Monografia

Falta o título, resumo, palavras chave, abstract, bem como atender as recomendações da
ABNT (buscar na internet o formato de monografia ABNT)
INTRODUÇÃO
Após a inauguração do novo marco regulatório do setor elétrico brasileiro em 2004 com a
publicação das Leis 10.847 e 10.848, a projeção de demandade energia elétricatornou-se uma
das atividades mais importantes para as concessionárias de distribuição de energia elétrica no
Brasil.
Com a extinção da modalidade de contratação self-dealing1,que era permitida no marco

regulatório anterior, a distribuidora ficourestrita à contratação de energia elétrica no Ambiente
de Contratação Regulada (ACR).
Dessa forma, as distribuidoras devem contratar energia elétrica exclusivamente através de

Leilões, seja de energia existente, para reposição dos contratos vincendos e eventuais ajustes,
seja de energia nova, com o objetivo de atender a expansão do consumo de energia elétrica de
sua área de concessão.
Caso as distribuidoras adquiram nos leilões de energia uma quantidade insuficiente para
atender a sua demanda, a diferença deve ser comprada no mercado spot ao Preço de
Liquidação de Diferenças (PLD). Isso pode representar severas restrições ao fluxo de caixa
das distribuidoras, caso o Órgão Regulador (ANEEL) entenda que se trata de uma exposição
voluntária, ou seja, decorrente um erro de previsão por parte da distribuidora.
Por outro lado, caso a distribuidora esteja sobrecontratada, a ANEEL permitirá que seja
repassada à tarifa cobrada dos consumidores o montante de energia contratado até o limite de
105% em relação a sua demanda.
1
Contratos bilaterais realizados entre agentes geradores e concessionárias de distribuição de energia elétrica
pertencentes ao mesmo Grupo Econômico.
1
Dessa forma, as distribuidoras necessitam estabelecer metodologias seguras quanto
àelaboração de suas estimativas de demanda de energia elétrica, para não incorrerem
empenalidades impostas pela ANEEL.
O objetivo desse trabalho é elaborar o modelo de previsão de demanda de energia elétrica na
perspectiva de uma concessionária de distribuição. Assim sendo, utilizaremos o caso da AES
Eletropaulo, pois além de tratar-se da maior distribuidora de energia elétrica do país, existem
dados confiáveis sobre o consumo de energia elétrica ao nível municipal, os quais são
fornecidos pela Secretaria de Saneamento e Energia do Estado de São Paulo.
Para isso, este trabalho foi estruturado em 4 capítulos, incluindo esta introdução, conforme
indicado a seguir:
O Capítulo 2 apresenta a metodologia de dados em painel e descreve aespecificação do

modelo proposto para os segmentos de consumoresidencial, comercial, industrial e outros.
O Capítulo 3 descreve os resultados da aplicação do modelo e compara-os com os dados

observados de consumo de energia elétrica dos municípios da área de concessão da AES
Eletropaulo.
O Capítulo 4 nos traz as considerações finais sobre o estudo e propõe algumas novas frentes
para pesquisas futuras.
2
2. Especificação do Modelo Proposto
O modelo apresentado a seguir descreveo comportamento do consumo de energia elétrica dos

municípios da área de concessão da AES Eletropaulo, captando as correlações existentes entre
esse perfil de consumo e as suas respectivas variáveis explicativas.
Especificaremos o modelo de regressão com dados em painel, metodologia adequada para o

número limitado de observações disponíveis para os objetivos do presente estudo.
2.1 Breve descrição da metodologia de dados em Painel
Segundo Wooldridge (2006, p. 402):
[...] “um conjunto de dados em painel, embora tenha dimensões tanto de corte
transversal como de série temporal, difere em alguns aspectos importantes de um
agrupamento independente de cortes transversais. Para coletar dados de painel –
algumas vezes chamados de dados longitudinais -, nós acompanhamos (ou tentamos
acompanhar) os mesmos indivíduos, famílias, empresas, cidades, estados, ou o que
seja, ao longo do tempo”.
Para o presente estudo, não há disponibilidade de longas séries de PIB, dados populacionais e
de consumo de energia elétrica no nível municipal. Diante desse problema, a utilização de
dados em painel representa um aumento dos graus de liberdade e minimiza os problemas de
multicolinearidade entre as variáveis explicativas.
Além disso, de acordo com Hsiao (1986) apud Duarte et al (2007, p.2), [...] “o uso de dados
em painel permite controlar os efeitos das variáveis não observadas”.
Consequentemente, as características específicas de cada município e sua relação com o

consumo de energia elétrica, que por sua vez são difíceis de serem mensuradas, são
controladas com a aplicação da metodologia de dados em painel, desde que respeitadas as
suas hipóteses.
3
Para o modelo de Efeitos Fixos, adotado no presente estudo, a hipótese principal é que o
intercepto varia de município para o outro, mas é constante ao longo do tempo. Por outro
lado, supõe-se que os parâmetros estimados β são constantes para todos os indivíduos e em
todos os períodos de tempo.
Dado que os parâmetros β estimados não variam entre os municípios e nem ao longo do
tempo,todas as diferenças comportamentais, culturais, econômicas ou climáticas observadas
em cada município deverão ser captadas pelo intercepto, de forma que este represente o efeito
das variáveis omitidas no modelo.
Entretanto, apesar de existir um intercepto para cada município, os resultadosapresentados na

seção 2.3, extraídos do GRETL, nos trazem um único intercepto que busca representar as
variáveis omitidas dos 24 municípios considerados na análise.
Os testes que possibilitam verificar se os interceptos são diferentes entre os municípios estão
apresentados na seção 2.3.
2.2 Informações Gerais sobre a AES Eletropaulo
A AES Eletropaulo é uma empresa do Grupo AES Brasil que atende a vinte e quatro
municípios do Estado de São Paulo2,aproximadamente 16,6 milhões de habitantes e 6,9
milhões de unidades consumidoras, figurando como a distribuidora com o maior mercado
faturado de energia elétrica do Brasil.
O consumo de energia elétrica da AES Eletropaulo é distribuído predominantemente entre as

classes de consumo residencial e comercial, conforme podemos verificar abaixo no Gráfico
01 que apresenta a evolução da segmentação de consumo dessa distribuidora, no período de
1999 a 2014:
2
Basicamente, são os municípios da Região Metropolitana de São Paulo: Barueri, Cajamar, Carapicuíba, Cotia,
Diadema, Embu, Embu-Guaçu, Itapecerica da Serra, Itapevi, Jandira, Juquitiba, Mauá, Osasco, Pirapora do Bom
Jesus, Ribeirão Pires, Rio Grande da Serra, Santana de Parnaíba, Santo André, São Bernardo do Campo, São
Caetano do Sul, São Lourenço da Serra, São Paulo, Taboão da Serra e Vargem Grande Paulista.
4
100%
10% 9% 11% 11% 11% 11% 11% 11% 11% 10% 10% 10% 9% 9% 9% 9%
90%
80% 24% 25% 26% 26% 28% 29%
29% 30% 30% 30% 31% 31% 31% 31% 31% 34%
70%
60%
50% 31% 32% 31% 31% 29% 26% 23% 20% 19% 19% 17% 17% 16% 15% 15% 14%
40%
30%
42% 43% 43% 44% 45% 43%
20% 35% 34% 32% 31% 33% 34% 36% 39% 40% 41%
10%
0%
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Residencial Industrial Comercial Outros
Gráfico 01 – Evolução da Participação das Classes de Consumo de Energia (1999 -

2014).Fonte: Associação Brasileira de Distribuidores de Energia Elétrica –
ABRADEE.Elaboração Própria.
Conforme podemos verificar no Gráfico 01 acima, os segmentos residencial e comercial

aumentaram a sua participação no consumo total da AES Eletropaulo em detrimento do
consumo do segmento industrial, cujas as justificativas serão apresentadas no item 2.3.3.
A classe de consumo denominada “Outros” não apresentou significativa mudança no período

observado3.
2.3 O Modelo
O modelo utilizado no presente estudofoiinspirado no modelo tradicional de projeção de

demanda de energia, descrito na Portaria DNAEE nº 760, de julho de 1976 e retirada de
Castelo Branco (2003)apudDa Silva (2007, p. 120), com algumas adaptações.
A partir da referidametodologia desenvolvida pelo DNAEE, incorporaremos (nao se usa a

primeira pessoa em artigos científicos) a técnica de regressão com dados em painel na
expectativa de captar as correlações entre o consumo de energia elétrica (variável
dependente)e suas variáveis independentes ou explicativas para o caso da AES Eletropaulo.
3
A denominação “Outros” reúne o consumo das classes Rural, Iluminação Pública, Serviço Público e Poder
Público e será discutida na Seção 2.3.4.
5
Após a identificação dessas correlações (elasticidades), realizaremos a comparação dos
resultados do modelo com os dados reais de consumo observado da AES Eletropaulo no
período de 2007 a 2012.
A seguir, descreveremos as variáveis explicativas do modelo de regressão para cada classe de

consumo.
2.3.1 Classe Residencial
Omodelo sobre o comportamento do consumo residencial de energia elétrica da AES

Eletropaulo é o resultado do produto do consumo por residência e do número de residências
atendidas pela distribuidora.
O consumo por residência é modelado a partir da seguinte especificação:
lnCRit = α + β1.lnPIBrpcit (1)
Onde:
lnCRit = logaritmo do Consumo por Residência do município i no período t
α = componente fixo ligado aos municípios da área de concessão da AES Eletropaulo
β1: parâmetro a ser estimado
lnPIBrpcit = logaritmo do Produto Interno Bruto Real per capta do município i no período t
A especificação log-linear apresentada em (1) possui características desejáveis, conforme

declarado por GUJARATI (2000, p. 156):
[...] “Uma característica atraente do modelo log-log, que o tornou popular em

trabalhos aplicados, é que o coeficiente de inclinação β2 mede a elasticidade de Y
com relação a X, ou seja, a variação percentual em Y para uma dada variação
percentual (pequena) em X.”
Os resultados para a regressão com dados em painel, considerando o modelo de efeito-fixo,

são apresentados a seguir:
6
Essa tabela necessita de formatação apropriada, qual foi o software utilizado, qual é a fonte
dos dados, faltou um capítulo para os dados, descrevendo como foram coletados, e suas
estatísticas básicas descritivas.
Modelo para o Consumo Residencial: Efeitos-fixos, usando 144 observações
Incluídas 24 unidades de corte transversal
Comprimento da série temporal = 6
Variável dependente: l_v3
Coeficiente Erro Padrão razão-t p-valor

const 0,53416 0,0362532 14,7342 <0,0001 ***
l_v2 0,125255 0,0120034 10,4349 <0,0001 ***
Média var. dependente 0,911769 D.P. var. dependente 0,122131

Soma resíd. quadrados 0,082311 E.P. da regressão 0,026300
R-quadrado LSDV 0,961410 Dentro de R-quadrado 0,477814
F(24, 119) LSDV 123,5296 P-valor(F) 1,21e-72
Log da verossimilhança 333,3012 Critério de Akaike -616,6025
Critério de Schwarz âˆ’542,3571 Critério Hannan-Quinn -586,4334
rô 0,094214 Durbin-Watson 1,282960
Teste conjunto nos regressores designados:

Estatística de teste: F(1, 119) = 108,888
com p-valor = P(F(1, 119) > 108,888) = 1,69979e-018
Teste para diferenciar interceptos de grupos:

Hipótese nula: Os grupos têm um intercepto comum
com p-valor = P(F(23, 119) > 91,4538) = 1,21532e-064
Teste de Wald independente da distribuição para heteroscedasticidade:

Hipótese nula: as unidades têm a mesma variância de erro
Estatística de teste assintótica: Qui-quadrado(24) = 475,593
com p-valor = 1,92215e-085
7
Os resultados encontrados apontam para o alto grau de explicação do Consumo por
Residência pela variável PIB per capta.
As saídas do Gretl nos mostram que os resultados são estatisticamente significantes ao nível
de 95% de confiança, pois:
 a razão-t para o intercepto é de 14,7342, com p-valor insignificante;

 a razão-t para o coeficiente angular é de 10,4349, com p-valor insignificante;
 o modelo especificado explica 96,14% das variações da variável dependente.
Além disso, os resultados acima nos mostram que a hipótese nula Hode que os interceptos
αreferentes a cada município são iguais pode ser rejeitada, satisfazendo a suposição do
modelo de efeitos fixos sobre a existência de n interceptos diferentes, conforme verificado na
seção 2.1.
Dado que o teste F para a verificação dessa diferenciação apresentou resultado bastante
significativo com valor de 91,4538, a aplicação do modelo de efeitos fixos torna-se adequada.
Após a modelagem do Consumo por Residência, necessitamos estimar o número de

consumidores residenciais da área de concessão da AES Eletropaulo.
Esse número é estimadoatravés da relação entre a estimativa da população por município

realizada pelo IBGE e do número de habitantes por residência observado:
NCR = POPac /RHR (2)

Onde:
NCR = Número de Consumidores Residenciais;
POPac = População da área de concessão; e
RHR: Relação Habitante por Residência
Para os dados populacionais dos municípios da área de concessão da AES Eletropaulo,

utilizamos as Estatísticas das Populações Residentes em Nível Municipal do IBGE, calculadas
com data de referência em 1º de julho de cada ano civil.
8
Quanto ao número de residências, utilizamos os dados do Anuário Estatístico da Associação
Brasileira de Distribuidoras de Energia Elétrica (ABRADEE).
Assim, a estimativa da evolução da RHR dos municípios da área de concessão da AES

Eletropaulo é apresentada nos Quadros 01 e 02 abaixo:
Eletropaulo 1999 2000 2001 2002 2003 2004 2005 2006

População 14.690.986,00 14.552.373,00 15.361.300,00 15.552.896,00 15.717.192,00 16.062.101,00 16.252.974,00 16.442.400,00
Número Residencias 3.983.516,00 4.137.492,00 4.205.044,00 4.504.028,00 4.543.842,00 4.671.250,00 4.851.432,00 5.043.596,00
Hab/resid 3,69 3,52 3,65 3,45 3,46 3,44 3,35 3,26
Quadro 01 – Estimativa da Evolução da RHR da Área da Eletropaulo (1999-2006).
Eletropaulo 2007 2008 2009 2010 2011 2012 2013 2014

População 16.145.770,00 16.401.742,00 16.510.741,00 16.566.208,50 16.671.692,00 16.773.220,00 17.446.156,00 17.568.626,00
Número Residencias 5.243.309,00 5.418.048,00 5.583.067,00 5.713.527,00 5.921.303,00 6.072.245,00 6.221.882,00 6.288.660,00
Hab/resid 3,08 3,03 2,96 2,90 2,82 2,76 2,80 2,79
Quadro 02 – Estimativa da Evolução da RHR da Área da Eletropaulo (2007-2014).
Vale ressaltar que a Empresa de Pesquisa Energética(EPE) também publica os dados sobre a
RHR média brasileira, sendo que em 2015 esse número estava em torno de 3,2, com a
perspectiva de atingir o valor de 2,9 em 2023, consideradas as mudanças socioeconômicas e
demográficas brasileiras, tais como o decréscimo da taxa de crescimento da população, a
trajetória crescente do número de domicílios e a redução do tamanho médio da família
brasileira observado nas últimas décadas.
O consumo Residencial de energia elétrica pode ser estimado com a seguinte especificação:
(lnCRt.CRt-1).NCRt (3)
Algumas variáveis importantes foram omitidasdo modelo, tais como o estoque de

eletrodomésticos, a elasticidade-preço do consumo de energia elétrica, políticas de eficiência
energética, políticas de substituição das lâmpadas incandescentes por lâmpadas fluorescentes
ou de led, políticas habitacionais como Minha Casa, Minha Vida,nível de perdas técnicas e
não técnicas (gato) e variações extremas de temperatura.
9
A omissão dessas variáveis deve-se principalmente a insuficiente disponibilidade de dados no
nível municipal e/ou a inexistência de uma série temporal que possa ser utilizada em
aplicações e testes estatísticos.
Contudo, a vantagem do modelo de efeitos fixos é exatamente o controle sobre os efeitos das
variáveis omitidas, pois uma hipótese importante desse modelo é que o intercepto varia de
município para município, porém é constante no tempo.
2.3.2 Consumo Comercial
O perfil de consumo da classe comercial é o consumo de energia elétrica verificado nos

estabelecimentos comerciais da área de concessão de cada distribuidora de energia elétrica.
Diferentemente dos consumidores residenciais, cujo atendimento do consumo passa

necessariamente pela distribuidora local de energia elétrica,os estabelecimentos comerciais
que atendem a determinados requisitos estabelecidos pela regulação têm o direito de comprar
energia elétrica de um outro fornecedor que não seja a distribuidora local para atender à parte
ou à totalidade da sua demanda.
Esses consumidores são classificados como potencialmente livres e devem possuir os

seguintes requisitos:
 Consumidores abrangidos peloart. 26 da Lei 8.427/95, denominados Consumidores

Especiais4, devem possuir carga maior ou igual a 500 kW sem restrição quanto ao nível de
tensão;
 Consumidores com demanda superior a 3 MW e conectados em tensão igual ou maior
que 69 kV;
 Consumidores com demanda superior a 3 MW atendidos em qualquer tensão desde
que ligados após 08/07/1995.
4
Os consumidores especiais somente estão autorizados a adquirir energia provenientes dos chamados geradores
incentivados (PCHs, Eólicas, Biomassa e Solar com potência menor ou igual a 30 MW). Para maiores detalhes,
ver Lei 9.648/98.
10
Como visto, o consumo da classe comercial traz consigo uma incerteza adicional em relação
ao consumo residencial devido à possibilidade de migração do Ambiente de Contratação
Regulado (ACR) para o Ambiente de Contratação Livre (ACL) de seus consumidores
potencialmente livres.
A migração do ACR para o ACL pode acontecer desde que o Consumidor Livre ou Especial,
respeite o prazo de aviso de desligamento de conexão junto àdistribuidora previsto no
contrato.
Caso o contrato de fornecimento de energia com a distribuidora seja de prazo indeterminado,

a migração ao mercado livre será efetivada 12 meses após a formalização da solicitação de
desligamento de conexão.
Essa migração acontecerá caso o Consumidor Livre ou Especial avalie que a projeção do
custo de aquisição de energia no ACL encontre-se abaixo da projeção do custo de aquisição
de energia no ACR.
O Consumidor Especial que tenha optado por migrar para o ACL poderá retornar ao ACR,
desde que notifique a distribuidora a qual está conectado, com 180 dias de antecedência ou
em menor prazo, a critério da distribuidora.
Uma vez que um Consumidor Livre tenha optado por migrar para o ACL, este poderá retornar
ao ACR, desde que notifique a distribuidora a qual está conectado, com 5 anos de
antecedência ou em menor prazo, a critério da distribuidora.
A despeito dessas diferenças em relação a classe de consumo residencial, também

utilizaremos a especificação do modelo log-log para a classe de consumo comercial, porém
com uma defasagem para a variável explicativa, conforme apresentado abaixo:
lnCCit = α + β1.lnPIBrealit-1 (4)

Onde:
lnCCit = logaritmo do Consumo Comercial do município i no período t
11
PIBrealit-1 = logaritmo do Produto Interno Bruto Real do município i no período t-1

Mesmo problema de dados, e resultados da tabela anterior
Modelo para o Consumo Comercial: Efeitos-fixos, usando 120 observações

const 2,75167 0,659475 4,1725 <0,0001 ***
l_v2_1 0,547475 0,0439677 12,4518 <0,0001 ***

F(24, 95) LSDV 2652,837 P-valor(F) 1,3e-123
Critério de Schwarz -161,3876 Critério Hannan-Quinn -202,7746
Teste conjunto nos regressores designados -

com p-valor = P(F(1, 95) > 155,046) = 1,11921e-021
Teste para diferenciar interceptos de grupos -

com p-valor = P(F(23, 95) > 86,0665) = 1,66897e-053
12
Os resultados observados mostram o alto grau de explicação do Consumo Comercial pela
variável PIB real no nível municipal.
As saídas do Gretl nos mostram que os resultados são estatisticamente significantes ao nível
de 95% de confiança, pois:
Além disso, os resultados acima nos mostram que a hipótese nula Ho de que os interceptos
seção 2.1.
Da mesma forma que ocorreu com a modelagem do consumo residencial, algumas variáveis
importantes foram omitidas do modelo tais como políticas de expansão de crédito, além das
variáveis omitidas da modelagem do consumo residencial que também influenciam o
consumo da classe comercial5.
O modelo descrito no presente trabalho pode ser utilizado como estratégia de contratação das
distribuidoras nos leilões de energia nova A-5 e A-3, cujos horizontes de contratação são,
respectivamente, de 05 e 03 anos.
Para esse horizonte, podemos assumir a hipótese de que não haverá mudanças significativas
nas projeções dos custos de aquisição de energia nova nos ambientes regulado e livre de
contratação de energia, de maneira que não há movimentos de migração por parte dos
consumidores potencialmente livres entre esses dois ambientes para o horizonte do presente
estudo.
5
A omissão dessas variáveis não compromete os resultados do modelo, conforme discutido nas Seções 2.1 e 2.3.
13
2.3.3 Consumo Industrial
O perfil de consumo da classe industrial é o consumo de energia elétrica verificado nos

estabelecimentos industriais da área de concessão de cada distribuidora de energia elétrica.
Tal como acontece para a classe de consumidores comerciais, os estabelecimentos industriais

que atendam a determinados requisitos estabelecidos pela regulação têm o direito de comprar
energia elétrica de um outro fornecedor que não seja a distribuidora local para atender parte
ou totalidade da sua demanda, conforme vimos na seção 2.3.2.
Entretanto, paraconsumidores industriais potencialmente livres, além da opção da migração

para o ACL, há também a avaliação da opção da autoprodução de energia elétrica, fator que
afeta substancialmente o mercado faturado da distribuidora local de energia elétrica.
Conforme observamos no Gráfico 01 da Seção 2.2, o consumo industrial de energia elétrica

apresentou substancial redução da participação no mercado total da AES Eletropaulo, saindo
de uma participação de 31% em 1999 para uma participação de 14% em 2014.
Essa redução da participação da classe de consumo industrial deveu-se principalmente pela

migração de consumidores industriais do ACR para o ACL e para a categoria de autoprodutor
de energia elétrica.
Essa migração foi decorrência de uma série de fatores, quais sejam:
 Mercado livre com preços atrativos, consequência da mudança de comportamento da

demanda de energia e excesso de oferta de energia observado após o período de racionamento
em 2001;
 Algumas distorções regulatórias provocadas pela diferenciação da cobrança entre as

tarifas fio6 dos consumidores cativos e livres.
6
A receita da distribuidora é composta por duas classes: Tarifa de energia elétrica para revenda (TE) e Tarifa do
Uso do Sistema de Distribuição (TUSD). Por sua vez, a TUSD é dividida em dois componentes: a TUSD-Fio
onde é cobrada do consumidor a parcela relativa ao transporte da energia mais a remuneração da distribuidora e
14
Contudo, para as pretensões do presente estudo, podemos assumir a mesma hipótese assumida
para a classe de consumo comercial, ou seja, a de que não haverá mudanças significativas nas
projeções dos custos de aquisição de energia nova nos ambientes regulado e livre de
contratação de energia, portanto, não haverá movimentos de migração por parte dos
consumidores potencialmente livres entre esses dois ambientes para o horizonte do presente
estudo.
Adicionalmente, assumiremos a hipótese de que não haverá significativas movimentações de

grandes consumidores industriais do ACR para a autoprodução de energia elétrica.
Os problemas enfrentados pela insuficiência de dados disponíveis para as classes de consumo

comercial e residencial também são verificados para a modelagem da classe de consumo
industrial, conforme esperávamos.
Informações sobre a evolução da produção física industrial,a propensão marginal a importar

dos países consumidores dos produtos eletrointensivos brasileiros7, políticas de investimento
em eficiência energética e elasticidade-preço do consumo de energia não são disponibilizadas
com a frequência desejada para o nível municipal.
Feitas as observações sobre as particularidades da classe de consumo industrial, a

especificação que se mostrou mais adequada é a log-log, com uma defasagem para variável
explicativa, conforme apresentado a seguir:
lnCIit = α+ β1.lnPIBrindit-1 (5)

Onde:
lnCIit = logaritmo do Consumo Industrial do município i no período t
a TUSD-Encargos, componente que tem por objetivo restituir a distribuidora pelos encargos e tributos que são
repassados aos órgãos competentes.
7
São considerados como eletrointensivos os produtos provenientes das industrias do alumínio, siderurgia, ferro
ligas, pelotização, cobre, petroquímica, soda-cloro, papel e celulose e cimento. Fonte EPE 2013.
15
lnPIBrindit-1 = logaritmo do Produto Interno Bruto Real do Setor Industrial do município i no
período t-1

Modelo para o Consumo Industrial: Efeitos-fixos, usando 120 observações


const 8,13862 1,33288 6,1061 <0,0001 ***
l_v2_1 0,270775 0,0980775 2,7608 0,0069 ***

F(24, 95) LSDV 749,1111 P-valor(F) 1,29e-97
Critério de Schwarz -25,16879 Critério Hannan-Quinn -66,55575
Teste conjunto nos regressores designados -

com p-valor = P(F(1, 95) > 7,62216) = 0,00692015
Teste para diferenciar interceptos de grupos -

com p-valor = P(F(23, 95) > 100,143) = 1,81772e-056
16
Os resultados observados mostram o alto grau de explicação do Consumo Industrial de
energia elétrica através da variável PIB Industrial real no nível municipal.
Os dados de saída do Gretl nos mostram que os resultados são estatisticamente significantes
ao nível de 95% de confiança, pois:
Além disso, os resultados acima nos mostram que a hipótese nula Ho de que os interceptos
seção 3.1.
2.3.4 Outros
A classe de consumo aqui denominada “Outros” é a agregação das classes de consumo Rural,
Iluminação Pública, Serviço Público e Poder Público.
Conforme verificamos no Gráfico 01 da Seção 2.2, a participação do consumo da classe

“Outros” no mercado faturado da AES Eletropaulo não se alterou significativamente no
Ademais, o consumo em GWh dessa classe de consumo se manteve praticamente estável

durante esse mesmo período, conforme apresentado no Gráfico 02 a seguir:
17
5,000
4,500
4,000
3,519 3,519 3,519 3,517 3,518 3,507 3,520 3,519 3,522 3,522 3,501 3,509 3,509 3,510 3,509 3,508
3,500
3,000
GWh
2,500
2,000
1,500
1,000
500
0
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Gráfico 02 – Evolução do Consumo da Classe Outros (1999 - 2014).

Fonte: ABRADEE.Elaboração própria.
Dessa forma, para o objetivo da presente pesquisa, consideraremos que o consumo de energia
elétrica da Classe Outros se manterá constante, tal como verificado nos últimos 16 anos.
18
3. Resultados
3.1 Classe Residencial
Um dos maiores desafios do presente estudo é a escolha dos cenários das variáveis
fundamentais do modelo, tais como: população residente, relação habitante por residência
(RHR) e PIB real per capta.
Para a avaliação dos resultados consideramos o exercício de estimativa de demanda para a

AES Eletropaulo para o período de 2008 a 2012.
Os dados de entrada utilizados para a simulação são apresentados no Quadro 03 abaixo:
Dados de Entrada
PIB real per capita da RMSP (R$ mil 2007) 22,25
Taxa de Crescimento Estimada do PIB real per capita da RMSP (2008/2007) 4%
População RMSP 2008 16.401.742,00
População RMSP 2009 16.510.741,00
População RMSP 2010 16.566.208,50
População RMSP 2011 16.671.692,00
População RMSP 2012 16.773.220,00
RHR 2007 3,08
Quadro 03 – Dados de Entrada para a Estimação do Consumo Residencial (2008-2012)8.
8
Os dados do PIB nominal per capta dos municípios da área de concessão da AES Eletropaulo, aqui
denominadas de Região Metropolitana de São Paulo (RMSP) são fornecidos pelo IBGE e deflacionados pelo
IPCA.
19
Os Quadro 04, 05, 06 e 07 a seguir apresentam a comparação dos resultados do modelo
preditivo do consumo de energia elétrica para a classe residencial e o consumo verificado da
AES Eletropaulo para o período de 2008 a 2012.
Consumo por Residência (MWh/residencia)

Ano Valor Estimado Valor Observado Desvio (%)
2008 2,5885895337672 2,624376897362 -1%
2009 2,6025749378154 2,650514493199 -2%
2010 2,6166668003086 2,690282202219 -3%
2011 2,6308657393155 2,749901499721 -4%
2012 2,6451723807657 2,790565927429 -5%
Quadro 04 – Resultados para o Modelo de Previsão do Consumo por Residência
Os valores do Quadro 04 acima foram estimados a partir de (1):
lnCRit = α + β1.lnPIBrpcit
Relação Habitante por Residência (RHR)

2008 3,02 3,03 -0,3%
2009 2,96 2,96 0,0%
2010 2,90 2,90 0,0%
2011 2,84 2,82 0,9%
2012 2,78 2,76 0,8%
Quadro 05 – Resultados da Previsão da RHR
As estimativas dos valores de RHR foram obtidas através da captação da tendência de

redução dessa relação observada no período de 1999 a 2006. Conforme observado no Quadro
01 da Seção 2.3.1 o valor médio da redução da RHR foi de 2% ao ano para esse período.
Seguem os resultados da estimativa da NCR:
20
Número de Consumidores Residenciais (NCR)
2008 5.433.919 5.418.048 0%
2009 5.581.664 5.583.067 0%
2010 5.714.710 5.713.527 0%
2011 5.868.467 5.921.303 -1%
2012 6.024.699 6.072.245 -1%
Quadro 06 – Resultados para a Previsão do Número de Consumidores Residenciais9
A estimativa para o número de consumidores residenciais se deu a partir da estimativa da

população municipal fornecida pelo IBGE e da RHR, tal como especificado em (2):
NCR = POPac /RHR
Consumo da Classe Residencial (MWm)

2008 1.605,73 1.541,10 4%
2009 1.658,30 1.623,17 2%
2010 1.707,02 1.689,27 1%
2011 1.762,46 1.754,68 0%
2012 1.819,22 1.858,79 -2%
Quadro 07 – Resultados para o Modelo de Previsão do Consumo Residencial
Os valores acima são obtidos através da aplicação de (3):
(lnCRt.CRt-1).NCRt
Observamos que os valores estimados apresentam um desvio relativamente pequeno quando

comparados com os dados reais, corroborando com os resultados dos parâmetros estatísticos
extraídos da rodada no Gretl apresentada na Seção 2.3.1.
Entretanto, vale ressaltar que os resultados do modelo são extremamente sensíveis às

variáveis de entrada, principalmente em relação ao número de consumidores residenciais
(NCR), calculado a partir da razão entre estimativa da população e a relação habitante por
residência (RHR), conforme discutimos na Seção 2.3.1.
9
Os números de consumidores residenciais são fornecidos pela ABRADEE.
21
3.2 Classe Comercial
Tal como fizemos quando elaboramos a estimativa da classe de consumo residencial, para a
avaliação da classe de consumo comercial também consideramos o exercício de estimativa de
demanda para a AES Eletropaulo para o período de 2008 a 2012.
Os dados de entrada utilizados para a simulação são apresentados no Quadro 04 abaixo:
Dados de Entrada
PIB Real RMSP (R$ mil 2007) 442.523.121,63
Taxa de Crescimento Estimada do PIB real (2008/2007) 10%
Quadro 08 – Dados de Entrada para a Estimação do Consumo Comercial (2008-2012)10
O Quadro 09a seguir apresenta a comparação dos resultados do modelo para a estimação do
consumo de energia elétrica para a classe comercial e o consumo verificado da AES
Eletropaulo para o período de 2008 a 2012.
Consumo da Classe Comercial (MWm)

2009 1.208,63 1.175,68 3%
2010 1.242,48 1.226,03 1%
2011 1.277,54 1.267,92 1%
2012 1.313,26 1.328,31 -1%
2013 1.349,64 1.359,82 -1%
Quadro 09 – Resultados para o Modelo de Previsão do Consumo da Classe Comercial
10
Os dados do PIB Real dos municípios da Região Metropolitana de São Paulo (RMSP) são fornecidos pelo
IBGE e deflacionados pelo IPCA.
22
Observamos que os valores estimados apresentam um desvio relativamente pequeno quando
comparados com os dados observados, corroborando com os resultados dos parâmetros
estatísticos extraídos da rodada no Gretl apresentada na Seção 2.3.2.
3.3 Classe Industrial
A seguir, apresentaremos os resultados do modelo preditivo do consumo da classe industrial e

a comparação do resultado do modelo com o consumo observado da AES Eletropaulo para o
Consumo da Classe Industrial (MWm)

2009 809,78 748,74 8%
2010 875,83 687,67 27%
2011 947,37 703,77 35%
2012 1.024,54 685,84 49%
2013 1.107,73 664,50 67%
Quadro 10 – Resultados para o Modelo de Previsão do Consumo da Classe Industrial
Observamos que os valores estimados apresentam um desvio relativamente grande quando

comparados com os dados observados do consumo da AES Eletropaulo.
Esses substanciais desvios são justificados pela migração de consumidores industriais do

ACR para o ACL e para a categoria de autoprodutor de energia elétrica, conforme
observamos no Gráfico 03 abaixo:
23
Gráfico 03 – Evolução do Número de Consumidores da AES EletropauloFonte: ABRADEE.
Elaboração Própria.
Como discutimos na Seção 2.3.3, essa migração foi decorrência de uma série de
fatoresconjunturais, econômicos e regulatórios, que tornaram a opção pelo ambiente de
contratação livre mais competitivo, em detrimento do consumo de energia elétrica no
ambiente cativo.
O presente modelo torna-se mais robusto quando aplicados emmomentos em que não há
perspectiva de migração substancial dos consumidores industriais (ou comerciais) do ACR
para o ACL.
Caso essa hipótese não seja satisfeita, os resultados do modelo não são aderentes aos valores
observados do consumo de energia elétrica da classe industrial da AES Eletropaulo ou de
qualquer outra concessionária de distribuição.
Alternativamente, considerando a aplicação do modelo ao consumo total de energia elétrica

dos municípios atendidos pela AES Eletropaulo, independente do ambiente de contratação
(ACR e ACL), verificamos que os resultados observados são mais aderentes, conforme
verificado no Quadro 11 abaixo:
24
Consumo da Classe Industrial (MWm)
2009 1.486,01 1.374,93 8%
2010 1.374,93 1.240,15 11%
2011 1.240,15 1.349,66 -8%
2012 1.349,66 1.356,44 0%
2013 1.356,44 1.307,69 4%
Quadro 11: – Resultados para o Modelo de Previsão do Consumo da Classe Industrial
considerando os dois ambientes de contratação (ACR e ACL)
Entretanto, os resultados para a modelagem do consumo de energia da classe industrial

estariam mais aderentes à realidade caso fossem disponibilizados pelo IBGE os dados da
produção física industrial ao nível municipal.11
Por enquanto, o IBGE publica a Pesquisa Industrial Mensal de Produção Física (PIM-PF) para
alguns estados brasileiros tais como Amazonas, Pará, Ceará, Pernambuco, Bahia, Minas
Gerais, Espírito Santo, Rio de Janeiro, São Paulo, Paraná, Santa Catarina, Rio Grande do Sul
e Goiás e ao nível regional, para a região Nordeste.
Conforme pode ser verificado no Gráfico 04 abaixo, há uma correlação bastante significativa
entre o Consumo de Energia Elétrica Industrial e a Produção Física Industrial apurada pela
PIM-PF:
11
Existem 14 distribuidoras de energia elétrica atuando no Estado de São Paulo além da AES Eletropaulo, quais
sejam:EDP Bandeirante, Bragantina, Caiuá, CPFL Mococa, CPFL Santa Cruz, CNEE, CPFL Leste Paulista,
CPFl Sul Paulista, EEVP, Elektro, CPFL Jaguari, CPFL Piratininga e a Cooperativa Holambra.
25
Gráfico 04 – Consumo da Classe Industrial x Produção Física Industrial
Fonte: EPE
4. Considerações Finais
O presente trabalho desenvolveu modelo para estimar o consumo de energia elétrica da AES
Eletropaulo, considerando a segmentação do consumo nas classes residencial, comercial,
industrial e outros.
Foi aplicada a metodologia de dados em painel, mais adequada para este estudo, dada a
indisponibilidade de longas séries de tempo de PIB ao nível municipal e de dados de consumo
de energia elétrica.
Para as classes residencial e comercial, os exercícios de projeção realizados mostraram-se

bastante satisfatórios, quando comparados com os valores reais do consumo de energia dessas
classes.
Entretanto, para a classe industrial os resultados do modelo não apresentaram aderência

satisfatória com a realidade, pois no período observado houve intensa migração dos
consumidores potencialmente livres da AES Eletropaulo para o ACL.
Ao compararmos os resultados do modelo com o consumo de energia elétrica industrial do

ACR e ACL dos municípios da área de concessão da AES Eletropaulo, observamos uma
melhor aderência do modelo, apesar de ainda ser insatisfatória.
O ideal seria a disponibilização, por parte do IBGE, dos dados da Pesquisa Industrial Mensal
de Produção Física (PIM-PF) ao nível municipal. Atualmente, a pesquisa possui dados
disponíveis para 13 estados brasileiros, sem desdobramentos para o nível municipal.
26
Ademais, é extremamente desejável que as distribuidoras complementem a aplicação de
modelos preditivos, como o proposto na presente análise, com a pesquisa junto aos seus
clientes potencialmente livres, pois a incerteza sobre a migração de grandes consumidores
entre os dois ambientes envolve questões econômicas e regulatórias difíceis de serem
modeladas ou previstas.
REFERÊNCIAS
CASTRO, Marco Aurélio Lenzi. Análise dos riscos de uma distribuidora associados à
compra e venda de energia no novo modelo do setor elétrico. 2004. 155 f. Dissertação
(Mestrado em Engenharia Elétrica) – Faculdade de Tecnologia, Universidade de Brasília,
Brasília, 2004.
CUNHA, Edson Luís Barbosa. Projeção de mercado de energia elétrica da classe

industrial considerando consumidores especiais. 2009. 103 f. Dissertação (Mestrado em
Engenharia Elétrica) – Escola de Engenharia, Universidade Federal do Rio Grande do Sul,
Porto Alegre, 2009.
DA SILVA, Malcon Fernandes Angelo. Modelo para planejamento de demanda de

energia elétrica considerando o comportamento dos consumidores nos ambientes de
contratação. 2007. 147 f. Dissertação (Mestrado em Engenharia Elétrica) – Escola de
Engenharia, Universidade Federal do Rio Grande do Sul, Porto Alegre, 2007.
DUARTE, Patrícia Cristina; LAMOUNIER, Wagner Moura; TAKAMATSU; Renata Turola.

Modelos econométricos para dados em painel: aspectos teóricos e exemplos de aplicação
à pesquisa em contabilidade e finanças. São Paulo: 7º Congresso USP de Controladoria e
Contabilidade, 2007.
EMPRESA DE PESQUISA ENERGÉTICA– EPE. Projeção da demanda de energia

elétrica. Nota Técnica DEA 28/13. Rio de Janeiro, 2013.
LOUREIRO, André Oliveira Ferreira; COSTA, Leandro Oliveira. Uma breve discussão
sobre os modelos com dados em painel. Fortaleza: Instituto de Pesquisa e Estratégica
Econômica do Ceará, 2009.
27
GUJARATI, Damodar N. Extensões do modelo de regressão linear de duas variáveis. In:
Econometria Básica. 3ª Edição. São Paulo: Makron Books, 2000. pp. 145-181.
WOOLDRIDGE, Jeffrey M. O agrupamento de cortes transversais ao longo do tempo.

Métodos simples de dados de painel. Introdução à econometria: uma abordagem
moderna. 2ª Edição. São Paulo: Cengage Learning, 2006. pp. 402-431.
28

Monografia

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Monografia

Enviado por

Direitos autorais:

Formatos disponíveis

Falta o título, resumo, palavras chave, abstract, bem como atender as recomendações da

ABNT (buscar na internet o formato de monografia ABNT)

Com a extinção da modalidade de contratação self-dealing1,que era permitida no marco

Dessa forma, as distribuidoras devem contratar energia elétrica exclusivamente através de

O Capítulo 2 apresenta a metodologia de dados em painel e descreve aespecificação do

O Capítulo 3 descreve os resultados da aplicação do modelo e compara-os com os dados

O modelo apresentado a seguir descreveo comportamento do consumo de energia elétrica dos

Especificaremos o modelo de regressão com dados em painel, metodologia adequada para o

2.1 Breve descrição da metodologia de dados em Painel

Segundo Wooldridge (2006, p. 402):

Consequentemente, as características específicas de cada município e sua relação com o

Entretanto, apesar de existir um intercepto para cada município, os resultadosapresentados na

2.2 Informações Gerais sobre a AES Eletropaulo

O consumo de energia elétrica da AES Eletropaulo é distribuído predominantemente entre as

Residencial Industrial Comercial Outros

Gráfico 01 – Evolução da Participação das Classes de Consumo de Energia (1999 -

Conforme podemos verificar no Gráfico 01 acima, os segmentos residencial e comercial

A classe de consumo denominada “Outros” não apresentou significativa mudança no período

O modelo utilizado no presente estudofoiinspirado no modelo tradicional de projeção de

A partir da referidametodologia desenvolvida pelo DNAEE, incorporaremos (nao se usa a

A seguir, descreveremos as variáveis explicativas do modelo de regressão para cada classe de

2.3.1 Classe Residencial

Omodelo sobre o comportamento do consumo residencial de energia elétrica da AES

O consumo por residência é modelado a partir da seguinte especificação:

lnCRit = α + β1.lnPIBrpcit (1)

A especificação log-linear apresentada em (1) possui características desejáveis, conforme

[...] “Uma característica atraente do modelo log-log, que o tornou popular em

Os resultados para a regressão com dados em painel, considerando o modelo de efeito-fixo,

Coeficiente Erro Padrão razão-t p-valor

Média var. dependente 0,911769 D.P. var. dependente 0,122131

Teste conjunto nos regressores designados:

Teste para diferenciar interceptos de grupos:

Teste de Wald independente da distribuição para heteroscedasticidade:

 a razão-t para o intercepto é de 14,7342, com p-valor insignificante;

Após a modelagem do Consumo por Residência, necessitamos estimar o número de

Esse número é estimadoatravés da relação entre a estimativa da população por município

NCR = POPac /RHR (2)

Para os dados populacionais dos municípios da área de concessão da AES Eletropaulo,

Assim, a estimativa da evolução da RHR dos municípios da área de concessão da AES

Eletropaulo 1999 2000 2001 2002 2003 2004 2005 2006

Quadro 01 – Estimativa da Evolução da RHR da Área da Eletropaulo (1999-2006).

Eletropaulo 2007 2008 2009 2010 2011 2012 2013 2014

Quadro 02 – Estimativa da Evolução da RHR da Área da Eletropaulo (2007-2014).

Algumas variáveis importantes foram omitidasdo modelo, tais como o estoque de

2.3.2 Consumo Comercial

O perfil de consumo da classe comercial é o consumo de energia elétrica verificado nos

Diferentemente dos consumidores residenciais, cujo atendimento do consumo passa

Esses consumidores são classificados como potencialmente livres e devem possuir os

 Consumidores abrangidos peloart. 26 da Lei 8.427/95, denominados Consumidores

Caso o contrato de fornecimento de energia com a distribuidora seja de prazo indeterminado,

A despeito dessas diferenças em relação a classe de consumo residencial, também

lnCCit = α + β1.lnPIBrealit-1 (4)

Os resultados para a regressão com dados em painel, considerando o modelo de efeito-fixo,

Coeficiente Erro Padrão razão-t p-valor

Média var. dependente 10,96274 D.P. var. dependente 1,951555

Teste conjunto nos regressores designados -

Teste para diferenciar interceptos de grupos -

O perfil de consumo da classe industrial é o consumo de energia elétrica verificado nos

Tal como acontece para a classe de consumidores comerciais, os estabelecimentos industriais

Entretanto, paraconsumidores industriais potencialmente livres, além da opção da migração

Conforme observamos no Gráfico 01 da Seção 2.2, o consumo industrial de energia elétrica

Essa redução da participação da classe de consumo industrial deveu-se principalmente pela

Essa migração foi decorrência de uma série de fatores, quais sejam:

 Mercado livre com preços atrativos, consequência da mudança de comportamento da