Abstract:
Os Sistemas de Gestão em Saúde e Segurança do Trabalho (SGSST) cumprem um
papel fundamental para as organizações. Segundo o International Labour
Organization (ILO, 2020), apesar da maior atenção ao tema por parte dos governos e
empresas, a quantidade de acidentes e doenças relacionadas ao trabalho, assim
como o respectivo impacto econômico permanecem significativos. Aspectos técnicos,
comportamentais e econômicos são afetados pelo desempenho desses sistemas e,
por consequência, o resultado geral das organizações. Neste contexto, a avaliação de
performance do SGSST representa um mecanismo importante para revisão das
medidas implementadas com respeito aos resultados obtidos. Esse campo de estudo,
entretanto, tem sido negligenciado na medida em que divergências conceituais são
frequentemente observadas nos instrumentos de avaliação propostos,
comprometendo a qualidade da análise dos resultados. Além disso, as organizações
avaliam o desempenho do SGSST predominantemente através da eficácia
(cumprimento dos objetivos previamente definidos), sem levar em consideração os
recursos utilizados, e sem avaliar o impacto de cada iniciativa em relação aos
resultados obtidos. Portanto, defende-se a tese de que a performance de SGSST deve
ser avaliada de forma complementar por meio da análise da eficiência, e que a Data
Envelopment Analysis (DEA) pode contribuir para esse objetivo. Essa pesquisa segue
o modelo de tese baseada em artigos e tem por objetivo geral a avaliação da eficiência
de Sistemas de Gestão de Saúde e Segurança do Trabalho (SGSST) por meio do uso
da DEA. O estudo contribui para preencher lacunas teóricas acerca da precisão
conceitual das medidas de performance utilizadas na literatura de SGSST, propondo
uma base conceitual para essa linha de estudo. Além disso, o modelo de avaliação
proposto contribui diretamente para uma maior assertividade na tomada de decisão
por parte das organizações, ao agregar a avaliação integrada da eficiência técnica e
da eficácia do SGSST. As principais limitações do estudo são a ausência de aplicação
do modelo em benchmarking externo, e no fato de que os dados utilizados serem
provenientes de um caso único.