MODELAGEM DINÂMICA DO PREÇO DA SOJA UM ESTUDO PRELIMINAR

MODELAGEM DINÂMICA DO PREÇO DA SOJA – UM ESTUDO

PRELIMINAR

Rosane Maria Kirchner

Departamento de Física, Estatística e Matemática – UNIJUI – Ijuí – RS Pós Graduação em Engenharia de Produção - UFSM – Santa Maria – RS

[email protected] Adriano Mendonça Souza

Departamento de Estatística – UFSM – Santa Maria – RS [email protected]

Resumo

A abertura dos mercados para a soja com a inserção do Brasil no mercado mundial via globalização, não solucionou os problemas que os agricultores vem enfrentando no mercado financeiro no momento da comercialização do produto. O cultivo da referida leguminosa demanda altos custos, incluindo riscos referentes a condições climáticas e eventuais danos, tais como a ocorrência de pragas. No momento da comercialização do produto, os preços pagos ficam aquém do esperado, gerando insatisfação e aumento do endividamento do produtor. O objetivo desta investigação é verificar através da modelagem dinâmica, os fatores que determinam e a forma que contribuem na formação do preço da soja em grãos no Rio Grande do Sul. Delimitamos o tema levando em consideração os seguintes fatores: preço da soja no Brasil como variável dependente e a produção de soja em toneladas no Brasil, a produção de soja em toneladas no RS, a área plantada de soja no Brasil, a área plantada de soja no RS, a cotação Chicago para soja, a produção nos EUA, na Argentina, no Paraguai, na China e no Mundo, como variáveis independentes. O preço final da comercialização da soja é determinado pelo preço de comercialização defasado e pela cotação da bolsa de Chicago em valores correntes e defasados. A presente investigação pode ser útil, fornecendo subsídios mais concretos e contribuindo para a identificação de fatores que determinam a cotação do produto no mercado brasileiro.

Palavras chaves: Soja, Regressão dinâmica, Previsão

Abstract

The opening of the markets for the soy with the insert of Brazil in the world market riew globalization, didn't solve the problems that the farmers are facing in the finance market in the moment of the commercialization. The soy cultivation demands high costs, including the referring risks to climatic conditions and eventual damages, such as the occurrence of curses. In the commercialization of the product, the prices paid cause dissatisfaction and increase of the indebted of the producer. The main purpose of this research is to verify through the dynamic regression analysis, which the factors that determine and the way that they contribute in the price of the soy beans in grains in Rio Grande do Sul state. The variables involved in this research were: price of the soy in Brazil as dependent variable and the soy production in tons in Brazil, the soy production in tons in RS, the planted area of soy in Brazil, the planted area of soy in RS, the quotation Chicago for soy, the production in the USA, in Argentina, in Paraguay, in China and in the World, as independent variables. The final price of soy bean is determinate by the price lagged and the Chicago’s stock market in value current and lagged. The accomplishment of the present investigation can be useful, supplying more concrete subsidies and contributing to the identification of the factors that determine the quotation of the product in the Brazilian market.

1 Introdução

As formas, a qualidade e a quantidade de produção de alimentos têm se constituído em preocupação mundial. O crescimento populacional ocorre de forma ascendente, exigindo aumento da quantidade de produtos, aliada à melhoria da qualidade dos mesmos. Daí a necessidade de pesquisas e investimentos que favoreçam a adoção de métodos de apoio à decisão, permitindo a elaboração e implementação de estratégias efetivas e eficazes no que tange a disponibilização de maior e melhor produção à população, vindo ao encontro das necessidades da mesma. Dentre as principais leguminosas produzidas no Brasil e principalmente no Rio Grande do Sul, está a soja. É uma planta com boa qualidade nutricional, de baixo custo e de fácil cultivo.

A agricultura em geral é um setor importante para o crescimento do país e principalmente para o Rio Grande do Sul. A soja tem contribuído para o desenvolvimento da economia rural, gerando renda em todas as áreas do cenário estadual. Ela também gera produção de riqueza em estados, como Goiás, Mato Grosso do Sul, Santa Catarina, Tocantins, dentre outros.

Além dos fatores internos que afetam o preço de comercialização e a produção da soja, ela sofre influência de fatores externos. O mercado da soja é “globalizado”, os preços são definidos internacionalmente em moeda americana, principalmente relacionados ao cenário nos Estados Unidos.

A crescente produção de soja no estado e no país se deve a alguns fatores importantes, dentre eles destacam-se: preços praticados nos últimos anos, recentes investimentos em armazenagem, transporte e portos que viabilizam a formação de corredores de exportação, elevada liquidez da soja em relação a comercialização, financiamento da safra diretamente com empresas de insumos ou com indústrias.

O objetivo desta investigação é verificar através da modelagem dinâmica, os fatores que determinam e a forma que contribuem na formação do preço da soja em grãos no Rio Grande do Sul.Neste estudo utilizamos a metodologia de regressão dinâmica, na qual foram usadas as séries dos dados mensais relativos ao período de janeiro de 1985 à novembro de 2004, com base nas variáveis: preço da soja Brasil como variável dependente e como variáveis independentes a produção de soja em toneladas no Brasil, produção de soja em toneladas no RS, área plantada de soja no Brasil e área plantada de soja no RS, cotação Chicago para soja, produção nos EUA, na Argentina, no Paraguai, na China e no Mundo. A obtenção dos dados foi na CEEMA (Central Internacional de Análises Econômicas e de Estudos de Mercado Agropecuário) da UNIJUI de Ijuí –RS.

A modelagem através da metodologia de regressão de dinâmica parte de um modelo

estatístico dinâmico geral, que captura as características essenciais do conjunto de dados e

gradativamente através de várias transformações, reduções e testes define o modelo que será

considerado adequado

.

O presente artigo está estruturado da seguinte forma: Na seção 2 apresenta a fundamentação teórica sobre a leguminosa soja, sua origem e cultura, bem como a metodologia utilizada, de regressão dinâmica. A aplicação da referida metodologia é apresentada na seção 3, onde é estimado um modelo, o qual descreve as variáveis estudadas. Finalizando, na seção 4, são enfatizados os principais resultados obtidos com o estudo.

2 Fundamentação Teórica

Neste item serão descritos assuntos sobre a soja, que é o foco do trabalho e sobre a análise de regressão dinâmica que será a ferramenta que possibilitará a avaliação e previsão do preço do produto em estudo.

2.1 A Soja

A soja selvagem foi domesticada pelos chineses há cerca de cinco mil anos, sendo que a mesma crescia nas terras baixas e úmidas, nas proximidades dos lagos e rios da China Central. A soja se espalhou na Ásia, cerca de dois mil anos depois, onde começou a ser utilizada como alimento. Nos Estados Unidos, a soja começou a ser cultivada nas primeiras décadas do século XX, sendo desenvolvidas as primeiras cultivares comerciais, favorecendo rápido crescimento na produção (SCHUSTER, 2005).

No Brasil, esta leguminosa só chegou por volta de 1908, com os japoneses. Oficialmente foi introduzida em 1914 no Rio Grande do Sul, ocorrendo sua expansão no território brasileiro somente nos anos 70. Este ocorreu principalmente pelo interesse crescente da indústria de óleo e a demanda do mercado internacional (SCHUSTER, 2005).

Segundo o Anuário Brasileiro da Soja(2000), a soja é plantada em três estados do Brasil,ocupando aproximadamente 60% da área cultivada. A referida fonte destaca que Mato Grosso, Paraná e Rio Grande do Sul são responsáveis por 63,6% da produção nacional, já Goiás e Mato Grosso do Sul por 20% da mesma. Na seqüência, segundo a mesma fonte, temos os estados de Minas Gerais, Bahia, Santa Catarina, Maranhão, Tocantins, Piauí e Brasília.

Segundo PESSOA(2005) a oferta mundial de soja é alternada, sendo que a safra americana é colhida nos meses de setembro à novembro e a safra sul-americana nos meses de março a maio. Essa ocorrência tem permitido que uma região compense eventuais quebras de safra da outra, pois qualquer frustração de safra nessas regiões é seguida de forte sinalização nos preços internacionais.

Conforme CARDOSO (2003) a seca nos Estados Unidos reverte à tendência de queda da soja na Bolsa de Chicago. Os contratos de soja em grão aumentam, conseqüentemente, como sempre acontece nesse mercado, essa alta se reflete nos preços praticados do produto no Brasil.

2.2 Regressão Dinâmica

Os modelos de regressão dinâmica, segundo Gujarati (2000), consideram explicitamente o comportamento de uma variável no decorrer do tempo, e se apresentam na seguinte forma:

Y

=

β

X

+

β

X

+

...

+

β

X

+

δ

Y

+

δ

Y

+

...

+

δ

Y

+

ε

onde Y representa a variável dependente e X o conjunto das variáveis que procuram explicar o comportamento de Y. O operador m indica a quantidade de defasagens empregadas no modelo.

Esta metodologia foi desenvolvida de acordo com a tradição econométrica da LSE (London School of Econonomics), a partir das pesquisas de Sargam, na década de 60 e Davidson, Mizon e principalmente pelas inúmeras publicações de Hendry a partir dos anos 70, tendo obtido grande aplicabilidade na econometria.

Este modelo é oriundo de uma estimação de parâmetros através do método dos mínimos quadrados. Neste, os erros são minimizados, utilizando um modelo de série temporal. É uma abordagem baseada em um processo de redução sucessiva de um modelo econométrico geral, partindo de um modelo estatístico dinâmico geral, o qual captura as características essenciais do conjunto de dados. Para a definição deste modelo, alguns passos são importantes e seqüenciais, tais como: iniciar o modelo dinâmico com uma ordem de defasagem grande o suficiente para incluir a defasagem verdadeira das variáveis e tentar evitar, durante as reduções, a perda de informações relevantes.

O modelo geral que utiliza várias defasagens demonstra a dinâmica apresentada pelas variáveis. Na redução gradativa do modelo, devemos aplicar testes de restrições nos parâmetros, ou seja, tratar da qualidade das defasagens que integrarão o modelo. Também serão impostas restrições que não podem ser rejeitadas em termos estatísticos. Neste processo de redução, deve-se selecionar, dentre os modelos alternativos, o mais indicado, o qual será apontado após verificação da autocorrelação, da heterocedasticidade condicional autoregressiva(ARCH), da normalidade da distribuição de resíduos e da má-especificação na forma funcional do modelo sugerido.

3 Resultados e discussão

A utilização da regressão dinâmica demonstra os resultados empíricos obtidos a partir de estimativas dos modelos dinâmicos para a previsão do preço da soja.

A modelagem utilizada descreve os fatores determinantes, bem como sua contribuição para o preço da soja em saca, pago ao produtor. As variáveis são identificadas a seguir.

TABELA 1 - Variáveis em análise

Dependente Independentes

Simbologia Variável Simbologia

PS Preço da soja praticado no Brasil CCS PSB APSB ASRS PTSRS PEUA PAR PPA PCH PMU

Cotação Chigaco soja Produção de soja no Brasil Área plantada de soja no Brasil Área de soja no RS

Produção tonelada de soja RS Produção nos EUA

Produção na Argentina Produção Paraguai Produção na China Produção no mundo Fonte: Kirchner e Souza (2005)

Nesta modelagem utilizamos como variável resposta o preço da soja no Brasil e como variáveis independentes a produção de soja em toneladas no Brasil, no RS, área plantada de soja no Brasil e no RS, cotação Chicago para soja, produção no EUA, na Argentina, no Paraguai, na China e no Mundo.

No processo de marginalização e condicionamento, avaliamos dentre as variáveis em estudo, aquelas que participariam do modelo. Verificamos a significância dos parâmetros estimados e a magnitude dos coeficientes. Inicialmente, todas as variáveis independentes entraram no modelo com 12 defasagens. No processo de redução foi empregado o método de eliminação de variáveis, considerando a significância das estatísticas t e F, logo, paulatinamente, foram subtraídas do modelo as variáveis não estatisticamente significativas. O modelo determinado encontra-se descrito na Tabela 2, sendo este o mais parcimonioso.

TABELA 2 – Coeficientes e estatísticas referentes ao modelo de regressão encontrados

Variável Coeficiente Erro-padrão t-value t-prob Part-R^2

PS_1 0.95218 0.063802 14.924 0.0000 0.4997

PS_2 -0.21002 0.061530 -3.413 0.0008 0.0497

CCS 1.0895 0.13915 7.829 0.0000 0.2156 CCS_1 -0.85965 0.16410 -5.238 0.0000 0.1096 CCS_4 0.24273 0.082515 2.942 0.0036 0.0374

Interpretando a Tabela 2, constatamos que os valores dos parâmetros das variáveis explicativas são estatisticamente significativos e que as estatísticas de validação do modelo o qualificam para se realizar previsões. O valor da estatística R2 foi de 0,996227 e os resíduos também mostram-se não correlacionados e seguindo a distribuição normal. Verifica-se que permaneceram no modelo apenas as variáveis PS (preço da soja) com dois períodos de defasagens, ou seja, que o preço final depende dos dois meses anteriores, incluindo o preço corrente. Conjuntamente, integram o modelo, o valor corrente da CCS (cotação Chicago soja), a CCS com uma defasagem e a CCS com 4 defasagens.

As variáveis consideradas no modelo explicam 99,6% das variações do preço da soja. Para realizarmos a previsão do preço do produto estudado -a soja, optamos pelo modelo:

4 1 2 1

0.21002

1

,

0895

0

,

85965

0

,

24273

0.95218

−

+

−

+

=

PS

PS

CCS

CCS

CCS

PS

Visualizando-se e interpretando a Figura 2, onde estão os resíduos, em função do tempo e o correlograma dos mesmos até a 14ª defasagem, constatamos que ambos os gráficos e os testes explicitados na tabela 2 indicam para uma boa estimação do modelo.

FIGURA 2 - Análise dos resíduos e c

orrelograma dos resíduos

O modelo 3.1 apresenta todos os regressores estatisticamente significativos aos níveis de 1% ou 5%. Para verificar a eficácia do modelo 3.1 e a sua eventual aplicabilidade foram realizadas estimativas para o preço da soja no período de 6 meses, janeiro à junho de 2005, conforme Tabela 3. A Figura 3 está o ajustamento da série e previsões para o preço da soja em 2005.

TABELA 3 - Previsões realizadas com o modelo

Meses Preço Previsão/Preço SE de Previsão Janeiro/2005 Fevereiro/2005 Março/2005 Abril/2005 Maio/2005 Junho/2005 12.1340 11.6709 12.1755 11.2526 11.0055 10.7950 12.4285 11.2103 11.7075 12.1580 11.3442 10.9160 0.745565 0.768828 0.752858 0.746206 0.729432 0.705309 Fonte: Kirchner e Souza (2005)

2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 0 2 2 0 2 4 0 -3 -2 -1 0 1 2 3 4 5 Residual Co rrelo gr am 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 -.7 5 -.5 -.2 5 0 .2 5 .5 .7 5 1 P S

Na Figura 3 apresenta-se os valores reais e previstos do preço da soja, conforme especifica o modelo 3.1, observa-se que os valores previstos acompanham todos os movimentos da série original.

FIGURA 3 - V

alores previstos e ajustados para

Tomando por base estudos já realizados e diálogo com economistas, acreditamos que as variáveis que foram excluídas da modelagem anterior, pelo fato de não apresentarem significância, teriam que ter contribuição no preço da soja, logo mais estudos devem ser continuados para uma melhor compreensão do fenômeno.

4 Conclusão

A utilização da metodologia com o respectivo modelo demonstra que o preço da soja

no Brasil é ditado pelo mercado internacional, mais especificamente, pela cotação da bolsa de

Chicago. O preço da soja com uma defasagem também influencia no preço final do produto.

A presente pesquisa contribui positivamente, no sentido de elaboração de planejamento futuro, considerando os fatores determinantes e sua contribuição para o preço final do produto, no momento da comercialização. Acreditamos que no momento em que excluímos a variável cotação de Chicago e suas defasagens do modelo, podem surgir outras variáveis como significantes. Para tanto se recomenda em estudos futuros a inclusão de novas variáveis para a modelagem do preço da soja, tais como, os insumos, variação climática e rotação de culturas.

5 Referencias Bibliográficas

1. AGRIANUAL-Anuário da Agricultura Brasileira 2000.São Paulo. FNP. Consultoria & Comércio, 1999.

2. CHAO, Hsiang-Ke. Professor Hendry.s Econometric Methodology Reconsidered: Congruence and Structural Empirism, Amsterdam, 2001, disponível em

<www.fee.uva.nl/ae/arg/index.htm>. Acesso em 20 jul 2002.

3. CARDOSO, F. ; FERREIRA, V., Agricultura deve crescer sem dar espetáculo em 2004, AE

Agro- Agência Estado 2003. Disponível em:

http://www.aeagro.com.br/especiais/safra0304/noticias/crescimento/01.htm Acesso em 04 de junho de 2005. 20 40 60 80 100 120 140 160 180 200 220 240 7 8 9 10 11 12 13 14 15 16 17 Fit t ed P S Fit t ed P S

4. CHAREMZA, W.W. e DEADMAN, D.F. New Directions in Econometric Practice, Edward Elgar, Cheltenham, 1997.

5. CHOW, G. Tests of equality between sets of coefficients in two linear regressions,Econometrica, v. 28, 591-605, 1960.

6. CUTHBERTSON, Keith; HALL, S. G.; TAYLOR, M.P. Applied econometric techniques, Ann Arbor: University of Michigan Press, 1992.

7. DE BEM, Amilton Barreto. A utilização da regressão dinâmica para prever a demanda por matricula no ensino fundamental em Santa Catarina. 1998. Universidade Federal de Santa Catarina, Dissertação de Mestrado submetida ao Programa de Pós-Graduação em Engenharia de Produção, 1998.

8. DICKEY, D., e FULLER, W. Distribution of Estimators for Autoregressive Time Series with a Unit Root, Journal of the American Statistical Association, 84, 427-431., 1979.

9. DOORNIK, J. A. e HENDRY, D. F. PcGive 9.0 Interactive Econometric Modelling of Dynamic

Systems, London, International Thomson Publishing, 1994.

10. ENGLE, R.F, e GRANGER, C.W.J. Co-integration and Error Correction: Representation, Estimation and Testing, Econometrica, v. 55, 251-276., 1987.

11. ERICSSON, Neil R.; CAMPOS, Julia; TRAN, Hong-Anh. Pc-Give and David Hendry´s econometric methodology, Revista de Econometria, 7-117, 1990.

12. GILBERT, C. L. Professor Hendry.s econometric methodology. Oxford Bulletin of Economics and Statistics, v. 48, 283-307., 1986.

13. GUJARATI, Damodar N. Econometria Básica, São Paulo, Makron Books, 3ª edição, 2000. 14. HENDRY, DAVID .F.; PAGAN, A.R. e SARGAN, J.D. 'Dynamic Specifications', Capitulo 8 em

Z. Griliches e M.D. Intrilligator (eds.), The Handbook of Econometrics, North Holland, Amsterdam, 1984.

15. HENDRY, DAVID .F.; RICHARD, J. F. On the Formulation of Empirical Models in Dynamic Econometrics, Journal of Econometrics, v. 20, 3-33, 1982.

PAGAN, A. 'Three Econometric Methodologies: A Critical Appraisal., em Granger, C.WJ. (ed.), Modeling economic series, Oxford University Press,

1990.

PESSOA, A., Soja, Produção Agrícola Brasileira. Disponível em:

http://www.mre.gov.br/cdbrasil/itamaraty/web/port/economia/agric/producao/soja/index.htm. Acesso

em 03 de maio de 2005.

SCHUSTER, I.D.S., COODETEC- Tecnologia de nossa terra. Disponível em: