XXII Encontro Nacional de Engenharia de Produção
Curitiba – PR, 23 a 25 de outubro de 2002
CRIAÇÃO DE MODELOS ECONOMÉTRICOS PARA MEDIÇÃO
DO DESEMPENHO DE UMA EMPRESA DE PEQUENO PORTE
Mário Leite - Mestre em Engenharia de Produção
Centro de Ensino Superior de Foz do Iguaçu
[email protected]
Robert Wayne Samohyl, PhD
Universidade Federal de Santa Catarina
Departamento de Engenharia de Produção
Abstract
This article is based on work developed in a small clothing factory in the city of
Maringa in the northwest part of the state of Parana with the objective of creating
indicators for measuring the performance of the production line between January of 1998
and April of 2001. The primary emphasis is on estimation of linear equations that
represent the behavior of the firm along the periods considered, as well as to make
predictions of future behavior. To this end, indicators were created to measure this
performance from primary data, collected in the firm. The indicators are based on seven
measurement criteria: efficiency, effectiveness, productivity, quality, innovation,
profitability, and quality of life. Results are discussed.
Keywords: econometrics, indicators, model
1 - Introdução
A região de Maringá - no noroeste do Paraná - é uma região muito promissora para
implantação de micros, pequenas e médias empresas, como as do ramo de confecção.
Entretanto, com a implantação do Mercosul a concorrência com produtos de outros países
sul americanos se acirrou nos últimos anos, obrigando essas empresas a se modernizarem
rapidamente. E sendo a Informática o sinônimo mais empregado para significar
modernização, as empresas estão cada vez mais utilizando esse recurso para agregar valor
aos seus produtos, agilizando os processos in line, off line e on line. Entretanto, a
automatização via computador deve ser bem planejada de modo que o valor percebido pelo
empresário possa ser quantificado, uma vez que a automatização pura e simples de
processos numa empresa não garante agregação de valor ao produto se não for bem
implantada e com indicadores que possam quantificar seu desempenho ao longo de um
período produtivo, como feedback para seus gestores. GIAMATTEY [1998, p.1] diz que:
"Dentro da informática, existem diversas possibilidades para se estruturar um
sistema de tratamento de dados, que abrangem inúmeras opções de
hardware/software. As necessidades de cada empresa é que determina o espectro
dessa estrutura".
ENEGEP 2002
ABEPRO
1
XXII Encontro Nacional de Engenharia de Produção
Curitiba – PR, 23 a 25 de outubro de 2002
Na maioria das vezes as organizações, particularmente as micros e pequenas, tomam
a decisão de informatizar determinado setor sem qualquer preocupação com a medição do
desempenho a não ser a pura e simples decisão de “modernizar-se” através da
informatização. As empresas desses portes foram as que mais sofreram com o fenômeno da
globalização nos últimos anos; e um bom gerenciamento dos processos baseado num
sistema de controle que permita um acompanhamento de seu desempenho ao longo do
tempo, alimentado de forma precisa e confiável por um sistema de informações é
fundamental. Uma TI baseada em modelos econométricos pode ser uma ferramenta muito
útil para a medição de seu desempenho, além de possuir o poder de fazer previsões em
cima de estatísticas de razoável confiabilidade, fornecendo informações preciosas para
execução e acompanhamento do seu planejamento estratégico, além de servir como
parâmetro nas tomadas de decisão
2 - Metodologia
Para a criação dos indicadores de desempenho, baseada em sete critérios (Eficácia,
Eficiência, Produtividade, Qualidade, Inovação, Lucratividade e Qualidade de Vida de
Trabalho) propostos por SINK & TUTTLE [1993], foram coletadas amostras mensais na
empresa, dos seguintes dados primários: produção, horas totais trabalhadas, horas extras,
admissões, demissões, total de empregados, total de faltas, dias trabalhados, receita bruta,
folha de pagamento, gastos com matéria prima e gastos com energia elétrica. A partir
desses dados primários foram criados indicadores e taxas que pudessem medir
(mensalmente) o desempenho da empresa, considerando (sempre) uma estreita relação
com os sete critérios de medição de performance mencionados anteriormente. Entretanto,
embora os indicadores pudessem trazer informações valiosas para a tomada de decisões,
verificou-se a importância da aplicação de uma ferramenta estatística para se obter mais
informações a respeito do comportamento dos dados temporais coletados na empresa, em
função de modelos econométricos mais consistentes. Isto se fez necessário porque o uso
(simples) de planilhas eletrônicas, para estudar estatisticamente o comportamento da
produção, pode trazer um inconvenientes muito graves: as colinearidades que possam
existir entre as variáveis e o ajuste do R2 cujas correlações podem não retratar a realidade;
e para séries temporais, o problema é ainda mais grave. Por isso, em função dos
indicadores (definidos adequadamente em função dos critérios citados, e que podem ser
vistos na tabela 1), foi aplicada a ferramenta TSP 4.4 para análise estatística desses
indicadores, para em seguida gerar os modelos econométricos que explicassem o
comportamento da empresa ao longo do período considerado. Foram empregados como
input da ferramenta, dados primários e indicadores, os quais formaram os arquivos de
dados empregados nas estimações, vistos nas tabelas 2, 3 e 4.
3 - Estimação dos modelos econométricos
Para as estimações de modelos que representassem o desempenho médio da empresa
nos quarenta meses considerados na pesquisa, foram escolhidos três elementos
econométricos: Taxa de Produção Diária (TXPRD), Receita Total Bruta (REC) e Lucro
Por Peça (LUCPP), representando o desempenhos operacional e financeiro da empresa.
Essas estimações foram feitas no software TSP 4.4, de modo que os inputs foram arquivos
ENEGEP 2002
ABEPRO
2
XXII Encontro Nacional de Engenharia de Produção
Curitiba – PR, 23 a 25 de outubro de 2002
no formato .xls (MS-Excel) com a primeira coluna representando a variável dependente e
as outras as respectivas variáveis explicativas. As tabelas 2, 3 e 4 mostram esses arquivos
que representam esse inputs que geraram os modelos da Taxa de Produção Diária, Receita
Total Bruta e Lucro por Peça, respectivamente:ArqPro.xls, ArqRec.xls e ArqLuc.xls
Indicador
Descrição
TXPRD
Taxa de
Produção Diária
TPMOD
TPMOT
IHEXT
TLMOD
TLMOT
Taxa de
Produção com
Mão-de-Obra
Direta
Taxa de
Produção com
Mão-de-Obra
Total
Índice de Horas
Extras
Taxa de Lucro
com Mão-deObra Direta
Taxa de Lucro
com Mão-deObra Total
Área-chave
Processos
Processos
Processos
Processos
Processos
Processos
RECPP
Receita por Peça
Processos
LUCPP
Lucro por Peça
Processos
IABSP
IROTP
IREMP
Índice de
Absenteísmo do
Pessoal
Índice de
Rotatividade do
Pessoal
Índice de
Remuneração do
Pessoal
Recursos
Humanos
Recursos
Humanos
Recursos
Humanos
Tipo-chave
Desempenho
Operacional e
Financeiro
Desempenho
Operacional e
Financeiro
Desempenho
Operacional e
Financeiro
Desempenho
Operacional e
Financeiro
Desempenho
Operacional e
Financeiro
Desempenho
Operacional e
Financeiro
Desempenho
Operacional e
Financeiro
Desempenho
Operacional e
Financeiro
Desempenho de
Recursos
Humanos
Desempenho de
Recursos
Humanos
Desempenho de
Recursos
Humanos
Critério
Definição
Unidade
Produtividade
(Produção Mensal
/Dias Trabalhados)
Peças/Dia
Produtividade
(Produção Mensal
/Empregados
Diretos)
Peças/Emp.
Produtividade
Produção Mensal
/Total Empregados
Peças/Emp.
Eficiência
(Horas Extras /
Horas Totais)
%
Lucratividade
Lucratividade
Lucratividade
Lucratividade
Qualidade de
Vida de
Trabalho
Qualidade de
Vida de
Trabalho
Qualidade de
Vida de
Trabalho
(Receita-Folha-MP –
Energia Elétrica)
/Empr. Diretos
(Receita-Folha-MP –
Energia Elétrica)
/Total de Empreg.
Receita/Produção
(Receita-Folha-MP –
Energia Elétrica)
/Produção)
(Faltas)/(Dias Trab *
Total Empr.)
(AdmissõesDemissões)/Total
Empr.
Folha Pagamento /
Faturamento
R$/Emp.
R$/Emp.
R$/Peça
R$/Peça
%
%
%
Tabela 1 - Descrição funcional e operacional dos indicadores de desempenho
ENEGEP 2002
ABEPRO
3
XXII Encontro Nacional de Engenharia de Produção
Curitiba – PR, 23 a 25 de outubro de 2002
TXPRD
686,38
404,30
636,92
484,13
610,71
457,42
588,04
547,70
442,22
444,21
378,87
359,87
279,49
473,05
527,04
450,74
498,36
611,13
449,28
474,21
374,65
598,80
726,04
407,33
488,39
491,26
568,74
1.162,70
774,00
700,83
557,87
703,60
704,98
579,88
656,39
406,80
694,25
998,86
1.024,92
997,88
HT
11.120,20
9.295,00
10.545,60
9.717,50
10.456,88
11.762,40
11.559,60
10.921,63
10.494,90
10.325,90
9.911,85
9.717,50
9.333,03
7.605,00
9.928,75
9.328,80
9.852,70
11.559,60
10.921,63
11.154,00
10.106,20
9.696,38
10.300,55
10.748,40
10.300,55
10.300,55
10.494,90
9.992,13
11.077,95
11.559,60
11.217,38
12.252,50
10.837,13
11.559,60
10.494,90
10.266,75
10.748,40
10.038,60
12.083,50
11.762,40
HX
902,16
103,60
457,52
1.093,68
1.230,88
1.005,20
198,24
81,20
129,92
68,32
26,88
7,28
29,12
59,92
117,04
542,64
1.181,04
656,32
78,96
65,52
76,72
752,08
852,88
1.238,16
246,40
439,60
497,28
1.654,80
1.202,32
1.064,56
985,60
915,04
150,08
162,40
333,20
101,92
67,73
343,43
634,37
962,19
IROTP
902,16
103,60
457,52
1.093,68
1.230,88
1.005,20
198,24
81,20
129,92
68,32
26,88
7,28
29,12
59,92
117,04
542,64
1.181,04
656,32
78,96
65,52
76,72
752,08
852,88
1.238,16
246,40
439,60
497,28
1.654,80
1.202,32
1.064,56
985,60
915,04
150,08
162,40
333,20
101,92
67,73
343,43
634,37
962,19
Tabela 2: ArqPro.xls
ArqLuc.xls
RE
169.939,55
77.790,00
135.352,95
135.036,03
178.160,77
148.444,11
199.512,98
135.306,74
118.851,02
115.768,26
98.898,97
87.348,55
70.731,47
110.455,92
142.199,02
118.559,29
125.135,92
181.345,11
143.493,87
147.077,52
125.900,33
187.395,38
208.585,54
178.581,97
113.850,18
193.375,11
216.982,50
263.869,51
285.892,91
278.644,49
253.243,53
313.020,20
145.276,99
170.366,02
125.981,17
143.040,72
205.168,25
276.458,84
349.688,45
340.896,15
HT
11.120,20
9.295,00
10.545,60
9.717,50
10.456,88
11.762,40
11.559,60
10.921,63
10.494,90
10.325,90
9.911,85
9.717,50
9.333,03
7.605,00
9.928,75
9.328,80
9.852,70
11.559,60
10.921,63
11.154,00
10.106,20
9.696,38
10.300,55
10.748,40
10.300,55
10.300,55
10.494,90
9.992,13
11.077,95
11.559,60
11.217,38
12.252,50
10.837,13
11.559,60
10.494,90
10.266,75
10.748,40
10.038,60
12.083,50
11.762,40
HX
902,16
103,60
457,52
1.093,68
1.230,88
1.005,20
198,24
81,20
129,92
68,32
26,88
7,28
29,12
59,92
117,04
542,64
1.181,04
656,32
78,96
65,52
76,72
752,08
852,88
1.238,16
246,40
439,60
497,28
1.654,80
1.202,32
1.064,56
985,60
915,04
150,08
162,40
333,20
101,92
67,73
343,43
634,37
962,19
PT
16.130,00
8.086,00
15.286,00
11.135,00
13.741,00
10.978,00
14.113,00
12.871,00
10.171,00
10.439,00
8.714,00
8.277,00
6.568,00
9.461,00
13.176,00
10.367,00
10.964,00
14.667,00
10.558,00
11.381,00
8.617,00
13.473,00
16.699,00
9.776,00
11.233,00
11.299,00
13.081,00
24.998,00
17.802,00
16.820,00
12.552,00
17.590,00
15.862,00
13.917,00
15.097,00
9.153,00
16.662,00
21.975,00
26.648,00
23.949,00
Tabela 3: ArqRec.xls
LUCPP
4,45
1,37
1,32
0,54
2,68
2,68
6,40
1,41
3,75
2,12
1,59
2,88
-0,89
2,75
2,19
0,68
1,87
1,12
5,78
0,34
4,76
3,95
5,11
2,79
2,61
5,45
5,72
3,77
6,16
6,81
11,02
8,19
2,18
2,44
3,03
-7,40
6,93
7,68
4,29
7,89
RECPP
10, 54
9,62
8,85
12,13
12,97
13,52
14,14
10,51
11,69
11,09
11,35
10,55
10,77
11,67
10,79
11,44
11,41
12,36
13,59
12,92
14,61
13,91
12,49
18,27
10,14
17,11
16,59
10,56
16,06
16,57
20,18
17,80
9,16
12,24
8,34
15,63
12,31
12,58
13,12
14,23
TPMOT
288,04
147,02
293,96
222,70
249,84
189,28
247,60
234,02
188,35
200,75
170,86
165,54
139,74
210,24
280,34
215,98
206,87
257,32
191,96
206,93
165,71
264,18
315,08
184,45
211,94
213,19
242,24
454,51
312,32
295,09
212,75
303,28
278,28
244,16
279,57
169,50
314,38
406,94
484,51
412,91
IREMP
9,04
18,11
11,34
11,72
9,07
10,98
8,67
10,67
12,57
12,05
14,52
15,65
18,7
11,67
9,14
11,79
14,13
9,19
10,69
10,15
12,62
8,74
8,24
10,7
14,25
8,87
8,15
8,34
7,27
7,32
7,97
6,68
14,57
13,84
19,3
15,71
10,94
9,54
7,8
8,97
Tabela 4:
A criação dos arquivos de input para as estimações obedeceu a critérios
econométricos, baseando nas hipóteses do MCRL, como por exemplo a Hipótese 10, de
acordo com GUJARATI [2000, p.58], que diz “não existe multicolinearidade entre as
variáveis explicativas”. Portanto foram escolhidas variáveis econométricas que pudessem
explicar a variável dependente sem no entanto estarem ”fortemente” relacionadas
linearmente umas com as outras, pois caso existisse no modelo alguma variável explicativa
que fosse linearmente dependente de outra(s) é como se ele (o modelo) pudesse ser
explicado sem aquela variável, e nesse caso é como se introduzisse uma variável
explicativa sem haver necessidade, o que violaria a Hipótese 9 do MCRL, de acordo com
GUJARATI [2000, p.56], que diz “O modelo de regressão está corretamente
especificado”. Assim, foram tomados os cuidados necessários para que não fossem
introduzidas variáveis explicativas nos modelos sem haver necessidade dela, de modo a
não introduzir algum viés de especificação devido à multicolinearidade entre elas. Para
minimizar as autocorrelações entre os resíduos, o método estatístico usado nas estimações
com a ferramenta estatística foi AR1 (descrito adiante). E como será visto, esse método
tende a minorar bem o problema de possíveis autocorrelações entre os resíduos que por
ventura possam estar presentes no modelo econométrico explicado pelo MCRL. Com essas
ENEGEP 2002
ABEPRO
4
XXII Encontro Nacional de Engenharia de Produção
Curitiba – PR, 23 a 25 de outubro de 2002
medidas tomadas preventivamente, os arquivos de dados foram formatados adequadamente
e iniciou-se a pesquisa através de diversas estimações com a ferramenta estatística,
procurando obter modelos econométricos que pudessem traduzir o desempenho médio da
empresa nos quarenta meses pesquisados, em função de equações para a produção, receita
e lucro. A técnica empregada neste trabalho para a pesquisa dos modelos econométricos,
foi o Controle Estatístico de Performance (SPerfC), baseado na aplicação de
ferramentas estatísticas, o que sugere um gerenciamento através das flutuações estatísticas
sobre os indicadores da performance de uma organização. A aplicação da estatística aos
indicadores e dados primários coletados na empresa obedeceu ao Modelo Clássico de
Regressão Linear (MCRL) considerando modelos com múltiplas variáveis explicativas
baseando-se, antes de tudo, em conceitos básicos de Econometria.
Aplicação do MCRL às Séries Temporais
O Modelo Clássico de Regressão Linear (MCRL) baseia-se no princípio de que uma
variável Y dita dependente, pode ser relacionada com variáveis X’s ditas explicativas ou
independentes como mostra a Equação 1, onde os β’s (a serem determinados) representam
os coeficientes da equação e o termo u as perturbações (resíduos) associadas aos erros
cometidos nas estimativas de Y, e conhecido como erro estocástico. Esse modelo, segundo
GUJARATI [2000, p.49], entre muitos outros, está apoiado em dez hipóteses que lhe dão
sustentação teórica, com a condição de que os coeficientes β’s medem a variação de Y por
variação unitária de um dado Xi, enquanto os outros X’s permanecem constantes.
Y = β0 + β1X1 + β2X2 + β3X3 + ... + βnXn + u
[Equação 1]
Validação dos resultados com parâmetros estatísticos
Para séries temporais, a probabilidade de haver autocorrelação entre os resíduos é
quase certa, o que impede a aplicação eficiente do método OLSQ (Ordinary Least SQuare
– Método dos Mínimos Quadrados). A solução empregada para resolver (ou minimizar)
esse problema foi o emprego do método Auto Regressivo de 1ª Ordem, denominado AR1.
Esse método baseia-se na hipótese de que um dado resíduo ut num tempo t é linearmente
dependente de um outro resíduo ut-1 observado num tempo passado t-1. De acordo com a
demonstração de HILL et ali [1997], chega-se à conclusão de que a correlação entre o
resíduo num dado período t e um outro num período anterior t-k (k≥1) é dado pela
expressão corr(ut,ut-k) = ρk
O parâmetro ρ é o coeficiente de autocorrelação com domínio entre os valores –1 e
1 (-1<ρ<1). A correlação entre os resíduos será máxima para k=1; então, para períodos
maiores a tendência é de que as correlações entre os resíduos diminua. O método baseia-se
neste princípio para minimizar essas autocorrelações, e por isso sua aplicação é bastante
razoável para séries temporais (caso da pesquisa) pois minimiza os efeitos dessas
autocorrelações. E para verificar se existia autocorrelação entre os erros residuais foi
observada a estatística de Durbin-Watson, traduzido pelo parâmetro d, cujo valor foi dado
nas estimações pela ferramenta estatística empregada. De acordo com HILL et ali [1997]
esse parâmetro é dado por d = 2(1- p) onde p é o estimador do parâmetro ρ e pode ser
ENEGEP 2002
ABEPRO
5
XXII Encontro Nacional de Engenharia de Produção
Curitiba – PR, 23 a 25 de outubro de 2002
usado para considerarmos duas hipóteses: H0:ρ=0 (não existe autocorrelação entre os
resíduos) ou H1:ρ≠0 (existe autocorrelação). Segundo DIAZ [2000] existem quatro áreas
que definem os possíveis valores para o parâmetro d em que se pode basear para verificar a
existência de autocorrelação entre os resíduos. Os resultados obtidos mostraram que em
todas as estimações esse parâmetro conservou-se dentro da faixa de valores permitidos,
validando as estimações; o mesmo aconteceu com o parâmetro t-statistic .
4 - Resultados obtidos
Os modelos propostos para a Taxa de Produção Diária, Receita Bruta e Lucro por Peça
foram, respectivamente, os seguintes:
TXPRD = β11HT
+ β12HX
+ β13IROTP
+ β22HX
+ β23PT
REC
= β21HT
LUCPP = β31RECPP + β32TPMOT + β33IREMP
Após terem sido feitas dezenas de estimações foram encontrados os parâmetros βs ótimos,
resultando em três modelos econométricos para a medição do desempenho: Taxa de
Produção Diária (TXPRD), Receita Bruta (REC) e Lucro por Peça (LUCPP).
TXPRD = 0.0465*HT
+ 0.1843*HX
- 11.5144*IROTP
[Equação 2]
REC
+ 32.7462*HX
+ 6.2967*PT
[Equação 3]
= 7.8638*HT
LUCPP = 0.3881*RECPP + 0.0085*TPMOT - 0.3284*IREMP
[Equação 4]
5 - Discussão dos resultados
O modelo econométrico obtido para a medição da produtividade, através da taxa de
produção, em função das horas totais, horas extras e índice de rotatividade do pessoal,
mostrou que tanto as horas totais quanto as horas extras influenciam positivamente na
produtividade da empresa, o que era esperado. Quanto mais horas de trabalho (normal ou
extra) maior será a produtividade, de modo que para cada hora normal de trabalho a taxa
de produção diária aumenta em cerca de 0,047 peças/dia-homem*hora; para cada hora
extra esse acréscimo é algo em torno de 0,184 peças/dia-homem*hora. Por outro lado, o
índice de rotatividade do pessoal (IROTP) influenciou de maneira negativa nos resultados;
o que quer dizer que aumentos na diferença entre admissões e demissões num mês anterior
concorrem para que a produtividade caia no mês seguinte na proporção de 0,11 peças/dia
para cada ponto percentual na rotatividade. De acordo com a aplicação do método AR1,
usando a variável explicativa IROTP defasada de 1 período, essa perda de produtividade é
observada no mês seguinte quando ocorrem muitas flutuações no número de empregados
no mês imediatamente anterior; isto é, a produtividade de um determinado mês é
influenciada (negativamente) pela condições de trabalho ocorridas no mês anterior. Assim
temos uma explicação bem plausível para a performance medida pelo critério
Produtividade quando influenciado pelo critério Condições de Vida de Trabalho com um
argumento quantitativo dado pela Equação 2.
A Equação 3 mostra o modelo econométrico estimado que mede a performance da
empresa em termos (indireto) de Lucratividade (medido pela Receita Bruta - RE)
explicada pelas horas totais (HT), horas extras (HX) e produção total (PT). Os resultados
indicam que todas as três variáveis explicativas influenciam positivamente na variação da
ENEGEP 2002
ABEPRO
6
XXII Encontro Nacional de Engenharia de Produção
Curitiba – PR, 23 a 25 de outubro de 2002
Receita Total Bruta. Entretanto, com relação às horas extras, o melhor resultado
explicativo para o desempenho está no fato de que essas horas (adicionais) de trabalho
influenciaram mais que as horas normais. Essa diferença acentuada entre os coeficientes de
horas extras e horas normais de trabalho pode ser explicada (em parte) pelo fato de a
empresa trabalhar muito em função de horas extras, e que devido à uma melhor
remuneração salarial sobre essas horas e ainda alavancada pela remuneração extra para
uma produção acima de 60% (e acordo com a política da empresa), os empregados podem
estar trabalhando mais “entusiasmados”, o que influenciaria positivamente a receita. Os
resultados da estimação mostram que para cada aumento de 1 hora normal de trabalho a
receita aumenta em cerca de R$ 7,86, e para cada hora extra a mais esse incremento na
receita é de R$ 32,74. Com relação à produção total esta influência é tal que para cada
peça produzida a mais é gerada uma receita extra de R$ 6,29.
A Equação 4 mostra os resultados obtidos para a estimação que mede a performance
da empresa em termos do critério Lucratividade (em lucro/por peça- LUCPP), explicado
pela receita por peça (RECPP), pela taxa de produção com mão-de-obra total (TPMOT) e
pelo índice de remuneração do pessoal (IREMP). Os resultados confirmou o que era
esperado: o lucro por peça é influenciado positivamente pela receita por peça e pela
produção por empregado, e negativamente pelo índice de remuneração do pessoal. O
modelo apresentou a seguinte situação: para cada R$ 1,00 de receita por peça produzida, o
lucro por peça é de aproximadamente R$ 0,38; para cada peça produzida (por empregado)
o lucro em cada peça é de cerca de R$ 0,01 e com relação ao índice de remuneração do
pessoal, para cada ponto percentual de aumento nesse índice ocorre uma perda aproximada
de R$ 0,32 em cada peça.
6 - Conclusões e Recomendações
Este artigo focalizou os resultados obtidos pela pesquisa realizada numa empresa de
confecções situada na região de Maringá - noroeste do Paraná –, na medição de seu
desempenho ao longo de um período de quarenta meses: de Janeiro de 1998 a Abril de
2001. Esse desempenho foi medido por onze indicadores operacionalmente definidos em
função de vários dados primários, reais, coletados na empresa e tratados estatisticamente
com uma ferramenta de software. Os resultados foram discutidos em função do que se
obteve quantitativamente pelos indicadores e por estimativas da performance representadas
por modelos econométricos, obtidos com a referida ferramenta. Em função dos resultados
obtidos chegou-se à conclusão de que a empresa pesquisada apresentou, de um modo geral,
uma boa performance no período considerado, em termos de produção, receita e lucro.
Essa performance pode ser prevista por três equações econométricas, obtidas através de
estimações com uma ferramenta estatística. Entretanto, apesar dos modelos obtidos
apresentarem resultados satisfatórios, quanto aos parâmetros estatísticos, é interessante, em
trabalhos futuros, pesquisar modelos econométricos não lineares para comparação com os
obtidos no presente trabalho, no sentido de se estabelecer modelos mais gerais e que
possam oferecer previsões mais aproximadas do processo produtivo. Assim, com um
conjunto de indicadores mais representativo e com modelos econométricos mais gerais, a
empresa passará a contar com uma tecnologia de informação ligada ao seu processo
produtivo, muito mais eficiente nas tomadas de decisão.
ENEGEP 2002
ABEPRO
7
XXII Encontro Nacional de Engenharia de Produção
Curitiba – PR, 23 a 25 de outubro de 2002
BIBLIOGRAFIA E REFERÊNCIAS BIBLIOGRÁFICAS
ANGELONI, Maria Terezinha; FERNANDES, Caroline Brito; SARTOR,
Vicente
Volnei de Santa; ROMANI, Cláudia e PEREIRA, Rita de Cássia de Faria. Gestão
estratégica da informação e o processo decisório: uma preparação para a gestão do
conhecimento , Florianópolis, ENEGEP, 1997.
DIAZ, Maria Dolores Montoya. Problemas Econométricos no Modelo Linear Geral:
Manual de Econometria, USP, São Paulo (2000).
FIOD NETO, Miguel; LAPA, Jair dos Santos; QUEIROZ, Antônio Diomário; MAZO,
Evandro Minuce; BULATY, Guilherme Felipe dos Santos; SILVA, Rachel Wõhlke.
Indicadores de Produtividade para micros e pequenas empresas – Florianópolis,
PPGEP, 1999.
GIAMATTEY, Ricardo Henrique Dionisio. Sistemas inteligentes e a manipulação de
Informações, Rio, ENEGEP, 1998.
GUJARATI, Damodar N. Econometria Básica, São Paulo, Makron Books, 2000
HILL, Carte; Griffiths, HILL, William; JUDEGE, George. Econometria, São Paulo,
Editora Saraiva, 1997
LEITE, Mário. Criação de indicadores de desempenho numa indústria de confecções
como tecnologia de informação para controle do seu processo produtivo. Florianópolis
- Dissertação (Mestrado em Engenharia de Produção) Programa de Pós-Graduação em
Engenharia de Produção, UFSC, 2001
MATOS, Orlando Carneiro de. Econometria Básica - Teoria e Aplicações, São Paulo,
Editora Atlas, 1997
PEREIRA, Marcelo Farid; SILVEIRA, João Serafim Tusi; LANZER, Edgar Augusto.
Indicadores de desempenho técnico de uma empresa de confecções frente a
implantação de inovações tecnológicas, Recife, RECITEC, 1998.
SEBRAE/PR. Diagnóstico da Industria de Confecção do Estado do Paraná - Maringá,
1999.
SINK, D. Scott; TUTTLE, Thomas C. Planejamento e Medição para a Performance Rio
, Qualitymark Editora, 1993.
STAIR, Ralph M. Princípios de Sistemas de Informação: uma abordagem gerencial,
Rio, LTC, 1998.
TAKASHINA, Newton Tadachi ; FLORES, Mario Cesar Xavier. Indicadores da
Qualidade e do Desempenho, Rio, Qualitymark Editora, 1999.
TSP International. Time Series Processor: User’s Guide and Reference Manual,
California, Palo Alto, USA, 1997
ENEGEP 2002
ABEPRO
8