Valoração probabilística de empreendimentos de geração de energia elétrica a partir de bagaço de cana-de-açúcar em leilão de energia de reserva

(1)

Viviana Andrea Contreras Medellin

Valoração probabilística de empreendimentos de

geração de energia elétrica a partir de bagaço de

cana-de-açúcar em leilão de energia de reserva

64/2015.

Campinas 2015

(2)

(3)

(4)

Ficha catalográfica

Universidade Estadual de Campinas Biblioteca da Área de Engenharia e Arquitetura

Rose Meire da Silva - CRB 8/5974

Contreras Medellin, Viviana Andrea,

C768v ConValoração probabilística de empreendimentos de geração de energia elétrica a partir de bagaço de cana-de-açúcar em leilão de energia de reserva / Viviana Andrea Contreras Medellin. – Campinas, SP : [s.n.], 2015.

ConOrientador: Ieda Geriberto Hidalgo. ConCoorientador: Paulo de Barros Correia.

ConDissertação (mestrado) – Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica.

Con1. Projetos - Avaliação. 2. Bagaço de cana. 3. Geração de energia. 4. Energia - Fontes alternativas. 5. Simulação de Monte Carlo. I. Hidalgo, Ieda

Geriberto,1976-. II. Correia, Paulo de Barros,1954-. III. Universidade Estadual de Campinas. Faculdade de Engenharia Mecânica. IV. Título.

Informações para Biblioteca Digital

Título em outro idioma: Probabilistic valuation model for generation projects that use sugar

cane bagasse and commercialize energy in reserve energy auctions

Palavras-chave em inglês:

Project valuation Cane bagasse Electric generation

Renewable energy sources Monte Carlo simulation

Área de concentração: Planejamento de Sistemas Energéticos Titulação: Mestra em Planejamento de Sistemas Energéticos Banca examinadora:

Ieda Geriberto Hidalgo [Orientador] Marcelo Pereira da Cunha

André Franceschi de Angelis

Data de defesa: 08-07-2015

Programa de Pós-Graduação: Planejamento de Sistemas Energéticos

(5)

(6)

(7)

(8)

(9)

Agradecimentos

Agradeço a minha orientadora, a professora Ieda Geriberto Hidalgo, pela sua orientação, dedicação, apoio, boa disposição, ajuda e conselhos no desenvolvimento desta dissertação. Agradeço ao meu co-orientador, o professor Paulo de Barros Correia, pela sua amizade, carinho e por resolver cada uma das minhas dúvidas me compartilhando seu conhecimento e experiência.

Aos meus pais, Oscar e Yanira, pelo amor e apoio incondicional que diariamente fizeram que eu não sentisse tanta saudade ao estar longe deles. E a toda minha família que com mensagens e ligações continuaram me dando seu carinho ainda em outro país.

À minha família Mercosul: Alessandro Signoriello, Carolina Sandoval, Jhon Pérez, Jorge Vidoza, Laura Silva, Lorena Torres, Pedro Drumond Jr. e Pedro Castro com os quais vivemos momentos de alegria, festa, dança, tristeza, jantares, calor, risos, Inglês, caronas, enfim, momentos de todo tipo que ficarão gravados com carinho na minha memória. Aos meus colegas e amigos: Edgar Franco, Elisa Bastos, Jéssica Fernandes, Julián Prada, Natália Addas e Regiane Barros, por todos os bons momentos que passamos juntos. Aos meus vizinhos da “Vecindad do Chavo”, pela sua amizade, em especial a Jhon Córdoba, Kay Suenaga, Miguel Gómez, Sebastián Velandia e Ricardo Valero.

A todos os professores do programa de “Planejamento de Sistemas Energéticos”, em es-pecial aos professores Arnaldo Walter e Marcelo Cunha, pela sua amabilidade e suas valiosas sugestões dadas no exame de qualificação. Ao professor André F. de Angelis, quem participou da defesa da dissertação, pelas suas ótimas sugestões.

À CAPES, pelo apoio financeiro.

E a todos os que não mencionei antes, mas que ajudaram de forma direta ou indireta no desenvolvimento deste trabalho.

(10)

(11)

Você não consegue ligar os pontos olhando para frente, apenas quando olha para trás. Assim, você precisa acreditar que, de alguma forma, os pontos se ligarão no futuro [...] Steve Jobs

(12)

(13)

Resumo

A geração de energia elétrica a partir de fontes renováveis constitui uma alternativa interessante para a diversificação da matriz energética de um país. No Brasil, o programa de incentivo às fontes alternativas de energia elétrica (Proinfa), instituído em 2004, teve como objetivo promover a diversificação da matriz energética, buscar alternativas para aumentar a segurança no abastecimento de energia elétrica e permitir a valorização das características e potencialidades regionais e locais.

Dentre as fontes renováveis de geração de energia, o destaque deste trabalho é para a bio-massa, utilizando o bagaço da cana-de-açúcar. O bagaço da cana é produzido em grandes quantidades no Brasil e possui 1/3 do conteúdo energético da cana (o potencial energético está dividido igualmente: no caldo, no bagaço e na palha, cada parte com 1/3 da energia total). Este recurso permite a geração de energia descentralizada.

No setor elétrico brasileiro, a contratação de energia proveniente de empreendimentos de geração a partir do bagaço da cana-de-açúcar pode ser formalizada por meio dos leilões de energia de reserva. A análise de projetos para empreendimentos deste tipo envolve duas variáveis estocásticas: a geração de energia (que depende da disponibilidade do recurso – período sazonal) e o valor da energia no mercado de curto prazo (que depende das condições hidrológicas).

Portanto, este trabalho apresenta um modelo de valoração probabilística, para empreen-dimentos de geração a partir do bagaço da cana-de-açúcar, em leilão de energia de reserva. Esta valoração é feita sob a ótica do empreendedor que deve saber qual é o limite do seu lance no leilão. Deste modo, o destaque da valoração probabilística é para o valor pre-sente líquido (VPL), que determina a medida da probabilidade de ganho ou perda para o empreendedor que participa no leilão de energia de reserva. O método de simulação de Monte Carlo e o fluxo de caixa livre descontado são utilizados para a valoração probabi-lística.

Três estudos de casos são apresentados para uma usina fictícia de geração de energia de São Paulo. Para cada cenário simulado, a distribuição de probabilidade do VPL, o VPL médio e a taxa interna de retorno (TIR), que faz com que o VPL médio seja nulo, são calculados. Avalia-se a sensibilidade do retorno do empreendimento para diferentes valo-res de investimento, taxa mínima de atratividade (TMA) e lance.

Os resultados deste trabalho indicam que o benefício, representado pelo VPL do empre-endimento, é muito sensível ao valor do lance. Conclui-se também, que a metodologia apresentada pode ser empregada como um instrumento para que os empreendedores, que participam de leilões de contratação de energia possam avaliar o riscos de ter uma perda, decorrente do seu lance dado no leilão.

Palavras-chave: Avaliação de projetos, Valor presente líquido probabilístico, Bagaço de cana, Geração de energia elétrica, Simulação de Monte Carlo, Leilão de energia reserva.

(14)

(15)

Abstract

Power generation from renewable sources is an interesting alternative to diversify the energy matrix of a country. In Brazil, the incentive program for alternative electricity sources (Proinfa), established in 2004, had as goals, promoting the diversification of energy matrix, looking for alternatives to increase energy supply security and allowing the enhan-cement of the regional and local characteristics and potentials.

Among the renewable sources of power generation, the highlight of this work is to bio-mass, using bagasse from sugarcane. The bagasse is produced in large quantities in Brazil and it has one third of the sugarcane energy content (its energetic potential is divided equally between: sugarcane juice, bagasse and straw, each one with 1/3 of total power). This source allows a decentralized power generation.

In Brazilian electric sector, energy contracting from generation projects that use sugarcane bagasse, as a source, can be formalized through reserve power auctions. The analysis of this type of projects involves two stochastic variables: Power generation (which depends on the resource availability - seasonal period) and energy price in the spot market (which depends on the hydrological conditions).

Therefore, this work presents a probabilistic valuation model for generation projects that use sugarcane bagasse and commercialize energy in reserve power auctions. This valu-ation is made from the entrepreneur’s perspective, who must know which is his auction bidding limit. Thus, the highlight of probabilistic valuation is for the net present value (VPL), which determines the probability measure of gain or loss, for the entrepreneur participating in the reserve power auction. The Monte Carlo simulation method and the discounted free cash flow are used for the probabilistic valuation.

Three case studies are presented for a fictitious power generation plant located in São Paulo state. For each simulated scenario, the probability distribution of VPL, the ave-rage VPL and the internal rate of return (TIR), that make aveave-rage VPL to be zero, are calculated. Sensitivity of the project’s return is evaluated to different investment values, minimum acceptable rate of return (TMA) and auction biddings.

The results in this study indicate that the benefits, represented by venture VPL, are highly sensitive to auction bidding value. It is also concluded that the methodology presented can be used as an instrument to assist investors, participating in reserve power auctions, in assessing the risk of loss, resulting from its auction bidding.

Key-words: Project valuation, Probabilistic net present value, Cane bagasse, Electric power generation, Monte Carlo simulation, Reserve power auction.

(16)

(17)

Lista de Figuras

2.1 Tipos de riscos por áreas. Fonte: Elaboração própria. . . 14

2.2 Classificação dos riscos. Fonte: Elaboração própria. . . 18

3.1 VaR em uma distribuição de retornos esperados. Fonte: Elaboração própria. 23 3.2 VaR em uma distribuição de perdas esperadas. Fonte: Elaboração própria. 23 3.3 Distribuição de retornos esperados representando o VaR e o CVaR. Fonte: Elaboração própria. . . 25

3.4 Distribuição de perdas esperadas representando o VaR e o CVaR. Fonte: Elaboração própria. . . 26

3.5 Correlação perfeitamente negativa. Fonte: Elaboração própria. . . 30

3.6 Correlação perfeitamente positiva. Fonte: Elaboração própria. . . 31

3.7 Fronteira de Markowitz. Fonte: Elaboração própria. . . 32

3.8 Contrato forward ou a termo. Fonte: Elaboração própria. . . 34

3.9 Compra de call. Fonte: Elaboração própria. . . 37

3.10 Venda de call. Fonte: Elaboração própria. . . 38

3.11 Compra de put. Fonte: Elaboração própria. . . 39

3.12 Venda de put. Fonte: Elaboração própria. . . 40

3.13 Bull spread. Fonte: Elaboração própria. . . 41

3.14 Bear spread. Fonte: Elaboração própria. . . 42

3.15 Butterfly spread. Fonte: Elaboração própria. . . 43

4.1 Tipos de leilões. Fonte: Adaptado de Acende (2012). . . 46

5.1 Esquema de um ciclo de vapor Rankine para cogeração usando uma turbina de extração-condensação. Fonte: Adaptada de Cerradinho (2004). . . 59

5.2 Esquema geral de empreendimento de destilaria de álcool. Fonte: Elabo-ração própria. . . 60

5.3 Incremento do investimento pela adição de uma termelétrica à destilaria de álcool. Fonte: Elaboração própria. . . 60

5.4 Representação do que acontece com a distribuição de probabilidade do VPL, ao incluir o valor do lance. Fonte: Elaboração própria. . . 67

5.5 Esquema genérico do fluxo da receita do lance. Fonte: Elaboração própria. 68 5.6 Esquema genérico do fluxo dos “termos que, em conjunto com Rb, compõem B”. Fonte: Elaboração própria. . . 68

(18)

5.7 Esquema genérico do fluxo total do empreendimento. Fonte: Elaboração

própria. . . 69

6.1 Fatores que afetam o CMO e o PLD futuro. . . 78

6.2 PLD histórico vs. CMO projetado futuro (média mensal Sudeste). . . 79

6.3 Média dos PLDs históricos vs. média dos CMOs projetados futuros (média mensal Sudeste). . . 80

6.4 Geração em MWh 2005-2007 que coincide com o período da safra. . . 83

6.5 VPL utilizando TMA de 15% e lance de 146 R$/MWh. . . 90

6.8 VPL utilizando TMA de 18,46% e lance de 146 R$/MWh. . . 92

6.9 VPL utilizando TMA de 15% e lance de 99,27 R$/MWh. . . 92

6.10 VPL utilizando TMA de 18,46% e lance de 99,27 R$/MWh. . . 93

6.23 VPL médio versus TIR dos cenários simulados. . . 104

6.24 TIRs médias dos cenários simulados. . . 105

6.25 Sensibilidade da TIR média do projeto alavancado versus 100% de capital próprio. . . 106

(19)

Lista de Tabelas

1.1 Produção brasileira de cana-de-açúcar na safra 2013-2014. . . 3

3.1 Matriz de risco dos ativos . . . 28

4.1 Preço teto e preço médio ponderado dos resultados dos empreendimentos de biomassa nos leilões de energia de reserva (1 ◦, 3◦ e 4 ◦). . . 50

5.1 Premissas que devem ser definidas para o modelo . . . 65

6.1 Custos de O&M dos empreendimentos cadastrados para participação do 1◦ leilão de energia de reserva de 2008. . . 72

6.2 Custos de O&M empregados nos estudos de casos . . . 73

6.3 Valores de investimento levantados . . . 73

6.4 Valores de investimento resultantes . . . 74

6.5 Possíveis valores de investimento, em R$/kW, dos empreendimentos ven-cedores no 4◦ leilão de energia de reserva. . . 76

6.6 Valores de investimento em R$/kW dos empreendimentos vencedores do 4◦ leilão de energia de reserva, utilizando uma TMA de 18,46%. . . 76

6.7 Dados mensais, em R$/MWh, de 2009 a 2014 do PLD médio no SE (sudeste brasileiro). Meses: Janeiro-Junho. . . 77

6.8 Dados mensais, em R$/MWh, de 2009 a 2014 do PLD médio no SE (sudeste brasileiro). Meses: Julho-Dezembro. . . 77

6.9 Dados de geração, em MWh, do projeto de cogeração com bagaço usina Cerradinho, unidade Catanduva. Meses: Janeiro-Junho.. . . 81

6.10 Dados de geração, em MWh, do projeto de cogeração com bagaço usina Cerradinho, unidade Catanduva. Meses: Julho-Dezembro. . . 81

6.11 Dados de geração, em MWh, utilizados nos estudos de casos. Meses: Janeiro-Junho. . . 81

6.12 Dados de geração, em MWh, utilizado nos estudos de casos. Meses: Julho-Dezembro. . . 82

6.13 Logaritmo natural do PLD 2009-2014 e os seus respectivos parâmetros: média, variância e desvio padrão. Meses: Janeiro-Junho. . . 84

6.14 Logaritmo natural do PLD 2009-2014 e os seus respectivos parâmetros: média, variância e desvio padrão. Meses: Julho-Dezembro. . . 84

(20)

6.15 Logaritmo natural dos dados de geração 2002-2007 e os seus respectivos

parâmetros: média, variância e desvio padrão. Meses: Janeiro-Junho. . . . 85

6.16 Logaritmo natural dos dados de geração 2002-2007 e os seus respectivos parâmetros: média, variância e desvio padrão. Meses: Julho-Dezembro. . . 85

6.17 Premissas gerais do modelo . . . 86

6.18 Linhas consideradas na planilha (demostração de resultados). . . 87

6.19 Linhas consideradas na planilha (fluxo de caixa livre). . . 88

6.20 Valores de investimento em R$/kW utilizados no modelo . . . 88

6.21 TMAs e lances selecionados para rodar o modelo. . . 89

6.22 VPL médio cenários com valor de lance de 146 R$/MWh . . . 90

6.23 VPL médio cenários com valor de lance de 99,27 R$/MWh . . . 90

6.24 VPL médio cenários com o valor de investimento de 1.321,35 R$/kW, lance de 146 R$/MWh e TMA perto da TIR . . . 93

6.25 VPL médio cenários com o valor de investimento de 1.321,35 R$/kW, lance de 99,27 R$/MWh e TMA perto da TIR . . . 93

6.26 TIRs cenários com o valor de investimento de 1.321,35 R$/kW . . . 94

6.31 TIRs cenários com o valor de investimento de 1.708,87 R$/kW . . . 99

(21)

Lista de Siglas, Abreviaturas e

Símbolos

Siglas e Abreviaturas

ACL Ambiente de Contratação Livre ACR Ambiente de Contratação Regulada

CAPM Modelo de Precificação de Ativo (Capital Asset Pricing Model ) CCEE Câmara de Comercialização de Energia Elétrica

CER Contrato de Energia de Reserva CMO Custo Marginal de Operação

CVaR Valor ao Risco Condicional (Conditional Value at Risk ) EPE Empresa de Pesquisa Energética

GESEL Grupo de Estudos do Setor Elétrico da Universidade Federal do Rio de Janeiro

IEA Agencia Internacional de Energia (International Energy Agency) IGBE Instituto Brasileiro de Geografia e Estatística

IPCA Índice de Preços ao Consumidor Amplo

Max Maximizar

MCSD Mecanismos de Compensação de Sobras e Déficits MDL Mecanismo de Desenvolvimento Limpo

Min Minimizar

MMA Ministério do Meio Ambiente MME Ministério de Minas e Energia PCHs Pequenas Centrais Hidrelétricas PLD Preço de Liquidação das Diferenças SIN Sistema Interligado Nacional

TIR Taxa Interna de Retorno

TGCC Turbina de Gás com Ciclo Combinado TMA Taxa Mínima de Atratividade

UNICA União da Indústria de Cana-de-Açúcar VaR Valor ao Risco (Value at Risk )

(22)

Símbolos

a Contador que representa a cada variável probabilística B Benefício líquido total do empreendimento

β Valor do benefício ou perda associado a um determinado nível de risco fixado C Custos e gastos totais do empreendimento

ECm Somatório das energias contratadas, em cada ano de suprimento “m”

EN Fm Energia não fornecida, em cada ano de suprimento “m”

F CLt Fluxo de caixa livre do período t

i Taxa de desconto (taxa de atratividade mínima)

I Investimento

j Contador que representa o número de vezes, ao longo do período de supri-mento, em que EN Fm foi superior a 10% do ECm

k Número de períodos de entrega da energia contratada

m Ano de suprimento

n Número de ativos do portfólio p Número de períodos totais

p(ya) Probabilidade de ocorrência associada a cada uma das variáveis ya

P(β) Zona de eventos desfavoráveis em uma distribuição de retornos ou de perdas esperados

P ayof f L Ganho do comprador (posição longa) P ayof f C Ganho do vendedor (posição curta)

P medk Valor médio do PLD referente ao período “k”

P Vm Média ponderada do preço de venda da(s) usina(s), para o ano de suprimento

“m”

σ1 Desvio padrão do ativo 1

σ2 Desvio padrão do ativo 2

σij Covariância dos ativos i e j

r Coeficiente de correlação R Receita do empreendimento

Rb Receita total obtida a partir do lance

Rs Receita variável total obtida da venda de energia no mercado spot

RAZm Razão entre o somatório das receitas fixas das usinas e ECm, para o ano de

suprimento “m”

RESSm Valor do ressarcimento, expresso em R$, em cada ano de suprimento “m”

S Preço do ativo no mercado t Cada período de avaliação T IR Taxa interna de retorno

T IRmed Taxa interna de retorno que faz nulo o valor presente líquido, médio, de cada

cenário

V P L Valor presente líquido

wi Porção do portfólio investida no ativo i

(23)

xi Retorno esperado do ativo i

X Preço combinado no contrato forward ou a termo

X Valor que o investidor em média vai receber ou perder em uma distribuição de retornos ou perdas esperados

(24)

(25)

Sumário

1 Introdução 1 1.1 Contexto . . . 1 1.2 Contribuição do trabalho . . . 9 1.3 Organização do trabalho . . . 10 2 Conceito de risco 13 2.1 Definição de risco . . . 13 2.2 Tipos de riscos . . . 14 2.3 Classificação dos riscos . . . 17 2.3.1 Riscos não mensuráveis . . . 18 2.3.2 Riscos mensuráveis . . . 18 2.3.3 Riscos mensuráveis e gerenciáveis . . . 18 2.4 Gerenciamento de riscos . . . 19

3 Métodos de avaliação e medição de riscos 21

3.1 Avaliação dos riscos dos ativos individualmente. . . 21 3.1.1 Volatilidade . . . 21 3.1.2 Critério MinMax-MaxMin . . . 22 3.1.3 Value at Risk (VaR) . . . 22 3.1.4 Conditional Value at Risk (CVaR) . . . 25 3.2 Avaliação dos riscos dos ativos coletivamente . . . 26 3.2.1 Teoria de portfólios de Markowitz . . . 26 3.2.2 Derivativos . . . 32

4 Energia de reserva no Brasil 45

4.1 Leilões de energia de reserva . . . 45 4.2 Contrato de Energia de Reserva (CER) . . . 50 4.3 Evolução nos contratos de energia de reserva (CERs) fonte biomassa . . . . 52 4.3.1 Modalidade de contratação . . . 52 4.3.2 Cálculo do ressarcimento . . . 52 4.3.3 Período de entrega da energia contratada . . . 55

(26)

5 Metodologia 57 5.1 Tecnologia para a cogeração de energia a partir de biomassa . . . 57 5.2 Métodos empregados . . . 61 5.3 Sequência de procedimentos . . . 63 5.4 Desvios entre a energia gerada e a energia contratada . . . 69

6 Estudos de casos e resultados 71

6.1 Formulação do problema . . . 71 6.2 Levantamento e análise dos dados . . . 72 6.2.1 Custos de operação e manutenção . . . 72 6.2.2 Custos de investimento . . . 73 6.2.3 Histórico de dados do PLD. . . 77 6.2.4 Histórico de dados de geração . . . 80 6.3 Geração de amostras . . . 83 6.4 Definição de premissas do modelo . . . 86 6.5 Seleção de parâmetros para sensibilizar, construção do modelo e simulação 87 6.6 Resultados . . . 89 6.6.1 Para o valor de investimento de 1.321,35 R$/kW . . . 89 6.6.2 Para o valor de investimento de 1.708,87 R$/kW . . . 94 6.6.3 Para o valor de investimento de 2.170,00 R$/kW . . . 99 6.6.4 Resumo dos resultados . . . 106

7 Considerações finais 109

7.1 Síntese dos capítulos . . . 109 7.2 Conclusões. . . 111 7.3 Sugestão para trabalhos futuros . . . 112

Bibliografia 114

ANEXO 119

(27)

Capítulo 1

Introdução

Este capítulo inicia com o contexto desta dissertação. Aqui, apresenta-se o panorama que justifica a escolha do tema central, deste trabalho. Ademais, é feita uma revisão bibliográfica de estudos anteriores. O capítulo conclui, descrevendo a contribuição do trabalho e a organização da dissertação.

1.1 Contexto

O conceito de risco está presente em quase qualquer atividade, sendo um evento que pode acontecer e que muitas vezes tem conotações negativas. Deste modo, abordar o risco é estudar a identificação de fatores que podem afetar o sucesso de um projeto, a proba-bilidade destes fatores assumirem valores que possam prejudicar, total ou parcialmente, o projeto, e as consequências destes fatores assumirem aqueles valores, prejudiciais, em particular (SCHMITZ; ALENCAR,2012). Nos projetos do setor elétrico que usam fontes renováveis de energia, este conceito tem uma clara incidência. Estes projetos estão sujeitos a variáveis sazonais, que dependem de fenômenos naturais, os quais são aleatórios.

As fontes renováveis estão se tornando uma alternativa atrativa para que os países diversifiquem a sua matriz energética. Por exemplo, no Brasil o governo instituiu o pro-grama Proinfa, com a finalidade de aumentar a participação da energia elétrica produzida por empreendimentos de fontes eólica, biomassa e pequenas centrais hidrelétricas (PCHs) no sistema interligado nacional (SIN) (MME, 2004).

(28)

interesses ambientais. A queima de combustíveis fósseis aumenta a emissão de gases de efeito estufa, ocasionando fenômenos climáticos, como o aquecimento global, que afetam negativamente o planeta. Por exemplo, segundo o Ministério do Meio Ambiente (MMA), extremos climáticos, como as secas na Amazônia em 2005, no Sul do Brasil em 2004-2006, na Espanha e na Austrália; os invernos intensos da Ásia e da Europa; as ondas de calor da Europa em 2003; o furacão Catarina no Sul do Brasil em 2004; e os intensos furacões no Atlântico Norte durante 2005, têm sido atribuídos ao aquecimento global (MMA, 2006).

A International Energy Agency (IEA) fez previsões de que a demanda global de energia aumentaria em um terço entre 2011 e 2035. Espera-se também que o setor de energias renováveis tenha uma participação em torno de 40% do crescimento da demanda primária de energia no mundo (IEA, 2013).

SegundoSadorsky (2012), o crescimento da demanda de energia e do setor de energias renováveis tem contribuído para aumentar as atividades de investimento e financiamento em projetos deste setor. Porém, o estudo da relação entre risco e retorno no setor de energias renováveis é ainda precário.

Este panorama favorece o desenvolvimento de empreendimentos de geração de energia elétrica a partir de fontes renováveis. Para estes empreendimentos, o gerenciamento dos riscos é fundamental. É importante que os empreendedores considerem a sazonalidade dos recursos na fase de planejamento e análise dos investimentos. Por exemplo, em um empreendimento de geração de energia a partir de bagaço de cana, o empreendedor deve levar em conta que a geração depende do bagaço disponível, e este está sujeito aos períodos de safra e entre safra.

No Brasil, graças ao aumento na produção de etanol, motivado por incentivos como o programa Proálcool, o bagaço de cana-de-açúcar é um recurso disponível considerável. O Proálcool foi um programa criado, na década de 1970, pelo governo brasileiro para intensificar a produção de etanol e substituir, parcialmente, a gasolina (CARVALHO, 2008). No Brasil, segundo Antonio de Padua Rodrigues, diretor técnico da União da Indústria de Cana-de-Açúcar (UNICA), desde o início do Proálcool até 2014, o etanol substituiu cerca de 2,3 bilhões de barris de gasolina (UNICA,2014).

Depois de feito o processo de obtenção do bioetanol e do açúcar, um dos subprodutos obtidos é o bagaço de cana, o qual equivale a 1/3 do conteúdo energético da cana. Este bagaço pode ser utilizado para a cogeração de energia.

(29)

produ-zido no país (UNICA, 2015). A Tabela 1.1 apresenta os dados da produção brasileira de cana-de-açúcar na safra 2013-2014.

Tabela 1.1: Produção brasileira de cana-de-açúcar na safra 2013-2014.

Região/Estado Produção de cana % do (mil toneladas) total

Espírito Santo 3.770 0,58%

Goiás 62.018 9,49%

Mato Grosso 16.989 2,60%

Mato Grosso do Sul 41.496 6,35%

Minas Gerais 61.042 9,34%

Paraná 42.216 6,46%

Rio de Janeiro 2.008 0,31%

Rio Grande do Sul 73 0,01%

São Paulo 367.450 56,23% Região Centro-Sul 597.061 91,36% Acre 89 0,01% Alagoas 21.652 3,31% Amazonas 269 0,04% Bahia 3.206 0,49% Ceará 129 0,02% Maranhão 2.206 0,34% Pará 819 0,13% Paraíba 5.150 0,79% Pernambuco 15.130 2,32% Piauí 851 0,13%

Rio Grande do Norte 2.158 0,33%

Rondônia 188 0,03% Sergipe 2.276 0,35% Tocantis 2.334 0,36% Região Norte-Nordeste 56.458 8,64% Total 653.519 100,00% Fonte: UNICA(2015).

As usinas que aproveitam o bagaço da cana-de-açúcar em plantas de cogeração, além do vapor e a energia elétrica para o consumo interno, geram excedentes que podem ser vendidos à rede. Para comercializar os excedentes de energia no atual modelo do setor elétrico brasileiro, existem dois ambientes de contratação: o ambiente de contratação livre

(30)

(ACL) e o ambiente de contratação regulada (ACR).

No ACL, os geradores, comercializadores, importadores e exportadores de energia e consumidores livres e especiais têm liberdade para negociar e estabelecer, em contratos bilaterais, os volumes de compra e venda de energia e seus respectivos preços. No ACR, a compra e venda de energia são formalizadas por meio de contratos celebrados entre os geradores e os distribuidores, que participam dos leilões de compra e venda de energia elétrica. Os contratos do ACR têm regulação específica para aspectos como: preço da energia, submercado de registro do contrato e vigência de suprimento; não passíveis de alterações bilaterais pelos agentes. Todos os contratos firmados nos ambientes livre e regu-lado são registrados na Câmara de Comercialização de Energia Elétrica (CCEE) (CCEE, 2014a). Ao serem assinados, os contratos têm cláusulas, de obrigações e de direitos, os quais deverão ser cumpridos por cada uma das partes implicadas.

Nos leilões de energia de reserva, dos quais participam empreendimentos de geração de energia a partir fontes renováveis, como o de bagaço de cana-de-açúcar, o empreendedor, vencedor do leilão, assume um compromisso de energia contratada 1_{. Dependendo das}

variáveis naturais, é possível que hajam desvios positivos ou negativos 2 _{entre a energia}

gerada e a energia contratada. No caso dos desvios negativos, o empreendedor, exposto a um risco, tem duas opções. A primeira é recorrer ao mercado de curto prazo, onde as diferenças são valoradas ao preço de liquidação das diferenças (PLD)3 o qual é flutuante. A segunda opção é pagar as penalidades estabelecidas no contrato para o caso de não fornecimento da energia contratada.

Diante deste contexto,Dantas Filho (2009), em sua dissertação de mestrado, fez uma análise de custos na geração de energia a partir do bagaço de cana-de-açúcar, elaborando um estudo de caso com quatro usinas de São Paulo. Ele fez uma análise da viabilidade econômico-financeira com uma abordagem determinística, calculando o VPL, a TIR e o período de recuperação do investimento (payback ). A geração foi estimada de acordo com a capacidade instalada das usinas e o período de safra mais provável. Naquele trabalho, os excedentes de energia foram comercializados no ACL, em contratos bilaterais com

1_{Energia contratada: É o montante de energia, expresso em MW médios e MWh, comprometido nos} termos do contrato de energia de reserva, resultado do leilão.

2_{Desvios positivos ou negativos: Quando a energia gerada for menor do que a energia contratada,} trata-se de um desvio negativo. Quando a energia gerada for maior do que a energia contratada, trata-se de um desvio positivo.

3_{PLD: É o preço ao qual é valorada a energia no mercado de curto prazo. Este preço é determinado} semanalmente para cada patamar de carga com base no custo marginal de operação, limitado por um preço mínimo e máximo vigentes, estipulados anualmente para cada submercado.

(31)

agentes compradores, a um preço definido. Ele concluiu que o investimento é viável e que o bagaço de cana-de-açúcar é o terceiro produto do setor sucroalcooleiro, justificando os investimentos neste segmento e proporcionando resultados positivos aos investidores.

Spinney e Watkins (1996) exploraram o uso da simulação de Monte Carlo como uma aproximação ao planejamento integrado de recursos de uma usina elétrica. Identificaram riscos chaves para os tomadores de decisão e os acionistas. Discutiram métodos de ava-liação do risco como: a análise de sensibilidade, a análise de decisão e a simulação de Monte Carlo. Eles estudaram em um contexto de modelagem, os riscos associados às decisões de planejamento de recursos que resultam das incertezas nos inputs externos do modelo (custos de investimento, custos de operação e o crescimento da carga). Concluí-ram que, para os estudos realizados, o método mais abrangente para examinar os riscos é a simulação de Monte Carlo, na qual se caracterizam as incertezas nos resultados do modelo, atribuindo distribuições de probabilidade às variáveis de entrada e simulando a distribuição resultante ao repetir a amostragem.

Monjas-Barroso e Balibrea-Iniesta (2013) fizeram a avaliação de um projeto de inves-timento em energia eólica. Eles modelaram as incertezas principais que afetam esse tipo de empreendimento, tais como: o preço da eletricidade, a energia elétrica produzida, os custos de investimento e o índice de preços ao consumidor. Aquele estudo foi feito para três países da União europeia: Dinamarca, Finlândia e Portugal, identificando as opções reais incluídas nos marcos regulatórios dos três países e avaliando como elas afetam o VPL expandido do projeto. Para este fim, utilizaram o método de Monte Carlo e o mé-todo Binomial os quais têm uma longa tradição de uso, tanto na avaliação de derivativos (HULL, 2011) quanto na tomada de decisão relacionada ao investimento (MUN,2006).

Sadorsky (2012) utilizou um modelo variável de risco sistemático (Beta), que é uma extensão do capital asset pricing model (CAPM). Ele pesquisou os determinantes de risco de uma empresa de energias renováveis com o objetivo de estudar como minimizar o risco sistemático. Segundo Cavalcante e Zeppelini(2001), o risco sistemático é aquele proveni-ente de mudanças no cenário macroeconômico que afetam todos os ativos, por exemplo, a inflação, a taxa de câmbio, os juros, etc. Os resultados empíricos do estudo de Sadorsky (2012) mostraram que o crescimento das vendas da empresa, além de ser essencial para melhorar o desempenho dos resultados da empresa, reduz o risco sistemático. Por sua vez, o incremento no preço do petróleo geralmente representa um incremento no custo de fazer negócios. O petróleo e os produtos derivados deste são recursos essenciais para a produção e o transporte da maioria dos bens e serviços. Deste modo, com incrementos

(32)

no preço do petróleo, aumenta-se o risco sistemático, porém, estimula-se o interesse no desenvolvimento de fontes de energias renováveis.

Souza e Legey(2010) estudaram a dinâmica de diferentes tipos de leilão de energia e os mecanismos de compensação de sobras e déficits (MCSD). Estes mecanismos foram criados na revisão do mercado brasileiro de energia em 2004 e consistem em uma ferramenta de gerenciamento do risco, criada para permitir ajustes adicionais no montante de energia contratada, com a finalidade de reduzir a exposição ao risco associado às mudanças na demanda de energia. Eles examinaram o comportamento dos agentes que participam dos leilões (compradores e vendedores de energia) e propuseram ações para eliminar lacunas no marco regulatório existente. Naquele estudo fica evidente como os déficits nos contratos de energia levam à penalidades e exposição aos preços no mercado de curto prazo (spot ). Concluíram que em termos de mitigação dos riscos de investimento, os contratos de longo prazo (15 anos ou mais) diminuem as incertezas e estimulam investimentos em projetos de geração de energia.

Tamashiro(2014), em sua dissertação de mestrado, descreveu o problema que enfrenta um investidor na hora de otimizar os recursos e minimizar os riscos associados a empreen-dimentos de fontes renováveis de energia. Para isto, ele propôs um modelo de otimização que procura fazer a melhor alocação de investimento, através de um portfólio ótimo de projetos. Ele afirmou que os parâmetros que condicionam o risco financeiro do portfólio são: a taxa de investimento, o preço de venda no contrato e o custo de investimento. Concluiu que a dinâmica e a incerteza do mercado de energia exigem procedimentos de avaliação baseados em portfólio. Aquele estudo mostrou que o risco do conjunto PCH e biomassa diminuiu quando se introduz a eólica no portfólio.

Nakabayashi (2014), em sua dissertação de mestrado, fez uma avaliação econômico-financeira de sistemas fotovoltaicos de geração distribuída sob a ótica do consumidor residencial. Ele incluiu estimativas relacionadas ao VPL, à TIR e ao payback. Realizou uma análise de sensibilidade e uma projeção dos resultados para o ano 2020. Para a simulação, utilizando simulação de Monte Carlo, selecionou como variáveis de entrada: reajuste da tarifa, taxa de desconto, autoconsumo, taxa de câmbio, inflação e redução do preço fotovoltaico instalado. Concluiu que, em 2020, espera-se que a probabilidade de viabilidade da microgeração fotovoltaica, ultrapasse os 90%, enquanto que, em 2015, a probabilidade de viabilidade para as 27 capitais brasileiras está próxima de 62%.

(33)

“levelized cost” para levar em consideração os riscos e as incertezas na hora de valorar diferentes tecnologias de geração de energia. Eles fizeram um modelo de avaliação pro-babilística dos investimentos para três tecnologias: turbina de gás com ciclo combinado (TGCC), usina de carvão e usina nuclear. Encontraram que o VPL das três tecnologias é muito sensível à taxa de desconto utilizada, ao fazer a análise de sensibilidade desse parâmetro. Demonstraram, usando três estudos de caso, que a abordagem probabilís-tica proporciona aos investidores uma estrutura de análise mais abrangente para avaliar investimentos na área de energia em mercados livres. Concluíram que a análise de sensi-bilidade apenas varia um parâmetro por vez, os demais permanecem constantes, e deste modo, não apresenta uma perspetiva global do impacto de múltiplas incertezas sobre as três tecnologias. Por sua vez, afirmaram que a simulação de Monte Carlo avalia os impactos simultâneos de uma ampla série de parâmetros incertos das três alternativas consideradas. Eles também concluíram que a tecnologia TGCC teve o VPL mais alto, para uma taxa de desconto de 10%. Porém, combinando o efeito de múltiplas incertezas, a distribuição do VPL da TGCC em comparação com as das usinas nuclear e de carvão, indica que o investimento na TGCC é significativamente mais arriscado.

Pereira (2014), em sua dissertação de mestrado, calculou, a partir da teoria de port-fólios, a cota de participação de investimento em usinas de diferentes fontes (hidrelétrica, PCH, eólica e biomassa). Ele fez o fluxo de caixa probabilístico do acionista, sujeito às restrições de investimento. Mensurou a parcela de rentabilidade através da TIR e, para a minimização do risco, incluiu o conditional value at risk (CVaR) associado a um parâ-metro de aversão ao risco. Concluiu que é possível fazer uso de estratégias de mitigação de risco de acordo com o comportamento de aversão a risco do empreendedor e a sua capacidade de fluxo de caixa.

Wyman e Jablonowski(2012), estimaram o VPL probabilístico para empreendimentos de geração eólica offshore. Eles fizeram uma planilha de análise tradicional do fluxo de caixa para calcular o VPL. Uma vez que a planilha foi completada, eles elaboraram um desenho experimental, utilizando o método Box Behnken, para determinar qual combina-ção das variáveis selecionadas deveriam ser analisadas para avaliar os resultados do VPL. Adicionalmente, utilizaram técnicas de regressão para gerar equações que caracterizas-sem o VPL. Uma vez que as equações foram determinadas, eles empregaram a simulação de Monte Carlo para gerar amostras aleatórias e obter as estimações probabilísticas do VPL. Concluíram que a análise proposta por eles, pode ser utilizada para estimar o VPL e a viabilidade econômica de projetos de geração eólica offshore nos Estados Unidos e

(34)

que a maioria das simulações feitas, para empreendimentos típicos, resultaram em valores negativos do VPL.

Arango, Cataño e Hernández (2013) valoraram uma usina de carvão para a geração de energia térmica. Eles consideraram suas opções reais, ao estimar o VPL expandido. O trabalho deles apresentou o comportamento de cada uma das variáveis probabilísticas que afetam a viabilidade financeira do projeto. Propuseram modelos ARIMA-GARCH, que permitem fazer previsões das médias e a volatilidade das variáveis que determinam o fluxo de caixa do projeto. Os resultados sugerem a não execução do projeto em consequência, principalmente, do incremento dos custos pelo aumento exponencial do preço do carvão. Fleten, Maribu e Wangensteen (2007) avaliaram investimentos de geração distribuída a partir de fontes renováveis em situações de preço incerto. Eles afirmaram que a geração de energia elétrica a partir de fontes renováveis pode suprir a carga local, quando a geração e a carga coincidem em tempo, e que os excedentes de geração podem ser exportados à rede. Eles estudaram as faixas de preços e a capacidade de geração para determinar o momento adequado de realizar o investimento. Determinaram que as estratégias ótimas de investimentos em geração distribuída, a partir de fontes renováveis, dependem de múltiplos fatores, tais como: a carga de eletricidade, as informações climáticas e os preços da energia elétrica. A partir disso, assumiram que o fator de maior incerteza é o preço futuro da energia elétrica. Eles fizeram um estudo de caso, com geração de energia eólica, e encontraram que a alta volatilidade dos preços aumenta o valor da oportunidade de investimento para grandes projetos. Portanto, torna-se mais atrativo o fato de adiar o investimento até que maiores unidades sejam rentáveis.

Na sequência são mencionadas algumas informações, sobre o setor elétrico, relevantes para este trabalho e que estão disponíveis ao público. Estas informações são citadas ao longo da dissertação ou utilizadas como referências nos estudos de casos apresentados.

Com o interesse em desenvolver projetos de geração de energia renovável a partir do bagaço da cana-de-açúcar, a UNICA, organização representativa do setor de açúcar e bioetanol do Brasil, tem disponibilizado vídeos, publicações, apresentações, documentos e áudios no tema de Bioeletricidade. Alguns exemplos são: a cartilha da bioeletricidade, lançada em agosto de 2011, e a contagem de bioeletricidade sucroenergética comercializada nos leilões (UNICA,2015).

Por sua vez, a CCEE realiza mensalmente o cálculo da média mensal do PLD por submercado (CCEE, 2014b). Entidades como a Raízen, fabricante de etanol de

(35)

cana-de-açúcar do país e exportadora individual de açúcar de cana no mercado internacional, têm empregado o PLD para as projeções de seus empreendimentos de bioeletricidade (RAíZEN,2015).

Assim também, o Grupo de Estudos do Setor Elétrico da Universidade Federal do Rio de Janeiro (GESEL) tem elaborado estudos sobre a dinâmica estrutural do setor sucroenergético como elemento indutor de investimentos em bioeletricidade. O grupo tem disponibilizado dados de custos de investimentos em plantas de cogeração e da evolução da moagem da cana-de-açúcar (GESEL, 2011).

Alguns relatórios da Empresa de pesquisa energética (EPE) abordam temas como as análises sobre a receita fixa requerida para a remuneração dos investimentos e o cálculo do preço inicial da energia de reserva. Cita-se, como exemplo, o relatório da definição do preço inicial para o 1◦ leilão de energia de reserva de 2008 (EPE; MME, 2008).

Por sua vez, o Ministério de minas e energia (MME), com a criação do Proinfa, tem disponibilizado valores de referência para diversas fontes alternativas de energia elétrica. Dentre os valores disponibilizados pelo MME, estão: a potência elétrica total nominal bruta, o consumo próprio, o fator de disponibilidade média anual, a eficiência líquida, etc. Estes parâmetros têm sido apresentados para fontes de biomassa, eólica e PCH (MME, 2007).

1.2 Contribuição do trabalho

Esta dissertação contribui com a valoração probabilística de um empreendimento de geração de energia elétrica a partir de bagaço da cana-de-açúcar (embora a palha já esteja sendo utilizada de maneira complementar). Esta valoração é feita sob a ótica do empre-endedor, que deve saber qual é o limite do seu lance no leilão. Deste modo, o destaque da valoração probabilística é para o VPL, que determina a medida da probabilidade de ganho ou perda para o empreendedor que participa no leilão. A valoração deste tipo de empreendimento envolve duas componentes estocásticas: a geração de energia e o valor do PLD. A geração depende do período da safra e entre safra. O PLD, utilizado para valorar a energia comercializada no mercado de curto prazo, depende das condições hidrológicas. A geração de energia e o valor do PLD têm um risco associado para o empreendedor que, para os estudos de casos, participa em um leilão de energia de reserva. Dependendo

(36)

da geração, pode se ter uma diferença entre a energia gerada e a energia contratada. Caso haja um desvio negativo, o empreendedor terá que decidir entre comprar a energia ao PLD ou pagar o ressarcimento estipulado no contrato. Além disso, a comercialização da energia, em um leilão, é um cenário de risco per se, no qual não há um preço de remuneração previamente conhecido.

Uma vez que, diversos valores de custos de investimento são encontrados na literatura, esta dissertação faz uma análise destes custos. São simulados diferentes cenários sensibi-lizando: o valor de investimento, a TMA e o lance. Para cada um dos cenários simulados, são obtidos a distribuição de probabilidade do VPL, o VPL médio e a TIR que faz com que o VPL médio seja nulo em cada cenário (T IRmed).

1.3 Organização do trabalho

Tratando-se da introdução, o Capítulo 1 apresenta o contexto, a contribuição do traba-lho e a organização da dissertação. Na Seção 1.1, é apresentada uma revisão bibliográfica de estudos anteriores e algumas informações que estão disponíveis, ao público, sobre o setor de bioeletricidade.

No Capítulo 2, define-se o risco, além disto, faz-se uma revisão bibliográfica e descrição dos diferentes tipos de riscos e sua exemplificação no setor elétrico. Nas últimas seções deste capítulo, aborda-se a classificação dos riscos em não mensuráveis, mensuráveis e mensuráveis gerenciáveis. Por último, explica-se o conceito de gerenciamento de riscos.

Em seguida, no Capítulo 3, algumas das técnicas mais utilizadas para medir ou repre-sentar o risco são descritas. Nele, abordam-se técnicas de medição e representação dos riscos dos ativos de forma individual e coletiva.

No Capítulo 4, os leilões de energia de reserva e sua contratação são apresentados. Faz-se também uma discussão sobre as mudanças que têm acontecido nos contratos deste tipo de leilão, para os empreendimentos de fonte biomassa. Detalham-se mudanças na sua modalidade de contratação, no cálculo do ressarcimento pela não entrega de energia contratada e no prazo de duração do contrato.

No Capítulo 5, apresenta-se a metodologia empregada. Aqui, faz-se um breve resumo da tecnologia empregada para gerar energia elétrica em uma usina de bagaço de cana-de-açúcar, enumeram-se os métodos utilizados nos estudos de casos e a sequência de

(37)

procedimentos seguida nos estudos de casos. Além disso, descreve-se a forma de cálculo do ressarcimento, quando ocorrer um desvio entre a energia gerada e a energia contratada. No Capítulo 6, fazem-se os estudos de casos com diferentes valores de investimento, TMA e lance. Para fazer a simulação parte-se de um levantamento de dados e tomam-se como variáveis probabilísticas a geração de energia elétrica e o PLD. A energia é comercia-lizada no ambiente de contratação de energia no Brasil: ACR, através do leilão de energia de reserva e, no mercado spot, através do PLD. Por último, neste capítulo apresentam-se os resultados dos estudos de casos, incluindo as distribuições de probabilidade do VPL. Além destas, são calculados o VPL médio e a TIR correspondente aos cenários simulados. E, finalmente, no Capítulo 7 apresense as conclusões. Neste último capítulo tam-bém são listadas sugestões para trabalhos futuros.

(38)

(39)

Capítulo 2

Conceito de risco

Este capítulo inicia apresentando o conceito de risco e os diferentes tipos de riscos, com exemplos no setor elétrico. Seguidamente, apresenta-se a classificação dos riscos em não mensuráveis, mensuráveis e mensuráveis gerenciáveis. Finalmente, descreve-se o conceito de gerenciamento de riscos.

2.1 Definição de risco

Segundo Chavas (2004), risco é definido como a representação de uma situação onde alguns eventos não são conhecidos com certeza. Deste modo, é difícil considerar uma atividade à qual não exista um risco associado. Levando em conta esta definição, existem diferentes modos de estudar os riscos.

Por conseguinte, neste capítulo são apresentados os tipos de riscos por áreas; a clas-sificação dos riscos em não mensuráveis, mensuráveis e mensuráveis gerenciáveis; e o conceito de gerenciamento de riscos. Dos tipos de riscos, são apresentadas as suas des-crições e exemplificam-se alguns casos no setor elétrico. Da classificação dos riscos, são expostas as suas descrições gerais. Dos riscos mensuráveis gerenciáveis, que são o foco desta dissertação, são dados exemplos gerais no setor elétrico e, exemplos específicos em empreendimentos de geração de energia a partir de bagaço de cana-de-açúcar no Brasil.

(40)

2.2 Tipos de riscos

Para o seu estudo e compreensão, os riscos podem ser divididos em áreas. Na Figura 2.1, apresentam-se os tipos de riscos por áreas.

Tipos de riscos por ´ areas De mercado Técnicos Climáticos Econômicos Financeiros Jur´ıdicos Tributários Operacionais De crédito

Figura 2.1: Tipos de riscos por áreas. Fonte: Elaboração própria.

Riscos de mercado

O risco de mercado é definido como a possibilidade de ocorrência de perdas por causa da flutuação nos valores de mercado. As operações sujeitas à variação cambial, à taxa de juros, aos preços das ações ou aos preços das commodities, são exemplos deste tipo de risco (MORGAN, 2014). O método mais usual para medir o risco de mercado é o textitValue at Risk (VaR) o qual será descrito no Capítulo 3.

No setor elétrico, este tipo de risco está presente de diversos modos. Pode-se citar como exemplo, um empreendimento que precisa de equipamentos importados, cuja aquisição

(41)

depende de contratos de empréstimos em uma moeda diferente da moeda de recebimento dos seus benefícios. Neste caso, uma possível variação cambial é considerada um risco de mercado.

Riscos técnicos

Os riscos técnicos estão relacionados com prejuízos na execução de um processo. Estes riscos podem se originar por falhas nos equipamentos, na tecnologia, nas conexões ou no software.

Há vários exemplos deste tipo de risco no setor elétrico. As possibilidades de se ter prejuízos nos processos de operação de uma empresa, por causa de falhas técnicas nas turbinas, nas linhas de transmissão ou nos sistemas de controle, caracterizam riscos deste tipo.

Riscos climáticos

Os riscos climáticos têm relação com a possibilidade de que ocorra um evento des-favorável a partir da variabilidade do clima. Em outras palavras, eles correspondem à chance de acontecer uma situação adversa, que represente um prejuízo nos objetivos ou resultados de um projeto, por causa de variações climáticas não desejadas.

Riscos climáticos no setor elétrico podem surgir de diferentes maneiras. Para usinas hidrelétricas, o risco climático caracteriza-se por um longo período de seca quando precisa-se de chuvas, ou o oposto quando os reprecisa-servatórios estão cheios. Para usinas solares, este risco está presente caso não haja suficiente radiação solar quando precisa-se de quantidades importantes de geração fotovoltaica. Em uma usina eólica existe um risco climático, caso não hajam ventos suficientes para gerar a energia esperada.

Riscos econômicos

SegundoMascareñas(2008), o risco econômico faz referência à incerteza do rendimento de um investimento devido às mudanças da situação econômica do setor em que opera o dito investimento. A aparição de novos concorrentes, as mudanças nas preferências dos consumidores ou na política de suprimento representam riscos econômicos para uma empresa.

(42)

Como exemplo deste risco no setor elétrico, pode-se citar o surgimento de novas empre-sas com tecnologias modernas de geração, constituindo uma ameaça às empreempre-sas pioneiras que oligopolizavam esse segmento de mercado. A possibilidade de perder clientes e ter um lucro menor, por causa dessas novas empresas, caracteriza um risco econômico para a empresa que liderava o desenvolvimento dessa tecnologia.

Riscos financeiros

O risco financeiro é também conhecido como risco de crédito ou de insolvência. Este, faz referência à incerteza associada ao rendimento do investimento, devido à possibili-dade de que a empresa não possa cumprir as suas obrigações financeiras, tais como: o pagamento de juros, a amortização de empréstimos, etc.(MASCAREñAS, 2008).

Os riscos financeiros associados ao setor elétrico são os relacionados ao fluxo de caixa. Sempre que houver uma falta de solvência que faça com que um empreendimento do setor elétrico não possa cobrir as suas dívidas ou obrigações, tem-se um risco financeiro.

Riscos jurídicos

Segundo Lecours e Hébert (2014), todas as decisões comerciais estão associadas a riscos, entre eles os riscos jurídicos. Estes riscos podem surgir de um contexto contratual, laboral, ambiental, penal, etc.

As operações do setor elétrico sempre estão associadas a decisões comerciais, por exem-plo, nos contratos de venda ou compra de energia elétrica. Estes contratos têm cláusulas contratuais que, se não cumpridas, podem prejudicar ou beneficiar a alguma das partes envolvidas neles. Este tipo de risco também pode aparecer a partir de regulamentações ambientais, que usualmente os projetos de energia estão obrigados a cumprir.

Risco tributário

O risco tributário está relacionado com o risco jurídico. Este tipo de risco está asso-ciado a possíveis perdas por causa das mudanças na regulamentação tributária.

Um risco tributário para um empreendimento do setor elétrico pode ser derivado da probabilidade de que alguns benefícios fiscais, como isenções, reduções de taxas ou amor-tizações, dos quais gozava este empreendimento, finalizem. Esta mudança pode fazer com

(43)

que o lucro final do projeto seja afetado negativamente (EURORESIDENTES, 2004).

Risco operacional

Segundo Tattam (2011), o risco operacional vem do simples fato de fazer coisas ou “operar”. O escopo do risco operacional é, deste modo, bem abrangente. O regulador bancário mundial Basel Committee define o risco operacional como o risco de ter uma perda por uma falha ou por processos inadequados, pessoal, sistemas ou eventos externos (COMMITTEE, 2011).

No setor elétrico, a possibilidade de ter perdas derivadas de erros do pessoal que opera uma usina, caracteriza um risco operacional. Estes erros podem acontecer por fatores como: confusão em um procedimento estabelecido, falta de experiência, imprudência, falta de ferramentas adequadas, capacitação insuficiente, fatiga, etc.

Risco de crédito

O risco de crédito pode ser definido como o risco de uma perda decorrente de terceiros que não cumpram as suas obrigações de pagamento a uma organização ou instituição em um prazo fixado (TATTAM, 2011). Este descumprimento geralmente origina-se pela incapacidade econômico-financeira destes terceiros.

Um risco de crédito em um empreendimento, projeto ou empresa do setor elétrico pode-se apresentar a partir da inadimplência de terceiros, por exemplo, caso os clientes descumpram os pagamentos. Uma inadimplência deste tipo pode fazer com que as contas a receber de uma empresa tornem-se muito altas, prejudicando a sua liquidez para atender as obrigações e, em geral, comprometendo a sua boa operação e estabilidade financeira.

2.3 Classificação dos riscos

Os riscos podem ser classificados em: não mensuráveis, mensuráveis não gerenciáveis e mensuráveis gerenciáveis. Na Figura 2.2 é apresentada esta classificação. O escopo deste trabalho são os riscos mensuráveis e gerenciáveis os quais aparecem destacados na Figura 2.2.

(44)

Mensur´avel

N˜ao

Mensur´

avel

Mensurável e Não Gerenciável

Escopo da

disserta¸c˜ao

Mensur´avel e Gerenci´avel

Figura 2.2: Classificação dos riscos. Fonte: Elaboração própria.

2.3.1 Riscos não mensuráveis

Os riscos não mensuráveis são aqueles que não podem ser quantificados. Em outras palavras, são aqueles riscos dos quais se têm estimativas subjetivas. Alguns exemplos destes riscos são: a insegurança associada a qual será o preço da energia elétrica daqui a 15 anos; as incertezas relacionadas às diretrizes sobre o setor energético que tomará o governo eleito de um país daqui a 20 anos; e a possibilidade de existir alguma explosão ou um desastre em uma determinada usina elétrica.

2.3.2 Riscos mensuráveis

Os riscos mensuráveis são aqueles que, de algum modo, podem ser quantificados. Esta quantificação pode ser feita em três dimensões: a probabilidade de ocorrência, o impacto econômico e a duração da consequência. Dentre estes riscos estão os que não são gerenciáveis e os que são gerenciáveis. Estes últimos são descritos na seção seguinte.

2.3.3 Riscos mensuráveis e gerenciáveis

Os riscos mensuráveis e gerenciáveis são aqueles que podem ser administrados com o intuito de atingir determinados objetivos. Em outras palavras, são aqueles que podem ser

(45)

medidos identificando a probabilidade de perda ou exposição a uma situação desfavorável, a qual pode ser levada a um nível aceitável.

Há vários riscos deste tipo no setor elétrico como, por exemplo, em empreendimentos a partir de fontes renováveis. Estes empreendimentos dependem de fenômenos naturais como: chuva, vento, radiação solar, período de safra, etc. Embora os fenômenos naturais não sejam controláveis, podem ser feitas análises probabilísticas para gerenciá-los. As informações necessárias para estas análises podem ser obtidas a partir de dados históricos ou de séries aleatórias, geradas com programas computacionais, que permitem identificar as suas probabilidades de ocorrência.

No setor elétrico brasileiro, especificamente nos empreendimentos de geração de energia elétrica a partir de bagaço de cana, existem diferentes riscos associados. Alguns destes riscos são, por exemplo, os associados a que um período de seca afete a safra esperada e por conseguinte a geração de energia elétrica. Há também, riscos mais específicos, por exemplo, aqueles que estão relacionados com o descumprimento das obrigações adquiridas a partir da participação nos leilões de energia, no ACR no Brasil.

Usualmente, os empreendimentos de geração de energia elétrica, a partir do bagaço de cana no Brasil, participam dos “Leilões de Fontes Alternativas” ou dos “Leilões de Energia de Reserva”. Os “Leilões de Fontes Alternativas” têm por objetivo ser um dos mecanismos para atendimento do mercado consumidor das concessionárias de distribuição. Os “Leilões de Energia de Reserva” têm por objetivo a venda de energia de reserva, destinada a aumentar a segurança no fornecimento de energia elétrica ao SIN. No Brasil, até o começo de 2015, ocorreram seis leilões de energia de reserva e três de fontes alternativas. Deste modo, em função da quantidade de leilões sucedidos, decidiu-se basear no “Leilão de Energia de Reserva”, para os estudos de casos desta dissertação. Por conseguinte, levaram-se em consideração, os riscos associados às conlevaram-sequências para o empreendedor, caso haja um desvio negativo entre a energia gerada e a energia contratada, neste tipo de leilão.

2.4 Gerenciamento de riscos

Ao longo do tempo, a estrutura de comercialização de energia elétrica no mundo tem mudado, variando de modelos que eram praticamente monopólios para ambientes mais competitivos. Nestes ambientes, com maior concorrência, atuam tanto investidores privados quanto públicos. Esta mudança tem feito com que as empresas que participam

(46)

deste ambiente competitivo estejam expostas a diferentes tipos de riscos. Deste modo, se torna fundamental que elas, considerem relevante o gerenciamento dos riscos aos que estão expostas.

O gerenciamento de riscos pode ajudar a melhorar significativamente as probabilidades de sucesso de um projeto. Ainda que não existam garantias dos acontecimentos, o fato de ter um conhecimento mais amplo do entorno em que se desenvolve um projeto pode ajudar a mitigar as consequências dos possíveis riscos identificados. Por exemplo, utilizando métodos de medição e gerenciamento do risco e fazendo análises ou avaliações dos projetos, pode-se obter uma base para levar a um nível aceitável os riscos. Do mesmo modo, podem-se tomar decisões, ao identificar podem-se o projeto é viável, ou evitando sua execução quando não o é.

Segundo Kendrick (2009), o gerenciamento de riscos contribui para revelar oportuni-dades de melhoria nos projetos. Estas melhorias podem resultar em aumento do valor do projeto. Além do mais, um bom gerenciamento de riscos pode também aumentar as probabilidades de que os projetos atinjam os seus objetivos.

Este panorama faz com que o emprego de métodos para medir ou representar o risco, que contribuam para o seu gerenciamento, seja fundamental. No Capítulo 3 são apresen-tados alguns dos métodos de medição de riscos mais utilizados.

(47)

Capítulo 3

Métodos de avaliação e medição de

riscos

Este capítulo apresenta alguns métodos que podem ser empregados para avaliar e mensurar o risco. Para isto, o capítulo dividi-se em duas seções. A primeira apresenta métodos de avaliação dos riscos para os ativos, individualmente. A segunda apresenta os métodos para avaliar os riscos dos ativos, coletivamente.

3.1 Avaliação dos riscos dos ativos individualmente

Nesta seção, são apresentadas algumas das técnicas mais utilizadas para avaliar os riscos dos ativos individualmente. Na sequência são explicadas as técnicas: volatilidade, critério MinMax-MaxMin, value at risk e conditional value at risk.

3.1.1 Volatilidade

A volatilidade é a técnica mais simples para representar o risco. Esta é a medida estatística padrão da variabilidade de uma amostra e corresponde, como o seu nome descreve, ao desvio padrão do benefício. A sua principal desvantagem é que a distribuição do benefício deve corresponder a uma distribuição normal. Deste modo, a volatilidade fornece apenas uma aproximação para o nível de incerteza representado (VEIGA, 1999). Na estatística clássica, a distribuição normal desempenha um papel central, e o desvio

(48)

padrão é a forma usual de representar a dispersão de uma distribuição normal. Para a distribuição normal, a probabilidade de se obter um retorno que esteja acima ou abaixo da média depende apenas do desvio padrão (ROSS et al., 2015). Em outras palavras, o desvio padrão é um número que ajuda a entender como os valores individuais em um conjunto de dados variam ao redor da média (SEWARD; DOANE, 2014).

Quando a distribuição do benefício não está claramente definida, podem-se utilizar amostras de valores obtidas de técnicas computacionais, por exemplo, através da simulação de Monte Carlo. No Capítulo 5, a descrição do método de simulação de Monte Carlo é ampliada.

3.1.2 Critério MinMax-MaxMin

Uma situação de risco ocorre toda vez em que um evento desfavorável acontece. A técnica de arrependimento MinMax ou MaxMin baseia-se em escolher, dentre as possíveis situações de risco, as mais favoráveis.

No caso do critério MaxMin, a técnica consiste em escolher entre as situações desfavo-ráveis, aquela que maximiza os benefícios. Em outras palavras, se tiver benefícios mínimos (situação desfavorável), escolher aquele com o maior beneficio mínimo. Um exemplo deste critério é, caso o preço da energia caia dramaticamente, o vendedor explorará no mercado qual é a melhor opção para vender sua energia. Mesmo que todos os preços sejam baixos, ele escolherá a opção onde possa vender a energia a um preço mais alto.

Por sua vez, o MinMax indicaria o oposto: minimizar a perda máxima. Em outras palavras, se acontecer o risco, deve-se escolher aquele com a menor perda possível, isto é, a melhor opção entre as piores. Um exemplo deste critério é, no caso de um empreende-dor que pode investir em uma entre três alternativas de geração diferentes, ele avaliará com qual poderia estar exposto a uma menor perda. O empreendedor fará as avaliações econômico-financeiras de cada uma e, partindo de uma visão pessimista, ele investirá naquela que, caso aconteça a situação mais desfavorável, a perda seja a menor possível.

3.1.3 Value at Risk

(VaR)

O VaR é uma técnica de representação da aversão ao risco. Ela está relacionada com a probabilidade de ter o menor retorno ou a maior perda esperada de um investimento,

(49)

empreendimento ou projeto.

Uma zona de eventos, que para o investidor seja desfavorável, é fixada a partir de uma distribuição de probabilidades de retornos ou perdas. Essa zona indica o nível de risco fixado, que é uma porção dos 100 % das possibilidades obtidas na distribuição. Em outras palavras, é a porção com os menores retornos ou as maiores perdas.

Assim, para um determinado nível de risco fixado, há um valor de benefício ou perda associado β. As Figuras 3.1 e 3.2 ilustram esse valor e a zona de eventos desfavoráveis, ou probabilidade de se ter um prejuízo maior do que é suportável, a qual é fixada como P (β).

O VaR representa a diferença entre o que o investidor em média vai receber ou perder (X) e o valor β, tal como apresentam as Figuras 3.1 e 3.2. O VaR também determina o risco representado pela probabilidade do benefício ser menor ou a perda ser maior do que β. β Menores retornos X Maiores retornos VaR P (β) f(x) x

Figura 3.1: VaR em uma distribuição de retornos esperados. Fonte: Elaboração própria.

β Menores perdas X Maiores perdas VaR P (β) f(x) x

(50)

Deste modo, o nível de risco fixado é representado pela Equação 3.1.

P(β) = Z β

−∞

f(x)dx (3.1)

Que é equivalente àEquação 3.2.

P(β) = P (x ≤ β) = 1 − P (x > β) (3.2) Ou, no exemplo da distribuição de perdas, é representado pela Equação 3.3.

P(β) = Z ∞

β

f(x)dx (3.3)

Que é equivalente àEquação 3.4.

P(β) = P (x ≥ β) = 1 − P (x < β) (3.4) O VaR, representa quanto o investidor esperaria ganhar ou perder na média (X) menos o que poderia ganhar ou perder numa situação de risco (β). A expressão para representar o VaR, deste modo, é definida pelaEquação 3.5.

V aR= X − β (3.5)

Onde X, está definido pela Equação 3.6. X =

Z ∞

−∞

xf(x)dx (3.6)

Contudo, convém destacar que esta técnica tem algumas desvantagens, por exemplo, ela é uma medida que deixa de lado os cenários de risco que a ultrapassam. Além do mais, dependendo da metodologia empregada para o cálculo do VaR, existem desvantagens associadas a estas. Algumas das metodologias mais utilizadas para o cálculo do VaR são: a simulação histórica e a simulação de Monte Carlo.

SegundoBerger(2012), ao calcular o VaR pela metodologia da simulação histórica, por se tratar de dados passados, existe uma dependência dos dados utilizados na simulação.

(51)

Por conseguinte, o resultado desse método está exposto a levar fatos isolados no passado como boas projeções para o futuro.

Segundo Maletta (2005), ao calcular o VaR por simulação de Monte Carlo, por se tratar de um método que necessita intensivamente de recursos computacionais e repetições de procedimentos, seus cálculos podem ser lentos e com implementação difícil e cara. Ademais, os fatores de risco devem ser modelados estocasticamente o que exige fazer uma boa escolha do modelo mais apropriado para cada situação modelada.

3.1.4 Conditional Value at Risk

(CVaR)

O CVaR é outra medida utilizada como mecanismo de medição do risco, ele tem uma relação direta com o VaR. O CVaR é o VaR condicionado, como o seu nome descreve. Porém, podem haver distribuições com VaR’s semelhantes e CVaR’s diferentes. Do mesmo modo, duas distribuições podem ter a mesma média e serem bem diferentes uma da outra, uma com volatilidade baixa e a outra com alta. Esta relação de similaridade varia de acordo com a volatilidade das distribuições de retornos ou perdas esperadas. Uma amostra de dados com volatilidade alta (valores afastados da média) estará representada por uma distribuição de probabilidade ampla. Uma amostra de dados com volatilidade baixa (valores mais próximos da média) estará representada por uma distribuição de probabilidade estreita.

O CVaR mede a média dos menores retornos ou das maiores perdas esperadas. Nas Figuras 3.3 e 3.4 pode-se observar a representação do CVaR em uma distribuição de retornos ou perdas esperados.

β Menores retornos X Maiores retornos VaR CVaR f(x) x

Figura 3.3: Distribuição de retornos esperados representando o VaR e o CVaR. Fonte: Elaboração própria.

(52)

β Menores perdas X Maiores perdas VaR CVaR f(x) x

Figura 3.4: Distribuição de perdas esperadas representando o VaR e o CVaR. Fonte: Elaboração própria.

Em outras palavras, se ocorrer uma situação desfavorável ou de risco, o CVaR repre-senta o que o investidor espera ganhar ou perder, na média. A Equação 3.8 representa matematicamente o CVaR na distribuição de retornos esperados.

CV aR= Z β

−∞

xf(x)dx (3.7)

Ou, na distribuição de perdas, o CVaR está se expressa segundo a Equação 3.8.

CV aR= Z ∞

β

xf(x)dx (3.8)

3.2 Avaliação dos riscos dos ativos coletivamente

Nesta seção, são apresentadas algumas das técnicas mais utilizadas para avaliar os riscos dos ativos coletivamente. Na sequência são explicados: a teoria de portfólios de Markowitz e os derivativos.

3.2.1 Teoria de portfólios de Markowitz

A teoria de portfólios de Markowitz é uma das metodologias empregadas para mitigar o risco em portfólios de investimento. Esta metodologia foi proposta por Harry Markowitz, economista estadunidense, que foi laureado com o prêmio nobel de economia em 1990.