Laboratuar bulgular

Para a mensuração da eficiência tecnológica da firma, propõe-se o uso do método Data

modelos matemáticos não paramétricos; isto é, não utiliza inferências estatísticas nem se apega a medidas de tendência central, teste de coeficientes ou formalizações de análises de regressão, pois não exige a determinação de relações funcionais entre os insumos e os produtos. Os modelos de DEA avaliam a eficiência de unidades de tomada de decisão e, segundo Emrouznejad et al. (2008), são cada vez mais utilizados para orientar decisões estratégicas de organizações empresariais. No Brasil, podem ser citados o trabalho de Macedo et al. (2004) que relaciona rentabilidade do patrimônio líquido e liquidez geral com a imagem corporativa e o trabalho de Oliveira e Macedo (2005) que relaciona o uso de ativos com valor da marca e rentabilidade do patrimônio líquido. Ademais, destaca-se o trabalho de Lopes, Lorenzett e Pereira (2011) no qual é proposta a utilização de um modelo DEA com base em indicadores do modelo BSC de implementação e controle da estratégia para a avaliação do processo estratégico.

Os modelos DEA possibilitam determinar a eficiência relativa de cada organização, a qual pode ser entendida como a comparação da produtividade de uma unidade, ou seja, a razão entre produto e insumo, com a produtividade da unidade mais eficiente. Zhu (2000) ressalta que os modelos DEA consistem em uma das mais adequadas ferramentas para se avaliar a eficiência. Cabe destacar que a eficiência e a competitividade não têm uma relação direta. Contudo, o melhor uso dos recursos disponíveis nas atividades empresariais implica mais recursos para se trilhar o caminho da sobrevivência da empresa.

Ademais, na medida em que as organizações precisam aprender continuamente a se posicionarem estrategicamente em seu ambiente, e para tanto precisam de um benchmark, de uma referência, para realizarem o que se denomina “emparelhamento” (catch-up), ─

ou seja, igualarem-se aos melhores padrões de eficiência ─, o método Data Envelopment

Analysis se mostra uma ferramenta que possibilita identificar os chamados “parceiros de

excelência” (benchmark). Ao identificar as reduções nos índices de inputs ou a maximização nos índices de outputs (folgas) para as unidades ineficientes, a análise envoltória de dados por meio de movimentos radiais consegue projetar as unidades ineficientes em direção à fronteira de eficiência, utilizando as unidades eficientes como padrão (COOK; ZHU, 2008).

Como se pode observar o modelo DEA possui quatro conceitos básicos, que se inter- relacionam: inputs, outputs, eficiência relativa e benchmark. Segundo Fitzsimmons e Fitzsimmons (2000), por meio de um sistema de programação linear envolvendo inputs e

outputs, obtêm-se scores para a eficiência relativa de cada unidade analisada, a partir dos

quais se constrói uma fronteira não paramétrica. Ressalta-se que, necessariamente, ao menos uma das unidades analisadas deve ser eficiente, a qual se torna benchmark para as demais, na medida em que esta passa a ser identificada como a detentora das melhores práticas observadas no setor.

As principais características do método Data Envelopment Analysis, de acordo com Macedo e Silva (2005), são:

 Não requer a priori uma função de produção explícita.

 Examina a possibilidade de existirem diferentes, mas igualmente eficientes combinações de inputs e outputs.

 Localiza a fronteira eficiente com base em um grupo analisado e as unidades incluídas.

 Determina para cada unidade ineficiente subgrupos de unidades eficientes, os quais formam seu conjunto de referência.

Apresentada a técnica Data Envelopment Analysis, ressalta-se que optou-se pela utilização de um modelo DEA neste trabalho devido ao fato de esta técnica ser capaz de combinar em um único índice vários indicadores de natureza diferentes, apresentando, portanto, maior capacidade de modelar a complexidade do mundo real, diferentemente de medidas como a lucratividade ou market-share. Ademais, Gillen e Lall (1997) ressaltam que, por se tratar de um método não paramétrico, apresenta maior flexibilidade, pois se adapta a sistemas com múltiplos inputs e outputs e impõe menos restrições quanto à função de produção, o que poderia afetar o cálculo da eficiência.

Cabe destacar também que Majumdar (1998) propôs o uso de DEA para estudos envolvendo a abordagem da Visão Baseada em Recurso, especialmente naqueles que lidam com a utilização de recursos em diferentes indústrias, como é o caso desta pesquisa, no lugar da utilização de medidas de cunho financeiro, como crescimento das vendas, lucratividade e rentabilidade, e de cunho operacional, como market-share, introdução de novos produtos e qualidade do produto. Em complemento, Miller e Ross (2003) apontam que a utilização de recursos revelada por meio da mensuração da eficiência é uma importante parte do pensamento que envolve a abordagem da Visão Baseada em Recurso, na medida em que reflete o uso produtivo dos recursos ou a melhor combinação de recursos.

Dyson et al. (2001), contudo, ressaltam que a utilização de um modelo não paramétrico, como é o caso de DEA, incorre em algumas limitações, a saber: a) à medida que cresce o

número de variáveis, aumenta a chance de mais unidades alcançarem o desempenho máximo; b) torna-se difícil formular hipóteses estatísticas; e c) o modelo DEA apenas analisa o desempenho “relativo”, mas converge muito vagarosamente para o desempenho “absoluto”, na medida em que está baseado em dados observados, e não no ótimo ou no desejável. Tendo-se em vista estas observações, optou-se por utilizar um modelo DEA parcimonioso, ou seja, com poucas variáveis inputs e outputs, e o modelo de supereficiência (ANDERSEN e PETERSEN, 1993), com vista a assegurar maior confiabilidade estatística ao se reduzir o impacto de unidades supereficientes nos scores de eficiência. Ademais, destaca-se que as inferências remetem-se apenas às empresas analisadas, e não ao setor como um todo, embora seja um indicativo e, portanto, não se busca identificar o desempenho “absoluto”.