1

Competitividade Global de uma Operação Industrial Química: A Curva de Aprendizagem como Indicador da Transferência de Conhecimento e Excelência Operacional

Autoria: Luiz Carlos Mendes de Brito, Otavio Próspero Sanchez

RESUMO O objetivo deste artigo é demonstrar como o conceito de curvas de aprendizagem desenvolvido por SHESHINSKY (1967) e estendido por LAPRÉ e WASSENHOVE (2003) foi aplicado na implantação de duas linhas de produção de nitrocelulose, impulsionando a competitividade da empresa em um setor globalmente competitivo de alta elasticidade -demanda a preços. O artigo descreve os resultados de um experimentos onde os parâmetros de elasticidade de substituição [σ], coeficiente de progresso técnico [ß], e coeficiente de aprendizagem [α] foram estimados por meio da técnica de regressão logarítmica múltipla e comparados com outros países. Os resultados da análise dos dados coletados no início da operação das unidades são consistentes com as proposições de LAPRÉ e WASSENHOVE (2003) sobre a formação de conhecimento tecnológico incompleto pela existência de barreiras ao aprendizado e dificuldades ao acúmulo de conhecimento. Ainda, de acordo com as hipóteses de SHESHINSKY (1967) conclui-se que investimento e qualidade da equipe são os principais responsáveis pelo aprendizado. A contribuição do trabalho consiste em demonstrar como estabelecer um sistema de aprendizado, além de ressaltar a importância da equipe de implantação para assegurar a transferência do conhecimento de maneira completa. ASPECTOS DA REDUÇÃO DO CUSTO EM FUNÇÃO DO TEMPO Embora vários estudos tenham descrito a redução dos custos de produção em função do tempo, poucos estudos empíricos sobre a curva de aprendizagem demonstraram suas implicações como ferramenta para a gestão do conhecimento tecnológico e otimização de operações em situações de competitividade global. No passado diversas empresas exploraram a curva do aprendizado para deslocar a competição utilizando estudos que demonstravam que os custos de produção eram reduzidos de 10 a 30% quando a capacidade produtiva dobrava (GHEMAWAT, 1985). Em situações de início de produção, entretanto, a hipótese de que a economia de escala é o fator principal tem sido refutada. Marvin Lieberman utilizou dados de 37 produtos químicos para testar um número de hipóteses sobre o comportamento dos preços industriais no início da operação de unidades industriais. Os resultados documentaram um efeito de aprendizagem firme e consistente, enquanto o efeito da economia de escala parece significante ainda que apresentando magnitude muito menor quando comparada com o efeito de aprendizagem (LIEBERMAN, 1984). Em algumas empresas os custos médios no longo prazo podem apresentar declínio no decorrer do tempo pelo fato de os trabalhadores e administradores absorverem novas informações tecnológicas à medida que se tornam mais experientes em suas funções. À medida que os administradores e a mão de obra ganham maior prática na parceria produtiva, o custo marginal e o custo médio de determinado nível de produção apresentam redução devido a quatro motivos (PINDYCK e RUBINFELD, 2006 p.206):

1. Os funcionários demoram mais para realizar determinada tarefa nas primeiras vezes. Quando se tornam mais experientes, entretanto, sua velocidade aumenta desde o fluxo de materiais até a organização do próprio processo de fabricação.

2. Os administradores aprendem a programar o processo produtivo com maior eficácia, seja o fluxo de materiais, seja a organização da empresa como um todo.

3. Os engenheiros que a princípio se mantinham cautelosos no desenvolvimento de seus produtos podem adquirir experiência suficiente para fazer inovações no

2

desenvolvimento do projeto, possibilitando reduções de custos sem o aumento de defeitos. Ferramentas, organização fabril de melhor qualidade, e mais especializada, podem também reduzir os custos.

4. Os fornecedores podem aprender maneiras de processar os materiais necessários com maior eficácia, podendo repassar parte dessa vantagem na forma de custos mais baixos

Uma empresa ‘aprende’ ao longo do tempo, à medida que a produção acumulada aumenta (LIEBERMAN, 1984). Outro fator importante a ser considerado é a forma de gestão e medição do conhecimento acumulado através do uso das curvas de aprendizagem, já que o conhecimento da organização é um de seus ativos mais importantes, mas é, também, intangível e difícil de ser gerenciado sistematicamente (BOHN, 1994). Ainda assim, os administradores utilizam o processo de aprendizagem para ajudar a planejar a produção e fazer previsões para os custos futuros. A curva de aprendizagem descreve a relação entre a produção cumulativa das empresas e a quantidade de insumos necessários à produção de uma unidade de produto.

Adicionalmente, os gestores podem avaliar os desempenhos de suas implementações industriais pela comparação dos coeficientes entre unidades, entre implementações ou até entre unidades localizadas em países diferentes. Do ponto de vista da competitividade global pode-se comparar resultados obtidos em experimentos que estimem os coeficientes de aprendizado com valores obtidos em diferentes países, principalmente aqueles onde se localizam empresas competidoras na tecnologia avaliada (KLUMP, MCADAM e WILLMAN, 2004).

A curva de aprendizagem pode ser expressa matematicamente pela seguinte relação (PINDYCK e RUBINFELD , 2006):

L a bnβ−

= + Onde:

L : insumo de Trabalho por Unidade de Produto n: número de unidades cumulativas de produto fabricado a,b: fatores constantes, positivos ß: fator constante, com valor entre 0 e 1

Quando n for igual a 1, L será igual a soma de a e b, medindo, assim, o insumo Trabalho necessário para a produção da primeira unidade de produto. Quando ß for igual a zero, o insumo, Trabalho por Unidade de Produto, permanecerá o mesmo à medida que o nível de produção cumulativa aumentar; portanto não haverá aprendizagem. Quando ß for positivo e N aumentar cada vez mais, L ficará arbitrariamente próximo de a, de tal forma que a representará o mínimo insumo trabalho por unidade de produto, depois que toda aprendizagem tiver ocorrido.

Observe-se que quanto maior for ß, mais significativo será o efeito da aprendizagem na redução do insumo trabalho envolvido na atividade. Por exemplo, quando ß for igual a 0,5, o insumo, Trabalho por unidade de produto, cairá na proporção da raiz quadrada da produção cumulativa. (PINDYCK e RUBINFELD – 2006; p.206 e 207)

3

Já de acordo com o modelo básico de SHESHINSKY (1967) a produção de uma indústria pode ser descrita pela equação:

( , ) ( , )V A G t F K L=

Onde: V: Produção de uma indústria ou uma economia A: função de produtividade G: índice de”experiência acumulada” t: fator tempo (calendário) F: função produção, homogênea, de primeiro grau K: Estoque de Capital L: Trabalho

Observe-se que as entradas de capital e trabalho obedecem todas as condições normais para a função produção e a função de produtividade A, depende do índice de “experiência acumulada,” G, bem como do tempo calendário t Fuchs (apud SHESHINSKY, 1967,).

A função Produtividade A, depende do índice de “experiência acumulada,” G, bem como do tempo calendário,t. O último representa a medida convencional do fator exógeno, Hicks-progresso técnico neutro. Parte do aumento da eficiência é explicado, portanto, pelo aumento da “experiência” enquanto o resto fica inexplicado.(SHESHINSKY,1963)

Adotando-se a relação entre Produção e Trabalho, podemos analisar o comportamento dos coeficientes de elasticidade de substituição - CES da função produção, como sendo (SHESHINSKY, 1967):

( )1 tV B G eL

ασ βω −⎛ ⎞ =⎜ ⎟⎝ ⎠

Onde: α: coeficiente de aprendizagem (ou elasticidade em relação à experiência) β: coeficiente de progresso técnico (ou elasticidade em relação ao tempo) σ: coeficiente de elasticidade de substituição de capital e trabalho B: Coeficiente de elasticidade de aprendizado (inclinação da curva) W: Salário real (gasto total/número de empregados)

Técnica da estimação de coeficientes Sendo os coeficientes, em sua maioria, expoentes de uma potência, a regressão logarítmica é o método matemático indicado. Uma equação do tipo: bAXY = pode ser linearizada através da regressão logarítmica: XbAY logloglog += . Isso significa que o expoente b pode ser determinado facilmente se os dados históricos de Y, A e X forem disponíveis. Uma simples regressão logarítmica da equação permite a determinação da elasticidade de aprendizado, que corresponde ao coeficiente angular da reta que obtemos. Essa primeira análise envolve apenas uma elasticidade. Porém, quando passamos ao estudo do aprendizado a partir da função de produção CES (SHESHINSKY, 1967), três novos

4

coeficientes (elasticidade de substituição, coeficiente de progresso técnico e coeficiente de aprendizado) devem ser determinados, o que exige novos dados e novas metodologias. Esses três coeficientes se apresentam como expoentes nas expressões simplificadas da função de produção CES. Conhecendo os gastos com salários (w - R$/hora), a produção em t (V) e as horas trabalhadas (L), a elasticidade de substituição (σ) pode ser determinada a partir da regressão logarítmica:

log logV cteL

σ ω⎛ ⎞ = +⎜ ⎟⎝ ⎠

O coeficiente de progresso técnico (β) nos mostra a variação da produção acumulada através do tempo:

. tV cte eK

β⎛ ⎞ =⎜ ⎟⎝ ⎠

Então, conhecendo a produção (V) em função do tempo de produção acumulado (e considerando constante o fator K – capital), β pode ser determinado através da aproximação da curva obtida com os dados da linha E por uma exponencial. Já a determinação do coeficiente de aprendizagem (α) está de acordo com hipótese adotada para a experiência acumulada G corresponde à Produção acumulada (P) utilizando a regressão logarítmica como método gráfico:

log (1 ) logV cte GK

α σ⎛ ⎞ = + +⎜ ⎟⎝ ⎠

Assim, para a determinação de α, deve-se conhecer a variação da produção em função da produção acumulada no tempo, sendo que valores próximos confirmam a autenticidade do método. A elasticidade de substituição também deve ser conhecida para que α seja determinado já que o coeficiente angular da reta obtida nos fornece diretamente α. DESCRIÇÃO DA EMPRESA E DO EXPERIMENTO A indústria analisada é a Companhia Nitro Química Brasileira, pertence ao setor de processamento químico, empresa de médio porte com faturamento anual da ordem de US$ 120 milhões, pertencente a um dos maiores conglomerados industriais do Brasil (Grupo Votorantim). Dedica-se à produção de nitrocelulose, matéria prima para o mercado de tintas e vernizes, exportando 60% de sua produção para mais de 50 países. O mercado mundial de nitrocelulose apresenta crescimento ligado ao crescimento do PIB mundial, porém o crescimento na China é da ordem de 11%.. A empresa expandia sua produção de maneira significativa nos últimos anos. As soluções tecnológicas adotadas no passado não vinham correspondendo às necessidades tecnológicas do presente, devido á demanda por aumento de produtividade e por alterações de mercado do mix de produto final. A unidade I, instalada na década de 80, demonstrou excelentes resultados quanto a volume de produção apenas para alguns produtos do mix, e mostrou-se incapaz de atender a todos os

5

tipos de matéria prima e aos produtos que apresentavam maior possibilidade de crescimento de demanda. Além disso, observou-se que a unidade apresentava baixa produtividade e perdas de produto, gerando impactos negativos no rendimento geral e em aspectos ambientais, no que se refere ao processamento dos resíduos gerados. Durante a instalação da unidade II, optou-se pela instalação de unidade com tecnologia inovadora, para atender a demanda crescente do mercado para alguns tipos de produtos para os quais a unidade I não possuía capacidade de produção e para melhorar significativamente a capacidade de produção e rendimento. A adoção da nova tecnologia requeria um cuidado na forma de medir o aprendizado e assegurar que os investimentos pudessem atingir metas de produção, no mínimo, similares aos equipamentos instalados, mesmo sendo a nova tecnologia desconhecida para a maioria dos participantes da equipe produtiva, tanto aqueles dedicados ao projeto de instalação como dedicados à operação da nova unidade. Assim, o propósito do trabalho foi inicialmente aferir se a nova tecnologia levaria ao atendimento das necessidades da empresa. Entretanto, os executivos da empresa consideravam um importante objetivo encontrar uma forma de documentar e registrar o aprendizado e relacioná-lo com o investimento de capital realizado de maneira a justificar que futuros investimentos fossem direcionados na mesma tecnologia escolhida. O procedimento adotado foi o de verificar se as curvas de aprendizagem, construídas para as duas novas unidades em operação, confirmariam os resultados de coeficientes de elasticidade de substituição σ (CES) similares aos obtidos em economias desenvolvidas, comparando-os aos resultados obtidos pelo estudo de Eytan SHESHINSKY (SHESHINSKY, 1967). O experimento se desenvolveu a partir da instalação da unidade II que já estava em início de operação. Após as modificações para operação iniciou-se a coleta de dados e a construção da curva de aprendizagem. Os resultados foram aplicados no desenvolvimento do projeto da unidade III APRESENTAÇÃO DOS RESULTADOS Todos os resultados apresentados baseiam-se em dados observados e registrados no período de aprendizado da unidade II, cujos registros de produção da unidade foram detalhadamente coletados no decorrer de 12 meses de operação, a cada turno de 8 horas de operação. Estimação da elasticidade de substituição σ : a Tabela 1 mostra os dados obtidos na unidade e os resultados do cálculos do parâmetro σ, conforme representado no Gráfico 1.

Tabela 1: Valores da Unidade II para obtenção de σ

V produção

acumulada (kg)

L

horas trabalhadas (por lote de

1000 kg)

V/L (ton/

horas)

Produção

(ton)

Tempo

produção acumulado

W

acumulado

logW

log (V/L)

39.170 3,68 0,3 39,20 144,0 845,3 2,927 -0,6 127.880 2,62 0,3 88,7 376,0 2207,1 3,344 -0,5 493.955 1,64 0,5 366,10 976,0 5729,1 3,758 -0,3 763.520 1,54 0,5 269,6 1392,0 8171,0 3912 -0,3

1.181.400 1,57 0,6 417,9 20,48,0 12021,8 4,080 -0,2 1.620.800 1,44 0,6 439,4 2680,0 15731,6 4,197 -0,2 2.031.460 1,56 0,6 410,7 3320,0 19488,4 4,290 -0,2

6

y = 0,2759x - 1,3677R2 = 0,9695

-0,7

-0,6

-0,5

-0,4

-0,3

-0,2

-0,1

0,0

0,1

0,2

0,3

2,5 3 3,5 4 4,5 5

log (w acumulado)

log

(V/L

)

Gráfico 1: Elasticidade de Substituição - σ

Comentários sobre os resultados da estimação de σ :

⋅ Elasticidade de substituição – σ = 0,28. ⋅ Segundo SHESHINSKY (1967) – valores de sigma geralmente < 1. ⋅ Para indústrias químicas americanas em 1957 - σ ~ 0,8 conforme tabela 1

(SHESHINSKY, pag573; 1967). Elasticidade de substituição – σ = 0,28- este coeficiente está abaixo de valores observados na industria química, significando que os gastos com salário tiveram menor influência sobre o aprendizado R²: refere-se á correlação da curva apresentada, valores mais próximos de 1,00 indicam uma boa correlação entre os dados e a curva desenhada. Estimação de ß elasticidade em relação ao tempo/coeficiente de progresso técnico: Para a determinação do coeficiente de progresso técnico, que relaciona aprendizado com o tempo decorrido, utilizamos a seguinte expressão simplificada: Equação simplificada: Então, conhecendo a produção acumulada em função do tempo de produção acumulado (e considerando K constante), beta pode ser determinado. A Tabela 2 mostra os dados obtidos na unidade e os resultados dos cálculos do parâmetro β, conforme representado no Gráfico 2.

Tabela 2: Dados experimentais para cálculo de β Produção acumulada (t) Tempo acumulado

39,17 144 127,88 376

493,955 976 763,52 1392 1181,4 2048 1620,8 2680

teCteKV β.=⎟⎠⎞

⎜⎝⎛

7

2031,46 3320 2409,15 3759

2862,572 4170

y = 109,6e0,0009x

R2 = 0,8266

0

500

1000

1500

2000

2500

3000

3500

4000

4500

5000

0 500 1000 1500 2000 2500 3000 3500 4000 4500

Horas trabalhadas acumuladas

Prod

ução

acu

mul

ada

(ton)

Gráfico 2: β com produção e tempo acumulados

Comentários sobre os resultados da estimação de β :

⋅ Coeficiente de progresso técnico – ß = 0,0009 ⋅ Valores fornecidos pela tabela 2 (SHESHINSKY, pág. 575; 1967) para indústrias

químicas nos EUA em 1957: 0,0023 e -0,0004.

Um valor positivo desse coeficiente beta significa um aprendizado positivo com o tempo, os valores de beta são geralmente baixos (ex: EUA, 1957 – valores entre 0,0023 e -0,0004). Isso significa que o tempo não é o principal fator de aprendizado.

Estimação da Elasticidade – α: Para o cálculo de alfa, utilizam-se os coeficientes sigma e alfa anteriormente determinados, por meio da equação simplificada:

PCteKV log)1(log 1 σα −+=⎟⎠⎞

⎜⎝⎛

A Tabela 3 mostra os dados obtidos na unidade e os resultados dos cálculos do parâmetro α, conforme representado no Gráfico 3 .

Tabela 3: Dados experimentais – unidade II para cálculo de α Produção

acumulada P (t) Produção V (t) log P log V

39,17 39,17 1,59295 159295 127,88 88,71 2,10680 1,94797

493,955 366,075 1,69369 2,56357 763,52 269,565 2,88282 2,43066 1181,4 417,88 3,07240 2,62105 1620,8 439,4 3,20973 2,64286

8

2031,46 410,66 3,30781 2,61348 2409,15 377,69 3,38186 2,57714 2862,572 453,422 3,45676 2,65650

y = 0,566x + 0,7885R2 = 0,9035

1

1,2

1,4

1,6

1,8

2

2,2

2,4

2,6

2,8

3

1,5 2 2,5 3 3,5 4

Log (Produção Acumulada - ton)

Log

(Pro

duçã

o - t

on)

Gráfico 3 : Levantamento de α para unidade II

Comentários sobre os resultados da estimação de α :

⋅ α (1-σ) = 0,57 ⋅ Como σ = 0,28 obtemos α = 0,79 ⋅ Nosso caso – alfa > 0

Podemos observar que o aprendizado é positivo, o que indica que à medida que há um aumento da produção, há um aprendizado.Igualmente conforme esperado quanto maior a produção acumulada, maior o aprendizado.

9

DISCUSSÃO Nosso objetivo foi centrar a avaliação do coeficiente de aprendizagem α obtidos da construção da curva de aprendizagem baseada na unidade II de centrifugação de filtro invertido. Também pretendíamos determinar o coeficiente de elasticidade de substituição σ, necessário para a obtenção de α e compará-lo com os valores de σ atualizados no artigo de KLUMP, MCADAM e WILLMAN (2004) A equação utilizada é a mesma utilizada por SHESHINSKY (1967, função CES de ARROW), porém nesse artigo há indicação de outras possibilidades de aproximação para o cálculo de σ (CES). Os dados são referentes apenas aos países e não há especificação do tipo de indústria.

Curva de Aprendizagem

y = 87,148x-0,2985

R2 = 0,9149

0,00

0,50

1,00

1,50

2,00

2,50

3,00

3,50

4,00

0 2.000.000 4.000.000 6.000.000 8.000.000 10.000.000 12.000.000 14.000.000 16.000.000

Produção Acumulada (kg)

Hor

as tr

abal

hada

s po

r lot

e de

100

0 kg

Gráfico 4 : – Curva de Aprendizagem – unidade II Tabela 4 : Curva de Aprendizagem – unidade II

Produção acumulada (kg)

Horas trabalhadas por lote de 1000kg

39.170 3,68 127.880 2,62 493.955 1,64 763.520 1,54

1.181.400 1,57 1.620.800 1,44 2.031.460 1,56 2.409.150 1,16 2.862.572 0,91 3.440.017 0,77 4.049.782 0,83

10

4.777.317 0,80 5.217.657 0,89 5.853.637 0,75 6.447.317 0,71 7.029.176 0,71 7.591.616 0,72 8.199.191 0,70 8.868.936 0,68 9.761691 0,65

10.524.921 0,58 11.198.431 0,64 11.835.286 0,65 12.212.916 0,70 12.474.531 0,86 13.119.186 0,69 13.878.451 0,65 14.455.901 0,82 14.999.521 0,73 15.722.591 0,66 16.534.721 0,64

Nota: Dados de produção (kg) x horas trabalhadas por lote O aprendizado é comprovado de maneira clara pelo Gráfico 4. No início de operação da linha, o tempo de produção de cada lote era de 3,7 horas, esse valor diminuiu consideravelmente com a produção acumulada, atingindo a estabilização após 9 meses (que corresponde a 4000 toneladas de produção acumulada).

11

O coeficiente de elasticidade de aprendizado é de 0,3, ou seja, cada vez que a produção cumulativa dobra, a hora trabalhada cai 20% até a estabilização do sistema.

Quadro 1: Fatores de Substituição e Fatores de aumento de progresso técnico Fonte: Klump, MCadam e Willman, 2004 De acordo com os dados da Quadro 1, os valores estão próximos dos valores da zona do euro considerando Harrold-Neutral em WILLIANS (2002). A equação utilizada nesse estudo é a mesma utilizada por SHESHINSKY (função CES de ARROW), porém ele fala nesse artigo de outras possibilidades de aproximação para o cálculo de sigma. Ele afirma também no resumo que utilizar a função Cobb-Douglas significa que sigma vale 1. Embora os valores dos coeficientes tenham se confirmado conforme o estudo anterior de SHESHINSKY (1967, função CES de ARROW) o interesse maior está na utilização dos dados obtidos para utilização no desenvolvimento do projeto da unidade III. O objetivo era obter uma unidade com desempenho superior ao da unidade II e atingir o aprendizado em 10% do tempo total investido no aprendizado da unidade II.

Study Countries Sample (Frequency)

Assumption On Technological

Change

Estimated Elasticity Of Substitution

Lewis and Kirby (1988) Australia 1967-1987

(Weekly) Hicks-Neutral 0.78

Easterly and Fischer (1965)

Soviet Union 1950-1987 (Annual) Hicks-Neutral 0.37

Andersen et al. (1999)

Panel of 17 OECD contries 1966-1996 (Annual) Hicks-Neutral 1.12

Bolt and van Els (2000)

Áustria Belgium Germany Denmark

Spain Finland France Italy

Netherlands Sweden

UK US

Japan

1971-1996 (Quarterly) Hicks-Neutral

0.24 0.78 0.53 0.61

1 0.34 0.73 0.52 0.27 0.68 0.6

0.82 0.3

Duffy and Papageorgiou

(2000)

82 developed and developing countries

160-1987 (Annual) Hicks-Neutral 1.4

Ripatti and Vilmunen

(2001) Finland 1975-1999

(Quarterly) Factor

Augmenting 0.6

Willman (2002) Euro area 1970-1997 (Quarterly)

Harrod Neutral Hicks Neutral Solow Neutral

0.37-Infinity 0.66-2.23

0.95-1.05 (a)

Berthold et al. (2002)

US Germany France

1970-1995 (Semi-Annual) Harrod-Neutral

1.15 1.45 2.01

Bertolila and Saint-Paul

(2003)

Panel of 13 industries in 12 OECD countries

1972-1993 (Annual) Harrod-Neutral 1.06

McAdam and Willman (2004a) Germany 1983-1999

(Quarterly) Hicks-Neutral 0.7-1.2

12

Dessa forma todos os problemas técnicos encontrados na unidade II foram documentados e organizados da seguinte forma:

• Alimentação do Processo: dificuldades nas operações de alimentação como controle de tempo e consistência do produto.

• Parâmetros do Processo: variações nos ajustes de velocidade de alimentação ou velocidade de centrifugação

• Parâmetros do Equipamento: vibrações na centrífuga durante a alimentação, falhas em controles elétricos, bloqueio de válvulas rotativas ou roscas de transferências e acúmulo de produto por geometria da instalação.

O segundo ponto considerado foi a confirmação do desempenho superior para novos produtos:

• Consumo de álcool muito mais baixo – redução de 33% em relação ao consumo nas linhas em operação e rendimento 10% maior em recuperação de fibras (perda de rendimento) quando comparado com as unidades em operação. Operação automatizada com menor potencial de erros humanos - Repetibilidade e consistência do produto.

• Maior segurança operacional minimizando os riscos de acidentes, por exemplo, risco de alto teor de oxigênio no silo. Redução do tempo de set-up e mais importante a confirmação da capacidade produtiva para os produtos com tecnologia para tintas importante para o direcionamento estratégico da unidade de negócio.

O ponto final e mais importante para o processo para transferência do conhecimento foi a forma adotada para as incorporações das soluções para eliminar os problemas detectados na unidade II. Primeiro a definição da equipe do projeto:

• Seleção de equipe multidisciplinar com formação e experiência diversificada considerando inclusive aspectos de personalidade (profissionais voltados para a ação, para reflexão e para inovação).

• A equipe participou desde o início do projeto sendo responsável pela definição da tecnologia e processo, análise de riscos operacionais, aprovações das diferentes etapas do projeto, inspeção e testes de operação na instalação do fornecedor, montagem e operação da unidade.

• A composição da equipe incluiu técnicos da empresa detentora da tecnologia, engenharia de processos, engenharia de montagem, engenharia de manutenção, especialistas de produção e segurança e operadores de produção.

Segundo, a confirmação da tecnologia pela equipe escolhida através da análise comparativa do desempenho das unidades de alcoolização em operação. A empresa tem cinco unidades produtivas com três processos tecnologicamente diferentes. Foram analisamos os aspectos de excelência operacional como:

• Capacidade de produção para todos os tipos de produto • Fatores de produção (insumos e mão de obra) • Qualidade do produto produzido – desempenho e consistência • Segurança operacional • Capacidade de operar com diferentes misturas de celulose (matéria prima) • Alto desempenho para produtos de tecnologia (mercado com taxa de

crescimento maior)

13

• Priorização dos aspectos de excelência operacional para a escolha da tecnologia mais adequada.

Finalmente os resultados obtidos com a unidade III em operação para confirmar o acerto da metodologia adotada. Segue abaixo tabela comparativa dos resultados documentados nas unidades operacionais:

UNIDADE I UNIDADE II UNIDADE III

V (output-kg/hora) 1.000 1.000 1.000 Investimento 1.000 2.200 2.400

Tempo de aprendizagem Estabilidade Alcançada Estável após 9 meses Estabilidade após 15 dias

Não aplicável 0,79 0,76 Não aplicável 0,0009 0,1248

Coeficiente de Aprendizado (σ) Coef. de Progresso Técnico (β) Elasticidade de Substituição (σ) Não aplicável 0,28 0,4

Linha Contínua Descontínua Descontínua

Aprendizado Aprendizado acumulado tácito sem

gestão do conhecimento

Aprendizado técnico documentado c/ gestão

do conhecimento

Aprendizado técnico aplicado e documentado c/

gestão do conhecimento

Produto standard Atende novas tecnologias

Atende novas tecnologias

Melhorias Alta perda no processo e no consumo de álcool

Redução da perda em 10% e consumo de

álcool em 33%

Redução da perda em 10% e consumo de álcool em 33%

Tabela 6: Dados comparativos das unidades em operação CONCLUSÕES Podemos concluir que houve uma aprendizagem na nova linha de alcoolização. Todos os coeficientes determinados tiveram valores positivos. Ou seja, todos os fatores analisados contribuíram para esse aprendizado. Se compararmos os diferentes coeficientes, podemos dizer que a aprendizagem ocorreu sobretudo devido ao investimento de capital em novas tecnologias associada aos processos de transferência de tecnologia. A contribuição dos profissionais com experiência e formação adequada são fatores críticos para o sucesso de empreendimentos como esse. Aprimorar a metodologia de gestão do conhecimento adquirido, aplicá-lo de forma consistente nas diversas áreas operacionais é o desafio maior de qualquer equipe de gestão que busca a excelência e cujo produto é sensível às variações de preço. O tempo é o fator com menor influência na produção. A curva de aprendizagem deve ser vista com cuidado quando consideramos a estratégia de minimização dos custos. Mudanças tecnológicas drásticas advindas de inovação podem alterar significativamente o processo produtivo tornando nulos os ganhos de produtividade obtidos de treinamento e acumulo de experiência da equipe operacional. É preciso reconhecer que as condições que estimulam a inovação são diferentes daquelas que favorecem a eficiência e altos volumes em operações já estabelecidas. (W.J. Abernathy e Kenneth Wayne, 1974)

14

A maioria das aplicações de curva de aprendizagem confunde três fontes de redução de custos: progresso exógeno (avanço tecnológico e clientes), efeitos de economia de escala e melhorias aprendidas de produção acumulada. Variações na inclinação da curva de aprendizagem estão associadas a diferenças em investimentos em R&D, produtos de capital intensivo de indicaram que o aprendizado é definido como uma função da produção industrial e do investimento acumulados do que tempo.Em produção temos uma limitação adicional quanto ao aprendizado que é a mudança constante da equipe operacional seja por oportunidades para os atuais componentes, seja pela substituição dos profissionais que não se ajustam ao perfil desejado para a equipe operacional. Esta perda do conhecimento não é medida pela teoria associada às curvas de aprendizagem. O trabalho finalizado nos indicou um caminho a seguir. A coleta de informação de aprendizado e do investimento acumulado, nos permitirá melhores decisões no futuro. Além da aplicação dos mesmos conceitos na unidade III incluiremos uma simulação dos dados obtidos tanto quantitativos como qualitativos para obter melhor controle do conhecimento adquirido. REFERÊNCIAS BIBLIOGRÁFICAS ABERNATHY, W.J.; WAINE, K, Limits of the learning curve, Harvard Business Review,

Sep-Oct 1974, p. 109-118 ADLER, PAUL S., CLARK, KIM B., Behind the Learning Curve: A Sketch of The Learning

Process, Management Science, Vol. 37 nº 3, March 1991, pp. 267-281 BOHN, ROGER E., Measuring and Managing Technological Knowledge, Sloan Management

Review, Vol. 36 nº 1, Fall 1994 GHEMAWAT, P., Building Strategy on the experience curve, HBR, March-April 1985 KLUMP R., MCADAM P. e WILLMAN A. Factor Substitution and Factor Augmenting

Technical Progress in the US: A Normalized supply-side approach. Working Paper Series nº 367. June, 2004.

LAPRÉ, MICHAEL A.; WASSENHOVE, LUK N., Managing Learning Curves in Factories by Creating and Transferring Knowledge, California Management Review, Vol 46 nº 1, Fall 2003

LIEBERMAN, M. B. The learning curve and pricing in the chemical processing industries, RAND Journal of Economics vol.15, nº 2, 1984, pp. 213-228

PINDYCK, R.S.; RUBINFELD, D.L., Microeconomia 6 ed. São Paulo: Ed Pearson, 2005 SHESHINSKY, E., Tests of the Learning-by-Doing hypothesis, Review of Economics and

Statistics, vol.49, nº 4, 1967, p.568S-578 SPENCE, A.M., The learning curve and competition, The Bell Journal of Economics, Vol.12,

nº 1(Spring 1981), p. 49-70 WICKHAM, S., The focused factory, Harvard Business Review May-June 1974, p. 113 WRIGHT, T.P., Learning Curve, Journal of the Aeronautical Sciences, Feb 1936