4. REVISÃO DE LITERATURA
4.5. Métodos de inclusão de riscos em projetos de investimentos
A introdução do risco na análise econômica, de acordo com Fasiaben (2002) é uma questão relevante, pois nem sempre os empresários escolhem atividades levadas unicamente pelo retorno monetário que estas possam gerar, mas consideram incertezas no comportamento das variáveis que compõem o modelo. No setor agrícola, por exemplo, estas incertezas estão associadas à quebra na produção das culturas, mudanças nas condições de comercialização e preços, etc.
Conforme Woiler & Mathias (1996) a principal fonte de risco nos projetos de investimentos é o fato de que o volume de informações envolvido é muito grande e os valores de grande parte das variáveis são projetados no futuro. Nestas condições, a análise do projeto é feita sobre uma base duplamente variável: os dados coletados e processados (sendo a grande maioria estimativa) e o fato de que o futuro muito possivelmente não se comportará de acordo com as projeções.
Azevedo Filho (1988) ressaltou que é evidente que não existe nenhum método que possibilite conhecer “ex-ante” os valores exatos de todas as informações utilizadas para a geração do fluxo de caixa de um projeto. Contudo, a técnica de simulação e outros
princípios de decisão em condições de riscos podem fornecer alguns subsídios úteis para a incorporação explícita da incerteza no processo de avaliação de projetos.
Algumas medidas de abordagem do risco em processos decisórios de análise de investimentos são descritas na literatura, como se segue:
a) Taxa de desconto ajustadas ao risco (TDARs) - uma abordagem prática para o ajuste ao risco envolve a utilização de taxas de desconto ajustadas ao risco (TDARs). A equação a seguir apresenta a expressão básica para o VPL quando taxas de desconto ajustadas ao risco são utilizadas. VPL =
∑
n 1 = t t t ) TDAR + 1 ( FC (1)A taxa de desconto ajustada ao risco (TDAR) é a taxa de retorno que deve ser obtida em um determinado projeto, para compensar adequadamente os proprietários da empresa. Quanto maior o risco de um projeto, maior será a TDAR e, conseqüentemente, menor o valor presente líquido de uma série de entradas de caixa (Gitman, 2004).
b) equivalentes à certeza - uma das abordagens mais diretas e teoricamente preferível para o ajuste do risco é o uso dos equivalentes à certeza (ECs), que representam a porcentagem de uma entrada de caixa estimada, que os investidores ficariam satisfeitos em receber com certeza, ao invés de entradas de caixa possíveis, a cada ano, sob condições de grande incerteza. A equação abaixo apresenta a expressão básica para o VPL quando equivalentes à certeza são usados para o ajuste de risco:
VPL =
∑
n 1 = t t ) Rf + 1 ( FCt . t α (2) Em que:αt = fator de equivalente à certeza no ano t ( 0 ≤αt ≤ 1) FCt = Entrada de caixa relevante no ano t
Rf = Taxa de retorno livre de risco
A equação mostra que o projeto é ajustado ao risco, convertendo em primeiro lugar as entradas de caixa esperadas em montantes certos, αt.FCt, e, então, descontando as entradas de caixa pela taxa livre de risco, Rf. A taxa livre de risco, Rf, é a taxa de retorno que se ganharia em um investimento virtualmente sem risco, tal como um título do governo. Ela é empregada para descontar entradas de caixa certas e não deve ser confundida com a taxa de desconto ajustada ao risco (se fosse usada uma taxa ajustada ao risco, o risco estaria, na verdade, sendo contado em dobro) (Gitman, 2002).
c) Análise de sensibilidade – esta análise consiste em fazer variar um ou mais dados do estudo e medir a correspondente variação no resultado. Uma das finalidades de se fazer análise de sensibilidade é determinar quais dados influenciam mais o resultado de um projeto. Esta análise também é útil quando se está analisando qualitativamente os riscos de um projeto, pois é possível estabelecer os valores críticos das variáveis mais importantes (Woiler & Mathias, 1996 e Costa & Attie, 1984).
A análise de sensibilidade, conforme Noronha (1987) serve para chamar a atenção do analista de projetos sobre a necessidade de estudar mais detalhadamente determinadas variáveis. Quando o projeto é muito sensível a certas variáveis, torna-se necessário rever as estimativas destas variáveis.
A análise de sensibilidade sozinha, não é suficiente como técnica de análise de riscos em projetos de investimentos, por ser uma análise parcial e apenas indicar se o projeto é ou não sensível a certas variáveis. O autor afirma também que é importante ter conhecimento das probabilidades de ocorrência de situações adversas bem como suas
conseqüências sobre os resultados do projeto. d) Árvores de decisão – é uma maneira gráfica e útil de visualizar as conseqüências de
decisões atuais e futuras bem como os eventos aleatórios relacionados, pois permite a concepção e o controle de um certo número de problemas de investimentos sujeitos a riscos. O diagrama representativo de um investimento feito sob forma de árvore de decisão é o instrumento de análise que propicia as melhores condições ao decisor de visualizar os riscos, as opções e as vantagens financeiras das diversas alternativas de ação. A estrutura de uma árvore de decisão deve ser bem simples e depende do número de ações e eventos aleatórios (Casarotto Filho & Kopittke, 2000).
e) simulação - A análise de risco associada à tomada de decisões pode ser melhorada com o uso da técnica de simulação. Esta técnica, quando aplicada à análise de projetos, refere-se à seleção estocástica ou aleatória de variáveis, sendo também conhecida como Método de Monte Carlo (Woiler & Mathias, 1996). Conforme os mesmos autores a simulação pode ser considerada como uma extensão natural da árvore de decisão, quando o número de alternativas cresce muito.
O método deMonte Carlo é um dos métodos propostos na literatura de análise de investimentos, que permite a variação simultânea de variáveis e a observação de seus efeitos conjuntos na rentabilidade do investimento.
Este método consiste em simular variáveis previamente selecionadas e determinar o indicador de rentabilidade (VPL, TIR, B/C) de forma a inserir o risco da variação dos componentes do modelo. Por meio de repetições do processo de seleção de variáveis aleatórias em número suficiente de vezes, é obtida uma distribuição de probabilidades daquele indicador, permitindo-se identificar o grau de risco da atividade analisada (Ferreira, 1995).
Alguns trabalhos que utilizam a técnica de Monte Carlo para avaliação de viabilidade de projetos sob condições de risco podem ser citados: i) Ferreira (1995) utilizou o Método de Monte Carlo e a Análise de Sensibilidade para analisar a viabilidade da sericicultura paranaense mostrando que a atividade sob contratos de integração com empresas particulares e cooperativas, sob condições de risco é economicamente viável. O indicador econômico utilizado nas análises de risco foi a Taxa Interna de Retorno; ii) Néris & Bacha (2001) utilizando o método de Monte Carlo analisaram o impacto dos programas privados e públicos de doação de mudas sobre a rentabilidade econômica de projetos de reflorestamento em pequenos e médios imóveis rurais. Foram estudados os casos de Minas Gerais, São Paulo e Paraná. Os autores constataram que em condições determinísticas ou em condições de risco, os projetos de reflorestamento analisados foram considerados economicamente viáveis; iii) Pinto & Carmo (2002) realizaram uma avaliação econômica sob condições de risco de um sistema agroflorestal utilizando o método de Monte Carlo. Os indicadores econômicos utilizados foram o Valor Presente, a Taxa Interna de Retorno, relação benefício-Custo, Payback Simples e Payback Econômico, e as simulações foram realizadas para quatro cenários diferentes; e iv) Ponciano et al. (2004) analisaram a viabilidade econômica da produção de frutas sob condições de risco utilizando o método de Monte Carlo.Os indicadores utilizados foram o Valor Presente e a Taxa Interna de Retorno. Os
autores concluíram que todas as atividades analisadas apresentaram rentabilidades satisfatórias.
Um modelo de simulação foi empregado por Oliveira et al. (2001), que analisaram as estratégias das companhias aéreas na ponte aérea Rio de Janeiro - São Paulo, por meio de desenvolvimento, validação e experimentação de um modelo de simulação computacional. O foco do trabalho foi o estudo das chamadas Estratégias de Gerenciamento de Receitas (GR), uma inovação tecnológica criada pelas empresas norte-americanas com o processo de desregulamentação do setor, e foi recentemente introduzida no Brasil também como uma resposta ao aumento da competição propiciado pelas políticas das autoridades responsáveis , a partir dos anos noventa.
Corrêa Neto & Tolmasquim (2001) realizaram uma avaliação econômica de um projeto para co-geração no setor sucroacooleiro utilizando a análise de sensibilidade, relatando que é imprescindível a aplicação de um método que permita determinar a influência que a variação em uma das variáveis tem sobre os resultados esperados do projeto. Foram selecionadas cinco variáveis para realizar a análise de sensibilidade; a tarifa de venda da energia elétrica, custo do investimento, custo da biomassa, custos de operação e manutenção, fator de carga anual de instalação. Os autores verificaram que os indicadores apontaram para a inviabilidade do projeto e afirmaram que a viabilidade econômica para projetos de co-geração depende fundamentalmente da internalização dos benefícios ambientais e da utilização de mecanismos de incentivo, sejam nacionais ou internacionais.
Conforme Hacura et al. (2002) o principal problema num projeto de investimento é avaliar os riscos de uma maneira apropriada que permita uma avaliação
consistente do projeto e o Método de Monte Carlo pode ser um instrumento eficiente para estas decisões de investimento.
f) Algoritmo de Redes Neurais -As redes neurais artificiais (RNA´s) são sistemas de inteligência artificial capazes de simular o funcionamento do cérebro humano por “mecanismos de aprendizado”, apresentando, portanto, a possibilidade de serem treinadas para uma determinada situação (Mizubuti et al., 1994; Olson & Sequeira, 1995; Pozza, 1998).
O conceito de inteligência artificial (IA) surgiu praticamente junto com o computador e refere-se aos processos que imitam o ser humano na tarefa de aprender, efetuar julgamentos ou tomar decisões. O desenvolvimento tecnológico ocorrido nos últimos anos possibilitou criar diversas aplicações de IA. Atualmente, ela encontra-se presente nas mais diversas áreas da atividade humana, como por exemplo, na automação industrial, na aviação, no automobilismo, na medicina e inúmeras outras (Pozza, 1998).
Conforme Beale & Jackson (1990) a abordagem de redes neurais consiste em capturar os princípios básicos de manipulação de informação do cérebro humano e aplicar esse conhecimento na resolução de problemas que exigem aprendizado a partir da experiência. Por serem baseadas nas redes neurais biológicas, as redes neurais artificiais apresentam um surpreendente número de características observadas no processo cognitivo humano, como o aprendizado pela experiência, a generalização a partir de exemplos e a abstração de características essenciais de informações que contem fatos irrelevantes (Silva et al. 2001).
Carbonell (1989) define o conceito de aprendizado como a habilidade de realizar tarefas novas que não poderiam ser realizadas anteriormente, ou melhorar a
realização de tarefas antigas, como resultado de mudanças produzidas pelo processo de aprendizado.
Conforme Silva et al. (2001) seguindo um processo de aprendizado dos dados, as redes neurais procuram identificar as relações existentes entre variáveis econômicas. A idéia principal é buscar, como num modelo de regressão, uma racionalidade nas magnitudes e sinais dos parâmetros obtidos, com vistas a entender o grau de influência ou impacto dos resultados obtidos.
De acordo com Wasserman, citado por Muller (1996) um modelo de RNA’s é sensível às variações que podem ocorrer em informações procedentes de suas unidades de entrada, reconhecendo ruído e distorção. A capacidade da rede em se adaptar às novas situações, gerando valores de saída consistentes com os esperados, é vital para a aplicabilidade do modelo em um ambiente do mundo real.
Conforme Fernandes (2003) as estratégias de aprendizado da rede são de três tipos:
a) sem treinamento – os valores dos pesos sinápticos são estabelecidos explicitamente.
b) treinamento supervisionado – a rede é treinada pela apresentação dos vetores de entrada e seus respectivos de saída, chamados de pares de treinamento.
c) treinamento não supervisionado – o treinamento consiste da apresentação apenas dos vetores de entrada, a partir dos quais são extraídas as características desse conjunto de padrões, agrupando-os em classes.
Conforme Silva et al (2001), no aprendizado supervisionado modifica- se o estado de ativação na saída da rede em resposta a uma certa configuração de entradas. Portanto, a rede é capaz de estabelecer associações de entrada-saída (estímulo e resposta) a
fim de adaptar a uma situação proposta. No caso de uma rede com aprendizado supervisionado, a rede deve adaptar os seus pesos de maneira a passar a responder de acordo com o exemplo dado, ou seja, gerando na sua saída um estado de ativação compatível para com o esperado. O método utilizado para modificar o comportamento de uma rede é denominado de regra de aprendizado.
Silva et al (2001) afirmaram que existe uma ligação entre as redes neurais e os modelos econométricos tradicionais. Para os autores as redes neurais são basicamente equivalentes ao problema de ajustamento de uma função não-linear a um conjunto de dados, onde a forma desta função não-linear é dada pela arquitetura da rede.
Conforme os mesmos autores, no caso do modelo de regressão, por exemplo, tem-se uma variável dita endógena sendo explicada por diferentes variáveis exógenas. Nas redes neurais, as variáveis exógenas podem ser vistas como os sinais que entram nos neurônios da camada de entrada, enquanto que a variável endógena é representada pelo sinal de saída desejável para a rede. Em outras palavras, a variável endógena é o padrão que é objeto do aprendizado da rede neural. Na verdade, uma rede neural que tenha apenas uma camada de entrada e outra de saída (perceptron) pode ser facilmente relacionada ao modelo de regressão linear.
As redes neurais têm sido utilizadas para solucionar problemas na área econômica. Fernandes et al. (1996) utilizaram este método para previsão de séries temporais. Estes autores constataram que as RNA’s são uma ferramenta poderosa para a realização destas previsões, capazes de realizar prognósticos com bom nível de precisão. A principal dificuldade na utilização de RNA’s apontada pelos autores na previsão de série
temporais ainda é a determinação de sua arquitetura ótima. Ainda não se possui uma metodologia consistente que apresente a melhor configuração da rede para cada série proposta.
Muller (1996) utilizou as RNA’s para investigar o seu potencial preditivo em séries de preços de ações. O autor constatou que as acuidades das previsões geradas pelas redes neurais caracterizam este modelo como uma ferramenta poderosa para a realização das previsões de séries econômicas. A abordagem desses modelos na manipulação de séries de cotações de ações é possível alcançar previsões extremamente próximas dos valores observados, tanto em termos de tendência quanto em termos de valores absolutos. Invariavelmente, as redes neurais artificiais apresentaram desvios de menor magnitude quando comparados com aqueles obtidos pela aplicação dos métodos de previsão convencionais considerados.
Bosaipo (2001) utilizou as RNA’s para previsão do comportamento do mercado financeiro para a construção de uma estratégia de compra e venda de ações. Conforme a autora, as redes obtiveram bons resultados financeiros, mas a rede apresentou movimentos equivocados que podem estar relacionados ao curto intervalo de tempo observado, quenão permite à rede uma percepção de movimentos consistente de alta ou baixa de longa duração.
Silva et al. (2001) utilizaram as redes neurais para estimar a demanda de importações brasileiras e concluíram que a rede neural apresentou um bom ajustamento. Verificaram também que ao contrário dos modelos computacionais e métodos de estimação comumente utilizados, as redes neurais aprendem a resolver problemas por meio da sua interação com o meio ambiente, de maneira semelhante à que ocorre no aprendizado de seres humanos. Para os autores, comparativamente à opção de se utilizar mínimos quadrados não-
lineares, a grande vantagem desta categoria de modelos é a de permitir a estimação de parâmetros de modelos, sem a imposição de qualquer tipo de restrição acerca da forma funcional não – linear utilizada ou da normalidade de distribuição de probabilidades dos parâmetros.
Oliveira et al. (2003) avaliaram os benefícios e as limitações das redes neurais na estimativa de elasticidades de funções econômicas. A primeira questão investigada foi a viabilidade desta ferramenta computacional para efetuar estas estimativas, procurando avaliar se as aproximações decorrentes do modelo eram suficientemente fiéis para permitir que, numericamente, se pudesse estimar as derivadas parciais da função aproximada. O resultado, mediante a comparação entre as derivadas estimadas e as verdadeiras, foi sugestivo de que as redes neurais podem aproximar funções satisfatoriamente, apesar das limitações assinaladas.