Escolar Documentos
Profissional Documentos
Cultura Documentos
SO PAULO
2013
BRUNO LEANDRO ZANETI
SO PAULO
2013
Zaneti, Bruno Leandro.
Gerenciamento de Riscos de Mercado em uma Perspectiva Corporativa:
Anlise do Setor Sucroenergtico no Brasil / Bruno Leandro Zaneti. - 2013.
75 f.
CDU 620.91(81)
BRUNO LEANDRO ZANETI
Data de aprovao:
21/06/2013
Banca examinadora:
_______________________________________
Prof. Dr. Mayra Ivanoff Lora (Orientadora)
FGV-EESP
_______________________________________
Prof. Dr. Hsia Hua Sheng
FGV-EAESP
_______________________________________
Prof. Dr. Vitor Augusto Ozaki
ESALQ-USP
AGRADECIMENTOS
Tambm agradeo aos meus colegas de trabalho, parceiros e clientes da INTL FCStone,
em especial ao Marcos Escobar, pelo apoio, ensinamentos e contribuies to
importantes para a realizao deste curso e deste trabalho.
E, por fim, mas no menos importante, agradeo a meus pais, Omelcio e Odlia, e
minha namorada, Maria Fernanda, pelos incessantes incentivos e apoios.
RESUMO
This work aims to analyze and contribute the prices risk management in the Brazilian
sugarcane industry, more specifically the Center-South region of the country, which is
the largest processor of sugarcane in the world. This industry has unique characteristics,
so as to the ways these firms sell their ended products notably sugar and ethanol as
its structure of costs, where sugarcane accounts for around 70% of the total cost of
production of these products. Thus, the proposition here passes through a specific
approach for managing price risks in these firms, defining the major risk they are
exposed as the gap between the prices of sugar they sell in futures market and the sugar
prices calculated within the Consecana methodology to serve as input for the prices of
sugarcane, their main production feedstock. To achieve that it is made an analysis on a
sample of 1,138 price fixation actions occurred during the 2012-13 crop, revealing a
firm value maximizing behavior. Furthermore, the proposed models will help identify
the main idiosyncratic and systemic factors that influence the return these firms obtain
from their actions in futures markets as well as the main factors that influence the
decision process of hedging within these firms.
Grfico 4 Preo do acar (contrato #11 mais prximo da ICE) em US$ cents/libra-
peso ................................................................................................................................. 44
LISTA DE TABELAS
Tabela 1 Matriz de correlao entre o preo do ATR e os preos dos produtos finais
das empresas do setor sucroenergtico nos trs ltimos anos-safra ............................... 16
Tabela 20 Resumo sinais coeficientes das variveis explicativas para dae ............... 67
LISTA DE ABREVIATURAS E SIGLAS
1 Introduo ................................................................................................................. 14
4 Resultados................................................................................................................. 57
5 Concluses ................................................................................................................ 69
Referncias ..................................................................................................................... 71
14
1 INTRODUO
Muitos anos depois se pode destacar como principais marcos histricos de sua expanso
como um setor agroindustrial dinmico, nos anos 1930, a criao do Instituto do Acar
e do lcool (IAA) e, posteriormente, na dcada de 1970, a criao do Programa
Brasileiro do lcool (Procool), que formaram a base deste setor que conhecemos hoje,
mas no impediram a ocorrncia de novas crises, sendo a principal durante o perodo de
desregulamentao e abertura econmica do pas no final da dcada de 1980 e incio da
de 1990.
Este perodo marcou a queda de qualquer tipo de quota ou limitaes sobre os volumes
e preos de produtos finais, o que culminou no encerramento das atividades de muitas
firmas que sucumbiram crescente competitividade do setor. Mas, em um segundo
momento, este perodo marcou o nascimento de um setor mais concentrado, com a
participao de players internacionais e com firmas mais eficientes e competitivas no
cenrio internacional (Ramos et al, 2005).
Hoje o setor sucroenergtico brasileiro composto por empresas que atuam no plantio e
processamento de cana-de-acar visando produo principalmente (mas no
somente) de acar, etanol e energia eltrica. Juntas elas colocam o pas em posio de
destaque, sendo o maior processador mundial de cana-de-acar com 10,244 milhes de
hectares de rea plantada (IBGE, 2012), 559,215 milhes de toneladas processadas e
15
Ainda com dados de 2011, o Produto Interno Bruto (PIB) desta cadeia foi de US$ 48
bilhes, com gerao de empregos formais da ordem de 1,2 milho de postos e
exportaes totalizando US$ 15 bilhes (UNICA, 2012).
Mas, alm de ser o insumo mais relevante nos custos operacionais, a cana-de-acar,
com seu modelo de precificao prprio com base nos indicadores divulgados pelo
Consecana3, tem seu preo indexado s variaes dos preos dos produtos finais, acar
1
Fontes: UNICA, ALCOPAR, BIOSUL, SIAMIG, SINDALCOOL, SIFAEG, SISERJ, SUDES e
MAPA. Informaes disponveis eletronicamente em <http://www.unicadata.com.br>.Valores da regio
Norte-Nordeste atualizados at 31/07/2012. Consulta em 22/04/2013.
2
Very High Polarization, o tipo de acar mais exportado pelas unidades produtoras brasileiras
caracterizado por uma polarizao de 99,0 a 99,5 Z. Trata-se de um acar bruto com humidade mxima
de 0,10%, o que facilita seu transporte para outras regies onde serve como matria-prima para outros
processos, como a cristalizao e o refino.
3
A principal referncia para este modelo de precificao da cana-de-acar vem do manual Consecana
(2006).
16
4
Correlao observada entre os valores mdios-mensais dos preos dos seguintes insumos e produtos:
ATR R$/kg (referncia ATR mdio Estado de So Paulo); AVHP US$ cents/libra-peso (referncia
acar bruto, ICE-NY); ABME US$ / t (referncia acar refinado, Liffe-Londres); EAC R$/litro
PVU no Estado de So Paulo e sem impostos; EHC R$/litro PVU no Estado de So Paulo e sem
impostos.
17
Este trabalho, diferentemente destas duas citaes, dar especial ateno relao de
outro par de variveis: de um lado os preos do acar e de outro os da cana-de-acar,
tratando das especificidades da formao de cada um destes com base em dados
empricos de empresas do Centro-Sul do Brasil.
O objetivo ao analisar este par de variveis propor uma metodologia que analise o
comportamento destas empresas frente ao risco de preos advindo da relao entre estas
duas variveis. Porque enquanto o preo do acar cria variabilidade sobre as receitas
destas empresas a cana-de-acar o insumo produtivo mais importante e representa a
maior parcela dos custos de produo, criando similarmente variabilidade sobre os
custos e despesas destas empresas. Assim as relaes entre estes dois grupos de
variveis ter grande relevncia nos resultados financeiros destas firmas.
Para tanto, o caminho proposto por este estudo passar, na prxima seo, por uma
reviso do referencial terico, partindo de uma bibliografia que estuda como as anlises
de mensurao e mitigao de riscos de preos tornaram-se relevantes no somente no
ambiente das firmas financeiras como tambm das firmas no-financeiras e, inclusive,
as agroindustriais.
Por fim, a ltima seo trar as concluses e contribuies deste trabalho dentro da
temtica do gerenciamento de riscos de preos no setor sucroenergtico brasileiro.
2 REFERENCIAL TERICO
Sendo o objetivo deste trabalho tratar especificamente dos riscos de mercado para as
firmas do setor sucroenergtico brasileiro, foi feita uma reviso bibliogrfica que pode
ser subdividida em trs partes.
O intuito desta bibliografia que evidencia o grande peso que o insumo cana-de-acar
representa na produo de acar e etanol vai justificar o modelo proposto neste
trabalho que caracteriza o risco de preos como sendo uma relao entre os preos dos
produtos finais, mais especificamente do acar destinado para exportao e
integralmente comercializado atravs de vendas em mercado futuro, e o principal
insumo produtivo destas firmas, a cana-de-acar. Mais do que isso, ser revista
20
Nas dcadas seguintes esta temtica apresentou uma vertente alternativa, incorporando
conceitos das reas de psicologia, mas que, segundo Jia e Dyer (1996), apresentaram
dois problemas principais, que seriam a validade destes modelos colocada em cheque
21
por estudos empricos e por no ficar claro quanto a como incorporar estas medidas de
risco em modelos de tomada de deciso, uma vez que so modelos desenvolvidos
separadamente de modelos de utilidade.
Especificamente no que toca ao risco de mercado, que pode ser definido atualmente
como a potencialidade de perdas em posies por conta de variaes de preos (Jorion,
2006), sua anlise, monitoramento e medidas de mitigao sempre estiveram mais
associadas a firmas financeiras.
Ainda na dcada de 1990, uma srie de estudos buscaram adaptar a teoria do VaR ao
ambiente corporativo, isto , analisar o impacto das oscilaes de preos sobre o fluxo
de caixa de empresas no-financeiras. Perobelli e Securato (2005) destacam que as
primeiras e rudimentares tentativas so atribudas a Vermeulen (1994), Hayat e Song
(1995), Stulz e Williamson (1997), Shapiro e Titman (1999) e Bauman, Saratore e
Liddle (1999)5. No entanto, o refinamento que ganhou mais notoriedade veio em 1999
com o CorporateMetrics Technical Document (RiskGroup, 1999).
5
Referncias apud PEROBELLI e SECURATO (2005): VERMEULEN, E. (1994). Corporate Risk
Management: A Multi-Factor Approach. Amsterdam: Thesis Publishers HAYAT G.; SONG, S. (1995).
Handle with Sensitivity. Risk Magazine, v. 8, n. 9, pp. 94-99, 1995. STULZ, R.; WILLIAMSON,
R.(1997) Identifying and quantifying exposures. In: JAMESON, R. (Ed.). Financial Risk and the
Corporate Treasury New Developments in Strategy and Control. London: Risk Publications, 1997.
SHAPIRO, A.; TITMAN, S. (1999) An integrated approach to corporate risk management. In: BROWN,
G.; CHEW, D. (Eds.). Corporate Risk: Strategies and Management. London: Risk Publications, 1999.
BAUMAN, J.; SARATORE, S.; LIDDLE, W. (1999). A practical framework for corporate exposure
management. In: BROWN, G.; CHEW, D. (Eds.). Corporate Risk: Strategies and Management. London:
Risk Publications, 1999.
22
Segundo Jorion (2009), estes contratos podem ser negociados privativamente em balco
(ou OTC, da sigla em ingls de over-the-counter) ou em mercados organizados (bolsas).
Jorion (2009) ainda os classifica em duas categorias: os cujas funes de preos so
lineares em funo do preo do ativo-objeto; e os cujas funes so no-lineares.
No caso dos instrumentos com funes lineares sua simplicidade os tornou ao longo do
tempo os instrumentos mais populares. importante, no entanto, ressaltar diferenas
entre dois dos mais populares, os forwards e os futuros6.
Forward Futuro
Marcao a mercado Institucional Preo de ajuste oficial
Variaes de margens No h Diria
Risco de crdito Da instituio (contra- Praticamente inexistente
parte)
Riscos de negociao Maior exposio Maior liquidez
iliquidez
Custos de transao Menores custos Maiores custos diretos;
diretos; maiores custos menores custos indiretos
indiretos
Sensibilidade a financiamento Insensvel correlao Sensvel correlao
com as taxas de juros com as taxas de juros
Fonte: Taleb (1997).
O uso destes contratos futuros ainda hoje enraizado nas atividades agrcolas e
agroindustriais, at pela caracterstica destas indstrias de possurem um nvel de
incerteza mais significativo do que outras atividades. Estas incertezas podem tanto
serem associadas aos riscos idiossincrticos, como os riscos atrelados produo,
dependncia do clima e outros fatores naturais, como pragas, infestaes e doenas nas
lavouras, como aos riscos sistmicos, uma vez que estudos, como o de Bjornson e Innes
(1982), concluem que os ativos agrcolas apresentam elevado risco deste tipo,
6
Os swaps tm caractersticas de precificao mais complexas, mas podem ser simplificados em
contratos forward ou de futuros (Jorion, 2009).
24
Assim, alguns estudos definem como sendo muito importante a realizao de estratgias
de hedge dentro dos negcios agroindustriais, inclusive com evidncias empricas,
como no estudo de Shapiro e Brorsen (1988), que atravs de uma pesquisa com
produtores de gros do Estado de Indiana, nos EUA, apontam que as firmas que operam
em mercados futuros o fazem para ter menor exposio volatilidade de preos e para
reduzir seu endividamento.
Em linha geral, esta discusso terica pode ser subdividida em duas linhas: a que
presume as firmas como maximizadoras de seu valor de mercado e a linha que presume
as firmas como avessas ao risco.
Smith e Stulz (1985), trabalhando com uma amostra de grandes firmas de capital aberto
nos EUA, apontaram que a estratgia de no realizar hedges um comportamento
comum e estratgico no mpeto das empesas de maximizarem seu valor de mercado,
25
Por outro lado, Shapiro e Brorsen (1988) e Sanders e Baker (2012), entre outros,
apontam que a proteo frente volatilidade de preos dos amplos mercados de
commodities a principal razo para o uso de contratos futuros com a finalidade de
hedge.
Em uma linha mais emprica, como a de Shapiro e Brorsen (1988), Brown (1999)
alguns anos depois trabalhou com uma grande empresa com significativas exposies
em moedas estrangeiras e analisou sua atuao nos mercados derivativos para
gerenciamento de riscos de preos, concluindo que algumas explicaes acadmicas
tradicionais quanto a porque as empresas mitigam riscos com derivativos no se
aplicavam na prtica.
Imerso a estas discusses, este trabalho tambm ter no empirismo a base de formao
de sua teoria, buscando entender como, dentro do setor sucroenergtico brasileiro, so
formadas as decises de hedge (venda de acar no mercado futuro), com especial
enfoque na questo temporal, to crucial para explicar o resultado final que a realizao
do hedge apresentar para elas, luz das especificidades provocadas pelo modelo de
precificao da cana-de-acar atravs da metodologia do Consecana, cuja bibliografia
de referncia tratada na sequncia.
26
O mais recente estudo (PECEGE, 2012a) contou com uma amostra equivalente a um
quinto da produo do Centro-Sul, contemplando usinas categorizadas em regies
denominadas Tradicional, delimitada pelos Estados de So Paulo, Paran e Rio de
Janeiro e Expanso, pelos Estados de Gois, Minas Gerais, Mato Grosso do Sul e
oeste de So Paulo.
Do que do maior interesse deste estudo, notamos pelos dados contidos na Tabela 4
que a cana-de-acar representou aproximadamente 69% do total dos custos de
produo do acar branco e do acar VHP e aproximadamente 70% do total dos
custos de produo do etanol anidro e do etanol hidratado.
Categoria Descrio
(I) Aquisio vista Ocorre quando no h contrato de entrega de cana-de-
acar por um fornecedor a uma usina compradora e a
negociao ocorre mediante condio de entrega imediata.
(II) Parceria agrcola Contrato que, geralmente, tem a durao de 6 anos,
referente viabilidade de cortes da cana-de-acar, onde o
Parceiro Proprietrio responsabiliza-se pela posse e o
uso das terras em parceria, pagamento de impostos ou
contribuies que incidam sobre a propriedade e sobre a
produo dela e a Parceira Agrcola (usina)
responsabiliza-se pela administrao de toda a propriedade
agrcola, coordenando a produo, do plantio at a
colheita, e entrega da cana colhida na usina.
(III) Fornecimento com CCT7 Contratos de fornecimento de matria-prima por parte de
produtores que tenham a condio de coordenar os
compromissos de plantio, de corte, de colheita, de
carregamento e de transporte, de modo que a cana-de-
acar entregue pelo fornecedor na usina (esteira).
(IV) Fornecimento sem CCT Contratos de fornecimento de matria-prima por parte de
produtores que tenham a condio de coordenar os
compromissos de plantio, mas em que o corte, o
carregamento e o transporte ficam por conta da usina, ou
seja a cana-de-acar est disponvel para retirada por
parte da usina no campo.
(V) Produo em rea prpria Arranjo em que a usina produz a matria-prima cana-de-
acar em suas prprias propriedades.
Elaborao prpria, com informaes de Pedroso Jr. (2008).
Sua relao direta nos arranjos III e IV, sendo o produtor agrcola remunerado de
acordo com o volume de ATR produzido em suas propriedades, ou seja, o preo (bruto,
7
(Custos) de Corte, Carregamento e Transporte CCT.
29
Onde:
O preo deste quilograma de ATR, que rege os preos da cana-de-acar nos arranjos
acima citados, calculado com base nos fatores de converso estequiomtricos do ATR
em produtos finais comercializveis pelas usinas, a saber, o acar branco (AB), o
acar VHP (AVHP), o etanol anidro (EA) e o etanol hidratado (EH), e com base em
uma participao da matria-prima sobre o custo total dos produtos, conforme acordo
celebrado pelos associados do Consecana-SP, o que desde a safra 2005/06
representado pela parcela de 59,50% para o acar e 62,10% para o etanol (Consecana,
2006).
3 AMOSTRA E METODOLOGIA
3.1 Amostra
O rol de unidades produtoras que compe esta amostra bastante variado, com unidades
com capacidade de moagem diria que variam entre 7.200 toneladas de cana por dia a
8
O contrato de acar branco da London International Financial Futures and Options Exchange (Liffe)
atualmente NYSE/Euronext, pode ser usado para operaes envolvendo vendas de acar branco do tipo
refinado, o que no tratado e no compe a amostra deste estudo.
9
Para a regio Centro-Sul do Brasil o ano-safra estende-se entre os meses de abril de um ano at maro
do ano seguinte.
10
Total estimado conforme informaes cedidas e divulgadas pelas unidades produtoras da amostra.
32
at 24.000 toneladas de cana por dia. H, ademais, unidades produtoras nicas dentro de
uma mesma empresa e tambm unidades produtoras pertencentes a uma mesma
empresa e que possuam duas ou mais unidades produtivas.
Esta abordagem difere com a de estudos que trabalharam as relaes do par de variveis
de preos do acar e do etanol, como os trabalhos de Serra, Zilberman e Gil (2011) e
Bastian-Pinto, Brando e Hahn (2009), entre outros. A razo para isso a existncia de
um objetivo diferente neste estudo, uma vez que enquanto os trabalhos que analisam o
par de variveis acar e etanol buscam encontrar as relaes e vieses entre os preos
destes dois produtos ao longo do tempo, a anlise proposta neste trabalho no tem
enfoque nas relaes dos preos do acar e da cana-de-acar ao longo do tempo, mas
sim no comportamento destas empresas frente ao risco de preos ao longo de cada ao
de fixao o que no necessariamente representar um vis temporal de comportamento.
As aes de fixao ocorrem pela vontade nica e exclusiva da unidade produtora, que
pode sempre realizar sua fixao, respeitando apenas as limitaes impostas de prazo
temporal mnimo e mximo, conforme estabelecido no arranjo contratual da venda de
acar junto contraparte compradora. No momento em que esta ao se realiza a
unidade produtora estabelece o compromisso de vender um volume determinado de
33
Ainda assim, mais importante que os dois argumentos acima, a escolha por uma amostra
limitada somente ao hedge estritamente fsico torna-se mais relevante por ser reveladora
de caractersticas operacionais das firmas, uma vez que somente os SEOs e/ou AAs
formaro os preos efetivos de faturamento das vendas de acar, os quais neste estudo
sero confrontados com o componente mais relevante dos custos de produo, com o
objetivo de mensurar e analisar a tomada de riscos por parte das usinas em cima destas
decises de fixao.
Cada fixao, seja ela atravs de SEO ou AA, acontece em um momento especfico do
tempo. Para o caso das SEO elas ocorrem conforme uma oferta de venda de um
vendedor, definida por um volume e preo especficos, encontra nos sistemas
34
Os AA (ex-pit) diferem de ordens dentro do mercado (caso das SEO) uma vez que
ocorrem fora do prego, no sofrendo influncia do mercado (Marques, De Mello e
Martines, 2006). So utilizadas na transferncia de posies dos livros entre partes que
negociam a mercadoria fsica, como no caso especfico deste trabalho, entre as firmas
que compem a amostra e suas contrapartes compradoras de acar.
Diante destas duas variveis, uma terceira poder ser calculada, sendo a varivel dae, ou
dias antes da entrega, ou seja, h quantos dias antes da entrega a fixao foi realizada.
Alm das estatsticas descritivas, a variabilidade de dae tambm pde ser examinada
pelo histograma abaixo (Grfico 1), calculado com intervalos de 25 dias, e que permitem
observarmos graficamente que a maior concentrao das fixaes foram realizadas
dentro do intervalo de 0 a 400 dias antes da entrega.
Elaborao prpria.
36
Dentro de mercados organizados, como o caso da bolsa ICE para os contratos futuros de
acar bruto, e do ponto de vista dos operadores, o senso de risco de uma posio pode
de uma maneira simplista ser mensurada por uma medida estatstica bastante conhecida
a volatilidade. Ela usada para mensurar a variabilidade dos retornos de um ativo e a
metodologia conhecia apresenta diversas formas de calcul-la com este intuito.
O fato de ser uma medida que mensura retornos passados torna-a limitada para definir
perspectivas futuras, ainda que seja bastante usada com este propsito, pela
simplicidade de clculo e por apresentar eficincia em momentos de calmaria nos
mercados (Taleb, 1997). O nmero de perodos usados nas sries , por exemplo, um
dos pontos de discrdia entre operadores e, com isso, contribui para a existncia de um
mercado (Taleb, 1997). Mais usualmente, em mercados de negociao diria,
operadores trabalham com volatilidades de 5-dias, 10-dias e 30-dias, como referncia de
volatilidades de curto-prazo, e que possuem maior influncia sobre as decises de
traders no mercado.
11
O contrato futuro #11 da bolsa ICE-NY tem seu volume estipulado em 112.000 libras-peso, equivalente
a 50,8025 toneladas mtricas.
12
Taleb (2006) sugere trabalhar com o desvio-padro com base nos valores passados do ativo e no pelo
desvio-padro calculado sobre a mdia das ltimas observaes porque este se aproxima mais dos
retornos esperados para as carteiras de operadores.
37
13
A maior utilizao de derivativos para proteo de riscos sistmicos (Sharpe, 1964), inclusive,
defendida por autores como Bjornson e Innes (1982), Shapiro e Brorsen (1988) e Sanders e Baker (2012),
por exemplo.
38
Por fim, para cada empresa definida por um cdigo especfico cod_empresa que tenha
realizado a ao de fixao, so apuradas variveis que caracterizam estas firmas por
localizao geogrfica, tamanho, caractersticas produtivas e societrias. Com estas
variveis objetiva-se apurar as caractersticas peculiares de cada empresa que realizou
cada ao de fixao e verificar se estas caractersticas de cada uma das unidades
produtivas exerce algum tipo de influncia sobre a realizao de aes de fixao de
preos14. Estas variveis so moagem-safra (capacidade de moagem estimada para a
safra 2013/14); moagem-dia (capacidade instalada de moagem diria estimada para a
safra 2013/14); area (rea estimada com plantio de cana-de-acar, prprio, arrendado
e/ou de fornecedores15 estimada para a safra 2013/14); prod_ac (produo estimada de
acar na safra 2013/14); ac_me (produo comercializada ao mercado externo atravs
de fixaes na bolsa ICE-NY, definida pelo volume total de lotes negociados na bolsa
em operaes de venda); sp (varivel dummy definindo a localizao geogrfica da
firma sendo no Estado de So Paulo ou outro); vhp (varivel dummy caracterizando a
firma como produtora ou no de acar do tipo VHP); bco (varivel dummy
caracterizando a firma como produtora ou no de acar do tipo branco, refinado e/ou
cristal); mi (varivel dummy caracterizando a firma como habilitada ou no a negociar
acar dentro do mercado domstico brasileiro); e familiar (varivel dummy que
define a empresa como familiar ou no, conforme metodologia proposta por Flren
(2002) apud Mizumoto e Sae (2009)16).
14
Um exemplo de anlise emprica que aponta variveis descritivas de empresas como explicativas
adoo de estratgias de hedge em mercados futuros realizada por Collins (1997) com uma amostra de
produtores, processadores e intermediadores de gros no Meio-Oeste dos EUA.
15
Pedroso Junior e Zylbersztajn (2008) fazem um estudo comparando os diferentes tipos de arranjos
institucionais de fornecimento de cana-de-acar observados no Centro-Sul do Brasil.
16
Segundo Flren (2002) a empresa agrcola pode ser reconhecida como familiar se preencher um dos
trs requisitos seguintes: (i) uma famlia possuir mais de 50 porcento das aes de uma firma; (ii) uma
famlia exercer significativa influencia nas decises estratgicas da firma ou no que toca a sucesses; e/ou
(iii) ao menos dois membros da Diretoria Executiva ou Conselho Administrativo so de uma mesma
famlia.
39
Assim, com o objetivo de reunir indicadores que sejam uma proxy dos custos
produtivos do setor e que tero importncia dentro do modelo deste trabalho, duas sero
as variveis coletadas no momento da produo e entrega do acar ao comprador,
dentro de um corte temporal mensal: o px_atr_entrega, ou preo da quilograma de
ATR dentro do ms da entrega do acar; e o px_avhp, ou preo do acar VHP,
equivalente em centavos de dlares estadunidenses, considerando algumas premissas
descritas a seguir.
Para clculo do px_avhp dentro deste modelo utilizam-se os preos divulgados pelo
Consecana que definiram o preo do quilograma de ATR, mas no na base PVU, como
o divulgado por esta instituio (Consecana, 2012), mas em uma aproximao de seu
valor FOB. Esta transformao fundamental para o modelo proposto neste estudo, em
que esta varivel calculada ser contraposta com outra varivel calculada, proxy das
receitas destas firmas, estando ambas na mesma base, ou seja, referente a acar tipo
VHP, FOB no porto de Santos-SP e cotado em centavos de dlares estadunidenses por
libra-peso.
Esta aproximao feita com base na premissa de que o frete mdio na safra 2013/14
para as usinas que compem a amostra foi de R$ 100,00 por tonelada mtrica
transportada, que os acares foram negociados em mdia sem prmios ou descontos
17
O sistema de produo agrcola e arranjos contratuais de venda da cana-de-acar tm como principal
referncia Consecana (2006) e so tambm analisados por Neves, Waack e Marino (1998), enquanto os
processos industriais de produo de acar e etanol so analisados por De Paiva e Morabito (2007).
40
Assim, o px_avhp em uma base FOB (estimada pela metodologia inversa da observada
em Consecana, 2012) ser dado em centavos de dlares estadunidenses por libra-peso
atravs da equao abaixo18:
Onde:
Quanto aos valores divulgados pelo Consecana dos produtos finais comercializados, em
especial o acar VHP, e que formam o preo mensal da cana-de-acar, importante
analisar sua metodologia de apurao, que nevrlgica e refora a relao
determinstica entre o comportamento de preos do acar na bolsa ICE e o custo da
cana-de-acar.
18
feito o inverso do clculo divulgado em Consecana (2012) para levar o preo do acar utilizado para
precificao da cana-de-acar da base PVU em reais para a base FOB em dlares.
41
Cada ao de fixao ter consigo dois momentos distintos no tempo e a relao mais
importante diante dos objetivos deste estudo ser a que relaciona a varivel px_fix,
definida no momento em que a empresa executa a venda na bolsa, com a px_avhp,
definida na entrega do produto acabado. Ela relevante por ser uma proxy da margem
de venda de acar onde px_avhp seria a proxy de custo de produo.
Esta varivel calculada apresentar uma estimativa de retorno obtido pela ao de venda
de acar no mercado futuro, expresso pelo preo px_fix, ante uma referncia do preo
da cana-de-acar utilizada para a produo deste volume de acar, expresso pelo
preo px_avhp.
Esta opo reside sobre as premissas de que o logaritmo (neperiano) do retorno ter
necessariamente distribuio log-normal (Hudson e Gregoriu, 2010), uma vez que:
42
Elaborao prpria.
Elaborao prpria.
No entanto anlises simplistas que tentem apurar uma relao determinstica de uma
varivel sobre outra poderiam incorrer em concluses precipitadas, sobretudo diante das
44
limitaes da amostra deste estudo, que coletou aes de fixaes de apenas um ano-
safra. Uma equao buscando explicar o logreturn em funo de dae poderia ser dada
por:
Este resultado , no entanto, muito influenciado pelo curto perodo de tempo de onde as
amostras foram coletadas (apenas um ano-safra) e, portanto, muito influenciado pelo
vis dos preos do acar neste perodo de tempo, onde observamos que houve uma
tendncia clara de decrscimo dos preos do acar ao longo perodo entre a primeira
ao de fixao (13/12/2010) at o ltimo dia do ano-safra (28/3/2013), conforme o
Grfico 4.
38
36
ICE SUGAR #11 CONTRACT (USD cents / pound)
34
32
30
28
26
24
22
20
18
16
dez'10 mar'11 jun'11 set'11 dez'11 mar'12 jun'12 set'12 dez'12 mar'13
19
O grfico foi elaborado com os preos (abertura, mxima, mnima e fechamento) dos contratos com
vencimento mais prximos negociados na ICE em cada um dos dias da srie (de 13/12/2010 a 28/3/2013).
45
Assim, a metodologia que ser explorada na prxima subseo 3.2 abordar as variveis
logreturn e dae de forma separada, sendo elas consideradas variveis de interesse e,
portanto, dependentes. As demais variveis descritas na seo 3.1 e resumidas na Tabela
8 abaixo sero encaradas como variveis explicativas destas duas, levantando, assim,
modelos mais completos e isentos de relaes como as supracitadas que podem ser
consideradas esprias. Alm da descrio destas variveis so trazidas a expectativa dos
coeficientes que poderamos encontrar nos modelos propostos baseada nas hipteses
dos textos analisados na bibliografia.
20
Devido a este estudo tratar especificamente do setor sucroenergtico em uma abordagem diferenciada,
no houve uma expectativa prvia em relao aos coeficientes lineares de algumas das variveis
explicativas.
46
3.2 Metodologia
Sobre a amostra e as informaes coletadas nas variveis acima descritas, ser proposto
um modelo para explorar o comportamento das usinas do Centro-Sul do Brasil frente
atividade de hedge.
Elaborao prpria.
Neste modelo proposto cada ao de fixao foi considerada um evento nico, que
compe a populao da anlise e traz consigo informaes das empresas e do mercado
49
no momento em que a fixao foi realizada. Apesar de a questo temporal ser essencial,
optou-se por no trabalhar com modelos de sries temporais ou em painel, uma vez que
no h variabilidade observada nas caractersticas das empresas ao longo do tempo21.
Sendo assim, a opo foi a de trabalhar com um modelo de regresso linear atravs do
mtodo de mnimos quadrados ordinrios (ou OLS, da sigla em ingls de ordinary least
squares). Desta forma encarou-se cada evento de fixao como uma observao da
amostra e atravs de regresses OLS buscou-se o modelo mais adequado para explicar a
variabilidade de logreturn e dae (variveis de interesse) atravs das demais variveis
explicativas.
Alm da multicolinearidade, no somente neste, mas em outros modelos que sero aqui
descritos, houve presena de heterocedasticidade. Esta caracterstica que sinaliza
varincias inconstantes do erro fere uma das premissas bsicas das regresses lineares
por OLS, podendo culminar em regressores viesados e inconclusivos. Em cada um dos
modelos ela foi testada atravs do teste de Breusch-Pagan / Cook-Weisberg 22 , que
estipula como hiptese nula que todas as varincias dos erros so iguais e como
hiptese alternativa que as varincias so uma funo multiplicativa de uma ou mais
variveis.
21
As justificativas para esta abordagem atemporal onde as unidades experimentais so cada uma das
1.138 aes de fixao reconhecidas na amostra so abordadas na subseo 3.1.
22
Referncias: BREUSCH, T.S.; PAGAN, A.R. (1979). Simple test for heteroscedasticity and random
coefficient variation. Econometrica (The Econometric Society); e COOK, R.D.; WEISENBERG, S.
(1983). Diagnostics for heteroscedasticity in regression. Biometrika Trust, 1983.
50
23
que os das regresses lineares no-robusta em casos de evidncia de
heterocedasticidade.
A medida VIF determinar quanto a varincia foi inflacionada por conta do regressor k
ser ortogonal s demais regresses. E, assim, segundo Baum (2006), por regra de
experincia pode-se evidenciar a existncia de colinearidade quando VIF apresenta
valores superiores a 10.
Para estas mesmas regresses foram encontradas diversas com VIF superior a 10, sendo
razo para descartar este modelo como plausvel de nos apontar regressores no-
viesados e conclusivos.
Na regresso OLS cruzando todas as variveis explicativas dos grupos de (A) a (D)
obtivemos os seguintes VIFs quando explicando logreturn e dae (Tabela 10):
23
O assunto regresso robusta pode ser melhor explorado em LI, G. (1985). Robust regression. In
Exploring Data Tables, Trends, and Shapes, ed. D. C. Hoaglin, F. Mosteller, and J. W. Tukey, Wiley.
51
Descartando o modelo que utiliza todas as variveis independentes para explicar dae e
logreturn a alternativa foi excluir alguns destes grupos de variveis em novos
modelos, comparando-os, com o intuito de encontrar um modelo que eliminar a
multicolinearidade.
Assim, o segundo passo foi trabalhar com modelos contendo trs dentre os quatro
grupos de variveis disponveis, cruzando estes grupos de variveis das quatro maneiras
possveis, conforme a Tabela 11.
Assim, optou-se por traar modelos que explicassem dae e logreturn com apenas
dois grupos de variveis explicativas. O cruzamento de grupos de variveis foi seletivo,
no cruzando todos os grupos possveis. A seleo ocorreu de acordo com a semelhana
dos efeitos carregados entre os diferentes grupos. Por exemplo, pode-se afirmar que o
grupo (A) de dummy das empresas traz consigo caractersticas muito semelhantes ao
grupo (B) variveis das empresas, de modo que uma regresso cruzando as variveis
(A) e (B) obteriam regressores viesados. De forma semelhante tambm se optou por no
testar regresses cruzando o grupo de variveis (C) dummy do ms de fixao e (D)
variveis de mercado e relativas fixao.
Prosseguindo, ento, foram confrontadas as variveis dos grupos (B) variveis que
caracterizavam as empresas da amostra e (C) dummies que caracterizavam o momento
no tempo em que estas fixaes ocorreram.
53
as variveis das empresas (B), visto que a Tabela 14 confirma que apenas estas
variveis, que dimensionam as unidades produtivas, apresentaram VIF superior a 10.
Assim, optou-se por isolar cada uma destas variveis de dimenso produtiva dentro de
quatro submodelos confrontando cada uma delas com as demais variveis descritivas
das empresas (B) e tambm as variveis de mercado (D).
Com isso foi possvel identificar que a multicolinearidade entre as variveis deixou de
ser evidente e, comparativamente, os quatro submodelos apresentaram R2 (ajustado)
muito semelhante, conforme descrito na Tabela 15.
55
Portanto, diante de todos os modelos testados, os que podem ser considerados mais
adequados para explicar a variabilidade das variveis logreturn e dae por no
apresentarem multicolinearidade entre suas variveis so os modelos 7 e cada um dos
submodelos do modelo 8, que para uma melhor organizao, sero numerados como 8.1
aquele que isolou moagemsafra; 8.2 aquele que isolou moagemdia; 8.3 aquele que
isolou prod_ac; e 8.4 aquele que isolou area.
emp_1030; emp_1031;
emp_1033; emp_1034;
emp_1035; (dummies de
identificao das
empresas) vol_fix; px_fix;
stdev_5d; stdev_10d;
stdev_30d; usdbrl_ptax;
px_atr_fix; cdi_fix;
libor6m_fix
dae emp_1003; emp_1004; Nenhuma 0,8285
emp_1005; emp_1020;
emp_1022; emp_1023;
emp_1024; emp_1025;
emp_1027; emp_1029;
emp_1030; emp_1031;
emp_1033; emp_1034;
emp_1035; (dummies de
identificao das
empresas) vol_fix; px_fix;
stdev_5d; stdev_10d;
stdev_30d; usdbrl_ptax;
px_atr_fix; cdi_fix;
libor6m_fix
8.1 logreturn vol_fix; px_fix; stdev_5d; Nenhuma 0,6168
stdev_10d; stdev_10d;
stdev_30d; usdbrl_ptaxask;
px_atr_fix; cdi_fix;
libor6m_fix; moagemsafra;
ac_me; sp; vhp; bco; mi;
familiar
dae vol_fix; px_fix; stdev_5d; Nenhuma 0,8186
stdev_10d; stdev_10d;
stdev_30d; usdbrl_ptaxask;
px_atr_fix; cdi_fix;
libor6m_fix; moagemsafra;
ac_me; sp; vhp; bco; mi;
familiar
8.2 logreturn vol_fix; px_fix; stdev_5d; Nenhuma 0,6106
stdev_10d; stdev_10d;
stdev_30d; usdbrl_ptaxask;
px_atr_fix; cdi_fix;
libor6m_fix; moagemdia;
ac_me; sp; vhp; bco; mi;
familiar
dae vol_fix; px_fix; stdev_5d; Nenhuma 0,8178
stdev_10d; stdev_10d;
stdev_30d; usdbrl_ptaxask;
px_atr_fix; cdi_fix;
libor6m_fix; moagemdia;
ac_me; sp; vhp; bco; mi;
familiar
8.3 logreturn vol_fix; px_fix; stdev_5d; Nenhuma 0,6113
stdev_10d; stdev_10d;
stdev_30d; usdbrl_ptaxask;
px_atr_fix; cdi_fix;
libor6m_fix; prod_ac;
ac_me; sp; vhp; bco; mi;
familiar
dae vol_fix; px_fix; stdev_5d; Nenhuma 0,8155
stdev_10d; stdev_10d;
stdev_30d; usdbrl_ptaxask;
px_atr_fix; cdi_fix;
libor6m_fix; prod_ac;
57
4 RESULTADOS
Sob a amostra e os modelos definidos na seo 3 a anlise dos resultados das regresses
OLS propostas identificaro os fatores de variabilidade de logreturn e dae. A
organizao desta seo seguir uma proposta diferente da seo anterior, em que os
modelos foram sendo testados conjuntamente para ambas as variveis dependentes.
Aqui, primeiramente sero identificados os fatores da variabilidade de logreturn e,
depois, de dae.
Retomando o que foi descrito acerca das variveis na subseo 3.1, logreturn a
varivel utilizada como proxy de retorno financeiro para as empresas que compem a
amostra. Ela confronta o preo de venda de acar, em que as empresas utilizam-se de
contratos futuros da bolsa ICE, com o preo da cana-de-acar, dentro da amplamente
utilizada no Centro-Sul do Brasil metodologia do Consecana, ou seja, a principal
varivel de receita versus a principal varivel de custo de uma usina.
58
Algumas proposies em relao a este retorno podem ser feitas, tanto do ponto de vista
da agregao de valor como em relao averso a risco por parte das empresas. A
mais importante delas, sinalizada pela distribuio destes log-retornos presente no
Grfico 2, de que as empresas no tm um comportamento evidente de averso a risco
em sua atividade de hedge, o que demonstrado por no haver uma distribuio normal
em torno do log-retorno igual a zero.
Linhas de pesquisa futuras poderiam buscar formas de conciliar estes dois arranjos,
buscando propor aes que visassem efetivamente proteger as empresas do setor frente
volatilidade de preos, conforme proposto por Shapiro e Brorsen (1998), Chance
(1998), Sanders e Baker (2012), entre outros. Esta proposio passaria necessariamente
por definir os preos de venda do acar, o que est sob o controle da empresa em uma
perspectiva temporal, o mais prximo possvel do preo de formao do custo da cana-
de-acar na metodologia Consecana, o que est fora do controle da empresa.
Mas, trabalhando com a evidncia de que, assim como nas anlises empricas de Collins
(1997), Smith e Stulz (1985) e Brown (1999), observamos um comportamento
maximizador do valor da firma na atuao em mercados futuros para a venda de acar,
faz-se mister a apurao dos fatores que influenciam positivamente e negativamente o
log-retorno, conforme proposto neste estudo.
Assim, quanto s variveis explicativas, primeiramente foi notvel que as dummies das
empresas, trabalhada apenas no modelo 7 visando controlar a variabilidade de
logreturn de acordo com a firma que realizou a fixao, apresentaram-se como no
59
Entrando mais a fundo em algumas caractersticas descritivas das empresas, o que foi
tratado atravs das variveis explicativas especficas dos submodelos 8.1, 8.2, 8.3 e 8.4,
notamos que apenas as variveis ac_me referente ao volume de acar efetivamente
comercializado com o mercado externo, sp referente localizao geogrfica da usina
(dummy com valor 1 para empresas de SP e 0 para empresas de fora de SP) e vhp
dummy referente a se a empresa produz (1) ou no (0) acar do tipo VHP se mostraram
no significantes na maior parte dos modelos aplicados.
Ainda nestes submodelos, a varivel dummy que definiu as fixaes como advindas de
empresas com capacidade de produo de acar branco (bco) apresentou coeficiente
negativo em todos os modelos, enquanto a varivel dummy que definiu as empresas
como capacitadas de negociar acar no mercado domstico (mi) apresentou em alguns
modelos coeficiente positivo e em outros negativo, impossibilitando uma concluso
mais definitiva sobre a influncia desta ltima caracterstica sobre o retorno advindo das
fixaes de acar. Quanto capacidade de produo de acar branco, a amostra
sinaliza que empresas em que esta caracterstica presente tenderam a ter retornos mais
baixos da comercializao de acar no mercado externo.
Quanto a varivel dummy que define a empresa que realizou a fixao como familiar,
segundo metodologia proposta por Flren (2002, apud Mizumoto e Saes, 2009), se nota
que em todos os quatro submodelos ela se mostrou significativa e positiva,
corroborando com a tese de Mizumoto e Saes (2009) de que firmas familiares possuem
caractersticas que as tornam capazes de maximizar valor frente a firmas no familiares.
60
Por fim, no que toca s taxas de juros da economia, selecionando como referencial
domstico a taxa CDI-overnight (cdi_fix) e externa a Libor de 6 meses
(libor6m_fix) nos momentos em que as fixaes se realizam, notamos que os
61
Modelo
Varivel explicativa24 7 8.1 8.2 8.3 8.4
emp_1003 4.31 -- -- --
(0.000) --
emp_1020
-2.47 -- -- -- --
(0.014)
emp_1023
-2.52 -- -- -- --
(0.012)
emp_1025 -4.93 -- -- -- --
(0.000)
emp_1029 -1.74 -- -- -- --
(0.083)
emp_1031
4.69 -- -- -- --
(0.000)
emp_1033
-3.47 -- -- -- --
(0.001)
emp_1035 -2.04 -- -- -- --
(0.042)
px_fix 0.0120 0.0124 0.0125 0.0123 0.0125
(0.000) (0.000) (0.000) (0.000) (0.000)
stdev_10d
0.0184 0.0204 0.0184 0.0193 0.0193
(0.000) (0.000) (0.000) (0.000) (0.000)
stdev_30d
0.0047 0.0058 0.0058 0.0062 0.0060
(0.045) (0.015) (0.015) (0.010) (0.013)
px_atr_fix -0.2525 -0.1778 -0.1831 -0.1925 -0.1622
(0.000) (0.001) (0.000) (0.000) (0.002)
cdi_fix -0.0226 -0.0317 -0.0284 -0.0259 -0.0308
(0.062) (0.009) (0.019) (0.032) (0.000)
libor6m_fix 0.0544 0.0585 0.0550 0.0582 0.0590
(0.000) (0.000) (0.000) (0.000) (0.000)
var. dimenso25 -- -1.07e -08
-2.07e -06
-1.59e -07
-6.21e-07
24
As variveis nomeadas com a grafia emp_(cdigo numrico) se referem s dummies de empresas.
25
Para modelo 8.1: moagemsafra; para 8.2: moagemdia; para 8.3: prod_ac; e para 8.4: area.
62
bco
-0.0236 -0.0207 -0.0195 -0.0259
-- (0.000) (0.000) (0.000) (0.000)
mi 0.0127 0.0127 0.0168 0.0133
-- (0.000) (0.000) (0.000) (0.000)
familiar 0.0181 0.0177 0.0246 0.0189
-- (0.000) (0.000) (0.000) (0.000)
2
R -ajustado 0.6393 0.6113 0.6106 0.6113 0.6062
Elaborao prpria.
A varivel dae incorpora o tempo nos modelos propostos de uma forma peculiar, o que
requereu que trabalhssemos com um modelo OLS e no com modelos de sries
temporais ou dados em painel. Esta varivel veio para medir o intervalo de tempo entre
a execuo da fixao e a data da produo, entrega e faturamento do acar, ou seja, a
antecipao da fixao ante a entrega do produto, e especialmente relevante porque
muito se pode concluir da definio dos fatores que influenciam sua variabilidade.
Os mesmos modelos aplicados para explicar a variabilidade de logreturn (7, 8.1, 8.2,
8.3 e 8.4) foram utilizados para a variabilidade de dae. E no que toca s variveis
explicativas, um primeiro resultado foi que 10 das 15 dummies de controle das empresas
que realizaram a fixao se mostraram no significantes (p-valor > 5%), ou seja,
tambm no possvel definir a variabilidade de dae atravs das diferentes firmas
presentes na amostra.
Ainda analisando o impacto das variveis descritivas das unidades que realizaram as
fixaes, a varivel bco apontou que unidades que produzem acar branco tambm
tenderam a antecipar mais suas fixaes (coeficientes lineares negativos), a varivel mi
apontou que unidades capazes de comercializar acar (tambm) no mercado domstico
tenderam a antecipar menos suas fixaes (coeficientes lineares positivos) e a varivel
familiar apontou que unidades familiares, segundo definio de Flren (2002, apud
Mizumoto e Saes, 2009), tenderam a antecipar menos suas fixaes (coeficientes
lineares positivos).
Modelo
26
Varivel explicativa 7 8.1 8.2 8.3 8.4
emp_1020 -2.46 -- -- -- --
(0.014)
emp_1025 -4.33 -- -- -- --
(0.000)
emp_1029
-2.17 -- -- -- --
(0.030)
emp_1031
2.52 -- -- -- --
(0.012)
emp_1035 -2.79 -- -- -- --
(0.005)
px_fix -23.5690 -23.0580 -22.7116 -23.2316 -22.6874
(0.000) (0.000) (0.000) (0.000) (0.000)
stdev_5d
40.5245 40.4836 44.0049 44.5070 43.5298
(0.001) (0.001) (0.000) (0.000) (0.000)
stdev_30d
90.4718 92.2246 92.1592 93.1451 92.3962
(0.000) (0.000) (0.000) (0.000) (0.000)
usdbrl_ptax_ask -379.3940 -351.7349 -340.2725 -343.9136 -348.2783
(0.000) (0.000) (0.000) (0.000) (0.000)
px_atr_fix -412.8551 -431.5525 -430.570 -381.5689
--
(0.028) (0.048) (0.048) (0.072)
cdi_fix
399.8461 411.6587 420.5148 427.2987 409.6630
(0.000) (0.007) (0.000) (0.000) (0.000)
libor6m_fix
77.6054 87.2490 78.0427 85.3544 90.3653
(0.000) (0.000) (0.018) (0.008) (0.005)
var. dimenso -2.86e-05 -0.0053 -2.93e-03 -0.0022
--
(0.000) (0.000) (0.000) (0.000)
sp -- -22.5374 -24.0901 -- -20.6705
26
As variveis nomeadas com a grafia emp_(cdigo numrico) se referem s dummies de empresas.
66
bco
-45.5776 -38.2663 -41.2043 -50.2694
--
(0.000) (0.000) (0.000) (0.000)
mi 22.8789 22.6418 28.7866 26.5089
--
(0.001) (0.001) (0.000) (0.000)
familiar 28.3634 25.7692 40.9229 27.1038
--
(0.000) (0.000) (0.000) (0.000)
2
R -ajustado 0.7404 0.8186 0.8178 0.8155 0.8178
Elaborao prpria.
5 CONCLUSES
O principal risco de preos a que estas empresas esto expostas definido como a
diferena entre as cotaes do acar pela fixao realizada (preo de venda) ante ao
preo que formar o custo da cana-de-acar, principal insumo produtivo, representando
algo da ordem de 70% do custo total de produo. Ou seja, cada ao de fixao define
o preo de venda, enquanto o preo de custo da matria-prima depender do
comportamento dos preos do acar, em alguma razo, dentro da metodologia
Consecana, mas no sabido pela empresa ex ante.
Assim, uma anlise emprica dos fatores que influenciam esta diferena das referncias
de preos da receita e do custo se mostram reveladoras do comportamento das empresas
frente atividade de hedge, bem como sinaliza fatores idiossincrticos e sistmicos que
possam influenciar o resultado e as decises destas empresas.
Este trabalho, ento, analisou uma amostra de 1.138 eventos de fixao ocorridos dentro
do ano-safra 2012/13, que se mostrou conclusivo do ponto de vista de verificar um
comportamento predominantemente maximizador de valor por parte das empresas em
suas atuaes no mercado futuro, antecipando mais ou menos sua fixao em relao
entrega (e faturamento) do produto de acordo com condies de mercado e
caractersticas especficas das empresas.
familiares tenderam a obter maiores retornos. Por outro lado, o preo do quilograma do
ATR (custo da cana-de-acar) no momento em que a fixao realizada, bem como a
taxa de juros domstica (CDI) se mostraram negativamente relacionadas. Enquanto, as
caractersticas das empresas quanto a capacidade industrial e agrcola, localizao
geogrfica (Estado de So Paulo ou no) e flexibilidade produtiva apresentaram tambm
coeficientes negativos.
Tambm foi apresentado modelo para explicar a variabilidade de quantos dias antes da
entrega as fixaes da amostra ocorreram, o que teve grande variabilidade, com fixaes
ocorrendo desde dias depois da entrega at mais de um ano antes da entrega de acar.
Esta varivel dependente se mostrou relevante do ponto de vista de identificar o
comportamento das empresas frente atividade de hedge, ou seja, a proposta medida de
antecipao da fixao ante a entrega e as variveis que a explica desenharo o
comportamento das empresas do setor frente atividade de hedge. Assim, o resultado
dos modelos apontou que as esta medida esteve positivamente relacionada com a
volatilidade do mercado na bolsa ICE, com as taxas de juros domstica e internacional,
bem como s caractersticas das empresas de serem familiares e negociarem (tambm)
acar no mercado interno. Por outro lado, houve relao negativa com o preo em
cents de dlares por libra-peso, taxa cambial dlar-real, preo do quilograma do ATR
(custo da cana-de-acar) no momento da fixao, bem como as caractersticas de maior
capacidade industrial e agrcola, localizao geogrfica (Estado de So Paulo ou no) e
flexibilidade produtiva quanto ao acar branco.
71
REFERNCIAS
BJORNSON, B., INNES, R. (1992). Risk and Return in Agriculture: Evidence from an
Explicit-Factor Arbitrage Pricing Model. Journal of Agricultural and Resource
Economics, Vol. 17, No. 2, pp. 232-252
CHANCE, D. (1998). Essays in Derivatives. John Wiley & Sons (ed.), 1998.
COYLE, B. T. (1992). Risk Aversion and Price Risk in Duality Models of Production:
A Linear Mean-Variance Approach. American Journal of Agricultural Economics, Vol.
74, No. 4 (Nov., 1992), pp. 849-859
72
HOLTON, Glyn A. (2004). Defining risk. Financial Analysts Journal, 2004, vol. 60, n.
6.
JIA, Jianmin; DYER, James S. A Standard Measure of Risk and Risk-Value Models.
Management Science, Vol. 42, No. 12 (Dec., 1996), pp. 1691-1705
JORION, Philippe. (2006). Value-at-risk: The new benchmark for managing financial
risk. 3rd ed. New York: McGraw-Hill Professional, 600 p.
JORION, Philippe. (2009). Financial risk manager handbook. 5 ed. New York: John
Wiley Trade, 752 p.
KIM, J., MALZ, A., MINA, J. (1999). LongRun Technical Document. 1st ed., New
York: RiskMetrics Group.
KIJIMA, M., MASAMITSU, O. Mean-risk analysis of risk aversion and wealth effects
on optimal portfolios with multiple investment opportunities. Annals of Operations
Research, Vol. 45, pp. 147-163
73
SERRA, T., ZILBERMAN, D., GIL, J. (2011). Price Volatility In Ethanol Markets:
Can Stock Building Mitigate Price Flutuations. European Review of Agricultural
Economics. Oxford University Press: 2011.
SHENG, H., KARCHER, C. & HUBERT JR., P. (2009). An Alternative Model of Risk
in Non-financial Companies Applied to the Brazilian Pulp and Paper Industry. Revista
Brasileira de Finanas, 2009, vol. 7, No. 3.
TALEB, Nassim. (1996). Dynamic hedging: managing vanilla and exotic options. John
New York: Wiley & Sons, 1996.
TRIANTIS, Alexander. (2000). Corporate risk management: Real options and financial
hedging. Journal of Applied Corporate Finance, 2000, vol. 13, issue 2, pp. 64-73.