A pesquisa quantitativa é caracterizada pelo uso da quantificação, tanto na coleta quanto no tratamento das informações, utilizando-se de técnicas estatísticas (RICHARDSON, 1999). Isso objetiva a aquisição de resultados que evitem possíveis distorções de análise e interpretação e que possibilitem a maximização da margem de segurança (DIEHL, 2004). De modo geral, a pesquisa quantitativa é passível de ser medida em escala numérica (ROSENTAL; FRÉMONTIER-MURPHY, 2001).
A coleta de dados foi realizada por meio de pesquisa documental. Nesse tipo de pesquisa, a representação dos dados ocorre com a utilização de técnicas quânticas de análise, cujo tratamento objetivo dos resultados dinamiza o processo de relação entre variáveis (MARCONI; LAKATOS, 2011).
Esse método é frequentemente aplicado nos estudos descritivos, que procuram descobrir e classificar a relação entre variáveis, os quais propõem descobrir as características de um fenômeno. Nesse tipo de pesquisa, identificam-se primeiramente as variáveis específicas que possam ser importantes, para, posteriormente, explicar as características complexas de um problema (RICHARDSON, 1999).
De acordo com Shaw (2009), o uso da DEA exige uma sequência de passos. Primeiramente, escolhem-se as DMUs. Em seguida, avalia-se o processo produtivo das DMUs analisadas para identificar e classificar os insumos e produtos, para, na sequência, coletar os dados, escolher um método e realizar as análises. Nessa ordem, as DMUs escolhidas devem ser homogêneas, ou seja, produzir os mesmos bens e serviços, utilizando insumos iguais. Já com relação ao número de unidades, quanto maior a quantidade de DMUs analisadas, maior será a capacidade de discriminação do modelo.
A DEA é uma técnica de programação matemática que objetiva a comparação entre diferentes DMUs, ou unidades de decisão, que nada mais são do que um conjunto de unidades comparáveis, desde que nesta comparação todas essas DMUs utilizem os mesmos inputs e gerem outputs semelhantes. De acordo com Casado (2011, p. 5), “por se tratar de um método não-estocástico, a fronteira gerada pela DEA é suscetível a erros de medida e questionamento das propriedades estatísticas de seus resultados”.
Segundo Marinho e Façanha (2001), as diferenças entre os modelos CRS (CCR) e VRS (BCC), principalmente, no que se refere ao retorno constante ou retorno variável de escala, não se traduzem em vantagem ou desvantagem de um modelo sobre o outro. A literatura sugere que a questão crucial está na escolha dos elementos que irão compor os inputs e os outputs. A metodologia DEA é uma medida de eficiência relativa, pois mede o desempenho da unidade que está sendo avaliada quando esta é comparada às demais unidades, sendo, portanto, sensível à inclusão ou à exclusão de qualquer unidade da análise.
O problema em questão resume-se à solução de um problema de programação linear em que se atribui pesos às variáveis de saída (outputs) e de entrada (inputs), com o objetivo de maximização de produção, tomando esta produção como sendo a relação entre a soma ponderada dos outputs pela soma ponderada dos inputs (GONÇALVES, 2003).
De acordo com Farrel (1978 apud PINTO, 2016), “na sua origem, a Análise Envoltória de Dados era mensurada a partir de um único conjunto de pesos de inputs e outputs”. Porém, essa técnica evoluiu a partir da adaptação de Charnes, Cooper e Rhodes (1978), o que favoreceu a ponderação de pesos e comparação entre unidades. Entretanto, a técnica DEA apresenta forças e limitações, conforme é destacado no Quadro 4.
Quadro 4 – Forças e limitações da Análise Envoltória de Dados
(continua)
Forças do DEA Limitações do DEA
Tratamento de múltiplos inputs e outputs Exigência que as DMUs desempenham as mesmas atividades e possuam objetivos comuns
Não exigência da parametrização das variáveis Dificuldade de realização de testes estatísticos de hipóteses
Medição da eficiência relativa, por comparações de pares
Maior incidência de problemas com erros de medição
Não exigência da relação funcional entre insumos e produtos
Sensibilidade às escolhas arbitrárias das variáveis, podendo ocorrer à inserção de variáveis não importantes no processo
Construção fronteira eficiente sem estabelecer ponderações
Não medição da eficiência absoluta
Indicação de DMUs ineficientes e grau em que precisam melhorar para alcançar a eficiência
Sensibilidade a erros de medida, devido à natureza determinística
(conclusão)
Forças do DEA Limitações do DEA
Revelação das relações entre variáveis que não são observadas em outros métodos
Exigência de um número de DMUs superior ao número de variáveis
Fonte: Pinto (2016), com base em Mainarde, Alves e Raposo (2012).
As medidas de eficiência podem ser calculadas com o uso de uma função de fronteira de produção, que faça a delineação dos limites de máxima produtividade que uma unidade de produção pode alcançar num processo de transformação, utilizando-se certa combinação de fatores. Logo, uma medida de ineficiência seria a distância que uma unidade de produção se encontra abaixo da fronteira de produção (GOMES, 1999).
4 ANÁLISE E DISCUSSÃO DOS RESULTADOS
Neste capítulo apresentam-se os resultados, sendo que este está estruturado em quatro seções. Na primeira, fez-se uma caracterização do Hospital Universitário de Santa Maria (HUSM) no período que antecedeu à contratação da Empresa Brasileira de Serviços Hospitalares (EBSERH), denominado para efeito deste estudo, como Gestão UFSM/HUSM. Procura-se, com isso, investigar a situação do HUSM no período de 2007 a 2013. Na segunda seção, faz-se uma análise do processo de transição para a gestão da EBSERH, e o modelo adotado no período de 2014 a 2016, neste estudo sendo referido como Gestão EBSERH/HUSM. Na sequência, analisa-se a eficiência técnica do HUSM nos dez anos avaliados. E, por fim, são apresentadas as principais mudanças estruturais e operacionais verificadas no HUSM, após análise dos dois modelos de gestão.