bernardo bastos falcÃo - coppead.ufrj.br · apontaram para uma melhoria na eficiência das...
TRANSCRIPT
1
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
INSTITUTO COPPEAD DE ADMINISTRAÇÃO
BERNARDO BASTOS FALCÃO
A ESTRUTURA COMPETITIVA DE PORTOS BRASILEIROS:
UMA ANÁLISE POR MEIO DE LÓGICA FUZZY E REDES
SOCIAIS
Rio de Janeiro
2016
2
BERNARDO BASTOS FALCÃO
A ESTRUTURA COMPETITIVA DE PORTOS BRASILEIROS:
UMA ANÁLISE POR MEIO DE LÓGICA FUZZY E REDES
SOCIAIS
Dissertação de Mestrado apresentada ao Instituto
COPPEAD de Administração, da Universidade
Federal do Rio de Janeiro, como parte dos
requisitos necessários à obtenção do título de
Mestre em Administração.
ORIENTADOR: Peter Wanke
Rio de Janeiro
2016
3
4
BERNARDO BASTOS FALCÃO
A ESTRUTURA COMPETITIVA DE PORTOS BRASILEIROS:
UMA ANÁLISE POR MEIO DE LÓGICA FUZZY E REDES SOCIAIS
Dissertação de Mestrado apresentada ao Instituto
COPPEAD de Administração, da Universidade
Federal do Rio de Janeiro, como parte dos
requisitos necessários à obtenção do título de
Mestre em Administração.
Aprovada por:
__________________________________________
Prof. Peter Wanke, PhD - COPPEAD
__________________________________________
Prof. Antonio Dib, PhD - COPPEAD
__________________________________________
Prof. Carlos Cosenza, PhD - COPPE
Rio de Janeiro
2016
5
RESUMO
Portos são um tema de considerável importância na logística uma vez que a crescente
internacionalização da produção necessitou ser acompanhada por uma alternativa de baixo
custo para o transporte internacional de bens, algo melhor oferecido pela via marítima. O
presente estudo analisou os portos brasileiros em suas atuais relações competitivas através de
redes sociais e propôs um redesenho das capacidades dos terminais portuários nacionais através
de tomadas de decisão por meio de lógica fuzzy. Conclusões sugerem que há uma competição
maior entre cargas conteinerizadas visto sua maior padronização de movimentação; existe a
possibilidade de haver uma classificação entre os segmentos de produtos considerando critérios
de densidade competitiva e número de portos que os movimentam; e tomadores de decisão
avaliam a distância ao porto com maior importância no caso de cargas em contêineres devido a
seu usual maior valor agregado. Implicações quanto a um rearranjo de capacidade dos terminais
portuários brasileiros também são sugeridas.
Palavras chaves: lógica fuzzy, redes sociais, portos, competição, logística
6
LISTA DE ILUSTRAÇÕES
Figura 1 Estruturação de entregáveis do trabalho .................................................................... 23
Figura 2 Disposição geográfica dos portos considerados nas análises ..................................... 24
Figura 3 Sistema de inferência fuzzy ....................................................................................... 30
Figura 4 Funções de pertinência das variáveis entrada do sistema de inferência fuzzy ........... 31
Figura 5 Funções de pertinência da variável saída do sistema de inferência fuzzy ................. 32
Figura 6 Movimentação de contêineres nos portos brasileiros em 2011 .................................. 33
Figura 7 Movimentação de carga geral nos portos brasileiros em 2011 .................................. 34
Figura 8 Histograma da quantidade de produtos distintos por quantidade de portos que os
movimentam ............................................................................................................................. 34
Figura 9 Movimentação de produtos por faixas de peso .......................................................... 35
Figura 10 Rede Social de competição portuária no Brasil ....................................................... 36
Figura 11 Comparação competição contêineres x carga geral ................................................. 36
Figura 12 Rede Social de competição portuária no setor farmacêutico ................................... 37
Figura 13 Gráfico densidade x vértices dos segmentos analisados .......................................... 38
Figura 14 Erro médio ponderado pelo volume de carga em função da importância atribuída à
distância (Contêineres) ............................................................................................................. 40
Figura 15 (a) Modelagem fuzzy da movimentação de contêineres (peso distância = 14) (b)
Variação da capacidade de movimentação de contêineres (peso distância = 14) .................... 40
Figura 16 Erro médio ponderado pelo volume de carga em função da importância atribuída à
distância (Carga Geral) ............................................................................................................. 41
Figura 17 (a) Modelagem fuzzy da movimentação de carga geral (peso distância = 9) (b)
Variação da capacidade de movimentação de carga geral (peso distância = 9) ....................... 42
7
LISTA DE TABELAS
Tabela 1 Resumo dos estudos de fatores de atratividade de portos.......................................... 20
Tabela 2 Portos considerados nas análises ............................................................................... 24
Tabela 3 Estatísticas descritivas da movimentação de contêineres .......................................... 27
Tabela 4 Estatísticas descritivas da movimentação de carga geral .......................................... 28
Tabela 5 Regras do sistema de inferência fuzzy....................................................................... 30
8
SUMÁRIO
1 INTRODUÇÃO ................................................................................................................ 9
2 CONTEXTO PORTUÁRIO BRASILEIRO ................................................................ 11
3 REFERENCIAL TEÓRICO ......................................................................................... 15
3.1 FATORES DE ATRATIVIDADE PORTUÁRIA .......................................................................... 15
3.2 FUNDAMENTOS DE LÓGICA FUZZY E ANÁLISE DE REDE SOCIAL ..................................... 19
4 METODOLOGIA ........................................................................................................... 23
4.1 VISÃO GERAL ANALÍTICA ................................................................................................... 23
4.2 CRITÉRIOS DE SELEÇÃO .................................................................................................... 26
4.3 ANÁLISE DE REDE SOCIAL .................................................................................................. 28
4.4 SISTEMA DE INFERÊNCIA FUZZY ......................................................................................... 29
5 RESULTADOS E DISCUSSÃO ................................................................................... 33
5.1 ANÁLISE DESCRITIVA DOS DADOS ...................................................................................... 33
5.2 ANÁLISE DO AMBIENTE COMPETITIVO POR MEIO DE REDES SOCIAIS ............................... 35
5.3 PROPOSTA DE ADEQUAÇÃO DE CAPACIDADE POR MEIO DE LÓGICA FUZZY ...................... 39
6 CONCLUSÃO ................................................................................................................. 44
REFERÊNCIAS BIBLIOGRÁFICAS ................................................................................. 47
9
1 INTRODUÇÃO
Portos são as principais vias de movimentação de produtos por todo o mundo (Montes et al.,
2012). Somente no Brasil 95% das exportações e 90% das importações ocorreram por terminais
portuários em 2014 (AliceWeb, 2015). Essa predominância do setor marítimo nas operações
internacionais ocorre devido às facilidades logísticas provenientes da navegação de longo curso
(Lugt at al., 2014). Navios com grande capacidade para transporte de grãos, líquidos e
contêineres superam em muito a eficiência em ganhos de escala quando comparados a aviões,
caminhões e trens, onde esses dois últimos ainda são restritos apenas a transportes continentais
(Yeo at al., 2011). Logo, por se tratar de uma via de grande movimentação e com processos
padronizados, como a utilização de contêineres para unitização de cargas e o consequente fácil
carregamento e descarregamento delas nos navios, os portos aparecem como a opção preferida
dos exportadores e importadores que buscam maior eficiência em custos para o transporte de
seus produtos. Nesse cenário de grande volume de movimentações, a competição por cargas
surge como um fenômeno bastante difundido em terminais portuários (Alonso & Soriano, 2009;
Tongzon, 2009; SanJaime et al., 2015).
Essa competição, visualizada por meio de análises de redes sociais, como realizada por
Shanshan et al. (2013) na China, ajuda a melhor compreender o cenário competitivo nacional e
dessa forma a visualizar graficamente os portos com maior poder de atração de produtos
diversificados no país. E em se tratando de um país de dimensões continentais e litoral
abrangente como o Brasil, esse benefício torna-se ainda maior. Mesmo sendo uma técnica
originalmente utilizada para mapear o relacionamento entre indivíduos, a análise de rede social
pode trazer grandes benefícios quando aplicadas também a portos e suas relações de competição
(Ducret & Zaldi, 2011). Uma rede social consiste basicamente em um grafo com linhas que
10
ligam entidades: no contexto de indivíduos, pessoas que estão de alguma forma interligadas; no
contexto portuário, portos que movimentam o mesmo tipo de produto (Scott, 2012).
Mas analisando esse cenário pela visão do usuário, a decisão se torna complexa. Fatores que
são levados em consideração para a escolha por determinado porto em detrimento de outro
passam por distância terrestre até o porto e distância marítima até o destino (Malchow &
Kanafani, 2004), custos de movimentação no terminal, infraestrutura, serviço (Lirn et al., 2006),
eficiência de movimentação, frequência de armadores (Ugboma et al., 2006), condições
terrestres, disponibilidade, conveniência, centralidade regional e conectividade (Yeo et al.,
2011). Todos esses critérios tornam o ambiente de decisão do usuário nebuloso e de difícil
mensuração. A utilização da lógica fuzzy nessas condições de dificuldade de tomada de decisão
é algo plausível já que é uma técnica que ajuda a lidar com as imprecisões do mundo real,
modelando cada critério com valores qualitativos através de um sistema de inferência e
retornando o melhor resultado entre as alternativas possíveis segundo determinada regras
(McNeill & Thro, 1994).
Apesar da vasta utilização dessas duas técnicas de forma isolada seja comum no contexto da
logística (Ducruet & Zaidi, 2012; Montes et al., 2012; He et al., 2012; Yeo et al., 2011), a
utilização conjunta de técnicas de análise de rede social e tomada de decisão por meio de lógica
fuzzy para seleção de portos é algo pioneiro, sendo esse o foco do estudo em questão. Além de
agregar duas ferramentas de grande utilização em estudos quantitativos, o pioneirismo desse
trabalho também está presente na geração de um mapeamento completo da competição
portuária brasileira, sendo de grande importância para usuários, autoridades portuárias,
armadores, operadores de terminais e freightforwarders.
Além da geração do mapa da competição portuário nacional, esse estudo também pretende
definir as necessidades de aumento ou diminuição de capacidade dos terminais portuários dado
a tomada de decisão do usuário, modelada através da lógica fuzzy. Na apresentação desses
11
resultados será levada em conta a importância relativa na perspectiva do usuário quanto a
variável distância, aquela a qual normalmente é atribuída maior importância na escolha do
porto. Esses resultados são de importância considerável para as autoridades portuárias
brasileiras, dado que os principais portos nacionais são públicos e atualmente estão em um
estágio de operação próximo ou além do limite de suas capacidades (Wanke et al., 2011;
Wanke, 2013; Wanke & Barros, 2015).
Diante disso, a estrutura a ser seguida nos próximos capítulos é a seguinte: no capítulo 2 será
apresentada uma visão geral sobre o sistema portuário brasileiro; no capítulo 3 será realizada
uma revisão da literatura geral sobre o tema, abordando a situação atual do setor portuário
global, principais utilizações de análises de redes social e tomadas de decisão por meio de lógica
fuzzy; no capítulo 4 será introduzido o método de análise, sendo detalhadas todas as fontes de
dados e técnicas para seu tratamento, bem como os softwares utilizados para os cálculos de
cada etapa; no capítulo 5 será realizada a análise e discussão dos resultados, com a
apresentações dos gráficos e tabelas gerados em cada etapa e as principais informações que eles
revelam; e por fim, no capítulo 6 esse trabalho será concluído com um consolidado dos
principais achados do estudo, sua importância e suas limitações.
12
2 CONTEXTO PORTUÁRIO BRASILEIRO
A estrutura logística portuária no Brasil é menos estudada na literatura acadêmica quando
comparada com a de outros pólos logísticos, como o Leste asiático, a Europa e os Estados
Unidos.
Citando alguns trabalhos importantes, Wanke (2006) analisou a percepção de qualidade da
infraestrutura logística brasileira do ponto de vista dos exportadores. Seus resultados apontam
para uma segmentação dessa percepção: de um lado exportadores que se utilizam de contêineres
em suas movimentações apontam a falta de disponibilidade de linhas de armadores como a
principal deficiência logística do país; já os exportadores de grãos e carga não-conteinerizada
apontam o escoamento de sua produção e o acesso aos portos como a falha mais evidente desse
cenário. As saídas mais frequentes utilizadas por esses exportadores é a utilização de Estações
Aduaneiras de Interior (EADIs), ou portos secos, e a contratação de operadores logísticos para
o gerenciamento mais eficaz de suas operações de comércio exterior.
A eficiência dos portos brasileiros também foi estudada por Wanke et al. (2011), que utilizaram
a técnica de Data Envelopmente Analysis (DEA) para realizar suas análises. Seus resultados
apontaram para uma melhoria na eficiência das operações da maioria dos portos brasileiros
durante o período analisado. Esse resultado pode ter como causa o aumento recente em seus
volumes de movimentação e a falta de investimento em capacidade extra, o que força o porto a
operar de forma mais produtiva. Também foi percebido por esse estudo que terminais privados
operam em um nível de eficiência ligeiramente maior que os terminais públicos, ratificando as
conclusões de Feng et al. (2012) para o caso brasileiro. Além disso as análises de segmentação
de dados revelaram que terminais de carga geral são mais eficientes que terminais de
contêineres, provavelmente devido a uma causa histórica de grandes volumes de exportações
de commodities agrícolas e minerais movimentados no país. Também dentro do escopo de
eficiência de portos, Rios & Maçada (2006) analisaram terminais de contêineres do Mercosul,
13
incluindo os brasileiros. Suas conclusões revelaram que o número total de portos eficientes caiu
no período analisado de 70% para 65%, e ainda 2 portos brasileiros foram considerados
benchmarking em ineficiência em movimentação de contêineres, o porto de Itajaí e o de
Cubatão. Ainda estudando eficiência, Barros et al. (2012) analisaram a produtividade de portos
brasileiros de 2004 a 2010, também concluindo que em média essa eficiência diminuiu no
período. O principal motivo apontado pelos autores foi a ausência de assimilação de novas
tecnologias às operações portuárias. Posteriormente, resultados de Wanke & Barros (2016)
também corroboraram com esse cenário.
Outra contribuição para melhor entendimento do cenário portuário nacional foi Wanke (2013),
que estudou a infraestrutura física e a consolidação de cargas para embarque em portos
brasileiros. Seus resultados mostraram que os portos são ligeiramente mais eficientes em sua
infraestrutura física do que na consolidação de cargas para embarque, o que aponta para o fato
de que há maior eficiência na atração de armadores do que propriamente no embarque de cargas.
Isso indica que o gargalo da logística brasileira pode não estar na capacidade dos portos em si,
mas na capacidade de recebimento de cargas para expedição. A solução sugerida para esse
desbalanceamento é a criação de um corredor logístico ligando os principais portos à sua área
de influência.
Como solução para as ineficiências sugeridas pelos estudos citados, Wanke & Barros (2015)
estudaram o impacto de parcerias público-privadas na operação de portos públicos no país.
Resultados sugerem um aumento na eficiência portuária nesse tipo de arranjo devido a melhoria
de processos de coordenação, tecnologias de informação mais adequadas e maior conectividade
com outros modais de transporte.
Os estudos citados acima foram importantes no mapeamento da situação portuária nacional,
mas pouco agregaram na proposição de uma solução para os problemas identificados. Além de
analisar a estrutura competitiva dos portos brasileiros, algo não estudado nesses trabalhos
14
anteriores, o foco principal desse estudo foi propor um redesenho das capacidades de
movimentação de carga em cada terminal portuário do país, levando em consideração critérios
relevantes aos exportadores/importadores nacionais. Pretendeu-se dessa forma fazer uma ponte
entre as ineficiências identificadas pelos estudos anteriores e uma solução prática e específica
para esses problemas.
15
3 REFERENCIAL TEÓRICO
A revisão da literatura foi dividida em duas seções que se seguem. A primeira explora estudos
internacionais sobre atratividade portuária, destacando fatores de desempenho (Serebrisky et
al., 2016), bem como visto no contexto nacional pelo capítulo anterior, e critérios de decisão
(Yang & Chen, 2016) utilizados pelos usuários. Já a segunda seção explora as técnicas
utilizadas nesse trabalho, análise de redes social e lógica fuzzy, e suas aplicações na área de
logística.
3.1 Fatores de atratividade portuária
O papel dos portos é um tema bastante estudado na literatura de logística, transportes e comércio
internacional (Lindstad et al., 2016; Meng et al., 2016; Bell et al., 2013; Matsushima &
Takauchi, 2014; Shan et al., 2014; Mitroussi & Arghyrou, 2016; Park & Seo, 2016). Van der
Lugt et al. (2014) realizaram um estudo do alinhamento da estratégia de atuação de autoridades
portuárias, que predominantemente atuam conforme os interesses do governo local e são de
fato os proprietários do porto, e operadores de portos, que possuem a concessão para utilização
do terminal e normalmente focam no relacionamento com armadores. Analisando os portos de
Rotterdam e Barcelona foi possível perceber que a autoridade portuária está restrita a atuação
naquela área específica (Juda, 2007), enquanto que o operador no geral é uma grande
corporação internacional, com interesses ditados pela matriz situada em outra localidade e não
limitado oficialmente àquela área de operação, mas limitado economicamente devido aos custos
afundados investidos no terminal (Feng et al., 2012). Apesar disso, os autores perceberam que
há um esforço conjunto para promover a interconectividade logística com outros modais,
normalmente o ferroviário. Já Caris et al. (2011) realizaram um estudo para simular possíveis
meios de portos melhorarem sua integração com sua área de influência por interconectividade
fluvial. O porto em questão estudado foi o da Antuérpia, localizado não diretamente na costa
16
da Bélgica, mas em um posto fluvial interno. Após a análise dos cenários levantados, foi
possível perceber que essa estratégia melhoraria a performance do porto em razão da
diminuição do tempo de espera para entrada de cargas no terminal provenientes de outros
modais, comumente o rodoviário. Corti & Laxi (2009) viram que esse movimento de transporte
de carga saindo das rodovias e ferrovias e partindo para modais aquáticos tem também razões
sustentáveis, como a diminuição na emissão de CO2, gás com emissão consideravelmente
menor em navios e barcaças. Como resultado disso, a concentração de cargas em hubs
portuários tende a ser cada vez mais alta. Mas barreiras como a falta de conexões entre portos,
rios e ferrovias freiam esse movimento, como visto em seus resultados de que a concentração
de cargas se manteve estável nos últimos anos. Juda (2007) também estudou impactos
ecológicos ligados ao ambiente marítimo europeu. Em seu trabalho foi possível perceber
esforços nesse sentido vêm sendo realizados por países individualmente, mas muitas vezes de
forma divergente e não integrada, o que não garante resultados ótimos do ponto de vista
econômico e ambiental. Reuniões em um nível mais abrangente ocorreram nos últimos anos
entre os países membros da União Europeia, mas ainda sem muitos resultados práticos.
Ainda sobre performance portuária, muitos autores estudaram os fatores que tornam o
desempenho de um porto mais atrativo a seus clientes. Ho (1992) desenvolveu um trabalho em
que apontava oportunidades de marketing para o porto de Manila, nas Filipinas. Sua visão ainda
era a clássica de que os clientes dos portos eram apenas os armadores, negligenciando o
segmento de exportadores e importadores da região. Seus resultados mostraram que
disponibilidade do berço, eficiência operacional e custos de atracação e movimentação eram os
principais chamarizes para os armadores enxergarem o porto como um ponto de transbordo
atrativo. Murphy et al. (1989) realizou um estudo semelhante comparando a opinião de
operadores portuários e armadores nos EUA com o resto do mundo. Seu estudo concentrou-se
em duas frentes: fatores que levam um porto a ser considerado eficiente e questões de comércio
17
internacional que influenciam as operações portuárias. Com relação ao primeiro ponto não
houve discordância significativa entre os entrevistados, onde as principais respostas referiram-
se à disponibilidade de equipamentos, registros de perdas e avarias e horários convenientes de
entrega e retirada de mercadorias. Por outro lado, houve discordância no segundo ponto.
Entrevistados americanos viram a valorização do dólar como uma questão nociva as operações
portuárias americanas, uma vez que as exportações ficavam ameaçadas. Além disso houve uma
diferença na avaliação entre armadores e operadores portuários com relação ao tempo de espera
para atracação, onde os armadores o viam como excessivo, diferentemente dos operadores.
Feng et al. (2012) avaliou a performance portuária de portos da Europa ocidental e Ásia oriental,
com o intuito de apontar iniciativas de boas práticas. Seu estudo revelou que privatizações
tornam o porto mais eficiente e muitas vezes até mais barato. Por outro lado, excessos de
investimentos podem levar a altos custos logísticos, principalmente no tangente a operação de
equipamentos.
Tendo já revisto a literatura da conjuntura portuária nacional e internacional é preciso também
analisar a decisão de utilização do ponto de vista dos principais usuários dos portos. De Langen
(2007) estudou o caso da Áustria, um país sem saída para o mar, geograficamente localizado
em uma posição sob área de influência de Alemanha e Itália. Suas conclusões mostram que a
maior parte das decisões para movimentação de cargas via marítima já foram tomadas com base
histórica e cultural, e mudanças dificilmente ocorrem por incorrerem em custos significativos.
Além disso, pode-se perceber que os exportadores/importadores austríacos são
consideravelmente menos sensíveis a custos portuários do que freightforwarders, operadores
logísticos focados em consolidação de cargas. Malchow & Kanafani (2004) analisou os critérios
de decisão de todos os envolvidos, armadores e exportadores/importadores, na seleção de portos
para movimentação de cargas. Sua pesquisa indiciou que o tempo total da operação de envio e
recebimento da mercadoria é um fator crítico, mas de difícil precisão, indicado apenas por
18
estimativas com grandes margens de erro. Diante disso, as distâncias terrestres e marítimas
totais da origem até o destino passando pelos portos de embarque e desembarque são mais
utilizadas por serem de mais fácil obtenção. Jafari et al. (2013) realizaram um ranqueamento
de portos iranianos baseados em Método Delphi para definição de critérios e na técnica de
decisão multi-critério ORESTE para a tomada final de decisão. Por meio de 15 critérios
levantados, o porto de Shahid Rajaiee foi considerado o porto mais atraente para os
exportadores/importadores iranianos. Chang et al. (2008) estudaram os critérios de seleção de
portos do ponto de vista dos armadores. Seus resultados mostram uma segmentação dos
principais critérios para essa tomada de decisão. Armadores de longo curso possuem como
critérios mais relevantes a estrutura, a conveniência e os custos de atracação, enquanto que os
de curtas distâncias utilizam critérios de marketing e de possível integração com outras linhas
de armadores nessa mesma decisão. Já Song & Yeo (2004) realizam uma análise para a situação
portuária chinesa através da técnica de Processo Hierárquico Analítico (AHP) do ponto de
vistas de vários envolvidos no processo: embarcadores, armadores, freighforwarders,
operadores de terminais e acadêmicos da área de cadeia de suprimentos. Após a definição dos
principais critérios como volume de movimentação, estrutura, localização e serviço, bem como
seus pesos relativos, os portos de Hong Kong e Xangai apareceram como os principais portos
do país, respectivamente. Também utilizando a técnica de AHP, Lirn et al. (2004) analisou a
decisão de portos de grande porte em volume (portos hub) para transbordo do ponto de visto de
armadores. Seus principais achados foram que os custos para atracação são o principal critério
para seleção, seguido por posição geográfica, infraestrutura e administração. A tomada de
decisão por parte de embarcadores e freightforwarders nigerianos foi estudada por Ugboma et
al. (2006). Após análise AHP os principais critérios levantados foram eficiência do terminal,
frequência de armadores, infraestrutura, localização e custos de movimentação,
respectivamente. O porto de Lagos foi então considerado o principal porto nigeriano sob essa
19
metodologia. Gui & Urli (2006) analisaram a decisão de armadores para a seleção dos portos
de New York e Montreal. Sob critérios de infraestrutura, serviço, custo e localização geográfica,
os autores avaliaram os dois portos por meio do software Decision Lab e concluíram que o
porto de New York deve ser o preferido pelos armadores. Para Montreal ser melhor considerado
nessa decisão, ele deverá principalmente abranger uma área de influência maior, além de
oferecer melhorias em custo e serviço aos clientes. O caso espanhol foi estudado por Alonso &
Soriano (2009) sob a visão apenas dos embarcadores, mas com um foco não no que era
declarado, mas em dados reais dessas movimentações. A principal conclusão do trabalho é a de
que a distância da cidade até o porto é a mais relevante nessa tomada de decisão, ou seja,
independente das condições do porto, a carga escolhe o caminho mais rápido para chegar ao
mar. E por fim, Tongzon (2009) analisou essa decisão pela ótica apenas dos freightforwarders
operando no sudeste asiático. Sua pesquisa levou a conclusão de que os principais critérios de
avaliação são eficiência, frequência de armadores, infraestrutura, localização, custos, rapidez
de resposta às necessidades e reputação, respectivamente.
O que se pode concluir a respeito dos fatores de atratividade portuária é que alguns critérios de
decisão para utilização de um porto são comuns a quaisquer usuários. A tabela 1 resume os
achados dos estudos analisados em termos desses critérios de decisão. Os critérios de distância,
infraestrutura do porto e custos foram os mais frequentemente vistos nessa revisão de literatura.
3.2 Fundamentos de lógica Fuzzy e Análise de Rede Social
A tomada de decisão sob incertezas, como essa de seleção de portos, é uma ação muito comum
no meio empresarial (Abdullah, 2013). Uma técnica disponível para suportar esse processo é a
lógica fuzzy, que tem como principal característica a utilização de critérios qualitativos em seu
algoritmo de cálculo de outputs (McNeill & Thro, 1994), o que é bastante comum em ambientes
reais cercados de incertezas. Abdullah (2013) faz uma extensiva revisão de literatura sobre a
20
cronologia de utilização dessa técnica como suporte a tomada de decisão. Beheshti & Lollar
(2008) também fazem uma revisão da literatura de tomada de decisão por lógica fuzzy, além de
propor um modelo genérico de aplicação para avaliação de funcionários. A mesma aplicação é
proposta por Sultana et al. (2013), que detalha toda a rotina de modelagem através do software
MATLAB. Há também alguns exemplos de aplicação da técnica na área de logística, como em
He et al. (2012), que propõe um método de otimização de transbordos logísticos unindo a
técnica AHP com princípios da lógica fuzzy. Yeo et al. (2011) trazem ainda a discussão para o
setor portuária do extremo oriente. Sua proposta é a de medir a competitividade de portos de
contêineres por meio da lógica fuzzy e para isso utilizou inputs de pesquisadores, clientes e
fornecedores relativos a 7 portos orientais. Após a avaliação dos portos sob critérios de serviço,
condições terrestres, disponibilidade, conveniência, custo, centralidade regional e
conectividade, os portos de Hong Kong e Xangai obtiveram as melhores médias. E o último
exemplo de aplicação da lógica fuzzy nas operações logísticas é dado por Kunadhamraks &
Tab. 1 – Resumo dos estudos de fatores de atratividade de portos
21
Hanaoka (2008) para o caso tailandês. Sua proposta é a de avaliar a performance logística de
transportes intermodais de cargas sob critérios de custos, qualidades do serviço, confiabilidade
e segurança. Seus resultados apontaram para uma melhor eficiência geral da logística
rodoviária, frente a marítima e a ferroviária.
A análise de redes sociais também pode ser muito útil para a visão do quadro geral de
relacionamentos entre portos (Shanshan et al., 2013). Originalmente utilizada para se observar
relações pessoais (Moody, 2004), como em Martins et al. (2012), que estudaram a rede social
de pesquisadores que haviam publicado artigos científicos conjuntos, ou Madireddy et al.
(2015), que estudaram como o relacionamento pessoal pode ser usado em benefício de uma
melhor evacuação em casos de desastres naturais, a técnica também pode ser muito útil ao ser
aplicada em entidades não humanas, como os portos em suas relações comerciais. Montes et al.
(2012) analisaram a distribuição do comércio exterior mundial e a influência da crise de 2008.
Utilizando dados de transações internacionais, os autores desenvolvem gráficos de redes sociais
com os principais portos de todo o mundo nos períodos pré e pós crise. Suas conclusões seguem
a linha de que a rede de carga geral é mais forte e resistente a crises quando comparada a de
contêineres. Além disso, a movimentação de contêineres concentra-se nas rotas Ásia oriental –
Europa e Ásia oriental – costa oeste dos EUA, enquanto que a de carga geral é mais difusa. E
por fim há uma certa polarização nessas movimentações, onde as principais rotas de carga geral
envolvem países emergentes enquanto que as de contêineres são mais utilizadas por países
desenvolvidos, seguindo a lógica de que commodities são de maior dificuldade de
conteinerização do que produtos manufaturados. Ducruet & Zaidi (2012) analisaram também
as conexões entre portos durante um período de 10 anos, de 1996 à 2006. Com filtros relativos
à força das conexões, que eram associados ao volume total movimentado entre dois portos, e
relativos à categoria de produtos, os autores traçaram mapas bem detalhados das transações
econômicas mundiais. Grande parte da conclusão desse estudo adota padrões de
22
comportamentos históricos ou econômicos para explicar as principais conexões mundiais de
portos. Entrando mais explicitamente no tema de competição entre portos, Shanshan et al.
(2013) mapearam todos os relacionamentos competitivos entre os portos chineses. Os autores
propõem a partir daí uma nova distribuição de exportações e importações do país, como forma
de haver uma co-opetição sadia entre os portos chineses.
Diante dessa extensa abordagem da literatura sobre o tema, este presente trabalho tem como
objetivo abordar a questão do atual cenário de competição entre portos brasileiros, bem como
propor um redesenho da movimentação de comércio exterior realizada por via marítima no país.
Para tal, serão realizadas análises baseadas em redes sociais e tomadas de decisão baseadas em
lógica fuzzy, conforme explorado nas seções a seguir.
23
4 METODOLOGIA
O capítulo de metodologia foi dividido em 4 seções. A primeira descreve como a análise dos
dados foi organizada, mostrando o objetivo de cada etapa do estudo, bem como suas estruturas
de cálculo. A segunda seção apresenta a origem dos dados coletados para os critérios bases
definidos para a tomada de decisão por meio de lógica fuzzy, a terceira etapa do estudo. A
terceira seção mostra um apanhado geral de análises de rede social, com suas principais
fórmulas e descrições. E por fim a quarta seção mostra analogamente uma descrição geral da
lógica fuzzy, já com os gráficos das funções de pertinência utilizadas nesse estudo.
4.1 Visão geral analítica
O estudo foi desenvolvido em três etapas, conforme figura 1.
A primeira etapa consiste na análise descritiva de dados brutos, obtidos com a aquisição da base
Datamar, através do site http://www.datamar.com.br/. Essa base contém toda a movimentação
de comércio exterior realizadas em portos brasileiros durante o ano de 2011 e serviu como
principal input para esse trabalho. Por meio dessa análise pretendeu-se obter uma visão geral
da movimentação portuária brasileira, com um entendimento de volumes tanto de contêineres
quanto de carga geral, além da variedade de produtos em cada porto. Essa base considera tanto
movimentações de exportação quanto de importação em 46 portos sob diversas possíveis
Fig. 1 – Estruturação de entregáveis do trabalho
24
categorias de análise: tipo de produto, porto, tipo de movimentação, origem/destino nacional
das cargas, entre outras.
A tabela 2 mostra os portos considerados dos dois tipos de carga observados e a figura 2 sua
disposição geográfica.
A segunda etapa é a análise do ambiente competitivo de movimentações portuárias do Brasil
por meio de redes sociais. Para isso é realizado, também obtendo como base os dados do
Tab. 2 – Portos considerados nas análises
Fig. 2 – Disposição geográfica dos portos considerados nas análises
25
Datamar de 2011, uma compilação de todos os produtos que são movimentados em mais de um
porto no país, caracterizando uma competição. Essa compilação é então processada por meio
do software estatístico R (Crawley, 2013; Farnsworth, 2008; Heiberg & Neuwirth, 2009),
através do pacote igraph, gerando por fim uma rede social de competição de portos brasileiros
(McFarland et al., 2010; Scott, 2012). Esse processo é ainda realizado para algumas categorias
de produtos da Nomenclatura Comum do Mercosul (NCM), gerando assim uma rede social
para cada macro categoria. Essa visão proporciona um melhor entendimento da situação de
competição nos segmento de produtos. Mais detalhes sobre análises de redes sociais podem ser
vistos na seção 4.3.
Por fim, a terceira etapa é a proposta de adequação de capacidade de movimentação dos portos
brasileiros sob a ótica do exportador/importador, realizada através de uma tomada de decisão
em ambiente fuzzy, também através do software estatístico R, dessa vez utilizando-se do pacote
FuzzyToolKitUoN. Primeiramente é gerada uma listagem com a combinação de cada
movimentação produto-cidade origem ou destino nacional e o volume total dessa
movimentação de acordo com a base Datamar de 2011. Essa lista é gerada dividindo-se as
cargas movimentadas em contêineres sob a unidade de TEUs e as cargas movimentadas de
forma não-conteinerizadas sob a unidade de toneladas. A partir daí essas cargas serão julgadas
em um ambiente fuzzy sob alguns critérios selecionados. Os critérios para essa tomada de
decisão são definidos baseados numa extensa literatura sobre o tema, conforme a tabela
apresentada ao final da seção 3.1, e em sua disponibilidade, sendo eles: distância ao porto,
tempo de fila, custo de movimentação da carga e frequência do armador. Além desses quatro
critérios, também foi incluído um critério de centralidade do porto (eq. 3, seção 4.3), originado
da análise de rede social (Montes et al.; 2012).
Como a decisão real dos exportadores ou importadores muitas vezes leva mais em conta o
critério de distância aos portos do que os outros critérios definidos nesse estudo (Malchow &
26
Kanafani, 2004), é realizado então uma análise de sensibilidade. Nessa análise dá-se um peso
crescente ao critério de distância para se gerar diferentes cenários de portos mais apropriados
para cada combinação produto-cidade origem ou destino. O cenário em que o erro médio
ponderado relativo a movimentação real é menor revela o peso em que intuitivamente os
exportadores/importadores atribuem à variável distância em suas tomadas de decisão para
escolha de portos. Por meio desse cenário podem ser comparados os valores reais
movimentados e os modelados, e consequentemente também gráficos de necessidade de
aumento ou diminuição de capacidade para cada porto analisado. Mais detalhes sobre lógica
fuzzy nesse contexto de tomada de decisão podem ser vistos na seção 4.4.
4.2 Critérios de Seleção
O critério distância ao porto é calculado tendo como ponto de partida a cidade origem/fim
nacional do produto, seguindo até o porto por meio de coordenadas geográficas (IBGE, 2015).
6371 ∗ 𝐶𝑜𝑠−1(𝐶𝑜𝑠 (𝜋 ∗90−𝐿𝑎𝑡𝑑
180) ∗ 𝐶𝑜𝑠 ((90 − 𝐿𝑎𝑡𝑜) ∗
𝜋
180) + 𝑆𝑒𝑛 ((90 − 𝐿𝑎𝑡𝑑) ∗
𝜋
180) ∗
𝑆𝑒𝑛 ((90 − 𝐿𝑎𝑡𝑜) ∗𝜋
180) ∗ 𝐶𝑜𝑠 ((𝐿𝑜𝑛𝑔𝑑 − 𝐿𝑜𝑛𝑔𝑜) ∗
𝜋
180)) (1)
A distância entre duas coordenadas é então definida pela equação 1 (Jurgense et al., 2000), onde
Latd equivale a latitude do destino, Lato a latitude da origem, Longd a longitude do destino e
Longo a longitude da origem. O resultado é então mostrado em quilômetros, uma vez que o
fator 6371 representa o raio da Terra na mesma unidade.
O critério de tempo de fila representa o tempo de espera médio em horas dos navios cargueiros
até a atracação nos portos e é um bom indicador do estado de utilização da capacidade das
operações do porto. Exportadores/importadores são afetados por esse tempo de fila através do
atraso no envio ou recebimento de seus produtos. A Agência Nacional de Transportes
27
Aquaviários (ANTAQ, 2015) disponibiliza os tempos médios de espera para atracação de todos
os portos públicos do país e, portanto, foi utilizado como input para os valores desse critério.
O critério de custo de movimentação representa o custo diretamente envolvido para o
exportador ou importador na movimentação de sua carga no terminal marítimo. Esses valores,
tanto para contêineres quanto para carga geral, estão presentes também no site da ANTAQ para
todos os portos públicos brasileiros. Para contêineres a medida utilizada foi o R$/TEU e para
carga geral R$/ton.
O critério de frequência do armador remete ao tempo de espera da carga para ser embarcada na
exportação ou de ser recebida na importação devido à escassez de rotas de armadores que
passam por determinado porto. Esse critério torna-se importante para o cliente do porto uma
vez que seria indesejado utilizar uma via de saída ou entrada com baixa frequência de armadores
que a utilizassem. Essa mensuração de frequência foi utilizada tendo como base os dados do
Datamar de 2011 e seu resultado é expressado em atracações de navios no ano.
E finalmente o último critério de centralidade foi determinado como a centralidade de grau, que
mede em termos de rede social quantos vértices o arco possui, ou seja, com quantos outros
portos determinado porto compete. Esse critério foi escolhido, dentre os atributos de redes
sociais, por representar a característica de versatilidade de um porto ao lidar com diferentes
tipos de cargas de diferentes localidades, uma vez que cada arco representa produtos idênticos
movimentados por mais de um porto.
As tabelas 3 e 4 mostram algumas estatísticas descritivas desses dados.
Tab. 3 – Estatísticas descritivas da movimentação de contêineres
28
4.3 Análise de rede social
A realização da segunda etapa do estudo utilizará análises de rede social para gerar grafos de
competição entre os portos, bem como estatísticas descritivas de cada categoria de produtos
presente na base de dados. Dentre os atributos de análises de rede social, consideramos os
descritos a seguir nesse estudo (Scott, 2012). Os vétices (V) representam o total do número de
entidades presentes na rede social, no caso portos. Os arcos (A) representam o total do número
de ligações entre as entidades, no caso competições. A densidade (D) representa o número de
arcos presentes na rede social divididos pelo total máximo, e pode ser calculado através da
equação 2. Basicamente a densidade representa o percentual de competições presentes dado o
máximo possível. A centralidade de grau (CG) representa um atributo de centralidade que mede
quantos arcos determinado vértice possui, e pode ser visto pela equação 3. No caso desse estudo,
a centralidade de grau mede quantas competições cada porto tem. A centralidade de
intermediação (CI) representa um atributo de centralidade que mede sob quantas combinações
de menores caminhos entre dois vértices, determinado vértice está presente, e pode ser
calculado pela equação 4. Na fórmula st representa o menor caminho entre os vértices s e t. E
por fim, a centralidade de proximidade (CP) representa um atributo de centralidade que mede o
inverso do afastamento, que é a soma da distância de um vértice a todos os outros da rede social,
ou seja, esse atributo mede a centralidade em relação ao posicionamento do vértice. Descrito
pela equação 5, d(x,v) representa a distância em vértices do menor caminho entre x e v.
Tab. 4 – Estatísticas descritivas da movimentação de carga geral
29
𝐷 =2𝐴
𝑉(𝑉−1) (2)
𝐶𝑔(𝑣) = grau(𝑣) (3)
𝐶𝑖(𝑣) = ∑𝜎𝑠𝑡(𝑣)
𝜎𝑠𝑡𝑠≠𝑡≠𝑣 (4)
𝐶𝑝(𝑣) =1
∑ 𝑑(𝑥,𝑣)𝑥 (5)
Todos os atributos de centralidade revelam alguma informação a respeito da rede social. Mas
no caso específico do escopo desse trabalho, a centralidade de uma rede social de competição
em portos medida em centralidade de intermediação e em centralidade de proximidade carece
de maiores significados, sendo mais aplicáveis em redes sociais entre indivíduos, como em
Martins et al. (2012), ou até em ligações comerciais entre portos, como em Ducruet & Zaidi
(2012). Por outro lado, a centralidade de grau informa quantas competições determinado porto
possui, um indicador de que quanto maior esse atributo, mais importadores/exportadores
utilizam esse porto para movimentar produtos de variadas categorias. Assim, ele aparece como
um porto versátil em lidar com diferentes tipos de produtos. Dessa forma, a centralidade de
grau foi escolhida como a medida de centralidade para integrar os critérios de tomada de decisão
por meio de lógica fuzzy na terceira etapa do estudo.
4.4 Sistema de inferência fuzzy
A terceira etapa do trabalha baseia-se na tomada de decisão fuzzy com base nos critérios
considerados na seção 4.1 para melhor adequação de cargas em portos brasileiros. Um sistema
de inferência fuzzy é composto por 5 blocos funcionais (McNeill & Thro, 1994) conforme visto
na figura 3. Nesse estudo utilizou-se o sistema Mamdani de inferência. O bloco de regras
contém as lógicas se-então do modelo. O bloco de base de dados define as funções de
pertinência do sistema de inferência fuzzy. O bloco de tomada de decisão realiza as operações
baseado nas regras definidas. O bloco de fuzzificação transforma as variáveis numéricas em
30
graus que correspondem aos valores linguísticos qualitativos. E finalmente, o bloco de
defuzzificação transforma os resultados fuzzy em resultados numéricos.
Para o caso desse estudo, todas as variáveis de entrada, ou seja, os critérios de avaliação
(distância, fila, custo, frequência e centralidade) recebem duas funções de pertinências para
representarem valores altos e baixos. Todas as funções de pertinências foram definidas como
triangulares, como em Sultana et.al (2013) e Kunadhamraks & Hanaoka (2008). As funções
representantes da medida de grandeza fuzzy baixa têm o valor da esquerda e central como zero
e o valor da direita igual ao terceiro quartil, enquanto que as funções representantes da medida
de grandeza fuzzy alta têm o valor da esquerda igual ao primeiro quartil e o central e da direita
como o quarto quartil, ou seja, o valor máximo. A figura 4 mostra as funções de pertinências
das variáveis de entrada.
A variável de saída criada é a conformidade do porto, com valores possíveis de zero a dez e
também duas funções de pertinências, baixa e alta. Respeitando os mesmos critérios das
variáveis de entrada, a função de baixa conformidade é triangular com valor baixo e central
Fig. 3 – Sistema de inferência fuzzy
Tab. 5 – Regras do sistema de inferência fuzzy
31
definido como zero e valor mais alto como 6,6 e a função de alta conformidade tem valor mais
baixo como 3,3 e valor central e mais alto como dez. A figura 5 mostra as funções de
pertinências da variável de saída.
Após a definição das variáveis e funções da modelagem fuzzy, faz-se necessário a definição das
regras, conforme tabela 5. Intuitivamente define-se que distâncias curtas, filas pequenas, custos
baixos, frequências altas e centralidades altas levam a uma conformidade do porto alta.
Analogamente, distâncias longas, filas grandes, custos altos, frequências baixas e centralidades
baixas levam a uma conformidade do porto baixa.
Já com as variáveis, funções e regras modeladas, o ranqueamento dos portos de cada
combinação produto-cidade origem ou destino pode ser realizado. Cada porto recebe uma
pontuação para cada combinação, dado suas características de distância à cidade, fila para
atracação de navios, custos de movimentação, frequência de armadores e centralidade. O porto
Fig. 4 – Funções de pertinência das variáveis entrada do sistema de inferência fuzzy
32
que receber a maior pontuação é então considerado o mais apropriado para movimentar aquela
determinada carga.
Fig. 5 – Funções de pertinência da variável saída do sistema de inferência fuzzy
33
5 RESULTADOS E DISCUSSÃO
A análise de resultados nesse estudo é dividida em 3 seções conforme exposto no capítulo de
metodologia. A primeira seção faz uma análise dos dados brutos da base Datamar de 2011,
extraindo informações importantes a respeito da movimentação portuária de comércio exterior
no país. A segunda seção explora a competição por cargas nos portos nacionais a partir da
mesma base utilizando-se da técnica de análise de redes sociais. E por fim, a terceira seção
propõe um redesenho das capacidades de movimentações dos terminais brasileiros dado a
tomada de decisão por meio de lógica fuzzy dos exportadores/importadores locais.
5.1 Análise descritiva dos dados
A análise dos dados brutos revela algumas características peculiares da movimentação portuária
brasileira. A figura 6 mostra a movimentação de contêineres pelos portos analisados durante o
ano de 2011.
Há uma clara preferência dos importadores/exportadores pelo porto de Santos, que é
responsável por quase 43% de toda movimentação de comércio exterior nacional por via
marítima. Outros 23 portos dividem os 57% restante das cargas conteinerizadas.
Uma configuração diferente pode ser observada quando analisamos os dados de movimentação
de carga geral, conforme figura 7.
Fig. 6 – Movimentação de contêineres nos portos brasileiros em 2011
34
Os portos de Tubarão e Itaguaí são mais relevantes no cenário de carga geral uma vez que
movimentam em sua essência cargas pesadas, no caso a exportação de minérios e produtos
siderúrgicos respectivamente. Paranaguá aparece logo em seguida destacando-se pela
exportação de produtos originados no agribusiness, principalmente de grãos.
Essa possível preferência dos exportadores de certos produtos por determinado porto pode ser
vista na figura 8.
Esse histograma revela que 2600 produtos de entrada única na nomenclatura NCM, ou quase
26% do total, são movimentados por um único porto. Para os outros 74% acontece alguma
competição de pelo menos 2 portos movimentando o mesmo produto.
A figura 9 mostra a quantidade de produtos únicos por faixa de peso movimentado.
Fig. 7 – Movimentação de carga geral nos portos brasileiros em 2011
Fig. 8 – Histograma da quantidade de produtos distintos por quantidade de
portos que os movimentam
35
Pode-se perceber que os produtos em sua maioria se concentram nas faixas mais intermediárias,
com 3007, ou quase 30%, sendo movimentados entre 100 e 1000 toneladas anualmente. Com
movimentações de até 1 tonelada concentram-se produtos de origem farmacêutica e higiene e
beleza, enquanto que em mais de 1 milhão de toneladas encontram-se produtos do setor de
minérios e siderúrgicos em sua maioria.
5.2 Análise do ambiente competitivo por meio de redes sociais
A análise do ambiente competitivo é realizada levando-se em conta os segmentos de produtos,
segundo a nomenclatura NCM presente na base de dados Datamar. É importante salientar que
o critério básico para se definir que há uma competição é a movimentação de um produto com
mesmo código, o que como visto na seção 5.1, ocorre com cerca de 74% dos produtos.
A rede social de toda a competição do sistema portuário brasileiro pode ser observada pela
figura 10.
Dos 46 portos analisados, todos eles de alguma forma competem por pelo menos 1 produto. No
total há 721 competições ocorrendo no sistema portuário brasileiro, o que representa algo em
torno de 70% do total de competições possíveis, como identificado pela densidade de 0,70 na
rede social. Os critérios de centralidade foram mostrados através da média geral da rede social,
Fig. 9 – Movimentação de produtos por faixas de peso
36
uma vez que são características de cada vértice. O atributo centralidade de grau mostra que, em
média, cada porto tem 31,35 competições.
A figura 11 mostra um comparativo entre as movimentações efetuadas em contêineres e carga
geral.
Fig. 10 – Rede Social de competição portuária no Brasil
Fig. 11 – Comparação competição contêineres x carga geral
37
A densidade da rede social de contêineres é bastante representativa com o valor de 0,99, ou
seja, com 99% das conexões de competição possível entre os 23 portos analisados (somente o
porto de Angra dos Reis não possui competições por cargas conteinerizadas). Esse valor revela
que, no geral, cargas conteinerizadas são movimentadas por vários portos independentes de seu
conteúdo, uma vez que os equipamentos operacionais para sua movimentação nos terminais
são padronizados. Por outro lado, produtos não conteinerizados possuem uma certa
especificidade em suas necessidades de movimentação, e por consequência geram menores
níveis de competição, como revelado pela densidade de 0,64 da rede social.
Algumas características peculiares podem ser percebidas em determinados segmentos de
produtos, conforme visto na figura 12 para o setor farmacêutico.
O setor de fármacos representa o menor volume de movimentação entre todos os setores
analisados, sendo quase que totalmente movimentados por contêineres em sua maioria sendo
importados do exterior. Trata-se, no geral, de uma carga de alto valor agregado destinada a
poucos grandes laboratórios farmacêuticos localizados principalmente no eixo RJ-SP. Diante
disso, percebe-se uma rede social mais enxuta com poucos portos competindo por esse tipo de
carga, uma vez que um volume baixo de importações requer poucos contêineres que devem ser
descarregados diretamente em um único porto.
Fig. 12 – Rede Social de competição portuária no setor farmacêutico
38
Um comparativo geral entre todos os setores pode ser visto pela figura 13.
Considerando nos eixos os principais determinantes da competição de um setor, sua densidade
e a quantidade de portos que competem, a figura revela aspectos importantes da competição
por cargas no país. A técnica k-means foi utiliada na tentativa de obter agrupamentos de
segmentos dado sua localização nos eixos do gráfico. A entrada k, que indica o número de
agrupamentos requeridos para classificação dos segmentos, recebeu o valor 4, ou seja, houve
uma tentativa de obter 4 agrupamentos distintos para os segmentos. O primeiro agrupamento,
analisando a figura da esquerda para a direita, representa setores com cadeias produtivas
conectadas. Os setores de vidros, cerâmicas, fármacos e higiene têm características de produção
semelhantes, sendo localizadas em poucos pólos espalhados pelo território nacional e portanto
sendo movimentadas por poucos portos próximos a essas localidades. Em seguida, um segundo
agrupamento representa setores de baixa especialização e/ou alto volume de movimentação.
São setores movimentados por um alto número de portos e ao mesmo tempo a intensidade dessa
competição também é alta. Isso pode se dar devido ao fato de que não há capacidade de
Fig. 13 – Gráfico densidade x vértices dos segmentos analisados
39
movimentação suficiente nos principais terminais portuários utilizados para movimentar esses
segmentos, como por exemplo produtos advindos do agribusiness. Ao mesmo tempo essas
cargas podem ser de fácil movimentação por serem padronizadas, utilizando majoritariamente
contêineres para sua unitização, como no caso de eletroeletrônicos. Já os setores de alimentos
e oil & gas representam por si só um agrupamento. Nesse ponto do gráfico os setores tendem a
ter suas cadeias de produção mais desconectadas, utilizando um número de portos maior para
sua movimentação. O setor de oil & gas por exemplo possui diversas operações tanto onshore
principalmente na região nordeste, quanto offshore por toda costa brasileira.
5.3 Proposta de adequação de capacidade por meio de lógica fuzzy
Através da metodologia descrita na seção 4.4, foi realizada uma alocação de cargas pelos portos
analisados, seguindo critérios de distância à origem/destino nacional, tempo de espera da
embarcação no porto, custo, frequência de armadores e centralidade. Intuitivamente o critério
de distância ao porto possui um peso maior na tomada de decisão do importador/exportador
quando comparados aos outros. Dessa forma, foi realizada uma análise de sensibilidade do peso
dado à variável distância pelos tomadores de decisão tanto no caso de contêineres quanto em
cargas gerais. Os valores obtidos pela modelagem podem ser comparados com os dados reais
através do erro médio percentual ponderado desse desvio. Essa ponderação foi realizada pelos
valores reais de movimentação de cada porto. Os resultados dessa análise para as cargas
conteinerizadas podem ser analisados através da figura 14.
O gráfico mostra que houve erros médios de até quase 180% quando a modelagem considerava
peso 2 da variável distância, ou seja, a modelagem errava em média quase 1,8 vezes o valor
movimentado de TEUs em cada porto. Mas quando esse peso foi de 14, o erro médio da
modelagem foi de apenas 27%, sendo portanto o cenário que mais se aproximou da realidade
no caso de contêineres.
40
Esse cenário pode ser analisado mais detalhadamente pela figura 15.
Fig. 14 – Erro médio ponderado pelo volume de carga em função da importância
atribuída à distância (Contêineres)
Fig. 15 – (a) Modelagem fuzzy da movimentação de contêineres (peso distância = 14)
(b) Variação da capacidade de movimentação de contêineres (peso distância = 14)
(a)
(b)
41
A figura 15 (a) demonstra que a modelagem muito se aproximou da realidade, mas de certa
forma com alguns desvios consideráveis. O porto de Santos foi o mais impactado em termos
absolutos, recebendo algo em torno de 300 TEUs anualmente a mais do que movimenta hoje.
Outro porto bastante impactado foi o de Itajaí – SC. Devido a sua localização na margem oposta
ao porto de Navegantes e a alta importância da distância da origem/destino nacional das cargas,
ele torna-se um porto menos atrativo e portanto não utilizado.
A figura 15 (b) mostra a variação necessária na capacidade de movimentação de contêineres
sugerida pela modelagem. Os principais portos impactados pela modelagem são os portos de
Santos, Navegantes e Itajaí. Grande parte das cargas originalmente movimentadas no porto do
Rio de Janeiro, passam a ser capturadas pelo porto de Santos. O mesmo acontece com as cargas
de Itajaí, que passam a ser movimentadas pelo porto de Navegantes. É importante salientar que
a modelagem sugere apenas uma realocação de capacidade dado as características principais de
tomada de decisão dos importadores/exportadores, ou seja a soma das variações é zero.
A mesma análise pode ser realizada para as cargas não-conteinerizadas, conforme figura 16.
O peso 9 da variável distância revelou o menor erro médio da modelagem quando comparada
com a realidade. Em média houve uma variação de 45% na quantidade de toneladas
Fig. 16 – Erro médio ponderado pelo volume de carga em função da importância
atribuída à distância (Carga Geral)
42
movimentada pelos portos analisados. Esse menor peso atribuído a distância ao porto no caso
de cargas gerais quando comparado com cargas conteinerizadas pode ser explicado pelo fato
de que contêineres normalmente carregam cargas de maior valor agregado, sendo importante
um menor valor de estoque em trânsito para as empresas que estão importanto/exportando a
mercadoria (Wanke & Zinn, 2004). Enquanto isso, cargas não-conteinerizadas procuram por
portos com equipamentos específicos para sua movimentação, importando menos onde estão
localizados.
Esse cenário pode ser avaliado com mais detalhes através da figura 17.
Através da figura 17 (a) percebe-se mais uma vez o porto de Santos aparece como um dos mais
atrativos segundo a modelagem. Além dele, o porto de São Francisco do Sul – SC aparece
Fig. 17 – (a) Modelagem fuzzy da movimentação de carga geral (peso distância = 9)
(b) Variação da capacidade de movimentação de carga geral (peso distância = 9)
(a)
(b)
43
tomando uma quantidade considerável de cargas do porto de Paranaguá. Isso ocorre
principalmente devido ao alto tempo de fila para atracação de navios no porto de Paranaguá,
sendo o dobro quando comparado ao porto de São Francisco do Sul e 7 vezes maior quando
comparado ao porto de Santos. Dessa forma sua área de influência acaba por diminuir, perdendo
considerável quantidade de cargas para esses portos relativamente próximos a ele.
Por fim a figura 17 (b) mostra a variação de capacidade necessária nos terminais de carga geral
para satisfazer essa modelagem. Os principais portos afetados por esse redesenho da capacidade
de movimentação de cargas gerais são os portos de Santos, Paranaguá e São Francisco do Sul.
Um aumento de capacidade de cerca de 20MM toneladas anual se faz necessário nos portos de
Santos e São Francisco do Sul, enquanto a modelagem sugere uma redução de quase 30MM
toneladas anual no porto de Paranaguá.
Essas readequações de capacidades nos terminais podem trazer grande impacto positivo não só
para a infraestrutura logística mas também para a economia do país, visto o alto número de
empresas multinacionais que desistem de operar no Brasil devido a dificuldades no escoamento
de sua produção. Mas colocar essas iniciativas na prática requer certo grau de investimento e
comprometimento público. Programas governamentais de investimentos devem primariamente
identificar prioridades na alocação dos recursos, como os terminais que hoje mais se distanciam
das capacidades modeladas. Outro ponto importante são as consequências que um aumento de
capacidade pode trazer no tráfego de caminhões no entorno do porto e no aumento na
competição por janelas de entrega de carga. As capacidades de acesso aos portos também
devem estar presentes nesse plano de investimentos.
Outro agente importante nesse cenário são os armadores. Parcerias com as principais empresas
do setor podem se fazer necessárias nesse modelo de readequação de capacidades, visto que o
poder de influência dos armadores é alto no processo de escolha de portos para escoamento ou
recebimento de cargas pelos usuários.
44
6 CONCLUSÃO
Portos são a mais importante via de movimentação internacional de produtos. Importadores e
exportadores em busca de uma logística eficiente têm a clara preferência pelo modal marítimo
para suas movimentações de comércio exterior como forma de redução de custos dada a grande
economia de escala característica das embarcações quando comparadas a trens, caminhões e
aviões.
A decisão por qual porto utilizar passa por uma série de critérios, conforme analisado por esse
estudo, dentre eles o de maior influência, a distância da planta de recebimento ou expedição do
produto ao porto. Estudos anteriores identificaram quais critérios eram usualmente utilizados
para a tomada de decisão dos diversos usuários de portos, mas não modelaram essa decisão de
forma a obter valores de utilização de terminais, como realizado nesse trabalho. A modelagem
dessa decisão por meio de lógica fuzzy revelou que os usuários dos portos dão uma importância
relativa 14 vezes maior ao critério distância no caso de movimentação de contêineres e 9 vezes
maior nas movimentações de carga geral, quando comparadas aos outros critérios definidos:
tempo de fila nos terminais, frequência de armadores, custo e centralidade do porto. Essa maior
importância da distância para cargas conteinerizadas pode ser explicada pelo usual maior valor
agregado desse tipo de carga. A tentativa de minimização dos custos de estoque em trânsito
atingem mais as cargas em contêineres, o que por consequência revela a maior importância
relativa da distância ao porto de embarque/desembarque das produtos.
Uma derivação desse achado é a realocação das cargas portuárias dada sua origem/destino
nacional, o que impacta na necessidade de aumento ou diminuição de capacidade nos terminais
portuários. O estudo revelou que o porto de Santos por exemplo possui grande preferência pelos
usuários tanto de contêineres quanto de carga geral dado os critérios de decisão. Um aumento
de capacidade de 300 TEUs para movimentação de contêineres e 20MM de toneladas para carga
geral ao ano se faz necessária para satisfazer decisões ótimas dos usuários. Por outro lado,
45
alguns portos estão sendo utilizados excessivamente, com boa margem para uma redução em
sua capacidade de movimentação anual. É o caso do porto de Itajaí, que poderia sofrer uma
redução de 250 TEUs anual para operações de contêineres e do porto de Paranaguá para o caso
de carga geral em 20MM de toneladas ao ano. Essas conclusões são de importância
considerável para autoridades portuárias brasileiras, uma vez que a maior parte dos portos
analisados são públicos e recebem investimentos governamentais para suas expansões.
Outro achado importante desse estudo é a respeito da competição portuária nacional. No âmbito
geral, os 46 portos analisados formam uma rede de competição com densidade 0,70, ou seja,
com 70% de ligações competitivas entre elas considerando o total possível, onde cada porto
compete em média com outros 31 portos. Estudos futuros podem avaliar uma possível forma
de redução desse cenário competitivo, onde determinados portos fiquem responsáveis pela
movimentação de determinada categoria de produtos em detrimento de outras.
Ainda a respeito do cenário competitivo, uma conclusão desse estudo sugere que a competição
por cargas conteinerizadas é maior que a por cargas não-conteinerizadas já que há uma maior
padronização de equipamentos de movimentação nos terminais para o caso de contêineres.
Apesar de haver um menor número de terminais que movimentam contêineres quando
comparados aos de carga geral, a densidade dessa competição de cargas conteinerizadas é
consideravelmente elevada comparando-se às de cargas gerais. Todavia, uma análise do setor
de fármacos sugere que segmentos de produtos de alto valor agregado e baixo volumes, mesmo
que movimentados em contêineres, tendem a ter níveis de competição menores.
Essa análise setorial sugere ainda a existência de diferentes classificações de segmentos
considerando atributos de densidade competitiva e número de portos. O agrupamento dos
setores através da técnica k-means revelou 2 grandes grupos de segmentos com características
similares de operação. De um lado setores, que são movimentados por poucos portos mas que
sofrem uma intensa competição por cargas, como vidros e cerâmicas, possuem sua cadeia de
46
produção mais conectada e concentrada, não fazendo sentido a utilização de portos mais
distantes. De outro lado, setores que são movimentados por um número maior de portos e ainda
com uma intensa competição entre eles, como agribusiness e eletroeletrônicos, possuem
normalmente um maior volume e/ou uma especificidade baixa de requisitos de movimentação,
usualmente com alto percentual de utilização de contêineres.
Duas limitações do estudo devem ser apontadas. Primeiro, os dados são restritos a todas as
movimentações portuárias apenas do ano de 2011, não se podendo determinar caso tenha sido
um ano atípico ou não de movimentações portuárias no país. E segundo, outros critérios
identificados em outros estudos (Malchow & Kanafani, 2004; Lirn et al., 2006; Ugboma et al.,
2006; Yeo et al., 2011) como influentes na decisão de utilização de portos pelos usuários não
foram utilizados por falta de acesso a dados.
De toda a forma o pioneirismo do trabalho deve ser ressaltado. A união de técnicas de análise
de redes sociais e lógica fuzzy para retratar a situação atual e ainda propor melhorias ao sistema
portuário brasileiro é algo inovador e de grande importância para autoridades portuárias,
usuários, armadores, operadores de terminais e freightforwarders.
47
REFERÊNCIAS BIBLIOGRÁFICAS
ABDULLAH, Lazim. Fuzzy multi criteria decision making and its applications: A brief
review of category; Procedia Social and Behavioral Sciences - The 9th International
Conference on Cognitive Science; Vol. 97; p. 131-136; 2013
ALICEWEB. Base de informação de comércio exterior brasileiro; Disponível em:
http://aliceweb.mdic.gov.br/. Acessado em: 23/06/2015
ALONSO, Lorena; SORIANO, Joaquin. Port selection from a hinterland perspective;
Maritime Economics & Logistics; Vol. 11; No. 3; p. 260-269; 2009
ANTAQ. Base de custos de movimentação e tempos de fila para atracação; Disponível
em: http://www.antaq.gov.br/. Acessado em: 22/06/2015
BARROS, Carlos; FELICIO, J Augusto; FERNANDES, Renato. Productivity analysis
of brazilian seaports; Maritime Policy & Management; Vol. 39; No. 5; p. 503-523;
2012
BEHESHTI, Hooshang; LOLLAR, James. Fuzzy Logic and Performance Evaluation:
discussion and application; International Journal of Productivity and Performance
Management; Vol. 57; No. 3; p. 237-246; 2008
BELL, Michael; LIU, Xin; RIOULT, Jeremy; ANGELOUDIS, Panagiotis. A cost-
based maritime container assignment model; Transportation Research Part B; Vol.
58; p. 58-70; 2013
CARIS, A.; MACHARIS, C.; JANSSENS, G.K. Network analysis of container barge
transport in the port of Antwerp by means of simulation; Journal of Transport
Geography; Vol. 19; No. 1; p. 125-133; 2011
CHANG, Young-Tae; LEE, Sang-Yoon; TONGZON, Jose. Port selection factors by
shipping lines: Different perspectives between trunk liners and feeder service providers;
Marine Policy; Vol. 32; No. 6; p. 877-885; 2008
48
CORTI, Isabel; LAXE, Fernando. Maritime Transport and Trade: The Impact of
European Transport Policy. An Overview of Maritime Freight Transport Patterns;
European Research Studies; Vol. 12; No. 1; p. 131-147; 2009
CRAWLEY, M. The R Book; Segunda Edição; Chichester (UK): John Wiley & Sons,
2013
DATAMAR. Base Dataliner; Disponível em: http://www.datamar.com.br/. Acessado
em: 22/06/2015
DE LANGEN; Peter. Port competition and selection in contestable hinterlands: the case
of Austria; European Journal of Transport and Infrastructure Research; Vol. 7;
No. 1; p. 1-14; 2007
DUCRUET, Cesar; ZAIDI, Faraz. Maritime constellations: A complex network
approach to shipping and ports; Maritime Policy and Management; Vol. 39; No. 2; p.
151-168; 2012
FARNSWORTH, Grant. Econometrics in R; 2008
FENG, Mengying; MANGAN, John; LALWANI, Chandra. Comparing port
performance: Westerm European versus Eastern Asia ports; International Journal of
Physical Distribution and Logistics Management; Vol. 42; No. 5; p. 490-512; 2012
GUY, Emmanuel; URLI, Bruno. Port selection and multicriteria analysis: An
application to the Montreal-New York alternative; Maritime Economics & Logistics;
Vol. 8; No. 2; p. 169-186; 2006
HE, Ting; HO, William; MAN, Carman; XU, Xiaofei. A fuzzy AHP based integer linear
programming model for the multi-criteria transshipment problem; International
Journal of Logistics Management; Vol. 23; No. 1; p. 159-179; 2012
HEIBERG, Richard; NEUWIRTH, Erich. R through Excel; New York, NY (USA):
Springer, 2009
49
HO, Dick. The marketing system of the Manila international container terminal;
International Journal of Physical Distribution and Logistics Management; Vol. 22;
No. 5; p. 25-37; 1992
IBGE. Coordenadas geográficas das cidades brasileiras; Disponível em:
http://www.ibge.gov.br/home/. Acessado em: 22/06/2015
JAFARI, Hassan; NOSHADI, Ebrahim; KHOSHEGHBAL, Behroz. Ranking ports
based on competitive indicators by using ORESTE method; International Research
Journal of Applied and Basic Sciences; Vol. 4; No. 6; p. 1492-1498; 2013
JUDA, Lawrence. The European Union and Ocean Use Management: The Marine
Strategy and the Maritime Policy; Ocean Development & International Law; Vol.
38; No. 3; p. 259-282; 2007
JURGENSEN, Ray; BROWN, Richard; JURGENSEN, John. Geometry; Primeira
Edição; Evantson, IL (USA): McDougal Littell; 2000
KUNADHAMRAKS, Pichet; HANAOKA, Shinya. Evaluating the logistics
performance of intermodal transportation in Thailand; Asia Pacific Journal of
Marketing and Logistics; Vol. 20; No. 3; p. 323-342; 2008
LINDSTAD, Haakon; BRIGHT, Ryan; STROMMAN, Anders. Economic savings
linked to future Arctic shipping trade are at odds with climate change mitigation;
Transport Policy; Vol. 45; p. 24-30; 2016
LIRN, T C; THANOPOULOU, H A; BEYNON, M J; BERESFORD, A K C. An
application of AHP on transshipment port selection: A global perspective; Maritime
Economics & Logistics; Vol. 6; No. 1; p. 70-91; 2004
MADIREDDY, Manini; KUMARA, Soundar; MEDEIROS, D J; SHANKAR, Venky.
Leveraging social networks for efficient hurricane evacuation; Transportation
Research Part B; Vol. 77; p. 199-212; 2015
50
MALCHOW, Matthew; KANAFANI, Adib. A Disaggregate analysis of port selection;
Transportation Research Part E; Vol. 40; No. 4; p. 317-337; 2004
MARTINS, Michele; MARTINS, Guilherme; CSILLAG, Joao; PEREIRA, Suzana.
Service’s scientific community: a social network analysis (1995-2010); Journal of
Service Management; Vol. 23; No. 3; p. 455-469; 2012
MATSUSHIMA, Noriaki; TAKAUCHI, Kazuhiro. Port privatization in an international
oligopoly; Transportation Research Part B; Vol. 67; p. 382-397; 2014
MCFARLAND, Daniel; MESSING, Solomon; NOWAK, Michael; WESTWOOD,
Sean. Tutorial Social Network Analysis Labs in R and SoNIA; Stanford University;
2010; Disponível em: http://sna.stanford.edu/rlabs.php; Acessado em: 15/12/2014
MCNEILL, Martin; THRO, Ellen. Fuzzy Logic: a Practical Approach; Primeira Edição;
Chestnut Hill, MA (US): AP Professional; 1994
MENG, Qiang; DU, Yuquan; WANG, Yadong. Shipping log data based container ship
fuel efficiency modeling; Transportation Research Part B; Vol. 83; p. 207-229; 2016
MITROUSSI, Kyriaki; ARGHYROU, Michael. Institutional performance and ship
registration; Transportation Research Part E; Vol. 85; p. 90-106; 2016
MOODY, James. The structure of a social science collaborationg network: Disciplinary
cohesion from 1963 to 1999; American Sociological Review; Vol. 69; p. 213-238;
2004
MONTES, Carlos; SEOANE, Maria; LAXE, Fernando. General cargo and
containership emergent routes: A complex networks description; Transport Policy;
2012; Vol. 24; p. 126-140
MURPHY, Paul; DALENBERG, Douglas; DALEY, James. Assessing international
port operations; International Journal of Physical Distribution and Materials
Management; Vol. 19; No. 9; p. 3-10; 1989
51
PARK, Jin; SEO, Young. The impact of seaports on the regional economies in South
Korea: Panel evidence from the augmented Solow model; Transportation Research
Part E; Vol. 85; p. 107-119; 2016
RIOS, Leonardo; MACADA, Antonio. Analysing the relative efficiency of container
terminals of mercosur using DEA; Maritime Economics & Logistics; Vol. 8; No. 4; p.
331-346; 2006
SANJAIME, Oscar; SANCHEZ, Pedro; COLONQUES, Rafael; MONERRIS, Jose.
The impact on port competition of the integration of port and inland transport services;
Transportation Research Part B; Vol. 80; p. 291-302; 2015
SEREBRISKY, Tomas; SARRIERA, Javier; ALEMAN, Ancor; ARAYA, Gonzalo;
GARMENDIA, Cecilia; SCHWARTZ, Jordan. Exploring the drivers of port efficiency
in Latin America and the Caribbean; Transport Policy; Vol. 45; p. 31-45; 2016
SCOTT, John. Social Network Analysis; Terceira Edição; London (UK): SAGE
Publications Ltd; 2012
SHAN, Jun; YU, Migzhu; LEE; Chung. An empirical investigation of the seaport’s
economic impact: Evidence from major ports in China; Transportation Research Part
E; Vol. 69; p. 41-53; 2014
SHANSHAN, Li; HONG, Gao; WEI, Liu. Research on Ports Group Internal Co-
competition Based on Social Network Analysis; Service Operations and Logistics,
and Informatics (SOLI), 2013 IEEE International Conference; p. 186-191; 2013
SONG, Dong-Wook; YEO, Ki-Tae. A competitive analysis of Chinese container ports
using the analytic hierarchy process; Maritime Economic & Logistics; Vol. 6; No. 1;
p. 34-52; 2004
52
SULTANA, Imtiaz; PAUL, Sanjoy; AZEEM, Abdullahil. Employee Performance
Evaluation: a fuzzy approach; International Journal of Productivity and
Performance Management; Vol. 62; No. 7; p. 718-734; 2013
TONGZON, Jose. Port choices and freight forwarders; Transportation Research Part
E; Vol. 45; No. 1; p. 186-195; 2009
UGBOMA, Chinonye; UGBOMA, Ogochukwu; OGWUDE, Innocent. An analytic
hierarchy process (AHP) approach to port selection decisions – Empirical evidence from
Nigerian ports; Maritime Economics & Logistics; Vol. 8; No. 3; p. 251-266; 2006
VAN DER LUGT, Larissa; RODRIGUES, Suzana; VAN DER BERG, Roy. Co-
evolution of the strategic reorientation of port actors: insights from the Port of
Rotterdam and the Port of Barcelona; Journal of Transport Geography; Vol. 41; p.
197-209; 2014
WANKE, Peter; ZINN, Walter. Strategic logistics decision making; International
Journal of Physical Distribution & Logistics Management; Vol. 34; No. 6; p. 466-
478; 2004
WANKE, Peter. A qualidade da infra-estrutura logística na percepção dos grandes
exportadores brasileiros; Centro de estudos em logística – COPPEAD/UFRJ; 2006
WANKE, Peter; BARBASTEFANO, Rafael; HIJJAR, Maria. Determinants of
efficiency at major Brazilian port terminals; Transport Reviews; Vo. 31; No. 5; p. 653-
677; 2011
WANKE, Peter. Physical infrastructure and shipment consolidation efficiency drivers
in Brazilian ports: A two-stage network-DEA approach; Transport Policy; Vol. 29; p.
145-153; 2013
53
WANKE, Peter; BARROS, Carlos. Public-Private partnerships and scale efficiency in
brazilian ports: evidence from two-stage DEA analysis; Socio-Economic Planning
Sciences; Vol. 51; p. 13-22; 2015
WANKE, Peter; BARROS, Carlos. New evidence on the determinants of efficiency at
Brazilian ports: a bootstrapped DEA analysis; International Journal of Shipping and
Transport Logistics; Vol. 8; No. 3; p. 250-272; 2016
YANG, Yi-Chih; CHEN, Shu-Ling. Determinants of global logistics hub ports:
comparison of the port development policies of Taiwan, Korea, and Japan; Transport
Policy; Vol. 45; p. 179-189; 2016
YEO, Gi-Tae; ROE, Michale; DINWOODIE, John. Measuring the competitiveness of
container ports: logisticians’ perspectives; European Journal of Market; Vol. 45; No.
3; p. 455-470; 2011