ANÁLISE DE EFICIÊNCIA DOS PORTOS BRASILEIROS: UMA ABORDAGEM PELO MÉTODO NETWORK DEA
Bruno Guimarães Torres Gustavo Freitas Mendes Callado João Carlos Correia Baptista Soares de Mello
Lídia Angulo Meza Universidade Federal Fluminenses
Escola de Engenharia
RESUMO
O estudo realiza a análise de eficiência de 34 portos brasileiros, no ano de 2015, públicos e privados, a fim de encontrar os benchmarks, e assim auxiliar os ineficientes a encontrar as melhores práticas. É aplicado o método da Análise Envoltória de Dados (DEA) em dois estágios, chamado Network Relacional Multiplicativo DEA, orientado a input, com retorno constante de escala. O input utilizado foi o número de berços, a variável intermediária, o número de atracações enquanto os outputs foram os pesos de cada tipo de carga. Em geral os portos apresentaram eficiência baixa, sendo o Porto Itapoá Terminais Portuários, o mais eficiente considerando os dois estágios.
ABSTRACT
The study makes the efficiency analysis of 34 public and private brazilian ports, in 2015, in order to meet the benchmarks, and thus help inefficient to find the best practices. It is applied the method of data envelopment analysis (DEA) in two stages, called Network Relational Multiplicative DEA input oriented with constant returns of scale. The input used was the number of berths, the intermediate variable, the number of mooring while the outputs are the weights of each type of load. Overall, ports showed low efficiency, and Porto Itapoá Terminais Portuários, was the most efficient considering the two stages.
1. INTRODUÇÃO
Os portos nacionais são as principais portas de entrada e saída para importações e exportações brasileiras, dados indicam que 96% das exportações passam pelos portos (Dantas, 2013). Por esse motivo é de extrema importância que operem de forma eficiente, pelas melhores práticas observadas no mercado, a fim de aproveitar seus recursos para obter a maior movimentação possível de carga, e por consequência obter lucro.
Segundo o Banco Mundial, o Brasil possui a 135ª melhor estrutura portuária do mundo, e o Ipea apontou em 2012 que era necessário 42,9 bilhões de reais para sanar os gargalos existentes nos portos (Exame, 2012). Porém nos últimos anos, o governo brasileiro se propôs a melhorar o desempenho dos portos, com a aprovação da Lei dos Portos (2013), obras do Programa de Aceleração do Crescimento, a promessa de diminuição da burocracia com o sistema integrado Porto sem Papel e o Porto 24 horas (Furlan, 2014).
No entanto, devido à falta de pessoal, o Porto 24 horas diminuiu a eficiência dos portos, assim como o Porto sem papel, que fez com que o tempo médio de espera para liberação de mercadoria passasse de 5 para 8 dias (Furlan, 2014). Segundo Goularti Filho (2007), os investimentos nos portos brasileiros sempre foram feitos de acordo com a demanda, ou seja, estão sempre defasados para atender o crescimento do comércio exterior.
Portanto observa-se que os portos brasileiros não atuam com a sua eficiência máxima, e um estudo que calcule essas eficiências seria muito importante para avaliar quais os portos possuem as melhores práticas, e que podem ser utilizados como benchmanrks daqueles que são ineficientes.
Dessa maneira, o presente estudo tem como objetivo encontrar os portos brasileiros que são mais eficientes quanto as suas práticas operacionais.
Para calcular a eficiência dos portos, o método Data Envelopment Analysis (DEA) é utilizado. O método foi criado por Charnes et al. (1978), e é um método não paramétrico, que utiliza inputs e outputs para calcular as eficiências de acordo com comparações entre as unidades avaliadas. O método Network DEA (NDEA), criado por Fare e Grosskopf (2000) e que leva em consideração uma rede de variáveis para o cálculo de eficiências parciais e global, foi utilizado. A escolha por esse método ocorreu por levar em consideração diferentes processos no cálculo das eficiências e ser mais discriminatório. Além disso, poucos são os estudos em relação a avaliação de portos que utilizam o NDEA.
O artigo está dividido em seções: a segunda seção apresenta uma revisão da Análise Envoltória de Dados (DEA) em portos. A terceira seção apresenta o modelo Network DEA utilizado no estudo. A quarta seção apresenta a modelagem a ser utilizada no estudo. A quinta seção apresenta os resultados e suas discussões e a sexta seção apresenta as conclusões do estudo.
2. REFERENCIAL TEÓRICO
2.1. Revisão do DEA em análises portuárias
Depois de criado o método DEA por Charnes et al. (1978), a Análise Envoltória de Dados, tem sido utilizado por diversas áreas de pesquisa, inclusive na avaliação de portos. O primeiro artigo sobre o assunto é de Roll e Hayuth (1993) e calcula a eficiência de 20 portos fictícios utilizando o modelo CCR DEA.
Com o avançar dos anos, diversos estudos foram realizados para medir a eficiência de portos, destacando-se Tongzon (2001), Cullinane et al. (2006), Cullinane et al. (2005a), Cullinane et al. (2005b), Barros e Athanassiou (2004), Zhou et al. (2008), Panayides et al. (2009) e Hung et al. (2010). Em 2011, Markovits-Somogyi (2011) fez um levantamento de diversos inputs e outputs utilizados na avaliação portuária.
No Brasil, Wanke et al. (2011) calcularam a eficiência de 25 terminais portuários brasileiros, através de diversos modelos DEA, como o CCR, BCC e a super eficiência, e pela Análise da Fronteira Estocástica. Silva et al. (2011) propõem outra aplicação de DEA em portos brasileiros, calculando a eficiência de 18 portos nacionais, através do modelo CCR DEA e BCC DEA. Outros índices são calculados como o Malmquist e uma metodologia para descobrir o retorno de escala do conjunto de unidades avaliadas é utilizada.
Quanto ao cálculo de eficiência considerando diversos tipos de carga predominante, Bertoloto e Soares de Melo (2011) e Martins (2015) calcularam a eficiência dos portos utilizando modelos DEA com modificações para obter uma homogeneização das DMUs.
2.2. Revisão do Network DEA
O método Network DEA (NDEA) foi primeiramente desenvolvido por Fare e Grosskopf (2000), e propôs um método em que a caixa preta, comumente utilizada nos modelos DEA tradicionais, possa ser aberta pelos pesquisadores. Dessa forma, o cálculo da eficiência pôde ser calculado levando em consideração diversas etapas, porém este estudo ainda desconsiderava a relação entre as etapas. Gomes Júnior et al. (2014) expõem os principais autores e as diversas abordagens de Network DEA.
Em portos o modelo Network DEA foi utilizado por De Oliveira e Cariou (2015) e foca sua abordagem na competitividade interna entre os portos e a eficiência. O estudo avaliou 200 portos nos anos de 2007 e 2010. Outro estudo na área foi escrito por Bichou (2011).
Em relação aos portos brasileiros há dois estudos que utilizam o modelo Network DEA para realizar uma análise de eficiência. Wanke (2013) leva em consideração uma medida em dois estágios. O primeiro estágio mede a eficiência estrutural e a segunda mede a eficiência da consolidação das embarcações. Wanke e Barros (2015) avaliam os impactos das parcerias públicos privadas nos portos brasileiros. Um modelo Network DEA é utilizado para medir a eficiência dos portos. Dados foram obtidos de 27 portos brasileiros no ano de 2011.
O modelo utilizado no presente estudo será o proposto por Kao e Hwang (2008), chamado Network DEA Relacional e será descrito de forma detalhada na próxima seção do artigo.
3. MODELO NETWORK RELACIONAL MULTIPLICATIVO DEA
O método CCR DEA, desenvolvido por Charnes et al. (1978), calcula, por comparação, as eficiências das unidades tomadoras de decisão, chamadas de DMUs. Os inputs e outputs são utilizados e a eficiência é calculada através da resolução de um Problema de Programação Linear (PPL). Outros métodos, baseados no CCR foram desenvolvidos, como o BCC (Banker et al.,1984), que leva em consideração os retornos variáveis de escala. No entanto, nenhum havia se proposto a analisar os processos internos que ocorriam na DMU avaliada, e foi dessa forma que surgiu o Network DEA (Fare e Grosskopf, 2000).
A premissa do Network DEA (NDEA), é considerar que dentro da DMU, existem processos internos, cada um com um conjunto de inputs e outputs que são relacionados entre si (Gomes Júnior et al., 2014). Os modelos NDEA foram descritos de várias maneiras, sendo o mais usual o modelo multi-estágio, ilustrado na figura 1.
Figura 1: Sistema serial com três estágios (Kao e Hwang, 2008)
eficiência calculada de acordo com os inputs e outputs relacionados a ele. Pode ser observado também que as variáveis intermediárias são inputs de alguns estágios, enquanto são outputs de outros, o que mantém todo o modelo conectado, formando uma rede.
Para que uma DMU seja eficiente no modelo NDEA, ela precisa ser eficiente em cada estágio, pois para calcular a eficiência global de uma DMU, as eficiências de cada estágio são multiplicadas entre si. Dessa forma, é mais difícil que uma DMU seja eficiente em um modelo NDEA, fazendo que o modelo seja mais rigoroso.
O modelo também garante o cálculo de eficiência em cada estágio de produção, o que gera mais informações das DMUs, auxiliando-as a propor implementações específicas para melhorar a sua eficiência, diferentemente do cálculo pelos métodos antigos, que calculava apenas a eficiência global, sem especificações de quais estágios possuíam melhores eficiências.
O modelo multiplicativo relacional NDEA foi proposto por Kao e Hwang (2008), e é baseado no modelo CCR DEA. Onde 𝐸𝑜 é a eficiência global e 𝐸01 e 𝐸02 são as eficiências dos estágios 1 e 2 respectivamente, 𝑢𝑟, 𝑣𝑖, 𝑤𝑑 são os pesos das variáveis e 𝑥, 𝑦, 𝑧, os valores dos inputs, dos outputs e das variáveis intermediárias. O PPL que calcula a eficiência de 𝐸𝑜, considerando retorno constantes de escala, uma orientação a inputs, e sem levar em consideração os estágios do processo, é descrito em 1.
𝐸𝑜= 𝑚𝑎𝑥∑𝑠𝑟=1𝑢𝑟𝑦𝑟0 ∑𝑚𝑖=1𝑣𝑖𝑥𝑖0 𝑠. 𝑡.∑ 𝑢𝑟𝑦𝑟𝑗 𝑠 𝑟=1 ∑𝑚𝑖=1𝑣𝑖𝑗𝑥𝑖𝑗 ≤ 1, 𝑗 = 1,2, … , 𝑛 (1) 𝑢𝑟, 𝑣𝑖 ≥ 0, 𝑖 = 1,2, … , 𝑚, 𝑟 = 1,2, … , 𝑠
O resultado de 𝑬𝒐 = 1 indica eficiência, enquanto 𝑬𝒐 < 1 aponta ineficiência. As eficiências
de 𝑬𝟎𝟏 e 𝑬𝟎𝟐, são calculadas de forma análoga nos PPLs descritos em 2 e 3.
Para que se possa usar a eficiência dos estágios no cálculo da eficiência global, são adicionadas restrições ao modelo 1 de que cada uma das eficiências dos estágios deve ser igual ou menor que 1. Dessa forma, o PPL 4 obtém a eficiência global das DMUs avaliadas.
𝐸𝑜= 𝑚𝑎𝑥∑𝑠𝑟=1𝑢𝑟𝑦𝑟0 ∑𝑚𝑖=1𝑣𝑖𝑥𝑖0 𝑠. 𝑡.∑ 𝑢𝑟𝑦𝑟𝑗 𝑠 𝑟=1 ∑𝑚𝑖=1𝑣𝑖𝑗𝑥𝑖𝑗 ≤ 1, 𝑗 = 1,2, … , 𝑛 ∑ 𝑤𝑑𝑧𝑑𝑗 𝐷 𝑑=1 ∑𝑚𝑖=1𝑣𝑖𝑥𝑖𝑗 ≤ 1, 𝑗 = 1,2, … , 𝑛 (4) ∑ 𝑢𝑟𝑦𝑟𝑗 𝑠 𝑟=1 ∑𝐷𝑑=1𝑤𝑑𝑧𝑑𝑗 ≤ 1, 𝑗 = 1,2, … , 𝑛 𝑢𝑟, 𝑣𝑖, 𝑤𝑑 ≥ 0, 𝑖 = 1,2, … , 𝑚, 𝑟 = 1,2, … , 𝑠, 𝑑 = 1,2, … , 𝐷
O modelo obtido em 5 pode ser linearizado, considerando ∑𝒎𝒊=𝟏𝒗𝒊𝒙𝒊𝟎 = 1, para que possa ser resolvido utilizando técnicas de Programação Linear, como é descrito em 5.
𝐸𝑜 = max ∑𝑠𝑟=1𝑢𝑟𝑦𝑟0 𝑠. 𝑡. ∑𝑚𝑖=1𝑣𝑖𝑥𝑖0= 1 ∑𝑠𝑟=1𝑢𝑟𝑦𝑟𝑗− ∑𝑚𝑖=1𝑣𝑖𝑗𝑥𝑖𝑗 ≤ 0, 𝑗 = 1,2, … , 𝑛 ∑𝐷𝑑=1𝑤𝑑𝑧𝑑𝑗 − ∑𝑚𝑖=1𝑣𝑖𝑥𝑖𝑗 ≤ 0, 𝑗 = 1,2, … , 𝑛 (5) ∑𝑠𝑟=1𝑢𝑟𝑦𝑟𝑗− ∑𝐷𝑑=1𝑤𝑑𝑧𝑑𝑗 ≤ 0, 𝑗 = 1,2, … , 𝑛 𝑢𝑟, 𝑣𝑖, 𝑤𝑑 ≥ 0, 𝑖 = 1,2, … , 𝑚, 𝑟 = 1,2, … , 𝑠, 𝑑 = 1,2, … , 𝐷
Outra maneira de se obter a eficiência da DMU é multiplicando os valores obtidos da eficiência dos estágios da unidade, como mostra a equação 6.
𝐸𝑜= 𝐸01𝑥𝐸02 (6)
4. MODELAGEM
O objetivo fim de uma instalação portuária é movimentar o maior número de carga possível, utilizando ao máximo a infraestrutura instalada. Se um porto possui um baixo índice de transferência de carga, o mesmo é considerado de baixa qualidade. Por outro lado, se um porto possui um elevado número de cargas transportadas, seja por meio de containers, carga solta, granel sólido ou granel líquido, principalmente maximizando o uso de seus berços de atracação, é uma indicação da alta qualidade do porto.
utilizado o modelo NDEA multiplicativo relacional de dois estágios descrito na seção 3.
Para a escolha das DMUs do modelo, foi realizada uma Análise de Pareto, onde as variáveis consistiram dos 155 portos brasileiros que tiveram carga movimentada no ano de 2015 e o somatório total de peso bruto transportado por cada uma delas. Desse modo, pode ser facilmente verificado na figura 2, um Gráfico de Pareto, que 34 portos são responsáveis por 88% do somatório total dos pesos brutos transportados, e dessa forma, devido a sua relevância no cenário nacional, esses portos foram escolhidos como as DMUs.
Figura 2: Gráfico de Pareto dos Portos e suas Cargas
A fim de representar o objetivo fim de uma instalação portuária, a variável input inicial escolhida foi o número de berços de atracação que cada porto possui para movimentação de cargas. O número de atracações de fato realizadas no ano foi utilizado como produto intermediário e os outputs finais são o somatório dos pesos transportados por tipo de carga, num total de 4 outputs referentes ao (i) peso bruto de carregamentos por containers, (ii) peso carga solta, (iii) peso granel sólido e (iv) peso granel líquido. Desta forma é possível medir tanto a atratividade do porto em relação aos seus berços de atracação, quanto a capacidade do porto em movimentar cargas de forma eficiente. A figura 3 mostra um resumo das variáveis utilizadas e os estágios do NDEA.
Figura 3: Processo de medida de eficiência para cada DMU
modelo poderia ser extendido para mais de um ano de análise, porém essa restrição não foi observada em todas as 34 DMUs selecionadas.
Considerando-se que os portos em análise tem como atividade realizar movimentações de carga (carregamentos e descarregamento) nas embarcações, não realizando portanto nenhuma outra atividade que não resulte na atividade fim como por exemplo manutenções de embarcações, é razoável supor que, aumentando o número de atracações se aumente proporcionalmente o peso total de cargas movimentadas do porto e é possível também assumir que como são diferentes as embarcações atracadas, uma não tem relação alguma com as outras, ou seja, uma embarcação não vai carregar mais ou menos peso dependendo do número de atracações que já foram realizadas ou da quantidade total de peso que já foi carregada naquele porto. Desta forma, é respeitado o axioma do raio ilimitado que é condição para usar o modelo CCR, com retorno constante de escala, não importando se os portos são ou não de tamanho semelhante. Note ainda que o uso do modelo CCR está também coerente com a relação berços x número de atracações, que faz uso de simples ratios, o que equivale a um modelo CCR simplificado.
Apesar do objetivo dos portos ser o aumento no somatório dos pesos das cargas transportadas, o modelo deve ser orientado à input, já que o administrador do porto tem apenas como opção reduzir a quantidade de berços, e foge de sua competência o aumento do peso das cargas. No entanto, como o modelo é de retorno constante de escala, não é necessário definir a orientação pois, neste caso, as duas fornecem os mesmos índices de eficiência.
O modelo PPL utilizado neste estudo está descrito em 8. Este modelo é uma adaptação do PPL 7 apresentado anteriormente. A restrição ∑𝑠𝑟=1𝑢𝑟× 𝑦𝑟𝑗− ∑𝑚𝑖=1𝑣𝑖 × 𝑥𝑖𝑗 ≤ 0 foi retirada, pois Kao (2009) e Chen et al. (2009) demostraram que ela era redundante.
𝐸𝑜 = max ∑𝑠𝑟=1𝑢𝑟𝑦𝑟0 𝑠. 𝑡. ∑𝑚𝑖=1𝑣𝑖𝑥𝑖0= 1 ∑𝐷𝑑=1𝑤𝑑𝑧𝑑𝑗 − ∑𝑚𝑖=1𝑣𝑖𝑥𝑖𝑗 ≤ 0, 𝑗 = 1,2, … , 𝑛 (7) ∑𝑠𝑟=1𝑢𝑟𝑦𝑟𝑗− ∑𝐷𝑑=1𝑤𝑑𝑧𝑑𝑗 ≤ 0, 𝑗 = 1,2, … , 𝑛 𝑢𝑟, 𝑣𝑖, 𝑤𝑑 ≥ 0, 𝑖 = 1,2, … , 𝑚, 𝑟 = 1,2, … , 𝑠, 𝑑 = 1,2, … , 𝐷
As eficiências dos estágios 1 e 2, são demostrados nas equações 8 e 9, enquanto a eficiência global é calculada pela equação 10. Em todos os cálculos j varia de 1 até n.
Foram utilizados os dados do ano de 2015, divulgados pela Antaq e, assim, avaliados 34 portos relacionados na Tabela 1.
Tabela 1: Dados do modelo Instalações Portuárias Berços Quant. de
Atracações Somatório Peso Bruto Contêiner (t) Somatório Carga Geral Solta (t) Somatório Granel Sólido (t) Somatório Granel Líquido (t) Aratu 6 555 0,00 0,00 1.749.555,00 4.390.578,00 Embraport 2 479 5.755.786,00 325.920,00 0,00 0,00 Itaguaí 8 762 2.794.141,00 987.017,00 53.573.518,00 0,00 Itaqui 7 836 65.863,00 1.520.894,00 12.576.296,00 7.655.936,00 Paranaguá 12 1933 8.858.782,00 759.033,00 29.475.765,00 1.986.832,00 Porto do Açu - Terminal de
Minério
3 66 0,00 0,00 8.820.145,00 0,00 Porto Itapoá Terminais
Portuários 2 574 6.060.502,00 0,00 0,00 0,00 Portocel - Terminal Especializado de Barra do Riacho 2 825 0,00 9.202.010,00 0,00 0,00 Portonave - Terminais Portuários de Navegantes 3 476 7.657.630,00 0,00 0,00 0,00 Rio de Janeiro 31 948 3.584.420,00 915.318,00 942.169,00 150.167,00 Rio Grande 30 2481 7.422.001,00 1.662.458,00 10.746.662,00 3.490.919,00 Santos 51 4909 35.339.444,00 3.236.789,00 52.781.701,00 11.893.212,00 São Francisco do Sul 5 566 754.917,00 2.497.619,00 9.851.530,00 14.561,00 Suape 11 1565 4.598.437,00 223.991,00 724.736,00 14.715.378,00 Terbian - Terminal
Bianchini
3 459 0,00 0,00 6.308.545,00 132.699,00 Terminal Aquaviário da Ilha
D'Água
8 1260 0,00 0,00 0,00 14.016.457,00 Terminal Aquaviário de
Angra dos Reis
6 246 0,00 0,00 0,00 37.240.395,00 Terminal Aquaviário de Madre de Deus 6 715 0,00 0,00 0,00 19.756.371,00 Terminal Aquaviário de Osório 2 201 0,00 0,00 87.982,00 12.713.324,00 Terminal Aquaviário de São
Francisco do Sul
2 112 0,00 0,00 0,00 10.079.689,00 Terminal Aquaviário de São
Sebastião (Almirante Barroso)
4 583 0,00 0,00 0,00 48.811.093,00
Terminal da Ilha Guaíba - TIG
2 213 0,00 0,00 46.650.964,00 0,00 Terminal de Praia Mole 2 177 0,00 0,00 12.293.572,00 0,00 Terminal de Tubarão 7 792 0,00 0,00 113.021.217,00 635.822,00 Terminal Graneleiro Hermasa 2 1977 0,00 0,00 6.963.808,00 130.003,00 Terminal Marítimo Alfandegado Privativo de Uso Misto de Praia Mole
3 389 0,00 7.707.431,00 32.117,00 0,00
Terminal Marítimo de Ponta da Madeira
4 557 0,00 0,00 124.602.316,00 0,00 Terminal Marítimo Ponta
Ubu
3 322 0,00 0,00 26.371.344,00 80.774,00 Terminal Portuário do
Pecém
6 493 1.929.937,00 555.268,00 3.766.868,00 759.405,00 Terminal Portuário Privativo
5. RESULTADOS E DISCUSSÕES
Após a resolução do modelo descrito na seção 4, foram encontradas as eficiências com o modelo NDEA multiplicativo relacional de dois estágios, apresentadas na Tabela 2, sendo analisadas as 34 DMUs que representam 88% de todos os carregamentos realizados em portos brasileiros no ano de 2015.
Tabela 2: Cálculos das Eficiências Nome da Instalação Portuária Eficiência
1º estágio Eficiência 2º estágio Eficiência Global Aratu 0,0936 0,0663 0,0062 Embraport 0,2423 0,7689 0,1863 Itaguaí 0,0964 0,5778 0,0557 Itaqui 0,1208 0,1826 0,0221 Paranaguá 0,1630 0,3706 0,0604
Porto do Açu - Terminal de Minério 0,0223 0,5974 0,0133 Porto Itapoá Terminais Portuários 0,2903 0,6563 0,1906 Portocel - Terminal Especializado de Barra do Riacho 0,4173 0,3603 0,1504 Portonave - Terminais Portuários de Navegantes 0,1605 1,0000 0,1605
Rio de Janeiro 0,0309 0,2673 0,0083
Rio Grande 0,0837 0,2330 0,0195
Santos 0,0974 0,5297 0,0516
São Francisco do Sul 0,1145 0,2821 0,0323
Suape 0,1439 0,2508 0,0361
Terbian - Terminal Bianchini 0,1548 0,0633 0,0098 Terminal Aquaviário da Ilha D'Água 0,1593 0,0735 0,0117 Terminal Aquaviário de Angra dos Reis 0,0415 1,0000 0,0415 Terminal Aquaviário de Madre de Deus 0,1206 0,1825 0,0220 Terminal Aquaviário de Osório 0,1017 0,4198 0,0427 Terminal Aquaviário de São Francisco do Sul 0,0567 0,5945 0,0337 Terminal Aquaviário de São Sebastião (Almirante Barroso) 0,1474 0,5531 0,0815 Terminal da Ilha Guaíba - TIG 0,1077 0,9791 0,1055 Terminal de Praia Mole 0,0895 0,3105 0,0278 Terminal de Tubarão 0,1145 0,6432 0,0736 Terminal Graneleiro Hermasa 1,0000 0,0162 0,0162 Terminal Marítimo Alfandegado Privativo de Uso Misto de
Praia Mole
0,1312 0,6401 0,0840 Terminal Marítimo de Ponta da Madeira 0,1409 1,0000 0,1409 Terminal Marítimo Ponta Ubu 0,1086 0,3678 0,0399 Terminal Portuário do Pecém 0,0831 0,3186 0,0265 Terminal Portuário Privativo da Alumar 0,1720 0,1982 0,0341
Terminal TKCSA 0,0617 1,0000 0,0617
Terminal Trombetas 0,0860 0,2407 0,0207
Vila do Conde 0,0818 0,1564 0,0128
Vitória 0,0918 0,1715 0,0158
De acordo com o resultado encontrado, apenas o Terminal Graneleiro Hermasa foi eficiente no 1º estágio. Isto ocorre porque o porto possui um tempo médio de estadia de apenas 4.3 horas, o único entre os portos analisados a possuir o tempo mencionado com menos de 24 horas de duração e apenas um dos dois portos entre os listados que não possui filas de espera para atracação. Como comparação, o segundo mais eficiente no primeiro estágio, o Portocel, possui tempo médio de estadia de 45.5 horas e uma espera média de 11.9 horas para atracação. Já o menos eficiente no primeiro estágio do NDEA, o porto de Aratu, possui um tempo médio de estadia no ano de 2015 de 152.7 horas, e uma espera média de mais de 3 dias.
maior número de atracações. Dado que 32 dos 34 portos possuem filas de espera, uma maior eficiência nos tempos de atracação, desatracação e operação também irão resultar em ganhos imediatos no número de atracações.
No segundo estágio do NDEA, 4 portos foram 100% eficientes. Isso mostra claramente que esses portos possuem infraestrutura dedicada para cargas específicas. O Portonave, operado Portonave SA é o mais eficiente no manuseio de containers, o Terminal Marítimo de Ponta da Madeira, operado pela Vale SA é o mais eficiente no manuseio de granel sólido, o Terminal Aquaviário de Angra dos Reis, operado pela Transpetro é o mais eficiente no manuseio de granel líquido e o Terminal TKCSA, operado pela Thyssenkrupp é o mais eficiente no manuseio de cargas soltas.
Na análise da eficiência global todas as DMUs ficaram abaixo de 20% de eficiência. Isso porque relativamente ao Terminal Graneleiro Hermasa, todas podem melhorar consideravelmente o nível de operacionalidade dos berços. Como o mercado de granel sólido é cíclico, as operadoras dos portos preferem administrar a fila de espera a fazer investimentos significativos em infraestrutura, correndo o risco de ociosidade.
A figura 4 mostra a densidade das eficiências onde o eixo das abscissas representa a eficiência no 1º estágio e o eixo das ordenadas mostra a eficiência no 2º estágio NDEA. Como pode ser observado, o alto número de carregamentos realizados pelo Terminal Graneleiro Hermasa não é efetivo em relação à quantidade de carga transportada. A baixa eficiência global denota um maior custo com port calls, amarradores, práticos, que poderia ser evitado se fossem feitas menos atracações com mais peso em cada carregamento.
Figura 4: Gráfico de densidade das eficiências parciais
A tabela 3 divide as DMUs em grupos de carga predominante. Pode-se observar que os grupos Contêiner e Carga Geral Solta possuem eficiências maiores do que os grupos Granel Sólido e Granel Líquido. Observado o segundo estágio, nota-se que são necessárias mais atracações nos grupos de granéis para obter o mesmo peso em toneladas dos grupos contêiner e carga solta. Em compensação o peso total do grupo granel sólido e líquido é superior aos dois primeiros, mostrando uma menor eficiência, porém maior efetividade dos berços e atracações.
Embraport, Porto Itapoá. A média da eficiência global é quase 6 vezes superior à dos 11 portos públicos, como pode ser observado na tabela 4.
Tabela 3: Eficiências por grupo de carga predominante Tipo de Carga
Predominante Eficiência 1º estágio Eficiência 2º estágio Eficiência Global Número de portos
Contêiner 0,1632 0,5728 0,1123 5
Carga Geral Solta 0,2742 0,5002 0,1172 2
Granel Sólido 0,1526 0,4246 0,0434 19
Granel Líquido 0,1081 0,3926 0,0344 8
Tabela 4: Comparação Público x Privado em portos que manuseiam contêineres Tipo de Operador Eficiência 1º estágio Eficiência 2º estágio Eficiência Global Número de portos
Público 0,1007 0,3037 0,0310 11
Privado 0,2310 0,8084 0,1791 3
6. CONSIDERAÇÕES FINAIS
A utilização de um modelo NDEA, em oposição ao clássico DEA, ofereceu a vantagem de decompor o processo de avaliação de portos em 02 (dois) estágios sequenciais, onde o número de atracações foi considerado produto intermediário na produção dos outputs do processo, ou seja, o peso total por tipo de carga movimentada no porto, além da avaliação da eficiência associada a cada uma delas. Além disso, em relação aos portos ineficientes, a divisão do processo de avaliação tornou mais fácil identificar as fontes de ineficiência no processo.
O alto número de atracações no Terminal Graneleiro Hermasa reduziu consideravelmente as eficiências dos outros portos. Como estudo futuro, propõe-se analisar se o porto é realmente benchmark dos outros portos, ou se a alta eficiência no primeiro estágio se deve ao fato de utilizar um processo muito diferente dos demais, e não implementável ou se ele pode ser utilizado pelos outros portos a fim de otimizar a sua eficiência.
Como conclusão geral, há muito espaço para melhorias nos portos brasileiros, dado que nenhum deles obteve eficiência global maior que 20%. Comparados aos benchmarks, os portos têm capacidade para reduzir tempos de operação e filas de espera, consequentemente aumentando o número de atracações para então atingir o objetivo fim de carregar o maior peso possível.
REFERÊNCIAS BIBLIOGRÁFICAS
Banker R.D.; A. Charnes e W. W. Cooper (1984). Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis. Management Science, v. 3, n. 9, p.1078-1092.
Barros, C. P. e M. Athanassiou (2002) Efficiency in European Seaports with DEA: Evidence from Greece and Portugal. Maritime Economics & Logistics, v. 6, n. 2, p. 122–140.
Bertoloto, R. F. e J. C. C. B. Soares de Mello (2011) Eficiência de portos e terminais privativos brasileiros com características distintas. Revista de Literatura dos Transportes, v. 5, n. 2, p. 4-21.
Bichou, K. (2011) A two-stage supply chain DEA model for measuring container-terminal efficiency.
International Journal of Shipping and Transport Logistics, v. 3, n. 1, p. 6.
Charnes, A.; W. W. Cooper e E. Rhodes (1978) Measuring the efficiency of decision making units. European
Journal of Operational Research, v. 2, n. 6, p. 429–444.
Chen, Y.; W. D. Cook; N. Li e J. Zhu (2009), Additive efficiency decomposition in two-stage DEA. European
Journal of Operational Research, v. 196, n.3, p. 1170-1176.
Cortez, L. C. S.; L. R. Oliveira; E. F. Martins; I. R. D. Jesus e J. C. C. B. S. Mello (2013) Análise de eficiência na gestão de portos públicos brasileiros em relação ao papel das autoridades portuárias. Journal of
Transport Literature, v. 7, n. 2, p. 78–96.
envelopment analysis and stochastic frontier analysis. Transportation Research Part A: Policy and
Practice, v. 40, n. 4, p. 354–374.
Cullinane, K.; P. Ji e T. F. Wang (2005a) The relationship between privatization and DEA estimates of efficiency in the container port industry. Journal of Economics and Business v. 57, n. 5, p. 433–462. Cullinane, K.; D. W. Song e T. Wang (2005b) The application of mathematical programming approaches to
estimating container port production efficiency. Journal of Productivity Analysis, v. 24, n. 1, p. 73-92. Dantas, R. S. (2013) A importância dos Portos para o Comércio Exterior Brasileiro, Secretaria de Comércio
Exterior. Acessado em <http://www.senado.gov.br/atividade/materia/getPDF.asp?t=124363&tp>
Exame (2012) Vento a favor dos portos: investimento de 40 bilhoes de reais ate 2017 sera recorde, mas atuais
gargalos ja consumiriam 42,9 bilhoes de reais, Exame, São Paulo, v. 46, n. 12.
Fare, R.; S. Grosskopf (2000) Network DEA. Socio-Economic Planning Sciences, v. 34, n. 1, p. 35–49.
De Oliveira, G. e P. Cariou (2015) The impact of competition on container port (in)efficiency. Transportation
Research Part A: Policy and Practice, v. 78, p. 124–133.
Gomes Júnior, S. F.; P. M. Beltrán; J. C. C, B. S. Mello e L. A. Meza (2014) Utilização de Modelo Network DEA na Avaliação de Cursos de Pós-Graduação Stricto Sensu em Engenharia. Anais do XVII Simpósio de
Pesquisa Operacional e Logística da Marinha, SPOLM, São Paulo, v. 1, p. 99-111.
Furlan, F. (2014) Ficamos a ver navios: o governo prometeu aumentar a produtividade e diminuir a burocracia nos portos-mas seus projetos estão naufragando. Exame, v. 48, n. 15.
Goularti Filho, A. (2007) Melhoramentos, reaparelhamentos e modernização dos portos brasileiros: a longa e constante espera. Economia e Sociedade, v. 16, n. 3, p. 455–489.
Hung, S.W.; W. Lu e T. Wang (2010) Benchmarking the operating efficiency of Asia container ports. European
Journal of Operational Research, v. 203, n. 3, p. 706–713.
Kao, C. e S. N. Hwang (2008) Efficiency decomposition in two-stage data envelopment analysis: An application to non-life insurance companies in Taiwan. European Journal of Operational Research, v. 185, n. 1, p. 418–429.
Kao, C. (2009) Efficiency decomposition in network data envelopment analysis: A relational model. European
Journal of Operational Research, v. 192, n. 3, p. 949-962.
Markovits-Somogyi, R. (2011) Measuring efficiency in transport: the state of the art of applying data envelopment analysis. Transport, v. 26, n. 1, p. 11–19.
Martins, K. V. (2015) Análise da eficiência relativa de portos multipropósito. Dissertação - UFES. Defendido em julho de 2015, Vitória, ES, Brasil.
Panayides, P. M.; C. N. Maxoulis e T. F. Wang (2009) A Critical Analysis of DEA Applications to Seaport Economic Efficiency Measurement. Transport Reviews, v. 29, n. 2, p. 183-206.
Roll, Y. e Y. Hayuth (1993) Port performance comparison applying data envelopment analysis (DEA). Maritime
Policy & Management, v. 20, n. 2, p. 153–161.
Rubem, A. P. S.; L. C. Brandão; E. F. Costa; L. A. Meza e J. C. C. B. Soares de Mello (2015) Evaluation of operational efficiency for Brazilian port terminals specialized in container cargo using multiple criteria data envelopment analysis. 27th European Conference on Operational Research. Glasgow, p. 20.
Silva, F. G. F. S.; F. G. D. Martins; C. H. Rocha e C. E. F. Araújo (2011) Análise exploratória da eficiência produtiva dos portos brasileiros. Transportes, v. 19, n. 1, p. 5.
Tongzon, J. (2001) Efficiency measurement of selected Australian and other international ports using data envelopment analysis. Transportation Research Part A: Policy and Practice, v. 35, n. 2, p. 107–122. Wanke, P. F. (2013) Physical infrastructure and shipment consolidation efficiency drivers in Brazilian ports: A
two-stage network-DEA approach. Transport Policy, v. 29, p. 145–153.
Wanke, P. F.; R. G. Barbastefano e M. F. Hijjar (2011) Determinants of efficiency at major Brazilian port terminals. Transport Reviews, v. 31, n. 5, p. 653–677.
Wanke, P. F. e C. P. Barros (2015) Public-private partnerships and scale efficiency in Brazilian ports: Evidence from two-stage DEA analysis. Socio-Economic Planning Sciences, v. 51, p. 13–22.
Zhou, G.; H. Min; C. Xu e Z. Cao (2008) Evaluating the comparative efficiency of Chinese third-party logistics providers using data envelopment analysis. International Journal of Physical Distribution & Logistics
Management, v. 38, n. 4, p. 262–279.
Bruno Guimarães Torres (brunotorres@id.uff.br)
Gustavo Freitas Mendes Callado (gustavocallado@id.uff.br)
José Carlos Correia Baptista Soares de Mello (jcsmello@producao.uff.br) Lídia Angulo Meza (lidiaangulomeza@id.uff.br)
