No abstract

The aim of this paper is to evaluate the efficiency and productivity change of Paraná’s Credit Union. The analysis considered 45 units (each credit union researched), each of one with 10 variables in each period (8 inputs and 2 outputs). This evaluation has taken into account quarterly credit union’s data, from January 2009 to July 2015 (27 periods). The methodology included Data Envelopment Analysis (DEA), Principal Components Analysis (PCA) and Malmquist Index (MI) techniques. The results showed that DMUs 453, 498 and 517 were considered 100% efficient in all periods, making them ideal benchmarks. There was no case that a DMU was not considered 100% efficient in at least one observation. The MI showed that the difference between the biggest and the smallest average was significant (varying between 19.837 for DMU 251 and 0.926 for DMU 450). The average between all MI was 4,735 with a standard deviation of 3,547, evidencing the different measures of efficiency between each DMU when compared to the others.

No abstract

No abstract

<p>A Organização para a Cooperação e Desenvolvimento Econômico (OCDE) publica anualmente dados sobre os indicadores de Crescimento Verde de todos os países. Em geral, essa base é discutida na literatura usando estatísticas descritivas, as quais fornecem uma visão geral sobre o desempenho sustentável dos países. No entanto, não há trabalhos que relatem a aplicação de técnicas de agrupamento associadas aos algoritmos de mineração de dados com o intuito de encontrar fatores que explicam as semelhanças e diferenças entre os países avaliados por esses indicadores. Por essa razão, este trabalho relata a aplicação de técnicas de agrupamento <em>k-means</em> e clusterização hierárquica para encontrar grupos de países com desempenhos semelhantes com relação aos indicadores sustentáveis e demográficos avaliados pela OCDE. Para essa aplicação, foram usados os dados do ano de 2019 considerando todos os países de forma individual, excluindo os dados sobre blocos econômicos. Após a limpeza e preparação dos dados, 153 países e 15 indicadores foram avaliados, resultando em 5 grupos de países. Alguns grupos apresentaram características dominantes entre os países nele incluídos. O <em>cluster</em> 3 foi o maior grupo, englobando 96 países subdesenvolvidos ou em desenvolvimento, com economia agroexportadora. O <em>cluster</em> 0 agrupou países com grande crescimento populacional, e o <em>Cluster</em> 1 destacou países com altas taxas de mortalidade por exposição ao radônio. Por fim, o <em>cluster</em> 2 teve como destaque as variáveis demográficas referentes à idade e gênero e o <em>cluster</em> 4 agrupou países com baixas taxas de exposição a poluição decorrente de materiais particulados.</p>