ANÁLISE DA CAPACIDADE DE ATENDIMENTO DE UMA BASE DE DISTRIBUIÇÃO DE COMBUSTÍVEIS LÍQUIDOS

Prévia do material em texto

ANÁLISE DA CAPACIDADE DE 
ATENDIMENTO DE UMA BASE DE 
DISTRIBUIÇÃO DE COMBUSTÍVEIS 
LÍQUIDOS 
 
Alvaro Ledo Ferreira (UFMG ) 
junglecs1@hotmail.com 
 
 
 
Os combustíveis líquidos são essenciais para o desenvolvimento da 
nossa sociedade 
desde a revolução industrial. Ao longo dos anos, esse consumo 
aumentou 
consideravelmente, devido a fatores como a popularização do 
automóvel particular. Um 
dos elos mais importantes da cadeia de comercialização dos 
combustíveis líquidos é a 
base de distribuição, responsável por abastecer os centros urbanos. 
Assim, este 
trabalho procurou analisar a capacidade de atendimento de uma 
base de distribuição 
de combustíveis líquidos localizada em Belém, Pará, buscando saber 
se o nível de 
atendimento atual é satisfatório, e qual a reação da base frente a um 
aumento 
previsto na demanda de seu produto através de pesquisas na 
literatura sobre 
capacidade produtiva, sistema de filas, estatística e simulação no 
software Promodel. 
Caso o atendimento atual ou após o aumento na demanda não seja 
bom o suficiente, foram simulados dois cenários com abordagens 
distintas 
de adaptação de capacidade produtiva, o aumento da capacidade e a 
mudança do layout. Para efeito de comparação entre cenários, 
foram definidos como indicadores o lead time médio e o número 
médio de clientes na 
fila. Os resultados apontaram que atualmente o atendimento da base 
é considerado 
satisfatório, entretanto, em um cenário de aumento de 20% na 
demanda por esse 
produto, o atendimento decai bastante. Dentre as duas alternativas 
simuladas, a 
alternativa de aumento da capacidade de atendimento se mostrou 
bastante eficaz, 
enquanto que a segunda alternativa, de mudança no layout da 
XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO 
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10 
Curitiba, PR, Brasil, 07 a 10 de outubro de 2014. 
 
 
 
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO 
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10 
 
Curitiba, PR, Brasil, 07 a 10 de outubro de 2014. 
 
 
 
2 
plataforma de 
carregamento de modo a eliminar restrições, revelou-se ineficiente. 
 
Palavras-chaves: Filas, Simulação, Capacidade Produtiva
 
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO 
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10 
 
Curitiba, PR, Brasil, 07 a 10 de outubro de 2014. 
 
 
 
3 
 
1. Introdução 
Os agentes responsáveis pela distribuição de combustíveis líquidos para os postos 
revendedores, os quais realizam a venda deste produto para o cliente final, são chamados de 
Bases de Distribuição de Combustíveis Líquidos (BDCL). Essa operação é realizada 
principalmente por meio Autotanques (AT), caminhões que comportam grandes volumes, 
devido a sua facilidade de locomoção pelas cidades. 
De acordo com Schemenner (1999), tanto a má qualidade quanto a demora na espera por um 
serviço podem eliminar as relações de uma organização com seus clientes. No caso das 
BDCL, restrições em sua capacidade de atendimento podem acarretar em prejuízos para os 
postos revendedores, por causa de vendas perdidas ou imobilização de recursos (AT) para o 
transporte do combustível. Isso pode resultar no cancelamento de seu contrato atual ou 
influenciar negativamente a sua renovação. 
A base analisada nessa pesquisa apresentou um aumento no volume de combustíveis 
movimentado a cada mês em 11,42%, aproximadamente, nos últimos 5 anos. Entretanto, suas 
instalações datam da década de 70, e em decorrência desse aumento, a base apresenta 
diariamente a formação de filas. Portanto, questiona-se qual o impacto dessas filas na 
qualidade de atendimento atualmente, e caso se confirme essa tendência de crescimento de 
venda de combustíveis, qual será o impacto na qualidade de atendimento nos próximos anos. 
Essas indefinições podem ser mitigadas por meio da análise do funcionamento atual da base, 
utilizando a simulação computacional como ferramenta de apoio à tomada de decisão, 
testando modelos, identificando restrições do processo e possibilitando a análise de diferentes 
cenários futuros. 
Assim, esse trabalho se propõe a analisar a capacidade produtiva atual e futura de uma BDCL 
localizada em Belém, assim como cenários de alternativas de expansão de capacidade, por 
meio da simulação computacional discreta. 
2. Revisão bibliográfica 
2.1. Capacidade Produtiva 
Para Slack et al. (2008), a capacidade indica o nível de produção que uma operação é capaz de 
realizar em determinado tempo previamente definido. Davis, Aquilano e Chase (2001) 
afirmam que a capacidade é influenciada diretamente por fatores internos e externos. Assim, 
 
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO 
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10 
 
Curitiba, PR, Brasil, 07 a 10 de outubro de 2014. 
 
 
 
4 
quando uma empresa deseja aumentar a sua capacidade, ela deve focar nos aspectos internos, 
como leiaute e fluxo de processos, pois esses são os que ela tem maior controle e pode decidir 
como agir. 
Uma empresa pode sentir a necessidade de realizar tal tipo de alteração quando considera que 
seu processo apresenta restrições indesejáveis. Tal conceito é definido por Krajewski, 
Ritzman e Malhotra (2009) como “qualquer fator que limite o desempenho de um sistema e 
restrinja seu resultado”. Para determinar a existência de restrições em um sistema, é 
aconselhável que seja realizada a mensuração da sua capacidade produtiva, que de acordo 
com Moreira (2009), pode ser realizada de duas formas, por meio das quantidades produzidas 
ou dos insumos utilizados. Em casos de prestação de serviços, o segundo método se mostra 
mais útil, devido à sua natureza intangível e consequente dificuldade de identificação do que é 
produzido. 
Entretanto, a decisão de quando realizar essa mudança é tão importante quanto à do tamanho 
da nova capacidade (SLACK et al., 2008). Ao lidar com serviços, essa questão se torna mais 
evidente devido a sua incapacidade de formar estoques e de utilizar capacidades ociosas no 
passado para suavizar picos de demanda no presente. 
Moreira (2009) afirma que a capacidade de uma empresa é dependente de diversos atributos, e 
que para aumentar a capacidade em um setor produtivo é imperativo que ao menos um desses 
atributos sofra alguma alteração. Os exemplos mais comuns são o aumento das instalações e 
dos fatores humanos, assim como a sua capacitação e uma mudança no projeto do processo. 
2.2. Sistemas de Fila 
Fitzsimmons e Fitzsimmons (2000) definem sistemas de fila como uma linha de clientes 
esperando a prestação de serviços de um ou mais prestadores. A formação dessas filas ocorre 
quando a demanda ultrapassa a capacidade existente do servidor. 
Algumas características importantes devem ser levadas em consideração ao administrar filas, 
como a percepção negativa do cliente perante filas, as condições nas quais ele terá de esperar 
e a incerteza do tempo de espera. Métodos indicados para o gerenciamento do tamanho das 
filas são de alterar o número de servidores e proporcionar pontos de atendimento 
diferenciados (GIANESI E CORRÊA, 1996). 
Outra alternativa é a utilização de sistemas de reservas, que possibilita a formação de uma fila 
virtual, na qual o cliente se programa e o prestador, de posse dessa informação com 
 
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO 
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10 
 
Curitiba,PR, Brasil, 07 a 10 de outubro de 2014. 
 
 
 
5 
antecedência, aloca determinada quantidade de sua capacidade em um certo espaço temporal 
(CORRÊA e CAON, 2002). Essa é uma relação na qual tanto o cliente quanto o prestador de 
serviços tem vantagens, pois a variação da demanda e o tempo de espera na fila são reduzidos. 
2.3. Simulação 
A simulação para Freitas Filho (2008) envolve a descrição do comportamento de um sistema, 
construção de teorias e hipóteses e a utilização de um modelo para prever o comportamento 
futuro. As informações obtidas à partir desse modelo permitem resolver problemas sem a 
necessidade de alterações estruturais, ou para sistemas inexistentes, possibilitam uma 
implementação eficiente. 
Quando se lida com sistemas mais complexos, a simulação é geralmente escolhida em 
detrimento de métodos algébricos, teorias de probabilidade e cálculo diferencial, que são 
incapazes de solucionar estes problemas matematicamente (BANKS et al., 2005 apud 
OLIVEIRA, 2008). Uma das grandes vantagens da simulação em comparação aos modelos 
matemáticos, além das limitações, é a possibilidade de visualização do sistema simulado 
observado através de representações gráficas dos recursos e locais. 
Algumas vantagens, de acordo com Freitas Filho (2008 apud PEDGEN, 1991; BANKS, 
1984) envolvem: utilização ilimitada do modelo simulado; facilidade relativa da simulação 
quando comparada com métodos analíticos; capacidade de analisar qualquer mudança 
factível; possibilidade de testar novas hipóteses; controle sobre o tempo e identificação de 
gargalos. Dentre as desvantagens, pode-se citar: necessidade de treinamento especial para a 
construção de modelos; a dificuldade de interpretação dos resultados e de rastreamento de 
erros, e o grande consumo de tempo envolvido no processo de modelagem e simulação. 
3. Descrição do modelo 
A base é composta pelo escritório, portaria, área de estacionamento interna e externa e pela 
plataforma de carregamento (PCAT), que possui 4 baias para carregamento de autotanques 
(AT). Ela comercializa diversos tipos de combustível, como a gasolina comum (GASC), o 
álcool hidratado (AEHC), o diesel metropolitano (S50), o diesel interior (S1800), o diesel 
marítimo (ODMAR) e querosene de aviação (QAV). 
A plataforma de carregamento de AT's possui 2 ilhas, sendo que a primeira possui cinco 
braços de carregamento que possuem os seguintes produtos nessa ordem: QAV, S1800, 
GASC, AEHC e S50. A segunda ilha possui quatro braços de carregamento, com os seguintes 
 
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO 
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10 
 
Curitiba, PR, Brasil, 07 a 10 de outubro de 2014. 
 
 
 
6 
produtos: S1800, S50, GASC e ODMAR. Cada ilha possui 2 baias de carregamento, que 
podem utilizar quaisquer braços de carregamento da ilha em que se encontre, com exceção do 
braço de carregamento de QAV, que por questões mecânicas, só pode atender os AT's 
localizados na baia de número 1. 
A capacidade do estacionamento é considerada quase infinita, pois além do estacionamento 
interno da base, existe uma área muito grande disponível para estacionamento na área em 
frente a base, tornando praticamente impossível que o sistema rejeite uma chegada. 
O horário de funcionamento da base para entrada na fila de espera para carregamento é de 
segunda-feira a sexta-feira, de 0h às 19h, e sábado, de 0h às 13h, sendo que as atividades se 
encerram somente após o último cliente da fila ser atendido. 
A empresa atende aos clientes pela modalidade FOB, na qual o cliente apenas compra o 
produto e deve fornecer um meio de transporte, e pela modalidade CIF, na qual o cliente 
compra o produto e também paga pelo transporte desse produto até o local desejado. 
O procedimento para realização do carregamento inicia com o motorista chegando à base e se 
dirigindo ao escritório, verificando se o seu pedido existe e está correto, e em seguida 
retirando a sua ordem de carregamento e sua nota fiscal. Então o motorista se dirige à 
portaria, onde marca a sua vez na fila, sendo o porteiro o responsável por alocar os AT's nas 
baias de carregamento de acordo com os produtos a serem carregados e as prioridades. As 
atividades que envolvem o escritório da empresa, como por exemplo o faturamento, foram 
desconsideradas na pesquisa por se considerar a impossibilidade de haver um ganho na 
capacidade de atendimento ao realizar alterações nessa etapa. 
Dentre os diversos produtos oferecidos pela empresa, é possível separá-los em 4 grupos a fim 
de simplificar a modelagem: o primeiro grupo é formado pela querosene de aviação (QAV), 
que é carregado apenas na baia 01; o segundo pelo álcool hidratado (AEHC), que só pode ser 
carregado nas baias 01 e 02; o terceiro pelo diesel marítimo (ODMAR), que só pode ser 
carregado nas baias 03 e 04; o último grupo é formado por outros combustíveis (gasolina 
comum, diesel S50 e S1800), que podem ser carregados em qualquer baia. 
Quando uma baia adequada ao seu carregamento está disponível, o motorista que está na vez 
entra na PCAT e realiza o seu carregamento. Posteriormente o motorista se retira da 
plataforma e sai da base. A única diferença entre os carregamentos tipo FOB e CIF/QAV, é 
 
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO 
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10 
 
Curitiba, PR, Brasil, 07 a 10 de outubro de 2014. 
 
 
 
7 
que os dois últimos possuem prioridade de entrada na plataforma de carregamento, entrando 
assim que uma baia adequada se encontra disponível. 
Isso ocorre devido a regras contratuais, no caso dos CIF, e no caso do QAV devido à 
importância de seu carregamento, que abastece aeroportos, e por isso possuem a maior 
prioridade dentre todos para entrar na baia de carregamento 01. Para ilustrar o funcionamento 
da base foi construído um fluxograma utilizando o padrão ANSI, representado na Figura 1. 
Figura 1 – Fluxograma do processo de atendimento 
 
 Fonte: O Autor (2014) 
No mapa da área operacional da base, representado na Figura 2, foram evidenciadas 5 áreas 
de interesse para a pesquisa: a área de estacionamento e as 4 (quatro) baias para carregamento 
de autotanques. 
 
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO 
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10 
 
Curitiba, PR, Brasil, 07 a 10 de outubro de 2014. 
 
 
 
8 
 
 
 
 
Figura 2 – Área da base 
 
Fonte: O Autor (2014) 
4. Método 
Foram definidas como variáveis de entrada para o simulador o tempo entre chegadas 
sucessivas de clientes no sistema e o tempo de atendimento para cada processo. As coletas de 
dados foram realizadas na sexta-feira, o dia com maior movimentação diária de combustíveis 
durante a semana, enquanto o horário para a coleta foi o de pico na demanda, de 8h30min às 
17h30min. 
O número de amostras coletado se baseou no conceito de Morettin e Bussab (2010), que 
definem que quando o tamanho das amostras é desconhecido, é possível calcular um número 
de amostras de uma população (n) a partir de um erro de estimação (ε) e um grau de confiança 
(Z), como representado na equação 1. 
 
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO 
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10 
 
Curitiba, PR, Brasil, 07 a 10 de outubro de 2014. 
 
 
 
9 
Equação 1 – Cálculo do número de amostras 
 
 
O número de replicações (n) foi calculado de acordo com a Equação 2, a partir de um 
Coeficiente de Confiança (Z) e um desvio padrão estimado (S). 
Equação 2 – Cálculodo número de replicações 
 
 
Para validar os resultados obtidos no modelo de simulação, foi calculado o Intervalo de 
Confiança, a partir da equação 2, onde é a média da amostra e é o desvio padrão. 
Equação 2 – Cálculo do Intervalo de Confiança 
 
Inicialmente foi coletada uma amostra-piloto de 10 amostras do tempo entre chegadas 
sucessivas de clientes e do tempo de carregamento, no intuito de verificar o comportamento 
das variáveis e calcular o tamanho da amostra a ser coletado. Foi escolhido como grau de 
confiança o valor de 90% e como erro amostral máximo o valor de 170 segundos para a 
primeira variável, e 147 segundos para a segunda. Chegou-se então à quantidade de 50 
amostras para o tempo entre chegadas sucessivas e 40 amostras para o tempo de 
carregamento. 
Em seguida foi realizada uma coleta adicional de 40 e 30 observações, referentes ao tempo 
entre chegadas sucessivas de clientes e o tempo de carregamento, respectivamente, para 
complementar a coleta inicial de 10 observações, compondo a amostra final da pesquisa. 
Em seguida, foi verificada a possibilidade de representar os fenômenos estudados por meio de 
distribuições de probabilidades. Para tanto foi utilizado o software Stat::fit, o qual realizou 
 
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO 
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10 
 
Curitiba, PR, Brasil, 07 a 10 de outubro de 2014. 
 
 
 
10 
comparações entre diversas distribuições existentes, utilizando como validação o teste do qui-
quadrado. 
A distribuição que mais se adequou à variável de chegada sucessiva de clientes ao sistema foi 
a distribuição Exponencial, com uma média igual a 650, como mostrado na Figura 3. Já os 
testes do tempo de carregamento demonstraram que a distribuição que mais se adequou foi a 
distribuição de Erlang, com uma média igual a 311, 264 e parâmetro igual a 8, conforme 
apresentado na Figura 4. 
Figura 3 – Distribuição exponencial no tempo entre chegadas sucessivas de clientes ao 
sistema 
 
Fonte: O Autor (2014) 
Figura 4 – Distribuição de Erlang no tempo de carregamento 
 
Fonte: O Autor (2014) 
 
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO 
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10 
 
Curitiba, PR, Brasil, 07 a 10 de outubro de 2014. 
 
 
 
11 
Em seguida foi realizada a tradução do modelo conceitual e dados coletados para o modelo de 
simulação, com base nas características do Promodel, através da determinação dos locais, 
entidades, processos, entre outros. 
Foram definidos 5 locais: a área de estacionamento e as baias de carregamento de número 1 à 
4, cada uma com suas características próprias. A entidade foi definida como um autotanque 
possuindo 5 gráficos com cores diferentes: o branco representa o cliente que pode entrar em 
qualquer baia; o azul representa o cliente que irá carregar QAV; o verde representa o cliente 
que irá carregar AEHC; o vermelho representa o cliente que irá carregar ODMAR; por fim, o 
amarelo representa os AT’s da modalidade CIF. Foram também definidas 5 rotas, uma para 
cada autotanque. 
Para o processo de atendimento em cada processo, foi utilizada a distribuição de Erlang com 
valor médio igual a 311,264 e parâmetro igual a 8. Para o processo de chegada, foi utilizada a 
distribuição Exponencial com valor médio igual a 650. Para a definição do tipo de cliente que 
chega à base, foi determinada a proporção de atendimento de cada grupo, apresentado na 
Tabela 1. 
Tabela 1 – Divisão percentual entre os grupos de clientes 
QAV 5,00% 
AEHC 2,70% 
ODMAR 9,00% 
Outros 74,00% 
CIF 9,30% 
Fonte: O Autor (2014) 
A quantidade de replicações foi de 146 vezes, tomando como Coeficiente de Confiança o 
valor de 95%, valor máximo esperado igual a 150 minutos, valor mínimo esperado igual a 40 
minutos e com um erro esperado de mais ou menos 3 minutos. 
5. Resultados 
Foram então escolhidos os parâmetros que seriam considerados como medidas de 
desempenho do sistema. Os parâmetros escolhidos foram o lead time (LT), que é o tempo 
total que o cliente passa no sistema, e a quantidade média de clientes na fila, com os 
resultados obtidos na Tabela 2. 
 
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO 
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10 
 
Curitiba, PR, Brasil, 07 a 10 de outubro de 2014. 
 
 
 
12 
 Tabela 2 – Resultados da simulação da capacidade atual de atendimento 
Lead Time 
médio 
(minutos) 
Lead Time 
máximo 
(minutos) 
Lead Time 
mínimo 
(minutos) 
Número 
médio de 
clientes na 
fila 
Número 
máximo de 
clientes na 
fila 
Número de 
clientes 
atendidos 
72,98 149,78 43,76 3,14 9,2 67,59 
Fonte: O Autor (2014) 
 
Em seguida foi coletada uma amostra do lead time do sistema real, no intuito de realizar a 
validação operacional da simulação por meio do cálculo do Intervalo de Confiança. Com essa 
amostra, composta de 10 valores de lead time, com média igual a 73,4 minutos e desvio 
padrão igual a 17,33, foi calculado o seguinte intervalo de confiança, mostrado nas Tabelas 3. 
Tabela 3 – Cálculo do Intervalo de Confiança 
LT médio calculado 
(minutos) 
72,98 
Intervalo de 
confiança 
[62,66; 84,14] 
Fonte: O Autor (2014) 
Como o lead time médio obtido na simulação, de 72,98 minutos, se situa dentro do intervalo 
de confiança, considera-se o modelo utilizado na simulação validado, viabilizando o 
andamento do estudo. 
Assumindo que a empresa apresente um aumento esperado em sua demanda em 20%, foi 
realizada também a simulação desse cenário, com os resultados apresentados na Tabela 12, 
procurando prever o comportamento da base. Como definido anteriormente, foram também 
simulados 2 cenários de adaptação da base à esse crescimento na demanda: aumento no 
número de baias e uma mudança no layout que possibilite o carregamento. 
A simulação da capacidade atual de atendimento da base revelou, aproximadamente, os 
valores de 73 minutos, 4 clientes e 60 clientes para o lead time médio, número de clientes 
médio na fila e número de clientes atendidos, respectivamente. Em casos extremos, o lead 
 
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO 
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10 
 
Curitiba, PR, Brasil, 07 a 10 de outubro de 2014. 
 
 
 
13 
time e o número de clientes na fila podem chegar à aproximadamente 150 minutos, aumento 
de 105%, e 10 clientes, aumento de 150%, respectivamente. 
Comparando os resultados com uma previsão realizada pelos gestores, suas estimativas se 
mostraram imprecisas, com erros de aproximadamente -31% no lead time médio, 165% no 
número médio de clientes na fila e 17% no número de cliente atendidos. 
Analisando os resultados referentes às baias de carregamento, percebe-se que as 4 baias 
apresentam comportamento semelhante, com a baia de AEHC e Marítimo 1 se destacando 
com o maior número de clientes atendidos. De modo contrário, a baia de QAV se destaca 
negativamente por apresentar a menor quantidade de clientes atendidos e a menor taxa de 
utilização. 
No cenário de aumento de 20% na demanda, duas variáveis críticas para o sistema, o lead 
time e o número médio de clientes na fila, sofrem um aumento considerável. Enquanto o lead 
time teve um aumento de 41,74%, o número médio de clientes na fila apresentou um 
crescimento de 145,85%, o que demonstra a sensibilidade da empresa quanto ao aumento da 
demanda. 
Além disso, destacam-se o número de clientes atendidos, que sofreu um leve crescimento, e semostrou diretamente afetado pelo aumento do número de clientes no sistema, e o número 
máximo de clientes na fila, que quase duplicou de tamanho. 
As simulações de cenários de adaptação ao aumento de 20% na demanda se mostraram muito 
diferentes. Enquanto o primeiro cenário diminuiu o lead time médio em 50%, o número 
médio de clientes na fila em 84% e aumentou a quantidade de clientes atendidos em 23%, o 
segundo cenário quase não alterou o lead time médio e o número de clientes atendidos, além 
de aumentar em 5% o número médio de clientes na fila. 
Os resultados obtidos na simulação do cenário com aumento na demanda apresentaram uma 
grande variação. Essa variação foi considerada ruim, principalmente devido às variáveis 
críticas atingirem níveis indesejados, que reduziram substancialmente a qualidade do serviço 
ofertado. 
Os únicos resultados considerados bons nesse cenário foram a quantidade de clientes 
atendidos e a taxa de utilização, que apresentaram um crescimento, o que implica no aumento 
da quantidade de vendas e ganho financeiro, sem alterar capacidade de atendimento. 
Entretanto esse ganho foi desprezado em razão do baixíssimo nível de atendimento. 
 
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO 
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10 
 
Curitiba, PR, Brasil, 07 a 10 de outubro de 2014. 
 
 
 
14 
Com relação às duas alternativas de adaptação simuladas, nota-se que o aumento no número 
de baias é bem mais eficiente na melhora do nível de serviço do que a mudança no layout, já 
que o primeiro reduz em mais de 50% o tempo que o cliente passa no sistema, enquanto que a 
mudança do layout causa uma alteração irrisória nessa característica. Ao comparar o tamanho 
médio de clientes na fila ratifica-se esse pensamento, já que a primeira alternativa reduz o 
tamanho médio da fila em 75%, enquanto que no segundo nota-se um aumento de 12,5%. 
Ao considerar outras variáveis, fica claro que o aumento no número de baias é a melhor 
solução pois ela também aumenta o número de clientes atendidos, resultando em um ganho 
financeiro da empresa. 
Entretanto, apesar da primeira alternativa se mostrar a melhor em todos os aspectos técnicos, 
no quesito custo, desconsiderado até então no trabalho, ela se apresenta pior do que a 
segunda. O aumento no número de baias apresenta um custo consideravelmente maior que a 
mudança no layout, haja vista que o primeiro envolve gastos com construções, enquanto que o 
segundo requer somente uma mudança nas tubulações. 
6. Conclusão 
Neste trabalho buscou-se analisar a capacidade produtiva de uma base de carregamento de 
combustíveis líquidos. Dentre os impactos diretos desse estudo, pode-se citar a definição e 
medição de parâmetros para qualificação do nível de atendimento, que somados aos 
resultados alcançados na pesquisa, possibilitam a realização de um benchmarking. 
Além disso, foi possível reduzir a incerteza em futuras tomadas de decisão referentes ao 
aumento de capacidade, devido a previsão de dificuldades que possam ser encontradas. De 
posse dessas informações, a empresa analisada poderá ser capaz de reter seus clientes atuais e 
atrair novos por meio da redução da insatisfação na demora no atendimento. 
Para alcançar este objetivo, foi realizada a modelagem do sistema e a coleta de dados de duas 
variáveis que serviram como input do simulador: o tempo entre chegadas sucessivas de 
clientes ao sistema e o tempo de carregamento. O resultado da simulação revelou que a base 
apresenta um bom nível de atendimento atualmente, tomando como base para essa conclusão 
o lead time médio e o número médio de clientes na fila. 
Além disso, foi possível analisar a reação da base frente a um esperado crescimento na 
demanda por seus produtos. Os resultados alcançados demonstraram que a presente 
infraestrutura da base não é capaz de suportar esse aumento sem tornar o nível de atendimento 
 
 XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO 
Engenharia de Produção, Infraestrutura e Desenvolvimento Sustentável: a Agenda Brasil+10 
 
Curitiba, PR, Brasil, 07 a 10 de outubro de 2014. 
 
 
 
15 
precário. De modo a contornar essa questão, foram simulados dois cenários de adaptação de 
capacidade: o aumento de 2 unidades no número de baias de carregamento e a mudança no 
layout da plataforma. 
Os resultados foram bastante distintos, pois enquanto a primeira alternativa, apesar de 
melhorar consideravelmente o nível de atendimento, exige um alto custo de implementação, a 
segunda alternativa, embora apresente um custo inferior, não justifica a sua implantação 
devido ao ganho ínfimo no aumento da capacidade produtiva. 
Durante o desenvolvimento dessa pesquisa foram encontradas algumas limitações, como a 
dificuldade na coleta de dados que representem o funcionamento real da base, além do 
agrupamento de diferentes produtos como um só e a consideração de que cada cliente carrega 
apenas um produto. Assim, seria viável realizar futuramente uma expansão dessa pesquisa, 
simulando um dia completo de funcionamento da base, considerando cada produto 
individualmente e considerando os carregamentos compostos de vários produtos. 
REFERÊNCIAS 
BANKS, Jerry et al. Discrete-Event System Simulation. Prentice Hall, 2000. 
 
CORRÊA, Henrique e CAON, Mauro. Gestão de serviços: lucratividade por meio de operações e de 
satisfação dos clientes. 1ª edição. São Paulo: Atlas, 2002. 
 
DAVIS, Mark, AQUILANO, Nicholas e CHASE, Richard. Fundamentos da administração da produção. 3ª 
edição. Porto Alegre: Bookman, 2001. 
 
FITZSIMMONS, A.J.; FITZSIMMONS, J.M. Administração de Serviços. 2ª edição. Porto Alegre: Bookman, 
2000. 
 
FREITAS FILHO, Paulo. Introdução à modelagem e simulação de sistemas com aplicações em Arena. 2ª 
edição. Florianópolis: Visual Books, 2008. 
 
GIANESI, Irineu e CORRÊA, Henrique. Administração estratégica de serviços: operações para a satisfação 
do cliente. 1ª edição. São Paulo: Atlas, 1996. 
 
KRAJEWSKI, Lee, RITZMAN, Larry e MALHOTRA, Manoj. Administração de produção e operações. 8ª 
edição. São Paulo: Pearson Prentice Hall, 2009. 
 
MOREIRA, Daniel. Administração da produção e operações. 2ª edição. São Paulo: Cengage Learning, 2009. 
 
MORETTIN, Pedro e BUSSAB, Wilton. Estatística básica. 6ª edição. São Paulo: Saraiva, 2010. 
 
SCHEMENNER, Roger. Administração de operações. São Paulo: Futura, 1999. 
 
SLACK, Nigel et al. Gerenciamento de operações e de processos. Porto Alegre: Bookman, 2008.