VENTILATION DU CARTER

O presente estudo objetivou demonstrar o desenvolvimento e a evolução da literatura dos modelos dinâmicos DEA, por meio da proposição de taxonomias e identificação de relações entre as modelagens. A proposta foi motivada pelo pequeno número de pesquisas realizadas no Brasil sobre essa temática, em especial, a inexistência de trabalhos que discutissem a estrutura das diversas modelagens dinâmicas. No âmbito internacional, em contraposição, são continuamente sinalizadas as vantagens da modelagem DDEA em comparação aos modelos DEA clássicos.

Ao longo desta pesquisa foi possível mapear a evolução da literatura de modelos dinâmicos no âmbito da Análise Envoltória de Dados, por meio da estruturação de artigos publicados sobre o tema em revistas indexadas na base de dados internacional Scopus. A amostra totalizou 48 trabalhos publicados no período de 1996 a 2015.

As primeiras pesquisas identificadas sobre a modelagem DDEA foram: Färe e Grosskopf (1996), Sengupta (1996) e Nemoto e Goto (1999). Anteriormente, muito já havia sido publicado e investigado sobre avaliações intertemporais do desempenho, contudo, estes modelos DDEA primeiramente inseriram os elementos de transição entre suas variáveis para representar a dependência da DMU entre períodos de tempo.

Após tais desenvolvimentos, diversos estudos foram realizados com modelagem dinâmica. A sistematização desta pesquisa demonstrou um aumento na quantidade de trabalhos com DDEA nos últimos anos e um forte indicativo de crescimento nas publicações. A temática também foi apontada como tendência entre os campos de pesquisa DEA e com potencial para maior aprofundamento e desenvolvimento de estudos, em especial, na abordagem DNDEA (AVKIRAN e PARKER, 2010; LIU et al, 2013a; KAO, 2014).

Os trabalhos identificados na literatura foram classificados conforme critérios de Liu et

al (2013b) em abordagens: teórica, teórica e prática e apenas prática. De modo geral, o

mapeamento da literatura indicou que os trabalhos de DDEA são motivados pela necessidade de avaliação da eficiência dinâmica dos sistemas atuais, mediante a busca de medidas mais discriminantes e acuradas para análise temporal. Desta forma, mais de 80% dos estudos possuem abordagem teórica e prática ou apenas prática, de modo que versam a aplicação de modelos com dados reais de algum setor de mercado. Ao analisar as áreas abordadas até o momento, verifica-se que o setor agropecuário, seguido por finanças e serviços possuem maior quantidade de estudos aplicados.

Com o mapeamento dos trabalhos e a análise das tipologias de pesquisa identificaram-se três fases da evolução da literatura: (1) desenvolvimento; (2) aperfeiçoamento; (3) aplicação. A fase de desenvolvimento caracterizou a introdução dos modelos dinâmicos na Análise Envoltória de Dados motivada pelas limitações das modelagens na avaliação do desempenho intertemporal. A etapa de aperfeiçoamento contemplou o período de aprimoramento dos modelos iniciais DDEA, a inserção de conceitos relacionados a outras técnicas e o desenvolvimento de novos modelos que combinam modelagens DEA mais robustas para avaliar sistemas mais complexos.

A terceira fase caracteriza o período atual da literatura e emblema a disseminação dos modelos por meio das diversas aplicações de modelagens já estabelecidas. Destaca-se, em especial, a existência do software DEA Solver Pro, que contempla os modelos DDEA de Tone e Tsutsui (2010; 2014), como um dos fatores motivadores do recente aumento do número de trabalhos práticos.

Com base no comportamento da literatura, pode-se prenunciar que a fase de aperfeiçoamento dos modelos dinâmicos deverá se repetir nos próximos anos dando continuidade a inclusão e o avanço de abordagens DEA diversas. Assim como foi observada a complementação de modelagens nos casos: DDEA e DEA Malmquist; DDEA, DEA fuzzy e programação multi-objetivo; DDEA e NDEA, etc. Vislumbra-se a tendência de continuidade desses avanços com o desenvolvimento de pesquisas para modelos ainda mais adaptados as situações reais.

A sistematização dos trabalhos dinâmicos, por meio da observação das conexões entre os estudos, permitiu identificar os modelos estruturantes da literatura DDEA: Färe e Grosskopf (1996), Nemoto e Goto (1999) e Tone e Tsutsui (2010). Esses trabalhos fundamentaram a construção e o aprimoramento de outros modelos dinâmicos e também foram aplicados para avaliação do desempenho. A compreensão dessas modelagens é de grande importância para o início de qualquer estudo com DDEA, ainda mais por se tratar de abordagens com características distintas.

Após a identificação dos modelos estruturantes foi possível diferenciar e classificar as abordagens dos modelos DDEA. Para tanto, observou-se inicialmente o relacionamento dos trabalhos com as modelagens estruturantes em termos de fundamentações e aplicações, a fim de identificar particularidades decorrentes dos estudos precursores na formulação do modelo.

A classificação adotou como critério a estrutura da modelagem no que diz respeito a: função objetivo, restrições e comportamento do elemento intermediário. Com base nesses fatores, além dos modelos estruturantes, se propôs as seguintes classes: (a) benchmarking do intermediário; (b) efeitos defasados; (c) otimização de inputs; (d) restrições agregadas; (e) híbridos.

A classe de benchmarking do intermediário apresenta modelos fundamentados nas contribuições de Färe e Grosskopf (1996), que buscam a maximização da eficiência com base na distância do output. Tais modelagens tratam o intermediário simultaneamente como parâmetro e variável do modelo, a fim de comparar o desempenho ótimo com o observado e sugerir melhorias de ajustes para as DMUs.

A classe de efeitos defasados também está relacionada com o modelo de Färe e Grosskopf (1996). Esta abordagem possui particularidades na modelagem do intermediário, pois trabalha com uma matriz de efeitos defasados de produção. Os efeitos indicam o impacto de determinado input na produção de output do período em análise e nos períodos subsequentes.

A taxonomia denominada otimização de inputs variáveis e intermediários está fundamentada no trabalho estruturante de Nemoto e Goto (1999). Os modelos que compõem esta classe utilizam a função objetivo com o foco de minimização de custos e apresentam os inputs (variáveis e intermediários) como parâmetro e variável do modelo, a fim de calcular as medidas de ineficiência.

Os estudos pertencentes a classe de restrições agregadas possuem encadeamento com as modelagens estruturantes de Färe e Grosskopf (1996) e Nemoto e Goto (1999). A função objetivo destes modelos é formulada com base no modelo fracionário CCR com a razão

dos outputs pelos inputs. A característica principal da classe está em apresentar poucas restrições, que agregam diferentes elementos do modelo como o somatório de todas as entradas da DMU menos o somatório de todas as saídas da DMU. Além disso, consideram o intermediário apenas como parâmetro da modelagem.

A classe de modelos híbridos possui fundamentação de todos os modelos estruturantes. Esta é composta por modelagens, distribuídas em cinco subclasses, que unem particularidades de modelos DEA já consolidados com a modelagem dinâmica.

Observam-se as seguintes subclasses: (a) função distância direcional, caracteriza-se por adotar a otimização por meio de um vetor direção para os elementos do modelo e buscar a máxima contração e expansão nessa direção, conjuntamente com a modelagem dinâmica; (b) folgas não radiais, que relaciona os modelos não radiais ao DDEA e utiliza folgas não radiais para o cálculo da eficiência dinâmica; (c) DNDEA, que combina a estrutura de redes e inclui sub-DMUS e links entre estas divisões na modelagem DDEA; (d) dinâmica fuzzy, que permite a inserção de conjuntos não determinísticos e funções de grau de pertinência para representar incerteza decorrente do modelo DEA fuzzy na estrutura DDEA; e, (e) DEA Malmquist dinâmico, que insere o modelo dinâmico na formulação do DEA Malmquist para calcular variações da eficiência e mudanças de tecnologia com a consideração de elementos intermediários.

Conforme discutido, o trabalho de Fallah-fini et al (2014) apresentou cinco fatores que relacionam a dinâmica em ambientes produtivos e, por meio destes, classificou os modelos DDEA. Apesar da semelhança entre os trabalhos, a classificação apresentada nesta pesquisa buscou contribuir com a literatura ao restringir o escopo com apenas modelagens de Análise Envoltória de Dados.

A classificação elaborada avalia a estrutura da formulação das modelagens e o encadeamento dos modelos ao longo da evolução da literatura, a fim de verificar peculiaridades resultantes da fundamentação dos trabalhos. Nesse sentido, mesmo com a amostra e o crivo de seleção dos modelos distintos, a pesquisa de Fallah-fini et al (2014) e o presente estudo se complementam e colaboram com a literatura e a compreensão da complexidade dos modelos DDEA.

Assim como observado por Fallah-fini et al (2014), é possível identificar dentre as taxonomias discutidas diferentes níveis de utilização das abordagens. O maior quantitativo de trabalhos desenvolvidos se concentra na classe de modelos híbridos, especialmente, na subclasse folgas não radiais com treze estudos, seguida pela classe de otimização dos inputs variáveis e intermediários representada por nove pesquisas. No caso da revisão de Fallah-fini et al (2014), a maioria dos modelos dinâmicos relacionam-se com os fatores de custos de ajustes e capital. Paralelamente, na classificação proposta nesta pesquisa, tais fatores dinâmicos estão relacionados com a classe de otimização. As modelagens sistematizadas com folgas não radiais, contudo, não são contempladas na revisão de Fallah-fini et al (2014).

Em contrapartida, a classe de efeitos defasados e a subclasse híbrida DEA Malmquist dinâmico possuem apenas um estudo cada, o que indica uma lacuna na literatura a ser explorada. Fallah-fini et al (2014) relacionam o estudo representativo de efeitos defasados (CHEN e DALEN, 2010) com o fator de atrasos de produção, enquanto que a modelagem DEA Malmquist dinâmico não é considerada na revisão. Para o estudo de Fallah-fini et

al (2014), os modelos referentes a questões dinâmicas associadas com estoques são os

que receberam menor atenção nos últimos anos e dentre os trabalhos sistematizados pelos autores está a modelagem estruturante de Färe e Grosskopf (1996).

Com a identificação das classes de modelos DDEA, foi possível estabelecer comparações entre a estrutura das modelagens, tendo em vista que cada categoria foi introduzida com um modelo representativo. Nesse sentido, observaram-se semelhanças e diferenças de fatores como: a consideração das condições iniciais e finais do intermediário, os tipos de elementos de transição, as variáveis, os parâmetros, quantidade de restrições e as medidas de eficiência global e do período.

Como resultado da taxonomia proposta, foi possível construir um fluxograma a fim de sugerir por meio de questões-chaves a classe de modelos mais indicada para o pesquisador/decisor que deseja trabalhar com DDEA. O que pode auxiliá-lo na escolha da modelagem apropriada com o refinamento de um conjunto mais reduzido de trabalhos ao invés de toda a literatura DDEA.

Diante do exposto, considera-se que a presente pesquisa cumpriu o objetivo pretendido e se mostrou relevante para a compreensão inicial dos modelos dinâmicos DEA. Desta forma, espera-se que esta revisão contribua para o desenvolvimento de novos estudos no Brasil e estimule a avaliação da eficiência dinâmica em diversos segmentos de mercado. Em especial, observa-se uma crescente aplicação dessa modelagem nos outros países em setores ainda não avaliados no Brasil como: agropecuária, serviços e energia elétrica. Como limitação deste trabalho e proposição de pesquisas futuras, destaca-se a possibilidade de rodar os diferentes modelos, prioritariamente os estruturantes e em seguida as demais classes, a fim de compará-los mediante uma composição padrão de dados. Isso permitiria observar o impacto da formulação das modelagens (funções objetivo, restrições e variáveis) no resultado das medidas de eficiência, bem como complementaria a análise já iniciada quanto à classe de modelos mais favorável para determinadas situações de pesquisa ao sinalizar eventuais lacunas nos modelos.

REFERÊNCIAS

AKTHER, S.; FUKUYAMA, H.; WEBER, W. L. (2013), Estimating two-stage network slacks-based inefficiency: an application to Bangladesh banking, Omega, v.41, n.1, p. 88–96.

ALPEROVYCH, Y.; AMESS, K.; WRIGHT, M. (2013), Private equity firm experience and buyout vendor source: What is their impact on efficiency?, European Journal of Operational Research¸ v. 228, p.601-611.

ALTHIN, R.; BEHRENZ, L.; FÄRE, R.; GROSSKOPF, S.; MELLANDER, E. (2010), Swedish employment offices: A new model for evaluating effectiveness, European Journal of Operational Research¸ v. 207, n. 3, p. 1535-1544.

ANDERSEN, P.; PETERSEN, N. C. (1993), A procedure for ranking efficient units in DEA, Management Science, v. 39, p. 1261–1264.

ANDERSSON, C.; MǺNSSON, J.; SUND, K. (2014), Technical efficiency of Swedish employment offices, Socio-Economic Planning Sciences, v. 48, p. 57-64.

AVKIRAN, N. K. (in press), An illustration of dynamic network DEA in commercial

banking including robustness tests, Omega,

http://dx.doi.org/10.1016/j.omega.2014.07.002.

AVKIRAN, N. K.; GOTO, M. (2011), A tool for scrutinizing bank bailouts based on multi-period peer benchmarking, Pacific-Basin Finance Journal, v.19, n. 5, p.447-469. AVKIRAN, N. K.; MCCRYSTAL, A. (2013), Dynamic network range-adjusted measure vs. dynamic network slacks-based measure. Workshop on Dynamic and Network DEA 2013, January 29-30, National Graduate Institute for Policy Studies, Tokyo.

AVKIRAN, N. K.; MCCRYSTAL, A. (2014), Intertemporal analysis of organizational productivity in residential aged care networks: scenario analyses for setting policy targets, Health Care Management Science, v. 17, n. 2, p.113-125.

AVKIRAN, N. K.; PARKER, B. R. (2010), Pushing the DEA research envelope, Socio- Economic Planning Sciences, v. 44, n. 1, p. 1-7.

BANKER, R. D. (1993), Maximum Likelihood, Consistency and Data Envelopment Analysis: A Statistical Foundation, Management Science, v.39, n.10, p.1265–1273. BANKER, R. D. (1996), Hypothesis Tests Using Data Envelopment Analysis, Journal of Productivity Analysis, v.7, n. 2-3, p. 139–159.

BANKER, R. D.; CHARNES, A.; COOPER, W. W. (1984), Some models for estimating technical and scale inefficiencies in data envelopment analysis, Management Science, v. 30, n.9, p. 1078-1092.

BANKER, R. D.; COOPER, W. W.; SEIFORD, L. M.; THRALL, R. M.; ZHU, J. (2004), Returns to scale in different DEA models, European Journal of Operational Research, v. 154, n. 2, p. 345-362.

BANKER, R. D.; THRALL, R. M. (1992), Estimation of returns to scale using data envelopment analysis, European Journal of Operational Research, v. 62, n. 3, p. 74- 84.

BARBOSA, A. Pode a regulação econômica melhorar o desempenho econômico- financeiro e a universalização dos serviços de águas e esgotos no Brasil?, VII Prêmio SEAE 2012 – Advocacia da Concorrência e Regulação Econômica, 2012. Disponível em: <https://www.google.com.br/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja &ved=0CC4QFjAA&url=http%3A%2F%2Fwww.esaf.fazenda.gov.br%2Fpremios%2F premios-1%2Fpremios%2Fviii-premio-seae-de-monografias-edicao-

2013%2Fmonografias-2012%2Flivro-2012%2F2-lugar-tema-

2&ei=2OkwUry9BMHe7Aas6oC4BA&usg=AFQjCNHc_kQ_Gq2LZq3pfRCACicQ- 5k2ug&bvm=bv.52109249,d.ZGU>. Acesso em: 10 ago 2013.

BINDER, M.; HSIAO, C.; PESARAN, M. (2005), Estimation and inference in short panel vector autoregressions with unit roots and cointegration, Econometric Theory, v. 21, n. 4, p.795–837.

BOGETOFT, P.; FÄRE, R.; GROSSKOPF, S.; HAYES, K.; TAYLOR, L. (2009), Dynamic Network DEA: an illustration, Journal of the Operations Research, v. 52, n. 2, p. 147-162.

BORENSTEIN, D.; BECKER, J. L.; PRADO, V. J do. (2004), Measuring the efficiency of Brazilian post office stores using data envelopment analysis, International Journal of Operations & Production Management, v. 24, n.10 p. 1055 – 1078.

CHARNES, A.; CLARKE, C.; COOPER, W.W.; GOLANY, B. (1985b), A development study of DEA in measuring the effect of maintenance units in the U.S. Air Force, Annals of Operations Research, v. 2, p. 95–112.

CHARNES, A.; COOPER, W. W.; GOLANY, B.; SEIFORD, L. M.; STUTZ, J. (1985a), Foundations of data envelopment analysis and Pareto-Koopmans empirical production functions, Journal of Econometrics, v. 30, p. 91-107.

CHARNES, A.; COOPER, W. W.; RHODES, E. L. (1978), Measuring the efficiency of decision making units, European Journal of Operational Research, v. 2, p. 429–444. CHEN, C. M. (2009), A network-DEA model with new efficiency measures to incorporate the dynamic effect in production networks, European Journal of Operational Research, v.194, p.687-699.

CHEN, C. M.; DALEN, J. (2010), Measuring dynamic efficiency: theories and an integrated methodology, European Journal of Operational Research, v.203, p.749– 760.

CHEN, P-C. (2012), Measurement of technical efficiency in farrow-to-finish swine production using multi-activity network data envelopment analysis: evidence from Taiwan, Journal of Productivity Analysis, v. 38, n. 3, p. 319-331.

CHUNG, Y.; FÄRE, R.; GROSSKOPF, S. (1997), Productivity and undesirable outputss: a directional distance function approach, Journal of Environmental Management, v. 51, n. 3, p. 229–240.

COELLI, T. J.; RAO, D. S. P.; O’DONNELL, C. J.; BATTESE, G.E. (2005), An Introduction to Efficiency and Productivity Analysis, 2nd ed., Springer Science Business Media, New York.

COOK, W. D.; SEIFORD, L. M. (2009), Data envelopment analysis (DEA) – Thirty years on, European Journal or Operational Research, v. 192, p. 1-17.

COOK, W. D.; SEIFORD, L. M.; ZHU, J. (2013), Data envelopment analysis: the research frontier. Omega, v. 41, p. 1-2.

COOPER, W. W.; PARK, K.; PASTOR, J. T. (1999), RAM: Range adjusted measure of inefficiency for use with additive models and relations to other models and measures in DEA, Journal of Productivity Analysis, v. 11, n. 1, p. 5-42.

COOPER, W. W.; SEIFORD, L. M.; TONE, K. (2007), Data envelopment analysis: a comprehensive text with models, applications, references and DEA-Solver Software, 2nd. ed., Springer, New York.

COOPER, W. W.; SEIFORD, L. M.; ZHU, J. (2011), Handbook on Data Envelopment Analysis, 2. ed., Springer, New York.

COOPER, W.W.; SEIFORD, L.M.; TONE, K. (2006), Introduction to Data Envelopment Analysis and its Uses, New York, Springer.

COSTA, E. M. Financiamento, alocação de recursos e eficiência das Instituições Federais de Ensino Superior – IFES. 2010. Tese (Doutorado) – Universidade Federal de Pernambuco, Recife, 2010.

COSTA, E. M.; SOUZA, H. R.; RAMOS, R. S.; SILVA, J. L. M. (2012), Eficiência e desempenho no ensino superior: uma análise da fronteira de produção educacional das IFES brasileiras, Revista de Economia Contemporânea, v. 16, n.3, p. 415-440.

DE MATEO, F.; COELLI, T.; O’DONNELL. C. (2006), Optimal paths and costs of adjustment in dynamic DEA models: with applications to Chilean department stores, Annals of Operations Research, v.145, n.1, p. 211–227.

DÍAZ- HERNANDEZ, J. J.; MARTINEZ-BUDRIA, E.; SALAZAR-GONZALEZ, J. J. (2014), Measuring cost efficiency in the presence of quasi-fixed inputs using dynamic Data Envelopment Analysis: The case of port infrastructure, Maritime Economics & Logistics, v. 16, p. 111-126.

DYSON, R. G.; ALLEN, R.; CAMANHO, A. S.; PODINOVSKI, V. V. (2001), Pitfalls and protocols in DEA, European Journal of Operational Research, v. 132, p. 245-259. EMROUZNEJAD, A. (2003), An alternative DEA measure: A case of OCED countries, Applied Economic Letters, v. 10, n. 12, p. 779‐782.

EMROUZNEJAD, A.; PARKER, B. R.; TAVARES, G. (2008), Evaluation of research in efficiency and productivity: A survey and analysis of the first 30 years of scholarly literature in DEA, Socio-Economic Planning Sciences, v.42, n.3, p. 151-157.

EMROUZNEJAD, A.; THANASSOULIS, E. (2005), A mathematical model for dynamic efficiency using Data Envelopment Analysis, Applied Mathematics and Computation, v. 160, p. 363-378.

EMROUZNEJAD, A.; THANASSOULIS, E. (2010), Measurement of productivity index with dynamic DEA, International journal of operational research, v.8, n.2, p. 247- 260.

FALLAH-FINI, S.; TRIANTIS, K.; JOHNSON, A. L. (2014), Reviewing the literature on non-parametric dynamic efficiency measurement: state-of-the-art, Journal of Productivity Analysis, v.41, n.1, p. 51-67.

FÄRE, R. Fundamentals of production theory, Springer-Verlag., Berlin, 1988.

FÄRE, R. S.; GROSSKOPF, S. (2000), Network DEA, Socio-Economic Planning Sciences, v. 34, n. 1, p. 35-49.

FÄRE, R.; GROSSKOPF, S. (1997), Efficiency and productivity in rich and poor countries. In B.S. Jensen and K.Wong (eds.): Dynamics, Economic Growth, and International Trade, The University of Michigan Press, Ann Arbor, p.243–264.

FÄRE, R.; GROSSKOPF, S. Intertemporal Production Frontiers, Kluwer Academic Publishers, Boston, 1996.

FÄRE, R.; GROSSKOPF, S.; LOVELL, C. A. Measurement of Efficiency of Production . Kluwer-Nijhoff Publishing Co., Boston, 1985.

FÄRE, R.; GROSSKOPF, S.; WHITTAKER, G. Network DEA. In: Zhu, J., Cook, W.D. (Eds.), Modelling Data Irregularities and Structural Complexities in Data Envelopment Analysis. Springer-Verlag Inc., New York, p. 1–12, 2007.

FÄRE, R.; GROSSKOPOF, S.; MARGARITIS, D.; WEBER, WL. (2012), Technological change and timing the reduction of greenhouse gas emissions, Journal of Productivity Analysis, v. 37, p. 205-216.

FÄRE, R.S.; GROSSKOPF, S.; LOVELL, C. A. K. Production Frontiers. Cambridge, University Press, 1994.

FØRSUND, F. R. (2010), Dynamic efficiency measurement, Indian Economic Review, v. 45, n. 2, p. 125-149.

FUKUYAMA, H.; WEBER, W. L. (2009), A directional slacks-based measure of technical inefficiency, Socio-Economic Planning Sciences, v. 43, n. 4, p. 274–287. FUKUYAMA, H.; WEBER, W. L. (2012), Estimating two-stage network technology inefficiency: an application to cooperative Shinkin banks in Japan, International Journal of Operational Research and Information Systems, v. 3, n.2, p. 1–22.

FUKUYAMA, H.; WEBER, W. L. (2013), A dynamic network DEA model with an application to Japanese cooperative Shinkin banks. In: PASSIOURAS, F. (Org.). Efficiency and productivity growth: modelling in the financial services industry. London: Wiley, 2013, cap. 9, p. 193-213.

FUKUYAMA, H.; WEBER, W. L. (in press), Measuring Japanese bank performance: a dynamic network DEA approach, Journal of Productivity Analysis, http://dx.doi.org/ 10.1007/s11123-014-0403-1.

GOLANY, B.; ROLL, Y. (1989), An application procedure for DEA. Omega, v. 17, n. 3, p. 237–250.

GOMES, E.G.; MANGABEIRA, J.A.C.; SOARES DE MELLO, J.C.C.B. (2005) Análise de envoltória de dados para avaliação de eficiência, caracterização de tipologias em agricultura: um estudo de caso, Revista de Economia e Sociologia Rural, v. 43, n. 4, p. 607-631.

GREEN, R.; COOK, W. D. (2004), A free disposal hull approach to efficiency measurement, Journal of the Operational Research Society, v. 55, p. 1059-1063. HUNG, S-W.; HE, D-S.; LU, W-M. (2014), Evaluating the dynamic performances of business groups from the carry-over perspective: A case study of Taiwan's semiconductor industry, Omega, v. 46, p. 1-10.

JAENICKE, E.C. (2000), Testing for intermediate outputs in dynamic DEA models: accounting for soil capital in rotational crop production and productivity measures, Journal of Productivity Analysis, v.14, p. 247–266.

JAFARIAN-MOGHADDAM, A.; GHOSEIRI, K. (2011), Fuzzy dynamic multi- objective Data Envelopment Analysis model, Expert Systems with Applications, v. 38, n. 1, p. 850-855.

JAFARIAN-MOGHADDAM, A.; GHOSEIRI, K. (2012), Multi-objective data envelopment analysis model in fuzzy dynamic environment with missing values, International Journal of Advanced Manufacturing Technology, v. 61, p. 771–785. JAIN, S.; TRIANTIS, K. P.; LIU, S. (2011), Manufacturing performance measurement and target setting: A data envelopment approach, European Journal of Operational Research, v. 214, p. 616-626.

KAO, C. (2009), Efficiency measurement for parallel production systems, European Journal of Operational Research, v.196, n. 3, p.1107-1112.

KAO, C. (2013), Dynamic data envelopment analysis: A relational analysis, European Journal of Operational Research, v.227, p. 325-330.

KAO, C. (2014), Network data envelopment analysis: A review, European Journal of Operational Research, v. 239, n. 1, p. 1-16.

KAO, C.; LIU, S.-T. (2000), Fuzzy efficiency measures in data envelopment analysis, Fuzzy Sets and Systems, v. 113, n. 3, p. 427-437.

KAPELKO, M.; LANSINK, A. O.; STEFANOU, S. E. (2014), Assessing dynamic inefficiency of the Spanish construction sector pre- and post-financial crisis, European Journal of Operational Research, v. 237, n. 1, p. 349-357.

KAWAGUCHI, H.; TONE, K.; TSUTSUI, M. (2014), Estimation of the efficiency of Japanese hospitals using a dynamic and network data envelopment analysis model, Health Care Management Science, v. 17, n. 2, p.101-112.

KERSTENS, K.; VANDEN EECKAUT, P. (1999), Estimating returns to scale using non- parametric deterministic technologies: a new method based on goodness-of-fit, European Journal of Operational Research, v. 113, n. 1, p. 206-214.

KWEH, Q. L.; LU, W-M.; WANG, W-K. (2014a), Dynamic efficiency: intellectual capital in the Chinese non-life insurance firms, Journal of Knowledge Management, v.