Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
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 4 nos traz as considerações finais sobre o estudo e propõe algumas novas frentes
para pesquisas futuras.
2
2. Especificação do Modelo Proposto
[...] “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”.
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.
Os testes que possibilitam verificar se os interceptos são diferentes entre os municípios estão
apresentados na seção 2.3.
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.
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
2.3 O Modelo
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.
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
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
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:
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.
8
Quanto ao número de residências, utilizamos os dados do Anuário Estatístico da Associação
Brasileira de Distribuidoras de Energia Elétrica (ABRADEE).
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)
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.
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.
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.
11
β1: parâmetro a ser estimado
PIBrealit-1 = logaritmo do Produto Interno Bruto Real do município i no período t-1
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:
a razão-t para o intercepto é de 2,75167, com p-valor insignificante;
a razão-t para o coeficiente angular é de 0,547475, com p-valor insignificante;
o modelo especificado explica 99,85% das variações da variável dependente.
Além disso, os resultados acima nos mostram que a hipótese nula Ho de 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 86,0665, a aplicação do modelo de efeitos fixos torna-se adequada.
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
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.
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
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:
a razão-t para o intercepto é de 8,13862, com p-valor insignificante;
a razão-t para o coeficiente angular é de 0,270775, com p-valor insignificante;
o modelo especificado explica 99,47% das variações da variável dependente.
Além disso, os resultados acima nos mostram que a hipótese nula Ho de 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 3.1.
Dado que o teste F para a verificação dessa diferenciação apresentou resultado bastante
significativo com valor de 100,143, a aplicação do modelo de efeitos fixos torna-se adequada.
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.
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
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
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.
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%
Taxa de Crescimento Estimada do PIB real per capita da RMSP (2009/2008) 5%
Taxa de Crescimento Estimada do PIB real per capita da RMSP (2010/2009) 6%
Taxa de Crescimento Estimada do PIB real per capita da RMSP (2011/2010) 7%
Taxa de Crescimento Estimada do PIB real per capita da RMSP (2012/2011) 8%
Taxa de Crescimento Estimada do PIB real per capita da RMSP (2013/2012) 8%
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
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.
lnCRit = α + β1.lnPIBrpcit
20
Número de Consumidores Residenciais (NCR)
Ano Valor Estimado Valor Observado Desvio (%)
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
(lnCRt.CRt-1).NCRt
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.
Dados de Entrada
PIB Real RMSP (R$ mil 2007) 442.523.121,63
PIB Real RMSP (R$ mil 2008) 485.451.235,97
PIB Real RMSP (R$ mil 2009) 529.033.728,26
PIB Real RMSP (R$ mil 2010) 596.718.674,19
PIB Real RMSP (R$ mil 2011) 644.903.725,35
PIB Real RMSP (R$ mil 2012) 666.404.332,22
Taxa de Crescimento Estimada do PIB real (2008/2007) 10%
Taxa de Crescimento Estimada do PIB real (2009/2008) 9%
Taxa de Crescimento Estimada do PIB real (2010/2009) 13%
Taxa de Crescimento Estimada do PIB real (2011/2010) 8%
Taxa de Crescimento Estimada do PIB real (2012/2011) 3%
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.
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.
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.
24
Consumo da Classe Industrial (MWm)
Ano Valor Estimado Valor Observado Desvio (%)
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)
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.
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.
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.
28