índice do tipo quanto maior, melhor o desempenho.
Investimentos em Meio
Ambiente
Representa o output 03 e mede os investimentos na área
ambiental, tanto relacionados à operação da empresa (que são
importantes neste setor), quanto aos externos à operação. Por
conta disso, é um índice do tipo quanto maior, melhor o
desempenho.
Receita Líquida
Representa o input 01 e mede o faturamento líquido da empresa
(receita bruta menos deduções e impostos sobre vendas). É
utilizado na análise como uma proxy da disponibilidade de
recursos da empresa para investir na área socioambiental. É um
índice do tipo quanto menor, melhor o desempenho.
Fonte: Macedo, Cípola e Ferreira (2010).
Carlucci (2012) analisou a eficiência utilizando DEA em um número de 355 usinas,
distribuídas por 16 estados. Os dados foram obtidos no anuário da cana na safra 2008/2009,
utilizando como variáveis moagem total, em toneladas, açúcar e etanol produzidos com
valores de ambos em toneladas. Destas 355 usinas, 60 são grandes, 163 médias e 132
pequenas e a distribuição ao longo do território, descritas na tabela 3.
Além da análise quantitativa Carlucci (2012) utiliza um critério qualitativo, realizando
visitas técnicas, entrevistas semiestruturadas junto aos gestores das usinas, além de ter
entrevistado especialistas do setor a fim de aumentar o conhecimento técnico do setor. Das
355 usinas foram classificadas como eficientes um valor aproximado de 3% do total da
população, oito das onze consideradas eficientes se encontram no estado de São Paulo,
analisando pela classificação de tamanho das usinas fornecidas pela ÚNICA, existem cinco
usinas grandes, duas usinas médias e quatro usinas pequenas eficientes. Como conclusão o
24
autor estabelece uma relação entre tamanho, localização e eficiência, afirmando que as usinas
de São Paulo são mais eficientes que as das demais regiões e igualmente as usinas de grande
porte também são mais eficientes que as demais.
Tabela 3. Distribuição das usinas por estado.
Localização N° Usinas Porcentagem
SP 170 48%
MG 32 9%
GO 28 8%
PR 28 8%
AL 24 6,75%
PE 23 6,5%
MS 14 3,5%
MT 11 3%
RJ 7 2%
ES 6 2%
PB 4 1%
BA 3 0,85%
MA 12 0,55%
AM 1 0,3%
SE 1 0,3%
RS 1 0,3%
Fonte: Carlucci (2012).
Outro trabalho importante a ser citado, devida a semelhança com o presente estudo, foi
o trabalho de Salgado Junior et. al. (2013), que analisa a eficiência operacional das usinas de
cana-de-açúcar. Os autores utilizam dados do Anuário da Cana-de-Açúcar 2008/2009,
estratificando as usinas pelo tamanho seguindo o critério da UNICA(2011). Além de
classificar por tamanho as usinas são classificadas por estado, em total de 16. O modelo
utilizado no trabalho foi o BCC com orientação a inputs, logo após calcular a fronteira de
eficiência aplicam o teste estatístico de Mann-Whitney para testar se as proporções são
significantemente diferentes do que do resto da população, por grupo de tamanho.
25
Concomitantemente aplicam o teste Binomial, para verificar se existe a mesma proporção de
usinas eficientes no estado de São Paulo comparado com o restante da população.
Salgado Junior et. al. (2013) concluem que existe uma tendência de que no grupo das
usinas mais eficientes haja uma maior concentração no estado de São Paulo, porém conclui
que o tamanho das usinas não é um fator determinante para a eficiência das mesmas.
Por ultimo temos o trabalho de Oliveira (2015), que busca analisar os impactos que as
usinas causam localmente quando se trata de desenvolvimento destas regiões. Como as usinas
geram bastantes impactos econômicos nas regiões em que estão instaladas, seja por meio de
contratações ou pela geração de tributos, em períodos de crises estas indústrias podem gerar
externalidades negativas para estas regiões. Busca-se no trabalho avaliar a eficiência da gestão
pública em promover o desenvolvimento local das regiões produtoras.
As unidades que serão avaliadas na questão de eficiência serão os próprios municípios,
como a técnica DEA exige homogeneidade entre as unidades de analise (dentro da
metodologia DEA conhecidas como DMU’s), se faz necessário utilizar técnicas que agrupem
municípios que possuam características semelhantes. Além deste fator, também é destacado
que metodologia DEA possui algumas armadilhas que necessitam de atenção, alguns destes
problemas são resumidos e atrelados a protocolos que devem ser observados para resolver
estes problemas, conforme se pode ver no Quadro 3.
Quadro 3. Armadilhas e Protocolos na Execução de DEA.
Armadilha Protocolo
Comparar unidades que não são
homogêneas
Uma abordagem possível é buscar comparadores externos e, em
seguida, fazer a comparação interna, comparando a posição de cada
departamento em seu próprio campo. Outra possibilidade é aplicar
clusters ou separa-los em seguimentos.
Comparar unidades em ambientes
que não são homogêneos
O problema pode ser superado incluindo variáveis ambientais no
modelo.
A escolha da escala
O método tradicional não poderá diferenças de escala. O Retorno
Variável sim, mas ele pode gerar uma armadilha caso não seja válida
sua real utilização. Quando o retorno variável de escala não seja
conhecido a priori, Banker (1996) propôs o uso de teste de hipóteses
para o efeito de escala.
Fatores Correlacionados
Subconjuntos de inputs e outpus estão frequentemente correlacionados
e é tentador omitir tais variáveis correlacionadas para aumentar o poder
do modelo. O que é incorreto.
Se uma variável essencial for excluída o impacto no modelo geral é
negativo e deve ser evitado.
Quando a correlação positiva é entre (input x output) a exclusão não
altera o resultado. Mas se for entre pares (input x input, output x output)
eles devem ser mantidos.
Misturar indicadores e índices e
indicadores de volume
Os indicadores devem ser do mesmo tipo. Uma alternativa é escalar o
índice por algum input (pouco recomendável). Ou substituir o índice
por outro indicador.
26
Uso de porcentagens e dados
normalizado É aceito se todos os inputs e/ou outputs forem os mesmos.
Fonte: Oliveira (2015).
Para agrupar os municípios com características semelhantes fez-se primariamente por
estado e posteriormente foi utilizado a técnica de Cluster K-means, dividindo os municípios
em quatro clusters em função do desempenho da arrecadação. Para cada cluster foi realizado
um modelo para cada dimensão de desenvolvimento que o autor classifica em quatro, que são:
Social, Econômica, Política e Ambiental. Como inputs o autor utiliza os mesmos para os
todos os modelos, conforme é descrito no quadro 4.
Quadro 4. Inputs e fonte de coleta de dados.
Fonte: Oliveira (2015).
E em relação às outputs o quadro 5 descreve as variáveis e as dimensões nas quais elas
se enquadram.
27
Quadro 5. Outputs do modelo DEA.
Fonte: Oliveira (2015).
Os resultados destes estudos são bastante extensos, já que são utilizados 16 modelos
diferentes para a análise, mas como conclusão geral o autor afirma que os municípios são
mais eficientes no desenvolvimento de suas dimensões sociais e econômicas, além disso, os
municípios que possuem as usinas instaladas em seus territórios também apresentaram índices
de eficiência superior que os demais. Novamente, a dimensão ambiental é a que apresenta o
pior resultado, nos dando indício de que a questão ambiental não é priorizada nem pelas as
usinas produtoras, nem pelos governos a nível municipal.
3.2. Produção Sucroalcooleira brasileira.
O setor sucroalcooleiro brasileiro é de relevante papel dentro da economia brasileira,
representando um setor de extrema importância para segurança alimentar e energética do país.
A Gráfico 1 logo abaixo nos mostra como é dispare a produção de cana-de-açúcar, em relação
a outras culturas, o valor em toneladas produzidas no Brasil no ano de 2009 comparando com
outras lavouras temporárias brasileiras.
28
Gráfico 1. Produção em toneladas de cana de açúcar no ano de 2009.
Fonte: Censo da agricultura Instituto Brasileiro de Geográfica e Estatística (IBGE).
No ano de 2009 a cana-de-açúcar é o produto mais volumoso da produção agrícola,
superando em doze vezes a produção de soja que é a segunda maior em volume para o ano de
2009. Apesar da cultura da cana-de-açúcar possuir este elevado volume de produção, isso não
se reflete em valor de produção, perdendo o posto para a soja, a cultura com o maior valor de
produção dentre as lavouras temporárias. Uma possível explicação pode ser devido à cana-de-
açúcar ser utilizada como insumo para produção de açúcar e álcool, estes sim os produtos
finais, diferente da soja que tem sua destinação primariamente para a exportação e geralmente
comercializada com baixo ou nenhum beneficiamento. O gráfico 2, exemplificará o valor da
produção da cana de açúcar comparada a outros produtos também de lavoura temporária.
Soja (em grão) (Toneladas); 57.345.382
Milho (em grão) (Toneladas); 50.719.822
Cana-de-açúcar (Toneladas); 691.606.147
0100.000.000200.000.000300.000.000400.000.000500.000.000600.000.000700.000.000800.000.000
Lavoura Temporária 2009 (toneladas)
29
Gráfico 2. Valor da Produção das lavouras temporárias brasileiras.
Fonte: Censo da agricultura IBGE.
Apesar da soja liderar em termos de valor da produção, a cana-de-açúcar é o
segundo em termos de valor de produção, o que destaca este setor dentro da economia
brasileira, especificamente da agroindústria. Outro questão importante diz respeito ao
tamanho das áreas colhidas destas lavouras, que estão ilustrados no gráfico 3 para comparação
com as outras lavouras temporárias no Brasil.
Gráfico 3. Área colhida das lavouras temporárias 2009.
Fonte: Censo da agricultura IBGE.
Quando se trata do tamanho das áreas colhidas, a cana-de-açúcar fica em terceiro
lugar, atrás do milho e soja. Este é um ponto de discussão bastante forte, Salgado Junior et al.
(2013) citando Goldemberg, Coelho, Guardabassi (2008), ressalta que a cultura da cana-de-
24.634.948
15.032.484
37.988.045
05.000.000
10.000.00015.000.00020.000.00025.000.00030.000.00035.000.00040.000.000
Valor da Produção (em mil reais)
8.617.555
4.099.991
13.654.715
21.750.468
0
5.000.000
10.000.000
15.000.000
20.000.000
25.000.000
Área Colhida 2009 (hectares)
30
açúcar pode causar possíveis impactos negativos, dentre eles: a destruição ou danos causados
em áreas de biodiversidade, desmatamento, degradação do solo através do uso de produtos
químicos de descarbonização do solo, contaminação de recursos hídricos, competição entre
produção de alimentos e produção de combustíveis, além de uma piora nas condições de
trabalho nos campos de produção.
31
4. METODOLOGIA
4.1. Descrição do Método
Para a realização do estudo foi utilizada a metodologia de Análise Envoltória de
Dados (DEA), desenvolvida por Charnes et al. (1978), que pode ser definida como uma
técnica de pesquisa operacional que se baseia em programação linear e tem por objetivo
comparar o desempenho operacional de unidades de produção quanto à transformação de seus
insumos em produtos, criando uma fronteira de eficiência relativa (COOPER et al.,2004).
Charnes et al. (1978) definem que a taxa de eficiência relativa de uma DMU (Decision
Making Units), que se refere às unidades tomadoras de decisão, as quais transformam seus
insumos em produtos, é igual a razão entre a soma ponderada dos produtos e a soma
ponderada dos insumos, onde os pesos de ambos são selecionados de forma a maximizar a
medida de eficiência de cada DMU estudada, de forma que o conjunto de pesos obtidos para
cada DMU deve ser também possível para todas as outras, de forma que nenhuma DMU
possa apresentar score maior que um.
Trata-se de um problema de programação fracionária que pode ser linearizado e
transformado no Problema de Programação Linear (PPL) ilustrado em (1), onde h0 é a
eficiência da DMU o que está sendo analisada, xio e yio são, respectivamente, os inputs e
outputs desta DMU e vi e uj, são os pesos calculados para seus respectivos inputs e outputs.
Para o nosso trabalho em questão será utilizado três variações da técnica do DEA. A
primeira técnica é o modelo CCR, conhecido como modelo de retornos constantes, onde se
busca maximizar o quociente entre a combinação linear dos inputs, com restrição de que para
qualquer DMU esse quociente não pode ser maior do que 1. (Âgulo Meza et al., 2007). O
problema de programação linear é descrito em (1), no qual ℎ𝑜 é a eficiência da DMU em
análise, 𝑥𝑖𝑜 e 𝑦𝑗𝑜 são os inputs e os outputs da DMU o, 𝑣𝑖 e 𝑢𝑗 são os pesos calculados pelo
modelo para cada input e output.
max = ℎ𝑜 ∑ 𝑢𝑗𝑦𝑗𝑜
𝑚
𝑗=1
sujeito a
∑ 𝑣𝑖𝑥𝑖𝑜 = 1
𝑛
𝑖=1
32
∑ 𝑢𝑗𝑦𝑗𝑘
𝑚
𝑗=1
− ∑ 𝑣𝑖𝑥𝑖𝑘
𝑛
𝑖=1
≤ 0 (1)
𝑘 = 1, … , 𝑠
𝑢𝑗 , 𝑣𝑖 ≥ 0 ∀𝑖, 𝑗
Já o modelo BCC modifica o modelo CCR adicionando a hipótese de retornos não
constantes de escala, e segundo Ãgelo Meza et al. (2007), considera situações de eficiência de
produção com variação de escala sem assumir uma relação de proporcionalidade entre inputs
e outputs, e seu problema de programação linear é apresentado em (2).
max ℎ𝑜 = ∑ 𝑢𝑗𝑦𝑗𝑜
𝑠
𝑗=1
− 𝑢∗
sujeito a
∑ 𝑣𝑖𝑥𝑖𝑜 = 1
𝑚
𝑖=1
∑ 𝑢𝑗𝑦𝑗𝑘
𝑠
𝑗=1
− ∑ 𝑣𝑖𝑥𝑖𝑘
𝑛
𝑖=1
− 𝑢∗ ≤ 0 (2)
𝑘 = 1, … , 𝑛
𝑢𝑗 , 𝑣𝑖 ≥ 0 ∀𝑥, 𝑦 𝑢∗ ∈ ℜ
A terceira e ultima variação do DEA a ser utilizado neste trabalho, é o modelo de
retornos decrescentes de escala, que modifica o modelo BCC e cria uma fronteira que capta
todos aqueles que estão na zona de rendimentos decrescentes, com o problema de
programação matemática descrito em (3):
max ℎ𝑜 = ∑ 𝑢𝑗𝑦𝑗𝑜
𝑠
𝑗=1
− 𝑢∗
sujeito a
∑ 𝑣𝑖𝑥𝑖𝑜 ≤ 1
𝑚
𝑖=1
∑ 𝑢𝑗𝑦𝑗𝑘
𝑠
𝑗=1
− ∑ 𝑣𝑖𝑥𝑖𝑘
𝑛
𝑖=1
− 𝑢∗ ≤ 0 (3)
33
𝑘 = 1, … , 𝑛
𝑢𝑗 , 𝑣𝑖 ≥ 0 ∀𝑥, 𝑦 𝑢∗ ≤ 0
A técnica DEA cria uma superfície envoltória que representa uma fronteira eficiente, a
eficiência é dada por aquelas usinas que conseguem a maior quantidade de outputs, em
relação às outras DMU’s, que utilizam a menor quantidade de inputs para atingir um dado
nível de outputs. Permite fazer projeções, da combinação de insumos, permitindo que se possa
reduzir insumos ou aumentar produtos até o ponto que se atinja a fronteira de eficiência. Cria
DMU’s de referência, que serve de benchmark para que os gestores possam tomar decisões
baseados em DMU’s que já estão na fronteira (VASCONCELOS et al.,2006).
A utilização destas três variações tem como objetivo, primariamente, analisar as
eficiências técnicas considerando retornos variáveis de escala através do modelo BCC, já que
estamos utilizando diferentes tamanhos de usinas, e a escala em que se encontram as usinas
faz parte de uma análise que é necessária para não comparemos usinas que tenham
características de produção muitos diferentes. Os modelos CCR e DRS têm como objetivos a
análise de eficiência de escala, os coeficientes dos três modelos serão analisados e
comparados para assim obteremos além da eficiência técnica a eficiência de escala, podendo
assim identificar em que região, se constante, crescente ou decrescente, as usinas estão
operando.
4.2. Descrição das variáveis
Os dados sobre as usinas de açúcar e álcool utilizados neste trabalho foram obtidos do
Anuário da Cana2, safra 2008/2009. A escolha do anuário da cana de 2009 é devido ao fato de
que as informações contidas eram as mais recentes em relação ao início desta pesquisa,
destacando ainda que aquisição destes dados envolve custos financeiros por parte da
instituição/pesquisador, o que caracterizou um fator limitante para expansão da análise em
outros períodos de tempo.
Como inputs (insumos) foram utilizados quantidade de empregados e total da
moagem, como outputs (produtos) açúcar e álcool. Foram coletados dados de 62 usinas
localizadas no Nordeste, Sudeste, Sul e Centro-Oeste. A escolha de inputs e outputs foi
semelhante à de Salgado et al. (2013), porém com a diferença de que foi acrescentada na
2 Disponível em: <https://www.jornalcana.com.br/anuario-da-cana/>.
34
presente pesquisa a variável emprego para analisar também como a produtividade do trabalho
afeta a eficiência das usinas. A escolha das variáveis também foi norteada pela
disponibilidade de dados pelas usinas. Dessa forma, não foi possível utilizar as informações
de todas as usinas que estavam catalogadas no anuário da cana, pois muitas não apresentaram
o número de empregados por exemplo. No quadro 6, tem-se um resumo das variáveis que
foram utilizadas nesta pesquisa.
Quadro 6. Variáveis utilizadas na pesquisa.
Variáveis Unidade de
medida Classificação Definição
Moagem Toneladas (ton) Input
Valor total, em toneladas
de cana-de-açúcar,
utilizados na produção de
açúcar e etanol safra
2008/2009.
Emprego Número de
empregados Input
Valor total, em números de
trabalhadores contratados,
para a safra 2008/2009.
Açúcar Toneladas (ton) Output
Valor total, em toneladas,
de açúcar produzido na
safra 2008/2009.
Etanol Metros cúbicos
(m³) Output
Valor total, em metros
cúbicos, de etanol
produzido na safra
2008/2009.
Fonte: Elaboração própria.
4.3. Descrição da amostra
Foram utilizadas dados de 62 usinas distribuídas pelas regiões Nordeste, Centro-Oeste,
Sudeste e Sul. Como já mencionado, os dados foram coletados do anuário da cana 2009,
porém só foram escolhidas as usinas que possuíam todas as informações que foram descritas
no item anterior, excluindo as demais da amostra. A razão da exclusão da região Norte se deu
devido à existência de apenas uma usina com os critérios necessários para a inclusão na
amostra. Como este trabalho analisa a média por região, decidiu por excluir está única usina e
como consequência a região Norte foi retirada da análise. A tabela 4 apresenta um resumo das
usinas por região.
35
Tabela 4. Distribuição das usinas por região.
Região Número Participação
NE 12 19,35%
SE 36 58,06%
SU 6 9,68%
CO 8 12,90%
Total 62 100,00% Fonte: Elaboração própria utilizando os dados coletados.
Como a análise buscará estabelecer uma relação entre tamanho e eficiência, as
usinas foram divididas em grupos de acordo com a classificação ÚNICA(2011). O tamanho
das usinas utilizam os critérios da classificação da ÚNICA (2011), cujo dado utilizado para
esta divisão foi a capacidade de moagem da usina, ou seja: i) acima de 2,5 milhões de
toneladas, as usinas são classificadas como de grande porte; ii) de 1 milhão a 2,5 milhões de
toneladas serão classificadas como de médio porte e; iii) abaixo de 1 milhão de toneladas
serão classificadas como usinas de pequeno porte. O número de usinas classificadas segundo
porte é feito no quadro 5 abaixo.
Tabela 5. Distribuição dos grupos por tamanho.
Grupo Número Participação
Pequenas 14 22,58%
Médias 35 56,45%
Grandes 13 20,97%
Total 62 100,00% Fonte: Elaboração própria utilizando os dados coletados.
Fazendo uma breve análise dos dados acima, o Sudeste lidera o número de usinas se
caracterizando como uma região que já possui uma forte tradição na produção de cana-de-
açúcar e álcool no país, em seguida temos o Nordeste, Centro-Oeste e Sul, por ordem do
número de usinas na região do maior para o menor. A região Sudeste possui 58,06% das
usinas de nossa amostra, uma única região possui mais usinas que todas outras juntas. Em
relação ao tamanho predominam as usinas de médio porte, estando as de pequeno e grande
porte bem equilibradas na amostra. Para completar nossa análise de dados, foi elaborado um
quadro resumo das variáveis de moagem, emprego, açúcar e álcool, conforme tabela 6.
36
O Sudeste lidera em todas as variáveis, com participação relativa superior a 60% em
todas. Novamente reforça o tamanho e a importância da região Sudeste dentro da amostra.
Devido a essa concentração, dá indícios de que a cadeia produtiva da região Sudeste supera as
das outras regiões, criando um questionamento que será analisado posteriormente, sobre
vantagens que essa região venha a ter sobre as demais e que possam conduzir a região a ter
uma maior eficiência técnica. É notável também que a região Nordeste destina a maior parte
de sua produção a produzir açúcar, representando menos de 1% de produção de álcool em
nossa amostra.
Tabela 6. Resumo das variáveis.
Moagem
Total(ton) % Emprego %
Açúcar
(ton) %
Álcool
(m³) %
NE 12.741.541 10,28 2.350 2,32 82.099 1,24 20.217 0,40
SE 84.805.107 68,44 70.684 69,75 5.195.617 78,75 3.787.895 74,64
CO 17.740.416 14,32 15.448 15,24 837.269 12,69 904.852 17,83
SU 8.633.224 6,97 12.861 12,69 482.673 7,32 361.858 7,13
Total 123.920.288 100 101.343 100 6.597.658 100 5.074.822 100 Fonte: Elaboração própria utilizando os dados coletados.
4.4 Descrição da análise
Para analisar fatores como a localização das usinas dentro das regiões brasileiras e o
tamanho pela classificação da ÚNICA(2011), foi calculado a média dos coeficientes de
eficiência de todas as 62 usinas e posteriormente se comparou contra as médias de cada grupo
(região e tamanho). Como o número de usinas pertencentes aos grupos são muito diferentes,
foi aplicado o teste t de diferenças de médias, para confirmar se as diferenças de médias são
significantes, considerando um nível de significância de 5%. Além de observar a questão das
eficiências técnicas verificaremos a eficiência de escala.
A figura 3 ilustra visualmente esta análise. A linha tracejada corresponde à fronteira de
eficiência BCC, que é a fronteira que utilizada para analisar as eficiências técnicas, possuindo
como característica diferentes retornos de escala, por isso sua forma convexa. A fronteira
CCR tem um formato de reta e demostra que ela considera que exista uma relação de
proporcionalidade entre inputs e outputs, e se mantém constante para todas as DMU’s. Para a
analise de escala é preciso fazer primeiro fazer a relação CCR/BCC, que se igual a 1 esta
DMU se encontra em uma região de retornos constantes de escala, caso contrário em uma
37
região de retornos não constantes. Caso a divisão CCR/BCC não for igual a 1, procede-se o
calculo da razão DRS/BCC para descobrir em qual faixa de retornos não constantes se
encontra a DMU, na qual o resultado igual a 1 significa retornos decrescentes e diferente de 1
retornos crescentes.
Figura 3. Fronteiras de eficiência.
Fonte: Elaboração própria.
Para a visualização gráfica desta análise ilustrada na figura 3, temos a fronteira CCR
dada pela linha continua e a fronteira BCC como a linha tracejada. A fronteira DRS é dada
pelos segmentos 0B e BC, concluindo assim que a faixa de retornos crescentes é dada pelo
segmento AB, o ponto B é faixa de retornos constantes e o segmento BC a de retornos
decrescentes de escala.
A orientação escolhida foi em relação a inputs, justificando a escolha na razão de que
dentro de um ambiente de competividade, as empresas que conseguirem produzir com a
menor quantidade de insumos o mesmo produto, terão uma clara vantagem competitiva em
relação às demais. A melhor combinação de insumos está ligado a capacidade da usina de
obter melhores resultados e assim fornecer uma referência para as demais usinas que compõe
o setor.
38
(continua)
5. RESULTADOS E DISCUSSÃO
5.1. Apresentação dos resultados
Os resultados seguem a mesma ordem em que foram apresentados os objetivos no
capítulo de introdução, primeiro a análise por região, depois por porte da usinas e por ultimo
análise de escala. O software utilizado para o cálculo das fronteiras foi o software livre R,
utilizando o pacote chamado Benchmark de autoria de Peter Bogetoft e Lars Otto, todos
localizados no diretório de dados CRAN. Neste sub tópico 5.1 veremos a apresentação dos
resultados e as discussões dos mesmos serão feitas no sub tópico 5.2. Na tabela 7 abaixo
segue os resultados dos scores calculados seguidos de seus respectivos inputs e outputs.
Tabela 7. Quadro resumo dos scores.
Usina
Insumos(inputs) Produtos(outputs)
Emprego
Moagem
Total
(ton)
Açúcar (ton) Álcool
(m³) UF Score
PAISA 781 709.972 54.353 32.773
AL
1,00
SANTA
CLOTILDE 3.570 1.062.588 81.589 29.782 0,87
SINIMBU 4.066 1.517.685 127.501 44.393 0,95
SUMAÚMA 893 880.388 82.878 21.670 1,00
AGROVALE 3.540 1.297.570 59.269 69.088 BA 0,83
CACAÚ 5.745 1.106.265 76.632 40.231
PE
0,87
JB 3.670 989.140 38.363 62.988 0,92
SALGADO 2.900 685.992 63.722 13.843 1,00
SÃO JOSÉ 3.687 1.270.646 117.119 33.084 0,99
USICODA - OLHO
D'AGUA 4.460 1.660.579 147.513 40.823 0,97
USJP 2.350 909.188 82.099 20.217 SE 0,96
AÇUCAR
ALEGRE 2.000 651.528 46.148 19.748 PB 1,00
ALTA PAULISTA 1.913 1.413.234 38.716 91.148
SP
0,81
BATATAIS 2.029 3.441.118 245.500 136.500 0,98
BIOPAV1 1.798 947.494 8.614 54.627 0,87
39
Usina
Insumos(inputs) Produtos(outputs)
Emprego
Moagem
Total
(ton)
Açúcar (ton) Álcool
(m³) UF Score
CAMPESTRE 2.405 2.485.506 95.440 140.936
SP
0,90
COLOMBO-
ARIRANHA 4.446 5.152.190 394.077 200.093 1,00
DESTIL-ITAJOBI 1.340 1.100.000 42.440 88.370 1,00
DIANA 1.050 902.083 40.598 48.313 0,90
EQUIPAV 4.937 6.530.403 290.089 344.592 1,00
ESTER 1.741 1.928.069 107.750 81.360 0,82
ETH-ALCÍDIA 1.805 1.350.442 58.000 85.842 0,90
FERRARI 1.562 1.865.947 115.562 83.464 0,90
IPIRANGA-
DESCALVADO 811 1.362.005 106.903 45.425 0,95
IPIRANGA-
MOCOCA 1.253 1.549.632 94.550 73.296 0,91
NOVA AMÉRICA-
MARA 1.562 3.332.844 258.000 123.450 1,00
NOVA AMÉRICA-
PARÁCO 1.122 945.099 48.337 49.551 0,87
NOVA AMÉRICA-
TARUMÃ 2.970 4.145.247 287.235 168.092 0,97
PARAISO
BIOENERGIA 2.025 1.871.486 128.102 78.326 0,93
PIONEIROS 1.732 1.817.674 103.509 91.397 0,91
PITANGUEIRA 885 2.166.916 137.748 104.985 1,00
RUETTE 831 1.921.415 140.252 78.508 0,99
SANTA CÂNDIDA 3.264 3.203.282 217.656 142.436 0,97
SANTA CRUZ 3.280 3.808.287 233.425 168.824 0,94
SANTA FÉ 2.531 2.462.492 71.650 163.150 0,99
SANTA ISABEL 2.037 2.175.554 154.491 82.868 0,92
SANTA ISABEL-
MENDON 1.164 2.288.422 197.911 74.669 1,00
SÃO JOSÉ DA
ESTIVA 1.850 3.190.576 199.650 95.084 0,79
40
Usina
Insumos(inputs) Produtos(outputs)
Emprego
Moagem
Total
(ton)
Açúcar (ton) Álcool
(m³) UF Score
SÃO LUIZ-
OURINHOS 3.300 2.297.432 152.476 90.085 0,89
USJ-SÃO JOÃO
DE ARARAS 2.655 3.609.199 222.741 156.457 0,94
COAGRO 420 866.797 58.431 28.582 RJ 1,00
ALVORADA 1.309 1.538.130 96.532 67.810
MG
0,89
CAETÉ-DELTA 4.436 4.110.622 369.733 114.907 1,00
CAETÉ-VOLTA
GRANDE 2.254 4.270.566 251.587 195.411 1,00
INFINITY-
ALCANA 1.222 718.494 16.156 41.381 1,00
SANTO ÂNGELO 607 2.033.862 160.873 72.270 1,00
WD 360 854.291 25.753 54.001 1,00
DISA 1.778 1.148.297 25.130 71.685 ES 0,84
COFERCATU 2.667 29.925 80.702 1.212.657
PR
0,86
COROL 715 50.686 30.296 891.140 0,87
SABARÁLCOOL-
CEDRO 1.815 62.175 45.062 1.192.849 0,74
SABARÁLCOOL-
MATRIZ 2.486 69.630 44.504 1.202.059 0,78
USACIGA-FB 2.450 169.239 79.778 2.355.022 0,89
VALE DO IVAÍ 2.728 101.018 81.516 1.779.497 0,86
ETH-ELDORADO 1.171 73.000 120.000 1.931.000
MS
0,94
INFINITY-
USINAV 2.732 81.168 117.824 2.134.176 0,84
COPRODIA 603 32.642 132.419 1.720.340
MT
1,00
ITAMARATI 3.105 250.167 318.486 6.043.000 1,00
JACIARA 1.700 55.000 8.650 624.000 1,00
PANTANAL 1.500 89.500 26.650 1.145.000 0,85
GOIASA 2.537 77.917 70.232 1.514.869 GO 0,82
41
Usina
Insumos(inputs) Produtos(outputs)
Emprego
Moagem
Total
(ton)
Açúcar (ton) Álcool
(m³) UF Score
USJ-SÃO
FRANCISCO 2.100 177.875 110.591 2.628.031 0,94
Fonte: elaboração própria com base nos resultados.
Observando os dados apresentados acima existem 19 das 62 usinas que possuem
escores de eficiência igual a 1 e portanto consideradas eficiente. Para analisar se existe
alguma tendência a alguma região a obter melhores scores de eficiência, foi calculado a média
global (a média de eficiência de todas as usinas em conjunto), posteriormente calculando as
médias por região geográfica e em seguida aplicado o teste estatístico de diferença de médias.
Os resultados se encontram descritos na tabela 8.
Tabela 8. Teste t de diferença de média por região.
Região Média Desvio
Padrão
Número
de Usinas
Estatística
t
t crítico
5% Resultado
Nordeste 0,9471 0,0611 12 0,8941 1,9934 Não há
diferença
Sudeste 0,9376 0,0631 36 0,7239 1,9849 Não há
diferença
Sul 0,8331 0,0574 6 -3,1895 -1,9965 Há diferença
Centro-
Oeste 0,9239 0,0767 8 -0,1619 -1,9954
Não há
diferença
Média
Global 0,9276 0,0701 62
Fonte: elaboração própria com base nos resultados.
Dados estes valores, a região Nordeste e Sudeste tiveram suas médias maiores que a
média global e a região Sul e Centro-Oeste possuem suas médias inferiores à média global.
Após o teste de diferença de médias, observa-se que apenas a região Sul teve uma diferença
de médias significante. É importante destacar que apesar das médias por região diferirem da
média global, as diferenças não se mostram estatisticamente significantes constatando haver
uma homogeneidade entre as regiões em termos de eficiência se comparadas com a média
global. A única exceção é para a região Sul que obteve diferença de médias estatisticamente
significante, notando-se também de ser a única região a não possuir nenhuma de suas usinas
dentro do grupo das usinas eficientes.
42
Posteriormente a análise por região, a mesma análise foi feita levando em
consideração a classificação de tamanho das usinas feitas pela UNICA(2011), comparado as
médias das usinas por tamanho contra a média global e aplicando o teste de diferenças médias
do mesmo modo que foi feito para a análise por região. Segue na tabela 9 um resumo das
médias encontradas:
Tabela 9. Teste t de diferença de médias por porte das usinas.
Região Média Desvio
Padrão
Número
de
Usinas
Estatística
t
t crítico
5% Resultado
Pequenas 0,9561 0,0572 14 -1,5029 -1,9934 Não há
diferença
Médias 0,9029 0,0702 35 -1,503 -1,9858 Não há
diferença
Grandes 0,9633 0,0582 13 1,6567 1,9939 Não há
diferença
Média
Global 0,9276 0,0701 62
Fonte: elaboração própria com base nos resultados.
Os resultados da tabela 9 mostram que as médias de eficiência das usinas de pequeno e
grande porte foram maiores que a média global e as usinas de médio porte com média de
eficiência inferior à média global. Apesar dos valores das médias dos grupos divergirem da
média global, afirmar com base apenas nos valores das médias que existem diferenças entre
regiões não é prudente, realizando o mesmo método que da análise por região, o teste
estatístico de diferença de médias, observa-se que não existe para nenhum dos três grupos
diferenças de médias estatisticamente significantes, indicando que pela análise de porte as
médias de eficiência são homogêneas.
Para complementar a análise de eficiência outro aspecto analisado foi a eficiência de
escala. Como já mencionado neste trabalho, além do modelo BCC foram utilizados os
modelos CCR e DRS que são utilizados para a análise de escala. A partir dos resultados dos
três modelos podemos saber, dentro da fronteira de retornos variáveis (BCC), qual a
localização da usina dentro da fronteira, se nas faixas de retornos crescentes, constantes ou
decrescentes, verificando se existe alguma relação entre a classificação do porte, feita pela
UNICA(2011) e as escalas das usinas. Segue abaixo na tabela 10 um quadro resumo com
todas as 62 usinas e os dados mencionados neste parágrafo.
43
Tabela 10. Eficiência de Escala.
(Continua)
Nome Usina CCR BCC DRS Eficiência
de Escala
Retorno de
Escala Tamanho
PAISA 1,0000 1,0000 1,0000 1,0000 Constante Pequena
SANTA
CLOTILDE 0,8720 0,8740 0,8740 0,9980 Decrescente Média
SINIMBU 0,9440 0,9500 0,9500 0,9940 Decrescente Média
SUMAÚMA 1,0000 1,0000 1,0000 1,0000 Constante Pequena
AGROVALE 0,8200 0,8260 0,8260 0,9930 Decrescente Média
CACAÚ 0,8660 0,8710 0,8710 0,9950 Decrescente Média
JB 0,8570 0,9180 0,8570 0,9330 Crescente Pequena
SALGADO 0,9870 1,0000 0,9870 0,9870 Crescente Pequena
SÃO JOSÉ 0,9930 0,9980 0,9980 0,9950 Decrescente Média
USICODA -
OLHO D'AGUA 0,9530 0,9680 0,9680 0,9840 Decrescente Média
USJP 0,9590 0,9600 0,9590 1,0000 Crescente Pequena
AÇUCAR
ALEGRE 0,8370 1,0000 0,8370 0,8370 Crescente Pequena
ALTA
PAULISTA 0,8030 0,8060 0,8060 0,9960 Decrescente Média
BATATAIS 0,9410 0,9760 0,9760 0,9640 Decrescente Grande
BIOPAV 0,7180 0,8720 0,7180 0,8230 Crescente Pequena
CAMPESTRE 0,8120 0,8970 0,8970 0,9060 Decrescente Média
COLOMBO-
ARIRANHA 0,9510 1,0000 1,0000 0,9510 Decrescente Grande
DESTIL-ITAJOBI 1,0000 1,0000 1,0000 1,0000 Constante Média
DIANA 0,8180 0,8950 0,8180 0,9130 Crescente Pequena
EQUIPAV 0,8460 1,0000 1,0000 0,8460 Decrescente Grande
ESTER 0,8170 0,8240 0,8240 0,9920 Decrescente Média
ETH-ALCÍDIA 0,8880 0,8950 0,8950 0,9930 Decrescente Média
FERRARI 0,8910 0,8970 0,8970 0,9940 Decrescente Média
IPIRANGA-
DESCALVADO 0,9360 0,9540 0,9360 0,9810 Crescente Média
IPIRANGA-
MOCOCA 0,9090 0,9110 0,9090 0,9980 Crescente Média
NOVA
AMÉRICA-
MARA.
0,9780 1,0000 1,0000 0,9780 Decrescente Grande
NOVA
AMÉRICA-
PARÁCO.
0,8560 0,8720 0,8560 0,9810 Crescente Pequena
NOVA
AMÉRICA-
TARUMÃ
0,9200 0,9720 0,9720 0,9460 Decrescente Grande
PARAISO
BIOENERGIA 0,9000 0,9260 0,9260 0,9720 Decrescente Média
44
Fonte: elaboração própria com base nos resultados.
Nome Usina CCR BCC DRS Eficiência
de Escala
Retorno de
Escala Tamanho
PIONEIROS 0,8940 0,9060 0,9060 0,9870 Decrescente Média
PITANGUEIRA 1,0000 1,0000 1,0000 1,0000 Constante Média
RUETTE 0,9860 0,9870 0,9870 0,9990 Decrescente Média
SANTA
CÂNDIDA 0,9240 0,9690 0,9690 0,9540 Decrescente Grande
SANTA CRUZ 0,8810 0,9430 0,9430 0,9340 Decrescente Grande
SANTA FÉ 0,8360 0,9860 0,9860 0,8480 Decrescente Média
SANTA ISABEL 0,8960 0,9180 0,9180 0,9770 Decrescente Média
SANTA ISABEL-
MENDON. 1,0000 1,0000 1,0000 1,0000 Constante Média
SÃO JOSÉ DA
ESTIVA 0,7770 0,7880 0,7880 0,9860 Decrescente Grande
SÃO LUIZ-
OURINHOS 0,8610 0,8910 0,8910 0,9670 Decrescente Média
USJ-SÃO JOÃO
DE ARARAS 0,8850 0,9370 0,9370 0,9440 Decrescente Grande
COAGRO 0,8570 1,0000 0,8570 0,8570 Crescente Pequena
ALVORADA 0,8910 0,8930 0,8930 0,9970 Decrescente Média
CAETÉ-DELTA 0,9870 1,0000 1,0000 0,9870 Decrescente Grande
CAETÉ-VOLTA
GRANDE 0,9150 1,0000 1,0000 0,9150 Decrescente Grande
INFINITY-
ALCANA 0,7170 1,0000 0,7170 0,7170 Crescente Pequena
SANTO ÂNGELO 1,0000 1,0000 1,0000 1,0000 Constante Média
WD 0,9160 1,0000 0,9160 0,9160 Crescente Pequena
DISA 0,7770 0,8400 0,7770 0,9250 Crescente Média
COFERCATU 0,8280 0,8560 0,8280 0,9680 Crescente Média
COROL 0,7570 0,8680 0,7570 0,8720 Crescente Pequena
SABARÁLCOOL-
CEDRO 0,7360 0,7410 0,7410 0,9930 Decrescente Média
SABARÁLCOOL-
MATRIZ 0,7750 0,7840 0,7840 0,9890 Decrescente Média
USACIGA-FB 0,8720 0,8890 0,8890 0,9810 Decrescente Média
VALE DO IVAÍ 0,8420 0,8610 0,8610 0,9780 Decrescente Média
ETH-
ELDORADO 0,9240 0,9410 0,9410 0,9820 Decrescente Média
INFINITY-
USINAV 0,7770 0,8410 0,8410 0,9240 Decrescente Média
COPRODIA 1,0000 1,0000 1,0000 1,0000 Constante Média
ITAMARATI 0,8660 1,0000 1,0000 0,8660 Decrescente Grande
JACIARA 0,9360 1,0000 0,9360 0,9360 Crescente Pequena
PANTANAL 0,8510 0,8520 0,8520 0,9980 Decrescente Média
GOIASA 0,8050 0,8180 0,8180 0,9850 Decrescente Média
USJ-SÃO
FRANCISCO 0,9150 0,9380 0,9380 0,9750 Decrescente Grande
45
Observando a tabela 10 percebe-se que dentre as usinas pequenas predominam as
usinas que se encontram em faixas de rendimentos de escala crescente e constante. As usinas
que estão numa faixa de rendimentos constantes, são eficientes tecnicamente e em termos de
escala, ou seja, estão em uma faixa ótima. Dentre as usinas que estão na faixa de retornos
crescentes, existem duas situações, as que são eficientes, porém possuem ineficiência de
escala, e as ineficientes tecnicamente e ineficientes de escala. A ineficiência de escala, no
caso das pequenas que estão na faixa de retornos crescentes, consiste em uma situação em que
o aumento dos insumos proporcionará um aumento mais que proporcional no produto. Isto faz
com que estas usinas estejam desperdiçando produto, já que poderiam aumentar a produção
sem que os custos aumentem na mesma proporção.
Já entre as usinas de porte médio, existe certa heterogeneidade em relação à análise de
escala. Isto corrobora com a suposição de que as usinas de médio porte se encontram em uma
faixa de transição de escala, coincidindo que as únicas usinas eficientes foram aquelas que
conseguiram obter eficiência técnica e de escala simultaneamente.
Dentro das usinas grandes houve predomínio de usinas que se encontram dentro da
região de retornos decrescentes, havendo dentro destas usinas eficientes e ineficientes
tecnicamente. Isso indica que estas usinas operam dentro de um regime em que os custos são
crescentes a cada acréscimo de produto. Para que estas usinas estejam dentro da zona de
eficiência de escala, necessita-se que elas reduzam proporcionalmente seus insumos, caso
sejam eficientes tecnicamente, no caso contrário primeiro teriam que alterar sua combinação
de insumos para atingir a eficiência técnica e posteriormente buscar a eficiência de escala.
A análise do DEA ao calcular os scores de eficiência calcula a distância da usina em
relação à fronteira, caso ela não esteja dentro da própria fronteira. Dado que as usinas sejam
ineficientes tecnicamente o gestor da usina tem como opção copiar uma usina que está dentro
da fronteira de eficiência e assim conseguir operar no mesmo regime de eficiência desta
referência. A ação mais lógica a ser tomada é imitar a combinação de insumos da usina
eficiente mais próxima. Seguindo esta linha de raciocínio a tabela 11 mostrará qual a usina
eficiente mais próxima para cada usina ineficiente, formando pares de referência, que são
conhecidos como benchmarks. Dentro de nossa análise a tabela 11 mostrará até 4 pares de
referência, com as usinas mais próximas na esquerda, estando a direita os pares mais
distantes.
46
Tabela 11. Par de Referência (Benchmarks)
(Continua)
Número
da
Usina
Nome da Usina Tamanho Pares de Referência
2 SANTA CLOTILDE Média 1 4 37 --
3 SINIMBU Média 1 4 37 --
5 AGROVALE Média 1 18 37 --
6 CACAÚ Média 1 18 37 --
7 JB Pequena 1 18 45 --
9 SÃO JOSÉ Média 4 37 43 --
10 USICODA - OLHO D'AGUA Média 4 43 --
11 USJP Pequena 4 8 --
13 ALTA PAULISTA Média 18 57 --
14 BATATAIS Grande 17 26 31 57
15 BIOPAV1 Pequena 18 45 -- --
16 CAMPESTRE Média 17 18 20 --
19 DIANA Pequena 1 18 45 47
21 ESTER Média 1 18 37 --
22 ETH-ALCÍDIA Média 1 18 37 --
23 FERRARI Média 18 37 43 --
24 IPIRANGA-DESCALVADO Média 1 4 37 46
25 IPIRANGA-MOCOCA Média 1 18 37 46
27 NOVA AMÉRICA-PARÁCO. Pequena 1 18 45 --
28 NOVA AMÉRICA-TARUMÃ Grande 17 26 44 57
29 PARAISO BIOENERGIA Média 1 18 37 --
30 PIONEIROS Média 17 18 37 43
32 RUETTE Média 18 31 37 46
33 SANTA CÂNDIDA Grande 17 18 43 --
34 SANTA CRUZ Grande 17 18 20 57
35 SANTA FÉ Média 18 20 57 --
36 SANTA ISABEL Média 18 37 43 --
38 SÃO JOSÉ DA ESTIVA Grande 17 18 26 37
39 SÃO LUIZ-OURINHOS Média 18 37 43 --
40 USJ-SÃO JOÃO DE ARARAS Grande 17 18 31 57
42 ALVORADA Média 1 18 37 --
48 DISA Média 18 45 --
49 COFERCATU Média 18 45 --
50 COROL Pequena 1 41 47 --
51 SABARÁLCOOL-CEDRO Média 1 18 37 --
52 SABARÁLCOOL-MATRIZ Média 1 18 37 --
53 USACIGA-FB Média 18 37 43 --
54 VALE DO IVAÍ Média 1 18 37 --
55 ETH-ELDORADO Média 17 18 31 57
56 INFINITY-USINAV Média 17 18 20 --
47
Número
da
Usina
Nome da Usina Tamanho Pares de Referência
60 PANTANAL Média 1 4 37 --
61 GOIASA Média 1 18 37 --
62 USJ-SÃO FRANCISCO Grande 17 18 26 37 Fonte: elaboração própria com base nos resultados.
Tabela 12. Numeração das Usinas Eficientes.
Número da Usina
Nome da Usina Tamanho
1 PAISA Pequena
4 SUMAÚMA Pequena
8 SALGADO Pequena
12 AÇUCAR ALEGRE Pequena
17 COLOMBO-ARIRANHA Grande
18 DESTIL-ITAJOBI Média
20 EQUIPAV Grande
26 NOVA AMÉRICA-MARA. Grande
31 PITANGUEIRA Média
37 SANTA ISABEL-MENDON. Média
41 COAGRO Pequena
43 CAETÉ-DELTA Grande
44 CAETÉ-VOLTA GRANDE Grande
45 INFINITY-ALCANA Pequena
46 SANTO ÂNGELO Média
47 WD Pequena
57 COPRODIA Média
58 ITAMARATI Grande
59 JACIARA Pequena Fonte: elaboração própria com base nos resultados.
Analisando um caso especifico, vamos tomar como exemplo a usina Campestre, que é
de tamanho médio. Esta usina possui dois pares próximos que são uma usina grande e
eficiente tecnicamente, porém ineficiente de escala e o outro par é uma usina média eficiente
tecnicamente e de escala. Esta situação mostra um trade-off para a usina Campestre que se
encontra em uma situação de que para se tornar eficiente terá que aumentar a escala, copiando
a Colombo-Ariranha, entrando numa região de custos crescentes, ou terá que reduzir sua
produção para copiar a usina Destil-Itajobi, que é uma usina média e eficiente tecnicamente e
de escala.
48
Esta decisão tem que ser tomada levando em conta diversos fatores, reduzir a
produção a um patamar inferior não é uma decisão simples de ser tomada, visto que as
decisões de investimento da empresa acompanha seu planejamento de expansão, fazendo com
que redução da produção aumente à ociosidade da usina, reduzindo inclusive o retorno do
investimento feito, que é calculado e condicionado a capacidade instada. A situação inversa é
a usina aumentar sua capacidade e investir para aumentar tamanho e escala de sua produção, a
um nível superior copiando, no caso do exemplo citado, a usina de maior porte.
5.2. Discussão dos resultados
Os trabalhos de Carlucci (2012) e Salgado Junior et al. (2013), realizaram estudos com
bases de dados semelhante a este trabalho, os dados referentes a safra 2008/2009. Os dois
trabalhos chegaram a conclusões distintas, porém utilizam métodos de análises distintos.
Carlucci (2012) utiliza 355 e as divide por estado e por tamanho, concluindo que as usinas do
estado de São Paulo são mais eficientes que as dos demais estados, comparado diretamente o
número de eficientes como proporção da população total do estado contra a proporção de
eficientes de outros estados, similarmente obtendo o mesmo resultado para as usinas de
grande porte. Salgado Junior et al. (2013) faz um trabalho quase que replicando o trabalho
Carlucci (2012), porém faz uma análise mais completa adicionando dois teste estatísticos, o
Binomial e o teste de Mann-Whitney para comparar as proporções de usinas eficientes entre
os estados e entre os diferentes portes de usinas. A conclusão obtida, porém foi diferente,
semelhando no trato ao estado de São Paulo com tendência a eficiência, mas não chega ao
mesmo resultado referente ao tamanho das usinas, concluindo portanto, que o tamanho das
usinas não possuem relação com a eficiência das usinas.
Contrapondo com o presente trabalho, foram utilizadas as mesmas variáveis de inputs
e outputs, adicionando a variável emprego que consiste no número de empregados das usinas
como um input adicional. A razão para a adoção da variável emprego esta relacionada à
análise de usinas com diferentes tamanhos, supondo que estas usinas utilizem combinações de
insumos diferentes isso implica em escalas diferentes de produção e consequentemente numa
relação entre produto/trabalho diferente para os diversos tamanhos de usinas, o que é
importante para uma análise de escala. Utilizando o teste de diferenças de médias, o resultado
deste trabalho chega à conclusão que, além de a região Sul possuir média de eficiência
inferior se comparada com a média global de eficiências, estas médias foram estatisticamente
diferentes. A despeito de São Paulo que sempre é tido como estado a ter maior eficiência e
49
possuindo 77% das usinas da região, o Sudeste neste trabalho não apresentou diferença em
relação à média global, diferente dos trabalhos citados no paragrafo anterior.
Quando tratamos da classificação de porte das usinas este trabalho corrobora a
conclusão de Salgado et al. (2013), concluindo que não há tendência a eficiência de nenhum
porte de usina analisado. Apesar de haver uma suspeita que as usinas de grande porte venham
a ter maior eficiência, estes dois trabalhos não encontram evidência para isso. Entretanto se
observarmos a questão de escala estudada no tópico 5.1, nenhuma usina de grande porte
possui eficiência de escala, sempre atuando em região de retornos decrescentes o que pode
significar que as usinas operam acima da capacidade técnica de seus equipamentos. O DEA
apenas permite que levantemos suspeitas das causas da ineficiência, sendo necessário para
complementar a análise estudar fatores técnicos, ambientais e econômicos para uma analise
mais apurada.
Uma outra observação refere-se a utilização dos testes. O teste Binomial e o teste de
Mann-Whitney fazem uma comparação entre proporções, o que gera algumas implicações. Os
dois trabalhos sempre analisam o número de usinas eficientes como proporção das demais,
concluindo assim que as regiões ou porte das usinas tendem ou não a uma maior eficiência.
Porém numa amostra de 355 usinas, em que o estado de São Paulo possui 170 destas usinas,
pode hipoteticamente possuir uma grande dispersão em relação aos escores de eficiência,
existindo uma situação em que São Paulo, apesar de possuir proporcionalmente mais usinas
eficientes, ter usinas de eficiência muito baixa, o que na média incorrerá em médias de scores
de eficiência inferiores as demais regiões. Analogamente esta conclusão se estende para a
análise referente ao tamanho das usinas. Utilizando as médias e posteriormente o teste de
diferença de médias, a dispersão é incluída no cálculo de significância estatística,
considerando o conjunto e não apenas a proporção de eficientes, possibilitando uma situação
em que ao possuir uma maior média e menor dispersão, algum grupo tenha uma tendência a
ser mais eficiente do que as demais.
A escolha das médias segue a este principio, de analisar o conjunto como um todo para
ter uma percepção de tendência que capte situações onde existam poucas tidas como
eficientes dentro de um grupo junto com usinas muito ineficientes, caracterizando assim que
este grupo possui uma elevada heterogeneidade, com empresas líderes e outras marginais,
caracterizando assim tendência a ineficiência e não a eficiência.
50
6. CONCLUSÃO
Este trabalho buscou analisar através da metodologia de Análise Envoltória de Dados
(DEA), a eficiência técnica das usinas de cana-de-açúcar das regiões Nordeste, Sudeste,
Centro-Oeste e Sul (a exceção da região Norte se deu pela existência de apenas uma usina
com todos os dados utilizados nesta pesquisa). A análise consistiu em comparar a eficiência
entre regiões através das médias de scores de eficiência obtidos através da metodologia DEA,
utilizando o teste estatístico de diferença de médias para observar se existe alguma tendência
de que alguma região venha a ter maiores ou menores médias de scores de eficiência.
Analogamente esta análise foi repetida comparando as usinas por grupo de tamanho seguindo
o critério UNICA (2011). Finalizando a análise de eficiência, também foi estudado a
eficiência de escala, comparando as faixas de retornos de escala em que se encontram as
usinas com o porte das mesmas, para constatar se os resultados são compatíveis com as
expectativas para cada porte em questão. Foram acrescentados para o fim de elucidar como a
metodologia pode ser utilizada pelos gestores das usinas, os pares de referência (benchmarks),
para as usinas ineficientes, que consistem nas usinas eficientes mais próximas que podem ser
copiadas suas combinações de insumos e assim atingir a fronteira de eficiência.
Fazendo uma síntese da análise da localização apenas a média de eficiência da região
Sul se mostrou significante, pelo teste de diferença de médias e inferior à média global. Nesta
região também se verificou que nenhuma das usinas esteve na fronteira de eficiência, fato que
impactou sua média para baixo. Fatores que ficaram fora desta análise, como a tradição da
cultura da cana-de-açúcar na região não ser forte, pode ser uma das explicações para este
resultado. Em relação às outras regiões nos teste de diferenças de médias não observou-se que
há uma tendência a alguma região ser mais ou menos eficiente que as outras, observando uma
homogeneidade entre as usinas de todas as regiões estudadas.
Pela ótica do tamanho das usinas nenhum grupo de usinas entre pequenas, médias e
grandes possui uma diferença de média, seja para mais ou para menos, estatisticamente
significante. Esse resultado vale destacar que nos trabalhos de Carlucci (2012) e Salgado
Junior et. al. (2013) as usinas de grande porte apresentam uma tendência a serem mais
eficientes, entretanto neste trabalho elas não apresentam tal característica, ressaltando que os
trabalhos citados levam em conta a proporção de usinas eficientes e neste trabalho utilizou-se
as médias dos scores de eficiência, pela razão citada, no capitulo anterior, das médias
captarem o conjunto de usinas, obtendo uma eficiência mais representativa.
51
Ao complementar a análise observando a eficiência de escala, os resultados se mostram
coerentes com o que é esperado quando se observa a relação escala/tamanho das usinas.
Usinas de pequeno porte se encontram nas regiões de retornos crescentes e constantes, ou
seja, essas usinas possuem a capacidade de aumentar suas produções sem que os custos
cresçam na mesma proporção. Supondo que as usinas aumentem suas produções
gradativamente, elas passem de uma faixa de retornos crescentes para uma de retornos
constantes até atingir a faixa de retornos decrescentes. Essa transição pode ser observada
quando analisamos as usinas de médio porte e sua localização dentro das faixas de retorno de
escala, onde se encontra elevada heterogeneidade de escalas de produção, na qual possam as
usinas de médio porte estar em uma faixa de transição, que em seu processo de crescimento
esta tenha que ir adaptando as combinações de insumos a fim de obter a eficiência técnica e
de escala. Dentro do escopo das usinas de grande porte, todas estão em uma faixa de retorno
decrescente, o que pode significar uma característica destas usinas operarem no limite das
tecnologias de produção do setor, ou seja, elas não conseguem aumentar mais suas produções
sem que isso incorra em custos crescentes.
O estudo se mostra importante para a análise de políticas e seus impactos sobre essas
usinas, ter um referencial para saber como melhorar a eficiência do setor, aumentar sua
produtividade e consequentemente sua competitividade no mercado. Observar-se que
tecnologias poupadoras de trabalho possuem um efeito significativo para alcançar a
eficiência. Uma análise posterior torna importante a analise temporal das eficiências, analisar
ao longo do tempo como se comportam as usinas do setor, em relação ao crescimento e até
possíveis mudanças estruturais que afetem o setor e como ele se organiza. Outra análise que
deve ser incorporada nos estudos se refere a como os preços do açúcar e do álcool
influenciam essa eficiência, já que variações e gaps entre os preços destes produtos afetam as
decisões de produção e consequentemente a eficiência.
52
REFERÊNCIAS
ANGULO-MEZA L.; MELLO, J. C. C. B. S.; GOMES, E. G.; FERNANDES, A. J. S.
Seleção de variáveis em DEA aplicada a uma análise do mercado de energia elétrica.
Investigação Operacional, v.27, n. 1, p. 21-36, 2007.
BARROS, Geraldo Sant’ana de Camargo; MORAES, MÁrcia Azanha Ferraz Dias de. A
Desregulamentação do Setor Sucroalcooleiro. Revista de Economia Política, São Paulo, v.
22, n. 2, p.156-173, jun. 2002.
CARLUCCI F,V, Aplicação da Análise Envoltória de Dados (DEA) para avaliação do
impacto das variáveis tamanho e localização na eficiência operacional das usinas de cana-de-
açúcar na produção de açúcar e etanol no Brasil, Dissertação de Mestrado em Administração
(2012), Faculdade de Economia, Administração e Contabilidade Ribeirão Preto,
Universidade de São Paulo.
CHARNES, A; COOPER, W,W; RHODES, E, Measuring the efficiency of DMUs,
European Journal of Operational Research, v, 2, p, 429–44, 1978.
CHARNES, A; COOPER, W, W, Measuring the Efficiency and Productivity of Decisions
Manking Units, European Journal of Operational Research, vol, 3, p, 339-338, 1979.
DE MORAES, Márcia Azanha Ferraz Dias. A desregulamentação do setor sucroalcooleiro
do Brasil. Caminho Editorial, 2000.
DUNHAM, Fabrício Brollo; BOMTEMPO, José Vitor; FLECK, Denise Lima. A estruturação
do sistema de produção e inovação sucroalcooleiro como base para o Proálcool. Revista
Brasileira de Inovação, v. 10, n. 1 jan/jun, p. 35-72, 2011.
FERREIRA, Carlos Maurício de Carvalho; GOMES, Adriano Provezano. Introdução à
análise envoltória de dados: teoria, modelos e aplicações. Viçosa: UFV, 2009.
KOHLHEPP, G. Análise da situação da produção de etanol e biodiesel no Brasil. Estudos
Avançados, São Paulo, v. 24, n. 68, p. 223-253, 2010.
MACEDO, Marcelo Alvaro da Silva; CÍPOLA, Fabrício Carvalho; FERREIRA, Antonio
Francisco Ritter. Desempenho social no agronegócio brasileiro: aplicando DEA no segmento
de usinas de processamento de cana-de-açúcar. Revista de Economia e Sociologia Rural, v.
48, n. 1, p. 223-243, 2010.
MACEDO, Marcelo Alvaro da Silva et al. Análise do Desempenho Contábil-Financeiro no
Agronegócio Brasileiro: aplicando Dea aos dados de agroindústrias do ano de 2006. In:
Congresso Da Sociedade Brasileira De Economia, Administração E Sociologia Rural.
2008.
MARTINS, Gilberto de Andrade. Estatística geral e aplicada. 3. ed. São Paulo: Atlas, 2008.
MORAES, Marcelo Lopes de; BACCHI, Mirian Rumenos Piedade. Etanol: do início às fases
atuais de produção. Revista de Política Agrícola, v. 23, n. 4, p. 5-22, 2015.
53
NIGRO, F.; SZWARC, A. O etanol como combustível. In: SOUSA, E. L. L. de; MACEDO, I.
de C. (Org.). Etanol e bioeletricidade: a cana-de-açúcar no futuro da matriz energética. São
Paulo: Luc Projetos de Comunicação, 2010. cap. 6, p. 154-189.
OLIVEIRA, Bruno Garcia de. Eficiência da gestão pública em promover desenvolvimento
local de regiões produtoras de sucroenergia: uma proposta utilizando Análise Envoltória
de Dados. Tese de Doutorado. Universidade de São Paulo.
SALGADO JÚNIOR, A,P,; BONACIM, C,A,G,; PACAGNELLA JÚNIOR, A,C, Aplicação
da Análise Envoltória de Dados (DEA) para avaliação de eficiência de usinas de açúcar e
álcool da região Nordeste do Estado de São Paulo, Organizações rurais e agroindustriais,
Lavras, v,11, n,3, 2009.
SALGADO JUNIOR, Alexandre Pereira et al. Análise envoltória de dados (DEA) para
avaliação da eficiência operacional de usinas de cana-de-açúcar. Pesquisa e
Desenvolvimento em Engenharia de Produção, Itajubá, v. 11, n. 1, p.58-73, dez. 2013.
SHIKIDA, Pery Francisco Assis. Evolução e fases da agroindústria canavieira no
Brasil. Revista de Politica Agrícola, Brasília, v. 23, n. 4, p.43-57, dez. 2014. Trimestral.
SHIKIDA, Pery Francisco Assis. A evolução diferenciada da agroindústria canavieira no
Brasil de 1975 a 1995. Edunioeste, 1998.
SHIKIDA, Pery Francisco Assis; AZEVEDO, Paulo Furquim de; VIAN, Carlos Eduardo de
Freitas. Desafios da Agroindústria Canavieira no Brasil Pós-desregulamentação: uma análise
das capacidades tecnológicas. Revista de Economia e Sociologia Rural,Piracicaba, v. 49, n.
3, p.599-628, nov. 2011.
SHIKIDA, P, F, A, Expansão canavieira no Centro-Oeste: limites e potencialidades, Revista
de Política Agrícola, Brasília, DF, ano 22, n, 2, p, 122-137, abr,/jun, 2013.
UNIÃO DA INDÚSTRIA DA CANA-DE-AÇÚCAR-ÚNICA. Disponível em:
<http://www.unica.com.br>.
VASCONCELLOS, V. A.; CANEN, A. G.; LINS, M. P. E. Identificando as melhores práticas
operacionais através da associação benchmarking-dea: o caso das refinarias de petróleo.
Pesquisa Operacional, v. 26, n. 1, p. 51-67, 2006.
VIAN, Carlos E. Freitas. Inércia e mudança institucional: estratégias competitivas do
Complexo Agroindustrial Canavieiro no Centro-Sul do Brasil.Campinas: Instituto de
Economia, Universidade Estadual de Campinas, 2002.
