Pesquisa Operacional e o Desenvolvimento Sustentável 27 a 30/09/05, Gramado, RS ANÁLISE DA EFICIÊNCIA DAS DISTRIBUIDORAS DE GÁS NATURAL BRASILEIRAS UTILIZANDO ANÁLISE ENVOLTÓRIA DE DADOS Guilherme Marques Calôba COPPE/UFRJ, Prédio do CT, Cidade Universitária, Sala F-103, Rio de Janeiro, RJ, 21985-470, [email protected] Marcos Pereira Estellita Lins COPPE/UFRJ, Prédio do CT, Cidade Universitária, Sala F-103, Rio de Janeiro, RJ, 21985-470, [email protected] Resumo Este trabalho visa estudar a eficiência das empresas distribuidoras de gás natural situadas no Brasil. Inicialmente são discutidos a motivação e propósito desta pesquisa, bem como características do setor de distribuição de gás natural que viabilizam o uso de regulações por incentivos (price caps), que já são realizados em alguns países a partir da metodologia DEA. A metodologia é empregada, em um modelo perfeitamente visualizável, buscando criticar e motivar o uso de indicadores de desempenho não radiais e não orientados para calcular de forma mais completa a eficiência das distribuidoras de gás natural do Brasil. Palavras-chave: Regulação; Gás Natural; DEA. Abstract This paper addresses the efficiency of natural gas distribution companies in Brazil. We start with the motivation and purpose of the research as well as the properties of the natural gas distribution industry which provide feasibility for the regulator to apply incentive-based regulation methods such as price caps regulation. This type of regulation is already being used in several countries, facilitated by Data Envelopment Analysis. DEA is used in a model with perfect visualization, seeking to criticize and motivate the use of non-radial, non-orientated performance indexes to more properly calculate the efficiency of the natural gas distribution companies in Brazil. Keywords: Regulation; Natural Gas; DEA. 1 – Introdução A motivação para este trabalho vem do fato de diversos países já estarem utilizando esquemas de regulação com base em cálculos de eficiência das concessionárias. Estes métodos de incentivos diretos à produtividade (price caps), quando utilizados em um esquema regulatório, prevêem a comparação entre diversas empresas reguladas para efeito de cálculo do fator X, que representa eficiência do setor ou da empresa. Este tipo de regulação é muito empregado em setores com monopólios regionais, nos quais é necessário emular concorrência para obter certa competição entre as concessionárias. Williamson e Toft (2001), bem como CPB (2000) colocam quatro pré-requisitos primordiais para o uso da regulação por incentivos: • Mercado imperfeito: Quando há ausência ou dificuldade de competição, como nos monopólios regionais ou estatutários e indústrias de rede; • Comparabilidade: É necessário que os agentes possuam um conjunto mínimo de características similares, de forma que possam ser comparados; Pesquisa Operacional e o Desenvolvimento Sustentável 27 a 30/09/05, Gramado, RS • Assimetria de informação: Os agentes possuem informação sobre sua função de produção e custos e sabem como melhorar a eficiência produtiva, ao passo que o regulador não sabe; e • Verificação: O processo regulatório deve ser claramente explicitado de forma a sustentar recursos judiciais sobre arbitragem de tarifas. O modelo de price caps promove a eficiência no sentido em que compara diversas unidades entre si ou incentiva melhorias de produtividade. A Análise Envoltória de Dados (ou Data Envelopment Analysis – DEA) originalmente desenvolvida por Charnes, Cooper e Rhodes (1978) e posteriormente por Banker, Charnes e Cooper (1984) tem sido utilizada em diversos trabalhos para cálculo de eficiência no setor de eletricidade, como por exemplo, Resende (2002) e Bogetoft (1997 e 2000), bem como em telecomunicações, no artigo de Façanha e Resende (2004). Como Bogetoft e Agrell (2001) citam, países como Austrália, Dinamarca, Inglaterra, Holanda e Noruega já usam metodologias DEA para regulação de vários serviços e em outros, como a Finlândia e Suécia, apontados por Gronli (2001), estudos são realizados para implementar a regulação. A metodologia não tem sido utilizada com tanta ênfase no setor de distribuição de gás natural. O grande exemplo de aplicação de DEA na avaliação de distribuidores de gás natural vem de um relatório elaborado por Coelli et alii (1999), no qual um modelo é empregado para questionar a tarifa imposta a uma determinada empresa australiana. Assim sendo, mostra-se como um desafio empregar modelos DEA para medição de eficiência neste setor, onde o método não se introduziu de forma tão clara e incisiva como em outros setores, tais quais eletricidade, telecomunicações, água e esgoto. 2 – O Setor de Gás Natural no Brasil A distribuição de gás natural no Brasil tem uma série de características peculiares. O setor foi desenvolvido ao longo do século XX , onde investimentos maciços foram realizados nos estados do Rio de Janeiro e São Paulo. A Petrobrás lidou com a distribuição de gás natural até 1988 quando a constituição vedou a distribuição para a empresa, constituindo monopólios estaduais. Na maioria dos estados brasileiros, as redes de distribuição existem para atender grandes consumidores, e em regiões de grande densidade de consumo. Uma dificuldade adicional para este setor é que, distinto das telecomunicações e eletricidade, a regulação do setor é feita pelos estados, ou seja, não existe a imposição de um sistema único de regulação no país. A Agência Nacional do Petróleo (ANP) apenas regula a importação e exportação de gás natural e sua movimentação pelos gasodutos (ABAR, 2001). As agências reguladoras distribuídas pelo país e responsáveis também, na maior parte, pela regulação de serviços de água e esgoto, foram organizadas e constituídas operacionalmente falando apenas recentemente, possuindo baixo poder regulatório. A rede brasileira possui 9.000 km de extensão, enquanto a Argentina possui 150.000 km e os Estados Unidos, 1 milhão de km de extensão. Estados como a Califórnia possuem mais de 80 distribuidores de gás (American Gas Association, 2005). Os estados mais avançados na regulação são, obviamente, Rio de Janeiro e São Paulo. No Rio de Janeiro, as duas empresas operando são a CEG, no município do Rio de Janeiro e a CEG-Rio, no interior do estado. Em São Paulo, três empresas dividem o Estado: • Comgás, no sudeste do estado, incluindo-se a capital; • Gás Natural SPS, ligada à empresa espanhola Gás Natural, ao sul do estado; e • Gas Brasiliano, ligada ao grupo italiano Eni, no Norte do Estado. A representação esquemática do estado e as áreas de concessão é exibida na figura 1. 294 27 a 30/09/05, Gramado, RS Pesquisa Operacional e o Desenvolvimento Sustentável Barretos Franca Franca S.J. RioPreto Araçatuba Araçatuba Gas Brasiliano Presidente Prudente RibeirãoPreto Central (Araraquara) Marília Bauru Sorocaba COMGÁS Gás Natural SPS Registro Figura 1 – Mapa da Concessão do Estado de São Paulo Em São Paulo determinou-se que os concessionários possuem exclusividade de construção e operação das redes de distribuição durante o período de concessão e no atendimento aos segmentos residencial e comercial. Nos demais segmentos a exclusividade se encerra após 12 anos, a partir dos quais a competição está liberada. Cada concessionário possui obrigações com um plano de qualidade, de expansão de rede e de contas. A figura 2 ilustra a operação de distribuição no período de exclusividade e de livre acesso. Período Período de de Exclusividade Exclusividade Produtor Transportador Concessionária de Distribuição e Comercialização Residencial Comercial Industrial Termelétrica Livre Livre Acesso Acesso Após Após Período Período de de Exclusividade Exclusividade Produtor Transportador Concessionária de Distribuição e Comercialização Residencial Comercial Industrial Comercializador Termelétrica Figura 2 – Exclusividade e Livre Acesso na Distribuição do Gás Natural em São Paulo Como pode ser visto, os comercializadores independentes poderão comprar o gás natural do produtor e, utilizando a rede implantada, comercializar para o segmento industrial e de geração de energia termelétrica. 3 – Distribuidoras de Gás Natural no Brasil Atualmente, 18 empresas operam efetivamente na distribuição de gás natural no Brasil. Existem companhias de distribuição de gás em estados sem rede de distribuição, como no Distrito Federal, e que, naturalmente, foram excluídas desta análise. A figura 3 mostra, no ano de 2004, como foi a participação destas 18 empresas com relação ao volume total entregue (Oglobo, 2004). 295 27 a 30/09/05, Gramado, RS Pesquisa Operacional e o Desenvolvimento Sustentável Volume distribuído (abr/2003 a jul/2004) 1,2% 5,2% 0,4% 0,9% 2,8% 0,8% 1,2% 11,6% 3,5% 6,2% 3,7% 0,6% 13,0% 2,4% 1,7% 11,0% 3,3% 30,5% Algás Bahiagás Petrobras/ ES CEG CEG Rio Cegás Comgás Compagás Copergás Petrobras/Emsergás Gas Brasiliano Gasmig MSGÁS Petrobras/PBGás GasNatural SCGÁS Petrobras/Potigás Sulgás Figura 3 – Participação das 18 distribuidoras de gás natural no volume total distribuído • • • • Verifica-se um mercado bastante concentrado em torno das seguintes empresas: COMGÁS: Responsável pela distribuição na região metropolitana de São Paulo e pólos industriais próximos, com 30,5% do volume total; CEG: Responsável pela distribuição no município do Rio de Janeiro, com participação de 13%; Bahiagás: Responsável pela entrega no estado da Bahia, com 11,6% de participação; e CEG-Rio: Atende a baixada fluminense e outros municípios do estado do Rio de Janeiro, com 11% de participação. As quatro empresas respondem por 66,1% do volume total distribuído. As demais empresas se distribuem nas regiões do país da seguinte forma: • Região Sul: Copergás do Paraná (2,4%), SulGás do Rio Grande do Sul (6,2%) e SCGás, de Santa Catarina (2,8%); • Região Sudeste: Petrobrás/ES do Espírito Santo (3,5%), GásBrasiliano (0,4%) e GasNatural (1,2%) de São Paulo e Gasmig em Minas Gerais (5,2%); • Região Centro-Oeste: MSGás, no Mato Grosso do Sul (3,7%); • Região Nordeste: Algás de Alagoas (1,2%), Cegás do Ceará (3,3%), Potigás, do Rio Grande do Norte (0,9%), PBGás da Paraíba (0,8%) e Emsergás do Sergipe (0,6%); e • Região Norte: Compagás, do Pará (1,7%). Os dados da tabela 1 foram obtidos a partir do site Gasnet (2005). 296 27 a 30/09/05, Gramado, RS Pesquisa Operacional e o Desenvolvimento Sustentável Rede (km) Volume Total População da Distribuído Área de (m3/dia) Concessão Municípios Municípios da Área de Atendidos Concessão Total de Clientes Clientes Ind Clientes Autom. Clientes Comerc Clientes Resid Clientes Clientes de de Coger. Term. Algás 106 399.700 2.822.621 22 5 155 11 13 51 80 0 0 Bahiagás 300 3.976.200 13.070.250 417 7 144 81 34 9 14 3 3 0 0 24 0 Ceg Cegás 2.560 4.101.400 4.000.000 180 714.500 7.430.661 16 16 606.766 405 184 7 109 52 123 10.028 596.210 32 CEGRIO 383 3.265.600 16.000.000 75 65 1.500 0 0 Comgás 3.400 9.873.300 24.200.000 177 44 404.256 739 201 1 0 0 1.500 0 0 7.777 395.532 5 2 Compagás 402 586.200 9.563.458 399 7 106 70 15 16 3 1 1 Copergás 249 813.800 7.918.344 185 13 89 56 31 0 0 2 0 Emsergás 63 201.600 1.784.475 75 5 35 24 10 1 0 0 0 128.700 10.300.000 375 Gas Natural 150 334.500 2.500.000 93 6 7.230 98 7 254 6.871 0 0 Gasmig 185 1.804.700 17.891.494 853 13 169 114 55 0 0 1 2 Gas Brasiliano MS Gás 58 605.700 2.078.001 78 2 10 3 4 1 0 0 2 PBGás 70 253.400 3.443.825 223 6 56 36 14 1 5 0 0 1.028.700 3.097.232 77 PetrobrasES Potigás 140 291.600 2.776.782 166 8 53 25 24 3 0 0 1 SCGas 409 884.300 5.356.360 293 17 74 64 10 0 0 0 0 Sulgás 370 2.301.800 10.187.798 467 16 83 72 16 5 0 2 2 Tabela 1 – Dados das Distribuidoras de Gás Natural operando no Brasil Os dados ausentes das empresas GasBrasiliano e Petrobrás/ES não foram encontrados ou validados na pesquisa do site, que teve como principais fontes dados oficiais das agências reguladoras, pesquisas do IBGE (população e municípios das áreas de concessões) e informações obtidas em contato direto com as distribuidoras. 4 – Proposição de um modelo de Análise Envoltória de Dados para Regulação de Distribuidoras de Gás Natural Conforme mencionado na introdução, a Análise Envoltória de Dados foi desenvolvida por Charnes, Cooper e Rhodes (1978) e complementada por Banker, Charnes e Cooper (1984). A partir destes trabalhos seminais, centenas de artigos já foram escritos utilizando o método que, basicamente, faz uso de programação linear para comparar diversas unidades, também chamadas de DMU’s para Decision Making Units, através da composição de seus insumos e produtos. A metodologia é extremamente atrativa por sua simplicidade e por possuir modelos que facilmente indicam a eficiência de uma unidade, os pesos concedidos aos diversos inputs e outputs e os alvos de projeção na fronteira definida pelas unidades eficientes. DEA tem sido aplicado para regulação em diversos países. Entretanto, poucos exemplos de uso de DEA para regulação de gás natural são encontrados. O principal exemplo ainda é Coelli et alii (1999). Neste trabalho, os autores propõem um modelo que utiliza inputs e outputs mostrados na tabela 2. Inputs Outputs Extensão das linhas (km) Gás Entregue (TJ) Custos de Operação e Manutenção ($) Consumidores Residenciais Outros consumidores Tabela 2 – Inputs e Outputs sugeridos por Coelli et alii (1999) 297 Pesquisa Operacional e o Desenvolvimento Sustentável 27 a 30/09/05, Gramado, RS O modelo utilizado pelos autores é o de retornos variáveis de escala (VRS) desenvolvido por Banker, Charnes e Cooper (1984). Neste artigo, resultados obtidos nos modelos clássicos serão comentados, com vistas à motivação de outros modelos, como o Slacks Based Measurement (SBM) desenvolvido por Tone (2000) A partir dos dados obtidos sobre as empresas brasileiras e dispostos na seção anterior, propõem-se um modelo utilizando inputs e outputs como na tabela 3. Inputs Outputs Volume Total Distribuído Extensão das linhas (km) (m3/dia) Total de Clientes Tabela 3 – Inputs e Outputs utilizados neste trabalho Para avaliar de forma mais precisa a eficiência, seria interessante utilizar também dados como custos operacionais em reais e percentual de gás entregue em função do gás total transportado. Estes dados ainda estão sendo coletados e reunidos a um banco de dados internacionais de forma a realizar uma análise mais detalhada da eficiência do setor. 5 –Aplicação do Modelo O primeiro modelo utilizado foi CRS com ótica voltada aos outputs, seguido pela aplicação do modelo VRS, mais flexível aos efeitos de escala do ambiente empresarial. A descrição destes modelos em sua representação envelope são exibidas. l (1) Max n xiA ≥ ∑ λ j xij , i = 1..m (2 ) s.a. j =1 n l. y iA ≤ ∑ λ j y ij , i = 1..s (3) J =1 n ∑λ J =1 j = 1 (4 ) irr , λ j ≥ 0, j = 1..n (5) l A única diferença entre os modelos CRS e VRS é a introdução da restrição (4), que garante que a combinação linear para a projeção do ponto na fronteira seja convexa, pela exigência de que os λ’s somem a unidade. O modelo dos multiplicadores é o dual, e que possui uma variável adicional, pela lógica da transformação primal-dual. Este modelo funciona da seguinte forma. m ∑x Min i =1 s s.a. ∑y i =1 m ∑x i =1 v + v * (1) iA i iA u i = 1 (2 ) s v + v * − ∑ y ij u i ≥ 0, j = 1..n (3) ij i i =1 vi ≥ 0, u i ≥ 0, v * irr (4 ) O modelo adiciona uma variável v*, que é irrestrita, pois a restrição equivalente no primal é de igualdade (soma dos λ’s igual a 1). Novamente o objetivo é minimizar o denominador da eficiência da unidade A, condicionada à padronização do numerador para a DMU A (2) e limitação da eficiência em 100% para todas as DMU’s (3). 298 27 a 30/09/05, Gramado, RS Pesquisa Operacional e o Desenvolvimento Sustentável A tabela 4 ilustra as eficiências encontradas nos dois modelos, o aumento de eficiência no modelo VRS bem como os pesos virtuais concedidos aos outputs no modelo VRS multiplicadores. Eficiência Modelo CRS Algas Bahiagás Ceg Cegás CEGRIO Comgás Compagás Copergás Emsergás Gas Natural Gasmig MS Gás PBGás Potigás SCGas Sulgás Média Desvio Padrão Eficiência Modelo VRS Eficiência VRS / Eficiência CRS Peso Virtual Peso Virtual Volume Clientes 28,94% 100,00% 100,00% 30,12% 65,67% 65,98% 11,08% 24,75% 24,31% 24,33% 73,81% 78,79% 27,56% 15,83% 16,35% 46,94% 31,95% 100,00% 100,00% 31,19% 78,99% 100,00% 14,06% 25,01% 30,09% 37,51% 76,24% 100,00% 33,13% 16,81% 21,14% 56,01% 110,4% 100,0% 100,0% 103,6% 120,3% 151,6% 126,9% 101,1% 123,8% 154,1% 103,3% 126,9% 120,2% 106,2% 129,3% 119,3% 98,0% 99,8% 11,5% 99,2% 100,0% 64,6% 100,0% 99,4% 99,1% 47,2% 99,5% 99,9% 98,9% 99,1% 100,0% 100,0% 2,0% 0,2% 88,5% 0,8% 0,0% 35,4% 0,0% 0,6% 0,9% 52,8% 0,5% 0,1% 1,1% 0,9% 0,0% 0,0% 46% 30% 53% 33% 119% 17% 89% 26% 11% 26% Tabela 4 – Resultados do Modelo DEA CRS e VRS Alguns resultados interessantes valem o comentário. Verifica-se que a maior distribuidora do país conseguiu apenas uma eficiência de 66% no modelo CRS. Entretanto, o que se observa no modelo VRS é a presença de unidades eficientes apenas pelo fato de possuírem os menores inputs ou maiores outputs (caso da CEG, COMGÁS e MSGás). Os pesos virtuais são obtidos como a multiplicação dos pesos (u’s do modelo multiplicadores) pelo o valor da variável relativa a este peso para a DMU analisada dividido pela soma para todas as variáveis dos pesos multiplicados pelas variáveis, descrito pela equação. PV I 1 A = u1. x1 A m ∑ (u .x i iA ) i =1 Onde PVI1A é o peso virtual concedido ao input 1 quando analisa-se a DMU A; u1 é o peso concedido ao input 1 no modelo multiplicadores; x1A é o valor do input 1 para a DMU A; e m é o número de inputs Observando as médias e desvios padrão das eficiências, temos um resultado bastante interessante, com médias em torno de 50% e desvios significativos, tendo a análise um alto poder de discriminação. Na média, o modelo VRS aumentou a eficiência das DMU’s em 19%. Em geral, maior peso foi concedido para o volume total entregue, ficando o número de clientes com maior peso apenas para a CEG e a GasNatural. A tabela 5 introduz uma análise interessante no modelo VRS, exibindo os pesos concedidos às diversas DMU’s na determinação dos alvos de projeção das mesmas (os λ’s do modelo envelope). 299 27 a 30/09/05, Gramado, RS Pesquisa Operacional e o Desenvolvimento Sustentável Algás Bahiagás Ceg Cegás CEGRIO Comgás Compagás Copergás Emsergás Gas Natural Gasmig MS Gás PBGás Potigás SCGas Sulgás Média Bahiagás 19,1% 100,0% 0,0% 49,9% 97,3% 0,0% 96,7% 78,5% 1,9% 5,2% 52,2% 0,0% 4,7% 33,4% 96,5% 97,7% 45,8% Referências Ceg Comgás MS Gás 0,1% 0,0% 80,9% 0,0% 0,0% 0,0% 100,0% 0,0% 0,0% 0,0% 0,0% 50,0% 0,0% 2,7% 0,0% 0,0% 100,0% 0,0% 0,0% 3,3% 0,0% 0,0% 0,0% 21,4% 0,0% 0,0% 98,1% 3,2% 0,0% 91,6% 0,0% 0,0% 47,7% 0,0% 0,0% 100,0% 0,0% 0,0% 95,3% 0,0% 0,0% 66,5% 0,0% 3,5% 0,0% 0,0% 2,3% 0,0% 6,5% 7,0% 40,7% Tabela 5 – Alvos do modelo DEA VRS Verifica-se que, na média, a composição dos alvos é realizada a partir das DMU’s Bahiagás e MSGás, sendo que esta última não é eficiente no modelo CRS. A Comgás e a Ceg são basicamente referências apenas para si. A tabela 6 ilustra os alvos apontados para os outputs, bem como a relação entre o valor atual da unidade e seu valor projetado, para alcançar a eficiência. Algas Bahiagás Ceg Cegas CEGRIO Comgás Compagás Copergás Emsergás Gas Natural Gasmig MS Gás PBGás Potigás SCGas Sulgás Alvo Volume Alvo Clientes Real Volume 1.250.999,22 3.976.200,00 4.101.400,00 2.290.795,46 4.134.090,10 9.873.300,00 4.170.233,61 3.253.461,91 669.975,88 891.866,30 2.367.195,66 605.700,00 764.939,49 1.734.314,67 4.183.549,65 4.109.360,32 485,13 144,00 606.766,00 349,47 10.963,77 404.256,00 13.440,59 355,81 116,32 19.277,11 221,67 10,00 169,05 315,22 14.353,10 9.269,11 399.700 3.976.200 4.101.400 714.500 3.265.600 9.873.300 586.200 813.800 201.600 334.500 1.804.700 605.700 253.400 291.600 884.300 2.301.800 Real Clientes 155 144 606.766 109 1.500 404.256 106 89 35 7.230 169 10 56 53 74 83 Alvo/Atual Volume Alvo/Atual Clientes 313,0% 100,0% 100,0% 320,6% 126,6% 100,0% 711,4% 399,8% 332,3% 266,6% 131,2% 100,0% 301,9% 594,8% 473,1% 178,5% 313,0% 100,0% 100,0% 320,6% 730,9% 100,0% 12.679,8% 399,8% 332,3% 266,6% 131,2% 100,0% 301,9% 594,8% 19.396,1% 11.167,6% Tabela 6 – Comparação entre os valores atuais dos outputs e seus alvos 300 Pesquisa Operacional e o Desenvolvimento Sustentável 27 a 30/09/05, Gramado, RS Verifica-se que alguns alvos projetados são razoáveis, como a indicação para a Gasmig em expandir o volume entregue e o número de clientes em 31,2%. Outros, entretanto, mostram-se impossíveis de serem alcançados, como, por exemplo, a SCGás, SulGás e Compagás aumentaram o número de clientes na ordem de 194, 112 e 127 vezes. Com isto, os alvos apontados pelo modelo perdem um pouco seu significado, sendo interessante ao modelo apontar alvos mais factíveis e encorajar o diálogo com o tomador de decisão. A figura 4, obtida através do uso do software IDEAL (2004), apresenta a fronteira eficiente e a representação das distribuidoras. Figura 4 – Representação da Fronteira Eficiente VRS obtida pelo software IDEAL A figura ilustra o input (extensão de rede em km) e os dois outputs (Total de Clientes e Volume Total Distribuído). Verifica-se que as duas unidades de maior número de clientes e volume de produção (Ceg e COMGÁS) estão bastante afastadas dos outros dados. As faces eficientes são duas: uma formada pela CEG, Comgás e Bahiagás e a outra formada pela Ceg, Bahiagás e MSGás, que está mais próxima das outras 12 unidades. 6 – Motivação para o uso de indicadores de desempenho não radiais A medição de desempenho através de índices clássicos em DEA em ambiente de restrições aos pesos pode provocar sérias distorções, conforme exemplificado em Lins, Silva, Calôba e Sollero (2004). Para prevenir estes problemas e facilitar a interação com tomador de decisão, foram desenvolvidas diversas medidas de eficiência ao longo dos anos. Estas medidas se dividem em dois sub-grupos: 1. Que incorporam a Medida na Função Objetivo: Neste grupo, as medidas de eficiência são incorporadas na função objetivo do problema de programação, e uma projeção é estabelecida de forma a maximizar a eficiência; 2. Que não incorporam a Medida na Função Objetivo: Neste grupo, a análise é geralmente feita em duas etapas; uma primeira na qual se define a fronteira eficiente e as DMUs referência, seguida de uma etapa final na qual um alvo é escolhido para projeção de cada unidade, e a eficiência é calculada em função das coordenadas deste alvo e da DMU analisada. 301 27 a 30/09/05, Gramado, RS Pesquisa Operacional e o Desenvolvimento Sustentável As medidas de eficiência não radiais não orientadas têm como finalidade detectar as ineficiências tantos dos inputs quanto dos outputs, simultaneamente. Serão apresentadas algumas das medidas não radiais não orientadas mais referenciadas na literatura DEA. A Medida de Russel Não Orientada incorpora no indicador (e na Função Objetivo) a soma dos inversos das razões de incremento dos produtos r ( φ r ). Admite taxas de melhoria diferentes para cada produto e cada insumo. Sua formulação é a seguinte: s 1 ⎛ m 1 ⎞ ⎜ θi + ⎟ Min ⎜ ⎟ m + s ⎝ i =1 r =1 φ r ⎠ ∑ n s.a. ∑λ j x ij ∑ ≤ θ i xi 0 , i = 1,...,m j =1 n ∑λ j y ij ≥ φ r y i 0 , r=1,...,s j =1 λj ≥0 , j=1,...,n, 0 < θ i ≤ 1 , ∀i, φ r ≥ 1, ∀r. A Medida de Russell não Orientada Melhorada difere da anterior com relação à função objetivo, considerada agora como uma razão entre a média simples das eficiências parciais dos insumos e a média simples das eficiências parciais dos produtos, dada pela equação: 1 m θi m i =1 Min 1 s φr s r =1 ∑ ∑ Este modelo é não linear, e para transformá-lo em um modelo de programação linear, substituem-se as variáveis da seguinte forma: x i 0 − s i− s i− θi = =1− ,i=1,...,m, xi 0 xi 0 y r 0 + s r+ s+ =1+ r yr0 yr0 Substituindo as equações acima no modelo, obtém-se o seguinte modelo: 1 m s i− 1− m i =1 xi 0 Min ρ = 1 s s r+ 1+ s r =1 y r 0 φr = ∑ ∑ n s.a. ∑λ j x ij + s i− = xi 0 , i = 1,...,m j =1 n ∑λ j y rj − s r+ = y r 0 , r=1,...,s j =1 λj ≥0 , j=1,...,n s i− , s r+ ≥ 0 ∀i, r Esta formulação é denominada Medida de Eficiência Baseada nas Folgas ou SBM (Slacks Based Measurement), proposta por TONE (2000). Este indicador pode ser aplicado em dois passos, inicialmente verificando e descrevendo as fronteiras de eficiência, empregando como suporte o software IDEAL (2004) e posteriormente 302 Pesquisa Operacional e o Desenvolvimento Sustentável 27 a 30/09/05, Gramado, RS escolhendo os alvos e calculando a eficiência. Desta forma, o objetivo do modelo passa a ser encontrar projeções factíveis e medir a eficiência, e não encontrar o alvo que maximiza a eficiência da unidade. 7 – Conclusão O setor de distribuição de gás natural brasileiro constitui uma indústria de rede na qual regulação por incentivos poderia ser empregada para buscar competitividade de forma artificial. Este tipo de competitividade traria benefícios claros para o consumidor, que enfrenta monopólios locais. A regulação na esfera estadual dificulta um esforço nacional de integração em um modelo de busca de eficiência. Em diversos países, a regulação por DEA já é utilizada, ou pelo menos, cogitada pelas agências reguladoras. Este trabalho buscou fazer uma primeira análise do setor de distribuição de gás natural, empregando DEA. Através de um modelo simples, perfeitamente visualizado no software IDEAL, os hiperplanos de projeção ficaram perfeitamente visíveis. Os índices de eficiências e pesos concedidos a inputs e outputs foram analisados, tendo como base o modelo VRS. O software IDEAL permite a descrição geométrica dos hiperplanos de projeção. Com isso, verifica-se uma possibilidade interessante de se empregar modelos nos quais o decisor possa, a partir desta fronteira, apontar a projeção desejada, fugindo de alvos inviáveis. Esta desvinculação de eficiência, medida pelo regulador, e alvo de projeção, como benchmark para as companhias, é bastante interessante, um tópico a ser desenvolvido na análise de eficiência do setor de distribuição de gás natural. Um outro necessário desenvolvimento é a complementação do modelo com outras variáveis, como custos, investimentos e qualidade do serviço prestado. 8 – Bibliografia 1. ABAR, Apresentações do Congresso Anual da Associação Brasileira de Agentes Reguladores e Regulados (www.abar.com.br). In: Anais do II Congresso Brasileiro de Regulação em Serviços Públicos Concedidos, 2001. 2. American Gas Association, Pesquisa consultada a partir do site (www.aga.org), 2005. 3. Banker, R.D., Charnes, A. e Cooper, W.W. “Some models for estimating Technical and Scale inefficiencies in Data Envelopment Analysis”. Management Science, v. 30, n.9, 1078-1092, 1984. 4. Bogetoft, P., “DEA and activity planning under asymmetric information”, Journal of Productivity Analysis 12, 233-247, 2000. 5. Bogetoft, P., “DEA-Based yardstick competition: The optimality of best practice regulation”, Annals of Operations Research 73, 277-298, 1997. 6. Bogetoft, P. e Agrell, P., “Should regulators use DEA?”, SUMICSID, Apresentação em Power Point, 2001. 7. CPB, “Yardstick competition: Theory, Design and Practice”, Working Paper 133, Netherlands Bureau for Economics Policy Analysis, The Hague, Netherlands, 2000. 8. Charnes, A.,Cooper, W.W. e Rhodes, E., “Measuring the Efficiency of Decision-Making Units”. European Journal of Operational Research v. 2, 429-444, 1978. 9. Coelli et alii (1999) 10. Façanha, L.O. e Resende, M., “Price Cap regulation, incentives and quality: The case of Brazilian Telecommunications”, International Journal of Production Economics, On Press, 2004. 11. Gasnet, Pesquisa sobre Distribuidores de Gás Natural do Brasil, www.gasnet.com.br, 2005. 12. Gronli, H., “A Comparison of Scandinavian Regulatory Models: Issues and Experience”, The Electricity Journal, 57-64, Aug/Set 2001. 13. IDEAL, Software de Análise e Visualização de Fronteiras de Eficiência de Produtividade, desenvolvido pelo grupo DEA da COPPE/UFRJ, pepserv.pep.ufrj.br/~dea, 2004. 14. Lins, M.P., Silva, A.C.M., Calôba, G.M. e Sollero, M.K.V, sem título, Artigo submetido (Working Paper), 2004. 15. Oglobo.com, Pesquisa no site de Petróleo e Gás Natural www.oglobo.com, 2004. 303 Pesquisa Operacional e o Desenvolvimento Sustentável 27 a 30/09/05, Gramado, RS 16. Resende, M., “Relative Efficiency Measurement and Prospects for yardstick competition in Brazilian eletricity distribution”. Energy Policy 30, 637-647, 2002. 17. Tone, K. “A Slacks-based measure of efficiency in data envelopment analysis”. European Journal of Operational Research 130, 3, 498-509, 2000. 18. Williamson, B. e Toft, S., “The Appropriate role of yardstick methods in Regulation”, National Economic Research Associates (www.nera.com), 2001. 304