Modelagem de Equações Estruturais para avaliação de fatores de risco no gerenciamento da cadeia de suprimentos

Structural Equation Modeling for risk factorassessment in supply chain management

Este trabalho está sob uma Licença Internacional Creative Commons Atribuição-NãoComercial-Compartilhamento Pela Mesma Licença.

No decorrer do século XX, os riscos envolvidos nos processos de fabricação e comercialização eram gerenciados mais facilmente devido a menor complexidade da cadeia de suprimento (CS), de forma que os fluxos possuíam basicamente dois estágios: (1) fornecedor para o fabricante (insumos e/ou matérias primas); (2) fabricantes para os consumidores finais (produtos acabados), em sua maioria (Mishra, Sharma, Kumar, & Dubey, 2016). Entretanto, a constante elevação nas exigências do mercado, associada à variação da demanda e ao comportamento das economias locais, dentre outros motivos específicos de cada realidade, tem implicado em aumento de complexidade e de riscos na CS (Fayezi, Zutshi, & O'Loughlin, 2015). Esses riscos podem levar a problemas como longos prazos, incapacidade de atender a demanda dos clientes e aumento do custo de produção, o que podem ocasionar consideráveis prejuízos para as empresas (Mital, Del Guidice, & Papa, 2017).

De acordo com levantamento do Ministério da Agricultura, Pecuária e Abastecimento [MAPA] (2017), o panorama mundial de produção de cerveja apresentou um período acentuado de crescimento nas últimas décadas, atingindo em 2012 a marca de 1,97 bilhões de hectolitros. Porém, a partir deste período houve uma retração, ocasionada, em parte, pela desaceleração da economia mundial. No Brasil, contrapondo o cenário de produção, o número de cervejarias continua em crescimento, devido a novas exigências dos consumidores por tipos variados de cervejas, pouco exploradas anteriormente (MAPA, 2017). Em ambientes de mudanças, cadeias produtivas que respondem às necessidades de seus consumidores de maneira adequada e eficiente, se sobrepõem aos concorrentes, garantindo uma vantagem competitiva (Fayezi et al., 2015). Para que esta vantagem seja atingida, segundo Fayezi et al. (2015), é necessário que se conheça quais riscos afetam a CS e quais relações de interdependência possuem.

A fim de proporcionar melhor entendimento sobre CS, nesse nível de complexidade, e fornecer suporte à tomada de decisão é importante que os gestores conheçam os riscos relacionados ao desempenho e as alternativas que possuem para gerenciá-los (Nooraie & Parast, 2016). Além disso, entender os impactos que essas alternativas promovem quando implementadas para avaliar os riscos enunciados é primordial, existindo na literatura ferramentas que podem ser utilizadas para esse entendimento, como a Structural Equation Modeling – SEM (Kalson, 2014). De acordo com Garcia e Castrellón (2014), essa é uma ferramenta de ampla utilidade, principalmente, ao investigar e identificar atividades que possuem um maior risco ao desempenho da cadeia, possibilitando com isso que as empresas tomem ações assertivas reduzindo efeitos negativos identificados.

Considerando o contexto apresentado nesta seção, esse estudo objetivou desenvolver um modelo de equações estruturais que permite avaliar fatores de risco no gerenciamento da CS, viabilizando a visualização de efeitos no setor de abastecimento de cerveja, no estado do Espírito Santo (ES).

Este estudo foi construído em três etapas (Figura 1). O método empregado para sua testagem foi o levantamento survey, selecionado por permitir ao investigador condições de extrair conclusões acerca do fenômeno ou da população estudada, valendo-se da estatística (Dresch & Miguel, 2015). Outro importante ponto de vista considerado foi que o levantamento tipo survey é capaz de identificar características, informações e conclusões, servindo de base matemática para análises estatísticas, sobre relacionamentos de variáveis estudas (Ramanathan & Gunasekaran, 2014). Os dados coletados auxiliaram no entendimento das inter-relações entre dimensões e variáveis, consideradas no modelo proposto para avaliação de fatores de risco no gerenciamento da cadeia de suprimentos. O instrumento de coleta de dados foi um questionário estruturado, aplicado à população composta por 75 gestores de empresas componentes de cadeias de abastecimento de cerveja, localizadas no estado do Espírito Santo (ES).

A primeira etapa objetivou a estruturação da pesquisa, iniciando-se com a contextualização dos desafios que as organizações enfrentam para sua manutenção no mercado (delimitação do problema), tendo por base uma revisão de literatura sobre os fatores de risco no desempenho de cadeias de suprimentos. Isso permitiu levantar dimensões e variáveis (definição de variáveis) utilizadas para formulação das hipóteses do modelo teórico.

Desta forma, foram elaboradas hipóteses de investigação tendo por base a literatura. Neste estudo o teste de hipótese tem por objetivo identificar a existência de correlações entre dimensões. Essas hipóteses utilizaram como base argumentos fundamentados em trabalhos anteriores, associando-os às dimensões indicadas no Quadro 1.

Alavancar a capacidade de resposta da cadeia de suprimentos leva à redução do custo, combatendo as variações de demanda de forma mais eficiente, assim respondendo as exigências do consumidor mais rapidamente, e colaborando com fornecedores e parceiros de forma mais eficaz (Lee et al., 2013). Assim, a primeira hipótese do modelo teórico da SEM é:

H1. Capacidade de Resposta (R) tem efeito positivo sobre Custo (C).

Para Heckmann, Comes e Nickel (2015), em um ambiente de variação de volume o gerenciamento do fluxo de materiais e informações em uma cadeia de suprimentos é crítico para a capacidade de resposta de uma organização. Quando as empresas não conseguem responder às demandas de seus clientes, em virtude da incapacidade de seus fornecedores em disponibilizarem insumos e/ou produtos no momento correto, a capacidade de resposta é prejudicada (Avelar et al., 2014). Assim, a segunda hipótese do modelo teórico é:

H2. Variação de Volume (D) tem efeito positivo sobre Capacidade de Resposta (R).

Segundo Kumar et al. (2017), é indispensável que a estrutura dos processos esteja alinhada com o grau de agilidade e flexibilidade, em uma CS, para que haja seu bom funcionamento. Essa visão é ratificada por Wieland e Marcus Wallenburg (2013) e Bandaly, Satir e Shanker (2016), que afirmam ser vital o compartilhamento de conhecimento e informações entre os envolvidos na CS, para uma melhora na velocidade de resposta, crucial no gerenciamento eficiente de riscos. Assim, a terceira hipótese do modelo teórico da SEM é:

H3. Conhecimento (P) tem efeito positivo sobre Capacidade de Resposta (R).

A incerteza da demanda pode provocar um volume de produção maior que o necessário, impactando negativamente a eficiência do custo das organizações (Begen et al., 2016). Do mesmo modo, a incerteza na oferta gera impacto negativo nas empresas, pois ocasiona elevação em seus custos de armazenagem ao tentar reduzir os custos de falta de produtos e/ou insumos (Avelar et al., 2014; Cannella, Bruccoleri, & Framinan, 2016). Desta forma, a quarta hipótese do modelo teórico da SEM é:

H4. Variação de Volume (D) tem efeito positivo sobre Custo (C).

A localização dos elos de uma CS é um fator de risco para o seu desempenho, levando em consideração a eficiência de custos e índice de criminalidade em que as operações estão sujeitas (Chakraborty et al., 2013). Deste modo, a quinta hipótese do modelo teórico da SEM é:

H5. Segurança (S) tem efeito positivo sobre Custo (C).

De acordo com Grabara, Kolcun e Kot (2014), o processo de transporte deve satisfazer os requisitos mínimos de qualidade, de forma que muitas técnicas de aprendizado foram desenvolvidas, com intuito de melhorar essa demanda. O mesmo autor relata que para se executar um processo de transporte sem problemas, as empresas estão adotando ferramentas modernas de sistemas de informação. Assim, a sexta hipótese do modelo teórico da SEM é:

H6. Conhecimento (P) tem efeito positivo sobre Qualidade (Q).

Güzel e Erdal (2015) defendem que as condições das vias podem comprometer a integridade da carga, o que se deve ao fato dos veículos utilizados para transporte não conseguirem absorver todos os impactos a que a carga fica sujeita, gerando prejuízo econômico para as organizações. Considerando uma cadeia de suprimentos que inclui transporte de produtos em condições de refrigeração (temperatura de armazenamento nos caminhões regulada e/ou período de transporte controlado), o custo do transporte pode sofrer um aumento significativo para manter a qualidade desses produtos (Nakandala et al., 2016). Desta forma, a sétima hipótese do modelo teórico da SEM é:

H7. Qualidade (Q) tem Efeito positivo sobre Custo (C).

Diante disso, o modelo teórico proposto consiste em avaliar sete hipóteses, com intuito de verificar a existência de inter-relações nas dimensões levantadas (Figura 2), sendo cada hipótese individualmente associada a dimensões.

Figura 2
Modelo Teórico SEM
Fonte: Autores.

A partir da definição das dimensões e hipóteses foi iniciada a elaboração do instrumento de coleta de dados (Miguel et al., 2012), a estrutura desse instrumento utilizou as dimensões levantadas junto à literatura que embasou as hipóteses. A escala métrica empregada foi a escala preferencial de Saaty (1977), que compara pares de julgamentos baseada na aptidão do respondente em perceber o relacionamento entre objetos e circunstâncias (Tabela 1).

Tabela 1
Escala preferencial

Fonte: Saaty (1977).

Inicialmente o instrumento de coleta foi composto por 5 dimensões e 14 variáveis, conforme indicação da literatura (Quadro 1 e hipóteses). Esse instrumento, após sua elaboração, foi submetido a uma apreciação de 5 experts, selecionados por atuarem na área (2 profissionais de mercado e 3 docentes atuantes no ensino superior). Esses experts verificaram a clareza e objetividade do instrumento, a fim de apreciar, mensurar e indicar outras possíveis dimensões e variáveis, como também melhorias textuais.

Na sequência, a etapa de preparação iniciou com a coleta de dados que foi realizada no período de 10 a 22 de novembro de 2017, com gestores de empresas pertencentes a cadeias de abastecimento de cerveja, localizadas no estado do Espírito Santo (ES). O tamanho da amostra foi obtido por meio dos pressupostos de Dupont e Plummer (1990), que definem o levantamento survey como dependente do tamanho da população e da confiabilidade desejada para os resultados obtidos. Assim, neste estudo foi adotada a expressão representada abaixo pela equação 1 (Dupont & Plummer, 1990):

(1)

Em que: n é o tamanho da amostra, N representa o tamanho da população, sendo e o erro amostral, x/n é a proporção estimada do item pesquisado na amostra (%), Z é o valor da abscissa da curva normal associada ao nível de confiança.

Finalizada a coleta, foi iniciado o processamento dos dados. Esta fase objetivou o tratamento e remoção de desvios da amostra, que de acordo com Bagozzi e Yi (2012) e Omar (2013) a ocorrência de outliers em amostragens afeta a qualidade da base de dados, de maneira que os resultados podem não retratar a realidade. Logo, com o tratamento de outliers, há uma tendência de melhora da confiabilidade das variâncias e das covariâncias, entre variáveis ou dimensões, propiciando resultados com confiabilidade mais elevada advindos da SEM (Bagozzi & Yi, 2012; Omar, 2013). Para Kalson (2014), a remoção de outliers de uma amostra pode ser efetuada com a técnica Z score , estabelecendo assim um nível de confiança mais aceitável. Segundo este autor, ao ser utilizada essa técnica em bases de dados com menos de 100 elementos, um intervalo deve ser obedecido. Neste estudo foi adotada a indicação de Kalson (2014) como parâmetro de identificação de outliers.

Escalas são frequentemente usadas em instrumentos de pesquisa para mensurar e apoiar construções de informações. No entanto, estas escalas podem consistir em respostas indexadas a questionários dicotômicos ou multipontos, que são posteriormente abreviados e, com isso, obter uma pontuação resultante associada a um respondente. A investigação da confiabilidade interna da escala empregada no instrumento de coleta de dados pode ser percebida como importante verificação da qualidade do questionário, auxiliando, assim, a assimilação de inconsistências e, consequentemente, o efeito sobre os resultados (Chandio, 2011). Uma das estatísticas de confiabilidade mais populares atualmente em uso é o alfa de Cronbach (Cronbach, 1951). O alfa de Cronbach determina a consistência interna ou correlação média de itens em um instrumento de pesquisa para avaliar sua confiabilidade. Nesse estudo, a confiabilidade dos dados coletados foi verificada a partir de um valor mínimo aceitável de 0,7 para o alfa de Cronbach. O software SPSS (Statistical Package for the Social Science), versão trial 23.0, auxiliou a realização das análises estatísticas.

A terceira etapa foi iniciada com a composição do modelo de mensuração da SEM utilizando as variáveis definidas na primeira etapa e tendo em vista possibilidades de inter-relações entre as variáveis e possíveis caminhos apontados (Figura 2). O software AMOS (Analysis of MOment Strutures), versão trial 23.0, auxiliou a operacionalização da SEM. Posteriormente, foram verificados índices de ajuste para o modelo de mensuração, a fim de analisar a qualidade de ajuste desse modelo. Neste estudo foram adotados os índices GFI, AGFI e RMSEA (Quadro 3). Selecionou-se o GFI por calcular a proporção de variância que é explicada pela covariância da população estimada (Jöreskog & Sörbom, 1982). O AGFI foi adotado porque, segundo Gonçalves (2016), é corrigido pelo grau de liberdade e tende de aumentar de acordo com o tamanho da amostra. Esse índice muitas vezes é adotado como índice confirmatório. O RMSEA foi preterido por considerar possíveis erros de aproximação da amostra e possuir sensibilidade ao número de parâmetros estudados (Gonçalves, 2016).

Quadro 3
Índices de ajuste para verificação de consistência do modelo da SEM

Fonte: Gonçalves (2016)

Desta forma, caso os ajustes não atendam às especificações (Quadro 3), o resultado do modelo será considerado inconsistente, existindo a necessidade de realização de uma readequação (Kalson, 2014). Neste estudo, como ponto de parada de reespecificação do modelo de mensuração foi adotado que os índices apresentassem, no mínimo, classificações consideradas como:

Ao ser realizada uma revisão da literatura, foram verificadas diversas dimensões e variáveis que compõem os desafios que as organizações enfrentam em seu cotidiano (Quadro 1), os quais podem ser considerados fatores de risco ao desempenho de cadeias de suprimentos do setor de bebidas. A partir disso, foram elaboradas hipóteses que compuseram o modelo teórico da SEM (Figura 2). A elaboração do instrumento de coleta de dados utilizou estas dimensões e a escala preferencial de Saaty (Tabela 1).

Assim, primeiramente o instrumento de coleta foi composto por 5 dimensões e 14 variáveis, sendo apreciado na sequência pelos 5 experts. Após essa apreciação, foram realizados ajustes no texto inicial a partir das indicações dos experts. Esses ajustes se deram com a adição das variáveis: Disponibilidade de Frota (R4), Mão-de-obra Qualificada (P3) e Controle de Qualidade na Fabricação (Q3), associadas às dimensões: Capacidade de Resposta (R); Conhecimento (P) e Qualidade (Q), consideradas como importantes pelos experts. Dessa forma, o conjunto de dimensões e variáveis escolhidas para o modelo foire formulado (Quadro 4).

Quadro 4
Conjunto de dimensões e variáveis segundo a literatura

Fonte: Autores.

A etapa de preparação foi iniciada com o dimensionamento do tamanho da amostra, calculada a partir da população de 121 gestores de empresas componentes de cadeias de abastecimento de cerveja, localizadas no estado do Espírito Santo (ES), considerando um nível de confiança . = 95% , erro amostral máximo de 5 pontos e percentual máximo de 90%. Com isso, o tamanho da amostra foi dimensionado em 65 respondentes válidos. A partir dessa definição, o questionário foi aplicado a gerentes, coordenadores, supervisores e analistas, que trabalham nos setores de vendas, trade marketing, financeiro e logística de cadeia de abastecimento de cerveja do ES. Destes, para 58 participantes foi solicitado o preenchimento fisicamente e aos demais via correio eletrônico. Assim, foi obtida uma amostragem de 77 respondentes, que foi tabulada no software SPSS, possibilitando a identificação de 4 outliers , sendo considerado satisfatório o quantitativo final de 73 respondentes. Na sequência, ao verificar a confiabilidade interna da escala utilizada no instrumento de coleta de dados, por meio do alfa de Cronbach (0,798), a amostragem pode ser considerada aceitável.

A etapa de aplicação foi iniciada com a composição do modelo de mensuração da SEM (modelagem), realizada no software AMOS com as 6 dimensões e 17 variáveis definidas na etapa de estruturação (Quadro 4), sendo apontadas inter- relações (diagrama de caminhos) entre dimensões (Figura 3).

Figura 3
Modelo de mensuração da SEM

A análise dos dados foi realizada utilizando a Confirmatory Factor Analysis (CFA) no modelo de mensuração (Figura 3). A partir dessa ação e observando os resultados no diagrama de caminhos inicial, pode ser observada relações entre dimensões (Figura 4). O método de máxima verossimilhança (ML) foi o preterido em virtude de ser uma das abordagens de estimação mais utilizadas na literatura (Avelar et al., 2014; Gonçalves, 2016; Mishra et al., 2016).

Figura 4
Confirmatory Factor Analysis do Modelo de mensuração da SEM
Fonte: Autores.

Os caminhos entre dimensões e entre dimensões e variáveis, permitem visualizar relações existentes no modelo (Figura 4). A partir dessa visualização, foi possível identificar dimensões que possuem correlação mínima com alguma de suas variáveis. Como, por exemplo, D (variação de volume) e D2 com 0,02; S (segurança) e S2 com 0,08 e Q (qualidade) e Q2 com 0,10. Essas baixas correlações são explicadas pela literatura, a qual atribuem esses resultados a um planejamento existente e de conhecimento comum no mercado, sendo prática cotidiana tomar medidas de prevenção e/ou mitigadoras sobre essas variáveis (Avelar et al., 2014; Cannella et al., 2016). De acordo com Lee e Whang (2005), utilizando uma abordagem correta de gerenciamento, novas tecnologias e processos operacionais reprojetados, é possível alcançar maior segurança na cadeia de suprimentos a um custo menor. Ratificando essa visão, Park, Min e Min (2016) destacam que, de maneira geral, empresas que correm risco de ruptura da cadeia de fornecimento, são mais propensas a planejar e cumprir iniciativas de segurança e, com isso, constroem estoques de segurança, vislumbrando reduzir a frequência de ocorrência de interrupções na cadeia. Esses pressupostos auxiliam o entendimento da baixa correlação obtida no modelo de mensuração sobre a dimensão segurança. Com isso, o resultado pode ser considerado plausível para o setor de bebidas, mas devendo ser revisto para outros segmentos. Por esse motivo, resultados deste tipo tendem a afetar o desempenho do modelo de mensuração, o que pode ser verificado por meio dos índices de ajuste, que comprovam a necessidade de reespecificação (Tabela 2).

Tabela 2
Índices de ajuste obtidos para verificação de consistência do modelo de mensuração.

Fonte: Autores.

Desta feita, foi necessário reformular o modelo de mensuração com intuito de adequar o mesmo aos índices de ajustes e, consequentemente, uma melhor aderência ao caso estudado. Assim, correlações com, em que o modelo também apresente índices de ajuste abaixo do especificado, Tabela 3, foram removidas do modelo a fim de melhorar o desempenho global (Mishra et al., 2016).

Tabela 3
Índices de ajuste obtidos a partir da reespecificação

Fonte: Autores.

Fonte: Autores.

A reespecificação do modelo de mensuração seguiu os pressupostos de Gonçalves (2016) e iniciou a operacionalização pelas dimensões com menores correlações. A cada versão reespecificada, levando em conta as variáveis e dimensões removidas, o modelo foi novamente simulado, possibilitando a análise dos índices de ajustes para cada versão, com intuito de efetuar alterações até o modelo atingir índices minimamente aceitáveis.

A reespecificação do modelo de mensuração da SEM foi realizada por nove vezes até o atingimento das condições mínimas estabelecidas (Tabela 3), sendo com isso considerada aceitável ao término desse procedimento. Consequentemente, o atendimento a essas condições, sugerem um ajuste consistente desse modelo, sinalizando que não há diferença considerável entre as matrizes de variáveis, ou seja, o modelo reespecificado retratou de modo eficaz a matriz de covariância das variáveis analisadas (Figura 5).

Figura 5
Confirmatory Factor Analysis do Modelo de mensuração reespecificado da SEM
Fonte: Autores

Embora o modelo tenha utilizado dimensões e variáveis indicadas pela literatura, houve também uma importante contribuição e indicação de adição de outros elementos, por parte de experts. Dentre estes elementos indicados, os resultados confirmaram a existência de correlação das variáveis P3 (Mão-de-obra Qualificada) e Q3 (Controle de Qualidade na Fabricação). Ratificando estes achados, Fujita e Hamaguchi (2016) enfatizam que, sujeito às condições de mercado, o comportamento que resulta numa minimização de custos da gestão de estoques das empresas é proporcionado, em sua maior parte, por uma mão-de-obra qualificada, consequentemente, um efeito chicote emerge à medida que as cadeias de suprimentos se alongam e, se tornam mais incertas ao atravessar fronteiras nacionais com mais frequência. Também corroborando com esta visão, Beske, Land e Seuring (2014) destacam que, por um lado, decisões estruturais sobre como integrar técnica e, logisticamente, os parceiros na cadeia de suprimentos, dependem diretamente do Controle de Qualidade na Fabricação, gerando informações a serem compartilhadas. As correlações paritárias das dimensões e suas respectivas variáveis observadas no modelo reespecificado .9 , indicam a existência de significâncias nos caminhos (ligações) entre elas. (Tabela 4).

Tabela 4
Resultados das ligações entre dimensões e variáveis

Fonte: Autores.

Desta forma, é possível verificar a existência de significância da dimensão Custo sobre a variável C1, como exemplo, a relação C1 ← C = 0,412, com R.C. = 3,515 , ficando acima do mínimo de 1,97, com. Nesse mesmo sentido, a variável C1 possui relação de significância com a dimensão Custo e as demais variáveis (Tabela 3), também possuem relações do mesmo tipo com suas respectivas dimensões, fato que pode ser comprovado por meio das relações críticas que possuem valor acima de 1,96, e, comprovando a existência de linearidade. Subsequentemente, foi realizado teste de hipóteses do modelo reespecificado (V₉ ), sendo avaliada a significância e a magnitude dos coeficientes de regressão estimados (Tabela 5).

Tabela 5
Teste de hipótese a partir do modelo reespecificado da SEM

Fonte: Autores.

Ao analisar as relações obtidas entre os elementos do modelo teórico proposto, pode-se notar que os índices de ajustes obtidos com aquela formulação não atendem às especificações da literatura. Consequentemente, foi necessário a readequação do modelo da SEM, visando aumentar a confiabilidade da aplicação do método. Contudo, ao alterar a estrutura, a hipótese H5 foi refutada.

As demais hipóteses apresentam Coeficientes não padronizados positivos e, Erros padrão que indicam uma aceitável dispersão. A Relação Crítica superior a 1,96 (Tabela 4), corrobora para que H₁ , H ₂ , H₃ ,H ₄ ,H₅ ,H₆ e H₇ sejam consideradas suportadas.

O impacto de C ← R ( H1 ), suportado no teste de hipótese, foi confirmado com os resultados de Um et al. (2017), quanto à relação R ← D ( H 2 ), Heydari et al. (2016) confirmam essa hipótese em seu estudo, ao identificar ações tomadas por organizações, com intuito de manterem a capacidade de resposta em períodos de variação de volume.

Esses períodos podem provocar um volume de produção maior que o necessário, impactando negativamente a eficiência do custo das organizações (Heydari et al., 2016; Fayezi et al., 2015). O achado desses autores está de acordo com impacto C ← D ( H 4 ) mensurado pelo presente estudo por meio da SEM.

A hipótese R ← P ( H3 ) é defendida por Kumar et al. (2017), ao relatar a necessidade do alinhamento entre processos de gestão do conhecimento e a velocidade de resposta de uma organização. A relação de Q ← P ( H6 ) e C ← Q ( H7 ) são confirmadas pelos resultados de Nakandala et al. (2016) e Güzel & Erdal (2015), quanto ao impacto da qualidade no desempenho de uma cadeia de suprimentos.

Roehrich, Grosvold e Hoejmose (2014) fizeram uma contribuição significativa para a literatura ao conduzir um estudo transversal baseado na técnica dos 4C’s (Conflicting priorities – Prioridades conflitantes; Capabilities and resources - Capacidades e recursos; Commitment - Comprometimento e, Contextual setting - Cenário contextual) do processo de tomada de decisão envolvido no gerenciamento de cadeia de suprimentos. Os resultados destes autores sugerem que os gestores estão enfrentando uma série de restrições, o que leva a escolhas abaixo do ideal em relação ao nível de implementação na cadeia de suprimentos. Embora estes resultados sejam satisfatórios, o trabalho destes autores não realiza uma investigação multivariada, que permite analisar diferentes cenários como o apresentado neste estudo.

Revilla e Saenz, (2017), em seu trabalho, levam a literatura da cadeia de suprimentos para além do esforço do foco exclusivamente interno, considerando conjuntamente estes esforços e os interorganizacionais e, mais importante, desenvolvendo um único modelo configuracional para analisar os modos de interação no gerenciamento de riscos na cadeia de suprimentos. Entretanto, a pesquisa destas autoras aborda a lacuna da literatura com base em um escopo mais amplo das amostras, os resultados empíricos mostraram um nível mais alto de generalização ao utilizar a inferência estatística. Contudo, este estudo amplia esta pesquisa por utilizar hibridamente a análise multivariada de dados e a inferência estatística. Isso permitiu não somente a utilização destas técnicas, como também a ampliação da visualização deresultados.

Kwak et al. (2018) indicaram em sua pesquisa a importância de levar em conta as interações de risco no processo de identificação e a avaliação de eventos de risco na cadeia de suprimentos. A principal contribuição destes autores para o conhecimento é o desenvolvimento de um modelo de análise de risco de logística da cadeia de suprimentos que inclui elementos de risco e interações. Apesar deste modelo trazer uma visão holística das implicações dos elementos de risco, ela se limita a interações a partir de comparações paritárias considerando uma escala pré-definida. No estudo aqui proposto, a pesquisa vai além desta abordagem ao utilizar a escala de Saaty (1997), considerada clássica por sua abrangência cognitiva ao utilizar os princípios de Likert e, também, uma abordagem híbrida de técnicas de análise multivariada e inferência estatística.

Este estudo empírico oferece uma visão sobre a gestão de risco em cadeias de suprimentos de bebidas. Isso é operacionalizado por meio da visualização da pressão externa, ou seja, das partes interessadas, bem como da orientação interna e dos direcionadores de competitividade para a implementação de medidas voltadas à essa gestão. O objetivo do estudo foi atingido ao ser possível formular um modelo de equação estrutural e se realizar análises das inter-relações de critérios (dimensões e variáveis), para visualização de fatores de risco no gerenciamento do setor de abastecimento de cerveja do estado do Espírito Santo (ES). Dentro desse contexto, ainda foram encontrados importantes descobertas (variáveis) como: Disponibilidade de Frota (R4), Mão-de-obra Qualificada (P3) e Controle de Qualidade na Fabricação (Q3), adicionais à literatura que serviram de base para as análises do modelo da SEM.

Riscos ambientais e sociais nas cadeias de fornecimento não fizeram parte do escopo de investigação, sendo considerados fatores limitantes deste estudo. Outra limitação está na amplitude da população utilizada no levantamento survey. Os resultados enfatizam o impacto da pressão das partes interessadas sobre as empresas e suas cadeias de suprimentos, como a dimensão qualidade e seus desdobramentos, por exemplo. No entanto, o estudo também encontrou evidências que apontam para o interesse próprio, em temos de gestão, assim como, uma motivação pessoal das empresas em avançar para a gestão sustentável da cadeia de suprimentos, reduzindo riscos específicos ou de gerenciamento complexo.

Uma sugestão-chave para pesquisas futuras é estender este estudo para outros segmentos, onde a maioria dos fornecedores e fábricas estejam localizados em diferentes áreas. Esta futura pesquisa deve (1) produzir uma visão interessante sobre as percepções de gestores nesses segmentos e (2) permitir a comparação com estudos realizados em diferentes realidades. Uma segunda extensão deste estudo abordaria diferentes setores industriais no segmento de bebidas. Isso também deve fornecer informações mais detalhadas e abrangemtes sobre a influência da exposição ao risco.

Por fim, uma das omissões deliberadas deste estudo que também valeria a pena ser explorada é a interseção de riscos ambientais e sociais com riscos econômicos. Embora as evidências encontradas sejam importantes para o setor de bebidas, essa interseção em um estudo separado, se apresenta como promissora e aprofundaria os insights sobre o gerenciamento de riscos da cadeia de suprimentos. Em termos práticos, este estudo propicia aos gestores e profissionais atuantes no setor de bebidas, uma importante ferramenta de planejamento e gestão, que pode ser empregada em diversos setores de uma organização, auxiliando a formulação de parâmetros de desempenho, com intuito de reduzir efeitos negativos nos resultados de toda cadeia de suprimentos.

Agradecemos ao Laboratório de Pesquisa Operacional Logística e Transportes (POLT), da Universidade Federal do Espírito (UFES) / Centro Universitário Norte do Espírito Santo (CEUNES), pelo apoio acadêmico e técnico na elaboração e desenvolvimento deste estudo.

Á Fundação de Amparo a Pesquisa no Espírito Santo (FAPES) pelo apoio financeiro que, em seu legado, tem tornado possível a realização de projetos como este (Editais FAPES-CNPq nº 13/2018 - PICJr; FAPES nº 21/2018 - Universal e FAPES nº. 18/2018 - Bolsa de Pesquisador Capixaba).

A Profa Márcia Inês Stefanello Fischborn, Mestre em Gestão Social, Educação e Desenvolvimento Regional, Pós Graduada em: Gestão e Organização Escolar/ Língua Portuguesa e Literatura Brasileira/ Psicopedagogia e Educação Especial, e Graduada em Letras - Inglês/Português, por sua colaboração na revisão ortográfica e gramatical deste trabalho, possibilitando o aprimoramento da qualidade textual e o amadurecimento científico dos autores.