Appendix

As variáveis utilizadas como métricas foram extraídas do banco de dados “Justiça Em Números”. No primeiro momento, utilizamos as variáveis abaixo apresentadas, objetivando mensurar a eficiência de cada órgão (DMU).

Na pesquisa, para mensurar a eficiência e a produtividade do Judiciário, foram tratadas as variáveis abaixo relacionadas, amplamente discutidas no referencial teórico, apresentado no Capítulo 2.

Variáveis propostas como inputs: a) Nº de magistrados (NMag); b) Nº de servidores (NServ); c) Gastos com informática (GInf); d) PIB Estadual (PIB);

e) Orçamento residual executado (ORes); f) Total de processos em tramitação (TPT); g) Despesas com pessoal (DPess).

Variável proposta como output: a) Total de processos baixados (TPB).

86 As variáveis utilizadas no questionário para testar as hipóteses da pesquisa foram definidas em função dos estudos realizados para captar informações sobre gestão no Judiciário, destacando o Censo 2014, realizado pelo Conselho Nacional de Justiça-CNJ, demonstrando que a pesquisa encontra-se alinhada aos anseios da necessidade de ajustar a máquina judiciária às ferramentas de gestão mais adequadas. Outros estudos que utilizam as variáveis para captar informações destinadas à análise de Gestão no Judiciário são: Loman, (1979); Leão, (2002); Sadek, (2004); Cadernos da AMEPE, (2004); Gomes (2014), entre outros já destacados no referencial teórico.

Variáveis utilizadas para testar as hipóteses da pesquisa: a) Grau de instrução;

b) Tempo de experiência na Administração Pública; c) Experiência como gestor;

d) Quantidade de horas dedicadas a capacitações (cursos de extensão); e) Tempo dedicado ao planejamento estratégico;

f) Tempo dedicado para as atividades de gestão das rotinas da unidade; g) Tempo de experiência como Gestor na Administração Pública; h) Formação Superior;

i) Área de estudo da pós-graduação; e

j) Participação em cursos de extensão na área de Gestão Pública.

A importância desses dados para a pesquisa deu-se em função da dificuldade em dispô-las de outra forma. Estudos realizados pelo Banco Mundial apontavam que os juízes brasileiros despendiam 65% de seu tempo em atividades não judicantes. Segundo os próprios magistrados, porém, ¾ (três quartos) deles não gastam mais do que 30% do seu tempo em atividades administrativas, com somente 5,1% dos entrevistados ocupando mais do que 50% do seu tempo com essas atividades.

Dos motivos que levam os juízes a despender uma significativa parcela de seu tempo em trabalhos administrativos, o arcaísmo das práticas administrativas é apontado como o mais importante, vindo, em seguida, a falta de preparo dos funcionários e de treinamento dos juízes nesse tipo de atividade (CADERNOS DA AMEPE, 2004).

87 3.10. JUSTIFICATIVA PARA O USO DO MODELO DEA NA ESTRUTURA

DINÂMICA (DINAMIC SLACKS BASED MODEL)

A aplicação do modelo DEA Dinâmica (Dinamic Slacks Based Model) proporciona a identificação de uma medida composta da eficiência intertemporal por meio de uma variável de ligação que carreia, ao longo do tempo, a eficiência de uma DMU obtida pela relação entre

inputs e outputs.

Essa variável de ligação (carry-over) é muito importante em modelos intertemporais tendo em vista que a redução ou o aumento da produtividade em um período influencia a produtividade do período seguinte. Nessa linha de raciocínio, os modelos dinâmicos de produção permitem que a decisão de um período influencie os resultados em outros períodos, pois a interdependência temporal é a essência de um modelo dinâmico (FÄRE; GROSSKOPF, 1996).

Assim, o modelo DEA Dinâmica (Dinamic Slacks Based Model) ajusta-se ao objeto de estudo, pois busca medir a eficiência dos Tribunais de Justiça brasileiros ao longo de vários períodos de tempo.

Além disso, percebe-se uma grande variabilidade dentro e entre as unidades de análise para as variáveis de inputs e outputs do modelo que precisam ser consideradas nos escores de eficiência de cada período por meio de uma variável de ligação. Essa variabilidade é distribuída em três tipos de variação: (i) a variação geral (overall variation) em torno da média geral ( ), decomposta em variação dentro e variação entre; (ii) a variação dentro (within variation), indicando a variação de cada unidade ao longo do tempo, em torno da média das unidades (xit- i); e (iii) a variação entre as unidades (between variation) que

compara a média das unidades com a média geral ( i- ) (CAMERON; TRIVEDI, 2010).

Para manter a isonomia de comparação dos resultados, as variáveis de cunho financeiro tratadas na pesquisa (Produto Interno Bruto-PIB, Orçamento Residual-ORes, Despesa com Pessoal-DPess e Despesa com Informática-DInf) foram atualizadas até 31 de dezembro de 2013, utilizando o Índice de Preços ao Consumidor Acumulado-IPCA, no intuito de manter um padrão de paridade e considerando o modelo estatístico escolhido para tratamento dos dados.

No tratamento dos dados, foi utilizado o DEA SOLVER ano a ano, SBM (Slacks

Based Model) oriented com retorno constante e SBM (Slacks Based Model) oriented com retorno variável, para identificar o comportamento das unidades administrativas (Tribunais de

88 Justiça) no período 2003 a 2013. Esse modelo tem a vantagem de ser uma metodologia em painel que combina eficiência e produtividade em uma medida de desempenho.

3.11. RETORNO VARIÁVEL ORIENTADO AO PRODUTO (Oriented-Output)

O método DEA compara uma eficiência revelada com a eficiência das unidades analisadas, estabelecendo um indicador de avaliação da eficiência da relação insumos/produtos dessas unidades.

Para determinação da forma de retorno das variáveis, com a metodologia DEA, primeiro são selecionados os índices das unidades que produzem mais, utilizando, no máximo, o mesmo nível de insumos. Para cada um desses índices, é escolhido o máximo dentre as razões dos níveis de produto e a produção em questão, para depois, enfim, escolher o mínimo dentre tais valores para se calcular o índice de eficiência nesse método e poder ser construída uma fronteira teórica de eficiência, a partir da combinação convexa entre as unidades observadas. Sob o ponto de vista gerencial, a identificação das unidades dominantes fornece um parâmetro real para os índices das unidades ineficientes, trazendo credibilidade a esses índices se comparado às outras unidades com fronteiras abstratas (SCHWENGBER, 2006; ZHO, 2000).