FACULDADE DE ECONOMIA E ADMINISTRAÇÃO CURSO DE MESTRADO EM ECONOMIA APLICADA PEDRO GUILHERME COSTA FERREIRA PREVISÃO E IMPACTOS SETORIAIS DO CONSUMO DE ENERGIA ELÉTRICA NO BRASIL: UMA ANÁLISE INTEGRADA ECONOMÉTRICA COM INSUMO- PRODUTO PARA O PERÍODO DE 2009 A 2014. JUIZ DE FORA DEZEMBRO, 2008 PEDRO GUILHERME COSTA FERREIRA PREVISÃO E IMPACTOS SETORIAIS DO CONSUMO DE ENERGIA ELÉTRICA NO BRASIL: UMA ANÁLISE INTEGRADA ECONOMÉTRICA COM INSUMO- PRODUTO PARA O PERÍODO DE 2009 A 2014. Dissertação apresentada ao programa de Pós-Graduação em Economia Aplicada da Faculdade de Economia e Administração da Universidade Federal de Juiz de Fora como parte das exigências do Mestrado em Economia Aplicada. Orientador: Prof. Dr. Fernando Salgueiro Perobelli Co-orientador: Rogério Silva de Mattos JUIZ DE FORA DEZEMBRO, 2008 PEDRO GUILHERME COSTA FERREIRA PREVISÃO E IMPACTOS SETORIAIS DO CONSUMO DE ENERGIA ELÉTRICA NO BRASIL: UMA ANÁLISE INTEGRADA ECONOMÉTRICA COM INSUMO- PRODUTO PARA O PERÍODO DE 2009 A 2014. Dissertação submetida à Faculdade de Economia e Administração da Universidade Federal de Juiz de Fora, como requisito parcial para a obtenção do título de Mestre em Economia Aplicada, com área de concentração em Métodos de Análise Regional. APROVADA EM ___/___/___ Prof. Dr. Fernando Salgueiro Perobelli FEA - Universidade Federal de Juiz de Fora Prof. Dra. Suzana Quinet Andrade Bastos FEA - Universidade Federal de Juiz de Fora Prof. Dr. Alexandre Zanini FEA - Universidade Federal de Juiz de Fora Prof. Dr. Edson Paulo Domingues CEDEPLAR – Universidade Federal de Minas Gerais Ferreira, Pedro Guilherme Costa Previsão e impactos setoriais do consumo de energia elétrica no Brasil: uma análise integrada econométrica com insumo- produto para o período 2009 a 2014 / Pedro Guilherme Costa Ferreira. -- 2009. 115 f. Dissertação (Mestrado em Economia Aplicada)-Universidade Federal de Juiz de Fora, Juiz de Fora, 2009. 1. Energia elétrica. 2. Insumo-produto. 3. Econometria I. Titulo. CDU 621.3 ii DEDICATÓRIA A Deus, a Maria do Carmo, a Iria, aos Joãos e a Roberta. iii AGRADECIMENTOS A Deus, aos meus pais João e Maria, a minha tia Iria e meus irmãos Roberta e João Guilherme. Ao professor e amigo Fernando Perobelli por todos esses 5 anos que trabalhamos juntos, pela amizade, pela atenção e pelas oportunidades. A minha vó Terezinha, por zelar tanto pela minha família, ao meu padrinho Leão e ao meu tio Pacelli pelos excelentes conselhos e momentos em que passamos juntos. Aos meus primos e amigos Danilo, Luis Otávio, Victor, Marco Antônio e Ignácio, com certeza sem eles teria sido muito mais difícil. A todos meus familiares por estarem sempre presente nos bons momentos da minha vida, em especial, ao Tio Quincas. A professora Suzana, pelos conselhos e correções fundamentais para a evolução da minha dissertação. Ao professor Rogério, pela co-orientação, pelos conselhos e amizade. Ao professor Zanini pela grande contribuição dado ao meu trabalho e pelas oportunidades. Ao professor Eduardo Almeida, pela amizade, conselhos e parceria, e a todos os professores do corpo docente do mestrado. A Cida, pela paciência e competência e por ter me aturado durante esse período. Ao professor Edson Domingues por ter me prestigiado com sua participação neste trabalho. A Fapemig pelo apoio financeiro. Finalmente, aos meus amigos de mestrado, Wander e Morais pelo futebolzinho de toda segunda; a Terciane por promover as noitadas e pelos almoços no RU, a Flaviane e Rosa pelas conversas e o almoço diário no RU, a Ludmilla, e ao amigo Vinicius, pelos momentos engraçados. iv RESUMO Esta dissertação propôs uma nova abordagem para o estudo da energia elétrica para o Brasil, que consiste na integração de modelos econométricos (EC) e de insumo-produto (IP). A referida integração ocorre via agregados macroeconômicos. O primeiro passo é a estimação de três agregados macroeconômicos (consumo das famílias, exportações e importações) cada um desagregado para 12 setores econômicos. O segundo passo é utilizar tais estimativas para examinar efeitos de variação dos agregados macroeconômicos na estrutura de IP. Isso permite obter estimativas setoriais dos componentes da demanda final para o período de 2009 a 2014 em três diferentes cenários. Dessa forma, tornou-se possível identificar que as exportações serão o agregado econômico que mais irá pressionar os setores quanto ao consumo de energia elétrica nos anos de 2009 a 2014. Por outro lado, verificou- se que as importações são um “não consumidor” do setor elétrico brasileiro. O estudo também faz uma ampla discussão sobre o setor elétrico brasileiro, bem como, o consumo de energia elétrica entre os setores trabalhados nesta dissertação. v ABSTRACT This study proposes a new approach for studying the Brazilian electricity sector, based on the integration of econometric (EC) and input-output (IO) models. Such integration is undertaken through the macroeconomics aggregated. The first step estimates three macroeconomics aggregated (household consumption, exports, and imports), each one disaggregated by 12 economic sectors. The second step uses such estimates to examine the effects of varying the macroeconomics aggregated upon the IO Structure. This allows to obtain sectorial estimates of the macroeconomics aggregated on an yearly basis from 2009 to 2014 and under three different scenarios. Thus, it made possible to identify exports as macroeconomics aggregated that pressure most the sectors regarding the electricity consumption. On other hand, it proved that imports are “not consumer” of the Brazilian electricity sector. The study also presents a comprehensive discussion on the Brazilian electricity sector, as well as the electricity consumption among the sectors analyzed in this study. vi LISTA DE GRÁFICOS Gráfico 1 – Participação dos tipos de centrais na capacidade instalada (MW) para a geração de energia elétrica no Brasil ......................................................... 14 Gráfico 2 – Evolução da Capacidade Instalada de geração de Energia Elétrica e Variação Percentual ........................................................................................... 15 Gráfico 3 – Consumo de Eletricidade – em GWh .................................................. 20 Gráfico 4 - Comparação entre o Consumo de Energia Elétrica e o PIB ................ 23 Gráfico 5 – Variação Percentual do consumo de Energia Elétrica dos setores observados............................................................................................................. 26 Gráfico 6 – Evolução do Consumo Real de Energia Elétrica (em GWh) Setorial.................................................................................................. 27 Gráfico 7 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação no consumo das famílias no setor Agropecuário ............................ 72 Gráfico 8 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação no consumo das famílias do setor de Alimentos e Bebidas ............ 74 Gráfico 9 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação no consumo das famílias do setor de Ferro e Aço, Metais não ferrosos e outras Metalurgias .............................................................. 76 Gráfico 10 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação no consumo das famílias do setor Outras Indústrias ...................... 78 Gráfico 11 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação no consumo das famílias do setor de Transportes.......................... 79 Gráfico 12 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação nas exportações do setor Agropecuário.......................................... 82 Gráfico 13 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação nas exportações do setor Minerais não metálicos .......................... 83 Gráfico 14 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação nas exportações do setor Outras Indústrias.................................... 85 Gráfico 15 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação nas exportações do setor Têxtil e Vestuário ................................... 86 Gráfico 16 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação nas importações do setor Minerais não metálicos .......................... 88 vii Gráfico 17 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação nas importações do setor Outras Indústrias.................................... 90 viii LISTA DE TABELAS Tabela 1 – Deflator Implícito do PIB (variação percentual anual)........................... 31 Tabela 2 – Coeficiente de Energia Elétrica (GWh/PIB) .......................................... 33 Tabela 3 – Índice de Ligação para Trás e para Frente e Setores chave................ 35 Tabela 4 – Insumo-Produto para uma Região........................................................ 37 Tabela 5 – Comparação entre os Modelos IP, EC e EC+IP................................... 56 Tabela 6 – Resultados das estatísticas de teste do consumo das famílias para o Modelo de Amortecimento Exponencial (MAE) e de Box & Jenkins (BJ)............ 67 Tabela 7 – Resultados das estatísticas de teste das Exportações para o Modelo de Amortecimento Exponencial (MAE) e de Box & Jenkins (BJ)............... 69 Tabela 8 – Resultados das estatísticas de teste das Importações para o Modelo de Amortecimento Exponencial (MAE) e de Box & Jenkins (BJ)............... 70 Tabela 9 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação do consumo das famílias do setor Agropecuário ............................ 73 Tabela 10 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação no consumo das famílias do setor de Alimentos e Bebidas ............ 75 Tabela 11 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação no consumo das famílias do setor de Ferro e Aço, Metais não ferrosos e outras Metalurgias .............................................................. 77 Tabela 12 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação no consumo das famílias do setor Outras Indústrias ...................... 78 Tabela 13 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação no consumo das famílias do setor Transportes .............................. 80 Tabela 14 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação nas exportações no setor Agropecuário.......................................... 82 Tabela 15 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação nas exportações no setor Minerais não Metálicos .......................... 84 Tabela 16 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação nas exportações do setor Outras Indústrias.................................... 85 Tabela 17 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação nas exportações do setor Têxtil e Vestuário ................................... 87 ix Tabela 18 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação nas importações do setor Minerais não metálicos .......................... 89 Tabela 19 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação nas importações do setor Outras Indústrias.................................... 90 x LISTA DE QUADROS E FIGURAS Quadro 1 – Comparativo entre os Modelos Energéticos........................................ 12 Figura 1 – Integração entre os sistemas de produção e transmissão para o suprimento do mercado consumidor ..................................................................... 19 Quadro 2 – Fonte e Atualização das Variáveis ...................................................... 31 Figura 2 – Passos para estimação do melhor método ........................................... 44 Quadro 3 – Procedimento da Análise fora da Amostra .......................................... 46 Figura 3 – Exemplo de uma Distribuição de Probabilidade Normal ....................... 48 Quadro 4 – Características da FAC e da FACP..................................................... 53 Quadro 5 – Trabalhos que abordaram o Método EC + IP ..................................... 60 xi LISTA DE SIGLAS ANEEL – Agência Nacional de Energia Elétrica BEN – Balanço Energético Nacional EPE – Empresa de Pesquisa Energética GW – Gigawatt = 109 watts (potência ativa) GWh – Gigawatt hora = 109 watts por hora (energia) Hz – Hertz (freqüência) IEA – International Energy Agency KV – Quilovolt = 102 volts (tensão) MAE – Mercado Atacadista de Energia MME – Ministério de Minas e Energia MW – Megawatt = 106 watts (potência ativa) MWh – Megawatt hora = 106 watts por hora (energia) MWh/h – Megawatt hora por hora (potência média na hora) ONS – Operador Nacional do Sistema Elétrico PCH – Pequenas Centrais Hidrelétricas PNE – Plano Nacional de Energia SIN – Sistema Interligado Nacional UHE – Usina Hidrelétrica UTE – Usina Termelétrica UTN – Usina Termonuclear xii SUMÁRIO Página INTRODUÇÃO ...................................................................................................... 01 CAPÍTULO 1 – O SETOR DE ENERGIA ELÉTRICA NO BRASIL......................... 06 1.1. Os determinantes da crise do Setor Elétrico em 2001 e os Modelos Energéticos..................................................................... 07 1.2. A Oferta de Energia Elétrica ................................................................. 13 1.2.1. Peculiaridades da Oferta de Energia Elétrica no Brasil ............. 15 1.2.2. Sistema Interligado Nacional (SIN) ............................................. 17 1.3. O Consumo de Energia Elétrica ........................................................... 20 1.3.1. Consumo Setorial de Energia Elétrica ........................................ 25 CAPÍTULO 2 – METODOLOGIA E BASE DE DADOS .......................................... 29 2.1. Base de Dados ..................................................................................... 30 2.1.1. Preparação dos Dados ............................................................... 30 2.1.2. Matriz de Insumo-Produto e Balanço Energético Nacional ........ 32 2.2. Metodologia ......................................................................................... 35 2.2.1.Modelo de Insumo-Produto (IP) .................................................. 37 2.2.2. Taxonomia Econométrica para integrar ao modelo IP ................ 39 2.2.3. Metodologia Econométrica de Séries de Tempo ........................ 43 2.2.3.1. Método de Amortecimento Exponencial ............................. 49 2.2.3.2. Método Box & Jenkins ........................................................ 52 2.2.4. Modelo Econométrico (EC) integrado ao Modelo de Insumo-Produto (IP) ................................................................... 54 xiii 2.2.4.1. Estratégias de Ligação.................................................. 61 2.2.5. Estratégia de Integração entre o Modelo Econométrico e a Matriz IP ................................................................................ 63 CAPÍTULO 3 – APRESENTAÇÃO E DISCUSSÃO DOS RESULTADOS.............. 65 3.1. Módulo Econométrico ........................................................................... 65 3.1.1. Consumo das Famílias ............................................................... 66 3.1.2. Exportações ................................................................................ 68 3.1.3. Importações ................................................................................ 69 3.2. Módulo Econométrico com Insumo-Produto......................................... 71 3.2.1. Consumo das Famílias ............................................................... 71 3.2.1.1. Agropecuária................................................................. 72 3.2.1.2. Alimentos e Bebidas...................................................... 74 3.2.1.3. Ferro e Aço, Metais não ferrosos e outras Metalurgias...................................................................... 76 3.2.1.4. Outras Indústrias ........................................................... 77 3.2.1.5. Transportes ................................................................... 79 3.2.2. Exportações ................................................................................ 80 3.2.2.1. Agropecuária................................................................. 81 3.2.2.2. Minerais não Metálicos.................................................. 82 3.2.2.3. Outras Indústrias ........................................................... 84 3.2.2.4. Têxtil e Vestuário........................................................... 86 3.2.3. Importações ................................................................................ 87 3.2.3.1. Minerais não Metálicos.................................................. 88 3.2.3.2. Outras Indústrias ........................................................... 89 CAPÍTULO 4 – CONSIDERAÇÕES FINAIS........................................................... 91 REFERÊNCIAS...................................................................................................... 95 ANEXOS ................................................................................................................ 102 INTRODUÇÃO A energia é um componente essencial para o crescimento do produto da economia de uma nação. Em termos de suprimento energético, a eletricidade se tornou uma das formas mais versáteis e convenientes de energia, passando a ser indispensável e estratégico para transformar regiões desocupadas e/ou pouco desenvolvidas em pólos industriais e grandes centros. (ATLAS DE ENERGIA ELÉTRICA, 2005). Pelo fato da energia elétrica ser um fator limitante ao processo de industrialização e do crescimento econômico, a disponibilidade e o acesso aos recursos energéticos assumem aspectos de grande importância. Em outras palavras, a questão energética é fundamental para qualquer nação. O crescimento da economia brasileira verificado nos anos de 2004 a 2008, e ainda, a perspectiva de sua manutenção para os de 2009 a 2014 (em média 3,5% a.a., segundo International Monetary Fund, 2008), reforçam a importância e a preocupação em relação ao atendimento do consumo de energia elétrica no país para os anos prospectivos, dado a existência de uma forte correlação entre o desempenho econômico e o crescente consumo de energia elétrica. Além disso, estudar o setor elétrico é proeminente porque, (a) existe uma dificuldade de se fazer o planejamento do setor energético, (b) a importação de energia elétrica só pode ser feita se houver linhas de transmissão e, (c) como conseqüência de (b), a falta desse insumo implica em racionamento elétrico, fato que impedirá o crescimento da economia. 2 O setor elétrico pode ser um limitante ao crescimento devido não só a sua indisponibilidade, mas também à especulação1. Esses problemas, fruto da falta de sincronia entre o consumo planejado e o efetivo, podem gerar o aumento da tarifa de energia elétrica para a população acarretando perda de bem-estar, conforme aconteceu no Brasil no período de 1996 a 2003 (AGUIAR ET AL, 2007). Ou ainda, uma grave crise de abastecimento de energia elétrica, como por exemplo, a que ocorreu em 2001 no Brasil2. Portanto, as previsões de mercados e os investimentos para garantir o atendimento aos agentes, devem acontecer em condições adequadas, isto é, deve haver redução das incertezas com relação às previsões para o setor, o que implica na adoção de métodos capazes de captar a complexidade que envolve a indústria de energia elétrica. (CAIO et al, 1998) Para Faria (2000), planejamento de um setor consiste em, de maneira geral, equilibrar os níveis de oferta e demanda, ou seja, segundo Cima (2006), em primeiro lugar estima-se um crescimento da demanda agregada (modelos econométricos) por bens e serviços e, em seguida, deve-se assegurar o crescimento da produção em níveis compatíveis com a demanda, utilizando os recursos disponíveis com máxima eficiência. Nesse sentido, para Caio et al (1998), o aprimoramento das técnicas de previsão é fundamental para reduzir os desvios entre o mercado previsto e o realizado. Assim, os indicadores energéticos assumem um papel de fundamental importância, dado que constituem uma ferramenta de análise, a qual permite o formulador de política econômica avaliar o setor (por exemplo, aspectos do consumo de energia elétrica), e em seguida, traçar políticas adequadas àquele campo. 1 A Califórnia foi o primeiro estado Norte Americano a desregulamentar o mercado de energia elétrica, no entanto, a falta de atuação competente dos órgãos reguladores e de planejamento levou o mercado a um total descontrole de preços, jogos de retenção da capacidade (especulação) e distribuidoras centenárias em estágio de insolvência. Para maiores detalhes ver Uller (2005). 2 O racionamento de energia elétrica não é um fato novo no Brasil, por exemplo, nos anos de 1953 a 1955, 1963 e 1964 as cidades do Rio de Janeiro e São Paulo sofreram com esse problema. (BARDELIN, 2004). Ainda, em maio de 1953, a cidade de Belo Horizonte e na década de 1980, alguns estados do nordeste enfrentaram grave crise de energia elétrica. (CAMARGO, 2005). 3 Dentro desse contexto, o objetivo da dissertação é propor uma nova forma de análise do comportamento do consumo do setor elétrico brasileiro como um todo, pois prever o consumo de energia elétrica a médio e longo prazo é fundamental devido ao elevado período de maturação dos investimentos, e ainda, a ociosidade de tais investimentos pode proporcionar graves prejuízos ao seguimento. O primeiro passo é estimar três agregados macroeconômicos (consumo das famílias, exportações e importações) de forma setorial3 (e.g. minerais não metálicos) para o período de 2009 a 2014 (módulo econométrico (EC)), o segundo, é interligar tais estimativas na matriz de insumo-produto e verificar o consumo de energia elétrica (medidos em GWh) também de forma setorial (módulo de insumo-produto (IP)) para três diferentes cenários (otimista, moderado e pessimista) gerados por meio das previsões intervalares (“Lower”; “Upper”) do módulo EC. Ou seja, será construído um modelo integrado (modelo econométrico e de insumo-produto), o qual, de acordo com Guilhoto (2004), possibilita obter ganhos com relação ao poder de previsão do modelo econométrico e, por outro lado, tirar vantagem dos aspectos inter-setoriais encontrados no modelo de insumo-produto. Para tal, são utilizados dados setoriais referentes aos componentes da demanda final para estimar o modelo econométrico, isto é, far-se-á uso dos resultados do consumo das famílias referentes ao período de 1974 a 2003 disponibilizados pelo Instituto Brasileiro de Geografia e Estatística (IBGE, 2008). E, para as exportações e importações utilizam-se os dados disponibilizados pelo Ministério do Desenvolvimento, Indústria e Comércio Exterior (MDIC, 2008) para o período de 1974 a 2007. Ainda, para o módulo IP, utiliza-se a matriz de insumo-produto de 2005 elaborada pelo Instituto Brasileiro de Geografia e Estatística (IBGE, 2008). Guilhoto (2004) e Hawdon e Pearson (1995) apontam algumas vantagens no uso da estrutura de insumo-produto para analisar questões relativas ao setor energético: a) permite uma desagregação setorial maior do que os modelos de otimização dinâmica e os modelos macroeconômicos; b) permite a incorporação de fluxos de 3 Os setores abordados são: Agropecuária; Mineração e Pelotização; Minerais não metálicos; Ferro e Aço; Metais não ferrosos e outras metalurgias; Papel e Celulose; Química; Alimentos e Bebida; Têxtil e Vestuário; Outras Indústrias; Comércio e Serviços, Transporte e Serviços Públicos e S.I.U.P. 4 energia inter-setoriais tanto em termos físicos quanto monetários e c) possibilita implementar análises de impacto. Embora, esses modelos também apresentem alguns entraves, quais sejam: (i) coeficientes fixos de insumo-produto; (ii) retornos constantes de escala e (iii) demanda final determinada exogenamente (essa limitação é suplantada pelo fato de se estimar econometricamente os agregados macroeconômicos). Para os autores tais limitações não invalidam os resultados do modelo. A maior contribuição deste trabalho é verificar o quanto, dado um cenário pessimista, moderado e um otimista, um crescimento nos agregados macroeconômicos (consumo das famílias, exportações e importações) em um determinado setor (e.g. agricultura) irá impactar no consumo de energia elétrica desse setor e dos demais setores da economia. Dito de outra forma, com essa metodologia, além da possibilidade de se estimar o consumo de eletricidade de forma setorial (módulo IP), é possível verificar tal consumo com variações setoriais dos agregados macroeconômicos, tanto no consumo das famílias, como nas importações e exportações. Ainda, é importante salientar o período escolhido para previsão, isto é, os anos de 2009 a 2014, uma vez que, segundo o Instituto Acende Brasil (2008), em 2010 o risco de racionamento no país será de 8%, sendo que o limite máximo aceitável tanto para a Agencia nacional de Energia Elétrica (ANEEL) quanto para o Operador Nacional do Sistema (ONS) é de 5%. Em 2011, o indicador aumentará para 14%, ou seja, quase o triplo do risco máximo admissível. Dessa forma, estendeu-se o prazo até 2014, pois o risco tende a aumentar. Por fim, além dessa primeira seção de caráter introdutório, a dissertação está organizada da seguinte forma. No primeiro capítulo discutem-se os principais motivos que levaram a crise de 2001 com destaque para os modelos do setor Elétrico adotados pelo Governo Federal, e ainda, as características de oferta e do consumo deste insumo. A idéia desse capítulo é mostrar a evolução da oferta e consumo de eletricidade no país, a relação intrínseca com o PIB, e ainda tratar da evolução do consumo de energia elétrica dos 12 setores trabalhados nesta dissertação. 5 O capítulo 2 trata da base de dados e da metodologia adotada para a elaboração do trabalho. Com relação à base de dados do módulo EC, especifica-se como e onde tais dados foram extraídos, bem como, a maneira como foram atualizados. Para o módulo IP, demonstra-se como a matriz foi compatibilizada com o Balanço Energético Nacional (BEN, 2007), e por último, faz-se uma análise estrutural dessa matriz. Quanto a metodologia, primeiramente, caracteriza-se o método de insumo- produto, e, em seguida o módulo econométrico (séries de tempo). Por fim, aborda-se o método econométrico com insumo-produto. O capítulo três fica reservado à discussão dos resultados provenientes do modelo EC+IP, onde será possível identificar os setores mais intensivos em energia elétrica, fazer a previsão de forma setorial e identificar possíveis gargalos de oferta deste insumo. Por fim, no capítulo 4 são abordadas as conclusões e recomendações de possíveis políticas energéticas a serem adotadas, além disso, são citadas possibilidades de trabalhos futuros. 1 O SETOR DE ENERGIA ELÉTRICA NO BRASIL Este capítulo possibilita conhecer melhor o setor de energia elétrica no Brasil. Inicialmente, objetiva-se, de forma concisa, contextualizar no período pós 1980, os principais motivos que culminaram na crise do setor elétrico em 2001, com destaque para as mudanças ocorridas nos modelos energéticos adotados pelo Governo Federal. Nas duas próximas seções serão abordados a oferta e o consumo de eletricidade no país. Na primeira, retratam-se os principais tipos de geração de energia elétrica no Brasil, bem como a evolução da capacidade instalada. Ainda, enfatizam-se as características singulares do sistema elétrico brasileiro devido ao seu potencial hidrelétrico. E, por último retrata-se o Sistema Interligado Nacional (SIN), o maior sistema interligado do mundo. Na parte do consumo, abordam-se as categorias que mais estão consumindo energia elétrica no país, bem como, acompanhando a evolução do consumo, isto é, quais as categorias que aumentaram ou diminuíram sua participação no consumo total de energia elétrica ao longo do tempo. Além disso, é enfatizada a relação entre o PIB e o consumo de energia elétrica à luz dos acontecimentos políticos e 7 econômicos tanto no Brasil como no Mundo. Por último, destaca-se o consumo de energia elétrica efetivo dos setores analisados. 1.1. Os determinantes da crise do Setor Elétrico em 2001 e os Modelos Energéticos De acordo com Pires et al. (2002), em geral, a procedência da crise de oferta de energia elétrica no Brasil está relacionada com quatro causas principais: (a) esgotamento do modelo estatal, responsável pela expansão do setor desde os anos 1960; (b) falhas no planejamento da transição do modelo estatal para o modelo privado; (c) problemas contratuais e regulatórios; e (d) falta de coordenação entre os órgãos governamentais. Quanto à falência do modelo estatal, este se deu principalmente por duas razões. Em primeiro lugar, a crise fiscal do Estado, com o fim da capacidade de investimento da União nos níveis necessários para expansão do sistema (as empresas eram predominantemente estatais). Em segundo lugar, um regime regulatório inadequado, que não estimulava a busca da eficiência e do baixo custo na geração (as tarifas eram reguladas nos segmentos de geração, distribuição e transmissão). Em relação à crise fiscal do Estado, a qual teve início na década de 1980 e reduziu a quantidade de recursos da União para investimentos4, é importante destacar que outros fatores contribuíram para o aprofundamento desse problema. Em primeiro lugar, a elevação do custo marginal de expansão do setor, dado que as novas bacias hidrelétricas se situam mais distantes dos centros consumidores. Nesse sentido, proporcionalmente mais recursos tinham de ser investidos para construção da mesma quantidade de geração. Em segundo lugar, a deterioração do valor real das tarifas, cujo patamar de preço passou a não refletir o aumento dos custos setoriais. As tarifas, além de serem equalizadas para todo o país (não havia competição), foram muitas vezes utilizadas 4 Até 1995 o financiamento do setor elétrico era, basicamente, com recursos públicos (ver quadro 1). (CAMÂRA DE COMERCIALIZAÇÃO DE ENERGIA ELÉTRICA, 2008) 8 como instrumento de controle inflacionário. Esse processo culminou com a descapitalização e decorrente inadimplência dos diversos agentes setoriais. Terceiro, com a consolidação da democracia e com o advento da estabilidade monetária, as demandas sociais impuseram aos governos a necessidade de maior critério na aplicação dos recursos da União. (PIRES et al., 2002). Essas razões fizeram com que os investimentos das empresas estatais não fossem capazes de acompanhar as necessidades de crescimento da demanda no país. Gerou-se, então, grande número de obras paralisadas, que ainda pioravam a situação por conta da elevação de seus custos financeiros, devido à dilatação do cronograma de obras. Do ponto de vista regulatório, a inexistência de estímulos à busca de eficiência produtiva fez com que as empresas não tivessem incentivos para reduzirem seus custos. Segundo Schaeffer et al (2003) na década de 1970, por exemplo, as tarifas eram equalizadas em todo o território nacional como incentivo ao desenvolvimento energético de certas regiões, fazendo com que empresas superavitárias e deficitárias compensassem, mediante transferências, os ganhos e perdas provenientes do esforço individual de cada uma delas (ver quadro 1). Em 1993, as tarifas voltaram a ser fixadas pelas concessionárias distribuidoras de energia elétrica, justificando a necessidade das empresas adequarem as suas tarifas ao mercado que atendiam, de modo a atingir um patamar satisfatório de rentabilidade. Quanto às falhas de transição do modelo estatal para o privado, ao iniciar as privatizações em meados de 1995, ao contrário do que era esperado, as empresas privatizadas não investiram na expansão do parque gerador, priorizando o pagamento de dividendos para seus novos controladores. Assim sendo, os efeitos mais importantes dessas privatizações, segundo Fernandes et al (2005), foi uma rápida recuperação dos níveis tarifários (defasados até então), a fim de aumentar a atratividade das empresas privadas para o setor. Em 1995, com a Lei nº 8.987, de 13 de fevereiro de 1995, chamada “Lei das Concessões” inicia-se o processo de privatização e reforma do setor. Segundo Pêgo e Campos Neto (2008), além de criar condições para maior participação do capital 9 privado, a nova Lei introduziu a competição na construção de novos projetos mediante regulamentação do regime de licitação das concessões, antes exclusivo às concessionárias estaduais e federais. A reforma para o modelo de Livre Mercado (1995 a 2003) (quadro 1) teve prosseguimento com a aprovação do Decreto nº 1.503, de 25 de maio de 1995, o qual incluiu o Sistema Eletrobrás5 no Programa Nacional de Desestatização (PND) e orientou as privatizações nos segmentos de geração e distribuição. Ainda, de acordo com os autores, a reestruturação foi reforçada com a Lei nº 9.074, de 7 de setembro de 1995, a qual estabeleceu as bases legais para que os grandes consumidores pudessem comprar energia livremente (Consumidores Livre), e o Decreto nº 2.003/1996 regulamentou o produtor independente de energia, peça-chave no sistema, além de autorizar a venda da produção excedente do auto-produtor. Dando seqüência à reforma, em 1996 foi implantado o Projeto de Reestruturação do Setor Elétrico Brasileiro (Projeto RE-SEB). As principais conclusões do projeto foram, (i) a necessidade de implementar a desverticalização das empresas de energia elétrica, isto é, dividi-las nos segmentos de geração, transmissão e distribuição; (ii) incentivar a competição nos segmentos de geração e comercialização, e (iii) manter sob regulação os setores de distribuição e transmissão de energia elétrica, considerados como monopólios naturais, sob regulação do Estado. (CAMÂRA DE COMERCIALIZAÇÃO DE ENERGIA ELÉTRICA, 2008). Observou-se também a necessidade de criação de um novo órgão regulador e fiscalizador de todas as relações no setor6 (Agência Nacional de Energia Elétrica - ANEEL), de um operador para o sistema elétrico nacional, o qual deveria controlar de forma integrada toda a operação do sistema elétrico, e que iniciou seu funcionamento em agosto de 1998 (Operador Nacional do Sistema Elétrico - ONS) e 5 A Eletrobrás controla grande parte dos sistemas de geração e transmissão de energia elétrica do Brasil por intermédio de seis subsidiárias: Chesf, Furnas, Eletrosul, Eletronorte, CGTEE e Eletronuclear. A empresa possui ainda 50% da Itaipu Binacional e também controla o Centro de Pesquisas de Energia Elétrica (Cepel), o maior de seu gênero no Hemisfério Sul. (ELETROBRÁS, 2008). 6 No caso do setor elétrico, o órgão regulador se chamava DNAEE – Departamento Nacional de Energia Elétrica (1967 a 1997), sendo substituído pela ANEEL em 26/12/1996, pela Lei nº 9427. (DELGADO, 2003) 10 de um ambiente para a realização das transações de compra e venda de energia elétrica (Mercado Atacadista de Energia Elétrica – MAE), o qual começou a atuar, com muitas restrições, a partir de 2000. Goldenberg e Prado (2003) destacam que o insucesso da reforma do setor elétrico (Modelo de Livre Mercado) aconteceu não apenas devido a falta de recursos externos7 ou as resistências políticas encontradas no próprio governo, mas, e principalmente, às falhas de gerenciamento estratégico, coordenação e planejamento do sistema elétrico induzidas pela adoção de uma reforma calcada em experiências de outros países e inadequada às características brasileiras e ao sistema predominantemente hidrelétrico. Em 2001, devido às falhas da reforma e a problemas hídricos (baixo volume de chuvas), o setor elétrico sofreu uma grave crise de abastecimento que culminou em um plano nacional de racionamento de energia elétrica, onde foram afetadas todas as categorias de consumidores (Residencial, Industrial, Comercial, Rural, Poder Público, Iluminação Pública, Serviço Público e Consumo Próprio). De acordo com Pêgo e Campos Neto (2008), como a crise foi constatada tardiamente as medidas de resultados imediatos foram as de controle do consumo. Quanto ao governo, este se concentrou na viabilização dos projetos de construção das usinas termelétricas e reforçou o orçamento de investimento das empresas estatais. Em 2003, segundo Marreco (2007), os problemas financeiros persistiram junto às distribuidoras levando o governo a viabilizar a implantação de um programa de antecipação de recursos via Banco Nacional de Desenvolvimento Econômico e Social (BNDES) para as concessionárias de distribuição. Adicionalmente foi elaborado um novo modelo institucional para o setor energético (instituído pela Lei N° 10.848, de 15 de março e decreto N° 5.163 de 30 de julho de 2004), com o legado de corrigir as falhas que ocasionaram a crise, com foco principal nas questões de modicidade tarifária, universalização do acesso e na retomada do planejamento energético (quadro 1). 7 Havia grande dependência do setor externo para o financiamento do setor elétrico, tal fato, confirmou-se com a crise do México em março de 1995 e a crise Asiática em outubro de 1997, causando grande fuga de capitais. (CANUTO, 2000 e MARRECO, 2007). 11 Em termos institucionais, o novo modelo definiu a criação de uma empresa responsável pelo planejamento do setor elétrico a longo prazo, a Empresa de Pesquisa Energética (EPE). Uma instituição com a função de avaliar permanentemente a segurança do suprimento de energia elétrica (Comitê de Monitoramento do Setor Elétrico - CMSE) e a Câmara de Comercialização de Energia Elétrica, responsável pela comercialização de energia elétrica no sistema interligado e agregando as atividades do MAE, extinto em maio de 2004. (CÂMARA DE COMERCIALIZAÇÃO DE ENERGIA ELÉTRICA, 2008). Outras alterações importantes incluíram a definição do exercício do Poder Concedente ao Ministério de Minas e Energia (MME) e a ampliação da autonomia do ONS. Em relação à comercialização de energia, foram instituídos dois ambientes para celebração de contratos de compra e venda de energia: o Ambiente de Contratação Regulada (ACR), do qual participam Agentes de Geração e de Distribuição de energia; e o Ambiente de Contratação Livre (ACL), do qual participam Agentes de Geração, Comercializadores, Importadores e Exportadores de energia e Consumidores Livres. O novo modelo do setor elétrico previa um conjunto de medidas a serem observadas pelos Agentes, como a exigência de contratação de totalidade da demanda por parte das distribuidoras e dos consumidores livres, nova metodologia de cálculo do lastro para venda de geração, contratação de usinas hidrelétricas e termelétricas em proporções que assegurem melhor equilíbrio entre garantia e custo de suprimento, bem como o monitoramento permanente da continuidade e da segurança de suprimento, visando detectar desequilíbrios conjunturais entre oferta e consumo. (CÂMARA DE COMERCIALIZAÇÃO DE ENERGIA ELÉTRICA, 2008). Em termos de modicidade tarifária, o modelo previa a compra de energia elétrica pelas distribuidoras no ambiente regulado por meio de leilões – observado o critério de menor tarifa, objetivando a redução do custo de aquisição da energia elétrica a ser repassada para a tarifa dos consumidores cativos. Em suma, para Alveal (1999), o novo modelo é caracterizado por uma redefinição das funções econômicas e institucionais do Estado, principalmente para o setor 12 energético brasileiro. Isto é, houve um processo de transição do Estado Empreendedor para o Estado Regulador. Observa-se no quadro 1, um resumo das principais mudanças entre os modelos pré- existentes e o modelo atual, que acabaram por resultar em transformações nas atividades e de alguns agentes do setor. Quadro 1 – Comparativo entre os Modelos Energéticos Modelo Antigo (até 1995) Modelo de Livre Mercado (1995 a 2003) Novo Modelo (2004) Financiamento através de recursos públicos Financiamento através de recursos públicos e privados Financiamento através de recursos públicos e privados Empresas verticalizadas Empresas divididas por atividade: geração, transmissão, distribuição e comercialização Empresas divididas por atividade: geração, transmissão, distribuição, comercialização, importação e exportação. Empresas predominantemente Estatais Abertura e ênfase na privatização das Empresas Convivência entre Empresas Estatais e Privadas Monopólios - Competição inexistente Competição na geração e comercialização Competição na geração e comercialização Consumidores Cativos Consumidores Livres e Cativos Consumidores Livres e Cativos Tarifas reguladas em todos os segmentos Preços livremente negociados na geração e comercialização No ambiente livre: Preços livremente negociados na geração e comercialização. No ambiente regulado: leilão e licitação pela menor tarifa Mercado Regulado Mercado Livre Convivência entre Mercados Livre e Regulado 13 Quadro 1 – Comparativo entre os Modelos Energéticos (continuação) Modelo Antigo (até 1995) Modelo de Livre Mercado (1995 a 2003) Novo Modelo (2004) Planejamento Determinativo - Grupo Coordenador do Planejamento dos Sistemas Elétricos (GCPS) Planejamento Indicativo pelo Conselho Nacional de Política Energética (CNPE) Planejamento pela Empresa de Pesquisa Energética (EPE) Contratação: 100% do Mercado Contratação : 85% do mercado (até agosto/2003) e 95% mercado (até dez./2004) Contratação: 100% do mercado + reserva Sobras/déficits do balanço energético rateados entre compradores Sobras/déficits do balanço energético liquidados no MAE Sobras/déficits do balanço energético liquidados na CCEE. Mecanismo de Compensação de Sobras e Déficits (MCSD) para as Distribuidoras. Fonte: CÂMARA DE COMERCIALIZAÇÃO DE ENERGIA ELÉTRICA (2008) 1.2. A Oferta de Energia Elétrica O sistema de geração de energia elétrica do Brasil, com aproximadamente 96.634 MW instalados, é basicamente hidrelétrico. Conforme pode ser observado no gráfico 1, a participação do setor foi de aproximadamente 73.000 MW em 2006, o que representa quase 76% da geração (que em condições normais é responsável pela produção de 99% da eletricidade consumida no país). Enquanto que, o setor termoelétrico e o setor termonuclear representam 22% e 2% da capacidade de geração, respectivamente. Contudo, pode-se notar no gráfico 1, que a participação relativa percentual hidrelétrica vem diminuindo ao longo dos anos. Isso acontece porque, de acordo com o Atlas de Energia Elétrica (2005), a redução de impactos ambientais negativos8 e, principalmente, a diminuição de riscos hidrológicos no suprimento de 8 É importante observar que, em geral, usinas termoelétricas causam mais danos ao meio ambiente que as hidrelétricas, no entanto, as usinas eólicas, PCHs e de Biomassa tendem a ser menos 14 energia elétrica do país são objetivos que justificam políticas para diversificar a matriz energética do país. Nesse sentido, destacam-se, por exemplo, o Programa de Incentivo às Fontes Alternativas de Energia Elétrica9 (PROINFA), o qual tem como principal meta a ser alcançada até 2022, o atendimento de dez por cento do consumo anual de energia elétrica no país por fontes alternativas (eólica, pequenas centrais hidrelétricas e biomassa). Gráfico 1 – Participação dos tipos de centrais na capacidade nominal instalada (em MW) para a geração de energia elétrica no Brasil Fonte: BALANÇO ENERGÉTICO NACIONAL (2007) 0 10.000 20.000 30.000 40.000 50.000 60.000 70.000 80.000 1974 1978 1982 1986 1990 1994 1998 2002 2006 em M W Hidrelétrica Termoelétrica Nucleoelétrica Quanto a evolução da capacidade instalada do setor elétrico nacional, independente da fonte energética, pode ser observado no gráfico 2 que a capacidade instalada do setor elétrico vem aumentando todos os anos desde 1974, no entanto, o aumento percentual de um ano para outro não segue o mesmo ritmo, isto porque, no período de 1996 a 2006, o aumento médio anual da capacidade instalada foi de 5% a.a., mas, quando se analisa os anos de 2005 e 2006, o ganho médio cai para 3% a.a.. danosas. Por outro lado, as usinas termelétricas diminuem o risco hidrológico. (ATLAS DE ENERGIA ELÉTRICA, 2005). 9 O PROINFA é coordenado pelo Ministério de Minas e Energia (MME) e estabelece a contratação de 3.300 MW de energia no Sistema Interligado Nacional (SIN), produzidos por fontes eólica, biomassa e pequenas centrais hidrelétricas (PCHs), sendo 1.100 MW de cada fonte. (MINISTÉRIO DE MINAS E ENERGIA, 2008) 15 Gráfico 2 – Evolução da Capacidade Instalada nominal de Energia Elétrica e Variação Percentual Fonte: BALANÇO ENERGÉTICO NACIONAL (2007) 96.634 0 20.000 40.000 60.000 80.000 100.000 120.000 1974 1978 1982 1986 1990 1994 1998 2002 2006 em M W 0 2 4 6 8 10 12 14 16 18 em % capacidade instalada var.% Esse fato reforça a importância de prever o consumo de médio e longo prazo de energia elétrica, pois analisar se o aumento do consumo de energia elétrica irá pressionar a capacidade instalada do país nos próximos anos torna-se proeminente. 1.2.1. Peculiaridades da Oferta de Energia Elétrica no Brasil Segundo Pires (2000), o setor elétrico brasileiro apresenta características que o diferenciam de qualquer outro no contexto internacional (por exemplo, enquanto no Brasil as centrais hidrelétricas representam 75% da oferta interna de energia elétrica, no mundo, esse percentual não passa de 16%). No caso brasileiro, conforme mencionado, a base geradora é eminentemente hidráulica, com a geração térmica exercendo apenas a função de complementaridade nos momentos de pico do sistema e/ou em momentos de riscos pluviométricos. As características do parque gerador fazem com que a geração elétrica brasileira requeira a coordenação da operação (despacho de energia) das usinas hidrelétricas para a otimização da utilização do parque instalado. 16 Em sua grande maioria, os reservatórios de água das usinas são utilizados de forma planejada para que se possa tirar proveito da diversidade pluviométrica nas diferentes bacias existentes. Assim, a possibilidade de interligação de bacias localizadas em diferentes regiões geográficas assegura ao sistema brasileiro um importante ganho energético, pois é possível tirar proveito das diferentes sazonalidades e dos níveis pluviométricos. Dessa forma, de acordo com Marreco (2007), tanto os aspectos técnicos quanto econômicos devem ser salientados. Isto porque, o setor energético possui características que devem ser ressaltadas em relação a outros setores, tais como, a de monopólio natural (setor elétrico como um todo) e de indústria de rede (por exemplo, segmentos de transmissão e distribuição)10. Além disso, segundo a autora, a estrutura em rede gera economias de escopo, de escala e de coordenação e requer a operação centralizada dos serviços. A economia de escala do setor advém da possibilidade de diluição de custos fixos de empresas com alta capacidade instalada. Quanto às economias de escopo, estas ocorrem devido à possibilidade de venda de serviços diferentes utilizando a mesma base de ativos. De acordo com Cima (2006), no caso do setor elétrico a sub-atividade de uma função de produção e a especificidade dos ativos de transporte, tornam ineficientes pressões competitivas visando aumentar o número de agentes. Isto porque, em monopólio natural, a regulação da qualidade e do preço dos serviços de energia é que importam. Sobretudo, em indústrias de rede, onde os custos se reduzem quando se aumenta o número de consumidores conectados à rede, ou seja, os custos marginais de longo prazo tendem a ser decrescentes. No caso do setor elétrico existem outras especificidades adicionais, como as dificuldades técnicas e a incapacidade de estocagem de energia elétrica, que determinam a estruturação de produção e logística para o atendimento instantâneo do consumo. (MARRECO, 2007) 10 Para maiores detalhes sobre esses conceitos ver Künneke (1999). 17 Além das características descritas, são especificidades do setor elétrico brasileiro: a) base hidrelétrica, com usinas em cascata de propriedades distintas; b) elevada intensidade de capital; c) longo prazo de maturação dos investimentos; d) grandes interligações e, e) grandes incertezas (hidrológicas, no crescimento da demanda, nos preços dos combustíveis, dentre outros). Com relação à elevada intensidade de capital e o longo período de maturação dos investimentos, Cima (2006) destaca que algumas nações em desenvolvimento chegam a gastar até 30% de seu orçamento com empreendimentos energéticos. Ainda, entre a decisão de construção de uma usina hidrelétrica e a sua efetiva entrada em operação pode-se transcorrer de cinco a dez anos. Outra característica são os custos afundados (ou irrecuperáveis), devido ao alto grau de especialidade das atividades vinculadas ao setor (e.g. linhas de transmissão de energia elétrica). Outro atributo técnico fundamental do setor é o equilíbrio físico, o qual requer a coordenação do sistema, isto porque suas partes operam com forte interdependência. A geração de energia elétrica pode ser obtida por meio de várias tecnologias com diferentes custos e impactos sócio-ambientais. No caso das hidrelétricas, por exemplo, o seu insumo é um fluxo aleatório baseado no regime de chuvas, o que implica em grande complexidade no processo de planejamento. (MARRECO, 2007). Assim, as considerações das especificidades que permeiam o setor elétrico nacional com relação ao planejamento da geração e expansão tornam-se um tema proeminente. Isto porque, essas decisões, muitas vezes, são tomadas perante um ambiente de incertezas e necessita de processos sistemáticos de apoio a decisão, em especial sobre as perspectivas do futuro. 1.2.2. Sistema Interligado Nacional – SIN O Sistema Elétrico Nacional é composto pelo Sistema Interligado Nacional (SIN), e pelos Sistemas Isolados, localizados principalmente no Norte do país (representam apenas 3,4% da capacidade de produção). O SIN é formado por empresas das 18 regiões Sul, Sudeste, Centro-Oeste, Nordeste e parte da região Norte. Com tamanho e características que permitem considerá-lo único em âmbito mundial. (ATLAS DE ENERGIA ELÉTRICA DO BRASIL, 2005). Já que as usinas hidrelétricas são construídas em espaços onde melhor se podem aproveitar as afluências e os desníveis dos rios, geralmente situados em locais distantes dos centros consumidores, tornou-se necessário desenvolver no país um extenso sistema de transmissão. Essa distância geográfica, associada à grande extensão territorial e as variações climáticas e hidrológicas do país, tendem a ocasionar excedente ou escassez de produção hidrelétrica em determinadas regiões e períodos do ano. A interligação viabiliza a troca de energia entre regiões, permitindo, assim, obterem-se os benefícios da diversidade de regime dos rios das diferentes bacias hidrográficas brasileiras. Como se pode observar na figura 1, a integração entre os sistemas de produção e transmissão não é apenas para o suprimento do mercado consumidor, mas também, como liga quase todo território nacional, serve para suprir possíveis déficits de energia em Estados ou regiões com a produção abaixo do seu consumo. É importante destacar que, além do sistema interligar o país como um todo para a distribuição de energia elétrica, há de se considerar um outro fator que é a interdependência operativa. Em outras palavras, dado que a maior parte da capacidade instalada é composta por usinas hidrelétricas, as quais se distribuem por 8 diferentes bacias hidrográficas11, a interdependência operativa é causada pelo aproveitamento conjunto dos recursos hidrelétricos, através da construção e da operação de usinas e reservatórios localizados em seqüência em várias bacias hidrográficas. Assim, a operação de uma usina depende das vazões liberadas por outras. (OPERADOR NACIONAL DO SISTEMA ELÉTRICO, 2008). 11 Tais Bacias são: Bacia do Rio Amazonas, Bacia do Rio Tocantins, Bacia do Atlântico Norte/Nordeste, Bacia do Rio São Francisco, Bacia do Atlântico Leste, Bacia do Rio Paraná, Bacia do Rio Uruguai, Bacia do Atlântico Sudeste. (AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA, 2008). 19 Figura 1 – Integração entre os sistemas de produção e transmissão para o suprimento do mercado consumidor Fonte: OPERADOR NACIONAL DO SISTEMA ELÉTRICO (2008) Portanto, conforme destacado por Benjamin et al (2004), a correta operação do sistema exige uma visão de conjunto no espaço e um largo horizonte de tempo para o planejamento da expansão. Dado que a idéia de operar cada usina isoladamente ou de decidir individualmente pela realização de um investimento novo não tem sentido no sistema elétrico do Brasil. Esta é também uma especificidade do sistema brasileiro. 20 1.3. O Consumo de Energia Elétrica Após abordar, na seção 1.2, a oferta de energia elétrica, é importante destacar quais são as categorias que mais estão consumindo este insumo no país e como este consumo está variando ao longo dos anos. Ainda, torna-se relevante considerar a relação entre consumo de energia elétrica e o PIB, conforme já observado por Marreco (2007). Por último, será observado o consumo de energia elétrica de forma mais desagregada, com destaque para os setores trabalhados nesta dissertação. Quanto ao consumo de energia elétrica no Brasil (gráfico 3), este atingiu o patamar de aproximadamente 370.365 GWh em 2007, que comparado com o ano anterior, apresentou um acréscimo de 6,64%. Com relação ao consumo das categorias, a residencial apresentou um consumo de 90.940 GWh (25% do consumo total), a categoria industrial e comercial apresentaram um consumo de 166.427 GWh (45% do consumo total) e 58.870 GWh (16% do consumo total), respectivamente. E as demais categorias (Rural, Poder Público, Iluminação Pública, Serviço Público e Consumo Próprio) consumiram 54.128 GWh (15% do consumo total). Gráfico 3 – Consumo de Eletricidade – em GWh Fonte: BALANÇO ENERGÉTICO NACIONAL (2007) Comércio Indústria Demais categorias Residencial 0 100.000 200.000 300.000 400.000 1974 1978 1982 1986 1990 1994 1998 2002 2006 Quando comparado o consumo de energia elétrica entre os anos de 1974 e 2006, verifica-se um aumento de aproximadamente 500% (o PIB variou 165% no mesmo 21 período), todavia, esse resultado é pouco significativo em termos de análise. Mas, quando se aborda o consumo das categorias pode-se chegar a uma discussão mais apurada, isto porque, observa-se que a classe comercial e demais categorias aumentaram a participação em relação ao consumo total em aproximadamente 2,72% e 1,70% respectivamente, ou seja, praticamente estáveis. No entanto, quando se analisa a classe residencial, verifica-se aumento na participação de 5%, e a classe industrial, queda de aproximadamente 10%. (BALANÇO ENERGÉTICO NACIONAL, 2007) Tal análise torna-se proeminente porque, segundo a Key Word Energy Statistics (2007), no ano de 2005, a relação OIE12/PIB no Brasil foi de 0,31 tep13/mil US$(2000)14, que comparativamente é mais alta que Estados Unidos (0,21), Argentina (0,20) e Japão (0,11). Essa disparidade no indicador é fruto da estrutura produtiva intensa em energia e capital brasileira, isto é, o país é um grande produtor e exportador de produtos como, aço, ferroligas, açúcar e alumínios. Por sua vez, ainda que a OIE englobe o total de energia (e.g. combustíveis), pode-se perceber, com a queda na participação de 10% do setor industrial no quesito energia elétrica, que esse setor está diminuindo sua fatia no consumo, e como conseqüência, na estrutura produtiva do País. (BALANÇO ENERGÉTICO NACIONAL, 2007). Conforme destacam Pêgo e Campos Neto (2008), estão ocorrendo mudanças no perfil do mercado consumidor, principalmente na classe industrial15, isto em virtude da reduzida taxa de crescimento do produto industrial, da modernização tecnológica, do uso mais eficiente da eletricidade e da menor participação das indústrias eletrointensivas, que não apresentam expansões significativas. Pires et al (2001), corroboram esse argumento, ao identificarem a queda na participação industrial e 12 É importante observar que o termo “OIE” (Oferta Interna de Energia) está relacionado ao consumo de energia do país, e não o quanto o país está investindo para gerar os insumos energéticos, como por exemplo, construção de uma usina hidrelétrica ou uma refinaria de petróleo. (BALANÇO ENERGÉTICO NACIONAL, 2007). 13 Tep” é abreviatura de “toneladas equivalente em petróleo”, serve como uma medida de conversão para uma unidade de medida comum, das quantidades de diferentes fontes de energia. Isso permite que as quantidades de energia oriundas de fontes diferentes possam ser adicionadas. (BALANÇO ENERGÉTICO NACIONAL, 2007). 14 Dólar referente ao ano de 2000. 15 A elasticidade-renda do consumo caiu de 3,8, em média, na década de 1980 para 1,7 na década de 1990. (PÊGO e CAMPOS NETO, 2008) 22 sugerirem a ocorrência de mudanças estruturais no crescimento da indústria nacional derivadas de sua modernização e do uso mais eficiente de energia elétrica. Por outro lado, a participação da categoria residencial apresentou um acréscimo de 5% neste período em relação ao consumo total. Este fato pode ser creditado, entre outros fatores ao aumento do acesso da população à energia elétrica, e ainda, a elevação do poder aquisitivo da mesma, dado que as maiores variações aconteceram pós 1986 (Plano Cruzado) e pós 1994 (Plano Real)16, ambos considerados indutores do poder aquisitivo, pelo menos no período e imediatamente após os mesmos. Contudo, conforme destacado por Chagas (2008), após a crise de energia elétrica de 2001, há uma diminuição no consumo de eletricidade das famílias devido ao racionamento, e esta mudança se manteve durante os anos subseqüentes, pois ocorreram alterações nos hábitos das famílias. É proeminente também analisar a relação entre o consumo de eletricidade e o PIB do país. Conforme pode ser observado no gráfico 4, no qual é feita uma relação entre o consumo de energia elétrica e o PIB no Brasil sob o prisma dos principais eventos políticos e econômicos, existe uma forte relação entre essas variáveis, especificamente, o grau de correlação entre elas é de 0,987017. Em outras palavras, uma redução no PIB do país implica em uma queda no consumo de energia elétrica e vice-versa. No entanto, tal relação não é tão direta quanto parece, isso porque, o consumo de energia elétrica tende a aumentar percentualmente mais que o PIB. Conforme pode ser observado no gráfico 4, durante o período de 1974 a 2006, apenas em 2001, ano do racionamento energético, há uma variação negativa no que diz respeito ao consumo de energia elétrica, confirmando que apesar da relação direta entre tais variáveis, o consumo de energia elétrica tende a crescer continuamente durante os anos. Além disso, constatou-se que, em média, o consumo de eletricidade cresce ao ano, 2,44% a mais que o PIB. Embora, nos últimos 10 anos (1996 a 2006), esse consumo ter sido superior, em média, a 1,20% do crescimento do PIB (excluindo o dado de 2001). 16 Pires et al (2001, p.14) e Pêgo e Campos Neto (2008) corroboram essa afirmativa. 17 Resultado obtido com base no programa EViewsTM. 23 Gráfico 4 - Comparação entre o Consumo de Energia Elétrica e o PIB -8 -3 2 7 12 1974 1978 1982 1986 1990 1994 1998 2002 2006 % consumo de energia elétrica Produto Interno Bruto 2º Choque do Petróleo Criação do PROCEL Crise Russa Crise Asiática Plano Collor II Plano Collor I Plano Verão Moratória da dívida externa Plano Cruzado início do Governo Lula Privatizações Plano Real Racionamento de energia elétrica Fonte: INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (2008) e BALANÇO ENERGÉTICO NACIONAL (2007) 24 Ainda, é importante observar que essa variação deve permanecer nos próximos anos, isto porque o racionamento de 2001 provocou vários efeitos no consumo, isto é, de acordo com Marreco (2007), houve deslocamento de parte do consumo de energia elétrica para outros energéticos; ocorreu um aumento na conservação de energia18, seja via melhora da eficiência energética dos produtos ou racionalização do uso; e uma queda no crescimento econômico no ano de 2001. Em outras palavras, mudanças no hábito do consumidor, tais como, eficiência energética e deslocamento no consumo tendem a permanecer ao longo dos anos19. Portanto, esse resultado permite concluir de maneira exploratória, que, ceteris paribus, o consumo de energia elétrica no país cresce, em média, a variação no PIB mais aproximadamente 1,20%20. Outra característica importante de ser observada, diz respeito aos acontecimentos econômicos tanto no Brasil quanto no Mundo e a influência sobre o PIB, e conseqüentemente no consumo de energia elétrica. Por exemplo, conforme pode ser observado no gráfico 4, crises mundiais como o 2º Choque do Petróleo (1979) e a Crise Asiática (1997-98) influenciaram negativamente o PIB e por conseguinte afetaram o consumo de energia elétrica. Sobre esse assunto, Brambilla et al (2004) afirmam que a crise do setor elétrico poderia ter sido agravada durante a década de 1980, não fosse a crise do petróleo, pelo contrário, o País passou por forte recessão e o setor operou com capacidade ociosa. Quanto a aspectos econômicos ocorridos no Brasil (gráfico 4), alguns Planos de Estabilização influenciaram o consumo do insumo energia elétrica. Conforme destacado anteriormente, o consumo elevado de energia elétrica na segunda metade da década de 1990, deveu-se aos efeitos do Plano Real (1994), portanto, tal afirmação corrobora a análise de que variações no PIB implicam em variações no consumo de energia elétrica. 18 Chagas (2008) corrobora essa idéia para o consumo residencial. 19 Vale observar que há estudos controversos sobre tal assunto, como por exemplo, pode-se citar o trabalho de Dias (2008), onde o autor mostra que a economia de energia, fruto do racionamento, vem diminuindo ao longo dos anos, isto é, o padrão de consumo pós-racionamento está se aproximando do patamar esperado caso este evento não tivesse ocorrido. 20 É importante lembrar que o próprio Governo Federal utiliza esse dado para estimar a previsão de consumo de energia elétrica, conforme pode ser observado no relatório do Programa de Aceleração do Crescimento (PROGRAMA DE ACELERAÇÃO DO CRESCIMENTO, 2008). 25 Dessa forma, conhecer os aspectos do consumo é importante num contexto de previsão de energia elétrica de longo prazo, pois, ao avaliar os dados previstos, o formulador de política econômica poderá ter uma visão empírica dos dados, ou seja, terá a capacidade de analisar se essa relação está se mantendo no longo prazo, e, se não, permitirá que o mesmo justifique esta mudança, ou então perceba algum viés na especificação do modelo. Assim sendo, na seção 1.3.1 o consumo de energia elétrica será observado de maneira ainda mais desagregada, baseado na desagregação setorial do Balanço Energético Nacional (2007) que é utilizada neste trabalho. Dessa maneira, a avaliação preditiva do capítulo 3 poderá ser comparada com os dados reais de consumo de energia elétrica, fato que possibilitará mais acurácia a analise. 1.3.1. Consumo Setorial de Energia Elétrica Conforme se pode observar no gráfico 5, a exceção do ano de 2001 devido ao racionamento de energia elétrica, o consumo de eletricidade dos setores observados (Agropecuária; Mineração e Pelotização; Minerais não metálicos; Ferro e Aço; Metais não ferrosos e outras metalurgias; Papel e Celulose; Química; Alimentos e Bebida; Têxtil e Vestuário; Outras Indústrias; Comércio e Serviços, Transporte e Serviços Públicos e SIUP) vêm crescendo durante os últimos 5 anos num patamar de 5%, atingindo em 2006 um consumo de aproximadamente 305.000 GWh de energia elétrica. Esse valor representa 84% do consumo de energia elétrica no Brasil. Dado a importância do consumo de energia elétrica setorial como um todo, torna-se também proeminente verificar o comportamento deste consumo em cada setor, pois dessa forma, ao projetar um agregado macroeconômico (capítulo 3) e verificar a variação desse consumo poder-se á observar a relevância das previsões. 26 Gráfico 5 – Variação Percentual do consumo de Energia Elétrica dos setores observados 3,2 2,5 5,0 3,4 3,8 3,7 5,7 3,2 3,0 5,8 -4,9 6,6 5,8 5,7 3,8 4,2 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 Fonte: Balanço Energético Nacional (2007) Assim, conforme pode ser observado no gráfico 6, o setor que mais consumiu energia elétrica em 2006, foi o de Ferro e Aço, Metais não Ferrosos e outras Metalurgias (FERRACO) (61.485 GWh). Ainda, verifica-se que apesar de uma queda de consumo em 2001 de aproximadamente 9% em relação a 2000, o setor recuperou-se e cresceu 31% o seu consumo no período de 2002 a 2006. Com relação ao setor de Comércio e Serviços (COMSER), há também uma queda significativa no consumo em 2001 de 6%, no entanto, no período 2002 a 2006 o mesmo se recupera (24%) e atinge o patamar de aproximadamente 55.000 GWh em 2006. Quanto ao setor Outras Indústrias (OUTIND), seu comportamento é um pouco diferente, isto porque, em 2001, o consumo do setor cai apenas 1,75% e, no período 2002 a 2006, o consumo aumenta os mesmos 31% do setor de Ferro e Aço, Metais não Ferrosos e outras Metalurgias. Tal fato, faz com que o consumo deste setor atinja o patamar de aproximadamente 41.000 GWh. Ainda, vale salientar que, o somatório do consumo desses três setores em 2006, representa cerca de 50% do consumo total de eletricidade do conjunto de setores. 27 Gráfico 6 – Evolução do Consumo Real de Energia Elétrica (em GWh) Setorial 0 10000 20000 30000 40000 50000 60000 70000 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 FERRAÇO OUTIND COMSER SERPU + SIUP ALIBEB QUIM AGRICU MINPEL TRANSP PAPCEL MNMET TEXVES Fonte: BALANÇO ENERGÉTICO NACIONAL (2007) Quanto a indústria Química (QUIM) (consumo, em 2006, de 36.420 GWh), observa- se um comportamento semelhante ao setor de Outras Indústrias, ou seja, este setor teve uma leve queda no consumo em 2001 de apenas 0,19%, e ainda, cresceu no período de 2002 a 2006 os mesmos 31% dos outros dois setores citados anteriormente. O setor de Serviços Público e S.I.U.P., consumiram em 2006, um total de 33.049 GWh, com uma variação positiva no consumo do ano de 2004 para o ano de 2006 de aproximadamente 10%. A indústria de Alimentos e Bebidas (ALIBEB) foi a que apresentou o segundo maior crescimento no consumo de eletricidade, no período de 2002 a 2006, cerca de 35%. Além disso, em 2001, o consumo do setor teve um decréscimo de apenas 1,64%. Tal fato, permitiu ao setor, passar de um consumo de aproximadamente 15.000 GWh em 2001 para quase 22.000 GWh em 2006. Quanto a agricultura (AGRICU), acompanhando o bom desempenho do setor no país o consumo de eletricidade aumentou 32%, entre 2002 e 2006, e alcançou um nível de mais ou menos 16.000 GWh em 2006. Quanto a indústria de Papel e Celulose (PAPCEL), seu comportamento foi semelhante ao setor agrícola, com um acréscimo do consumo no 28 período 2002/06 de 32%, e um consumo em 2006 de aproximadamente 15.500 GWh. A indústria de Mineração e Pelotização (MINPEL) foi a que teve o maior aumento do consumo em termos percentuais no período de 2002 a 2006. O setor apresentou um acréscimo de aproximadamente 45%, com um consumo de cerca de 10.000 GWh em 2006. A indústria Têxtil e de Vestuários (TEXVES) consumiu cerca de 7.775 GWh em 2006, com uma variação positiva no consumo de 16% para o período 2002/06. Por fim, com relação ao setor de Minerais não Metálicos (MNMET), observa-se que foi o único setor a apresentar variação negativa (-5,5%) no consumo de eletricidade para o período de 2002 a 2006 e, em 2006, seu consumo foi de 4.120 GWh. Com relação ao Transporte (TRANSP), este é um setor que consume uma pequena quantidade de energia elétrica (1.462 GWh, em 2006). O setor, após queda acentuada no consumo em 2001 e 2002, cerca de 25%, recupera nos próximos anos e supera o patamar de consumo de 2001. Assim, pode-se concluir que os setores influenciam no consumo de energia elétrica do país, e ainda, que todos os setores, em média, com exceção do Minerais não Metálicos, apresentaram variações positivas com relação ao consumo de eletricidade superiores a 30% para o período de 2002 a 2006, dessa forma, fica claro a relevância deste estudo. Logo, a elaboração deste capítulo torna-se útil, em primeiro lugar, para conhecer o setor de energia elétrica e sua relação com o PIB do País, isto porque, estes são os dois principais componentes de estudo dessa dissertação. Em segundo lugar, esta parte serve de subsídio aos próximos capítulos, ou seja, o melhor conhecimento do setor proporcionará melhor compreensão da metodologia e de sua aplicabilidade. 2 BASE DE DADOS E METODOLOGIA Neste capítulo aborda-se a base de dados e a metodologia do trabalho. A técnica utilizada é baseada no modelo de insumo-produto proposto por Leontief. Além disso, será explicitado um avanço com relação ao modelo básico, que é a integração de um modelo econométrico ao modelo de IP. Conforme destacado na introdução, a análise consiste em prever alguns agregados macroeconômicos de forma setorial (EC) e interliga-los à matriz IP, e a partir daí avaliar o consumo total e setorial de energia elétrica para três diferentes cenários (otimista, moderado e pessimista). Este capítulo está organizado da seguinte forma: a primeira parte trata da base de dados utilizada no modelo econométrico e analisa, de forma exploratória, a matriz de IP. Na segunda seção, aborda-se o método de insumo-produto. Dando seqüência, explicita-se a metodologia de séries de tempo, destacando os métodos de Amortecimento Exponencial e Box & Jenkins e os motivos pelos quais os mesmos foram utilizados. Na seção 2.2.4, verificam-se alguns métodos para integrar um modelo econométrico a uma matriz de insumo-produto (EC+IP). Por fim, enfatiza-se o método utilizado para fazer o link entre os resultados econométricos e a matriz de IP. 30 2.1.Base de Dados Esta parte é direcionada à apresentação do procedimento na preparação dos dados utilizados na estimação dos agregados macroeconômicos (exportações, importações e consumo), para a decomposição estrutural da matriz de IP e análise dos dados de 2005 do Balanço Energético Nacional. Para estimar os agregados macroeconômicos por setores da economia brasileira, foram utilizados dados do consumo - C, das exportações – X e importações - M. Sendo que a formação bruta de capital fixo (FBCF) – I e os gastos do governo – G, foram tratados como exógenos ao módulo econométrico. Quanto à matriz de insumo-produto, foi utilizada a matriz de 2005, estimada pelo Instituto Brasileiro de Geografia e Estatística (IBGE, 2008). Ainda, é importante lembrar que, houve uma agregação da matriz com o objetivo de compatibilizá-la com o Balanço Energético Nacional de 2005. Portanto, faz-se necessário uma abordagem mais detalhada sobre estes dois tópicos (preparação dos dados e matriz de IP, com adendo ao BEN 2005). 2.1.1. Preparação dos Dados Normalmente, os dados disponibilizados para o consumo das famílias são gerados tanto em preços constantes como em preços correntes. Neste trabalho, optou-se, primeiramente, por contrair os dados setoriais em preços correntes e a partir daí, convertê-los em Reais e deflacioná-los a preços constantes de 2003. O período selecionado foram os anos de 1974 a 2003, isto porque, não há dados setoriais disponíveis fora do período mencionado para o consumo das famílias. Vale ressaltar a dificuldade para deflacionar os dados, pois, somente no período em que as variáveis foram selecionadas a economia brasileira se defrontou com graves problemas de inflação (ver tabela 1) e sete Planos Econômicos de conversão da moeda. Apesar disso, os dados foram atualizados para o ano de 2003, onde, para isto, adotou-se o deflator implícito do PIB. Tal escolha foi baseada na relação que tal 31 deflator tem com todos os setores da economia, dado que o mesmo mede a inflação da economia como um todo21. Tabela 1 – Deflator Implícito do PIB (variação percentual anual) Ano Deflator Ano Deflator Ano Deflator 1974 34,6 1984 201,7 1994 2251,7 1975 33,9 1985 248,5 1995 93,5 1976 41,2 1986 149,2 1996 17,1 1977 45,4 1987 206,2 1997 7,6 1978 38,2 1988 628,0 1998 4,2 1979 54,4 1989 1304,4 1999 8,5 1980 92,1 1990 2737,0 2000 6,2 1981 100,5 1991 416,7 2001 9,0 1982 101,0 1992 968,2 2002 10,6 1983 131,5 1993 2001,4 2003 13,7 Fonte: IBGE (2008) Quanto aos dados referentes à exportação e importação setorial ambos foram obtidos “Free on Board (FOB)”, ou seja, os valores são contabilizados sem a adição de fretes e impostos, e, disponíveis em Dólar. Vale observar que, o período selecionado foram os anos de 1974 a 2007, diferentemente do consumo, devido a disponibilidade de dados para esses anos. Nos anexos 2 e 3 encontram-se os resultados atualizados para o ano de 2003 de acordo com o câmbio médio vigente na época. No quadro 2, é possível observar, de forma resumida, a fonte das variáveis e como as mesmas foram atualizadas para o ano de 2003. Quadro 2 – Fonte e Atualização das Variáveis Variável Fonte Deflator/Taxa de Câmbio C Consumo Contas Nacionais e Estatísticas do Século XXI – IBGE Período: 1974 - 2003 Deflator Implícito do PIB IBGE(2008) X Exportações Aliceweb – MDIC Período: 1974 - 2007 R$ / US$ (2,88) – comercial - médio (2003) M Importações Aliceweb – MDIC Período: 1974 - 2007 R$ / US$ (2,88) - comercial - médio (2003) Fonte: elaboração própria do autor 21 Os dados deflacionados referentes ao consumo, para o ano de 2003, se encontram no anexo 1. 32 2.1.2. Matriz de Insumo-Produto e Balanço Energético Nacional Com a finalidade de fazer um trabalho que permita uma discussão mais atual da economia brasileira, utiliza-se a matriz estimada pelo Instituto Brasileiro de Geografia e Estatística (IBGE, 2008), a partir das informações obtidas das Contas Nacionais do Brasil, objetivando integrá-la a um modelo econométrico. A matriz insumo-produto geral para a economia brasileira, apresenta as informações cujo enfoque é o produto por setor a preços básicos (preço de mercado dos bens e serviços menos os impostos indiretos líquidos e as margens de transporte e comercialização), isto permite que cada produto seja produzido por mais de um setor e que cada setor produza mais de um produto, ou seja, existe uma matriz de produção e outra de uso dos insumos. A dimensão da matriz de produção e da matriz de uso de bens e serviços é de 110 produtos por 55 setores, no entanto, para a elaboração deste trabalho utilizou-se da matriz de usos agregada (isto é, a agregação da matriz foi feita a partir de uma “Market-share” elaborada de acordo com a matriz de produção) do tipo “setor x setor” (55 x 55). A partir da matriz de insumo-produto agregada (setor x setor) para a economia brasileira e dos resultados do Balanço Energético Nacional do ano de 2005, far-se-á uma compatibilização entre as duas bases de dados, isto porque, ambas não contemplam o mesmo número de setores. A agregação adotada é mostrada no anexo 4, onde os setores em negrito denotam-se àqueles que foram agregados. Além disso, para obter o resultado do consumo de energia elétrica em valores físicos, foram utilizados dados de uso de energia em tep, disponíveis para o ano de 2005 no Balanço Energético Nacional (BEN, 2007) e convertido para gigawatts-hora (GWh). Na tabela 2 é apresentado um coeficiente de energia elétrica (GWh/PIB)22, no qual é possível observar os setores mais intensivos no consumo de eletricidade com relação ao seu produto. Conforme pode ser observado o setor de Ferro e Aço, 22 É importante observar que tal coeficiente foi utilizado para construir a matriz P (seção 2.2.). 33 Metais não ferrosos e Outras Metalurgias é o que mais consome energia em relação ao seu PIB, apresentado um índice de 1,162. Para facilitar a análise padronizou-se o resultado do setor com maior consumo, tornado-se possível comparar o resultado dos demais setores com o setor de Ferro e Aço, Metais não ferrosos e Outras Metalurgias. Assim, conforme se pode verificar o setor que mais aproximou seu coeficiente de consumo do setor 3 foi o de Alimentos e Bebidas com um índice de 0,390 (ou 34% do setor 3). Tabela 2 – Coeficiente de Energia Elétrica (GWh/PIB) Setores Coeficientes Padronização # 1 Agropecuária 0,149 13 2 Alimentos e Bebidas 0,390 34 3 Ferro e Ação, Metais não ferrosos e Outras Metalurgias 1,162 100 4 Minerais não Metálicos 0,338 29 5 Outras Indústrias 0,227 20 6 Papel e Celulose 0,324 28 7 Química 0,348 30 8 Têxtil e Vestuário 0,244 21 9 Mineração e Pelotização 0,213 18 10 Comércio e Serviços 0,065 6 11 Serviços Públicos + Eletricidade 0,094 8 12 Transportes 0,013 1 (#) padronização de acordo com o setor 3. Resultados em termos percentuais. Fonte: elaboração própria do autor. Os setores Químico (0,348), Minerais não Metálicos (0,338) e Papel e Celulose (0,324) foram intermediários no consumo de energia elétrica, apresentando um patamar de 30% se comparado com o setor 3. O setor com menor consumo em relação ao PIB foi o de Transportes com um coeficiente de 0,013. A seguir é apresentado uma análise dos setores-chave da “nova matriz de IP”. Tal atitude se justifica, pois, após a matriz ter sido agregada é importante observar o comportamento dos “novos setores”. 34 Segundo Chiari et al (2002) a mais conhecida abordagem da análise de insumo- produto provavelmente é a determinação dos “setores-chave”, considerados, na literatura, como prioritários para a promoção do crescimento econômico regional. De acordo com Guilhoto (2004), a partir do modelo básico de Leontief, e seguindo-se Rasmussen (1956) e Hirschman (1958), consegue-se determinar quais seriam os setores com o maior poder de encadeamento (ligação) dentro da economia23. O primeiro passo na seleção de um setor-chave é calcular os índices de interligação para trás (backward linkages effects) e de interligação para frente (forward linkages effects). Ambos descrevem a extensão relativa em que cada setor é afetado, direta e indiretamente por uma variação de uma unidade monetária na demanda final do setor. (CHIARI et al, 2002). Setores-chave são aqueles que possuem fortes efeitos de encadeamento em termos do fluxo de bens e serviços, ou seja, aqueles que apresentam, simultaneamente, índices de interligação para frente (Ui) e para trás (Uj) com valores superiores à unidade. Utilizando-se a matriz insumo-produto agregada para o ano de 2005 e calculados os índices de encadeamento constata-se a existência no Brasil de apenas dois setores chave, conforme pode ser observado na tabela 3. Isso implica que os setores que proporcionam maiores encadeamentos no país são: Têxtil e Vestuário (TEXVES) e a Indústria Química (QUIM). No entanto, vale lembrar que, apenas o setor de Mineração e Pelotização e Serviços Públicos não apresentaram nenhum encadeamento relevante no país. Quanto aos setores que apresentaram os maiores índices, destaque para o setor de Minerais não Metálicos (MNMET) e a indústria de Têxteis e Vestuário, ambos obtiveram os maiores índices de ligação para trás, o que significa que tais setores demandam muito dos demais setores para produzir seu produto final. Com relação aos setores que apresentaram maiores índices de ligação para frente, destaque para 23 Para maiores detalhes sobre a metodologia e aplicações ver: Casimiro Filho (2002); Chiari (2002); Guilhoto (2004) e Vieira (1996). 35 o setor Químico e de Comércio e Serviços (COMSER). Neste caso, determina o quanto esses setores são demandados pelos outros setores (tabela 3). Tabela 3 – Índice de Ligação para Trás e para Frente AGRICU 0,915 1,125 - X MINPEL 0,720 0,885 - - ALIBEB 1,014 0,677 X - TEXVES 1,216 1,173 X X PAPCEL 1,057 0,848 X - QUIMIC 1,019 1,773 X X MNMET 1,260 0,768 X - FERAÇO 1,192 0,801 X - OUTIND 0,959 1,033 - X COMSER 0,790 1,353 - X TRANSP 1,084 0,772 X - SERPUB 0,772 0,794 - - Fonte: elaboração própria do autor P/ TRAS P/ FRENTESetores Uj Ui Por fim, tal análise faz-se necessária, pois possibilita compreender melhor a matriz de IP que será utilizada neste trabalho e facilitará possíveis conclusões e recomendações quando dá análise dos resultados nos capítulos subseqüentes. 2.2. Metodologia Essa seção traz uma seqüência resumida da metodologia utilizada nessa dissertação, abordando as principais equações e os passos que serão executados para chegar aos resultados. Isto é: (a) A partir da principal equação do modelo aberto de IP: YAIX 1)( −−= (2.1) onde A é uma matriz de coeficientes diretos de insumo de ordem (n x n), e X e Y são vetores coluna de ordem (n x 1). 36 (b) Estimam-se através do módulo econométrico24 (Modelo de Amortecimento Exponencial e Box & Jenkins) três agregados macroeconômicos (consumo das famílias, exportações e importações) setorialmente (e.g. Têxtil e Vestuário) Matematicamente tem-se: titititi MEGICY ,,,, −+++= (2.2) onde Yi,t representa o somatório dos agregados macroeconômicos; Ci,t o consumo das famílias; Ei,t as exportações e Mi,t as importações, onde ambos são vetores (n x 1) e estão representados de forma setorial. Ainda, I e G são considerados como componentes exógenos ao módulo econométrico. (c) Após fazer a estimação, adota-se a estratégia de integração por Ligação, onde o módulo EC alimenta o IP com os dados previstos. Em outras palavras, conforme pode ser observado na equação (2.3), ao estimar o consumo das famílias setorialmente (mantendo-se os demais componentes constantes), haverá uma variação na demanda final. Da mesma forma, isso acontecerá para as equações (2.4) e (2.5), no entanto, agora variando as exportações e as importações. MEGICY titi ++++∆=∆ ++ 1,1, (2.3) MEGICY titi +∆+++=∆ ++ 1,1, (2.4) 1,1, ++ ∆++++=∆ titi MEGICY (2.5) (d) Por fim, será possível obter o consumo de energia elétrica de forma setorial baseado em projeções setoriais e não apenas com variações da economia como um todo, isto é: titi PXEE ,, = onde EE é um vetor nx1 de consumo setorial de energia elétrica medido em GWh. P é uma matriz diagonal nxn cuja diagonal principal são coeficientes de uso setorial de energia elétrica medidos pela razão entre em GWh e PIB, ambos setoriais. 24 É importante observar que serão utilizados os intervalos de confiança (“lower” ; “upper”) para criar cenários. Para maiores detalhes ver seção 2.2.3. 37 2.2.1.Modelo de Insumo-Produto Insumo-produto é o nome dado ao ferramental desenvolvido por Wassily Leontief em aproximadamente 1930. O termo análise inter-industrial é também usado porque a idéia fundamental da análise de insumo-produto são as relações de interdependência entre as indústrias em uma economia (MILLER e BLAIR, 1985). Segundo, Miller e Blair (1985), a informação fundamental da análise de insumo- produto consiste nos fluxos de cada setor industrial produtor para cada um dos setores consumidores (tabela 4), Esta informação é representada por intermédio de uma tabela de relações inter-industriais, na qual, as linhas descrevem a distribuição da produção de um setor através de toda a economia e as colunas mostram a composição dos insumos requeridos por uma indústria particular para desenvolver sua produção. Em outros termos, as relações fundamentais de insumo-produto mostram que as vendas dos setores podem ser utilizadas dentro do processo produtivo pelos diversos setores compradores da economia ou podem ser consumidas pelos diversos agregados macroeconômicos (famílias, governo, investimento, exportações). Por outro lado, para se produzir são necessários insumos, impostos são pagos, importam-se produtos e gera-se valor adicionado (pagamento de salários, remuneração do capital e da terra agrícola), além, de se gerar emprego (tabela 4) (GUILHOTO, 2004). Tabela 4 – Insumo-Produto para uma Região x11 x12 ..... x1n C1 I1 G1 NE1 X1 x21 . ..... x2n C2 I2 G2 NE2 X2 . . . . . . . . . . . . . . . . . . xn1 xn2 ..... xnn Cn In Gn NEn Xn Salários w 1 w 2 ..... w n W Outros ov 1 ov 2 ..... ov n OV X1 X2 ..... Xn C I G NE Va lo r Ad cio n ad Produto Total Produto Total Vendas Inter-industriais Demanda Final Fonte: REY (2000) 38 Formalmente falando, de acordo com Miller e Blair (1985, p.6), a estrutura matemática de um sistema de insumo-produto consiste em um conjunto de n equações lineares com n incógnitas. Neste conjunto, a demanda de um dado setor j por insumos originados de outros setores é relacionada com o montante de bens produzidos por este mesmo setor j e a demanda final. Assim, assumindo que a economia é dividida em n setores, tem-se que: iiiiiniii EGICzzzX +++++++= .......21 (2.6) Dado que cada setor terá uma equação semelhante, pode-se escrever: iiiii n j ij XEIGCz ≡++++∑ =1 (2.7) O modelo de insumo-produto assume que os fluxos inter-industriais do setor i para o setor j obedecem uma relação exata, dada por um coeficiente técnico aij, definido como: j ij ij X z a = (2.8) Os coeficientes técnicos são medidas fixas de um setor e seus insumos. Em outras palavras, ignora-se a presença de economia de escala no processo produtivo, considerando-se a hipótese de retornos constantes. Substituindo-se (2.8) em (2.6) e assumindo que Y= C + I + G + E obtém-se o sistema aberto de Leontief, ou seja, a demanda final é exógena ao sistema: 112121111 YXaXaXaXaX ninii ++++++= LL (2.9) De modo análogo para os n setores que compõem a economia pode-se escrever: 39 ii n j jij xyxa =+∑ =1 i =1,2.........n (2.10) onde aij é o coeficiente técnico que indica a quantidade de insumo do setor i necessária para a produção de uma unidade de produto final do setor j e, yi é a demanda final por produtos do setor i, isto é, Ci + Gi + Ii + Ei. A equação (2.9) pode ser escrita em forma matricial como: XYAX =+ (2.11) onde A é a matriz de coeficientes diretos de insumo de ordem (n x n); X e Y são vetores colunas de ordem (n x 1) Resolvendo a equação (2.11) é possível se obter a produção total que é necessária para satisfazer a demanda final, temos que: YAIX 1)( −−= (2.12) onde (I – A)-1 - é a matriz de coeficientes diretos e indiretos, também conhecida como matriz de Leontief, ou inversa de Leontief, a qual indica os requerimentos diretos (provenientes da demanda final) e indiretos (provenientes da demanda intermediária) para a produção de bens e serviços na economia, isto é, cada elemento da matriz corresponde aos requisitos diretos e indiretos da produção total do setor i necessários para produzir uma unidade de demanda final do setor j. 2.2.2. Taxonomia Econométrica para integrar ao modelo IP Conhecer as ferramentas econométricas utilizadas para estimar os agregados macroeconômicos ou o consumo de energia elétrica, torna-se importante dado a não existência de uma técnica perfeita e única para prever todos os fatores de produção. Em outras palavras, qualquer abordagem utilizada irá apresentar pontos favoráveis e desfavoráveis a um determinado aspecto, por exemplo, há diferentes técnicas para estimar diferentes horizontes de tempo (curtíssimo, curto, médio e longo prazo); existem abordagens mais ou menos desagregadas em termos setoriais; técnicas 40 que se encaixam melhor para um determinado setor; entre outras características que caberá ao pesquisador escolher onde e quando será melhor utilizá-los. Como o enfoque deste trabalho é estimar os agregados macroeconômicos através de um módulo econométrico (Modelo de amortecimento Exponencial e Box & Jenkins), esta seção enfatiza quais seriam alguns estimadores capazes de solucionar esse problema, abordando suas vantagens e desvantagens de acordo com o problema a ser enfrentado25. Em linhas gerais, existem duas abordagens à previsão econômica com base em séries de tempo: (a) modelos univariados, onde se inserem os métodos de amortecimento exponencial (exponential smoothing) e os modelos autoregressivos integrados de médias móveis (ARIMA); e, (b) modelos multivariados, os quais podem-se citar os modelos de regressão clássicos (com uma única equação e com equações simultâneas), e a econometria de séries de tempo com a modelagem de vetores auto-regressivos (VAR), incluindo, na análise, os modelos de correção de erro (caso particular de sistema de equações para séries temporais estacionárias com ou sem vetores de cointegração/mecanismos de correção de erro). Os métodos de Amortecimento Exponencial servem, essencialmente, para ajustar uma curva aos dados históricos de uma dada série temporal, sua aplicação varia entre o suavizamento exponencial único, o método de Holt-Winters (“capta” o efeito da sazonalidade) e o método de dois parâmetros de Holt. (GUJARATI, 2006; PINDICK e RUBINFELD, 2004). Quanto aos modelos autoregressivos integrados de médias móveis (ARIMA), mais conhecidos como metodologia Box & Jenkins, a idéia não está na construção de modelos com equações únicas ou simultâneas, e sim, na análise das propriedades probabilísticas, ou estocásticas, das séries temporais econômicas segundo a filosofia de “deixar que os dados falem por si”. (GUJARATI, 2006). Entre os muitos 25 Vale lembrar que, existem outros métodos capazes de estudar o consumo de energia elétrica, como, elaboração de cenários, destacado por Dourado (2004); modelos de Equilíbrio Geral Computável, onde pode-se citar o trabalho de Scaramucci et al (2002), no qual os autores simulam um colapso do setor de geração de eletricidade no ano de 1996, sendo a economia submetida a choques de oferta de energia. 41 trabalhos que utilizaram tal metodologia pode-se citar Zanini (2000), onde o autor compara tal método com outros dois (regressão dinâmica e redes neurais) a fim de avaliar a melhor eficiência preditiva para o consumo de gasolina automotiva no curto prazo. Com relação aos modelos com uma única equação e com equações simultâneas observa-se que foram muito utilizados nas décadas de 1960 e 1970, no entanto, estes modelos apresentaram fraco desempenho no que diz respeito à previsão, principalmente a partir dos choques de petróleo de 1973 e 1979, e também em decorrência da chamada crítica de Lucas (1976). A idéia da crítica é que os agentes baseiam suas decisões em informações “cheias”, e qualquer mudança na política econômica irá alterar sistematicamente a estrutura do modelo macroeconométrico, isto é, os parâmetros estimados por meio de um modelo econométrico dependem da política econômica vigente na época em que o modelo é estimado e mudarão se essa política for alterada. (LUCAS, 1976 apud VALADKHANI, 2004). Por último, o método VAR assemelha-se superficialmente à modelagem por equações simultâneas no sentido de que deve-se considerar diversas variáveis em conjunto. Contudo, cada variável endógena é explicada por seus valores defasados, ou passados, e pelos valores defasados de todas as demais variáveis endógenas do modelo, em geral, não há variáveis exógenas nestes modelos26. (GREENE, 2003) Desse modo, como os métodos de Amortecimento Exponencial e de Box & Jenkins são abordados neste trabalho, é importante explicar o porquê da não utilização das outras três possibilidades. Conforme já ressaltado anteriormente, pressupõe-se que os métodos escolhidos proporcionarão previsões mais acuradas que os modelos com uma equação e com equações simultâneas. No entanto, quanto ao VAR o mesmo argumento não deve ser utilizado, isto porque, é um método que está sendo amplamente empregado graças ao seu poder de previsão, principalmente no setor de energia e para prever dados referentes às contas nacionais. 26 Para maiores detalhes ver: Enders (2003, p. 264 -301) e Grenne (2003, p. 640 - 660). 42 Entre os artigos que utilizaram tal abordagem para o Brasil podem-se elencar: Schmidt et al (2002), que calculam as elasticidades27 renda e preço da demanda por energia elétrica para as classes comercial, residencial e industrial, utilizando o Modelo de Previsão de Correção de Erros Vetoriais (MCEV), para ambos os setores no período de 2000 a 2005. Siqueira et al (2006)28, apresentam as estimações das elasticidades-renda e preço, de curto e longo prazo, para as três principais classes de consumo do Nordeste brasileiro, e ainda, propõem uma metodologia para incorporar os efeitos do racionamento nas previsões da demanda por energia elétrica. Nessa mesma linha, Mattos e Lima (2005), utilizam um Modelo de Correção de Erros Vetoriais para prever a demanda residencial de energia elétrica em Minas Gerais no período de 1970 a 2002. Complementando, de acordo com Siqueira et al (2006), até o final da década de 1970, as elasticidades eram obtidas através de modelos de equação única, estimada pelo método de Mínimos Quadrados Ordinários. A partir daí, as aplicações de econometria para o campo de estudos da demanda passaram a incluir a teoria de co-integração, no contexto da modelagem de vetores autoregressivos (VAR), incluindo modelos de correção de erro (MCEs). Além destes trabalhos que utilizaram o método calculando elasticidades, é importante lembrar o trabalho de Mattos et al. (2008), onde os autores utilizam o método VAR para estimar variáveis macroeconômicas (consumo das famílias e PIB) projetando-as na matriz de insumo-produto, e gerando cenários a longo prazo do 27 É importante ressaltar ainda trabalhos clássicos que calcularam elasticidades para o Brasil, como, Modiano (1984), o qual estimou as demandas de energia elétrica para as classes residencial, comercial e industrial no período de 1963 a 1981, com dados anuais. E, Andrade e Lobão (1997), que estimaram o consumo residencial em função da tarifa, da renda e do estoque de eletrodomésticos, obtendo assim as elasticidades para a classe residencial, no período de 1963 a 1995, utilizando três métodos distintos (Mínimos Quadrados Ordinários, Variável Instrumental e Co-integração). No entanto, ambos não utilizaram o VAR. 28 Neste trabalho os autores estimam as elasticidades através de três métodos: MQO, MQ2E (Mínimos Quadrados Dois Estágios) e VAR, sob a representação de um MCE. No entanto, para as previsões utilizam apenas o modelo VAR/VEC, isto porque, se as variáveis são co-integradas os estimadores de MQO são ineficientes, embora consistentes. 43 consumo de energia por setor de atividade no Brasil. Em outras palavras, os autores utilizam um método EC+IP29 para prever o consumo de energia. Portanto, por que não usar o método VAR? Tal decisão foi tomada, na medida em que priorizou-se não apenas o poder de previsão de um determinado método, dado que todos apresentam limitações. Mas sim, na possibilidade de prever o consumo de energia elétrica não apenas de forma setorial (o que é possível de verificar na matriz IP), mas também com variações setoriais dos agregados macroeconômicos (módulo EC). Conforme destacado por Valadkhani (2004), a abordagem VAR é difícil de ser implementada quando existir mais do que cinco variáveis devido ao excesso de parâmetros (“overparameterisation”) e resultante multicolinearidade, com isso, no presente trabalho, não é possível obter graus de liberdade suficientes para adotar tal metodologia. Em outras palavras, utilizar o VAR para estimar os 12 setores da economia implicaria em um total de 58 parâmetros a se estimar, sendo maior que o número de observações (N=30). Dessa forma, os métodos de Amortecimento Exponencial e ARIMA apresentam características adequadas ao propósito deste trabalho, tais como: (i) boa capacidade de previsão (principalmente curto e médio prazo); (ii) previsões intervalares, onde os limites podem configurar cenários “otimistas” e “pessimistas”; e (iii) são factíveis a previsões desagregadas. 2.2.3. Metodologia Econométrica de Séries de Tempo De acordo com Pindick e Rubinfeld (2004), os modelos de Séries Temporais fornecem um método sofisticado para extrapolar séries de tempo, pois se baseiam na noção de que a série a ser prevista tenha sido gerada a partir de um processo estocástico (ou aleatório), com uma estrutura que pode ser caracterizada e descrita. Dito de outra forma, um modelo de série temporal oferece uma descrição da 29 O método EC+IP é melhor explicitado na seção 2.2.4. 44 natureza aleatória do processo que gerou a amostra de observações em estudo. A descrição é dada não em termos de uma relação de causa e efeito, mas de como o caráter aleatório do processo está embutido ou incorporado no mesmo processo. Antes de abordar a teoria ecomométrica utilizada, bem como as métricas de desempenho dos modelos, é importante entender a idéia que está por trás da metodologia empregada neste trabalho, ou seja, em primeiro lugar, estima-se cada setor dos três agregados macroeconômicos, comparando-se os resultados das estatísticas de teste; em segundo lugar, de acordo com o “melhor desempenho” das estatísticas de teste fora da amostra, determina-se o modelo a ser utilizado na previsão(Amortecimento Exponencial ou Box & Jenkins). Por fim, prevêem-se os dados 10 anos à frente. Na figura 2 pode-se observar, por exemplo, o que será feito para o consumo das famílias no setor de agropecuária. Figura 2 – Passos para estimação do melhor método Base de dados referente ao consumo das famílias no setor Agropecuário Estimação do método de Amortecimento Exponencial e ARIMA. Fonte: elaboração própria do autor. Dando seqüência, são descritas estatísticas para a avaliação do desempenho do modelo de previsão. Isto é, a partir da comparação dos valores reais e dos valores 30 Neste caso, não faz sentido comparar o método ARIMA, isto porque, o método naive (ou ingênuo) é tão bom quanto este para fazer as previsões. Caso ARIMA siga uma estrutura não-paramétrica30, adota-se Amortecimento exponencial. Caso contrário escolhe-se o melhor método para fazer a previsão. 45 “ajustados” pelo modelo, podem ser calculadas várias métricas para medir o desempenho. Estas medidas servem, então, para avaliar o desempenho do modelo estimado dentro (in sample) e fora (out of sample) da amostra de dados utilizados na modelagem. Para analisar o desempenho fora da amostra, foram utilizados os dados dos últimos 3 anos, isto é, foram retirados da amostra os dados referentes aos anos de 2001 a 2003 para o consumo das famílias, e para as exportações e importações os anos de 2005 a 2007. Feito isto, os parâmetros da equação são novamente estimados calculando-se, com origem em 2000 para o consumo das famílias e 2004 para as exportações e importações, a previsão para todo o período fora da amostra, ou seja, três previsões. Tem-se, neste momento, uma previsão para cada horizonte, ou seja, uma previsão para 1 ano à frente, 1 previsão para 2 anos à frente e uma previsão para três anos à frente. Para maior robustez da análise, é feito um deslocamento da origem de previsão, isto é, através do mesmo modelo estimado com dados até 2001 (consumo das famílias) e 2005 (exportações e importações), desloca-se a origem para 2001 e 2005, respectivamente, realizando-se as previsões para o período de 2002 a 2003 e 2006 a 2007, ou seja, duas previsões. Este processo se repete até que se obtenha apenas uma previsão fora da amostra. Ao final, tem-se três previsões para 1 ano à frente, duas previsões para 2 anos à frente e uma previsão para 3 três anos à frente. Obtém-se assim um total de seis previsões fora da amostra para diferentes horizontes. O quadro 3 a seguir ilustra esta análise de avaliação fora da amostra. Dessa forma, obtidas as previsões fora da amostra as medidas de desempenho podem ser calculadas para cada horizonte de previsão e estas mesmas estatísticas acumuladas, como serão abordadas neste trabalho o MAPE e o GMRAE. 46 Quadro 3 – Procedimento da Análise fora da Amostra 2001 2002 2003 CFR CFR CFR 2000 CFP CFP CFP 2001 CFR CFP CFP 2002 CFR CFR CFP HORIZONTE O RI G EM 2005 2006 2007 EIR EIR EIR 2004 EIP EIP EIP 2005 EIR EIP EIP 2006 EIR EIR EIP HORIZONTE O RI G EM Notas: CFR: consumo das famílias real; CFP: consumo das famílias previsto; EIR: exportações ou importações real; EIP: exportações ou importações previsto. Vale lembrar que, as estatísticas representadas pelas letras (a) e (b) são geradas dentro da amostra, o MAPE (letra c) apresenta resultados tanto dentro quanto fora da amostra. Por último, o GMRAE (letra d) é uma métrica de desempenho calculado fora da amostra. As métricas utilizadas nesse trabalho são apresentadas a seguir31. (a) Coeficiente de Explicação (R2) O coeficiente de explicação R2 indica o quanto da variação total dos dados (série dependente) é explicada pelo modelo. Este coeficiente é calculado através da comparação do erro do modelo e a variação dos dados da série dependente (série a ser prevista) em torno de sua média. Importante salientar que o coeficiente varia entre 0 e 100% e quanto maior seu valor significa que o modelo está sendo melhor explicado. Matematicamente, tem-se: ( ) 100x)( )()( 1 1 2 1 2 ^ 2               −       − −= ∑ ∑ = = N t N t YtY tYtY R (2.13) onde Y(t) é o valor da série temporal no período (t); ^ )(tY é o valor ajustado da série temporal para o período (t); Y é a média de Y e N é o total de observações. 31 A análise das métricas se baseia em: Greene (2003). 47 (b) Bayesian Information Criterion (BIC) O BIC é um critério de seleção proposto por Schwarz (1978). O método compara dois modelos familiares (e.g. Amortecimento Exponencial e Box & Jenkins) e aquele que minimizar o BIC é o melhor pois fornecerá previsões mais acuradas. É importante lembrar que esta ferramenta será mais uma a ser utilizada para comparar os modelos, podendo ser ou não preponderante na escolha do melhor método. (c) Mean Absolute Percent Error (MAPE) O MAPE (erro médio absoluto percentual) é calculado através da diferença entre valores estimados e reais e equivale às previsões um passo-à-frente (por exemplo, para o ano seguinte). Matematicamente, tem-se: N tY tYtY MAPE N t ∑ = − = 1 ^ 100x)( )()( (2.14) Vale lembrar que o MAPE dentro da amostra (in-sample) é uma medida de ajuste, já, fora da amostra (out-of-sample) é uma medida real de ajustamento da amostra. No entanto, em ambos os casos, quanto menor for o MAPE, melhor será a adequação do modelo, e conseqüentemente, a previsão. (d) Geometric Mean Relative Absolute Error (GMRAE) O GMRAE (média geométrica da razão do erro absoluto) compara o erro do modelo selecionado com o erro do modelo ingênuo (que usa como previsão o último dado disponível). Isto é, o GMRAE é a média geométrica da razão (quociente) entre o erro absoluto (portanto, em módulo) do modelo estimado e o erro absoluto do método ingênuo. Portanto, é desejável que o GMRAE seja igual ou menor que 1. 48 GMRAE = n n t tZtZ tYtY )()( )()( ^ ^ 1 − − Π = , onde )()( ^ tZtZ = (Método Naive (Ingênuo)). (2.15) Vale ressaltar que, selecionado o melhor método de acordo com o critério estatístico previamente estabelecido (minimização do erro fora da amostra), incorporam-se novamente os dados retirados à amostra, atualizam-se os parâmetros e fazem-se as projeções. Em suma, a análise in-sample e out-of-sample é apenas um procedimento que visa definir o melhor entre dois ou mais métodos de previsão. Desse modo, após apresentar uma breve caracterização sobre séries de tempo e as medidas de desempenho que serão utilizadas nesse trabalho, verifica-se a maneira como foram feitos os cenários, e, em seguida, abordam-se os dois métodos propostos para serem utilizados nas previsões. Para a elaboração dos cenários foi utilizado um critério estatístico dado que a previsão é probabilística, isto é, adotado um nível de significância de 5%. A probabilidade do resultado estimado situar-se entre o limite inferior (“lower”) e o limite superior (“Upper”) é de 95%, conforme pode ser exemplificado pela figura 3, a qual simula uma distribuição normal. Dentro desse contexto estatístico, o valor esperado calculado pela equação de previsão foi utilizado como cenário moderado. O limite inferior da distribuição de probabilidade assumiu-se como cenário pessimista e como cenário otimista adotou- se o limite superior da mesma distribuição. Figura 3 – Exemplo de uma Distribuição de Probabilidade Normal Fonte: elaboração própria do autor. 49 Ao utilizar esse critério para a elaboração dos cenários evita-se a criação ad hoc dos mesmos, ou seja, há um ferramental estatístico utilizado na criação dos cenários. 2.2.3.1. Método de Amortecimento Exponencial32 Suponha que um conjunto de observações Z1, Z2, ....., ZT seja uma série temporal de tamanho “T” e, ainda, que esta série represente o consumo das famílias de um determinado setor e que não apresente variação significativa no seu nível ao longo do tempo, ou seja, não ocorrem mudanças no nível de consumo com o tempo ou, se ocorre, são variações pouco significativas. Daí, para tal consumo, a equação de previsão pode ser representada por: tt TaZ ε+= )( (2.16) onde Zt representa o consumo no período t (t=1,2,...T); a(T), é o parâmetro representativo do nível médio de consumo no instante T; e εt é o erro de previsão ( )( )2,0~ σε Nt . É importante observar que dada as características do consumo deste setor (mais ou menos constante), a estimativa (â(T)) para o parâmetro “a” na equação (2.16) fornece exatamente uma previsão para o produto em questão. Sendo assim, salienta-se que este parâmetro pode ser estimado de diversas maneiras possíveis. Dentro de uma lógica “autoprojetiva”, poder-se-ia estimá-lo, por exemplo, através do modelo ingênuo (ou naive), que utiliza como previsor o último dado. Outras maneiras poderiam ser utilizadas para estimar o parâmetro “a”, como média e média móvel. É importante lembrar que, em relação a ambos, existe uma desvantagem que diz respeito ao fato de que todos os dados entram com o mesmo “peso”, ou seja, 1/N. Com o método de Amortecimento Exponencial tal “deficiência” pode ser descartada dado que é possível dar pesos diferenciados de acordo com a “idade” da informação. 32 Para maiores detalhes ver: Montgomery e Johnson (1990). 50 O objetivo do método consiste em montar um “sistema” que possa reestimar os parâmetros do modelo a cada período de tempo incorporando a informação mais recente. Como se sabe, ao final do período T, tem-se duas informações básicas disponíveis: (i) a estimativa de “a” feita no final do período anterior â (T-1) e (ii) o último dado disponível Z(T). Dessa forma, utilizam-se tais informações para calcular uma estimativa atualizada do nível de consumo deste setor: â(T). A idéia para a solução do sistema é fazer uma modificação na estimativa “passada” (â(T-1)) do nível por uma fração do erro de previsão resultante do uso desta estimativa para o dado mais recente. Sabendo que o erro de previsão do último período pode ser definido como )1()()( ^ −−= TaTZTε . Matematicamente, tem-se.     −−+−= )1()(*)1()( ^^^ TaTZTaTa α (2.17) )1(*)1()(*)( ^^ −−+= TaTZTa αα (2.18) Para simplificar a notação, define-se que TSTa ≡)( ^ . Deste modo, reescrevendo (2.18) tem-se: 1*)1(* −−+= TTT SZS αα (2.19) onde ST é o valor amortecido da série e α é a constante de amortecimento ou hiperparâmetro (número entre 0 e 1). Ressalta-se que esta formulação (2.19) indica que para se fazer uma atualização automática do parâmetro “a”, será feita uma combinação convexa, onde é dado um peso α para o “presente” (último dado) e um peso (1-α) para o “passado” (estimativa anterior para o nível). Conforme ressaltado, a equação (2.19) pode ser utilizada para modelar o comportamento de uma série que apresente um comportamento mais ou menos 51 constante, ou seja, sem grandes variações no nível. Entretanto, este modelo torna- se inadequado na presença de alterações do nível da série, isto é, na presença de um componente de tendência. Para uma série que apresente oscilação no nível com o tempo, atenta-se que um modelo mais adequado é aquele representado pela equação (2.20)33: tT tTaTaZ ε++= )*)()(( 21 (2.20) onde a1(T) é o parâmetro de nível no instante T; a2(T) é parâmetro de tendência no instante T; t é a variável tempo (t= 1,2,......, T sendo T a quantidade de dados existente) e εt é o erro de previsão ( )( )2,0~ σε Nt . Um sistema de atualização paramétrica similar ao evidenciado em (2.18) será aplicado sobre os parâmetros da equação (2.20). Este modelo é conhecido como Modelo de Holt-2Parâmetros34. A atualização dos parâmetros pode ser feita de acordo com (2.21) e (2.22).     −+−−+= )1()1(*)1(*)( ^ 2 ^ 1 ^ TaTaZTa T αα (2.21)     −−+    −−= )1(*)1()1()(*)( ^ 2 ^ 1 ^ 1 ^ TaTaTaTa ββ (2.22) Como é possível observar as equações (2.21) e (2.22) contêm a mesma idéia de se ponderar “presente” e “passado” para a atualização dos parâmetros. Entretanto, vê- se que são usadas duas constantes de amortecimento (α e β), uma para o parâmetro de nível (a1) e outra para o parâmetro de tendência (a2). Na equação (2.21), a atualização do parâmetro de nível é feita dando peso α para o dado real mais recente e um peso (1-α) para a última estimativa feita para o nível que é composta por: â1(T–1), estimativa feita para o nível no instante anterior (T-1), mais â2(T-1), que é a estimativa feita para a tendência também no instante anterior 33 Note que, diferentemente da equação (2.16), existem agora dois parâmetros e por isso é feita a diferença. 34 É importante lembrar que este será o modelo utilizado nesta dissertação. 52 (T-1). Assim, “nível mais tendência (taxa de crescimento)” fornece exatamente uma estimativa de um novo nível, sendo que (T-1) indica que este cálculo foi feito no instante anterior. Resumindo, na atualização do parâmetro em nível, dá-se um peso para o último dado (que fornece uma representação real e atualizada, portanto, “presente ou recente” para o nível) e um outro peso para um valor estimado para este nível no momento anterior (“passado”). Já na equação (2.22), atualização do parâmetro de tendência vê-se que é dado um peso β para a diferença entre a nova estimativa do nível (calculada na equação 2.21) e a última estimativa do nível (feita no instante anterior T-1). Ora, a variação de nível é exatamente o que caracteriza um componente de tendência ou taxa de crescimento. Se é dado um peso β para uma estimativa “presente” do parâmetro de tendência, é dado um peso (1-β) para a última estimativa de tendência feita no instante anterior (T-1). 2.2.3.2. Método Box & Jenkins Diferente dos modelos de regressão nos quais Yt é explicado por k regressores kXXXX L321 ,, , os modelos do tipo Box & Jenkins permitem que Yt seja explicado por valores passados, ou defasados, do próprio Y e dos termos de erro estocásticos. Devido a essa característica, os modelos ARIMA (série temporal auto-regressiva integrada e de médias móveis) são chamados por alguns autores de modelos “aleatórios” dado que não estão embasados em qualquer teoria econômica35. (GUJARATI, 2006). O primeiro passo da metodologia consiste em identificar, caso seja necessário, a ordem de homogeneidade “d”, ou seja, trata-se de identificar o número de vezes que 35 Para maiores detalhes ver: BOX, G. E. P., JENKINS, G. M. Time Series Analysis, Forecasting and Control; e, Grenne (2003, p. 609 – 645). 53 a série original deve ser diferenciada para se tornar uma série estacionária36. Este procedimento pode ser feito através da observação do próprio gráfico da série ou da função de autocorrelação (FAC)37. O próximo passo é a identificação do modelo, isto é, da sua ordem (identificação de p e q). Para isso são utilizados os conceitos de função de autocorrelação e autocorrelação parcial (FACP), onde, para a identificação da ordem observa-se o comportamento de ambas. No quadro 4 é feito um resumo das características dessas funções para os modelos AR(p), MA(q) e ARMA(p,q). Quadro 4 – Características da FAC e da FACP Modelo Função de Autocorrelação )( kρ Função de Autocorrelação Parcial )( kkφ AR(p) Infinita (Declina Exponencialmente e/ou com um padrão de senóides amortecidas) Finita (Corte após lag “p”) MA(q) Finita (Corte após lag “q”) Infinita (Declina Exponencialmente e/ou com um padrão de senóides amortecidas) ARMA(p,q) Infinita (Diminui Exponencialmente e/ou com um padrão de senóides amortecidas após o lag “q-p”) Infinita (Diminui Exponencialmente e/ou com um padrão de senóides amortecidas após o lag “p-q”) Fonte: GUJARATI, 2006; GREENE 2003 De maneira geral, para se identificar a ordem p, de um modelo AR(p), por exemplo, observa-se se a FAC decresce e se a FACP apresenta um corte38. Se isto acontece, o lag onde este corte ocorre fornece a ordem p (p=lag do corte). 36 Um processo estocástico é estacionário quando a sua média e a sua variância são constantes ao longo do tempo e quando o valor da covariância entre dois períodos de tempo depende apenas da defasagem entre os dois períodos, caso contrário, a série é não estacionária. 37 A Função de Autocorrelação para uma série não estacionária apresenta um lento decréscimo. 54 Por outro lado, para um modelo MA(q) a FAC e a FACP apresentam comportamento inverso ao de um modelo puramente auto-regressivo. Isto significa que, para um modelo MA, a FACP decresce, e a FAC é que apresenta um corte. Da mesma forma, o lag onde este corte ocorre fornece a ordem q do modelo MA. Após a identificação da ordem do modelo, é necessário obter as estimativas dos parâmetros desse modelo. A técnica utilizada para as estimativas é a da máxima verossimilhança. Por fim, identificado o modelo e estimado os parâmetros, faz-se os testes de aderência para verificar a adequabilidade final do modelo: testes para os resíduos e os testes de sobrefixação. Nos testes para os resíduos, procura-se constatar se, após elaborado o modelo, o resíduo gerado por este modelo é um resíduo branco, ou seja, se o modelo foi capaz de explicar satisfatoriamente o comportamento da série de forma que o erro não apresente nenhuma estrutura de correlação. Este fato consiste num dos indicadores de eficiência explicativa do modelo. O teste de sobrefixação, por sua vez, consiste simplesmente em se gerar modelos de ordem superior ao identificado, de forma que se possa reforçar a pertinência do modelo. 2.2.4. Modelo Econométrico integrado ao Modelo de Insumo-Produto De acordo com Rey (2000), ao se falar de um modelo integrado em ciência regional há uma vasta possibilidade de caminhos a se seguir, a fim de confirmar tal afirmativa o autor cita o trabalho de Isard et al. (1960) chamado “Channels of Synthesis”, o qual 38 Geralmente nos softwares específicos para previsão, tanto o gráfico da FAC quando da FACP apresentam intervalos de significância do lag. Os lags cujos valores da autocorrelação ultrapassam estes intervalos são ditos significantes (GOODRICH & STELLWAGEM, 1999). Caso se observe, por exemplo, a autocorrelação de lag 1 significante e, a partir do lag 2 (inclusive), as autocorrelações estão todas dentro do intervalo, isto indica um “corte” no lag 1. 55 aborda diferentes técnicas39 que podem ser integradas com o objetivo de alcançar uma modelagem completa. Rey (2000) retrata que uma outra maneira a qual um modelo pode ser integrado é combinar mais de uma metodologia de modelagem (e.g. econométrico e insumo produto) utilizando uma mesma estrutura (e.g. econométrico com insumo produto). Entre os artigos que utilizaram tal metodologia pode-se citar: Anselin et al. (1990) - Combinação Linear com modelos de insumo-produto, Harris (1985) - Otimização e modelos de insumo-produto, entre outros. Além é claro, do modelo integrado econométrico com insumo-produto (EC + IP), o qual foi atualizado e destacado por Isard et al. (1998). Ainda, de acordo com Rey (1998), as motivações para integrar um modelo econométrico a um modelo de insumo-produto são muitas. No entanto, Rey (2000), destaca que este não é um tema de consenso entre todas as escolas de pensamento. Isto porque, por um lado, algumas escolas consideram que há uma competição entre o modelo EC+IP e os modelos de equilíbrio geral computável (EGC), por outro, há escolas que vêem similaridade entre tais modelos. Além disso, dentro do próprio campo de modelagem EC + IP há um debate quanto a forma de integração e os componentes individuas (e.g. EC e IP)40. Contudo, as vantagens da utilização de um modelo integrado EC + IP são muitas, isto porque, ambos os métodos separadamente possuem limitações, como por exemplo, o modelo IP assume função de produção linear, retornos constantes de escala, função consumo homogênea e preços inflexíveis. Mas, quando tais modelos são integrados algumas dessas limitações são amenizadas, conforme pode ser observado na tabela 5, e, além disso, segundo Rey (1998), evita-se a crítica da demanda final ser determinada ad hoc. 39 Como exemplo, pode-se citar modelos que integram a economia regional com componentes ambientais e/ou ecológicos, ou então, modelos que consideram a interação entre efeitos demográficos e mercado de trabalho. 40 Após integrar surgem novos componentes na estrutura. 56 Tabela 5 – Comparação entre os Modelos IP, EC e EC+IP Características IP EC EC + IP Dinâmico X X Desagregado X X Sensível a preço X X Análise de Impacto X X X Direcionado para a demanda X X X Previsão X X Inferência X ?* Multi-regional X X ?* Fonte: Rey (1999) (*) Significa Dúvida Os modelos de IP são essencialmente moldados em equilíbrio geral entre os mercados, isso ocorre porque o modelo fornece ajustamentos para projeções na demanda, enquanto os preços não influenciam nas repostas. Por outro lado, os modelos EC frequentemente moldam a economia regional em um contexto de desequilíbrio e/ou equilíbrio parcial onde o foco é normalmente a trajetória do ajustamento da economia para choques exógenos. Contudo, apesar dessa diferença, segundo Beaumont (1990), o importante é que ambos os modelos são direcionados para a demanda quando aplicados para a economia regional. Algumas das diferenças entre os modelos têm servido de motivação para combinar os modelos EC e IP. Especificamente, a rigidez de preços do modelo IP tem sido o canal de múltiplas integrações entre os componentes EC e IP, isto é, no modelo IP os coeficientes não são afetados pelos preços, já no modelo integrado poderá haver mudanças nos mesmos. Desse modo, a abordagem integrada representa uma melhoria com relação aos modelos tradicionais de EC e IP em relação ao tratamento dos agregados macroeconômicos. (Hewings e Jensen, 1986 apud REY, 2000) Além das projeções relativas à demanda final, a integração do modelo EC + IP também costuma ser usada para tratar a relação fixa do emprego com o produto no modelo IP. Isso pode ser feito situando a equação da demanda por trabalho no modelo EC, onde o produto industrial, gerado pelo modelo IP, aparece junto com outros determinantes da demanda por trabalho. (CONWAY, 1990). 57 Em muitos casos o objetivo de explorar a natureza complementar dos componentes do modelo EC e IP tem obtido sucesso, no sentido de que o modelo integrado EC+IP resultante fornece vantagens quando comparadas com um ou outro modelo isoladamente. No entanto, conforme pôde ser observado na tabela 4, existem duas instâncias onde a integração destes dois modelos levanta um número de complicações. A primeira pertence ao ferramental de inferência que pode ser usado no modelo integrado, isso surge porque a visão tradicional do modelo IP é determinística, no sentido de que os coeficientes são parâmetros fixos sem incerteza associada. Em contraste, os modelos EC têm um ferramental bem desenvolvido para lidar com a incerteza. Como essas duas perspectivas são combinadas surge um grande número de ensaios metodológicos que requerem atenção adicional41. A segunda complicação refere-se ao tratamento das ligações multi-regionais no modelo integrado. Nesse caso ambos os modelos são capazes de representar ligações multi-regionais, no entanto, no modelo integrado as representações dos dois modelos não podem coexistir e algumas decisões sobre como melhor serão feitas essas ligações devem ser pensadas42. Todavia, de acordo com Guilhoto (2004), os modelos econométricos de insumo- produto visam, por um lado, tirar vantagem do poder de previsão dos modelos econométricos e, por outro, tirar vantagem dos aspectos inter-setoriais e inter- regionais encontrados nos modelos de insumo-produto. Ainda, de acordo com o autor, o ponto interessante da combinação destes dois modelos, por exemplo, é a possibilidade de se levar em consideração que a moeda afeta o nível de produção da economia, pelo menos no curto prazo, e de se poder fazer previsões para os diversos setores/regiões da economia ao longo do tempo. 41 Há incertezas com relação ao erro e aos parâmetros tanto do modelo EC, quanto do modelo IP. Para maiores detalhes ver: Rey, West e Janikas (2004). 42 Não é escopo deste trabalho ligações multi-regionais. 58 Rey (2000) destaca três motivações práticas na utilização dos modelos EC+IP, as quais são: (a) melhora no desempenho da previsão; (b) capacidade da análise das projeções torna-se mais completo; e (c) maior preocupação com erros de medida (pode-se citar, por exemplo, testes de hipóteses e níveis de confiança). Com relação à melhora no desempenho da previsão, ainda há poucos autores na literatura que afirmam ter o modelo EC+IP um poder de previsão mais apurado que os modelos econométricos tradicionais (e.g. Rey, 1998). No entanto, segundo Rey (2000), além dos benefícios do aumento do poder de previsão, também a precisão dos modelos econométricos utilizados para calibrar esses modelos aumenta. Isso resulta na melhora das inferências sobre as relações inter-industriais na região. Quanto a capacidade na análise das projeções ter resultados mais completos, Rey (2000) aborda que a integração do modelo EC+IP melhora o alcance e a capacidade de análise da previsão, se comparado com cada modelo separadamente. Uma limitação reconhecida nos modelos de IP na análise de previsão é que a trajetória do tempo para estimar as variações através da economia regional não é mutável, isto ocorre devido a estática comparativa natural deste modelo. Os modelos econométricos, em contraste, têm a dinâmica como sua principal característica na capacidade de analisar projeções. Por outro lado, os modelos EC são muito mais agregados que os modelos IP, daí ser um modelo dinâmico têm um custo (trabalho para gerar e/ou agregar os dados). No entanto, ao combinar os dois em EC+IP, a dinâmica e a desagregação industrial podem ser desenvolvidas. Outra limitação do modelo IP em relação ao modelo EC na análise de previsão é que nos modelos IP não há nenhuma medida de incerteza, ou seja, não há nenhum intervalo de confiança. Novamente, a fusão dos dois modelos soluciona, em parte, tal problema e mantém o nível de desagregação. Com relação aos erros de medida, Rey (2000) trata dos problemas relacionados a transformar dados e/ou coeficientes nacionais em regionais. Isso ocorre muitas 59 vezes devido aos altos custos para gerar dados regionais, e o que é mais preocupante, são os métodos utilizados para transformar esses dados43. Retomando o que foi dito anteriormente, um grande número de modelos integrados são implementados em economia regional e, portanto, há uma quantidade razoável de métodos que podem ser usados para integrá-los. Rey (1998) sugere alguns métodos que estão brevemente explicitados a seguir. De acordo com Rey (1998), a estratégia de integração é definida pela maneira e extensão com a qual os componentes dos modelos EC e IP serão combinados em um conjunto final. Segundo Rey (1999), há três maneiras de integrar o modelo EC+IP: (i) Ligação (linking); (ii) Determinação Mútua (embedding); e (iii) Acoplagem (coupling). Na estratégia de ligação, um dos módulos (EC ou IP) é exógeno ao outro, de forma que a interação entre eles é recursiva; nas estratégias de determinação mútua e de acoplagem, os módulos apresentam retroalimentação simultânea entre si, com o mecanismo de retroalimentação podendo ser completo (determinação mútua) ou parcial (acoplamento). Ainda, de acordo com Rey e Dev (1997), a forma mais completa de integração é a de Acoplagem (coupling), na qual, a integração entre o modelo IP e o modelo EC é simultânea e reflete dois caminhos de feedback. Nesta estratégia destacam-se os trabalhos empíricos de West (1994) e Conway (1990). A segunda maneira de integração utiliza a estratégia de Ligação (linking), na qual, o produto de um componente serve como insumo do outro em um efeito recursivo, onde se pode destacar o trabalho de Kort e Cartwright (1981) e para o caso brasileiro Mattos et al (2008). No quadro 5 observa-se maiores detalhes sobre os trabalhos. A estratégia de integração também pode ser baseada por Determinação Mútua (embedding), na qual, os coeficientes de IP são utilizados para atingir o equilíbrio na especificação do modelo econométrico, pode-se destacar o trabalho de Rey e Dev (1997). A seguir é explicitado o método de Ligação de forma detalhada, dado que será utilizado neste trabalho. 43 No entanto, como não é escopo dessa dissertação trabalhar com dados e/ou coeficientes regionais, então esse tema não é relevante. 60 Quadro 5 – Trabalhos que abordaram o Método EC + IP Autor Ano Número de Regiões Estratégia de Integração Estrutura de Integração e Setores Rey, S. 1998 Sudeste da Califórnia – 5 regiões Utiliza as três estratégias Diferente para cada integração Conway, R. S. 1990 Washington – 1 região Acoplagem (Coupling) Composição - EC(26); IP(26) West, G. R. 1994 Queensland – 1 região Acoplagem (Coupling) Composição - EC(15); IP(15) Azzoni e Kadota 2000 São Paulo e Brasil – 2 regiões Acoplagem (Coupling) Composição – EC(?); IP(34) Rey e Dev 1997 Sudeste da Califórnia – 5 regiões Determinação Mútua (Embedding) Composição Kort e Cartwright 1981 50 Estados Ligação (linking) Modular – EC(30); IP(500) Mattos, Perobelli, Haddad e Faria 2008 Brasil – 1 região Ligação (linking) Modular - EC(2); IP(14) Guilhoto e Fonseca 1998 Nordeste e resto do Brasil – 2 regiões Ligação (linking) Modular - EC(4); IP(18) Rey, S 1999 Artigo Metodológico Rey, S 2000 Artigo Metodológico Fonte: elaboração própria do autor 61 2.2.4.1. Estratégia de Ligação Enquanto que as relações de IP são completamente envolvidas com o modelo econométrico na estratégia de Determinação Mútua, na estratégia de Ligação o modelo IP possui um alto grau de independência. De acordo com Rey (1999), a estratégia de Ligação utilizada para integrar os modelos EC e IP pode ser de duas maneiras. Na estratégia EC ligando-se ao IP )( IPEC ⇒ , a previsão dos agregados macroeconômicos é especificado como endógeno. Isto é feito modelando os agregados macroeconômicos no modelo EC, por exemplo, consumo privado C, ou então, a demanda total Y: εβ += ccZC (2.23) onde Zc é um vetor de determinantes do consumo com parâmetros associados βc (e.g. taxa de juros, renda disponível, dentre outros) e ε é o termo de erro. Estimação para βc são obtidos através da aplicação de um método econométrico apropriado (e.g. Mínimos Qudrados Ordinários, Séries de Tempo) para (2.23). Tendo especificado um modelo econométrico adicional para cada componente endógeno da demanda final, a demanda final total por setor é obtida através da desagregação de cada componente (endógeno e exógeno) usando taxas fixas extraídas do ano base do modelo IP. NEhneGhgIhiChcY jjjjj +++= (2.24) onde 1 1111 ==== ∑∑∑∑ ==== n j j n j j n j j n j j hnehghihc A ligação entre os modelos EC e IP é modelada através da identidade clássica do modelo IP: YAIX jj ∆−=∆ −1)( (2.25) onde 1)( −− jAI representa a j-ésima linha da inversa de Leontief, jX∆ é a mudança ocorrida no produto total da indústria j devido a uma mudança na demanda final (Y), esta, por sua vez, é obtido através das equações (2.23) e (2.24). É importante notar, 62 entretanto, que não há um retorno subseqüente da solução de (2.25) para (2.23), ou seja, não há retroalimentação. Por outro lado, quanto a estratégia está em ligar o IP ao EC )( ECIP ⇒ a direção do efeito recursivo é reverso, no qual, o produto da equação (2.25) é usado para direcionar um número (ou um conjunto de resultados da matriz IP) à equação econométrica. Por exemplo, a equação de demanda por trabalho pode seguir a seguinte forma: iiei XZe εαβ ++= (2.26) onde ei é a demanda por trabalho do setor i; Ze é um vetor de determinantes da demanda por trabalho com parâmetros associados a β; α é o parâmetro de ligação entre o produto (Xi) e o emprego (Ze) no setor i; e εi é o termo de erro. Existem duas sutis, mas importantes diferenças entre as estratégias de ligação )( IPEC ⇒ e )( ECIP ⇒ que podem ser comparadas pelas equações (2.23) e (2.26). A primeira diferença está em que no modo )( ECIP ⇒ a variação na demanda final em (2.25) é especificada pelo analista, enquanto que noutro modo é determinada no modelo econométrico. A segunda distinção é que o componente econométrico está presente em muito mais equações no modo )( ECIP ⇒ , de modo que há n (e.g. uma para cada indústria) equações de demanda por trabalho (2.26), mas apenas m agregados macroeconômicos, cada um com uma equação na forma (2.23). (REY, 1999). É importante salientar, segundo Rey (1998), que apesar da estratégia de Ligação ser aplicada em muitos trabalhos há uma limitação importante, isto porque, é uma técnica limitada de análise temporal, ou seja, ela permite impactar apenas um período. Portanto, se o analista quer verificar mais de um período, o mesmo deve estimar os agregados macroeconômicos, por exemplo, para cada ano requerido. 63 2.2.5. Estratégia de Integração entre o Modelo Econométrico e a Matriz IP A construção do modelo EC+IP que será utilizada nessa dissertação seguirá a estratégia de integração por Ligação, baseada nas versões discutidas por Rey (1999), Rey, West e Janikas (2004) e Mattos et al. (2008). Conforme apresentado na seção anterior essa estratégia pode ser executada de duas maneiras, EC ligando-se a IP ou IP ligando-se a EC. Nesse caso, será adotada a estratégia em que o módulo EC liga-se ao módulo IP. O modelo econométrico, conforme já foi ressaltado, configura o primeiro módulo da hierarquia do modelo EC+IP. Ele serve para caracterizar o processo gerador dos dados para os agregados macroeconômicos, representados por C (consumo das famílias), E (exportações) e M (importações). Tais agregados serão tratados como variáveis endógenas. Note-se que todos os agregados macroeconômicos são na verdade variáveis exógenas para o módulo IP, porém no âmbito do módulo EC essas variáveis são tratadas como endógenas. É importante lembrar que, no presente trabalho, as variáveis C, E e M são estimadas para cada setor selecionado da matriz de IP separadamente, fato este, que permite observar as projeções sobre o setor elétrico de cada um dos setores. Dessa forma, dando seqüência à montagem do modelo EC+IP, define-se a identidade macroeconômica básica e as equações de IP que irão dar origem ao modelo EC+IP: titititi MEIGCY ,,,, ∆−∆+++∆=∆ (2.27) tititi YAXX ,,, += (2.28) titi PXEE ,, = (2.29) onde Y é a renda interna bruta por setor, C é o consumo das famílias por setor, G são os gastos do governo (exógeno), I é o investimento privado (exógeno), E são as exportações e M são as importações. 64 Ainda, X é um vetor nx1 de produção, EE é um vetor nx1 de consumo setorial de energia elétrica medido em GWh e P é uma matriz diagonal nxn cuja diagonal principal são coeficientes de uso setorial de energia elétrica medidos pela razão entre em GWh e PIB, ambos setoriais. O subscrito t indica o tempo em termos anuais e o subscrito i indica os setores. Para melhor entender as equações (2.27), (2.28) e (2.29) é preciso relembrar o que foi dito na seção 2.2, isto é, por exemplo, variações setoriais no consumo, proporcionarão projeções no produto (Y) que, por sua vez, através do método de ligação irá variar o módulo IP, o qual permitirá observar quanto de energia elétrica consumirá os demais setores. Por fim, a ligação entre os modelos EC e IP é modelada através da identidade clássica do modelo IP: YAIX jj ∆−=∆ −1)( (2.30) onde 1)( −− jAI representa a j-ésima linha da inversa de Leontief, jX∆ é a mudança ocorrida no produto total da indústria j devido a uma mudança na demanda final (Y), esta, por sua vez, é obtido através dos modelos autoprojetivos (Box & Jenkins e Amortecimento Exponencial). É importante notar, entretanto, que não há um retorno subseqüente da solução de (2.30) para o modelo autoprojetivo, ou seja, não há retroalimentação. Após explicitar, a base de dados, a seqüência metodológica e a metodologia que são abordadas neste trabalho, no próximo capítulo retratam-se os resultados referentes ao modelo econométrico (seção 3.1) e ao módulo econométrico com insumo-produto (seção 3.2). 3 APRESENTAÇÃO E DISCUSSÃO DOS RESULTADOS Este capítulo visa apresentar, em primeiro lugar, os resultados da integração entre os modelos econométrico e de insumo-produto e, em segundo lugar, discuti-los à luz das questões energéticas. Para tal são apresentados os resultados do módulo econométrico e depois os resultados da integração. 3.1. Módulo Econométrico É importante salientar que a estratégia adotada nesta dissertação é a de especificação de um módulo econométrico setorial para que seja possível captar de forma mais acurada as especificidades setoriais. Esta seção apresenta a parte econométrica do modelo EC+IP especificado nas seções (2.2.3.1) e (2.2.3.2). O modelo econométrico representa, conforme afirmado anteriormente, os agregados macroeconômicos (consumo das famílias, exportações e importações) em nível setorial (e.g. minerais não metálicos). O processo de estimação segue o padrão utilizado pelas séries de tempo e explicitado na seção (2.2.3), ou seja, primeiro, estima-se cada setor comparando-se os resultados das estatísticas de teste; em segundo lugar, de acordo com critérios estatísticos 66 preestabelecidos escolhe-se o melhor modelo (Amortecimento Exponencial ou Box & Jenkins) para fazer a previsão. Escolhido o método mais ajustado, finalmente, o modelo econométrico é implementado. Ainda, salienta-se que a abordagem econométrica será dividida em duas partes. Em primeiro lugar, serão analisadas as métricas estatísticas dos agregados macroeconômicos a serem estimados (e.g. consumo das famílias), em segundo lugar, serão apresentados os gráficos e as previsões dos setores selecionados (e.g. agricultura). Em outras palavras, comparam-se as estatísticas de teste de todos os setores da economia para um determinado agregado macroeconômico, em seguida, de acordo com a “eficiência” do modelo prevêem-se os dados para alguns setores selecionados. 3.1.1. Consumo das Famílias Como pode ser observado na tabela 6, o setor Agrícola (1), de Alimentos e Bebidas (2) e o setor de Ferro, Aço, Metais não ferrosos e Outras metalurgias (3) apresentaram um resultado para o ARIMA de uma estrutura paramétrica, portanto, é pertinente a comparação entre os modelos, ao contrário dos demais setores. Dessa forma, num primeiro momento a análise é com relação a esses setores. Quanto a Agricultura (1), observa-se na análise dentro da amostra que tanto o R2, quanto o BIC e o MAPE indicam melhor ajustamento para o modelo de Box & Jenkins, no entanto, quando se analisa o ajustamento fora da amostra o método de Amortecimento Exponencial demonstra-se melhor e, por isso, será o adotado para esse setor. Para o setor de Alimentos e Bebidas (2), conforme tabela 6, a análise torna-se mais trivial dado que o método Box & Jenkins oferece as melhores métricas estatísticas tanto dentro quanto fora da amostra. Por último, o setor de Ferro, Aço, Metais não ferrosos e Outras metalurgias (3) apresenta métricas bastante semelhantes para ambos os métodos, todavia, o método de Amortecimento Exponencial será o utilizado, pois proporcionou melhores resultados na previsão. 67 Tabela 6 – Resultados das estatísticas de teste do consumo das famílias para o Modelo de Amortecimento Exponencial (MAE) e de Box & Jenkins (BJ) DENTRO DA AMOSTRA FORA DA AMOSTRA se to re s Me did as Período 1974 a 2003 1974 a 2000 R2 * BIC MAPE* MAPE * MAPE* GMRAE GMRAE (H=1,N=3) (ACUM) (H=1, N=3) (ACUM) MAE 57,0 4,8E+07 6,30 3,80 3,30 1,04 0,93 BJ 68,0 4,2E+07 5,30 4,90 3,60 1,40 0,99 MAE 64,0 1,5E+08 5,00 3,10 4,10 1,06 0,86 BJ 68,0 1,4E+08 4,90 2,90 3,80 0,91 0,93 MAE 58,0 4,7E+06 5,60 6,70 8,00 0,96 0,99 BJ 63,0 4,1E+06 5,30 7,00 9,00 1,01 0,83 MAE 73,0 3,9E+06 5,70 3,80 6,60 0,31 0,29 BJ MAE 73,0 1,5E+08 6,90 5,30 6,40 1,14 0,93 BJ MAE 63,0 8,1E+06 5,20 10,20 12,00 0,65 0,79 BJ MAE 66,0 3,5E+07 6,80 4,50 7,00 4,09 2,57 BJ MAE 81,0 5,8E+07 6,90 10,80 18,20 0,99 0,99 BJ MAE BJ MAE 79,0 4,4E+08 7,30 16,00 22,50 2,32 1,97 BJ MAE 81,0 3,3E+06 33,45 1,00 1,00 7,30 9,20 BJ MAE 74,0 2,4E+07 6,40 4,70 5,40 0,71 1,22 BJ O UT IN D PA PC EL QU IM IC AL IB EB FE R AÇ O M N M ET AG RI CU ARIMA(0,1,0) ARIMA(0,1,0) ARIMA(0,1,0) SE R PU B TE XV ES TR AN SP se to re s CO M SE R ARIMA(0,1,0) ARIMA(0,1,0) ARIMA(0,1,0) 1 2 12 9 M IN PE L Não há consumo das famílias para este setor. ARIMA(0,1,0) ARIMA(0,1,0) 10 11 8 3 4 5 6 7 (*) valores expressos em termos percentuais Notas: H: horizonte; N: quantidade de previsões; ACUM: acumulado Fonte: elaboração própria do autor com base no programa Forecast Pro 3.5 Os setores de Minerais não metálicos (4), Outras Indústrias (5) e Transportes (12) apresentaram resultados estatísticos satisfatórios para o método de Amortecimento Exponencial tanto dentro quanto fora da amostra, dessa forma, pode-se credencia- los como setores que apresentarão boas previsões com relação ao consumo das famílias. (tabela 6) 68 Desse modo, após definir o método mais ajustado a cada setor incorporam-se novamente os dados retirados à amostra, atualizam-se os parâmetros e fazem-se as projeções. Porém, como o foco principal do trabalho não é apenas projetar os agregados macroeconômicos de forma setorial, e sim, estimá-los para impactá-los na matriz IP, reporta-se no anexo 5 os gráficos com os dados reais e as estimativas 10 anos a frente44, com a finalidade de visualizar o comportamento das previsões. 3.1.2. Exportações Com relação a análise econométrica para as exportações, ao observar a tabela 7, percebe-se que os setores Outras Indústrias (5), Indústria Química (7) e Têxtil e Vestuários (8) podem ser comparados quanto ao melhor método de estimação. Ainda, fica evidente que tanto dentro quanto fora da amostra ambos os setores apresentam melhores métricas para o modelo de Box & Jenkins, logo, selecionado. Outros dois setores (Agricultura (1) e Minerais não metálicos (4)) apresentaram boas métricas estatísticas para o método de Amortecimento Exponencial, principalmente quando a análise é feita fora da amostra. (tabela 7). Ainda, pode-se observar no anexo 6 os gráficos com os dados reais e as estimativas 10 anos a frente para o setor de exportação. 44 Apesar da estimação do módulo econométrico ser 10 anos a frente para os diferentes setores dos três componentes da demanda final, é importante relembrar que a análise EC+IP é feita apenas para os anos de 2009 a 2014. 69 Tabela 7 – Resultados das estatísticas de teste das Exportações para o Modelo de Amortecimento Exponencial (MAE) e de Box & Jenkins (BJ) Período 1974 a 2007 1974 a 2004 DENTRO DA AMOSTRA FORA DA AMOSTRA se to re s Me did as R2 * BIC MAPE* MAPE * MAPE* GMRAE GMRAE (H=1,N=3) (ACUM) (H=1, N=3) (ACUM) MAE 85,0 4,1E+09 14,10 8,60 14,00 0,52 0,54 BJ MAE 88,2 3,1E+08 15,76 10,10 15,10 0,84 0,82 BJ MAE 90,7 2,8E+09 19,02 11,50 18,20 0,78 0,80 BJ MAE 95,2 1,6E+08 14,30 2,60 4,60 0,13 0,20 BJ MAE 93,7 5,6E+09 14,30 24,20 26,80 2,02 1,54 BJ 95,7 3,7E+09 12,00 6,60 12,10 0,55 0,62 MAE 91,5 8,3E+08 32,55 24,60 28,70 1,62 1,31 BJ MAE 90,1 1,7E+09 22,11 17,40 27,10 0,82 0,85 BJ 92,6 1,4E+09 15,60 11,70 23,40 0,53 0,65 MAE 92,0 1,0E+09 11,04 4,50 7,30 0,61 0,62 BJ 92,6 9,6E+08 9,90 4,10 8,10 0,22 0,40 MAE 93,5 1,3E+09 13,55 9,70 17,30 0,22 0,29 BJ O UT IN D AL IB EB FE R AÇ O M N M ET QU IM IC M IN PE L ARIMA(0,2,0) AG RI CU se to re s ARIMA(0,1,0) ARIMA(0,1,0) ARIMA(0,1,0) ARIMA(0,2,0) 1 2 3 4 5 9 6 7 8 TE XV ES ARIMA(0,1,0)PAP CE L (*) valores expressos em termos percentuais Notas: H: horizonte; N: quantidade de previsões; ACUM: acumulado Fonte: elaboração própria do autor com base no programa Forecast Pro 3.5 3.1.3. Importações Com relação ao agregado macroeconômico, importação, as métricas estatísticas não apresentaram resultados tão satisfatórios quanto para o consumo das famílias e as exportações, contudo, foram selecionados dois setores para serem estimados. Quanto ao setor Outras Indústrias (5) o método de Box & Jenkins demonstrou-se mais ajustado aos dados e, portanto melhor para se fazer as previsões. Já a 70 Indústria de Minerais não metálicos (4), ao analisar fora da amostra o método de amortecimento Exponencial, observa-se que o grau de ajustamento dos dados previstos aos reais melhoram consubstancialmente, dessa forma, adota-se tal modelo. (tabela 8) Por fim, reiterando que os mesmos procedimentos foram adotados, estima-se as importações 10 anos a frente, sendo que, os gráficos dos setores selecionados estão reportados no anexo 7. Tabela 8 – Resultados das estatísticas de teste das Importações para o Modelo de Amortecimento Exponencial (MAE) e de Box & Jenkins (BJ) Me did as DENTRO DA AMOSTRA FORA DA AMOSTRA se to re s Período 1974 a 2007 1974 a 2004 R2 * BIC MAPE* MAPE * MAPE* GMRAE GMRAE (H=1,N=3) (ACUM) (H=1, N=3) (ACUM) MAE 68,9 1,2E+09 25,37 19,30 28,00 1,01 1,00 BJ MAE 86,0 5,1E+08 17,83 15,60 25,00 0,91 0,92 BJ MAE 80,1 1,3E+09 22,50 19,10 30,20 0,80 0,83 BJ MAE 84,6 2,2E+08 22,19 14,70 22,00 0,89 0,90 BJ MAE 93,1 8,8E+09 13,91 18,00 27,30 0,89 0,90 BJ 96,4 4,3E+09 12,92 13,10 23,80 0,64 0,74 MAE 66.23 4,1E+09 17,84 16,70 25,70 0,94 0,94 BJ 65,7 3,2E+09 16,17 25,60 36,30 1,45 1,37 MAE 80,7 5,8E+08 18,00 18,00 28,10 1,00 1,00 BJ MAE 92,8 2,7E+09 15,52 17,80 27,40 0,89 0,90 BJ MAE 86,8 8,6E+08 18,27 23,10 35,00 0,95 0,96 BJ ARIMA(0,1,0) ARIMA(0,1,0) ARIMA(0,1,0) O UT IN D PA PC EL AL IB EB FE R AÇ O AG RI CU se to re s QU IM IC M N M ET ARIMA(0,1,0) ARIMA(0,1,0) ARIMA(0,1,0) 4 5 6 7 1 2 3 8 9 ARIMA(0,1,0)TEX VE S M IN PE L (*) valores expressos em termos percentuais Notas: H: horizonte; N: quantidade de previsões; ACUM: acumulado Fonte: elaboração própria do autor com base no programa Forecast Pro 3.5 71 3.2. Módulo Econométrico com Insumo-Produto Após explicitar as métricas econométricas para os agregados macroeconômicos, faz-se a previsão dos mesmos, projetando-os na matriz de IP. Desse modo, é possível obter estimativas setoriais (matriz IP) com variações setoriais (módulo EC) para os anos de 2009 a 2014 em três diferentes cenários. Além disso, vale ressaltar que, devido a quantidade de resultados previstos, tal análise será abordada de acordo com os agregados macroeconômicos (e.g. consumo das famílias) e ainda, com o setor que está sendo projetado (e.g. agricultura). 3.2.1. Consumo das Famílias No Brasil, o consumo das famílias representou aproximadamente 48% do PIB em 2007, de acordo com Instituto Brasileiro de Geografia e Estatística (2008), portanto, seu estudo é significativo para todos os setores da economia, dado que sua variação irá impactar diretamente na produção desses setores, e consequentemente no consumo de energia elétrica dos mesmos. Dessa forma, projetar o consumo das famílias de forma setorial torna-se um exercício relevante em termos de previsão do consumo de eletricidade. Antes de iniciar a análise segmentada, é importante fazer uma análise global dos setores que foram trabalhados nesta seção45. De acordo com dados do Balanço Energético Nacional (2007)46, em 2006, o consumo total destes setores foi de aproximadamente 142.000 GWh. Por outro lado, ao projetar o consumo das famílias, observou-se que a previsão de consumo, em 2009, dado um cenário moderado, girará em torno de 27.000 GWh, ou seja, as famílias estariam consumindo apenas 18% da energia elétrica utilizada por esses setores. Inicialmente tal fato pode não parecer realista, no entanto, ao observar os setores analisados, percebe-se que o 45 Os setores foram: Agropecuária, Alimentos e Bebidas, Ferro e Aço, Metais não Ferrosos e Outras Metalurgias, Outras Indústrias e Transportes. 46 Observa-se que na seção 1.3.1. deste trabalho, há uma discussão mais detalhada do consumo de energia elétrica setorial entre os anos de 1991 e 2006. 72 consumo das famílias não é um componente da demanda final que consome muita energia elétrica com relação a maioria desses segmentos. 3.2.1.1. Agropecuária Conforme pode ser observado no gráfico 7, uma variação no consumo das famílias do setor agropecuário irá ocasionar um consumo de energia elétrica agregado de aproximadamente 2.000 GWh nos anos de 2009 e 2010 num cenário moderado, podendo chegar a um consumo de 3.000 GWh em 2014 de acordo com o aumento do consumo das famílias deste setor. Vale observar que, em termos de volume de consumo de energia elétrica tal resultado representa apenas uma pequena fração do consumo do setor47, dado que a projeção é apenas no consumo das famílias do setor agropecuário. Gráfico 7 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação no consumo das famílias no setor Agropecuário 0 500 1.000 1.500 2.000 2.500 3.000 3.500 2009 2010 2011 2012 2013 2014 pessimista moderado otimista Fonte: elaboração própria do autor 47 Em 2006, o consumo do setor foi de 16.400 GWh. 73 Quanto ao perfil48 do consumo de energia elétrica (percentual consumido por cada setor em relação ao dispêndio total) (tabela 9), dado uma previsão no consumo das famílias no setor agropecuário, verifica-se que os setores que mais irão consumir energia são, o próprio setor Agropecuário (com 48% deste dispêndio), o setor Químico (com 24,1%), e o setor de Alimentos e Bebidas (11,7%). Tal resultado exibe uma relação mais próxima do setor agropecuário com estes setores, dessa forma, ambos devem ser avaliados com mais critério quando a análise for o consumo das famílias na agropecuária. Ainda, com relação à tabela 9, verifica-se que o setor Agropecuário sozinho consumirá cerca de 590 GWh em 2009 podendo chegar em 2014 a um consumo de 1.440 GWh (variação de 40% em 5 anos). Quanto aos outros setores, destaque para o setor Químico e Alimentos e Bebidas que poderão atingir um consumo, em 2014, de 720 GWh e 350 GWh respectivamente, dado uma previsão do consumo das famílias do setor agropecuário. Tabela 9 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação do consumo das famílias do setor Agropecuário 2009 2014 Pessimista Moderado Otimista Pessimista Moderado Otimista AGRICU 595,6 934,8 1.273,9 438,9 941,7 1.444,5 MINPEL 40,4 63,4 86,4 29,8 63,9 98,0 ALIBEB 145,0 227,6 310,2 106,9 229,3 351,7 TEXVES 4,6 7,2 9,8 3,4 7,3 11,1 PAPCEL 25,5 39,9 54,4 18,8 40,2 61,7 QUIMIC 299,4 469,8 640,3 220,6 473,3 726,1 MNMET 4,2 6,6 9,1 3,1 6,7 10,3 FERAÇO 69,5 109,1 148,7 51,2 109,9 168,6 OUTIND 14,1 22,2 30,2 10,4 22,3 34,3 COMSER 31,8 49,9 68,0 23,4 50,3 77,1 TRANSP 2,3 3,6 4,9 1,7 3,6 5,5 SERPUB 8,4 13,2 18,0 6,2 13,3 20,4 TOTAL 1.240,9 1.947,4 2.653,9 914,4 1.961,9 3.009,4 Setores Fonte: elaboração própria do autor Por fim, o baixo consumo de energia elétrica desse setor pode ser explicado por três fatores basicamente. Primeiro, pelo fato de ser demandado pelos demais setores e 48 É importante observar que o perfil do consumo de energia elétrica irá se repetir quando o setor for o mesmo e para os diferentes cenários e anos, independente da projeção. Isso pode ser explicado por uma limitação da matriz de IP que são os coeficientes fixos de insumo-produto, já explicitados nesta dissertação. 74 demandá-los pouco, conforme observado na seção 2.1.2, ou seja, não consome tanta eletricidade dos demais setores. Segundo, por ser um setor exportador, e em terceiro, conforme também explicitado na seção 2.1.2. (tabela 2), por ser um setor com um coeficiente de energia elétrica em relação ao seu PIB relativamente baixo, ou seja, é um setor que utiliza pouca eletricidade. 3.2.1.2. Alimentos e Bebidas Com relação a uma variação no consumo das famílias do setor de Alimentos e Bebidas, observa-se que o consumo agregado de eletricidade está se modificando pouco ao longo dos anos. Em 2009, o consumo mínimo poderá ser de 9.900 GWh e o máximo poderá chegar aos 16.000 GWh (gráfico 8). É interessante observar o quanto o consumo de eletricidade neste setor é maior que no setor agropecuário, tal fato, pode ser explicado por três motivos, o primeiro porque o setor de Alimentos e Bebidas representa um percentual maior do consumo das famílias, daí a quantidade de energia despendida será maior. Em segundo lugar, o setor de Alimentos e Bebidas é mais intensivo em energia elétrica (seção 2.1.2), e por isso, consome mais esse insumo. E, em terceiro, este é um setor, conforme observado na análise de setores-chave, que demanda muito dos demais setores para produzir seu produto final, o que aumenta o consumo agregado de eletricidade. Gráfico 8 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação no consumo das famílias do setor de Alimentos e Bebidas 0 2.000 4.000 6.000 8.000 10.000 12.000 14.000 16.000 18.000 2009 2010 2011 2012 2013 2014 pessimista moderado otimista Fonte: elaboração própria do autor 75 Outra característica relevante desse segmento está na representatividade do consumo das famílias, isto é, comparando a previsão moderada de 2009 com o resultado apurado de 2006, o consumo das famílias representaria cerca de 65% da eletricidade consumida pelo setor. Vale lembrar que, apenas o setor de Transportes é tão ligado ao consumo das famílias entre os setores analisados. Quanto ao dispêndio de energia elétrica desagregado, observa-se que o próprio setor de Alimentos e Bebidas é o que mais consome (aproximadamente 9.000 GWh em 2009, com participação de 68,4% do total). Além do próprio setor, destaque para o setor agrícola (aproximadamente 1.400 GWh e participação de 10,0% do total) e o setor Químico (7,9% de participação) (tabela 10). Ao observar a variação do consumo destes três setores verifica-se que o dispêndio com eletricidade pode variar cerca de 70% em 5 anos ( 2009 a 2014). Isto é, o consumo poderá variar de aproximadamente 1.000 GWh em 2009 para 1.682 GWh em 2014, no setor agrícola. No setor de Alimentos e Bebidas poderá oscilar entre 6.800 e 11.500 GWh, e no setor Químico poderá variar entre 780 e 1.400 GWh. Tabela 10 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação no consumo das famílias do setor de Alimentos e Bebidas 2009 2014 Pessimista Moderado Otimista Pessimista Moderado Otimista AGRICU 1.001,6 1.319,9 1.638,2 991,0 1.336,9 1.682,8 MINPEL 108,6 143,1 177,6 107,4 144,9 182,4 ALIBEB 6.828,4 8.998,0 11.167,6 6.755,6 9.113,7 11.471,8 TEXVES 25,8 34,0 42,3 25,6 34,5 43,4 PAPCEL 252,5 332,8 413,0 249,8 337,0 424,3 QUIMIC 785,6 1.035,2 1.284,8 777,2 1.048,5 1.319,8 MNMET 30,3 40,0 49,6 30,0 40,5 51,0 FERAÇO 547,1 720,9 894,7 541,2 730,2 919,1 OUTIND 103,5 136,4 169,3 102,4 138,2 173,9 COMSER 215,4 283,8 352,3 213,1 287,5 361,8 TRANSP 17,1 22,5 28,0 16,9 22,8 28,7 SERPUB 66,2 87,2 108,2 65,5 88,3 111,2 TOTAL 9.982,1 13.153,8 16.325,5 9.875,7 13.322,9 16.770,1 Setores Fonte: elaboração própria do autor 76 3.2.1.3. Ferro e Aço, Metais não ferrosos e outras Metalurgias Com relação ao setor de Ferro e Aço, Metais não ferrosos e outras Metalurgias, observa-se que apesar de ser um setor intensivo em eletricidade (seção 2.1.2), uma variação no consumo das famílias não proporcionará um aumento substancial no consumo de energia elétrica (gráfico 9), isto se explica pelo fato de que tal setor não é muito representativo para o consumo das famílias49, e sim, para o setor de exportações e de formação bruta de capital fixo (ou seja, investimentos). Gráfico 9 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação no consumo das famílias do setor de Ferro e Aço, Metais não ferrosos e outras Metalurgias 0 200 400 600 800 1.000 1.200 1.400 2009 2010 2011 2012 2013 2014 pessimista moderado otimista Fonte: elaboração própria do autor Ainda, conforme pode ser verificado na tabela 11, este é um setor onde o consumo de energia elétrica se dá quase por completo em si mesmo, isto é, cerca de 90% do consumo de energia elétrica advém do mesmo. No entanto, é importante verificar a possibilidade de uma variação de cerca de 160% no consumo do próprio setor entre os anos de 2009 a 2014, isto é, o dispêndio de eletricidade pode oscilar entre 420 e 1.100 GWh. 49 Comparado com o consumo do setor em 2006, o dispêndio de energia elétrica após uma variação no consumo das famílias representaria apenas 2%. 77 Tabela 11 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação no consumo das famílias do setor de Ferro e Aço, Metais não ferrosos e outras Metalurgias 2009 2014 Pessimista Moderado Otimista Pessimista Moderado Otimista AGRICU 0,4 0,7 1,0 0,4 0,7 1,1 MINPEL 5,7 10,0 14,3 5,4 10,0 14,7 ALIBEB 1,0 1,8 2,6 1,0 1,8 2,6 TEXVES 0,3 0,4 0,6 0,2 0,4 0,6 PAPCEL 4,1 7,2 10,3 3,8 7,2 10,5 QUIMIC 12,3 21,6 30,9 11,6 21,6 31,7 MNMET 1,1 1,9 2,7 1,0 1,9 2,8 FERAÇO 420,9 739,7 1.058,4 395,9 739,7 1.083,5 OUTIND 3,5 6,1 8,8 3,3 6,1 9,0 COMSER 3,7 6,5 9,3 3,5 6,5 9,6 TRANSP 0,3 0,6 0,8 0,3 0,6 0,8 SERPUB 2,5 4,4 6,3 2,4 4,4 6,4 TOTAL 455,8 800,9 1.146,1 428,6 800,9 1.173,2 Setores Fonte: elaboração própria do autor 3.2.1.4. Outras Indústrias50 Com relação a previsão agregada do consumo de energia elétrica, após uma variação no consumo das famílias no setor Outras Indústrias, percebe-se que poderá atingir em 2014 um patamar de aproximadamente 16.000 GWh (gráfico 10). Fato este que pode ser creditado principalmente ao consumo do próprio setor (cerca de 7.350 GWh) e do setor de Ferro e Aço, Metais não ferrosos e outras Metalurgias (cerca de 5.400 GWh) (tabela 12). Vale observar que, este é um setor que despende uma fatia relativa de eletricidade devido ao consumo das famílias, isto porque, ao observar o consumo do setor em 2006 (seção 1.3.1) e comparar com um provável consumo em 2009, após uma variação no consumo das famílias, verifica-se que o dispêndio advindo das famílias representa aproximadamente 25% do consumo de eletricidade do setor. 50 Estão inseridos em Outras Indústrias os seguintes setores: (1) Máquinas e equipamentos, inclusive manutenção e reparos; (2) Eletrodomésticos; (3) Máquinas para escritório e equipamentos de informática; (4) Máquinas, aparelhos e materiais elétricos; (5) Material eletrônico e equipamentos de comunicações; (6) Aparelhos/instrumentos médico-hospitalar, medida e óptico; (7) Automóveis, camionetas e utilitários; (8) Caminhões e ônibus; (9) Peças e acessórios para veículos automotores; (10) Outros equipamentos de transporte; (11) Móveis e produtos das indústrias diversas; (12) Construção; (13) Cimento. 78 Gráfico 10 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação no consumo das famílias do setor Outras Indústrias 0 2.000 4.000 6.000 8.000 10.000 12.000 14.000 16.000 18.000 2009 2010 2011 2012 2013 2014 pessimista moderado otimista Fonte: elaboração própria do autor Conforme pode ser observado na tabela 12, onde se verifica o dispêndio desagregado do consumo de energia elétrica para consumo das famílias do setor Outras Indústrias, os setores que mais consomem energia são, o próprio setor (45,8% do total) e o setor de Ferro e Aço, Metais não ferrosos e outras Metalurgias (33,5% do total). É importante salientar que, tal relação condiz com as relações econômicas intra-setoriais, isto é, o setor outras indústrias é intensivo em matérias- primas do setor de Ferro e Aço, Metais não ferrosos e outras Metalurgias. Tabela 12 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação no consumo das famílias do setor Outras Indústrias 2009 2014 Pessimista Moderado Otimista Pessimista Moderado Otimista AGRICU 15,7 29,7 43,7 11,9 30,9 49,9 MINPEL 69,8 132,1 194,4 52,8 137,3 221,7 ALIBEB 34,2 64,8 95,3 25,9 67,3 108,7 TEXVES 16,5 31,3 46,0 12,5 32,5 52,5 PAPCEL 247,3 468,1 688,9 187,1 486,3 785,6 QUIMIC 333,1 630,5 927,9 252,0 655,1 1.058,1 MNMET 149,6 283,1 416,6 113,1 294,1 475,1 FERAÇO 1.694,8 3.208,1 4.721,4 1.282,2 3.333,1 5.384,0 OUTIND 2.314,3 4.380,8 6.447,3 1.750,9 4.551,5 7.352,0 COMSER 131,1 248,2 365,3 99,2 257,9 416,5 TRANSP 6,7 12,7 18,7 5,1 13,2 21,3 SERPUB 39,0 73,7 108,5 29,5 76,6 123,7 TOTAL 5.052,1 9.563,1 14.074,1 3.822,2 9.935,7 16.049,1 Setores Fonte: elaboração própria do autor 79 3.2.1.5. Transportes Quanto ao setor de Transportes, observou-se, nas seções 1.3.1 e 2.1.2 que este não é um setor intensivo no consumo de energia elétrica, além disso, percebeu-se que é um setor onde o consumo deste insumo não varia muito ao longo do tempo. Tal constatação evidenciou-se na previsão, isto porque, ao variar o consumo das famílias no setor Transportes, a demanda por eletricidade irá variar, no máximo, entre 600 GWh (cenário pessimista) em 2009, e 820 GWh (cenário otimista) em 2014. (gráfico 11) Além disso, é importante observar a força que o consumo das famílias exerce em relação ao consumo de eletricidade, isto é, ao comparar o consumo de eletricidade do setor em 2006, com a previsão de consumo em 2009, após uma variação no consumo das famílias, observa-se que o dispêndio representaria aproximadamente 50% do consumo do setor. Gráfico 11 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação no consumo das famílias do setor de Transportes 0 100 200 300 400 500 600 700 800 900 2009 2010 2011 2012 2013 2014 pessimista moderado otimista Fonte: elaboração própria do autor Ainda, conforme pode ser observado na tabela 13, o setor de Transportes, ao contrário dos demais setores, não é o que mais consome eletricidade após uma variação no mesmo. Isto é, dado um cenário moderado, enquanto o setor consumiu 54 GWh em 2009 (8,0% da eletricidade), a indústria Química consumiu 285 GWh 80 (41,8% da energia elétrica). Ferro e Aço, Metais não ferrosos e outras Metalurgias, Outras Indústrias e o setor de Comércio e Serviços consumiram aproximadamente 80, 66 e 56 GWh respectivamente, da energia demanda pelo setor de Transportes. Tabela 13 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação no consumo das famílias do setor Transportes 2009 2014 Pessimista Moderado Otimista Pessimista Moderado Otimista AGRICU 5,9 6,8 7,7 6,3 7,2 8,2 MINPEL 30,2 34,8 39,4 32,0 36,9 41,8 ALIBEB 15,7 18,1 20,4 16,6 19,1 21,7 TEXVES 7,2 8,3 9,4 7,6 8,8 9,9 PAPCEL 46,4 53,5 60,6 49,3 56,8 64,3 QUIMIC 247,6 285,5 323,4 262,8 302,8 342,7 MNMET 5,4 6,2 7,0 5,7 6,5 7,4 FERAÇO 69,4 80,0 90,7 73,7 84,9 96,1 OUTIND 57,6 66,5 75,3 61,2 70,5 79,8 COMSER 48,5 56,0 63,4 51,5 59,3 67,2 TRANSP 47,1 54,3 61,6 50,0 57,6 65,2 SERPUB 11,7 13,5 15,3 12,4 14,3 16,2 TOTAL 592,7 683,4 774,2 629,1 724,8 820,5 Setores Fonte: elaboração própria do autor 3.2.2. Exportações O motivo pelo qual se analisou variações nas exportações para o consumo de energia elétrica são dois. Em primeiro lugar, devido a importância do setor para a economia brasileira, onde nos últimos 10 anos, o setor passou de uma participação percentual em relação ao PIB, de aproximadamente 8% em 1997 para 12% em 2007, segundo IBGE (2008). Em segundo lugar, conforme já destacado, pelo fato do setor estar diretamente ligado ao processo produtivo, conseqüentemente quando se exporta um produto o país está exportando energia elétrica. Antes de iniciar a análise por setores, faz-se uma análise global dos segmentos trabalhados nesta seção51. De acordo com dados do Balanço Energético Nacional (2007), em 2006, o consumo total dos mesmos foi de aproximadamente 70.000 GWh, resultado que se comparado com a previsão de consumo após variações nas exportações para o ano de 2009 (cenário pessimista) será 37% inferior, ou seja, somente para exportar esses setores irão consumir 37% a mais de energia que 51 Agropecuária, Minerais não Metálicos, Outras Indústrias e Têxtil e Vestuário. 81 consumiram em 2006. Para um cenário moderado, este dispêndio representará 97% a mais quando comparado com 2006. Portanto, este resultado pode servir de alerta para futuros investimentos no setor elétrico. 3.2.2.1. Agropecuária O setor agropecuário apresenta elevada participação com relação às exportações do país, portanto, a previsão agregada do consumo de energia elétrica desse setor torna-se relevante. Como pode-se observar, o consumo de eletricidade, em 2009, será de aproximadamente 43.000 GWh e poderá atingir em 2014, o patamar de 78.000 GWh (gráfico 12). Conforme se verifica, comparando o consumo de energia elétrica do setor agropecuário após variação no consumo das famílias, o dispêndio deste insumo é muito maior para as exportações. Tal discrepância pode ser explicada, em primeiro lugar, devido ao volume de produtos agrícolas exportados, maior que o consumo das famílias do setor. Em segundo lugar, devido ao crescimento acelerado das exportações do setor nos últimos anos, o que refletiu na previsão para os anos subseqüentes. Outra comparação relevante, diz respeito à previsão de consumo para 2009 (após uma variação nas exportações) e o consumo total efetivo em 2006, isto porque, observa-se um dispêndio de eletricidade 160% superior em 2009. Tal resultado reflete não só a importância das exportações para o setor, mas também, o quão rápido este segmento cresce para a agricultura. Quanto ao dispêndio de energia elétrica desagregado após uma variação no consumo das famílias no setor Agropecuário, verifica-se, em um cenário moderado, que o setor agrícola consumirá cerca de 20.000 GWh em 2009 (maior consumidor), seguido pelo setor Químico (aproximadamente 10.000 GWh) e do setor de Alimentos e Bebidas (cerca de 5.000 GWh). Os setores que menos irão despender eletricidade devido as exportações do setor agrícola serão, o setor de Transportes e o de Têxtil e Vestuário. (tabela 14) 82 Gráfico 12 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação nas exportações do setor Agropecuário 0 10.000 20.000 30.000 40.000 50.000 60.000 70.000 80.000 90.000 2009 2010 2011 2012 2013 2014 pessimista moderado otimista Fonte: elaboração própria do autor Tabela 14 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação nas exportações no setor Agropecuário 2009 2014 Pessimista Moderado Otimista Pessimista Moderado Otimista AGRICU 18.363,2 20.487,1 22.611,1 28.616,0 32.809,1 37.002,2 MINPEL 1.246,1 1.390,2 1.534,3 1.941,8 2.226,4 2.510,9 ALIBEB 4.471,3 4.988,5 5.505,7 6.967,8 7.988,8 9.009,8 TEXVES 141,5 157,9 174,2 220,5 252,8 285,1 PAPCEL 784,7 875,4 966,2 1.222,8 1.402,0 1.581,2 QUIMIC 9.229,9 10.297,5 11.365,0 14.383,3 16.490,9 18.598,5 MNMET 130,6 145,7 160,8 203,5 233,3 263,1 FERAÇO 2.143,2 2.391,1 2.639,0 3.339,9 3.829,3 4.318,7 OUTIND 435,8 486,2 536,6 679,1 778,7 878,2 COMSER 979,9 1.093,2 1.206,5 1.527,0 1.750,7 1.974,4 TRANSP 70,2 78,3 86,4 109,4 125,4 141,5 SERPUB 259,9 289,9 320,0 405,0 464,3 523,6 TOTAL 38.256,3 42.681,1 47.105,9 59.616,1 68.351,7 77.087,3 Setores Fonte: elaboração própria do autor 3.2.2.2. Minerais não Metálicos Quanto ao setor de Minerais não Metálicos, como pode-se observar, há uma tendência de aumento do consumo de energia elétrica ao longo dos anos, embora, não ocorra muita diferença em relação aos diferentes cenários (gráfico 13). 83 Ao comparar os gastos do setor com ano de 2006, observa-se que em 2014, somente as exportações consumiriam cerca de 75% da energia elétrica despendida pelo setor (cenário moderado). Apesar de ser uma comparação entre dois anos distantes, faz sentido porque o consumo de eletricidade deste setor não varia muito ao longo dos anos, conforme pode ser observado no gráfico 13. Gráfico 13 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação nas exportações do setor Minerais não metálicos 0 500 1.000 1.500 2.000 2.500 3.000 3.500 4.000 2009 2010 2011 2012 2013 2014 pessimista moderado otimista Fonte: elaboração própria do autor Com relação ao consumo desagregado deste setor (tabela 15), verifica-se que o mesmo consumirá cerca de 1.600 GWh ou 63,3% da energia elétrica total em 2009 (cenário moderado), podendo atingir em 2014 um dispêndio de energia de aproximadamente 2.000 GWh. Outros dois setores com forte ligação ao setor de Minerais não Metálicos, são o de Ferro e Aço, Metais não ferrosos e outras Metalurgias (representam 10,7% do gasto com eletricidade agregado), isto é, em 2014, poderá atingir um consumo de 400 GWh e o setor Químico (com 10,3% deste dispêndio) podendo atingir um patamar de consumo de aproximadamente 350 GWh. 84 Tabela 15 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação nas exportações no setor Minerais não Metálicos 2009 2014 Pessimista Moderado Otimista Pessimista Moderado Otimista AGRICU 9,4 10,7 12,0 11,2 13,6 15,9 MINPEL 69,4 78,9 88,4 82,5 100,2 117,9 ALIBEB 18,3 20,8 23,3 21,8 26,4 31,1 TEXVES 13,2 15,0 16,8 15,7 19,0 22,4 PAPCEL 72,9 82,9 92,8 86,6 105,2 123,8 QUIMIC 221,1 251,3 281,5 262,7 319,0 375,3 MNMET 1.360,7 1.546,5 1.732,2 1.616,5 1.963,2 2.309,9 FERAÇO 229,0 260,3 291,6 272,1 330,5 388,8 OUTIND 49,8 56,6 63,4 59,2 71,9 84,6 COMSER 60,3 68,5 76,7 71,6 87,0 102,3 TRANSP 3,9 4,5 5,0 4,7 5,6 6,6 SERPUB 41,7 47,4 53,1 49,6 60,2 70,8 TOTAL 2.149,9 2.443,4 2.736,8 2.554,1 3.101,8 3.649,6 Setores Fonte: elaboração própria do autor 3.2.2.3. Outras Indústrias Quanto a previsão agregada do consumo de energia elétrica, após uma projeção nas exportações do setor Outras Indústrias é importante salientar, em primeiro lugar, a elevada participação do setor nas exportações do país, e em segundo lugar, que este é um segmento intermediário no consumo de energia elétrica (coeficiente PIB/GWh de 0,227). Conforme pode-se observar no gráfico 14, o consumo agregado de energia elétrica deste setor será de aproximadamente 82.000 GWh em 2009 (cenário moderado), podendo atingir o patamar de 382.000 GWh em 2014 (cenário otimista). É importante observar que, há uma discrepância no resultado com relação a previsão otimista, portanto, a mesma foi desconsiderada52. Contudo, quanto ao consumo no cenário moderado, observou-se a importância desse setor no dispêndio de energia elétrica, pois comparado com 2006, o consumo em 2009 é quase o dobro, o que demonstra o crescimento do setor nas exportações. 52 Vale salientar que, tal desvio na previsão só foi possível de verificar devido ao estudo do setor de Energia Elétrica apresentado na seção 1.3.1. Em outras palavras, observou-se que o consumo de energia elétrica em 2014 seria 10 vezes maior se comparado com 2006. 85 Gráfico 14 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação nas exportações do setor Outras Indústrias 0 50.000 100.000 150.000 200.000 250.000 300.000 350.000 400.000 450.000 2009 2010 2011 2012 2013 2014 pessimista moderado otimista Fonte: elaboração própria do autor Quanto ao dispêndio de energia elétrica setorial e o perfil do consumo (tabela 16), o setor Outras Indústrias representa aproximadamente 45,8% do dispêndio de eletricidade (aproximadamente 38.000 GWh, num cenário moderado em 2009) e o setor de Ferro e Aço, Metais não ferrosos e outras Metalurgias com 33,5% deste dispêndio e um consumo de aproximadamente 28.000 GWh no mesmo cenário e ano. Tabela 16 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação nas exportações do setor Outras Indústrias 2009 2014 Pessimista Moderado Otimista Pessimista Moderado Otimista AGRICU 147,7 257,8 450,1 60,2 267,5 1.189,2 MINPEL 656,8 1.146,6 2.001,5 267,5 1.189,4 5.288,6 ALIBEB 322,0 562,0 981,1 131,1 583,0 2.592,3 TEXVES 155,5 271,4 473,8 63,3 281,6 1.251,9 PAPCEL 2.327,3 4.062,5 7.091,6 947,8 4.214,3 18.738,3 QUIMIC 3.134,8 5.472,1 9.552,1 1.276,6 5.676,5 25.239,9 MNMET 1.407,5 2.456,9 4.288,9 573,2 2.548,7 11.332,6 FERAÇO 15.950,0 27.842,5 48.602,0 6.495,7 28.882,5 128.423,1 OUTIND 21.780,5 38.020,2 66.368,2 8.870,2 39.440,3 175.367,6 COMSER 1.234,0 2.154,1 3.760,1 502,5 2.234,5 9.935,6 TRANSP 63,1 110,2 192,4 25,7 114,3 508,3 SERPUB 366,6 639,9 1.117,0 149,3 663,8 2.951,5 TOTAL 47.545,8 82.996,2 144.878,6 19.363,1 86.096,3 382.818,9 Setores Fonte: elaboração própria do autor 86 3.2.2.4. Têxtil e Vestuário Com relação ao setor Têxtil e Vestuário, observa-se uma tendência diferente dos demais setores no que diz respeito ao consumo de energia elétrica, isto é, o setor é o único que não apresenta uma tendência crescente para o consumo deste insumo. Como se pode verificar, mesmo num cenário otimista, o consumo tende a estacionariedade em 2014, num patamar de consumo de aproximadamente 9.000 GWh (gráfico 15). Isso pode ser creditado, ao fato de que o mesmo não vem crescendo tanto quanto os demais com relação às exportações. No entanto, apesar da estacionariedade, credencia-se grande importância às exportações, pois, comparando o consumo de 2009 com 2006, observa-se que este representa cerca de 20% a mais no consumo de energia elétrica, sendo que o consumo é direcionado apenas para o setor exportador. Gráfico 15 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação nas exportações do setor Têxtil e Vestuário 0 2.000 4.000 6.000 8.000 10.000 12.000 14.000 2009 2010 2011 2012 2013 2014 pessimista moderado otimista Fonte: elaboração própria do autor Com relação ao dispêndio de energia elétrica desagregado, observa-se na tabela 17 que o mesmo gasta aproximadamente 70% da energia elétrica após uma variação nas exportações, ou seja, um dispêndio de 6.500 GWh em 2009. Além disso, destaque para a indústria Química (9,2% e um dispêndio de 900 GWh em 2009). 87 Tabela 17 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação nas exportações do setor Têxtil e Vestuário 2009 2014 Pessimista Moderado Otimista Pessimista Moderado Otimista AGRICU 181,1 219,7 258,4 136,5 219,7 303,0 MINPEL 91,2 110,6 130,1 68,7 110,6 152,5 ALIBEB 388,0 470,7 553,5 292,4 470,7 649,0 TEXVES 5.357,6 6.500,6 7.643,6 4.038,4 6.500,6 8.962,8 PAPCEL 209,8 254,6 299,4 158,2 254,6 351,1 QUIMIC 707,9 859,0 1.010,0 533,6 859,0 1.184,3 MNMET 19,7 23,9 28,1 14,8 23,9 32,9 FERAÇO 309,6 375,7 441,7 233,4 375,7 518,0 OUTIND 109,8 133,3 156,7 82,8 133,3 183,7 COMSER 239,8 291,0 342,2 180,8 291,0 401,2 TRANSP 11,4 13,8 16,2 8,6 13,8 19,0 SERPUB 89,3 108,4 127,4 67,3 108,4 149,4 TOTAL 7.715,2 9.361,3 11.007,3 5.815,6 9.361,3 12.906,9 Setores Fonte: elaboração própria do autor 3.2.3. Importações Observar variações nas importações numa matriz de insumo-produto que exibe as relações da indústria nacional, num primeiro momento pode parecer incoerente, no entanto, a análise é pertinente e irá mostrar não o consumo de energia elétrica despendido por um determinado setor após uma alteração neste agregado macroeconômico, mas sim, o não consumo de eletricidade no país devido à importação destes produtos53. Quanto aos dois setores (Minerais não metálicos e Outras Indústrias) trabalhados nessa seção observa-se que o consumo de energia elétrica, em 2006, seria de aproximadamente 45.000 GWh, sendo que o setor Outras Indústrias representa cerca de 95% deste “não dispêndio”. Assim, a seguir são explicitadas as projeções setoriais das importações com o objetivo de verificar qual será a “economia” de eletricidade. 53 É importante lembrar que está analise leva em consideração apenas a estrutura energética e industrial do Brasil, ou seja, não significa que um outro país não possa produzir estes mesmos produtos com um gasto maior ou menor de eletricidade de acordo com sua matriz energética e industrial. 88 3.2.3.1. Minerais não Metálicos Com relação à previsão agregada do consumo de energia elétrica após uma variação nas importações do setor de Minerais não Metálicos, observa-se que a economia de eletricidade no país giraria em torno de 2.000 GWh em 2010, num cenário moderado, podendo chegar aos 4.000 GWh, num cenário otimista, em 2014 (gráfico 16). Ao comparar o consumo de eletricidade agregado com variações neste setor, tanto para as exportações como para as importações, observa-se que o consumo e o “não consumo” deste insumo nos cenários otimista e moderado estão em torno do mesmo valor, ou seja, este é um setor que consome e economiza (importações) praticamente a mesma quantidade de energia. Gráfico 16 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação nas importações do setor Minerais não metálicos 0 500 1.000 1.500 2.000 2.500 3.000 3.500 4.000 4.500 2009 2010 2011 2012 2013 2014 pessimista moderado otimista Fonte: elaboração própria do autor Quanto ao “não gasto” com energia elétrica setorial e o perfil de consumo do setor, observa-se que, em 2014, o setor de Ferro e Aço, Metais não Ferrosos e Outras Metalurgias e a indústria Química estariam consumindo entre 150 e 450 GWh de energia elétrica devido às demandas do setor Minerais não Metálicos. (tabela 18). Esta é uma característica do setor de Minerais não Metálicos, pois é um segmento que demanda muito dos demais setores para produzir seu produto final, conforme 89 observado na seção 2.1.2. Além disso, pode-se dizer que este é um setor intensivo no consumo de energia elétrica, com um coeficiente (GWh/PIB) de 0,338. Tabela 18 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação nas importações do setor Minerais não metálicos 2009 2014 Pessimista Moderado Otimista Pessimista Moderado Otimista AGRICU 0,6 6,3 12,0 0,0 7,2 18,0 MINPEL 4,6 46,7 88,9 0,0 53,0 132,8 ALIBEB 1,2 12,3 23,5 0,0 14,0 35,0 TEXVES 0,9 8,9 16,9 0,0 10,1 25,2 PAPCEL 4,8 49,1 93,4 0,0 55,7 139,5 QUIMIC 14,5 148,8 283,0 0,0 168,7 422,8 MNMET 89,5 915,6 1.741,7 0,0 1.038,4 2.602,0 FERAÇO 15,1 154,1 293,2 0,0 174,8 438,0 OUTIND 3,3 33,5 63,8 0,0 38,0 95,3 COMSER 4,0 40,6 77,2 0,0 46,0 115,3 TRANSP 0,3 2,6 5,0 0,0 3,0 7,5 SERPUB 2,7 28,1 53,4 0,0 31,8 79,8 TOTAL 141,4 1.446,6 2.751,8 0,0 1.640,6 4.111,1 Setores Fonte: elaboração própria do autor 3.2.3.2. Outras Indústrias Por fim, quanto ao setor Outras Indústrias observa-se que num cenário moderado a “economia” de energia elétrica no país ficaria em torno de 100.000 GWh durante os anos de análise (gráfico 17). Verifica-se também que o “não dispêndio” de eletricidade deste setor após variações nas importações é ligeiramente maior que o gasto de energia elétrica devido a uma mudança nas exportações. Com relação a previsão setorial do “não consumo de eletricidade” após uma variação neste setor, observa-se que, no ano de 2009 num cenário moderado, o próprio setor Outras Indústrias consumiria aproximadamente 45% desta energia, ou seja, aproximadamente 46.000 GWh e o setor de Ferro e Aço, Metais não ferrosos e outras Metalurgias dependeria 33,5% do total de energia consumida, isto é, cerca de 35.000 GWh (tabela 19). 90 Gráfico 17 – Previsão Agregada do consumo de Energia Elétrica (em GWh) após variação nas importações do setor Outras Indústrias 0 50.000 100.000 150.000 200.000 250.000 300.000 350.000 400.000 2009 2010 2011 2012 2013 2014 pessimista moderado otimista Fonte: elaboração própria do autor Tabela 19 – Dispêndio de Energia Elétrica desagregado (em GWh) após variação nas importações do setor Outras Indústrias 2009 2014 Pessimista Moderado Otimista Pessimista Moderado Otimista AGRICU 174,6 317,4 577,0 88,0 317,4 1.144,5 MINPEL 776,5 1.411,5 2.565,9 391,5 1.411,5 5.089,7 ALIBEB 380,6 691,9 1.257,7 191,9 691,9 2.494,8 TEXVES 183,8 334,1 607,4 92,7 334,1 1.204,8 PAPCEL 2.751,2 5.001,2 9.091,5 1.387,0 5.001,2 18.033,7 QUIMIC 3.705,8 6.736,5 12.245,9 1.868,2 6.736,5 24.290,7 MNMET 1.663,9 3.024,7 5.498,4 838,8 3.024,7 10.906,4 FERAÇO 18.855,3 34.276,0 62.308,6 9.505,7 34.276,0 123.593,6 OUTIND 25.747,7 46.805,5 85.085,2 12.980,5 46.805,5 168.772,8 COMSER 1.458,8 2.651,8 4.820,6 735,4 2.651,8 9.561,9 TRANSP 74,6 135,7 246,6 37,6 135,7 489,2 SERPUB 433,3 787,8 1.432,0 218,5 787,8 2.840,5 TOTAL 56.206,0 102.174,0 185.736,9 28.335,7 102.174,0 368.422,8 Setores Fonte: elaboração própria do autor Assim, após analisar todos os setores observou-se uma gama de resultados para o planejamento no setor elétrico, tanto com relação aos agregados macroeconômicos, quanto, de uma forma mais desagregada, para os setores em si. Deste modo, o capítulo 4 fica reservado às possíveis conclusões relacionadas aos temas tratados neste trabalho. 4 CONSIDERAÇÕES FINAIS Observou-se nesta dissertação que o setor elétrico brasileiro está desde a década de 1980 com investimentos insuficientes, planejamento inadequado e marco regulatório instável. Dentro desse contexto, verificaram-se as tentativas de correção do setor, a crise ocorrida em 2001, principalmente, devido às falhas na reforma e problemas hídricos, e os diferentes modelos elaborados pelo Governo Federal tendo em vista as características singulares do segmento, tais como; (i) economias de escala e rede; (ii) elevada intensidade de capital; (iii) elevado período de maturação dos investimentos; e (iv) sistema hídrico de geração de energia elétrica. Ainda, destacou-se o equilíbrio físico como atributo técnico fundamental do setor, pois o sistema requer coordenação dado que suas partes operam com forte interdependência. Evidenciou-se que o responsável por esse atributo seria o Sistema Interligado Nacional (SIN) considerado único no âmbito mundial, isto é, além de coordenar as diferentes usinas de geração de energia elétrica, o sistema permite que regiões distantes consumam eletricidade de uma mesma usina, fato este, que permite contrastar o consumo e a oferta no país como um todo. Quanto às variações no consumo das famílias, concluiu-se que, apesar desse componente representar 48% o PIB, quando se analisa os setores selecionados foi observado que o consumo de eletricidade não representaria uma fatia significativa 92 do consumo real desses setores. Em outras palavras, pode-se concluir que dada uma previsão dos agregados macroeconômicos em que o consumo das famílias irá crescer mais que os demais componentes, estes setores irão pressionar pouco o consumo de energia elétrica. Com relação às alterações nas exportações, a análise foi diferente, isto porque, apesar deste componente representar uma fatia menor do PIB, quando se analisou os setores observou-se maior pressão no consumo de energia elétrica. Por exemplo, num cenário moderado, observou-se que o consumo de energia elétrica será 97% maior se comparado com o consumo total de 2006, destaque para o setor Agropecuário e Outras Indústrias. Este resultado pode ser creditado a dois pontos fundamentais, primeiro, são importantes segmentos exportadores, e segundo, nos últimos anos, a exportação nesses setores aumenta de forma acelerada. Quanto ao componente importação, observou-se o “não dispêndio” de energia elétrica para o país, ou seja, ao comprar um produto de um determinado setor e país o que aconteceria se o mesmo produto fosse produzido no Brasil. Conforme se evidenciou, a economia de energia elétrica nos dois setores analisados seria de aproximadamente 100.000 GWh em 2009, o que representaria cerca de 25% do total de energia elétrica consumida no país. Em outras palavras, observou-se que o setor de importados além de poder ajudar no controle da inflação, pode também suavizar pressões no setor elétrico. Ainda, é importante destacar o caráter inédito deste trabalho no Brasil, uma vez que é o primeiro trabalho a tratar o método econometria com insumo-produto, onde os componentes econométricos foram estimados de forma setorial, e os mesmos são impactados na matriz de insumo-produto 2005 do Brasil, gerando resultados também setoriais em GWh em três diferentes cenários para os anos de 2009 a 2014. Este trabalho possibilitou uma nova maneira de ver e analisar o setor elétrico no país, já que além de mostrar a forte ligação do setor com os componentes da demanda final (PIB), propiciou um novo artifício para analisar o consumo deste insumo, pois, os componentes da demanda final, na maioria das vezes, não se desenvolvem de maneira homogênea nos países, principalmente países em 93 desenvolvimento. Assim, estimar e analisar cada componente torna-se um exercício útil para as previsões de médio e longo prazo no setor de energia elétrica. Cumpre ressaltar que a metodologia empregada nessa dissertação pode ser utilizada para estimar o consumo de outros produtos energéticos (e.g. gasolina), no entanto, o tema eletricidade foi o escolhido, principalmente, por ser um dos setores que mais requerem sincronia entre as pressões do consumo e as condições de oferta, sobretudo no Brasil, onde o sistema é eminentemente hidrelétrico. Por último, é válido relembrar algumas limitações com relação ao método utilizado neste trabalho. Quanto ao módulo IP as limitações que permanecem são, (a) os coeficientes fixos de insumo-produto; e, (b) retornos constantes de escala. Quando se analisa o módulo EC+IP surge uma limitação com relação ao erro, pois no modelo IP os coeficientes são parâmetros fixos sem incerteza associada, já os modelos EC lidam bem com a incerteza, no entanto, ao tratá-los conjuntamente surgem limitações com relação ao erro. É importante salientar que ambas as limitações não invalidam o método. Embora existam diferentes pontos positivos e inovadores neste trabalho, há uma gama de possibilidades para trabalhos futuros. Em primeiro lugar, a escolha dos três componentes da demanda final (consumo das famílias, exportações e importações) poderia ser estendida para os demais componentes (formação bruta de capital fixo – investimentos e gastos do governo). Em segundo lugar, a atualização dos componentes da demanda final poderia ter sido para o ano de 2005 (ano da matriz), ou para 2007 (último ano com inflação fechada). Em terceiro lugar, quanto aos modelos de séries de tempo utilizados no módulo econométrico (Box & Jenkins e Amortecimentos Exponencial), isto é, trabalhos futuros podem utilizar diferentes modelos econométricos na tentativa de “apurar” melhores resultados. Outra agenda de pesquisa interessante seria estimar todos os setores e implementar todas as projeções, não tendo como critério estimar os setores com os “melhores ajustes”. 94 Um quinto ponto seria o método de ligação (linking), conforme se observou existem pelo menos outras duas possibilidades para unir o modelo econométrico com a matriz de IP (embedding e coupling). Ainda, outra possibilidade seria aumentar a desagregação da Matriz de IP para observar o consumo de energia elétrica de forma mais desagregada. 95 REFERÊNCIAS ANDRADE, T., LOBÃO, W. Elasticidade-renda e preço da demanda residencial de energia elétrica no Brasil. Rio de Janeiro: Ipea, 1997 (Texto para Discussão, 489). ANSELIN L, REY S, DEICHMANN U. The implementation of integrated models in a multiregional system. In: Anselin L, Madden M (eds) New directions in regional analysis: Integrated and multi-regional approaches, pp 146–170. Belhaven, London. 1990 AGUIAR, A. C., CHAGAS, M., MENDONÇA, R. O papel das tarifas de energia elétrica na queda da desigualdade de renda no Brasil. XXXV Encontro Nacional de Economia. Recife, PE. Dez. 2007. ALVEAL, C. A. Descentralização regulatória das indústrias de energia no Brasil: reformas estruturais do Estado e dilema federativo; in: BORENSTEIN, C. R., SANTANA, E. A.,CAMARGO, C. C. de B., et allii (orgs.), Regulação e gestão competitiva no setor elétrico brasileiro. Porto Alegre: Ed. Saga-Luzzatto, 1999. AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA (ANEEL). ATLAS DE ENERGIA ELÉTRICA. Disponível em: http://www.aneel.gov.br/. Acesso em: 10 de mar. de 2008. AZZONI, C.R., KADOTA, D.K. An econometric Input-Output Model for São Paulo States. em GUILHOTO, J.J.M., HEWINGS, G.J.D. (eds) 2000. Struture and Strutural Change in the Brasilian Economy. Ashgate. No Prelo. BANCO CENTRAL DO BRASIL (BCB). Taxa de Câmbio. Disponível em: http://www.bcb.gov.br/. Acesso em: 14 de abr. de 2008. 96 BARDELIN, C. E. A. Os Efeitos do Racionamento de Energia Elétrica ocorrido no Brasil em 2001 e 2002 com ênfase no consumo de Energia Elétrica. Dissertação Apresentada à Escola Politécnica da Universidade de São Paulo para a Obtenção do Título de Mestre em Engenharia. São Paulo: 2004. BENJAMIN, C e RIBEIRO, R. T. Descaminhos do setor elétrico, ou o hospício Brasil. Disponível em: http://. http://www.lppuerj.net/ Acesso em: 14 de abr 2008. BEAUMONT P. M Supply and demand interaction: Integrated econometric and input-output models. International Regional Science Review 13: 167–181. 1990. BRAMBILLA, P. H. M., MUELLER, B. M. P. Impacto da energia Elétrica no Crescimento Econômico. UNOPAR. Londrina. Vol. 5. p. 33-45. Mar. 2004. BHATTACHARYYA, S. C. Applied general equilibrium models for energy studies: a survey. Energy Economics. 18, 145–164, 1996). BOX, G. E. P., JENKINS, G. M. Time Series Analysis, Forecasting and Control, San Francisco , Holden-Day, 1994. CAIO, L. S.; BERMANN, C. . Análise das metodologias de previsão de mercado de energia elétrica face ao novo perfil de planejamento no ambiente pós- privatização. In: III Congresso Brasileiro de Planejamento Energético, 1998, São Paulo. Anais III Congresso Brasileiro de Planejamento Energético, 1998. CAMARA DE COMERCIALIZAÇÃO DE ENERGIA ELÉTRICA (CCEE). O Setor Elétrico Brasileiro. Brasília, 2008. Disponível em: http://www.ccee.org.br/. Acesso em: 20 de mar. de 2008. CAMARGO, L. G. B. C. O Setor Elétrico Brasileiro e sua normatização contemporânea. UNISANTOS – Centro de Ciências Jurídicas e Sociais Aplicadas. Dissertação. Santos, SP. 2005. CANUTO, O. A Crise Asiática e seus desdobramentos. Revista Econômica. nº 4, p. 25-60. Dezembro, 2000. CASIMIRO FILHO, F. Contribuições do Turismo a Economia Brasileira. Tese de doutorado. Escola superior de Agricultura Luiz de Queiroz. Piracicaba, SP. 2002. CHAGAS, M. C. S. O perfil de consumo residencial de energia elétrica por classe de renda e uso-final no Brasil no período pós-racionamento. Dissertação de Mestrado. Universidade Federal Fluminense. Niterói, 2008. 97 CIMA, F. M. Utilização de Indicadores Energéticos no Planejamento Energético Integrado [Rio de Janeiro] 2006 Dissertação – Universidade Federal do Rio de Janeiro, COPPE. CHIARI, J. R. P., DUARTE FILHO, F. C. Características Estruturais da Economia Mineira. X Seminário sobre Economia Mineira. Diamantina, MG. 2002. CONWAY, R.S. The Washington Projection and Simulation Model: A regional interindustry econometric model. International Regional Science Review 13, 141- 165, 1990. DELGADO, M. A. P. A Expansão da Oferta de Energia Elétrica pela Racionalidade do Mercado Competitivo e a Promessa da Modicidade Tarifária [Rio de Janeiro] 2003 VIII, 293 p. Tese – Universidade Federal do Rio de Janeiro, COPPE DIAS, E. D. M. Previsão de Médio Prazo do Consumo de Energia Elétrica no Brasil: Estimação via Metodologia Box & Jenkins e Regressão Dinâmica. Dissertação de Mestrado. Universidade Federal de Juiz de Fora. Juiz de Fora, MG. 2008. DOURADO, R. A. Formulação de um modelo de projeção de demanda de energia elétrica aplicado a sistemas isolados em desenvolvimento natural: o caso da CERON. Florianópolis, UFSC, Programa de Pós-Graduação em Engenharia de Produção, 2004. ENDERS, W.. Applied Econometric Time Series. IE-Wiley, 2003. ELETROBRÁS (CENTRAIS ELÉTRICAS BRASILEIRAS). Disponível em: http://www.eletrobras.gov.br/. Acesso em: 10 de mar. de 2008. FARIA, J. C. Administração: Teoria e Aplicações. Thomson, Rio de Janeiro. 2000. FERNANDES, E., FONSECA, M.V., ALONSO, P.S. Natural gas in Brazil's energy matrix: demand for 1995–2010 and usage factors. Energy Policy, Volume 33, Issue 3, pp. 365-386. 2005 GRENE, W. H. Econometric Analysis. Upper Saddle River, New Jersey: Prentice Hall, 2003. GUILHOTO, J.J.M. Análise de Insumo-Produto: Teoria e Fundamentos. 2004. Apostila FEA/USP. São Paulo, SP. 2004. GUILHOTO, J.J.M. e M.A.R. FONSECA. The Northeast and the Rest of Brazil Economies in a Mercosur Context, 1992-2014: An Econometric Inter-regional 98 Input-Output Approach. Studies in Regional Science. Vol. 29, N. 1, pp. 171-185. Dez. 1998. GOLDEMBERG, J., PRADO, L. T. S. Reforma e crise do setor elétrico no período FHC. Tempo Social 15 (2). USP. São Paulo, SP. 2003 GOODRICH, R. L., STELLWAGEN, E. A. Forecast Pro for Windows. Business Forecast Systems, 1999. GUJARATI, D. N. Econometria Básica. 4 ed. São Paulo: Makron Books, 2006 HARRIS, C.C. From general spatial equilibrium theory to multiregional operational models. In: Harrigan F, McGregor P (eds) Recent advances in regional economic modeling, pp 133–177. Pion, London. 1988. HAWDON, D.; PEARSON, P. Input-output simulations of energy, environment, economy interactions in the UK. Energy Economics, v.17, n. 1, p. 73-86, 1995. HIRSCHMAN, A. O. The strategy of economic development. USA, Yale University, cap.6, 1958. INSTITUTO ACENDE BRASIL. Programa Energia Transparente. Disponível em:< http:// www.acendebrasil.com.br / Acesso em: 10 out 2008. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Matriz de Insumo-produto (2005). Rio de Janeiro, 2008. Disponível em: < http://www.ibge.gov.br/ Acesso em: 10 out 2008. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Contas Nacionais. Rio de Janeiro, 2008. Disponível em: < http://www.ibge.gov.br/ Acesso em: 15 mar 2008. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Estatísticas do século XXI. Rio de Janeiro, 2008. Disponível em: < http://www.ibge.gov.br/ Acesso em: 10 jan 2008. INTERNATIONAL MONETARY FUND (IMF). World Economic Outlook - Housing and the Business Cycle. April, 2008. Disponível em: http://www.imf.org ISARD. W, BRAMHALL. DF, CARROTHERS. GA, CUMBERLAND. JH, MOSES. LN, PRICE. DO, SCHOOLER. EW. Methods of regional analysis. M.I.T. Press, Cambridge, MA. 1960 ISARD W, AZIS I. J, DRENNAN M. P, MILLER R. E, SALTZMAN S, THORBECKE E. Methods of interregional and regional analysis. Ashgate, Brookfield. 1998. 99 KEY WORD ENERGY STATISTICS (2007). International Energy Agency. Disponível em http://www.eia.doe.gov. Acesso em 20 de Março de 2008. KORT, J.R., J.V. CARTWRIGHT, AND R.M. BEEMILLER. 1986. Linking regional economic models for policy analysis, in Regional econometric modeling, edited by M.R. Perryman and M.R. Schmidt. Boston: Kluwer, 93-124 KÜNNEKE, R. W. Electricity networks: how ‘natural’ is the monopoly. Utilities Policy, v.8, p. 99 – 108. 1999. MARRECO, J. M. Planejamento de Longo Prazo da Expansão da Oferta de Energia Elétrica no Brasil sob uma Perspectiva da Teoria das Opções Reais. Tese de Doutorado – Universidade Federal do Rio de Janeiro, COOPE. Rio de Janeiro, RJ, 2007. MATTOS, R. S.; PEROBELLI, F. S. HADDAD, E, FARIA, W. R. Integração de Modelos Econométricos e de Insumo Produto Para Previsões de Longo Prazo na Demanda de Energia no Brasil. Estudos Econômicos. 2008. MATTOS, L. B., LIMA, J. E. Demanda residencial de energia elétrica em Minas Gerais: 1970-2002. Nova Economia. Belo Horizonte. 2005 MILLER, R. E e BLAIR, P. D. Input-output analysis: foundations and extensions. New Jersey, Prentice Hall, 1985. MINISTÉRIO DAS MINAS E ENERGIA (MME). Matriz Energética Nacional 2023. Disponível em: http://www.mme.gov.br/. Acesso em: 20 de mar. de 2008. MINISTÉRIO DAS MINAS E ENERGIA (MME). BALANÇO ENERGÉTICO NACIONAL 2007. Brasília, 2008. Disponível em: http://www.mme.gov.br/. Acesso em: 20 de mar. de 2008. MINISTÉRIO DO DESENVOLVIMENTO, INDÚSTRIA E COMÉRCIO EXTERIOR. Brasília, 2008. Disponível em: < http://www.desenvolvimento.gov.br/ > Acesso em: 10 abr. 2008. MODIANO, E.M., Elasticidade-renda e preço da demanda de energia elétrica no Brasil, Texto para discussão nº 68, Departamento de economia - PUC/RJ. 1984. MONTGOMERY, D.C., JOHNSON, L.A. Forecasting and Time Series Analysis. New York. McGrawhill Book co, 1990. 100 OPERADOR NACIONAL DO SISTEMA ELÉTRICO (ONS). Submódulo 1.1: Introdução Geral. (Data de vigência 25/03/2002) Disponível em: http://www.ons.org.br. Mar. 2008. PÊGO, B., CAMPOS NETO, C. A. S. O PAC e o Setor Elétrico: Desafios para o abastecimento do mercado brasileiro (2007-2010). Texto para Discussão nº 1329. IPEA. Brasília. Fev, 2008. PINDYCK, R. S., RUBINFELD, D. L. Econometria: Modelos & Previsões. Editora Campus. 2º tiragem. Rio de Janeiro, RJ. 2004 PIRES, J. C. L. Desafios da Reestruturação do Setor Elétrico Brasileiro. Texto para Discussão nº 76. BNDES. Rio de Janeiro, RJ. Mar., 2000. PIRES, J. C. L. GOSTKORZEWICZ, J. GIAMBIAGI, F. O Cenário macroeconômico e as condições de Oferta de Energia Elétrica no Brasil. Texto para Discussão nº 85. BNDES. Rio de Janeiro, RJ. Mar., 2001. PIRES, J. C. L. GIAMBIAGI, F. SALES, A. F. As perspectivas do setor elétrico após o Racionamento. Texto para Discussão nº 97. BNDES. Rio de Janeiro, RJ. Out., 2002. PROGRAMA DE ACELERAÇÃO DO CRESCIMENTO (PAC). Balanço PAC – 1º ano. Disponível em: http://www.planalto.gov.br/pac/. Jun. 2008. RASMUSSEN. Studies in intersectorial relations. Holanda, North Holland, cap.8, 1956. REY, S.J., DEV, B. (1997). Integrating Econometric and Input-Output Models in a Multiregional Context. Growth and Change. 28(2): 222-243. REY, S.J. (1998). The Performance of Alternative Integration Strategies for Combining Regional Econometric and Input-Output Models. Inter-regional Regional Science Review, 21(1): 1-36. REY, S.J. (1999). Integrated Regional Econometric and Input-Output Modeling. Discussion Paper. San Diego University. 1999. REY, S.J. (2000). Integrated Regional Econometric + Input-Output Modeling: Issues and Opportunities. Regional Science. 2000. REY, S. J., WEST, G. R. e JANIKAS, M. V. Uncertainty in integrated regional models. Economic Systems Research, 16, 3, 259-277. 2004. 101 SCARAMUCCI, J. A.; PERIN, C.; PULINO, P.; BORDONI, O. F. J. G.; CUNHA, M. P; CORTEZ, L. A. B. Geração distribuída de eletricidade a partir de resíduos de cana-de-açúcar: um modelo computável de equilíbrio geral. In: Agrener 2002, 2002, Campinas, 2002 SCHMIDT, C. A. J. LIMA, M. A. Estimações e Previsões da Demanda por Energia Elétrica no Brasil. SEAE/MF. Trabalho nº 16. Brasília, DF. Jul., 2002. SIQUEIRA, M. L., JÚNIOR, H. H. C., CASTELAR, I. A Demanda por Energia Elétrica no Nordeste Brasileiro após o Racionamento de 2001-2002: Previsões de Longo Prazo. Pesquisa e Planejamento Econômico (PPE). 2006 SCHAEFFER, R., COHEN, C., ALMEIDA, M., ACHÃO, C., CIMA, F. Energia e pobreza: problemas de desenvolvimento energético e grupos sociais marginais em áreas rurais e urbanas do Brasil. Chile. 2003 ULLER, V. C. A crise da Califórnia e os novos rumos da reforma do setor elétrico americano. Monografia de Bacharelado. Instituto de Economia. UFJF. Rio de Janeiro, RJ. 2005. VALADKHANI, A. History of macroeconometric modeling: lessons from past experience. Journal of Policy Modeling. December. 2003. VIEIRA, W da C. Uma análise dos efeitos econômicos de estratégias de promoção de exportações. Análise Econômica. Ano 14, março/setembro, p 52-62. Rio Grande do Sul. 1996. ZANINI, A. Redes Neurais e Regressão Dinâmica: Um Modelo Híbrido para Previsão de curto prazo da demanda de gasolina automotiva no Brasil. Dissertação de Mestrado. PUC-RJ, 2000. WEST, G. R. The Queensland impact and projection model: An overview. Australian Economic Papers 30:22 1-40. 1994. 102 ANEXOS Anexo 1: Consumo das Famílias por setores, a preços constantes de 2003 Tabela 1A– Consumo das Famílias por setores (em 1.000 R$) Especificação 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 AGRICU 399.644 396.558 443.312 467.423 485.600 522.730 571.470 525.684 540.115 532.063 MINPEL 0 0 0 0 0 0 0 0 0 0 MNMET 29.630 29.401 32.868 34.655 36.003 38.756 42.369 38.975 40.045 39.448 FERAÇO 46.947 46.585 52.077 54.909 57.045 61.406 67.132 61.753 63.449 62.503 PAPCEL 84.722 84.068 93.979 99.090 102.944 110.815 121.148 111.441 114.501 112.794 QUIMIC 242.268 240.398 268.741 283.357 294.376 316.885 346.431 318.675 327.423 322.542 ALIBEB 1.398.464 1.387.665 1.551.272 1.635.641 1.699.248 1.829.177 1.999.732 1.839.514 1.890.011 1.861.836 TEXVES 527.640 523.565 585.294 617.126 641.125 690.148 754.498 694.047 713.100 702.470 OUTIND 845.266 838.739 937.627 988.622 1.027.068 1.105.600 1.208.687 1.111.848 1.142.370 1.125.340 COMSER 1.758.861 1.745.279 1.951.048 2.057.160 2.137.159 2.300.572 2.515.080 2.313.573 2.377.084 2.341.647 TRANSP 191.053 189.578 211.929 223.455 232.145 249.896 273.196 251.308 258.206 254.357 SERPUB 11.601 11.511 12.869 13.569 14.096 15.174 16.589 15.260 15.679 15.445 SOMATÓRIO 5.536.096 5.493.347 6.141.016 6.475.007 6.726.810 7.241.160 7.916.333 7.282.078 7.481.983 7.370.445 Fonte: INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (2008) 103 Tabela 2A– Consumo das Famílias por setores (em 1.000 R$) Especificação 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 AGRICU 546.572 561.238 626.933 595.856 554.959 547.396 542.352 486.893 493.652 562.302 MINPEL 0 0 0 0 0 0 0 0 0 0 MNMET 40.523 41.611 46.482 44.177 41.145 40.585 40.211 39.175 36.824 35.406 FERAÇO 64.207 65.930 73.647 69.997 65.192 64.304 63.711 58.984 56.624 61.880 PAPCEL 115.869 118.979 132.905 126.317 117.648 116.044 114.975 106.027 105.004 111.135 QUIMIC 331.337 340.228 380.053 361.214 336.422 331.837 328.779 284.072 266.791 364.613 ALIBEB 1.912.604 1.963.925 2.193.810 2.085.063 1.941.955 1.915.489 1.897.838 1.843.010 1.820.137 2.003.261 TEXVES 721.624 740.988 827.723 786.693 732.699 722.713 716.053 558.131 508.771 550.469 OUTIND 1.156.025 1.187.045 1.325.993 1.260.264 1.173.766 1.157.769 1.147.100 1.065.851 1.019.070 1.494.322 COMSER 2.405.499 2.470.045 2.759.174 2.622.403 2.442.414 2.409.128 2.386.928 3.246.491 3.285.125 3.047.483 TRANSP 261.293 268.304 299.710 284.854 265.303 261.687 259.276 261.623 285.288 328.338 SERPUB 15.866 16.292 18.199 17.297 16.110 15.890 15.744 8.497 13.198 14 SOMATÓRIO 7.571.420 7.774.584 8.684.629 8.254.136 7.687.614 7.582.842 7.512.967 7.958.752 7.890.483 8.559.223 Fonte: INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (2008) Tabela 3A– Consumo das Famílias por setores (em 1.000 R$) Especificação 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 AGRICU 667.863 706.232 601.492 553.985 595.355 558.770 537.596 524.372 559.121 545.845 MINPEL 0 0 0 0 0 0 0 0 0 0 MNMET 37.177 39.254 33.433 35.047 33.150 26.878 25.839 23.376 20.944 18.130 FERAÇO 63.562 68.328 58.195 60.006 57.588 51.316 54.152 56.885 55.597 49.208 PAPCEL 112.685 117.041 99.683 100.439 99.266 88.201 98.182 123.185 121.826 111.338 QUIMIC 418.485 422.330 359.695 395.399 429.303 413.540 434.062 436.608 436.551 393.476 ALIBEB 2.331.513 2.392.731 2.037.869 2.036.804 2.053.510 1.899.037 1.895.154 1.922.640 1.910.100 1.788.959 TEXVES 565.346 585.211 498.419 458.231 412.950 384.151 433.730 416.488 387.462 321.004 OUTIND 1.696.000 1.807.312 1.539.272 1.603.134 1.538.576 1.437.462 1.662.738 1.737.175 1.710.171 1.575.054 COMSER 3.007.046 4.825.614 4.109.934 4.348.092 4.323.072 4.079.174 4.026.272 3.796.533 3.500.463 3.295.863 TRANSP 331.049 336.552 286.638 320.951 360.949 313.206 327.939 347.525 359.233 326.626 SERPUB 129 152 129 137 199 221 176 170 129 166 SOMATÓRIO 9.230.857 11.300.758 9.624.758 9.912.225 9.903.918 9.251.955 9.495.839 9.384.958 9.061.598 8.425.668 Fonte: INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (2008) 104 Anexo 2: Exportações por Setores em R$ (milhões) (2003) Tabela 4A – Exportações por setores em R$ (milhões) (2003) Especificação 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 AGRICU 11.217,9 10.430,8 12.742,3 14.564,4 11.266,3 11.980,5 17.502,9 14.665,8 13.044,7 14.512,3 16.849,2 16.858,1 MINPEL 2.109,7 3.292,7 3.744,8 3.292,0 3.371,8 4.123,1 5.236,6 6.488,4 6.768,1 5.106,9 5.419,9 5.471,8 MNMET 94,8 114,6 118,9 140,8 205,1 271,3 442,4 477,8 296,6 279,4 400,3 444,1 FERAÇO 625,5 728,9 844,1 1.048,3 1.747,6 2.825,9 3.393,2 3.973,2 3.711,2 6.199,5 8.457,7 8.382,0 PAPCEL 244,2 219,7 209,1 233,9 455,0 938,9 1.563,6 1.755,6 1.385,9 1.524,4 2.176,1 1.618,0 QUIMIC 763,5 804,7 483,8 635,0 1.138,8 1.753,6 2.879,7 5.444,1 5.762,3 6.609,3 9.807,6 8.750,0 ALIBEB 273,0 371,2 455,0 883,3 588,7 801,5 974,6 1.453,5 847,6 815,0 944,1 975,5 TEXVES 2.083,4 2.126,8 2.064,9 2.493,1 3.090,8 3.898,8 4.056,6 4.711,7 4.014,7 5.462,5 6.965,2 6.034,5 OUTIND 2.733,8 3.370,3 3.482,8 4.850,6 6.763,8 8.761,8 12.214,1 14.931,6 11.853,1 11.062,3 12.691,1 14.290,8 SOMATÓRIO 20.145,8 21.459,7 24.145,8 28.141,4 28.627,7 35.355,4 48.263,6 53.901,8 47.684,2 51.571,6 63.711,1 62.824,7 Fonte: MINISTÉRIO DO DESENVOLVIMENTO, INDÚSTRIA E COMÉRCIO EXTERIOR, 2008. Tabela 5A – Exportações por setores em R$ (milhões) (2003) Especificação 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 AGRICU 13.668,2 14.248,5 15.572,7 14.026,2 12.302,8 12.209,5 14.063,0 16.036,7 21.664,5 22.257,5 21.900,1 29.501,6 MINPEL 5.292,2 5.322,0 6.511,6 7.578,3 8.236,8 8.866,9 7.909,1 7.913,3 8.003,0 8.992,7 9.369,2 9.927,9 MNMET 502,0 569,1 743,9 825,1 695,2 743,9 923,9 1.241,6 1.262,0 1.385,0 1.369,7 1.459,6 FERAÇO 8.060,8 8.926,0 17.021,4 18.153,8 15.521,2 17.433,5 18.007,5 18.286,8 18.819,9 20.728,5 20.474,2 19.660,3 PAPCEL 1.996,1 2.259,6 3.852,3 3.765,0 3.550,5 3.640,3 4.256,9 4.498,0 5.258,9 7.867,6 5.635,6 5.819,6 QUIMIC 5.267,5 6.518,0 8.425,4 8.300,4 7.463,5 6.767,1 7.469,6 8.352,3 9.322,3 9.684,3 10.318,2 10.798,3 ALIBEB 919,0 1.098,1 1.150,8 1.047,2 1.131,3 1.259,1 1.468,2 1.672,4 1.769,2 1.779,8 1.755,6 1.733,2 TEXVES 5.814,7 7.321,9 8.367,3 8.228,1 7.579,8 8.155,0 9.356,0 10.540,5 9.905,9 9.926,1 10.229,2 10.220,5 OUTIND 14.065,4 18.822,6 21.765,9 23.305,2 20.267,1 20.738,5 26.538,9 29.792,0 33.190,9 33.153,2 35.158,8 42.964,1 SOMATÓRIO 55.586,0 65.086,0 83.411,3 85.229,4 76.748,1 79.813,8 89.993,2 98.333,6 109.196,6 115.774,7 116.210,6 132.085,2 Fonte: MINISTÉRIO DO DESENVOLVIMENTO, INDÚSTRIA E COMÉRCIO EXTERIOR, 2008. 105 Tabela 6A – Exportações por setores em R$ (milhões) (2003) Especificação 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 AGRICU 27.763,2 26.455,4 24.276,1 31.830,0 32.344,7 40.655,8 54.117,5 64.943,7 76.640,5 92.440,2 MINPEL 11.139,3 9.664,4 11.259,1 12.512,7 15.826,2 18.709,6 25.105,8 38.353,8 52.105,0 64.763,4 MNMET 1.430,2 1.520,1 1.775,5 1.671,3 1.733,5 2.149,9 2.716,1 3.048,5 3.368,7 3.606,9 FERAÇO 17.509,0 16.302,5 18.887,3 16.289,6 19.006,3 23.568,8 32.391,6 39.655,0 46.558,9 51.389,3 PAPCEL 5.796,3 6.266,6 7.410,5 6.389,6 6.010,3 8.274,5 8.530,0 9.987,3 11.740,6 13.809,9 QUIMIC 10.099,9 9.633,9 12.367,6 13.012,7 13.702,2 17.590,8 22.002,6 29.617,9 38.217,6 44.186,1 ALIBEB 1.510,6 1.849,0 2.715,6 2.891,2 2.597,2 3.251,8 3.712,9 4.151,8 4.587,0 5.426,2 TEXVES 9.015,3 8.476,4 10.326,8 11.185,1 10.610,5 12.461,8 15.257,7 16.155,4 17.218,9 19.035,1 OUTIND 44.540,1 42.187,7 54.543,7 55.209,9 53.684,6 61.693,6 87.636,4 107.192,4 117.054,4 130.742,2 SOMATÓRIO 128.803,7 122.355,9 143.562,2 150.992,1 155.515,4 188.356,6 251.470,7 313.105,8 367.491,7 425.399,3 Fonte: MINISTÉRIO DO DESENVOLVIMENTO, INDÚSTRIA E COMÉRCIO EXTERIOR, 2008. 106 Anexo 3: Importações por Setores em R$ (milhões) (2003) Tabela 7A – Importações por setores em R$ (milhões) (2003) Especificação 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 AGRICU 1.186,8 870,3 1.023,8 1.116,9 1.936,2 3.211,5 2.699,1 2.536,4 1.971,4 1.008,6 1.193,8 1.121,5 MINPEL 7.982,2 8.680,9 10.652,5 11.520,9 12.906,4 19.712,4 28.583,1 31.946,1 28.897,1 24.186,2 21.299,6 17.704,8 MNMET 250,6 230,7 211,4 246,5 287,7 356,3 356,0 499,1 272,7 161,0 129,3 143,7 FERAÇO 6.407,4 5.080,9 3.257,0 3.450,5 3.026,0 3.749,8 4.646,6 4.044,7 2.819,2 1.328,8 1.325,4 1.339,5 PAPCEL 837,8 566,2 557,3 545,2 578,6 699,6 705,0 613,4 565,9 479,2 388,8 339,3 QUIMIC 4.356,3 3.180,7 4.070,0 3.676,3 3.911,3 5.198,7 7.032,1 4.833,2 4.846,2 3.782,3 3.266,8 3.753,2 ALIBEB 328,3 392,0 352,8 364,6 452,7 552,4 478,9 475,8 407,5 295,8 267,3 285,1 TEXVES 353,7 294,3 264,7 268,1 287,7 291,2 277,3 300,7 358,3 394,6 552,7 423,1 OUTIND 10.824,2 13.110,0 12.175,5 10.784,7 12.409,6 13.538,9 15.511,4 13.836,4 11.723,0 9.118,4 7.736,3 9.131,3 SOMATÓRIO 32.527,3 32.406,0 32.565,0 31.973,8 35.796,4 47.310,6 60.289,6 59.085,8 51.861,3 40.754,9 36.159,8 34.241,5 Fonte: MINISTÉRIO DO DESENVOLVIMENTO, INDÚSTRIA E COMÉRCIO EXTERIOR, 2008. Tabela 8A – Importações por setores em R$ (milhões) (2003) Especificação 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 AGRICU 3.537,8 2.072,7 1.524,4 2.929,5 2.990,0 2.823,6 2.501,6 2.613,3 4.663,9 6.439,1 8.619,6 6.502,5 MINPEL 10.323,1 13.605,7 11.961,5 12.848,0 15.406,0 12.762,4 11.638,9 8.814,5 9.542,0 11.008,8 13.426,0 12.531,5 MNMET 222,0 289,7 257,8 401,5 441,5 435,2 466,0 555,0 750,2 1.232,6 1.549,4 1.736,9 FERAÇO 1.893,9 2.259,9 2.103,6 3.219,0 2.875,7 3.002,1 2.973,0 3.236,8 4.036,0 6.894,7 6.891,0 9.147,5 PAPCEL 551,2 772,4 771,6 1.081,4 1.056,1 1.207,6 877,5 1.116,3 1.476,0 3.799,0 3.814,6 4.017,9 QUIMIC 5.085,2 5.368,3 5.856,2 6.698,9 7.683,8 9.257,2 9.333,8 14.473,2 15.468,8 21.822,0 23.848,1 24.734,9 ALIBEB 603,4 577,2 490,8 968,0 1.090,4 1.181,7 958,2 1.171,9 1.701,2 3.714,0 4.060,2 3.887,1 TEXVES 930,2 958,5 1.114,0 2.088,9 1.784,2 2.033,9 1.786,8 3.642,9 4.222,1 6.875,4 6.892,7 6.994,7 OUTIND 13.644,3 14.433,7 15.238,7 18.790,0 22.194,7 22.833,2 23.317,6 30.170,0 44.861,8 71.566,0 74.600,1 90.478,1 SOMATÓRIO 36.791,1 40.338,1 39.318,3 49.025,1 55.522,4 55.536,8 53.853,4 65.793,9 86.722,0 133.351,8 143.701,7 160.030,9 Fonte: MINISTÉRIO DO DESENVOLVIMENTO, INDÚSTRIA E COMÉRCIO EXTERIOR, 2008. 107 Tabela9A – Importações por setores em R$ (milhões) (2003) Especificação 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 AGRICU 6.978,2 4.561,9 5.068,8 4.373,9 4.389,4 5.083,8 4.930,8 6.135,0 7.030,1 9.342,1 MINPEL 8.924,3 9.218,3 12.390,3 12.267,4 12.507,0 14.492,7 24.948,9 28.958,4 35.554,2 44.762,7 MNMET 1.490,7 1.144,5 1.310,1 1.549,7 962,8 1.110,5 1.366,0 1.571,6 1.725,1 2.336,0 FERAÇO 9.408,7 6.973,6 8.188,7 8.685,5 7.453,2 8.521,1 11.934,4 14.005,4 19.520,1 26.613,5 PAPCEL 4.007,2 2.912,5 3.332,7 2.723,6 2.029,2 1.829,4 2.364,8 2.760,2 3.606,9 4.288,9 QUIMIC 22.807,6 22.447,0 29.536,4 27.829,2 23.620,3 23.674,8 30.153,0 35.314,8 44.979,8 58.739,6 ALIBEB 3.761,3 2.623,1 2.594,0 2.502,4 2.261,4 2.223,4 2.689,9 3.026,9 3.923,1 4.720,9 TEXVES 5.555,2 3.924,9 4.139,1 3.343,4 2.760,2 2.880,3 3.726,7 4.305,9 6.042,8 8.621,9 OUTIND 90.144,6 77.171,6 82.378,4 85.167,6 68.534,8 65.300,0 81.233,6 99.661,2 122.508,3 159.012,9 SOMATÓRIO 153.077,8 130.977,5 148.938,6 148.442,7 124.518,2 125.115,8 163.348,1 195.739,5 244.890,4 318.438,4 Fonte: MINISTÉRIO DO DESENVOLVIMENTO, INDÚSTRIA E COMÉRCIO EXTERIOR, 2008. 108 Anexo 4: Compatibilização dos Setores do BEN e da Matriz de Insumo-Produto 1. 9. 1 28 2 29 2. 30 3 31 4 32 5 33 3. 34 6 35 4. 36 7 37 8 38 9 39 5. 40 10 10. 11 41 12 42 13 43 6. 44 14 45 15 46 16 47 17 48 18 49 19 50 20 11. 21 51 22 12. 7. 52 23 53 24 54 8. 55 25 26 27 Mineração e Pelotização Minerais não metálicos Ferro e Aço, Metais não ferrosos e outras metalurgias Agricultura, silvicultura, exploração florestal Pecuária e pesca Petróleo e gás natural Minério de ferro Outros da indústria extrativa Outros produtos de minerais não- metálicos Fabricação de aço e derivados Metalurgia de metais não-ferrosos Produtos de metal - exclusive máquinas e equipamentos Produtos de madeira - exclusive móveis Celulose e produtos de papel Jornais, revistas, discos Artigos de borracha e plástico Refino de petróleo e coque Álcool Produtos químicos Fabricação de resina e elastômeros Produtos farmacêuticos Artefatos de couro e calçados Máquinas e equipamentos, inclusive manutenção e reparos Eletrodomésticos Máquinas para escritório e equipamentos de informática Máquinas, aparelhos e materiais elétricos Material eletrônico e equipamentos de comunicações Alimentos e bebidas Produtos do fumo Têxteis Artigos do vestuário e acessórios Construção Cimento Aparelhos/instrumentos médico-hospitalar, medida e óptico Automóveis, camionetas e utilitários Caminhões e ônibus Peças e acessórios para veículos automotores Alimentos e Bebida Têxtil e Vestuário Saúde mercantil Outros serviços Transporte, armazenagem e correio Eletricidade e gás, água, esgoto e limpeza urbana Defensivos agrícolas Perfumaria, higiene e limpeza Tintas, vernizes, esmaltes e lacas Produtos e preparados químicos diversos Educação pública Saúde pública Administração pública e seguridade social Comércio e Serviços Transporte Serviços de manutenção e reparação Serviços de alojamento e alimentação Serviços prestados às empresas Educação mercantil Comércio Outras Indústrias Serviços Públicos Agropecuária Papel e Celulose Química Serviços de informação Intermediação financeira e seguros Serviços imobiliários e aluguel Outros equipamentos de transporte Móveis e produtos das indústrias diversas Fonte: elaboração própria do autor. 109 Anexo 5 – Gráficos com dados reais e previstos para o consumo das famílias Gráfico 1A – Dados reais e previstos para o consumo das famílias no setor Agrícola 3 4 5 6 7 8 X 1E+008 1974 1976 1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 Legend CAGROPECUARIA1 Fonte: elaboração própria do autor com base no programa Forecast Pro 3.5 Gráfico 2A – Dados reais e previstos para o consumo das famílias no setor de Alimentos e Bebidas 14 16 18 20 22 X 1E+008 1974 1976 1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 Legend CALIMENTOSBEBIDAS7 Fonte: elaboração própria do autor com base no programa Forecast Pro 3.5 Dados Reais Previsão Intervalar Dados Reais Previsão Intervalar 110 Gráfico 3A – Dados reais e previstos para o consumo das famílias no setor de Ferro e Aço, Metais não ferrosos e outras metalurgias 2 3 4 5 6 7 X 1E+007 1974 1976 1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 Legend CFERROACO4 Fonte: elaboração própria do autor com base no programa Forecast Pro 3.5 Gráfico 4A – Dados reais e previstos para o consumo das famílias no setor de Minerais não Metálicos 0 1 2 3 4 X 1E+007 1974 1976 1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 Legend CMINERAISNAOMETALICOS3 Fonte: elaboração própria do autor com base no programa Forecast Pro 3.5 Dados Reais Dados Reais Previsão Intervalar Previsão Intervalar 111 Gráfico 5A – Dados reais e previstos para o consumo das famílias no setor Outras Indústrias 10 15 20 25 X 1E+008 1974 1976 1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 Legend COUTRASINDUSTRIAS9 Fonte: elaboração própria do autor com base no programa Forecast Pro 3.5 Gráfico 6A – Dados reais e previstos para o consumo das famílias no setor de Transportes 20 25 30 35 40 45 X 1E+007 1974 1976 1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 Legend CTRANSPORTES11 Fonte: elaboração própria do autor com base no programa Forecast Pro 3.5 Dados Reais Dados Reais Previsão Intervalar Previsão Intervalar 112 Anexo 6 – Gráficos com dados reais e previstos para as exportações Gráfico 7A – Dados reais e previstos para as exportações no setor Agropecuária 5 10 15 20 25 X 1E+010 1975 1980 1985 1990 1995 2000 2005 2010 2015 Legend EXPAGROPECUARIA Fonte: elaboração própria do autor com base no programa Forecast Pro 3.5 Gráfico 8A – Dados reais e previstos para as exportações no setor de Minerais não Metálicos 2 4 6 8 X 1E+009 1975 1980 1985 1990 1995 2000 2005 2010 2015 Legend EXPMINERAISNAOMETALICOS Fonte: elaboração própria do autor com base no programa Forecast Pro 3.5 Dados Reais Dados Reais Previsão Intervalar Previsão Intervalar 113 Gráfico 9A – Dados reais e previstos para as exportações no setor Outras Indústrias 2 4 6 8 10 12 X 1E+011 1975 1980 1985 1990 1995 2000 2005 2010 2015 Legend EXPOUTRASINDUSTRIAS Fonte: elaboração própria do autor com base no programa Forecast Pro 3.5 Gráfico 10A – Dados reais e previstos para as exportações no setor Têxtil e Vestuário 5 10 15 20 25 X 1E+009 1975 1980 1985 1990 1995 2000 2005 2010 2015 Legend EXPTEXTILVESTUARIO Fonte: elaboração própria do autor com base no programa Forecast Pro 3.5 Dados Reais Dados Reais Previsão Intervalar Previsão Intervalar 114 Gráfico 11A – Dados reais e previstos para as exportações no setor Químico 2 4 6 8 10 12 14 X 1E+010 1975 1980 1985 1990 1995 2000 2005 2010 2015 Legend EXPQUIMICA Fonte: elaboração própria do autor com base no programa Forecast Pro 3.5 Dados Reais Previsão Intervalar 115 Anexo 7 – Gráficos com dados reais e previstos para as importações Gráfico 12A – Dados reais e previstos para as importações no setor Minerais não Metálicos 0 2 4 6 8 X 1E+009 1975 1980 1985 1990 1995 2000 2005 2010 2015 Legend IMPMINERAISNAOMETALICOS Fonte: elaboração própria do autor com base no programa Forecast Pro 3.5 Gráfico 13A – Dados reais e previstos para as importações no setor Outras Indústrias 2 4 6 8 X 1E+011 1975 1980 1985 1990 1995 2000 2005 2010 2015 Legend IMPOUTRASINDUSTRIAS Fonte: elaboração própria do autor com base no programa Forecast Pro 3.5 Dados Reais Dados Reais Previsão Intervalar Previsão Intervalar