Considerações finais

Este capítulo apresenta as conclusões da tese. Enfatiza também as contribuições, as delimitações do trabalho e as recomendações para futuros estudos.

Em princípio, ao se avaliar os trabalhos sobre eficiência, identificou-se que a maioria dos estudos disponíveis concentrou sua análise nas medidas de eficiência, sem fornecer uma profunda discussão dos fatores que levem às variações de eficiência. O foco na estimação da eficiência delimita o estudo a uma determinada amostra ou área geográfica (AGRELL et al, 2013; CULLMANN, 2010).

Estas lacunas encontradas na literatura motivaram a realização do presente trabalho, pois, considerou-se importante estudar as influências sobre a eficiência das distribuidoras de energia elétrica a partir de uma ótica multivariável.

Neste contexto, este estudo se propôs a avaliar a eficiência das distribuidoras brasileiras de energia elétrica, a partir da construção de um modelo estrutural que permita identificar uma estrutura de relações entre as variáveis representativas e a eficiência.

Para cumprimento dos objetivos do estudo, foi conduzido inicialmente uma revisão bibliográfica sobre a variáveis representativas do fenômeno e suas inter-relações. Isso permitiu a formulação de um modelo analítico por meio de equações estruturais.

Em seguida, foi feita uma verificação da aderência do modelo às evidências empíricas das entidades analisadas. Essa verificação contemplou um levantamento das variáveis, amparado em referenciais teóricos relacionados ao fenômeno estudado.

Os dados levantados foram tratados estatisticamente, aplicando-se modelos de

benchmarking e técnicas multivariadas, como a Análise Fatorial Exploratória (EFA), a Análise

Fatorial Confirmatória (CFA) e a Modelagem de Equações Estruturais (SEM). Para tanto, os

softwares utilizados para a execução da análise foram SIAD – Sistema Integrado de Apoio à

Decisão, versão 3.0, Frontier, versão 4.1, IBM® SPSS® Amos, versão 18.0 e Microsoft Excel® 2013.

Selecionada a técnica SEM para o tratamento dos dados, foram verificados os pressupostos necessários para sua aplicação. Foram analisados: a independência das observações, o tratamento de dados perdidos (missing values), a normalidade univariada e multivariada, a presença de covariâncias amostrais não nulas, a ausência de multicolinearidade e a inexistência de valores extremos (outliers).

Analisando os valores apresentados, observou-se a violação ao pressuposto de normalidade univariada dos dados para algumas variáveis. Foi feita a transformação linear para essas variáveis. Ressalva-se, porém, que a transformação linear não afetou as cargas fatoriais calculadas pela modelagem de equações estruturais.

Percebeu-se também que a variável manifesta “fec” (frequência equivalente de interrupção) apresentou problemas de colinearidade (VIF > 10) e baixa comunalidade (indicada pela análise fatorial exploratória). Assim, entendeu-se que a variável “fec” deveria ser retirada da análise por ser redundante ao mensurar o construto Sistema de Informação, no modelo proposto. Posteriormente à exclusão da variável “fec”, o modelo teórico foi ajustado.

Concluindo os procedimentos preliminares, avaliou-se a existência de outliers multivariados recorrendo à Distância de Mahalanobis (D). Foram identificadas 41 observações como valores fora da tendência do conjunto de dados. Contudo, esses casos permaneceram na amostra, pois não interferiram nos ajustamentos posteriores do modelo.

Posteriormente, foi executada a Análise Fatorial Exploratória (EFA) para estudar as estruturas subjacentes das variáveis manifestas e sua relação com as seis variáveis latentes do modelo proposto. A análise considerou o método dos Componentes Principais, com o critério de autovalor (Eigenvalue ≥ 1) para a extração do número adequado de componentes. Aplicou- se a rotação ortogonal Varimax, procurando apenas pesos significativos nos componentes principais e pesos próximos de zero nas outras componentes para minimizar o número de variáveis em cada agrupamento.

Os parâmetros de avaliação da EFA foram: as cargas fatoriais, as comunalidades das variáveis, o teste de Kaiser-Meyer-Olkin (KMO), o teste de esfericidade Bartlett e o percentual da variância acumulada das variáveis para o fator latente gerado, conforme recomenda a literatura especializada (Izenman, 2008).

Os resultados da EFA confirmam a escolha das variáveis para todos os constructos do modelo proposto, exceto para o constructo Sistema de Gestão. As cargas fatoriais nos respectivos componentes, e não em outros, sugerem a existência de constructos diferentes.

171

Contudo, para preservar a parcimônia do modelo, fez-se necessário manter as variáveis manifestas sob o mesmo modelo de mensuração.

A Análise Fatorial Confirmatória (CFA) foi aplicada aos seis submodelos de mensuração designados com os nomes dos constructos que pretendem medir. A análise foi feita separadamente, para cada conjunto de constructos. Nesse sentido, os resultados da CFA não indicaram necessidade de ajuste, pois todos os submodelos apresentaram boa qualidade de ajustamento, como demonstraram os índices e as cargas fatoriais.

Em seguida, o modelo estrutural foi avaliado em conjunto, calculando seus parâmetros e verificando a qualidade do ajustamento global. Os índices de ajustamento utilizados foram o teste qui-quadrado ( ) e p-value, o teste qui-quadrado normalizado ( ⁄ ), CFI (Comparative Fit Index), GFI (Goodness of Fit Index), TLI (Tucker Lewis Index), RMSEA (Root Mean Square Error of Aproximation), além dos índices de parcimônia (Parsimony GFI-

PGFI, Parsimony CFI-PCFI e Parsimony NFI-PNFI).

Observando os valores da primeira estimação na Tabela 5.78, concluiu-se que o modelo inicial não reproduziu adequadamente a estrutura correlacional dos dados empíricos. Uma das alternativas foi reespecificar o modelo utilizando as sugestões de índices de modificação fornecidos pelo software IBM® SPSS® Amos versão 18.0. Assim, foi executado sucessivamente o processo de reespecificação à procura de alcançar índices adequados de ajustamento.

O modelo reespecificado da Figura 5.10 foi estimado utilizando o método de Máxima Verossimilhança. O algoritmo alcançou o mínimo da função de discrepância no processo iterativo para = 376,233 e os índices demonstraram bom ajustamento (ver Tabela 5.80).

Ademais, verificou-se que 85,1% da variação do Sistema de Gestão podem explicar-se pelo modelo proposto e mais da metade das alterações nos constructos Sistema Sociocultural (73,8%) e Eficiência (59,2%), indicando uma boa capacidade explicativa. A partir destas avaliações, conclui-se que o modelo tem boa aderência às evidências empíricas para estas variáveis em particular.