FUNDAO GETULIO VARGAS

ESCOLA DE ECONOMIA DE SO PAULO

UNIVERSIDADE DE SO PAULO
ESCOLA DE AGRICULTURA LUIZ DE QUEIROZ
EMPRESA BRASILEIRA DE PESQUISA AGROPECURIA

BRUNO LEANDRO ZANETI

GERENCIAMENTO DE RISCOS DE MERCADO EM UMA PERSPECTIVA

CORPORATIVA: ANLISE DO SETOR SUCROENERGTICO NO BRASIL

SO PAULO
2013
 BRUNO LEANDRO ZANETI

GERENCIAMENTO DE RISCOS DE MERCADO EM UMA PERSPECTIVA

CORPORATIVA: ANLISE DO SETOR SUCROENERGTICO NO BRASIL

Dissertao apresentada Escola de

Economia de So Paulo da FGV, Escola
Superior de Agricultura Luiz de Queiroz
da USP e Embrapa como requisito para a
obteno do ttulo de Mestre em
Agroenergia.

Campo de conhecimento: Risco de

Mercado.

Orientadora: Prof. Dr. Mayra Ivanoff Lora

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.

Orientador: Mayra Ivanoff Lora

Dissertao (MPAGRO) - Escola de Economia de So Paulo.

1. Cana-de-acar - Brasil. 2. Economia agrcola - Brasil. 3. Risco

(Economia). 4. lcool como combustvel - Brasil. I. Lora, Mayra Ivanoff. II.
Dissertao (MPAGRO) - Escola de Economia de So Paulo. III. Ttulo.

CDU 620.91(81)
 BRUNO LEANDRO ZANETI

GERENCIAMENTO DE RISCOS DE MERCADO EM UMA PERSPECTIVA

CORPORATIVA: ANLISE DO SETOR SUCROENERGTICO NO BRASIL

Dissertao apresentada Escola de Economia de

So Paulo da FGV, Escola Superior de
Agricultura Luiz de Queiroz da USP e
Embrapa como requisito para a obteno do ttulo
de Mestre em Agroenergia.

Campo de conhecimento: Risco de Mercado.

Orientador: Prof. Dr. Mayra Ivanoff Lora

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

Agradeo a todos os professores, coordenadores, colaboradores e colegas de classe do

Mestrado Profissional em Agroenergia, em especial a minha orientadora Mayra Ivanoff
Lora e o professor Hsia Hua Sheng.

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

Este trabalho objetiva analisar e contribuir com o gerenciamento de riscos de preos

dentro da indstria sucroenergtica brasileira, mais especificamente da regio Centro-
Sul do pas, que a maior processadora de cana-de-acar de todo o mundo. Esta
indstria tem caractersticas peculiares, tanto quanto s formas de comercializao de
seus produtos finais notadamente o acar e o etanol quanto de sua estrutura de
custos, onde a cana-de-acar representa algo da ordem de 70% do custo total de
produo destes produtos. Assim, a proposio aqui implcita passa por uma abordagem
especfica para o gerenciamento de riscos de preos destas empresas, definindo como
principal fator de risco o distanciamento entre os preos das vendas de acar travados
em mercado organizado de futuros frente aos preos do acar apurados dentro da
metodologia Consecana e que formam os preos do principal insumo produtivo destas
empresas, a cana-de-acar. Assim, com uma abordagem emprica feita uma anlise
sobre uma amostra de 1.138 aes de fixaes de preos ocorridas durante o ano-safra
2012-13, revelando um comportamento de atuao no mercado futuro por parte destas
empresas de maximizao do valor da firma. Alm disso, sero identificados os
principais fatores idiossincrticos e sistmicos que influenciam o retorno que estas
empresas obtm da comercializao de acar para o exterior, bem como os fatores que
influenciam a tomada de deciso por parte destas empresas.

Palavras-chave: Cana-de-acar; Acar; Agronegcio; Risco corporativo; Risco de

mercado.
 ABSTRACT

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.

Keywords: Sugarcane; Sugar; Agribusiness; Corporate risk; Market risk.

 LISTA DE GRFICOS

Grfico 1 Histograma de distribuio das observaes da varivel dae .................... 35

Grfico 2 Histograma de distribuio das observaes da varivel logreturn ..... 43

Grfico 3 Grfico de disperso das variveis dae x logreturn ............................ 43

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 2 Tipos de contratos derivativos e funes ...................................................... 22

Tabela 3 Diferenas entre contratos forward e futuros ............................................... 23

Tabela 5 Arranjos institucionais de aquisio de cana-de-acar por usinas do Centro-

Sul do Brasil ................................................................................................................... 28

Tabela 6 Sumrio das observaes da varivel dae ................................................... 35

Tabela 7 - Sumrio das observaes da varivel logreturn ..................................... 42

Tabela 8 Quadro resumo com as variveis explicativas .............................................. 45

Tabela 9 Grupo de variveis classificadas para o modelo ........................................... 48

Tabela 10 VIF das variveis explicativas das regresses explicando logreturn e

dae superiores a 10 ........................................................................................................ 50

Tabela 11 Grupos de variveis independentes selecionadas nos modelos de trs grupos

de variveis ..................................................................................................................... 51

Tabela 12 Resumo dos testes de heterocedasticidade e multicolinearidade dos modelos

com trs grupos de variveis explicativas ...................................................................... 52

Tabela 13 - Resumo dos testes de heterocedasticidade e multicolinearidade do modelo

com os grupos de variveis explicativas (B) variveis das empresas e (C) dummies dos
meses de fixao ............................................................................................................. 53

Tabela 14 - VIF das variveis explicativas da regresso com os grupos de variveis

independentes (B) e (D) explicando logreturn e dae ........................................... 54
Tabela 15 Resumo dos resultados das regresses explicando logreturn e dae
atravs dos grupos (B) e (D) isolando variveis de dimenso das usinas do grupo (B) . 55

Tabela 16 Resumo dos modelos selecionados para anlise da variabilidade de dae e

logreturn................................................................................................................... 55

Tabela 17 Coeficientes lineares dos modelos explicativos de logreturn .............. 61

Tabela 18 Coeficientes lineares dos modelos explicativos de dae ............................ 65

Tabela 19 Resumo sinais coeficientes das variveis explicativas para logreturn. 66

Tabela 20 Resumo sinais coeficientes das variveis explicativas para dae ............... 67
 LISTA DE ABREVIATURAS E SIGLAS

ALCOPAR Associao dos Produtores de Bioenergia do Estado do

Paran
BIOSUL Associao dos Produtores de Bionergia de Mato Grosso
do Sul
CFaR Cash-flow-at-risk
CONSECANA Conselho de Produtores de Cana de Acar, Acar e
Etanol do Estado de So Paulo
EaR Earnings-at-risk
ICE Intercontinental Exchange
Incoterms International comercial terms
LIFFE London International Financial Futures and Options
Exchange
MAPA Ministrio da Agricultura, Pecuria e Abastecimento
ORPLANA Organizao de Plantadores de Cana da Regio Centro-
Sul do Brasil
PVU Posto-veculo-usina (equivale a ex-works no Incoterms)
SIAMIG Sindicato da Indstria de Fabricao do lcool no
Estado de Minas Gerais
SIFACAR Sindicato da Indstria de Fabricao de Acar do
Estado de Gois
SIFAEG Sindicato da Indstria de Fabricao de Etanol do
Estado de Gois
SINDALCOOL Sindicato das Indstrias Sucroalcooleiras do Estado do
Mato Grosso
SISERJ Sindicato da Indstria Sucroenergtica do Estado do Rio
de Janeiro
SUDES Sindicato da Indstria Sucroenergtica do Estado do
Esprito Santo
UNICA Unio da Indstria de Cana-de-acar
VaR Value-at-risk
VHP Very High Polarization (qualidade de acar)
FOB Free on board (termo Incoterm)
ALCOPAR Associao dos Produtores de Bioenergia do Estado do
Paran
BIOSUL Associao dos Produtores de Bionergia de Mato Grosso
do Sul
CCT Corte, Carregamento e Transporte (custo)
Cepea Centro de Estudos Avanados em Economia Aplicada
CFaR Cash-flow-at-risk
CONSECANA Conselho de Produtores de Cana de Acar, Acar e
Etanol do Estado de So Paulo
CONSECANA Conselho de Produtores de Cana de Acar, Acar e
Etanol do Estado de So Paulo
EaR Earnings-at-risk
Esalq Escola Superior de Agronomia Luiz de Queiroz
FOB Free on board (termo Incoterm)
IAA Instituto do Acar e do lcool
ICE Intercontinental Exchange
Incoterms International comercial terms
LIFFE London International Financial Futures and Options
Exchange
MAPA Ministrio da Agricultura, Pecuria e Abastecimento
ORPLANA Organizao de Plantadores de Cana da Regio Centro-
Sul do Brasil
Prolcool Programa Brasileiro do lcool
PVU Posto-veculo-usina (equivale a ex-works no Incoterms)
SIAMIG Sindicato da Indstria de Fabricao do lcool no
Estado de Minas Gerais
SIFACAR Sindicato da Indstria de Fabricao de Acar do
Estado de Gois
SIFAEG Sindicato da Indstria de Fabricao de Etanol do
Estado de Gois
SINDALCOOL Sindicato das Indstrias Sucroalcooleiras do Estado do
Mato Grosso
SISERJ Sindicato da Indstria Sucroenergtica do Estado do Rio
de Janeiro
SUDES Sindicato da Indstria Sucroenergtica do Estado do
Esprito Santo
UNICA Unio da Indstria de Cana-de-acar
USP Universidade de So Paulo
VaR Value-at-risk
VHP Very High Polarization (qualidade de acar)
 SUMRIO

1 Introduo ................................................................................................................. 14

2 Referencial terico .................................................................................................... 18

2.1 Gerenciamento de riscos de mercado no ambiente corporativo ........................ 20

2.2 Comportamento estratgico das firmas frente atividade de hedge ................. 24

2.3 Estrutura de custos do setor sucroenergtico ..................................................... 26

3 Amostra e Metodologia ............................................................................................ 30

3.1 Amostra ............................................................................................................. 31

3.1.1 Variveis Observadas no Momento da Fixao ......................................... 33

3.1.2 Variveis Observadas no Momento de Entrega ......................................... 39

3.1.3 Varivel de interesse calculada................................................................... 41

3.2 Metodologia ....................................................................................................... 48

4 Resultados................................................................................................................. 57

4.1 Explicando logreturn .................................................................................. 57

4.2 Explicando dae ................................................................................................. 62

5 Concluses ................................................................................................................ 69

Referncias ..................................................................................................................... 71
 14

1 INTRODUO

A histria do cultivo e processamento da cana de acar (Saccharum officinarum) no

Brasil se inicia no sculo XVI, quando os portugueses introduziram esta cultura nas
regies dos atuais estados de Pernambuco e So Paulo, formando o segundo ciclo
econmico do perodo colonial, aps o declnio do ciclo do pau brasil. A partir de ento
este setor vivenciou momentos de crise, com a introduo do cultivo de cana de acar
no Caribe e a introduo da tecnologia francesa de obteno de acar a partir da
beterraba (Braunbeck, 2005).

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

produo de 35,925 milhes de toneladas de acar (maior produtor mundial) e 22,682

bilhes de litros de etanol (segundo maior produtor mundial) no ciclo 2011/121.

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).

No diferentemente de outros setores, as firmas do setor sucroenergtico esto imersas

em diferentes categorias de riscos. Entrando mais especificamente na realidade destas,
pode-se destacar o fato de que so empresas que negociam produtos finais sem
diferenciao, caracterizados como commodities, e cujas cotaes possuem
comportamento de preos prprios, condicionando estas firmas condio de price-
takers. Esta condio pe grande relevncia em como estas firmas mensuram e mitigam
seus riscos de preos, seja no mbito dos produtos vendidos ou no mbito do custo de
suas matrias primas.

Segundo PECEGE (2012a) o custo do insumo cana-de-acar representou 69% do custo

total de produo dos acares tipo VHP2 e branco e 70% do custo total de produo do
etanol anidro e do etanol hidratado, sendo a categoria mais relevante na safra 2011/12.
Esta proporo tende a ter pequenas variaes ao longo de horizontes temporais
pequenos, sendo premissa para validade deste estudo a maior relevncia da cana-de-
acar enquanto insumo produtivo das firmas do setor.

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

e etanol, em diferentes mercados domstico e para exportao e em diferentes

qualidades VHP e bruto, para acar, e anidro e hidratado, para etanol.

No entanto, uma simples anlise de correlao de preos entre os diferentes produtos

comercializados pelas usinas, formadores dos preos da cana-de-acar nesta
metodologia, e o prprio custo da cana-de-acar ao longo dos trs ltimos anos-safra
evidencia que os preos destes dois produtos e deste insumo tm comportamentos
distintos, uma vez que no temos variveis perfeitamente correlacionadas entre si.

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-safra4

ATR AVHP ABME EAC EHC

ATR 1,00 0,86 0,40 0,78 0,92
AVHP 0,86 1,00 0,41 0,51 0,71
ABME 0,40 0,41 1,00 0,34 0,41
EAC 0,78 0,51 0,34 1,00 0,82
EHC 0,92 0,71 0,41 0,82 1,00
Fontes: Consecana, ICE-NY, Liffe-Londres e Cepea/Esalq-USP. Elaborao prpria.

No que toca s relaes entre os comportamentos dos preos do acar e do etanol,

Serra, Zilberman e Gil (2011), com dados de 2000 a 2008, apontam que estes produtos
tm preos positivamente correlacionados e que enquanto os preos do etanol so
exgenos aos preos do acar, os preos do acar no longo-prazo respondem s
relaes de paridade com o etanol. Bastian-Pinto, Brando e Hahn (2009) apresenta
outro estudo que explora as relaes entre os preos destes dois produtos e que apontam
que a maior flexibilidade produtiva por parte das firmas do setor agrega valor tanto para
as prprias firmas como tambm desejvel do ponto de vista de polticas setoriais.

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.

Assim, trabalhando com uma amostra de dezesseis unidades produtivas do Centro-Sul

do Brasil e com a observao de cada uma de suas fixaes de preos de venda futura
de acar no mercado da bolsa Intercontinental Exchange (ICE) ao longo da safra
2012/13, este estudo buscar empiricamente algumas respostas quanto ao
comportamento destas empresas em relao mitigao e tomada de riscos de preos.

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.

Em seguida, ser revista a bibliografia que foca no comportamento das firmas, em

especial as no-financeiras, diante da atividade de hedge, expondo a dicotomia entre as
anlises que caracterizam as firmas como mitigadoras de risco ou maximizadoras de
seus respectivos valores de mercado.

Ainda dentro da reviso bibliogrfica, visando embasar o modelo proposto que

contrape o preo fixado da venda de acar no mercado futuro contra o preo da cana-
de-acar dentro da metodologia Consecana, sero revistos artigos e publicaes que
competentemente apuram os custos de produo do acar (e dos demais produtos das
empresas processadoras de cana-de-acar) em unidades produtivas do Centro-Sul do
 18

Brasil. Justificando, assim, a anlise que atribui ao distanciamento entre os preos do

acar fixado e o da cana-de-acar como principal fator de risco de preos para as
firmas do setor, uma vez que a cana-de-acar, em si, representa aproximadamente 69%
do custo de produo do acar nas unidades produtivas desta regio (PECEGE,
2012a).

Na seo seguinte (terceira) se desenvolver a metodologia proposta neste trabalho,

passando pelo detalhamento da amostra coletada e do modelo proposto para esta anlise
emprica que visa apurar o comportamento destas empresas frente s vendas realizadas
atravs de mercado futuro. Em seguida, na quarta seo os resultados da aplicao do
modelo sobre a amostra sero descritos, trazendo luz a questes referentes ao
comportamento destas empresas frente atividade de hedge, ensaiando concluses
sobre os fatores sistmicos e idiossincrticos que influenciam o resultado da
comercializao de acar atravs de mercado futuro, bem como dos fatores que
influenciam a tomada de deciso por parte das empresas.

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

A anlise e mensurao de riscos tem um papel central e importante nas atividades

econmicas. A tomada de riscos parte essencial do papel do empreendedor em
economias capitalistas. Assim, no estranhamente, h grande disponibilidade de
literatura focada na mensurao e administrao dos diferentes riscos tomados pelos
agentes empreendedores (Hansson, 2012).

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.

Primeiramente so revistas as diferentes abordagens e a importncia do gerenciamento

de risco de preos em firmas no financeiras, chegando a concluso de que a utilizao
de contratos derivativos para mitigao destes riscos no consensual em diferentes
 19

setores e diferentes empresas. Especificamente em firmas agroindustriais nota-se que, a

despeito de historicamente fazerem parte do nascimento dos mercados organizados de
contratos derivativos (bolsas) e hoje estarem imersas em ambientes de elevadas
incertezas e volatilidade, o uso destes contratos derivativos no consensual.

As razes que levam as empresas a selecionarem se ativos com risco de preos so ou

no mensurados e mitigados no possui bibliografia muito extensa disponvel e h
evidncias de que certas concluses da academia desencontram-se de evidncias
empricas (Brown, 1999). Um dos principais fatores apontados por Brown (1999) para
que isso ocorra que as decises de hedge, em geral, so tidas como estratgicas do
ponto de vista das firmas individualmente e, portanto, seus dados no so amplamente
disponibilizados, dificultando o empirismo. Alguns autores, como Smith e Stulz (1985)
e Sanders e Baker (2012), no entanto, traam um pouco do perfil do comportamento das
firmas no-financeiras frente atividade de gerenciamento de riscos de preos com
abordagens empricas, evidenciando a divergncia terica entre as premissas de firmas
maximizadoras de valor e aversas ao risco.

A literatura revista nesta segunda subseo alm de buscar respostas a porque as

empresas no-financeiras optam (ou no) por gerenciar o risco de preos de ativos
especficos, bem como a razo ideal de hedge em determinados mercados, tambm
aborda um ponto fundamental para a anlise realizada neste trabalho: a influncia do
tempo sobre as decises de hedge das empresas.

Em cima da discusso da importncia, da adeso a estratgias de gerenciamento de

riscos de preos e do comportamento que influencia em como estas firmas no-
financeiras realizam suas operaes de hedge, na terceira subseo ser revista uma
bibliografia especfica do setor sucroenergtico na regio Centro-Sul do Brasil, que
servir como base para a abordagem especfica proposta neste trabalho.

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

tambm a forma de precificao da cana-de-acar atravs da metodologia Consecana,

que relaciona o preo deste insumo com os preos dos produtos finais do setor em
diferentes mercados.

Assim, estar no cerne da metodologia aqui proposta, conforme apresentada na terceira

seo, a anlise do referencial que trata deste complexo relacionamento entre os preos
do principal insumo produtivo e dos produtos finais comercializados, juntamente com a
explorao da dicotomia terica de firmas aversas a risco ou maximizadoras de valor e,
tambm, da importncia do fator tempo dentro das estratgias de hedge luz das
empresas processadoras de cana-de-acar da regio Centro-Sul do Brasil.

2.1 Gerenciamento de riscos de mercado no ambiente corporativo

O ponto de partida da literatura de risco de mercado talvez possa ser associado a

Markowitz (1952), quando este definiu sua teoria de portfolio. Nesta teoria, risco foi
definido como sendo o desvio-padro de retornos passados e a otimizao de portfolios
parte da premissa de que investidores so avessos ao risco e que entre dois portfolios
que apresentem o mesmo retorno esperado, o investidor optar pelo portfolio que
apresente o menor desvio-padro.

Durante a dcada de 1960 outras teorias foram propostas, em especial a de Sharpe

(1964), que era aluno de Markowitz, e que sofisticou a anlise de que atravs da
diversificao os investidores racionais buscariam otimizar suas carteiras de
investimentos, trabalhando a mitigao do risco idiossincrtico, especfico firma,
separadamente do risco geral da economia, definido como risco sistmico.

J no comeo da dcada de 1970, Rothschild e Stiglitz (1970) deram uma das

contribuies mais influentes desta temtica, medindo a averso ao risco como sendo a
complacncia de um agente econmico em pagar (ou submeter-se a uma menor
utilidade esperada) para incorrer em menos risco.

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.

Um dos estudos mais populares veio do documento RiskMetrics (RiskGroup, 1996),

divulgado pelo banco J. P. Morgan. Este documento estabeleceu as bases de clculo do
Value-at-Risk (VaR), medida que se popularizou entre as instituies financeiras e
rgos reguladores de mercado visando a quantificao dos riscos de mercado que
recaem sobre os ativos dos portflios destas empresas.

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).

Em CorporateMetrics (RiskGroup, 1999) definiu-se a medida Cash-Flow-at-Risk

(CFaR) como aquela que mede o dficit mximo sobre o caixa lquido gerado por uma

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

empresa, em consequncia do impacto de um conjunto de exposies de risco de

mercado em um especificado perodo de referencia e nvel de confiana.

Embora claramente tomasse emprestados conceitos utilizados para o clculo do VaR,

esta nova medida possui diferenas importantes. Larocque e Lowenkron (2004)
destacam que enquanto o VaR tem seu foco na variabilidade do valor de um ativo, o
foco do CFaR so os fluxos operacionais de empresas. Com isso, enquanto o VaR pode
se utilizar de frmulas analticas o CFaR muito mais intensivo em simulao.

Na definio do clculo em CorporateMetrics (RiskGroup, 1999) as informaes de

mercado e operacionais afetam o fluxo de caixa (ou resultado) da empresa e, portanto,
assume-se aqui uma relao determinstica fixa definida a priori entre os fatores de
risco e o fluxo de caixa da empresa. Sheng et al (2009) ressalta que esta premissa
dominante nas literaturas mais recentes, em especial quando trabalha-se fora das
companhias analisadas. Isso porque a relao determinstica entre os resultados (ou
fluxo de caixa) das empresas e seus fatores de risco so questes estratgicas e,
portanto, mantidas internamente confidenciais.

Alm da literatura supracitada tratando de metodologias de mensurao das exposies

a risco, h tambm extensa literatura focada nas estratgias de mitigao de riscos de
preos. Ativos, taxas e ndices podem ter contratos derivativos associados, que quando
negociados entre duas partes podem ter (ou no) a finalidade de hedge.

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.

Tabela 2 Tipos de contratos derivativos e funes

Contrato derivativo Funo de precificao

Forward Linear
Futuros Linear
Swaps Linear
Opes No-linear
Elaborao prpria. Com informaes de Jorion (2009).
 23

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.

Tabela 3 Diferenas entre contratos forward e futuros

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).

A inter-relao entre os mercados agrcolas e os mercados de futuros bastante

prxima, tanto que o principal marco da histria da criao destes mercados nos Estados
Unidos da Amrica foi a criao da Chicago Board of Trade em 1848 para negociao
de contratos futuros de gros, objetivando reduzir a sazonalidade e volatilidade de
preos a produtores e comercializadores (Chance, 1998).

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

positivamente correlacionados com ndices de produo industrial, inflao passada e

juros e negativamente correlacionados com a inflao esperada.

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.

No entanto, a utilizao destes instrumentos no consensual e a adoo de estratgias

de trava de preos de vendas futuras podem apresentar variabilidade em diferentes
indstrias e empresas e, inclusive, a opo de no se utilizar destes instrumentos
bastante usual em alguns casos, ainda que eles estejam disponveis. Para exemplificar,
Collins (1997), imerso no ambiente de produo, comercializao e processamento de
gros nos EUA, define um modelo e o aplica empiricamente buscando explicar os
diferentes comportamentos entre diferentes agentes desta cadeia agroindustrial e chega
concluso de que arbitradores e tradings fazem hedge integral de suas posies,
enquanto produtores atuam menos nas atividades de hedge e, at por vezes, no atuam
de forma alguma.

2.2 Comportamento estratgico das firmas frente atividade de hedge

Firmas, em especial as no-financeiras, como Collins (1997) constatou analisando as do

setor de comercializao e processamento de gros nos EUA, podem ou no optar por
realizar estratgias de hedge.

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

uma vez que fluxos protegidos no necessariamente coincidem com fluxos

maximizadores de valor, e, portanto, se enquadram nesta primeira linha terica.

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.

A caracterizao das firmas, portanto, como aversas ao risco ou maximizadoras de valor

ter forte influncia sobre a atividade de hedge e as razes de hedge estabelecidas por
elas nos momentos prvios produo e venda de seus produtos finais.

Seja diante de uma premissa ou de outra, a questo temporal de grande importncia

dentro das atividades de hedge e, neste sentido, Moschini e Hennesy (2010) fazem uma
contribuio terica bastante importante para este trabalho, incluindo a varivel tempo
nas anlises do comportamento das firmas em relao ao hedge. Estes autores afirmam
que o estabelecimento e reviso das razes de hedge ao longo do tempo vo variar com
as expectativas dos produtores em relao existncia ou no de um vis no
comportamento dos preos futuros e se h ou no incerteza em relao produo.

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

2.3 Estrutura de custos do setor sucroenergtico

Desde a safra 2007/08 o Programa de Educao Continuada em Economia e Gesto de

Empresas PECEGE da Escola Superior de Agricultura Luiz de Queiroz ESALQ
divulga anualmente um elaborado estudo de custos de produo de cana-de-acar,
acar e etanol na regio Centro-Sul do pas.

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.

Alm dos custos deste principal insumo produtivo a cana-de-acar, PECEGE

(2012a) categoriza os demais custos como industrial e administrativo.
 27

Tabela 4 Custos de produo de acar e etanol na regio Centro-Sul (Tradicional) na

safra 2011/12

Fonte: PECEGE (2012a)

Em PECEGE (2012a), alm da anlise dos custos da firma industrial, tambm

realizado extenso estudo dos custos da produo agrcola, seja ela realizada pelas
usinas, seja ela por produtores-fornecedores. A diferenciao entre os diferentes
arranjos institucionais de produo e fornecimento de cana-de-acar para as usinas do
Centro-Sul especialmente importante para este estudo, sendo que, conforme Pedroso
Jr. (2008), temos cinco arranjos possveis, conforme a Tabela 5.
 28

Tabela 5 Arranjos institucionais de aquisio de cana-de-acar por usinas do Centro-

Sul do Brasil

Categoria
(I) Aquisio vista
(II) Parceria agrcola
(III) Fornecimento com CCT7
(IV) Fornecimento sem CCT
(V) Produo em rea prpria
Elaborao prpria, com informaes de Pedroso Jr. (2008).
Descrio
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.
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.
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).
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.
Arranjo em que a usina produz a matria-prima cana-de-
acar em suas prprias propriedades.

No caso especfico dos arranjos em que a usina adquire a cana-de-acar de

fornecedores (III e IV) e no arranjo de parceria agrcola (II), a formao do preo desta
matria-prima ser formada a partir dos ndices mensais de custo do ATR divulgado
pelo Consecana-SP.

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

desconsiderando impostos e custos CCT) da tonelada de cana-de-acar dado, de

forma geral, pela seguinte equao (Consecana, 2006):

Onde:

: Preo da tonelada de cana-de-acar;

: Preo do quilograma do ATR, conforme divulgado em cartas de

circularizao mensais pelo Consecana-SP;

: Quantificao do total de ATR entregues pelo produtor usina em

quilogramas por tonelada de cana-de-acar.

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).

Os preos mdios dos produtos comercializados pelas usinas so calculados conforme

apurao amostral realizada pelo Cepea/Esalq para o acar branco mercado interno
(ABMI), etanol anidro carburante (EAC), etanol hidratado carburante (EHC), etanol
anidro para fins industriais (EAI), etanol hidratado para fins industriais (EHI), etanol
anidro para exportao (EAE) e etanol hidratado para exportao (EHE). No caso do
acar branco mercado externo (ABME) e acar VHP mercado externo (AVHP) uma
nova metodologia iniciou-se na safra 2013/14, segundo Consecana (2013).
Anteriormente, assim como os demais produtos, eram calculados com base em apurao
amostral, mas hoje so calculados com base em mdias ponderadas dos preos de
fechamento do contrato #11 da bolsa ICE.
 30

3 AMOSTRA E METODOLOGIA

Pela bibliografia analisada nota-se que as empresas no-financeiras, sobretudo as

agrcolas, no tm um comportamento nico e consensual quanto realizao de
estratgias de mitigao de risco de preos. Tanto a teoria quanto o empirismo sinalizam
que por vezes o caminho escolhido por estas empresas a de no realizarem operaes
com contratos derivativos, ainda que estes estejam disponveis em seus respectivos
mercados. Mas, mesmo quando adotam estratgias de hedge, a bibliografia tambm no
consensual para afirmar se estas aes visam a maximizao do valor da firma ou se
so um reflexo de um comportamento de averso a risco.

Quando se trata do setor sucroenergtico e das usinas, especificamente, notamos que o

arranjo institucional de precificao da cana-de-acar, dentro do modelo Consecana,
faz com que estas empresas estejam expostas s variaes de preos do acar no
mercado internacional no somente do ponto de vista do impacto que elas apresentam
sobre suas receitas mas tambm sobre seus custos de produo. Assim, o corte deste
estudo para definio de risco de preos residir no diferencial entre o preo de venda
do acar produzido ante ao preo mdio do acar apurado para a formao do custo
da cana-de-acar nos arranjos contratuais do Consecana.

Do lado da receita, primeiramente, importante definir que estamos trabalhando com a

comercializao de um produto o acar com destino a um mercado o externo
(exportao). A totalidade desta comercializao realiza-se com a precificao das
vendas atravs de ordens executadas dentro do mercado organizado de contratos futuros
da bolsa ICE, compondo premissas bsicas e importantes para o modelo que ser
proposto, e sem trazer grande luz discusso quanto a se as empresas optam (ou no)
por realizar estratgias de hedge. Inevitavelmente, por conta de seus arranjos
contratuais, a venda de acar VHP ou branco para o mercado externo estar
 31

necessariamente associada definio de preos atravs de ordens no mercado futuro na

ICE e/ou Liffe8, justificando a invalidade desta discusso para esta indstria.

Empiricamente, no entanto, foi coletada uma extensa amostra de aes de fixao de

preos de usinas do Centro-Sul no ano-safra 2012/13 com o objetivo de analisar e
melhor compreender as motivaes por trs de cada uma destas decises feitas por
diferentes agentes, em diferentes momentos do tempo e, portanto, em distintas
condies sistmicas e idiossincrticas para obterem maiores ou menores retornos sobre
sua atividade produtiva.

Na sequncia, no subitem 3.1, sero descritas a amostra e as variveis coletadas. A

metodologia do modelo proposto para aplicar sobre esta amostra ser descrita no
subitem 3.2. J os resultados desta aplicao sero descritos na seo 4.

3.1 Amostra

Compe a amostra do presente estudo as aes de fixaes de preos de dezesseis

unidades industriais produtoras de acares tipo VHP, cristal e refinado da regio
Centro-Sul do Brasil, mais especificamente dos estados de So Paulo, Minas Gerais,
Gois e Mato Grosso do Sul.

O somatrio destas unidades tem uma representatividade de 6% do volume total de

cana-de-acar processada no Centro-Sul do Brasil no ano-safra 2012/139, com um total
estimado de 34,328 milhes de toneladas de cana modas neste ciclo10.

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.

Metodologicamente optou-se por tomar como unidades experimentais deste estudo as

aes de fixao de cada uma destas unidades produtivas. Ao todo foram observadas
1.138 destas aes, que se referem venda de contratos futuros atravs do mercado
organizado da bolsa ICE, mais especificamente do contrato #11 de acar bruto, tido
como benchmark global para os preos do acar.

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.

O tempo abordado no modelo proposto de uma forma diferenciada, atravs de uma

varivel que dimensiona o intervalo (em dias) entre o momento da fixao de preos e o
momento da entrega do acar, ou seja, no se utiliza o tempo como momento mas
como uma varivel numrica que pode possuir um mesmo valor para momentos
distintos no tempo. Esta caracterstica desta varivel de extrema importncia tanto
para t-la como varivel de interesse, ou seja, definir um modelo para explicar sua
variabilidade, como tambm para definir o modelo estatstico mais adequado que, como
ser melhor definido na subseo 3.2, no ser tratado em modelo de sries temporais
ou dados em painel.

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

acar que ser entregue em um determinado perodo e a um determinado preo, que

estabelecido de acordo com a ordem e cotao do mercado naquele instante da fixao.

Por definio, considerar-se- ao de fixao de cada unidade produtora dentro do ano-

safra 2012/13: (i) as ordens diretas dadas pelos fornecedores no livro de seus
compradores, conhecidos pelo termo em ingls Sellers Executed Orders (SEO); e (ii) a
realizao de operaes ex-pit, mais especificamente Exchange for Physical (EFP) ou
Against Actual (AA), entre os livros das unidades produtoras e seus respectivos
compradores de acar.

Assim, so contempladas neste estudo somente as operaes de hedge estritamente

relacionadas com a venda fsica de acar entre cada unidade produtiva e seu respectivo
comprador. Optou-se por no contemplar outras formas de hedge, em especial o hedge
financeiro, por conta, primeiramente, da dificuldade de apurao de seus resultados em
firmas no aderentes aos procedimentos de hedge accouting (Rocha, 2005) e, em
segundo lugar, pela indisponibilidade destas informaes com necessria acurcia
dentro da amostra, uma vez que nenhuma das firmas da amostra aderente aos
procedimentos contbeis de hedge accounting.

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.

3.1.1 Variveis Observadas no Momento da 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

eletrnicos da bolsa uma oferta compradora de uma contraparte, culminando na

execuo da operao.

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.

Assim, para englobar informaes associadas ao momento temporal destas fixaes de

preos, utiliza-se o corte temporal de um dia, ou seja, tanto para uma SEO como para
um AA teremos uma srie de informaes das firmas, da negociao no mercado futuro,
da associao deste compromisso em relao aos contratos de entrega fsica de
mercadorias, bem como variveis de mercado que caracterizam o contexto associado a
este evento de fixao.

No campo das variveis que definem o compromisso estabelecido de venda, destacam-

se as variveis dt_fix (data de fixao) e dt_entrega (data de entrega). importante
ressaltar que as fixaes de preos podem ocorrer em momentos distintos das datas de
entrega, sejam antes ou depois da mesma ocorrer (ou estar programada para ocorrer).
Enquanto dt_fix uma varivel controlada unicamente pela firma, ou seja, ela define
per si o momento que essa fixao de preos vai ocorrer, a varivel dt_entrega
depende do acordo contratual de entrega de mercadoria fsica celebrado entre o
comprador e o vendedor previamente ao momento em que a fixao de preos tenha
ocorrido.

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.

Na amostra selecionada, a varivel dae apresentou as seguintes estatsticas descritivas:

 35

Tabela 6 Sumrio das observaes da varivel dae

Varivel Observaes Mdia Desvio- Mnimo Mximo

padro
dae 1.138 189 125 -78 743

Metodologicamente importante ressaltar que a varivel dae pode e apresentou dentro

da amostra valores menores que zero, o que ocorre sempre que a fixao for realizada
em um momento posterior entrega do acar. Esta uma possibilidade dentro dos
arranjos contratuais firmados entre compradores e vendedores de acar para
exportao, onde a entrega de volumes no precificados ocorrero com o advento de
preos provisrios que sero ajustados a posteriori de acordo com os preos de
execuo das ordens de venda na bolsa que venham a ocorrer aps as entregas.

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.

Grfico 1 Histograma de distribuio das observaes da varivel dae

Elaborao prpria.
 36

Outras variveis relacionadas s ordens executadas na bolsa sero o vol_fix, ou

volume em lotes de 50,8025 toneladas 11 e px_fix, ou preo de fixao dado em
centavos de dlares estadunidenses por libra-peso.

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.

Assim, tambm foram apuradas para trabalharmos dentro do modelo as seguintes

variveis de desvio-padro:

Desvio-padro dos preos de fechamento dos 5 preges (stdev_5d), definido

por12:

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

Desvio-padro dos preos de fechamento dos 10 preges (stdev_10d), definido

por:

Desvio-padro dos preos de fechamento dos 30 preges (stdev_30d), definido

por:

Onde ser a mdia dos preos de fechamento da bolsa nos ltimos 5, 10 e 30

dias, respectivamente, em cada uma das variveis calculadas.

Optou-se tambm por incorporar no modelo variveis de mercado que no tm

influncia direta sobre os preos de venda definidos pelas ordens executadas. Estas
variveis so incorporadas com o objetivo de caracterizar o momento especfico do
mercado, onde variveis macroeconmicas, como taxas de cmbio e juros, podem ter
influencia sobre as decises de hedge das firmas da amostra13. No obstante, o custo da
cana-de-acar observado no momento da fixao, distinto do custo da cana-de-acar
no momento da entrega fsica do acar, tambm incorporado no modelo com o
mesmo objetivo. So estas variveis usdbrl_ptax (taxa de cmbio de venda de dlares
Ptax, divulgada diariamente pelo Banco Central do Brasil); px_atr_fix (preo do
quilograma de ATR dentro do ms em que foi realizada a fixao de preos); cdi_fix
(mdia mensal da taxa de juros CDI-over apurada no ms em que foi realizada a
fixao); e libor6m_fix (mdia mensal da taxa de juros internacional Libor de 6 meses
apurada ano ms em que foi realizada a fixao).

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

3.1.2 Variveis Observadas no Momento de Entrega

Em um momento no tempo distinto da fixao de preos para um volume especfico de

acar comercializado pelas firmas da amostra, o acar ser entregue para a
contraparte do contrato fsico e faturado. O preo desta venda ter sido (ou ser)
definido(a) pelo preo estabelecido no momento da fixao e, no entanto, a produo
deste acar ter sido custeada com cana-de-acar, dentre outros insumos, em um
momento prximo da entrega17.

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

contratuais (flat) e que o prmio de polarizao destes acares comercializados foi em

mdia de 4,05%.

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:

px_avhp_brl: preo do acar VHP apurado e divulgado pela Consecana em

reais por saca de 50 quilogramas;
usdbrl_ptax_ask: taxa mdia mensal do cmbio de venda do dlar Ptax,
divulgado pelo Banco Central do Brasil.

Esta transformao se coloca como metodologicamente importante, pois o modelo

tratar da discrepncia entre os valores observados entre os preos de fixao (px_fix)
e os preos que formam o custo da cana-de-acar (px_avhp) como medida de resultado
e risco para as firmas do setor sucroenergtico brasileiro, de modo que essencial que
ambas variveis estejam em uma mesma referncia de localizao, neste caso, ambas
FOB.

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

3.1.3 Varivel de interesse calculada

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 proxy justifica-se sobre a premissa de que a cana-de-acar o insumo mais

relevante na produo de acar, representando aproximadamente 69% deste custo total
(Pecege, 2012).

Assim, e por serem variveis de mesma dimenso, dadas em centavos de dlares

estadunidenses por libra-peso (c/lb) e postas em uma mesma localidade (FOB em
Santos-SP), elas podem ser relacionadas em uma nova varivel calculada, que ser a
principal varivel de interesse deste estudo:

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.

Metodologicamente optou-se pela utilizao do logaritmo (neperiano) deste retorno em

vez do retorno aritmtico (Taleb, 1997; Meucci, 2010; e Hudson e Gregoriu, 2010), que,
por sua vez, poderia ser dado por:

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

E, alm disso, o logaritmo dos retornos apresentar valores prximos do retorno

aritmtico quando os retornos so pequenos (Hudson e Gregoriu, 2010), o que o caso
dos retornos observados na amostra, ou seja:

Assim, na amostra selecionada, a varivel logreturn apresentou as seguintes

estatsticas descritivas:

Tabela 7 - Sumrio das observaes da varivel logreturn

Varivel Observaes Mdia Desvio- Mnimo Mximo

padro
logreturn 1.138 0,018 0,035 -0,1044 0,0958

A distribuio destas variveis tambm pode ser analisada visualmente atravs do

histograma do Grfico 2, com as frequncias de logreturn distribudas em intervalos
de 0,00667. Nesta distribuio foi notvel que houve um predomnio de retornos
maiores que zero e que sinalizam que as aes de fixao dos preos de venda de acar
ocorreram em sua maioria em nvel superior aos preos que formaram os custos de
produo da cana-de-acar no momento da produo e entrega deste produto.
 43

Grfico 2 Histograma de distribuio das observaes da varivel logreturn

Elaborao prpria.

No Grfico 3, que mostra a disperso observada entre as variveis dae e logreturn,

poderia-se propor, por exemplo, que dentro da amostra as fixaes que ocorreram com
antecedncia de mais de 200 dias produo e entrega do acar (dae > 200) obtiveram
maiores retornos positivos (concluso visual).

Grfico 3 Grfico de disperso das variveis dae x logreturn

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:

Onde se utilizando de uma metodologia de mnimos quadrados ordinrios (ou OLS, da

sigla em ingls de ordinary least squares), teramos um modelo com R2 de 0,4024,
coeficiente estatisticamente relevante (p-valor = 0,000) e com valor maior que zero,
sinalizando a existncia de uma relao positiva e linear entre estas duas variveis.

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.

Grfico 4 Preo do acar (contrato #11 mais prximo19 da ICE) em US$

cents/libra-peso

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

Fonte: ICE, Thomson Reuters. Elaborao prpria.

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.

Tabela 8 Quadro resumo com as variveis explicativas

Varivel Descrio Sinal esperado do

20
observada coeficiente linear
Varivel que difere as firmas que
realizaram a ao de fixao. Ser
cod_empresa utilizada como varivel de controle, Indeterminado.
atravs de 15 dummies referente as 16
empresas.

Volume, em lotes de 50,8025

vol_fix toneladas, de acar cujos preos Indeterminado.
foram fixados.

Preo em US$ cents por libra-peso

fixado. Representa o preo do acar
(+) para logreturn e
estabelecido pela empresa e que
indeterminado para dae. No
formar o valor de faturamento da
px_fix venda do acar. Coeteris paribus sua caso de logreturn, por
relao deve ser positiva em relao a conta de px_fix ser fator
logreturn, mas seu relacionamento
direto de clculo desta
varivel.
com dae no to claramente
esperado.

Desvio-padro mvel dos cinco As volatilidades, como

preges anteriores ao dia da fixao.
uma das trs medidas de volatilidade
st-dev_5d do mercado futuro incorporada no
modelo. Quando explicando dae
dever evidenciar comportamento de
antecipao das fixaes em
definido primordialmente por
Sharp (1945) entram no
modelo como medida de
sensibilidade a risco por parte
das empresas que executam
hedge no momento em que

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.

momentos de maior volatilidade nos
mercados, suportando tanto teorias de
firmas avessas ao risco como
maximizadoras de valor.
Desvio-padro mvel dos dez preges
anteriores ao dia da fixao. Tambm
uma medida de volatilidade
st-dev_10d incorporada no modelo e cujas
relaes esperadas com as variveis
dependentes a mesma de st-
dev_5d.
Desvio-padro mvel dos trinta
preges anteriores ao dia da fixao.
Tambm uma medida de volatilidade
st-dev_30d incorporada no modelo e cujas
relaes esperadas com as variveis
dependentes a mesma de st-
dev_5d.
Taxa de cmbio em reais por dlar
divulgada pelo Banco Central do
Brasil (Ptax de venda). Incorporar a
sensibilidade taxa de cmbio que
influencia nas decises de hedge das
empresas. Por se tratarem de
comercializaes de acar para
usdbrl_ptax- mercado externo espera-se que dae,
ask como medida de antecipao do hedge,
seja positivamente relacionada com
esta varivel, enquanto o efeito dela
em logreturn no apresenta
expectativas prvias, uma vez esta
varivel trabalhada na mesma moeda
(US$) nos preos que contrape
(venda e custo).
Preo da quilograma de ATR dentro
do ms em que foi realizada a fixao.
px_atr_fix Ou seja, referncia do preo atual da
cana-de-acar no resultado e na
deciso de hedge da empresa.
Taxa CDI mdia do ms em que a
fixao foi realizada. Ou seja, varivel
cdi_fix sistmica que mede a sensibilidade
taxa de juros domstica para explicar o
resultado e a deciso de hedge.
46
estes hedges ocorrem. Na
linha de Shapiro e Brorsen
(1998), Chance (1998) e
Sanders e Baker (2012),
empresas avessas a risco
buscariam realizar seus
hedges visando minimizar a
oscilao de seus preos e
fluxos de caixa e, portanto, os
coeficientes destas variveis
de volatilidade esperam-se (-)
para dae. As hipteses de
firmas maximizadoras de
valor, presente em Collins
(1997), Smith e Stulz (1985) e
Brown (1999), aliadas com a
teoria de risco-retorno
derivada de Sharpe (1945),
criam a expectativa de que os
coeficientes sejam (+) para
logreturn.
O par dlar-real uma das
moedas transacionadas no
mundo com maior influncia
de suas relaes com preos
de commodities agrcolas,
inclusive o acar, pela
relevncia do Brasil nestes
mercados. Chen e Rogoff
(2002) apontam a correlao
negativa evidente entre taxas
cambiais como a brasileira e o
preo de commodities. No
entanto no se pode esperar
que o coeficiente de
usdbrl_ptax-ask seja
negativo, uma vez que a
proxy logreturn relaciona
receitas dolarizadas e custos
no-dolarizados, tornando a
influncia da taxa de cmbio
incua nesta varivel
dependente, dentro da
premissa de correlao
negativa entre os preos do
acar e a taxa de cmbio.
Indeterminado.
A bibliografia, como
Bjornson e Innes (1982),
aponta que ativos agrcolas
so positivamente
correlacionados com a taxa de
 47

Taxa Libor de 6 meses mdia do ms juros, mas seu impacto sobre

em que a fixao foi realizada e o retorno bem como da
libor6m_fix tambm mede a sensibilidade das deciso de hedge incerto e
variveis dependentes taxa de juros, no tratado nas referncias
mas aqui a externa. analisadas.

Volume de moagem estimada para a

safra 2012/13 da unidade produtiva
moagem-safra que realizou a fixao. uma das
variveis que incorpora o tamanho da
unidade produtiva no modelo.

Capacidade diria de moagem de cana-

de-acar para a safra 2012/13 da
unidade produtiva que realizou a
moagem-dia
fixao. outra das variveis que
incorpora o tamanho da unidade
produtiva no modelo.

rea plantada com cana-de-acar da

unidade produtiva que realizou a
fixao. mais uma das variveis que
area
incorpora o tamanho da unidade
produtiva no modelo, mas trabalhando
com dados agrcolas.

Estimativa de produo de acar para

a safra 2012/13 da unidade produtiva
prod_ac que realizou a fixao. mais uma das
variveis que incorpora o tamanho da Indeterminado
unidade produtiva no modelo.

Volume comercializado com mercado

externo e que compe a amostra na
ac_me
safra 2012/13 da unidade produtiva
que realizou a fixao.

Varivel dummy verificando se a

sp unidade produtiva do Estado de SP
ou outro.

Varivel dummy verificando se a

vhp unidade produtiva produz ou no
acar do tipo VHP.

Varivel dummy verificando se a

bco unidade produtiva produz ou no
acar do tipo branco.

Varivel dummy verificando se a

unidade produtiva comercializa
mi
volumes de acar dentro do mercado
interno.

Mizumoto e Saes (2002)

Varivel dummy verificando se a
familiar unidade produtiva caracterizada
como familiar ou no.
apontam que empresas
familiares so capazes de
tomar decises que agregam
mais valor s firmas. Assim,
para suas respectivas atuaes
 48

no hedge do acar pode-se

esperar o mesmo, ou seja,
coeficientes para logreturn (+)
e para dae (+), sinalizando
empresas tomadoras de mais
risco visando maior agregao
de valor firma.
Elaborao prpria.

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.

Primeiramente se classificou as variveis descritas no subitem 3.1 em grupos, bem

como se criaram variveis dummy derivadas destas com o objetivo de encontrar o
melhor modelo para o estudo.

Tabela 9 Grupo de variveis classificadas para o modelo

Grupos de Variveis Definio

(A) Dummy das empresas Varivel dummy criada para controlar qual das
dezesseis empresas realizou a ao de fixao
(amostra)
(B) Variveis das moagemsafra; moagemdia; area prod_ac;
empresas ac_me; sp; vhp; bco; mi; e familiar

(C) Dummy ms de Varivel dummy criada para controlar o

fixao momento no tempo (ms) que a empresa
realizou a fixao (amostra)
(D) Variveis de mercado vol_fix; px_fix; stdev_5d stdev_10d;
e relativas fixao stdev_30d usdbrl_ptaxask; px_atr_fix
cdi_fix; e libor6m_fix

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.

Duas primeiras regresses explicando logreturn e dae atravs de todas as variveis

explicativas dos quatro grupos de (A) a (D) retornou regresses com diversas variveis
apresentando multicolinearidade e, portanto, inadequado para delinearmos concluses
sobre os coeficientes encontrados.

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.

Sempre que identificada heterocedasticidade nos modelos testados optou-se pela

realizao de regresses robustas, que trazem consigo regressores mais confiveis do

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.

J a multicolinearidade, diferentemente da heterocedasticidade, um problema em

regresses e sua presena foi suficiente para rejeitar modelos testados. A forma de
apur-la sobre as variveis foi atravs do clculo do fator de inflao da varincia, ou
VIF, da sigla em ingls para variance inflation factor, definido por:

Onde: o parcial da regresso para a varivel k sobre todas as

demais variveis do modelo.

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):

Tabela 10 VIF das variveis explicativas das regresses explicando logreturn

e dae superiores a 10

Varivel VIF 1/VIF

explicativa
moagemsafra | 188,70 0,005299
prod_ac | 85,63 0,011678
area | 74,02 0,013510

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

dtfix_201201 | 58,02 0,017235

usdbrl_pta~k | 56,36 0,017744
dtfix_201207 | 52,98 0,018874
dtfix_201206 | 47,10 0,021232
sp | 43,33 0,023081
dtfix_201202 | 37,16 0,026908
dtfix_201209 | 35,98 0,027796
dtfix_201110 | 35,49 0,028173
mi | 22,78 0,043895
moagemdia | 21,09 0,047420
dtfix_201108 | 17,58 0,056898
stdev_30d | 15,87 0,063013
dtfix_201203 | 15,34 0,065189
familiar | 13,38 0,074719
dtfix_201107 | 13,07 0,076482
dtfix_201112 | 12,87 0,077730
dtfix_201211 | 12,08 0,082747
ac_me | 11,83 0,084512
Elaborao prpria.

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.

Tabela 11 Grupos de variveis independentes selecionadas nos modelos de trs

grupos de variveis

Variveis Grupos de variveis independentes

Modelo
dependentes
2 logreturn; (A) Dummy empresas; (B) Variveis
dae empresas; (C) Dummy ms-fixao
3 logreturn; (A) Dummy empresas; (B) Variveis
dae empresas; (D) Variveis de mercado
4 logreturn; (A) Dummy empresas; (C) Dummy ms-
dae fixao; (D) Variveis de mercado
5 logreturn; (B) Variveis empresas; (C) Dummy
dae ms-fixao; (D) Variveis de
mercado
Elaborao prpria.
 52

Nestes modelos de 2 a 5 tambm no foi possvel eliminar a presena de

multicolinearidade em variveis explicativas, conforme resultados resumidamente
descritos na Tabela 12.

Tabela 12 Resumo dos testes de heterocedasticidade e multicolinearidade dos

modelos com trs grupos de variveis explicativas

Variveis Variveis explicativas com

Modelo
explicativas VIF > 10
45 15 (33%)
2
45 15 (33%)
24 8 (33%)
3
24 8 (33%)
41 14 (34%)
4
41 14 (34%)
36 17 (34%)
5
36 17 (34%)
Elaborao prpria.

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

Este modelo 6 tambm apresentou elevado nmero de variveis explicativas com

multicolinearidade, sendo suficiente para ser rejeitado como modelo mais apropriado.

Tabela 13 - Resumo dos testes de heterocedasticidade e multicolinearidade do

modelo com os grupos de variveis explicativas (B) variveis das empresas e (C)
dummies dos meses de fixao

Variveis Variveis explicativas com

Modelo
explicativas VIF > 10
30 11 (37%)
6
30 11 (37%)
Elaborao prpria.

Ainda poderiam ser testados os cruzamentos do grupo de variveis de mercado (D)

juntamente ou com as dummies das empresas (A) ou com as variveis das empresas (B),
excluindo o grupo de variveis dummy referente ao ms de realizao da fixao (C),
visto que foram as variveis que nos modelos at ento testados (e rejeitados) davam
maior contribuio para a evidncia de presena de multicolinearidade.

Finalmente, em uma stima proposio de modelo, usando o grupo de variveis de

mercado (D) com as dummies das empresas (A) foi possvel notar evidenciar a
inexistncia de multicolinearidade entre estas variveis explicativas, de modo que este
modelo se mostrou adequado para analisarmos a variabilidade de logreturn e dae.

J na oitava proposio, usando o grupo de variveis de mercado (D) com as variveis

das empresas (B) a multicolinearidade voltou a aparecer entre as variveis. No entanto,
diferente dos demais modelos, no se optou por descartar este modelo, uma vez que esta
multicolinearidade apareceu especificamente em variveis das empresas (B) que
descrevem, de formas diferentes, caractersticas muito semelhantes das empresas.

As variveis moagemsafra, prod_ac, area e moagemdia so todas variveis descritivas

que dimensionam as usinas por sua capacidade produtiva, seja atravs de caractersticas
industriais ou agrcolas. Exatamente por isso esta multicolinearidade era esperada, mas
no suficiente para invalidar um modelo que cruzasse as variveis de mercado (D) com
 54

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.

Tabela 14 - VIF das variveis explicativas da regresso com os grupos de variveis

independentes (B) e (D) explicando logreturn e dae

Varivel VIF 1/VIF

explicativa
moagemsafra | 41,99 0,023817
prod_ac | 39,00 0,025642
area | 16,51 0,060552
moagemdia | 11,73 0,085238
sp | 9,01 0,111027
bco | 7,40 0,135065
cdi_fix | 6,87 0,145563
mi | 6,61 0,151275
familiar | 5,99 0,166896
vhp | 5,29 0,189027
usdbrl_pta~k | 4,89 0,204617
ac_me | 4,27 0,234187
libor6m_fix | 3,81 0,262727
stdev_30d | 3,72 0,269064
px_fix | 3,51 0,284772
stdev_10d | 3,37 0,296674
px_atr_fix | 2,98 0,335666
stdev_5d | 2,36 0,423489
vol_fix | 1,36 0,736787
Elaborao prpria.

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

Tabela 15 Resumo dos resultados das regresses explicando logreturn e dae

atravs dos grupos (B) e (D) isolando variveis de dimenso das usinas do grupo
(B)

Varivel Varivel de R2 Varivel(is)

dependente dimenso ajustado com
isolada VIF > 10
moagemsafra 0,6163 -
moagemdia 0,6106 -
logreturn
prod_ac 0,6113 -
area 0,6062 -
moagemsafra 0,8186 -
moagemdia 0,8178 -
dae
prod_ac 0,8155 -
area 0,8178 -
Elaborao prpria.

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.

O resumo dos resultados, do ponto de vista da assertividade destes cinco modelos,

descrito na Tabela 16.

Tabela 16 Resumo dos modelos selecionados para anlise da variabilidade de

dae e logreturn

Modelo Varivel Variveis explicativas Variveis R2

de explicativas ajustado
interesse com VIF >
10
7 logreturn emp_1003; emp_1004; Nenhuma 0,6469
emp_1005; emp_1020;
emp_1022; emp_1023;
emp_1024; emp_1025;
emp_1027; emp_1029;
 56

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

ac_me; sp; vhp; bco; mi;

familiar
8.4 logreturn vol_fix; px_fix; stdev_5d; Nenhuma 0,6062
stdev_10d; stdev_10d;
stdev_30d; usdbrl_ptaxask;
px_atr_fix; cdi_fix;
libor6m_fix; area; 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; area; ac_me;
sp; vhp; bco; mi; familiar
Elaborao prpria.

Diante da seleo destes cinco modelos, os resultados encontrados sobre os dados

coletados da amostra descrita na subseo 3.1 sero analisados na prxima seo 4
Resultados.

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.

4.1 Explicando logreturn

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

Metodologicamente optou-se por estabelecer esta varivel como retorno logartmico,

visando um melhor tratamento estatstico dos modelos e porque para os retornos
observados o log-retorno fica muito prximo do retorno absoluto, ou seja, equivale
aproximadamente variao percentual entre as duas referncias de preos.

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.

O que possvel afirmar, diante da anlise do conhecimento experimental de como estas

empresas operam no mercado futuro da ICE e de como funciona a metodologia de
precificao da cana-de-acar no arranjo do Consecana, que atingir um log-retorno
prximo de zero uma tarefa inatingvel para as empresas imersas nestes dois
ambientes.

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

significantes a um corte confiana de 5%. Das 15 variveis, 8 apresentaram p-valor >

5%, nos levando a uma primeira concluso de que as empresas no apresentaram
diferenciao significativa entre si para explicar a variabilidade do retorno da venda de
acar no mercado futuro.

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.

Dentre as demais variveis explicativas descritivas, todas as variveis de dimenso

operacional que foram isoladas nos submodelos 8.1, 8.2, 8.3 e 8.4 (moagemsafra,
moagemdia, prod_ac e area) apresentaram coeficiente linear significante e negativo,
ou seja, nossa amostra sinaliza que maiores empresas tendem a apresentar retorno mais
baixo sobre suas fixaes de preos.

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

Em relao s variveis explicativas relacionadas ao mercado e s condies da fixao,

em todos os modelos as variveis volume de contratos da ordem executada (vol_fix),
taxa de dlar no dia da execuo da fixao (usdbrl_ptax_ask) e o desvio-padro
dos preos do acar dos 5 ltimos dias antes da execuo da fixao (stdev_5d) e,
portanto, podem ser definidas como no significantes para explicar a variabilidade do
log-retorno proposto pelos modelos.

A varivel preo de fixao (px_fix), como era de se esperar, apresentou coeficiente

significativo e positivo em todos os modelos.

J as variveis de desvio-padro que se mostraram significativas, de 10 e 30 dias

(stdev_10d e stdev_30d), ambas e em cada um dos modelos apresentaram
coeficientes positivos, sinalizando que as decises de fixao ocorridas em momentos
de maior volatilidade no mercado obtiveram maiores retornos, o que vai em linha com a
teoria de Sharpe (1964), e que, dentro de uma premissa de firmas maximizadoras de
valor em suas atuaes em mercados futuros, aponta que as empresas se beneficiaro de
aumentar sua atividade nos momentos em que os mercados apresentam maior
volatilidade no necessariamente visando a minimizao das oscilaes dos preos,
como teorizado por Shapiro e Brorsen (1998), Chance (1998) e Sanders e Baker (2012),
mas visando maiores retornos.

A incorporao da varivel preo do quilograma de ATR, equivalente ao custo da cana-

de-acar no arranjo contratual do Consecana no momento em que a fixao realizada
(px_atr_fix), dentro dos modelos nos permitiu testar a influncia que este custo tem
no retorno, que calculado sobre o possivelmente distinto custo da cana-de-acar do
momento de entrega. De certa forma, assim, mede-se a influncia que o preo atual do
quilograma de ATR exercer sobre o retorno definido pelos modelos. Os resultados de
cada um dos cinco modelos que apresentaram coeficientes lineares negativos aponta que
as fixaes realizadas em momentos em que os preos da cana-de-acar se encontram
em patamares mais elevados tendero a apresentar um menor retorno.

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

coeficientes so todos significantes apontando uma influncia positiva da Libor sobre o

retorno e negativa do CDI sobre o retorno, relao que se mostrou pouco conclusiva do
ponto de vista da atuao das empresas na realizao de seus hedges.

Resumidamente os coeficientes lineares de cada varivel explicativa nos selecionados

modelos 7, 8.1, 8.2, 8.3 e 8.4 para explicar a variabilidade de logreturn esto
contidos na Tabela 17, bem como seus respectivos p-valores entre parnteses abaixo de
cada coeficiente.

Tabela 17 Coeficientes lineares dos modelos explicativos de logreturn

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

(0.000) (0.000) (0.000) (0.000)

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.

4.2 Explicando dae

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.

A simples e visual anlise do Grfico 3 (disperso) que cruzou as variveis dae e

logreturn mostra que as empresas da amostra enfrentam grande variabilidade em
cada uma destas variveis e que no h a possibilidade de se definir um nmero
especfico de dias antes da entrega para se realizar a fixao que minimize o
variabilidade do preo de venda do preo formador do custo da cana-de-acar, onde
logreturn tenderia a zero.

A anlise da variabilidade desta varivel, portanto, nos permite concluses sobre o

comportamento das empresas da amostra e os resultados apontam que as empresas
atuam no mercado futuro de venda de acar com o objetivo de maximizar a varivel
logreturn muito mais do que fazer com que ela fique prxima de zero. At porque os
arranjos especficos do setor tornam este intuito muito complexo, no havendo na
literatura estudos que definam que tipo de antecedncia deve-se negociar no mercado
futuro para minimizar os efeitos da variao do preo do acar ante o preo da cana-
de-acar.
 63

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.

Tambm se mostraram no significantes para explicar a variabilidade de dae as

variveis volume da ordem de fixao (vol_fix), desvio-padro mvel de 10 dias do
mercado (stdev_10d) e volume de produo de acar destinado para mercado
externo (ac_me) que foram no significantes (p-valor > 5%) em todos os modelos em
que apareceram. Apresentaram evidncia semelhante de no significncia as variveis
dummy de produo de acar tipo VHP (vhp) e localizao geogrfica (sp), mas que
no ocorreu em todos os modelos apenas nos modelos 8.1, 8.3 e 8.4 para vhp e apenas
no modelo 8.3 para sp. Quando significantes a varivel vhp mostrou que unidades com
produo de acar tipo VHP tenderam a antecipar mais suas fixaes (coeficientes
lineares negativos), enquanto a varivel sp tambm apresentou a mesma influncia
sobre a variabilidade de dae.

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).

Em relao s variveis de dimensionamento das unidades produtivas isoladas em cada

um dos submodelos 8.1, 8.2, 8.3 e 8.4 (moagemsafra, moagemdia, prod_ac e area),
nota-se que cada uma delas apresentou coeficiente linear significativo e negativo,
apontando que, de forma geral, maiores unidades produtivas tenderam a antecipar mais
suas aes de fixao de preos.
 64

Finalmente, as variveis de mercado e referentes aos volumes fixados produziram

anlises mais interessantes vista dos objetivos delineados neste estudo. As variveis de
desvio-padro mvel de 5 e 30 dias (stdev_5d e stdev_30d), diferentemente do de
10 dias, apresentaram coeficientes significantes, assim como nos modelos que
explicavam a variabilidade de logreturn, foram positivos.

Assim, analisando, conjuntamente, a variabilidade de logreturn e dae, nota-se que

momentos de maior volatilidade nos mercados representam momentos de oportunidade
de fixao de preos visando um logreturn maior e as unidades produtoras da
amostra anteciparam mais suas fixaes (maior dae) conforme maior estivessem estas
referncias de volatilidade. Estas concluses, portanto, corroboram com a anlise de que
as firmas do setor sucroenergtico atuam no mercado futuro visando a maximizao de
seu retorno e tomam o risco de antecipar mais suas fixaes para capturar o prmio
designado pelo maior risco tomado.

J o coeficiente significativo e negativo de px_fix indica que quanto maior o preo

denominado em cents de dlares por libra-peso do contrato #11 do acar da ICE,
menor ser o dae e, portanto, indica que menos as unidades optaro por antecipar suas
fixaes em relao a suas entregas. Sinalizao que se mostra racional dentro do
esperado pelos tomadores de deciso das empresas, visto que no faria sentido incorrer
em mais risco atravs de uma maior antecipao da fixao ante a entrega se os preos
esto em patamares elevados.

Agora, diferentemente da variabilidade de logreturn, a variabilidade de dae pde ser

explicada pela varivel explicativa usdbrl_ptax_ask, tendo esta coeficiente
significativo negativo nos modelos em que apareceu. Com isso se evidencia uma
relao em maiores taxas cambiais do par dlar-real tendem a fazer com que as
unidades produtoras antecipem menos suas fixaes, sinalizando que a tomada de
deciso por parte dos agentes no somente levar em considerao o preo do acar
denominado em dlares (px_fix) como tambm a referencia que leva em considerao
a taxa cambial do momento da fixao.

O custo da cana-de-acar, enquanto referncia no momento da fixao, tambm

apresentou coeficiente significativo e negativo, dando tambm a indicao de quanto
 65

mais alto o custo atual da cana-de-acar menos se antecipar as fixaes, tambm

sinalizando uma racionalidade por parte dos agentes decisores.

Por fim a variabilidade das taxas de juros domstica e internacional (cdi_fix e

libor6m_fix) apresentaram coeficientes significativos positivos, sinalizando que
momentos de maior instabilidade macroeconmica, caracterizados por mais altas taxas
de juros, faro com que as unidades produtivas antecipem mais suas fixaes de preos.

Resumidamente os coeficientes lineares de cada varivel explicativa nos selecionados

modelos 7, 8.1, 8.2, 8.3 e 8.4 para explicar a variabilidade de dae esto contidos na
Tabela 18 e seus respectivos p-valores na Tabela 18.

Tabela 18 Coeficientes lineares dos modelos explicativos de dae

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

(0.000) (0.000) (0.000)

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.

Para finalizar, na Tabela 19 abaixo so reunidas as variveis explicativas e seus

respectivos sinais para explicar logreturn (idnticos em todos os modelos testados)
luz das expectativas formadas a partir da bibliografia analisada, enquanto na Tabela 20 o
mesmo ser feito mas com a varivel de interesse dae.

Tabela 19 Resumo sinais coeficientes das variveis explicativas para logreturn

Varivel Sinal coef.

Concluso e referncias bibliogrficas
explicativa linear
emp_1003 +
emp_1020
emp_1023
emp_1025 As dummies de empresas no se mostraram
conclusivas para explicar a variabilidade de
emp_1029 logreturn.
emp_1031 +
emp_1033
emp_1003
O preo dolarizado de venda do acar travado no
px_fix + mercado futuro se mostrou positivamente relacionado
com logreturn.
stdev_10d + As variveis de desvio-padro, que mediram a
volatilidade na bolsa ICE no momento em que a
fixao de preos no mercado futuro ocorreu, se
mostraram positivamente relacionadas com
logreturn, corroborando com a identificao de um
comportamento tomador de risco por parte das
stdev_30d + empresas da amostra visando maiores retornos
(Sharpe, 1964), visto que as vendas futuras no se
alinham com uma atitude visando a minimizao das
oscilaes de preos apontadas por autores como
Shapiro e Brorsen (1998), Chance (1998) e Sanders e
Baker (2012), entre outros.
 67

O preo do custo da cana-de-acar no momento em

px_atr_fix que a fixao se realiza se mostrou negativamente
relacionado com logreturn.
cdi_fix As variveis macroeconmicas de taxa de juros
apresentaram coeficientes com sinais opostos para
suas verses domstica (CDI) e internacional (Libor),
o que no se mostrou conclusivo para explicar
logreturn. Bjornsson e Innes (1982) apontam que as
libor6m_fix + atividades agrcolas em geral possuem elevado risco
sistmico, mas talvez por no termos analisado um
perodo de tempo suficientemente longo esta relao
no se mostrou evidente na relao entre estas
variveis macroeconmicas e logreturn.
var. dimenso O empirismo deste estudo foi particularmente
importante para identificar como diferentes firmas do
bco setor atuam de maneiras distintas no mercado futuro.
mi + Uma primeira relao observada dos coeficientes a
de que quanto maiores so as empresas menores so
seus respectivos logreturn, expressando que
empresas menores tendem a tomar maiores riscos em
sua atuao no mercado futuro. O fato dos coeficientes
serem positivos para a dummy que identifica as
empresas como familiares (Flren, 2002 apud
familiar + Mizumoto & Sae, 2009) mostra este mesmo
comportamento tomador de riscos nas empresas
definidas como familiares e, ademais, contribuem para
a identificao das firmas do setor sucroenergtico
brasileiro como empresas que atuam nos mercados
futuros visando a maximizao do valor da firma.
Elaborao prpria.

Tabela 20 Resumo sinais coeficientes das variveis explicativas para dae

Varivel Sinal coef.

Concluso e referncias bibliogrficas
explicativa linear
emp_1020
emp_1025 As dummies de empresas no se mostraram
emp_1029 conclusivas para explicar a variabilidade de
logreturn.
emp_1031 +
emp_1035
 68

O preo dolarizado de venda do acar travado no

px_fix mercado futuro se mostrou negativamente relacionado
com dae.
stdev_5d + Os coeficientes positivos para os desvios-padro
apontam que as empresas apresentaram um
comportamento de antecipar mais a realizao de seu
stdev_30d + hedge frente ao seu perodo de entrega do produto
conforme a volatilidade do mercado era maior e,
portanto, havia um maior prmio pela tomada do risco.
Por outro lado, a elevao dos custos presentes da
cana-de-acar interferiu no comportamento das
px_atr_fix firmas em antecipar menos, ou seja, deixar para fixar
mais proximamente da entrega do produto,
minimizando sua exposio a risco.
cdi_fix + Assim como para explicar a variabilidade de
logreturn, as relaes obtidas das variveis
explicativas de taxas de juros apresentam importncia
secundria, pois caminham em desalinho com a
libor6m_fix + proposio de Bjornson e Innes (1982) sem, no
entanto, se basear em uma anlise de mais longo-prazo
fundamental para a anlise dos efeitos das variveis
macroeconmicas nas decises de hedge das firmas.
var. dimenso Assim como na explicao de logreturn, explicando
dae, as variveis descritivas das firmas sinalizaram que
sp empresas familiares tenderam a ter uma gesto mais
bco tomadora de riscos antecipando mais (coeficiente
positivo) suas fixaes. Tambm de forma semelhante,
mi + as variveis de dimenso das unidades produtivas
apontaram que empresas maiores tenderam a antecipar
familiar + menos suas fixaes de preos, sinalizando seu
comportamento mais avesso a risco.
Elaborao prpria.
 69

5 CONCLUSES

O setor sucroenergtico, importante setor da agroindstria brasileira, tem caractersticas

peculiares no que toca a comercializao de seus produtos. Neste estudo foi abordada
especificamente a tomada de decises que cercam as vendas de acar para o mercado
externo, que necessariamente passam pelo mercado futuro da ICE. A deciso de fixao
de preos algo que est no controle da empresa, sujeito, no entanto, s condies de
mercado e arranjos contratuais especficos, o que no condio per si de exclurem as
empresas do setor de serem consideradas tomadoras de preo (price-takers) em um
mercado global de commodity.

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.

Resumidamente, notou-se que as empresas obtiveram retornos positivamente

relacionados com os preos do acar em cents de dlares por libra-peso, com a
volatilidade de preos na bolsa ICE e com a taxa de juros internacional (Libor de 6
meses). Alm disso, as empresas que atuam (tambm) no mercado interno e que so
 70

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

ALBUQUERQUE, A., PEROBELLI, F., CASTRO, R. (2005). Fluxo de Caixa em

Risco: uma nova abordagem para o setor de distribuio de energia eltrica. Revista de
Administrao de Empresas, 2005, Vol.45, p.50-65.

BASTIAN-PINTO, C.; BRANDO, L.; HAHN, W. J. (2009) Flexibility as a source of

value in the production of alternative fuels: The ethanol case. Energy Economics, v. 31,
n. 3, p. 411-422, 2009.BAUM, C. F. (2006). An Introduction to Modern
Microeconomics Using Stata. College Station, TX: Stata Press, 2006.

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

BRAUNBECK, O. A., CORTEZ, L. A. B. (2005). O cultivo da cana de acar e o uso

de resduos. In: ROSILLO-CALLE, F.; BAJAY, S. V.; ROTHMAN, H. (Org.). Uso da
biomassa para produo de energia na indstria brasileira. Traduo: Jos Dilcio Rocha
e Maria Paula G. D. Rocha. Campinas, SP: Editora da Unicamp, 2005.

CHANCE, D. (1998). Essays in Derivatives. John Wiley & Sons (ed.), 1998.

CHEN, Y. C.; ROGOFF, K. (2003). Commodity currencies. Journal of International

Economics, v. 60, n. 1, p. 133-160, 2003.

COLLINS, R. A. (1997). Toward a Positive Economic Theory of Hedging. American

Journal of Agricultural Economics, Vol. 79, No. 2 (May, 1997), pp. 488-499.

CONAB. (2011). Cana-de-acar: Safra 2011/12, Terceiro Levantamento, Dezembro-

2011.

CONSECANA. (2006). Manual de instrues. CONSECANA-SP, 5a edio,

Piracicaba-SP, 2006.

CONSECANA (2012). Circular n. 02/12. Consecana-SP, Piracicaba, SP: 12 de abril

de 2012.

CONSECANA (2013). Circular n. 17/12. Consecana-SP, Piracicaba, SP: 28 de maro

de 2013.

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

DE PAIVA, R. P. O.; MORABITO, R. (2007). Um modelo de otimizao para o

planejamento agregado da produo em usinas de acar e lcool. Gest. Prod., So
Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007.

DIONNE, G. ; OUEDERNI, K. Corporate risk management and dividend signaling

theory. Finance Research Letters, 2011, Vol.8(4), pp.188-195.

GARMAN, M. B., KLASS, M. J. (1980). On the Estimation of Security Price Volatility

from Historical Data. Journal of Business, vol. 53, no. 1, 1980, pp. 67-78.

HANSSON, S. O. (2012). Risk. In: The Stanford Encyclopedia of Philosophy (Winter

2012 Edition), Edward N. Zalta (ed.). Disponvel em:
<http://plato.stanford.edu/archives/win2012/entries/risk/>. Acesso em: 9 fev. 2013.

HOLTON, Glyn A. (2004). Defining risk. Financial Analysts Journal, 2004, vol. 60, n.
6.

HUDSON, R.; GREGORIU, A. (2010). Calculating and Comparing Security Returns is

Harder than you Think: A Comparison between Logarithmic and Simple Returns
(February 7, 2010). Available at SSRN: http://ssrn.com/abstract=1549328 or
http://dx.doi.org/10.2139/ssrn.1549328

IBGE (2012). Indicadores IBGE: Estatstica da Produo Agrcola. Braslia: Instituto

Brasileiro de Geografia e Estatstica, 2012, pp. 45-46.

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

JIN, Hyun J. (2007). Heavy-Tailed Behavior of Commodity Price Distribution and

Optimal Hedging Demand. The Journal of Risk and Insurance, Vol. 74, No. 4 (Dec.,
2007), pp. 863-881

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

LAROCQUE, E., LOWENKRON, A. (2004). Mtricas e Particularidades da Gesto

de Risco em Corporaes. Artigo Tcnico RiskControl para Lista de Riscos n. 5.

LENCE, S. H. (1995). The Economic Value of Minimum-Variance Hedges. American

Journal of Agricultural Economics, Vol. 77, No. 2 (May, 1995), pp. 353-364

MACEDO, Isaas de C.; CORTEZ, Lus A. B. (2005). O processamento da cana-de-

acar no Brasil. In: ROSILLO-CALLE, F.; BAJAY, S. V.; ROTHMAN, H. (Org.).
Uso da biomassa para produo de energia na indstria brasileira. Traduo: Jos Dilcio
Rocha e Maria Paula G. D. Rocha. Campinas, SP: Editora da Unicamp, 2005.

MARKOWITZ, H. M. (1952). Portfolio Selection. The Journal of Finance 7 (1): 7791.

MARQUES, P.V.; DE MELLO, P.C.; MARTINES, J.G. (2006). Mercados Futuros e de

Opes Agropecurias. Piracicaba, SP: Departamento de Economia, Administrao e
Sociologia da Esalq/USP, 2006, Srie Didtica n. D-129Departamento de Economia,
Administrao e Sociologia da Esalq/USP, 2006, Srie Didtica n D-129.

MATTHEWS, K. H., HOLTHAUSEN Jr., D. (1991). A Simple Multiperiod Minimum

Risk Hedge Model. American Journal of Agricultural Economics, Vol. 73, No. 4 (Nov.,
1991), pp. 1020- 1026

MEUCCI, A. (2010). Linear vs. Compounded Returns: Common Pitfalls in Portfolio

Management. (May 1, 2010). GARP Risk Professional, pp. 49-51, April 2010.
Available at SSRN: http://ssrn.com/abstract=1586656

MIZUMOTO, F. M., SAES, M. S. M. (2009). Strategy and entrepreneurial action in

family business: an analysis of human capital and social capital. So Paulo: 2009. Tese
(Doutorado) Universidade de So Paulo, 2009.

MURPHY, J. A. (1987). The Seasonality of Risk and Return on Agricultural Futures

Positions. American Journal of Agricultural Economics, Vol. 69, No. 3 (Aug., 1987),
pp. 639-646

NEVES, M. F.; WAACK, R. S.; MARINO, M. K. (1998). O Sistema agroindustrial da

cana-de-acar: caracterizao das transaes entre empresas de insumos, produtores
de cana e usinas. Agronegcios brasileiros: desafios e perspectivas. Braslia, DF:
Sociedade Brasileira de Economia e Sociologia Rural, 1998.

PECEGE. (2012a). Custos de produo de cana-de-acar, acar e etanol no Brasil:

Acompanhamento da safra 2011/2012 Centro-Sul. Piracicaba: Universidade de So
Paulo, Escola Superior de Agricultura Luiz de Queiroz, Programa de Educao
Continuada em Economia e Gesto de Empresas/Departamento de Economia,
Administrao e Sociologia. 2012. 57 p. Relatrio apresentado Confederao da
Agricultura e Pecuria do Brasil CNA.
 74

PECEGE. (2012b). PECEGE/CNA anunciam resultados do acompanhamento de

custos de produo de cana- de-acar, acar e etanol da safra 2012/13 na regio
Centro-Sul. Artigo disponvel em: <http://pecege.dyndns.org>. Acesso em:
10/04/2013.

PEDROSO JUNIOR, R., ZYLBERSZTAJN, D. (2008). Arranjos Institucionais na

Agricultura Brasileira: Um Estudo Sobre o Uso de Contratos no Sistema Agroindustrial
Sucroalcooleiro da Regio Centro-Sul. So Paulo: 2008. Tese (Mestrado)
Universidade de So Paulo, 2008.

PEROBELLI, F., SECURATO, J. (2005). Modelo para Medio do Fluxo de Caixa em

Risco: Aplicao a Distribuidoras de Energia Eltrica. Revista de Administrao de
Empresas, Vol. 45, n. 4 (out-dez).

PURNANANDAM, A. (2008). Financial distress and corporate risk management:

Theory and evidence. Journal of Financial Economics, 2008, Vol.87(3), pp.706-739.

RAMOS, H. R. ; SOARES, M. C. ; ETCHEBARNE, M. S.; GELDRES, V. V.;

ALMEIDA, M. I. R.. (2008). A internacionalizao do setor sucro-alcooleiro do Brasil
atravs da teoria de Born Global. In: 2o Encontro Luso-Brasileiro de Estratgia / 2o
Encontro SLADE Brasil, 2008, Lisboa. ELBE 2008. Lisboa: SLADE, 2008. v. 1. p. 1-
25.

RISKMETRICS GROUP. (1999). CorporateMetrics Technical Document.

Disponvel em: <http://www.riskmetrics.com/>. Acesso em 20 out. 2012.

RISKMETRICS GROUP. (1996). RiskMetrics Technical Document. New York: J.

P. Morgan / Reuters, 4 ed., 1996.

ROCHA, F. D. (2005). A Contabilizao das Operaes de Hedge: uma Anlise

Terica e Prtica. II Simpsio de Excelncia em Gesto e Tecnologia SEGeT2005,
AEDB.

ROTHSCHILD, M., STIGLITZ, J. (1970). Increasing risk: 1. A definition. Journal of

Economic Theory, 2: 225243.

SANDERS, D. J., BAKER, T. G. (2012). Marginal Hedging in Futures Markets.

Purdue University, paper presented at the 2012 AAEA Annual Meeting.

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.

SHARPE, W. F. (1964). Capital asset prices: A theory of market equilibrium under

conditions of risk. The Journal of Finance, v. 19, n. 3, p. 425-442, 1964.
 75

SCHMIT, J. T., ROTH, K. (1990). Cost Effectiviness of Risk Management Practises.

The Journal of Risk and Insurance, Vol. 57, No. 3 (Sep., 1990), pp. 455-470

SCHWARTZ, E. (1997). The Stochastic Behavior of Commodity Prices: Implications

for Valuation and Hedging. The Journal of Finance, Vol. LII, No. 3, Julho-2007.

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.

SMITH, C. W., STULZ, R. M. (1985). The Determinants of Firms Hedging Policies.

Journal of Financial and Quantitative Analyses, vol. 20, no. 4, December, 1985.

STONE, B. K. (1973). A General Class of Three-Parameter Risk Measures. The

Journal of Finance, Vol. 28, No. 3 (Jun., 1973), pp. 675-685.

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.

UNICA. (2012). Os Desafios do Setor Sucroenergtico e o Movimento + Etanol.

Apresentao do presidente da UNICA, Marcos Sawaya Jank, So Paulo, 6 de fevereiro
de 2012.

WANG, C. (2001). Investor Sentiment and Return Predictability in Agricultural

Futures Markets. Journal of Futures Markets, vol. 21, pp. 929952, October-2010.

WOOLDRIDGE, Jeffrey M. (2010). Econometric analysis of cross section and panel

data. 2nd ed. Boston, MA: Massachusetts Institute of Technology, 2010. 1064 p.

WOOLDRIDGE, Jeffrey M. (2007). Introduo econometria: uma abordagem

moderna. Traduo: Rogrio Csar de Souza e Jos Antnio Ferreira. Reviso tcnica:
Nelson Carvalheiro. 1a. ed. So Paulo: Thomson, 2007. 684 p.