CENTRO DE CIÊNCIAS SOCIAIS APLICADAS DEPARTAMENTO DE CIÊNCIAS ADMINISTRATIVAS PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO
THIAGO DOS SANTOS AZEVEDO DAMASCENO
TRANSMISSÃO DE VOLATILIDADE DOS PREÇOS DO PETRÓLEO BRUTO, BIODIESEL E SOJA NO BRASIL
NATAL/RN 2019
TRANSMISSÃO DE VOLATILIDADE DOS PREÇOS DO PETRÓLEO BRUTO, BIODIESEL E SOJA NO BRASIL
Dissertação apresentada ao Programa de Pós-Graduação em Administração da Universidade Federal do Rio Grande do Norte, como requisito parcial para a obtenção do título de Mestre em Administração, na área de Gestão Organizacional.
Orientador: Prof. Dr. Anderson Luiz Rezende
Mól
NATAL/RN 2019
Damasceno, Thiago dos Santos Azevedo.
Transmissão de volatilidade dos preços do petróleo bruto, biodiesel e soja no Brasil / Thiago dos Santos Azevedo Damasceno. - 2019.
102f.: il.
Dissertação (Mestrado em Administração) - Universidade Federal do Rio Grande do Norte, Centro de Ciências Sociais Aplicadas, Programa de Pós Graduação em Administração. Natal, RN, 2019. Orientador: Prof. Dr. Anderson Luiz Rezende Mól.
1. Biodiesel - Dissertação. 2. Energia - Dissertação. 3. Transmissão de volatilidade de preços - Dissertação. 4. Causalidade de Granger - Dissertação. I. Mól, Anderson Luiz Rezende. II. Universidade Federal do Rio Grande do Norte. III. Título.
TRANSMISSÃO DE VOLATILIDADE DOS PREÇOS DO PETRÓLEO BRUTO, BIODIESEL E SOJA NO BRASIL
Dissertação apresentada ao Programa de Pós-Graduação em Administração da Universidade Federal do Rio Grande do Norte, como requisito parcial para a obtenção do título de Mestre em Administração.
Natal-RN, 31 de julho de 2019.
BANCA EXAMINADORA
Prof. Dr. Anderson Luiz Rezende Mól Universidade Federal do Rio Grande do Norte Presidente da Banca Examinadora
Prof. Dr. Israel José dos Santos Felipe Universidade Federal de Ouro Preto
Examinador
Prof. Dr. Melquiades Pereira de Lima Júnior Instituto Federal do Rio Grande do Norte Examinador
Prof. Dr. Rodrigo José Guerra Leone
Universidade Potiguar Examinador
AGRADECIMENTOS
A Deus por ter me dado saúde para viver esta fase tão importante na minha vida. À minha família, em especial, aos meus pais Jorge e Helma que sempre me incentivaram e, à minha esposa Lúcia e à minha filha Sofia por terem sido essenciais no apoio incondicional e fontes de inspiração, força, colaboração e determinação constantes durante toda essa jornada.
Ao meu grande orientador Anderson Mól pelo exemplo de generosidade por ter compartilhado conhecimento, experiências e lições, com clareza e domínio, pela sua exigência em busca da excelência, da sua simplicidade e atenção dispensada ao longo desta construção.
À UFRN, coordenação do curso e seus funcionários pela oportunidade de ter vivenciado excelentes momentos nesta grande instituição e pela presteza na orientação e colaboração nas atividades acadêmicas.
Aos professores do PPGA, pelos conhecimentos transmitidos durante o mestrado. A todos os meus colegas de pós-graduação pela troca de conhecimento e pelo harmonioso convívio.
“Se eu vi mais longe, foi por estar sobre ombros de gigante.”
RESUMO
Com o crescente aumento na produção de biodiesel no Brasil, tem aumentado a sua importância na matriz energética brasileira e diminuido a dependência em relação à importação do petróleo. O objetivo deste trabalho é investigar o mecanismo de transmissão de volatilidade dos preços internacionais do petróleo bruto, biodiesel e soja no Brasil e a sua dinâmica no curto e longo prazos ao longo do tempo. Sendo assim, busca-se evidências sobre a estrutura da correlação incondicional e condicional dinâmica dos log-retornos dos ativos de forma a preencher a lacuna percebida para o mercado brasileiro de biodiesel. Para instrumentalizar esta pesquisa, este estudo utilizou-se de uma abordagem econométrica para quantificar a volatilidade e estrutra dinâmica da correlação, com forte impacto sobre as decisões estratégicas de formuladores de políticas públicas e reguladores de mercado. Ainda, fez-se uso da propriedade dinâmica dos modelos VEC e VAR e testou-se a causalidade de Granger; a Função resposta a impulso; e Decomposição da variância do erro de previsão. As volatilidades e suas ligações de curto e longo prazos são analisadas comparativamente via modelos DCC-GARCH e MVM. Conclui-se que o DCC expressa com melhor propriedade as correlações dinâmicas das séries. Embora haja canais definidos de transferência de volatilidades entre petróleo, soja e biodiesel, não há evidências de contágio entre mercados. Verifica-se que, no curtíssimo prazo, os log-retornos das séries respondem de forma contemporânea os choques às inovações de forma bidirecional, embora não haja evidências sobre causalidade de Granger em nenhumas das relações.
Palavras-chave: Biodiesel; Energia; Transmissão de volatilidade de preços;
ABSTRACT
With the growing increase in biodiesel production in Brazil, it has increased its importance in the Brazilian energy matrix and reduced dependence on the import of oil. The objective of this work is to investigate the mechanism of transmission of volatility of international crude oil, biodiesel and soybean prices in Brazil and its dynamics in the short and long terms over time. Thus, we seek evidence on the structure of the unconditional and conditional dynamic correlation of the log-returns of the assets in order to fill the perceived gap for the Brazilian biodiesel market. In order to instrumentalize this research, this study used an econometric approach to quantify the volatility and dynamic structure of the correlation, with a strong impact on the strategic decisions of public policy makers and market regulators. Also, the dynamic property of the VEC and VAR models were used, and the Granger causality was tested; the impulse response function; and Decomposition of the variance of the forecast error. The volatilities and their short- and long-term links are analyzed comparatively via DCC-GARCH and MVM models. Hence, the DCC model expressed with a better property the dynamic correlations of the series. Although there are defined channels of volatility transfer between oil, soybean and biodiesel, there is no evidence of contagion between markets. In the very short term, the log-returns of the series respond contemporaneously to the shocks to the innovations in a bidirectional way, although there is no evidence about Granger causality in any of the relations.
Quadro 1 – Resumo da literatura sobre a transmissão de preço de energia para
commodities agrícolas...19
Quadro 2 – Resumo da literatura sobre a transmissão de volatilidade de preço de energia para commodities agrícolas...21
Quadro 3 – Sequência metodológica...28
Tabela 1 – Descrição estatística...45
Tabela 2 – Testes estatísticos e valores críticos (CV) dos testes PP e KPSS...46
Tabela 3 – Seleção de lags pelos critérios AIC, HQ, SC e FPE...47
Tabela 4 – Testes de Cointegração de Johansen...47
Tabela 5 – Testes de Causalidade de Granger I...48
Tabela 6 – Testes de Causalidade de Granger II...49
Tabela 7 – Decomposição da Variância dos Erros de Previsão em Percentagem de Petróleo para os log-retornos de Petróleo, Soja e Biodiesel...53
Tabela 8 – Comparação de especificações GARCH univariadas...56
Tabela 9 – Estimadores do modelo DCC-APARCH (1,1). P-valor em parênteses...56
Tabela 10 – Estimadores do modelo DCC-APARCH (1,1) com distribuição de erro generalizada com parâmetro de forma P-valor entre parênteses...57
Tabela 11 – EQM do modelo de volatilidade multiplicativa para diferentes escolhas da função kernel e parâmetro de suavização...60
LISTA DE FIGURAS
Figura 1 – Preços (esquerda) log-preços dessasonalizados (direita) semanais em
USD/m3 do petróleo bruto, soja e biodiesel...45
Figura 2 – Resposta ao Impulso nos log-retornos de Petróleo e Soja...50
Figura 3 – Resposta ao Impulso nos log-retornos de Soja e Petróleo...50
Figura 4 – Resposta ao Impulso nos log-retornos de Petróleo e Biodiesel...51
Figura 5 – Resposta ao Impulso nos log-retornos de Biodiesel e Petróleo...51
Figura 6 – Resposta ao Impulso nos log-retornos de Soja e Biodiesel...52
Figura 7 – Resposta ao Impulso nos log-retornos de Biodiesel e Soja...52
Figura 8 – Resíduos do Modelo VEC...54
Figura 9 – ACF (painel superior) e PACF (painel inferior) de resíduos quadráticos do VEC...55
Figura 10 – Estimação de variância e correlação condicional...57
Figura 11 – Estimação de variância incondicional e correlação com 90% de intervalos de confiança pontuais...59
Figura 12 – Estimativas de variância incondicional e correlação (linha contínua) comparadas a variâncias e correlações de janela móvel de 6 meses (linha tracejada) e variâncias e correlações de janela móvel de 12 meses (linha pontilhada) ...59
Figura 13 – Painéis superiores: variâncias e correlações incondicionais (longo prazo) (linha sólida), juntamente com variâncias e correlações condicionais (linha tracejada), painéis inferiores: componentes de curto prazo...61
ANP – Agência Nacional do Petróleo, Gás Natural e Biocombustíveis BEKK – Baba, Engle, Kraft e Krone
CCC-GARCH – Modelo Multivariado de Correlação Condicional Constante CEIB – Comissão Executiva Interministerial do Biodiesel
CEPEA – Centro de Estudos Avançados em Economia Aplicada CNPE – Conselho Nacional de Política Energética
DCC-GARCH – Modelo Multivariado de Correlação Condicional Dinâmica
EGARCH – Heterocedasticidade Condicional Auto-Regressiva Generalizada Exponencial ESALQ – Escola Superior de Agricultura Luiz de Queiroz
GARCH - Heteroscedasticidade Condicional Auto-Regressiva Generalizada MLPR – Regressão Polinomial Local não-Paramétrica
MGARCH – Modelo de Heterocedasticidade Condicional Auto-Regressiva Generalizada MS-VECM - Modelo Vetorial de Correção de Erros com Cadeias de Markov
MVM – Modelo de Volatilidade Multiplicativa
PNPB – Programa Nacional de Produção e Uso do Biodiesel
STVECM – Modelo Vetorial de Correção Estrutural de Erros Threshold SVAR – Modelo de Vetor Auto-Regressivo Estrutural
TGARCH – Modelo de Heterocedasticidade Condicional Auto-Regressiva Generalizado com Limiar
TVECM – Modelo Vetorial de Correção de Erros com Limiar USP – Universidade de São Paulo
VAR – Vetor Auto-Regressivo
VAR-GARCH – Modelo GARCH de Vetor Auto-Regressivo VECM – Modelo Vetorial de Correção de Erros
1.1. Objetivo Geral ... 14
1.2. Objetivos Específicos ... 14
2. REFERENCIAL TEÓRICO ... 14
2.1. O Mercado de Biocombustíveis no Brasil ... 15
2.2. Transmissão de Volatilidade ... 16
3. METODOLOGIA ... 27
3.1. Base de Dados ... 32
3.2. Teste de Estacionariedade das Séries Temporais ... 33
3.3. Teste de Phillips-Perron (PP) ... 33
3.4. Teste de Kwiatkowski, Phillips, Schmidt e Shin (KPSS) ... 34
3.5. Teste de Cointegração de Johansen ... 34
3.6. Modelos VAR (Vetores Autorregressivos) e VEC (Vetores de Correção de Erros) ... 36
3.7. Teste de Causalidade de Granger ... 36
3.8. Função Resposta ao Impulso ... 37
3.9. Decomposição do Variância do Erro de Previsão ... 38
3.9.1. Modelo GARCH Multivariado ... 38
3.9.2. Modelo DCC-GARCH ... 39
3.9.3. Estimação Conjunta de Cointegração e Parâmetros GARCH ... 42
3.9.4. Modelo Multivariado de Volatilidade Multiplicativa (MVM) ... 43
4. ANÁLISE DE DADOS ... 44
4.1. Testes de Estacionariedade ... 46
4.2. Cointegração e Estimação do Modelo ... 47
4.3. Causalidade de Granger ... 48
4.4. Função Resposta ao Impulso ... 49
4.5. Decomposição da Variância do Erro de Previsão ... 53
4.6. Estimação do Modelo DCC-GARCH ... 53
4.7. Estimação do Modelo MVM ... 58
5. LIMITAÇÕES DO ESTUDO ... 62
6. CONSIDERAÇÕES FINAIS ... 63
REFERÊNCIAS ... 65
1. INTRODUÇÃO
Os biocombustíveis são frequentemente descritos como uma solução para muitos dos desafios globais, incluindo a mudança climática e a segurança energética. O Brasil, líder em produção e políticas de biocombustíveis, oferece um cenário ideal para desenvolver a compreensão sobre os impactos dos biocombustíveis (CARDOSO et al., 2019). A preocupação em relação às questões ambientais nas últimas quatro décadas também contribuiu para a popularidade dos biocombustíveis como uma fonte alternativa aos combustíveis fósseis. Na cadeia produtiva da agricultura, a energia é considerada um insumo essencial por ser necessária ao transporte e ao processamento de alimentos (KRISTOUFEK et al., 2012).
As interconexões entre os mercados agrícolas e de energia aumentaram com o aumento dos novos agronegócios em biocombustível e as ligações de petróleo-etanol-milho. A questão é se essas relações têm uma estrutura causal pela qual os preços do petróleo afetam os preços das commodities e, através desses elos, a instabilidade é transferida dos mercados de energia para mercados agrícolas (SAGHAIAN, 2010).
Vários fatores podem ter afetado os relacionamentos de preços e os níveis de volatilidade, tais como eventos climáticos, condições regionais de oferta e demanda relacionadas à capacidade de armazenamento, custos de transporte e taxas de juros. Se a relação entre os preços (e as volatilidades) for afetada, os produtores podem ter dificuldade em comercializar sua safra no mercado spot no futuro e usar ferramentas de gerenciamento de risco para reduzir a variação de preços. Portanto, quando o mecanismo de transmissão de volatilidade entre os mercados é afetado, a eficiência das estratégias de gerenciamento de risco é reduzida (CRUZ JR. et al., 2018).
Embora não exista uma definição única de volatilidade de preço, é geralmente caracterizada como uma variabilidade de preço sem direção que não pode ser prevista pelos fundamentos do mercado (PRAKASH, 2011). Enquanto a transmissão de preço refere-se às relações entre a média condicional de preços, a transmissão de volatilidade de preço refere-se às relações entre a variância condicional de preços. A análise da transmissão de preços é problemática, como argumenta Goodwin (2006), porque os resultados podem ser consistentes com uma variedade de explicações.
A maioria das análises que estudaram os impactos dos biocombustíveis nos preços de alimentos e energia concentrou seu interesse nos níveis de preços. As investigações sobre a volatilidade dos preços receberam muito menos atenção (SERRA; ZILBERMAN, 2013). Entretanto, a partir de 2008 discussões acerca da transmissão de volatilidade relacionada ao
mercado de energia tomou corpo quando a crise financeira global provocou um choque importante nas relações entre preços de energia e commodities agrícolas (NAZLIOGLU et al., 2013; HAN et al., 2015; JEBABLI; ROUBAUD, 2018).
Atribui-se a Barnard (1983) ter sido o primeiro pesquisador a analisar as ligações entre energia e preços de commodities agrícolas (ZHANG et al., 2010). Embora existam evidências sobre os nexos causais tanto dos biocombustíveis em relação aos preços dos alimentos (SAGHAIAN, 2010), alguns estudos indicaram que os choques nos preços dos combustíveis também influenciam o aumento dos preços dos alimentos (BUSSE et al., 2010b; NAZLIOGLU; SOYTAS, 2012; SPAGNOLO et al., 2017).
A crise global de alimentos, caracterizada pelo aumento acentuado dos preços de commodities agrícolas e do petróleo bruto, bem como de combustíveis de varejo e biocombustíveis, atraiu grande atenção acadêmica a partir do ano de 2008, razão da crise alimentar 2007/2008 e o debate sobre alimentos e biocombustíveis tomou espaço na agenda dos “policy makers” governamentais (VACHA et al., 2013). Nesse ambiente, a questão da interação entre alimentos e biocombustíveis ganhou uma nova dimensão de investigações.
Apesar de já terem sido publicados vários estudos sobre biocombustíveis em nível mundial, ainda há omissão de investigação dedicada ao mercado brasileiro de forma que pouco se conhece acerca da estrutura e mecanismo de transmissão de volatilidade e riscos no segmento de energia. Nas últimas duas décadas, o biodiesel tem atraído a atenção dos formuladores de políticas públicas e pesquisadores devido ao seu importante potencial de mercado, à segurança energética nacional e ao meio ambiente (CABRERA; SCHULZ, 2016).
Na década passada, a produção brasileira de biodiesel acompanhou a tendência global e passou a ser produzida em larga escala. O Brasil passou de uma produção de 736 m3 em 2005,
para 1.167.128 m3 em 2008 quando a mistura de 2% ao diesel passou a ser obrigatória no país.
Em 2018, a produção foi de 5.337.135 m3 quando o percentual obrigatório era de 10% (ANP,
2019). O aumento na produção de biodiesel por consequência da elevação da mistura no diesel sugere uma estrutura relacional de preços dos ativos, o que pavimenta a necessidade de uma compreensão mais profunda sobre os mecanismos de transmissão de volatilidade de preços entre os mercados.
A transmissão tradicional do preço do petróleo resulta em preços mais altos das commodities agrícolas, ao aumentar os custos de produção através de seus impactos em fertilizantes, produtos químicos, custos de transporte e outros insumos. No entanto, o debate sobre a relação energia-biocombustíveis tem se concentrado no mecanismo de transmissão em
que o aumento nos preços do petróleo resulta no crescimento de biocombustíveis à base de milho e soja (CHEN et al., 2010).
A literatura relacionada à transmissão de volatilidade de preços pode ser distinguida em duas categorias: uma sobre a relação entre commodities alimentares e preços de biocombustíveis e outra sobre o impacto da introdução de biocombustível nos preços de commodities alimentares (ZILBERMAN et al., 2013). Fernandez-Perez et al. (2016) argumentam que o elevado crescimento da indústria de biocombustíveis potencializou a relação entre os mercados agrícola e de energia. Nazlioglu et al. (2013) afirmaram que o uso de biocombustíveis aumentou as transmissões de volatilidade entre a energia e os mercados de commodities relacionados aos biocombustíveis.
Este estudo concentra-se na relação de preço, volatilidade e correlação dinâmica entre petróleo bruto internacional, biodiesel e soja, brasileiros. O estudo a partir da dinâmica dos preços de petróleo, soja e biodiesel está ancorado na dependência do Brasil ao petróleo internacional, enquanto o biodiesel configura uma das principais fontes alternativas a esse combustível fóssil. A soja é incluída nesta investigação por representar a principal matéria-prima, com 73,2% de participação na produção nacional do biodiesel (ANP, 2019). O intervalo temporal de fevereiro de 2008 a agosto de 2018 tem como justificativa o início da obrigatoriedade da mistura do biodiesel na fórmula do diesel, implementada pela Política Nacional de Produção de Biocombustíveis. Logo, a série de dados começa nessa data e toda sua base compreende um número de observações semanais superior à média dos principais estudos de referência nesse assunto.
Como a atratividade da produção de biocombustível aumenta devido a políticas energéticas favoráveis ao ambiente, a ligação entre energia e mercados agrícolas se tornarão mais fortes. A esse respeito, projetar políticas bioenergéticas sólidas exige as evidências da identificação do mecanismo de transmissão entre a energia e os preços das commodities agrícolas. Portanto, não só os decisores políticos, mas também agentes de mercado, concentrando-se nos preços globais dos ativos devem levar em conta a relação entre os preços do petróleo e de biocombustíveis em suas estratégias (NAZLIOGLU; SOYTAS, 2012).
Dito isso, este estudo pode contribuir como subsídio na tomada de decisão a fim de viabilizar mecanismos de comercialização e políticas de desenvolvimento dos setores de energia e alimentar. Isto é, os achados desta investigação podem servir como referência para pesquisadores, agentes de mercado, formuladores de políticas públicas e demais interessados nessa área.
Entende-se que os resultados desta investigação contribuem no sentido de fornecer compreensão sobre os canais de transmissão de volatilidade de preços de petróleo e soja para o mercado de biodiesel, viabilizando o desenvolvimento de políticas públicas para o mercado de bioenergia e programas de incentivos à produção e comercialização, além de somar evidências do comportamento de preços e riscos no segmento de bioenergia brasileiro, às evidências internacionais.
Isto posto, esta investigação pretende responder o seguinte questionamento: Há transferência de volatilidade entre o mercado internacional de petróleo e os mercados de biodiesel e soja brasileiros?
1.1. Objetivo Geral
Investigar o mecanismo de transmissão da volatilidade dos preços do petróleo bruto, biodiesel e soja no Brasil.
1.2. Objetivos Específicos
A. Quantificar a volatilidade dos preços do petróleo bruto, biodiesel e soja no Brasil e a estrutura de suas correlações dinâmicas;
B. Investigar os efeitos potenciais de contágio sobre a volatilidade de biodiesel a partir de choques de preços no petróleo bruto e soja no Brasil;
C. Avaliar o mecanismo de transferência de volatilidade de uma commodity para outra; D. Investigar a presença de causalidade de Granger entre os mercados de petróleo bruto,
soja e biodiesel.
2. REFERENCIAL TEÓRICO
A partir de consultas à plataforma referencial de citações “Web of Science”, com pesquisa pelas palavras-chave deste estudo, possibilitou o acesso às principais evidências científicas disponíveis sobre transmissão de volatilidade de preço entre os mercados de energia e de biocombustíveis, concentrou-se em dois eixos de investigação: i) conjunto de investigações com foco em evidências de neutralidade e de transmissão de preços de energia para commodities agrícolas (quadro 1) e ii) investigações que apontam para o mecanismo de transmissão de volatilidade dos preços do biocombustível para os preços dos alimentos (quadro 2).
2.1. O Mercado de Biocombustíveis no Brasil
Cerca de 45% da energia e 18% dos combustíveis consumidos no Brasil são renováveis. No resto do mundo, 86% da energia vêm de fontes energéticas não renováveis. O Brasil é pioneiro mundial no uso de biocombustíveis, e alcançou uma relevante posição como desenvolvedor de fontes renováveis de energia como alternativas estratégicas ao petróleo. Os dois principais biocombustíveis líquidos usados no Brasil são o etanol e o biodiesel (ANP, 2018).
A produção nacional do etanol é maior que a do biodiesel e seu início data de 1975 com o Programa Nacional do Álcool (Próálcool), o que permitiu uma consolidação acerca do conhecimento posto sobre as relações de transmissão de volatilidade entre seu preço, o do petróleo bruto e o do açúcar (SERRA, 2011; SERRA et al., 2011b). De forma equivalente, na União Europeia o biodiesel tem maior pujança produtiva e econômica que o etanol, o que explica o amadurecimento de estudos internacionais sobre o biodiesel na Espanha (SERRA; GIL, 2012a, ABDELRADI; SERRA, 2015a) e Alemanha (BUSSE et al., 2012; VACHA et al., 2013; CABRERA; SCHULZ, 2016), sobretudo.
Em uma tentativa de reduzir a dependência do petróleo, aumentar a quota dos biocombustíveis renováveis e contribuir para uma elevação da renda agrícola, os governos de todo o mundo tem buscado produzir instrumentos legais que promovam a indústria de biocombustíveis. No Brasil, destaca-se o RenovaBio que é a Política Nacional de Biocombustíveis, instituída pela Lei nº 13.576/2017.
Os primeiros estudos para a criação de uma política para o biodiesel no Brasil iniciaram em 2003, com a criação da Comissão Executiva Interministerial do Biodiesel (CEIB) e do Grupo Gestor (GG) pelo governo federal. Em dezembro de 2004, o governo federal lançou o Programa Nacional de Produção e Uso do Biodiesel (PNPB) com enfoque na inclusão social e no desenvolvimento regional, e teve como principal resultado dessa primeira fase a definição de um arcabouço legal e regulatório.
A mistura do biodiesel ao diesel fóssil iniciou-se em 2004, em caráter experimental e, entre 2005 e 2007, a comercialização passou à espontânea. A obrigatoriedade veio no artigo 2º da Lei n° 11.097/2005, que introduziu o biodiesel na matriz energética brasileira. Em janeiro de 2008, entrou em vigor a mistura legalmente obrigatória de 2% (B2), em todo o território nacional. Com o amadurecimento do mercado brasileiro, o percentual de adição do biodiesel ao diesel foi sucessivamente ampliado pelo Conselho Nacional de Política Energética (CNPE)
até 11% (B11), com cronograma de expansão até 2023 a 15% (B15) quando a produção deve chegar a 10 bilhões de litros (ANP, 2018).
A comercialização do biodiesel é feita por meio de leilões públicos bimestrais e, eventualmente, complementares, organizados pela ANP. Os leilões de biodiesel visam à aquisição de biodiesel pelos adquirentes (refinarias e importadores de óleo diesel) para atendimento ao percentual mínimo obrigatório de adição de biodiesel ao óleo diesel e para fins de uso voluntário, cujo volume deve ser entregue pelas unidades produtoras de biodiesel.
Observa-se que a especificação do biodiesel tem sido aprimorada constantemente ao longo dos anos, o que tem contribuído para a sua harmonização com as normas internacionais e alinhamento da sua qualidade às condições do mercado brasileiro, assegurando maior segurança e previsibilidade aos agentes econômicos.
2.2. Transmissão de Volatilidade
A fim de compreender o comportamento da volatilidade, é importante analisar as dinâmicas dos mercados, a transmissão e os mecanismos de propagação que guiam tais mercados. Para se obter esse efeito, é necessário um modelo que mostre claramente como a volatilidade é transmitida de um mercado a outro e que permita analisar a simultaneidade das interações entre os mercados (ENDERS, 2004). Conforme Chinzara e Aziakpono (2009), dados financeiros são caracterizados pelo excesso de volatilidade, pelo agrupamento de volatilidade e efeitos multiplicadores, que precisam de modelos de volatilidade para capturar suas propriedades.
De acordo com Felipe e Durazno (2005), existem seis metodologias populares na literatura para a análise das inter-relações entre mercados financeiros: correlação cruzada, os modelos VAR, modelos de cointegração, modelos de GARCH, modelos de mudanças de regime e modelos de volatilidade estocástica, sendo os três últimos mais focados no estudo de transmissão de volatilidade.
O conhecimento sobre o mecanismo de transmissão da volatilidade de preços dos mercados de energia e biocombustíveis é de fundamental interesse aos policy makers, agentes de mercado e pesquisadores. Além disso, observa-se que mudanças políticas nos mercados de insumos primários alteram a volatilidade dos preços que, por sua vez, terão impactos na volatilidade dos preços através da cadeia (ASSEFA et. al., 2015). Portanto, isso informa os formuladores de políticas sobre a necessidade de adequar diferentes tipos de intervenções para diferentes níveis da cadeia de fornecimento (SERRA, 2011).
Tendo em vista a relevância dessas informações para esse público de interesse, Nazlioglu et al. (2013) buscaram identificar a estrutura do mecanismo de transmissão da volatilidade entre o petróleo e as commodities agrícolas selecionadas antes e durante a crise alimentar, usando testes de causalidade e função de resposta ao impulso. De acordo com Du et al. (2011) constataram transmissões de volatilidade dos preços do petróleo para os preços das commodities agrícolas no período pós-crise após 2006. Ambos concluiram que os mecanismos de transmissão mudaram durante a última década, induzidos por mercados restritos.
Entretanto, as conclusões de alguns estudos (ZHANG et al., 2010; NAZLIOGLU; SOYTAS, 2011; TRUJILLO-BARRERA et al., 2012; QIU et al., 2012) sugerem que os preços das commodities agrícolas não são afetados pelo preço do petróleo bruto e, portanto, apoiam a neutralidade do mercado de commodities agrícolas (WANG et al., 2014). Serra e Gil (2012a) obtiveram como principal achado a ausência de relação de longo prazo entre o petróleo bruto, o diesel e o biodiesel espanhóis, enquanto Myers (2014) indicou presença de cointegração de longo prazo entre preços de petróleo bruto, etanol, milho e soja.
Vacha et al. (2013) analisaram a relação de transmissão de preços entre biocombustíveis (biodiesel e etanol) e commodities (gasolina, diesel, petróleo bruto, milho, trigo, soja, açúcar e óleo de colza) e Cabrera e Schulz (2016) concluíram que a volatilidade do biodiesel se relaciona fracamente com a volatilidade do petróleo bruto e da colza, enquanto a ligação entre a volatilidade da colza e do petróleo tenha aumentado nos últimos anos.
Dos artigos analisados, cinco investigaram as relações entre os preços dos biocombustíveis, gasolina e/ou petróleo bruto e biocombustível (DU; MCPHAIL, 2012; SERRA, 2011; SERRA et al., 2011b; TRUJILLO-BARRERA et al., 2012; ZHANG et al., 2009). Serra e Gil (2012a) focaram na relação de preço biocombustível e matéria-prima. Serra e Gil (2012b) restringiram o estudo deles para interações do preço biocombustível e combustível fóssil.
De todos estes artigos revisados, doze usaram preços do biodiesel como variável, sendo que seis deles para o mercado alemão (BUSSE et al., 2010a; BUSSE et al., 2010b; BUSSE et al., 2012; VACHA et al., 2013; KRISTOUFEK et al., 2012; CABRERA; SCHULZ, 2016); três da Espanha (SERRA; GIL, 2012a; HASSOUNEH et al., 2012; ABDELRADI; SERRA, 2015b); dois dos Estados Unidos (KRISTOUFEK et al., 2012; VACHA et al., 2013) e um para o mercado europeu (ABDELRADI; SERRA, 2015a).
Entretanto, apenas quatro referem-se exclusivamente ao mercado brasileiro (RAPSOMANIKIS; HALLAM, 2006; BALCOMBE; RAPSOMANIKIS, 2008; SERRA, 2011; SERRA et al., 2011b), porém nenhum deles se concentrou no mercado de biodiesel.
Sendo assim, Serra (2011) encontrou uma relação positiva de longo prazo entre o etanol e os preços do açúcar que era esperada, uma vez que o açúcar representa uma parte importante dos custos de produção do etanol. Além disso, o vínculo positivo de longo prazo entre os preços do etanol e do petróleo bruto também era esperado, dado o uso de combustível fóssil como insumo na gasolina misturada.
Já Rapsomanikis e Hallam (2006) investigaram se os preços do etanol no Brasil, milho, petróleo e gasolina nos Estados Unidos mantêm uma relação de equilíbrio de longo prazo e se o ajuste em relação a esse relacionamento de equilíbrio é de natureza não linear. As influências de proibições e mandatos de políticas, custos de transação, custos de ajuste, poder de mercado ou risco podem impedir que os agentes econômicos se ajustem continuamente às mudanças do mercado provocando a não linearidade comportamento do preço.
Na vasta literatura que examina a transmissão de preços, o uso generalizado da cointegração é adotado nessa área da pesquisa desde Ardeni (1989). O apoio à cointegração melhorou consideravelmente para todos os pares de preços quando foram impostas condições fracas de exogeneidade, independentemente dos anteriores (BALCOMBE; RAPSOMANIKIS, 2008).
Dimensão Autores Ano Território Modelo estudado Período Frequência Principais Achados
Hipótese de Neutralidade
Zhang et al. 2010 EUA VECM 1989–2008 Mensal Sem relação de longo prazo entre petróleo bruto e commodities agrícolas (milho, soja e trigo).
Nazlioglu e Soytas 2011 Turquia Causalidade Toda– Yamamoto | Impulso resposta 1994– 2010 Mensal
A análise de causalidade de longo prazo revela que, as mudanças nos preços do petróleo e a valorização/depreciação da lira turca, há uma neutralidade nos mercados de commodities agrícolas para efeitos diretos e indiretos das mudanças nos preços do petróleo.
Trujillo-Barrera et al. 2012 EUA TGARCH e VECM- BEKK-GARCH 2006– 2011 Diária
Sem relação de longo prazo entre petróleo bruto WTI, etanol e o milho americanos.
Qiu et al. 2012 EUA SVAR 1994–2010 Mensal
Sem relação de longo prazo entre petróleo bruto, gasolina, etanol e o mercado de milho americano.
Serra e Gil 2012a Espanha GARCH BEKK- 2006-2010 Semanal Sem relação de longo prazo entre petróleo bruto e o diesel e o biodiesel espanhóis.
Myers et al. 2014 EUA VECM 1990–
2010 Mensal
Sem indicação de cointegração de longo prazo entre preços de petróleo bruto, etanol, milho e soja. Transmissão de preços de energia para commodities agrícolas Rapsomanikis
e Hallam 2006 Brasil TVECM 2000-2006 Semanal
Limite de cointegração e ajuste não linear na relação de preço entre açúcar e petróleo bruto e açúcar e etanol.
Saghaian 2010 EUA VECM
1996-2008 Mensal
Forte correlação entre os preços do petróleo e das commodities e evidência de uma relação causal mista entre o preço do petróleo e os preços das commodities.
Chang e Su 2010 EUA EGARCH 2004–
2008
Diária e soja ocorrido no período mais alto do preço do petróleo devido aos efeitos.
Cha e Bae 2011 EUA SVAR 1986–
2008
Trimestral
Aumento do preço do petróleo bruto aumentou a demanda de bioetanol que, por sua vez, elevou os preços do milho no curto prazo.
Serra et al. 2011a EUA STVECM
1990-2008 Mensal
Existência de relações de longo prazo entre os preços do etanol, milho, gasolina e do petróleo bruto. Hassouneh et al. 2012 Espanha VECM e MLPR 2006– 2010 Semanal
Há relação de equilíbrio de longo prazo entre os preços do petróleo, óleo de girassol e biodiesel. Os preços da energia também influenciam os preços do petróleo por meio da dinâmica de preços de curto prazo.
Mallory et al. 2012 EUA VECM
2007–
2012 Diária Há relação de longo prazo entre os preços de milho e etanol americanos. Nazlioglu e Soytas 2012 Mundo Painel de cointegração | Causalidade de Granger 1980– 2010
Mensal Os preços das commodities agrícolas foram fortemente influenciados pelas flutuações de preços do petróleo bruto.
Vacha et al. 2013 EUA e
Alemanha Wavelet 2003- 2011 Semanal
Estatisticamente significante a relação entre os preços de etanol e milho e biodiesel e diesel
alemão.
Wang et al. 2014 Mundo SVAR 1980- 2012 Mensal
Os choques do petróleo podem explicar um atrito menor das variações dos preços das commodities agrícolas antes da crise alimentar de 2006 a 2008, enquanto no período pós-crise seu poder explicativo se torna muito maior.
Fernandez-Perez et al. 2016 EUA SVAR
2006-
2012 Semanal
Petróleo tem efeito direto sobre as demais commodities, enquanto não observou-se efeitos contemporâneos na direção contrária.
Dimensão Autores Ano Território Modelo estudado Período Frequência Principais Achados Os preços do biocombustível ou da energia transmitem volatilidade para os preços dos alimentos
Zhang et al. 2009 EUA
VECM- BEKK-GARCH
1989-2007 Semanal
Os resultados indicam que nos últimos anos não há relações de longo prazo entre os preços dos combustíveis (etanol, petróleo e gasolina) e os preços das commodities agrícolas (milho e soja).
Busse et al. 2010a Alemanha
DCC-GARCH 1999-2009 Diária
As principais conclusões são dois regimes no mercado alemão de biodiesel; o primeiro caracterizado por uma forte correção de erros dos preços do óleo de colza e o segundo por uma correção de erros consideravelmente mais fraca e por um impacto significativo das alterações nos preços do biodiesel.
Busse et al. 2010b Alemanha MS-VECM 2002- 2009 Semanal
No longo prazo, o petróleo bruto causa os preços do biodiesel e os preços do biodiesel impulsionam os preços do óleo de colza. Serra 2011 Brasil VECM- BEKK-MGARCH 2000-2009 Semanal
Forte relação de volatilidade entre os preços do petróleo bruto internacional, etanol e açúcar. Serra et al. 2011b VECM- BEKK-MGARCH 2000-2008 Semanal
Forte ligação entre os mercados de açúcar e de petróleo bruto e etanol, tanto em termos de níveis de preços como de volatilidade.
Busse et al. 2012 Alemanha MS-VECM 2002-
2008 Semanal
As relações de longo prazo entre os preços do biodiesel e do diesel, por um lado, e entre os preços do biodiesel, do óleo de colza e do óleo de soja, por outro, são estáveis.
Du e McPhail 2012 EUA DCC-GARCH; SVAR
Serra e Gil 2012b EUA VECM- BEKK-MGARCH
1990-2010
Mensal os mercados de etanol e milho. Instabilidade macroeconômica pode aumentar a volatilidade do preço do milho.
Gardebroek e Hernandez
2013 EUA MV-GARCH 2007- 2011 Semanal Transmissão de volatilidade entre o etanol e o milho ao etanol após 2006.
Nazlioglu et al. 2013 EUA GARCH Univariado; Teste Hafner e Herwartz (2006) 1986-2011 Diária
Não há transmissão de risco entre os mercados de petróleo e commodities agrícolas no período pré-crise, mas sim no período pós-crise, com exceção do açúcar.
Abdelradi e
Serra 2015a Espanha GARCH BEKK- 2006–2010 Semanal Volatilidade assimétrica do preço do biodiesel através da mistura com o óleo de girassol.
Abdelradi e Serra 2015b Espanha M-GARCH 2008– 2012 Semanal
Os preços de petróleo bruto, óleo de colza e biodiesel possuem uma relação de equilíbrio de longo prazo que é mantida pelo preço do biodiesel puro. Cabrera e Schulz 2016 Alemanha DCC-GARCH 2003-2012 Semanal
A volatilidade do biodiesel está apenas fracamente ligada à volatilidade do petróleo bruto e da colza, enquanto a ligação entre a volatilidade da colza e do petróleo aumentou nos últimos anos.
Spagnolo et al. 2017 EUA VAR-GARCH 2003-2015 Diária
Os preços dos alimentos e da energia estão fortemente interligados. Cruz Junior et al. 2018 Brasil e EUA VECM 1996- 2006 2007-2014
Diária A análise de transmissão de volatilidade mostrou que os mercados de milho e soja dos EUA contribuíram para a desestabilização dos preços brasileiros em ambos os períodos.
Pal e Mitra 2018 EUA DCC-GARCH 1990-2012 Mensal
provocou o choque de preço das commodities de 2006-08 não está associada à volatilidade do preço do petróleo bruto ou de fatores do lado da demanda. Jebabli e Roubaud 2018 TVECM 2000-2015 Mensal
Múltiplos pontos de ruptura que podem ser explicados por eventos financeiros e econômicos: a crise financeira global de 2008, a financeirização dos mercados de commodities agrícolas e as flutuações de preços do petróleo.
Chiou-Wei
et al. 2019 EUA GARCH DCC- 2005-2017 Semanal
As interações em termos dos efeitos-resposta nos níveis de preço e em relações de volatilidade foram baixas.
Taghizadeh-Hesary et al. 2019 Ásia VAR em painel 2000-2016
Mensal O impacto dos preços dos biocombustíveis nos preços dos alimentos é estatisticamente significativo, mas explica menos de 2% da variação de preço das commodities agrícolas. Fonte: Elaborado pelo autor.
A literatura sobre as relações entre os preços da energia e os mercados de commodities agrícolas se expandiu rapidamente na última década. A maioria das pesquisas se concentra em dois aspectos: interações de preços (BALCOMBE; RAPSOMANIKIS, 2008; ZHANG et al., 2010; CHA; BAE, 2011; NAZLIOGLU; SOYTAS, 2012) e efeitos de contágio de volatilidade em mercados relacionados (NAZLIOGLU et al., 2013; GARDEBROEK; HERNANDEZ, 2013; WANG et al., 2014; CABRERA; SCHULZ, 2016; PAL; MITRA, 2018; CHIOU-WEI et al., 2019). Tendo em vista as substituições de energia promovidas pelas políticas de biocombustíveis, o binômio energia-alimentação levou em conta que o mercado de biocombustíveis ganhou considerável interesse entre os pesquisadores (FERNANDEZ-PEREZ et al., 2016).
Estes estudos examinaram a relação entre energia e commodities agrícolas; para tanto utilizaram diferentes técnicas, como a cointegração (NAZLIOGLU; SOYTAS, 2012), VECM (SAGHAIAN, 2010; ZHANG et al., 2010; HASSOUNEH et al., 2012; MALLORY et al., 2012; SERRA; GIL, 2012b; MYERS et al., 2014), causalidade de Granger (NAZLIOGLU; SOYTAS, 2011; NAZLIOGLU; SOYTAS, 2012; CRUZ JÚNIOR et al., 2018), VAR estrutural (CHA; BAE, 2011; QIU et al., 2012; FERNANDEZ-PEREZ et al, 2016), DCC-GARCH (BUSSE et al., 2010a; DU; MCPHAIL, 2012; CABRERA; SCHULZ, 2016; PAL; MITRA, 2018; CHIOU-WEI et al., 2019), wavelets (VACHA et al., 2013).
Observou-se o interesse por parte de alguns pesquisadores voltados para os mercados da Alemanha e Espanha, nos últimos dez anos, em relação à transmissão de volatilidade entre os preços de energia, do biodiesel e a colza (CABRERA; SCHULZ, 2016; BUSSE et. al., 2010a; ABDELRADI; SERRA, 2015b). Os co-movimentos nos preços do biodiesel observados no final dos anos 2000 foram responsáveis pelo aumento relativo dos preços dos alimentos na Espanha (CABRERA; SCHULZ, 2016). Entretanto, no curto prazo, o biodiesel não imputa influência nos níveis do preço da colza e do petróleo bruto. Em vez disso, é influenciado por mudanças de preço da colza e do petróleo, e as correlações são positivas com choques persistentes (CABRERA; SCHULZ, 2016).
Busse et al. (2010b) investigaram a transmissão vertical de preços na cadeia de fornecimento de biodiesel durante o rápido crescimento da demanda alemã de biodiesel de 2002 até sua queda em 2009, concentrando-se nas conexões entre os preços do óleo de colza, soja, biodiesel e petróleo bruto. Eles encontraram evidências de um forte impacto dos preços do petróleo bruto nos preços do biodiesel e dos preços do biodiesel nos preços do óleo de colza.
No entanto, em ambos os casos, o comportamento de ajuste de preços foi considerado dependente do regime. Em um artigo posterior, usando a mesma abordagem metodológica que
incluiu um MS-VECM dependente do regime, Busse et al. (2012) encontraram evidências de cointegração entre os preços do diesel e do biodiesel.
Hassouneh et al. (2012) estudaram a indústria espanhola de biodiesel com objetivo de encontrar evidências de níveis de preço do óleo de girassol a serem impulsionados pelos preços dos biocombustíveis. Embora a maior parte da literatura sobre a relação de preços de alimentos e biocombustíveis tenha focado nos níveis de preços (BALCOMBE; RAPSOMANIKIS, 2008; SERRA et al., 2011b), modelos multivariados de heterocedasticidade condicional auto-regressiva generalizada (MGARCH) começaram a ser usados para capturar efeitos de contágio de volatilidade (SERRA et al., 2011a; ZHANG et al., 2009). Esses últimos estudos reconheceram que, se os níveis de preço dos biocombustíveis e dos alimentos estiverem inter-relacionados, os contágios de volatilidade entre esses mercados também deveriam ocorrer.
Pesquisas apresentadas pela revisão de literatura de Serra e Zilberman (2013) mostraram que séries temporais de preços são geralmente caracterizadas por persistência de volatilidade. Para capturar a transmissão de volatilidade, os modelos heterocedásticos condicionais auto-regressivos (ARCH) e sua versão generalizada (GARCH) foram introduzidos na literatura de econometria de séries temporais. Em suas primeiras versões, esses modelos foram baseados no pressuposto de que choques positivos e negativos nos mercados têm um impacto simétrico na volatilidade. Estudos anteriores que avaliaram transmissões de volatilidade entre os mercados de biocombustíveis não permitiram assimetrias, oferecendo espaço para novas pesquisas (CABRERA; SCHULZ, 2016).
Balcombe e Rapsomanikis (2008) mostraram que um aumento nos níveis de preço de biocombustíveis levará a um aumento nos preços do açúcar no Brasil, sendo a ligação entre os dois mercados estabelecida através da indústria do etanol. Eles também investigaram o ajuste não linear de longo prazo entre petróleo bruto, etanol e açúcar no Brasil usando inferência bayesiana. Encontraram um equilíbrio de longo prazo entre cada par de preços. Além disso, essa análise revelou uma hierarquia causal do petróleo ao açúcar e ao etanol.
Resultados semelhantes foram encontrados no mercado espanhol por Hassouneh et al. (2012), onde os autores aplicaram um VECM paramétrico, bem como uma regressão polinomial local não paramétrica (MLPR) para óleo de girassol, biodiesel e preços do petróleo bruto. Os autores usaram técnicas não paramétricas e paramétricas. Enfatizaram as diferenças na estrutura e tamanho da indústria de biodiesel entre os países da União Européia, bem como as diferenças nas primas usadas por essa indústria e pelo setor agrícola que fornece essas matérias-primas, implicam que esses resultados não devem ser generalizados para outros setores.
Para que se permitisse alterações no comportamento do ajuste no preço do petróleo bruto, óleo de colza, soja e biodiesel devido à mudança de influências econômicas e políticas na Alemanha, Busse e et al. (2010b) aplicaram um VECM com mudança de regime de Markov, que oferece os parâmetros do modelo para diferenciar entre os regimes. Observaram que o petróleo bruto no longo prazo influencia os preços do biodiesel e que, por sua vez, os preços do biodiesel impactam nos preços do óleo vegetal.
Chang e Su (2010) mostraram que, durante os períodos de alta do preço do petróleo bruto, esse combustível eleva os níveis do preço do milho e da soja nos EUA. Em contraste com a literatura, Zhang et al. (2010) não encontraram evidências de uma relação de equilíbrio entre os preços dos combustíveis e os preços das commodities agrícolas nos EUA. O estudo de Taghizadeh-Hesary et al. (2019) examinaram as ligações entre o preço da energia e os preços dos alimentos no período 2000-2016, usando um modelo VAR de painel para analisar oito economias asiáticas. Os resultados confirmaram que o preço do petróleo tem impacto significativo nos preços dos alimentos, contudo isso explica uma variação inferior a 2%. De acordo com os resultados das funções de resposta ao impulso, os preços dos alimentos agrícolas responderam positivamente a qualquer choque dos preços do petróleo. Esses mostraram que existe uma ligação entre energia e a segurança alimentar através da volatilidade dos preços.
Spagnolo et al. (2017) estimaram um modelo VAR-GARCH para examinar as ligações entre alimentos e preços da energia. Eles consideraram a estrutura de modelagem adequada para analisar comportamentos de média e volatilidade, que também permite possíveis mudanças de parâmetros resultantes de quatro eventos recentes, a saber: (1) a crise no preço dos alimentos de 2007-2008, (2) a bolha do petróleo, (3) a introdução do Padrão de Combustível Renovável (PCR), e (4) a crise financeira global de 2008. Os resultados empíricos sugerem que existem vínculos significativos entre os preços dos alimentos e os do petróleo e do etanol.
Serra e Gil (2012) estudaram a relação entre as misturas de petróleo bruto e biodiesel, e os preços do petróleo bruto e do diesel na Espanha durante eventos extremos de mercado, que podem gerar impactos econômicos relevantes. Os modelos de cópula foram usados para avaliar a dependência. Os resultados obtidos forneceram evidências da transmissão de volatilidade de preços entre os mercados de etanol e milho. Eles também sugerem que a instabilidade macroeconômica pode aumentar a volatilidade do preço do milho. Por fim, constata-se que a formação de estoques reduz significativamente as flutuações do preço do milho. Isso sugere dependência assimétrica entre o preço do óleo bruto e do biodiesel, que protege os consumidores contra os aumentos extremos do preço do petróleo bruto. No entanto, os preços do diesel e do petróleo bruto exibem uma dependência simétrica pelos quais ambos os aumentos
e reduções extremas do preço do petróleo bruto são igualmente passíveis de serem repassados aos consumidores.
Busse et al. (2012) usaram um Modelo de Correção de Erro Vetorial (VECM) com Markov para investigar a relação entre biodiesel, diesel, óleo de colza e níveis de preço da soja na Alemanha. Os resultados mostram que duas relações de cointegração caracterizaram a dinâmica de preços no longo prazo, uma representando a relação entre biocombustíveis e commodities agrícolas e a outra o biodiesel-diesel. Isso é compatível com Serra et al. (2011b) que concluíram que duas relações de cointegração caracterizam o comportamento do nível de preços de longo prazo na indústria de etanol dos EUA, uma representando a indústria de etanol e a outra o equilíbrio da indústria de petróleo. Forte evidência de ajustes de preços não lineares é encontrada através do uso de um VECM de transição suave.
Zhang et al. (2009) estudaram transmissões de volatilidade entre os preços semanais de etanol, milho, soja, gasolina e óleo dos EUA por meio do modelo Baba-Engle-Kraft-Kroner (BEKK-GARCH). As relações de volatilidade de preços entre o petróleo e a gasolina e o milho e a soja caracterizam os mercados, tanto durante os períodos de pré-etanol quanto de expansão do etanol. Serra et al. (2011a) ajustam um MGARCH aos preços semanais brasileiros de etanol, açúcar e petróleo bruto internacional. Os resultados indicam fortes contágios de volatilidade bidirecional entre os mercados de alimentos e biocombustíveis.
A literatura econométrica recente tem empregado o modelo de Correção de Erros de Vetores (VECM) ou modelos de Vetores Autoregressivos (VAR) e concluído que os mercados de energia têm um impacto de curto prazo sobre o mercado de alimentos, mas não existe impacto no longo prazo (QIU et al., 2012). Em contraste com a extensa literatura sobre efeitos do mercado do etanol sobre os preços das commodities agrícolas, os mercados emergentes de biodiesel têm sido muito pouco investigados.
3. METODOLOGIA
Para o cumprimento dos objetivos, este trabalho seguiu as seguintes etapas: a) Levantamento das séries temporais de preços para cada mercado e objeto deste estudo; b) Sequência metodológica (Quadro 3);
c) Análise de estatísticas preliminares que inclui a análise gráfica, estatística descritiva e correlação linear.
Sequência metodológica Definição Procedimento Resultados esperados O que fazer?
1. Processo de Estimação Qual o modelo mais adequado?
• Visualizar os dados e identificar observações fora do padrão (outliers, sazonalidade, tendência); • Se necessário, transformar os dados para estabilizar a variância (logaritmo ou retirar sazonalidade). Relações de equilíbrio de longo prazo Verifica-se se as séries são estacionárias, senão se são não
estacionárias e não cointegradas ou não estacionárias e cointegradas 2. Teste de estacionariedade É estacionária? Phillips-Perron (1988) e KPSS (1992) • Se t < Valor crítico tC ® Rejeita H0 (Yt É estacionário) Utiliza-se o modelo VAR em nível Ou é não estacionária? • Se ® Aceita Ht ³ Valor crítico 0 (Yt NÃO tC
É estacionário)
Verifica-se a cointegração
3. Análise de cointegração As séries são
cointegradas? Johansen (1991) • O processo estocástico não estacionário em nível, o I (0); • Tendência estocástica comum; • Relação de equilíbrio no longo prazo; • Desvios no equilíbrio
de longo prazo são transientes.
Ajusta-se com o modelo VEC
Ou são não cointegradas? Johansen (1991)
• Todas as séries são integradas de ordem 1, I (1);
• Só relação de curto prazo;
• Desvios não tendem a se corrigir, são persistentes; • Tendências estocásticas são independentes. Ajusta-se com o modelo VAR em primeiras diferenças 4. Estimação do modelo Identificar observações fora do padrão (outliers, sazonalidade, tendência)
VAR Determinar o número de defasagens a serem incluídas no modelo
Verificar significância estatística do modelo estimado e, caso seja necessário, eliminar parâmetros não significantes
Analisar a causalidade de Granger
VEC Determinar as interrelações das variáveis
Usar a quantidade de vetores de cointegração obtidos no teste de cointegração para estimar o modelo 5. Definir a ordem p para
os dados em análise
Selecionar os critérios de informação (AIC, HQ, SC
e FPE) Seleção de lags
Obter ordem máxima para o VAR
Escolher modelo com menor critério de informação
6. Teste de causalidade de Granger
Verificar se cada série temporal ajuda a prever outra série (Y), ou vice-versa
Realizar os testes de causalidade
X contribuir para prever Y, e que X Granger causar Y
dos testes de causalidade de Granger e verificar qual das possibilidades se confirmou: (i) causalidade unidirecional de X para Y; (ii) causalidade unidirecional de Y para X; (iii) causalidade bidirecional; (iv) ausência de causalidade em qualquer direção 7. Função da Resposta ao Impulso Verificar a resposta de determinada variável ao longo do tempo, com relação a choques ocorridos em outras variáveis do modelo
Testar o grau de resposta das variáveis, a alterações (impulsos) de um desvio padrão de cada uma das variáveis
As respostas das variáveis aos choques são
razoavelmente robustas à escolha dos parâmetros estruturais do modelo
Avaliar e inspecionar o impacto dos choques entre os mercados, traçando a trajetória evolutiva do impacto no tempo 8. Decomposição da Variância do Erro de Previsão
Avaliar a importância das variáveis para explicar a variância do erro de previsão de cada variável
Verificar qual é a participação relativa de determinada variável na explicação da variância de outra variável do modelo A variação do erro de previsão de cada uma das variáveis pode ser
explicada por choques exógenos nas outras variáveis
Calcular a variância do erro de previsão
9. DCC-GARCH Existe contágio inter-mercados? correlação entre as volatilidades variando no tempo através de um processo GARCH Obter as relações de volatilidade entre as variáveis para capturar a correlação condicional dinâmica
10. MVM Existe contágio
inter-mercados? Modelar a matriz de covariância incondicional de forma não paramétrica, com um parâmetro de
suavização que separa os movimentos de curto e longo prazo
Fornecer um procedimento de
adaptação mais flexível e preciso para a volatilidade e a variabilidade da correlação Implementar o modelo para permitir mudanças suaves na matriz de covariância incondicional através de um componente multiplicativo Fonte: Elaborador pelo autor.
3.1. Base de Dados
Utilizou-se o software R para os testes estatísticos, análises, estimação e modelagem dos dados. O script desenvolvido para a investigação encontra-se no apêndice A.
As séries históricas utilizadas neste estudo compreendem os preços spot nominais com frequência semanal do petróleo bruto internacional (pp), biodiesel (pb) e soja (ps), brasileiros.
A escolha da janela temporal de análise, que compreende 01/02/2008 a 03/08/2018, observou o início da obrigatoriedade da mistura de 2% (B2) em todo o território nacional até atingir o percentual de 10% (B10). Logo, cada série de preços totaliza 549 observações que está expressa em dólar (USD) por m3.
Por axioma não se admite efeito modulador do câmbio sobre os preços correntes das séries.
Utiliza-se neste estudo o petróleo do tipo WTI (West Texas Intermediate) por ser a principal matéria-prima da produção do diesel utilizado no Brasil, cuja série de preços foi acessada através da plataforma Bloomberg. O preço do biodiesel é registrado e divulgado pela ANP, resultante de uma média de leilões. A série de preços da soja é divulgada pela CEPEA/ESALQ/USP.
Transformações logarítmicas de dados foram tomadas a fim de estabilização da variância das séries além de facilitar a interpretação dos resultados, uma vez que os coeficientes correspondem a variações percentuais e, portanto, podem ser interpretados como elasticidades de preços. Fez-se necessário aplicar uma interpolação “cubic splines” para harmonizar a frequência da série de biodiesel com as séries de soja e petróleo.
Segundo Li e Giles (2013), é preferível não trabalhar com preços originais e, sim, convertê-los em retornos e/ou logaritmos. Pindyck e Rubinfeld (2010) mostraram que dados transformados por logaritmos reduzem a dependência dos níveis de variância ao longo do tempo de uma série.
Para as análises dos modelos, foram usados os retornos dos preços, calculados em percentagens de retornos, adquiridos mediante a multiplicação das primeiras diferenças dos logaritmos neperiano por 100.
(1) !" = ln & '(
'()*+ * 100
Em que !" é o retorno em tempo t; ln é o logaritmo neperiano, ," é o valor do preço no tempo t e ,"-. é o preço na primeira defasagem.
Em seguida, removeu-se os efeitos sazonais anuais nos dados usando uma função de regressão por kernel (Local Linear Kernel Regression - LLR) tal como sugerido por Härdle et al. (2011). O efeito sazonal da semana t (t = 1, …, 52) é definido como:
(2) ∧" = argmin ∑DC {7̅9− ; − < (? − @)}C
9E. FG(i – t),
a, b
onde 7̅9é a média ao longo dos anos dos preços semanais, FG(.) é a função kernel e h é um
parâmetro de suavização positiva. Escolheu-se essa função e esse parâmetro tal como proposto por Bowman e Azzalini (1997).
3.2. Teste de Estacionariedade das Séries Temporais
A não estacionariedade em séries temporais e a tendência estão relacionadas com as características de longo prazo dos dados econômicos e financeiros. A variação no curto prazo, em geral, é estacionária (WANG, 2003). Segundo o autor, séries econômicas e financeiras possuem uma combinação de ciclos e tendências. Além disso, um choque em uma série estacionária pode provocar um efeito temporário que desaparece gradualmente, sem afetar a série num futuro distante. Ao contrário, uma série não estacionária, com um choque, pode mudar permanentemente a trajetória da série.
Para Pindyck e Rubinfeld (2010), poucas séries temporais são estacionárias e podem ser diferenciadas uma ou mais vezes para se tornarem estacionárias. A constatação de estacionariedade em séries temporais é o mesmo que testar a existência de raiz unitária (WANG, 2003).
De acordo com Pindyck e Rubinfeld (2010), um processo é estacionário se a distribuição conjunta e a sua distribuição condicional não variam em relação ao deslocamento do tempo. Se a média e a covariância permanecerem constantes no tempo, então, pode-se dizer que a série é estacionária.
Dada à importância de testar a estacionariedade das séries analisadas, empregou-se dois testes: o PP de Phillips e Perron (1988) e o KPSS de Kwiatkowski, Phillips, Schmidt e Shin (1992).
3.3. Teste de Phillips-Perron (PP)
O teste PP é usado para a determinação da existência de raiz unitária nas séries temporais. Propõe uma correção não paramétrica ao teste de Dickey e Fuller (DF) (1979),
gerando uma estatística consistente mesmo que haja variáveis defasadas dependentes e correlação serial nos erros. As equações estimadas e os testes são idênticos aos de DF e sua interpretação é análoga.
A hipótese nula é que a série contém raiz unitária e é, portanto, não estacionária [I0=
K@ ~ I(1)]. A hipótese alternativa especifica que a série foi gerada por um processo estacionário [I1 = K@ ~ I(0)].
3.4. Teste de Kwiatkowski, Phillips, Schmidt e Shin (KPSS)
O teste KPSS foi introduzido em 1992, sendo conhecido como uma alternativa aos testes Aumentado de Dickey-Fuller (ADF) e PP. Ao contrário dos anteriores, a estacionariedade é formalizada para a hipótese nula, isto é, a não rejeição da hipótese nula evidencia ausência de existe raiz unitária.
A hipótese nula é de a série ser estacionária em IP= K" ~ I(0) e a hipótese alternativa sendo não estacionária I. = K" ~ I(1).
3.5. Teste de Cointegração de Johansen
Podem existir fatores comuns entre duas ou mais séries temporais que, ao combinarem, podem ou não ocasionar efeitos, em que as séries possuem fatores que individualmente não existiriam. A possibilidade da tendência semelhante entre duas séries tem que ser testada para concluir se existe ou não cointegração (WANG, 2003). Segundo o autor, o teste de cointegração é o mais importante desenvolvimento no estudo de séries temporais no último quarto do século passado e os maiores testes de cointegração são: o método de Engle e Granger (1987) e de Johansen (1991). Neste estudo, foi usado o teste de cointegração de Johansen (1991).
O método de cointegração de Johansen estabelece a existência ou não da relação no longo prazo entre as variáveis. Segundo Enders (2004), o método de Johansen sugere começar com um modelo de vetores autoregressivos (VAR) para a seleção do número adequado de defasagens e a utilização dos critérios Akaike (AIC) e Schwarz (SC) para estimar o modelo de correção de erros e o ranking das matrizes dos parâmetros.
A abordagem mais popular para estimar os parâmetros de cointegração é o procedimento de Máxima Verossimilhança (MV) de Johansen (1991), capaz de determinar se três ou mais séries temporais são cointegradas. Para a sua utilização existe a precondição de que as varíáveis que compõem o modelo sejam integradas de no máximo primeira ordem. Ainda
que, por meio de um subproduto desse mesmo procedimento, seja possível inferir qual é o grau de integração de cada variável, pode-se testar previamente através dos testes do PP e do KPSS.
O sistema de cointegração é testado usando os Testes de Eigenvalue e de Máximo Autovalor. Para a aplicação do teste, as seguintes condições têm de ser cumpridas:
A. O processo estocástico não estacionário em nível, o I (0); B. Todas as séries são integradas de ordem 1, I (1).
(3) QR = −S ∑W TU(1 − V9
9ERX. )
Em que: QR é a estatística eigenvalue; N é o número de observações; K é o número de variáveis, e V9 o máximo autovalor.
Se as estatísticas de eigenvalor e o máximo autovalor forem maiores que os valores críticos, existe cointegração e as variáveis apresentam qeuilíbrio no longo prazo.
O método de cointegração de Johansen analisa as restrições impostas pela cointegração em um modelo VAR:
(4) K" = Y.K"-.+ ⋯ + Y\K"-\+ ]",
em que: K" é uma dimensão k de vetores de variáveis, que são I (1). Y9, i = 1... p é a matriz do coeficiente e ]" é a dimensão k do vetor dos resíduos. Diminuindo K"-. dos dois lados da
equação chega-se em:
(5) ∆K" = _ + ΠK"-.+ !"∆K"-.+ ⋯ + !\-.∆K"-\X.+ ]"
Na equação 5 somente se ΠK"-. encontra em nível e as relações de cointegração
dependem da propriedade da matriz ᴨ. ΠK"-. precisa ser integrada de ordem zero I (0) ou com K" estacionário. Surgem três situações:
A. Π = ab′ tem um ranking 0 < r < k;
B. Π = ab′ tem um ranking igual a zero (r = 0); e C. Π = ab′ tem um ranking completo (r > 0).
Na situação (A), α e β são de matrizes k x r e tem um ranking de r. Exitem r quantidades de vetores de cointegração b′K" que são estacionárias de ordem zero. A estacionariedade de
correção de erros, no qual o desvio das variáveis nos vetores de cointegração de equilíbrio atinge equilíbrio no curto prazo.
3.6. Modelos VAR (Vetores Autorregressivos) e VEC (Vetores de Correção de Erros)
Para Enders (2004), a construção de modelos VAR segue o mesmo ciclo de identificação, estimação e diagnóstico usado para construção de modelos univariados da classe ARMA. Uma maneira de identificar a ordem p de um modelo VAR(p), consiste em ajustar sequencialmente modelos auto-regressivos vetoriais de ordens 1, 2, 3, …, n e testar a significância dos coeficientes (matrizes). Outra maneira de identificar a ordem de um VAR é usar algum critério de informação, tais como: AIC(n) (Akaike), SC(n) (Schwarz Criteria), HQ(n) (Hannan-Quinn) e FPE(n) (final prediction error).
Identificado o valor de p e supondo ;"~S(0, Σ), pode-se estimar os coeficientes por máxima verossimilhança. O modelo VAR(p) geral tem muitos parâmetros e isso pode dificultar a interpretação em razão das interações complexas e feedback entre as variáveis. A propriedade dinâmica de um AR(p) é resumida, usando vários tipos de estrutura. Os principais tipos de resumo de estrutura de análise são: (A) Teste de causalidade de Granger; (B) Função resposta a impulso; e (C) Decomposição da variância do erro de previsão.
O modelo de Vetor Autoregressivo (VAR) é uma estrutura geral usada para descrever a inter-relação dinâmica entre variáveis estacionárias. Portanto, o primeiro passo dessa análise deve ser determinar se os níveis dos dados são estacionários. Senão, devem ser feitas as primeiras diferenças. Caso os níveis (ou níveis de log) das séries não estejam estacionários, as primeiras diferenças deverão estar.
O modelo Vetorial de Correção de Erros (VEC) é apenas um caso especial do VAR para variáveis estacionárias em suas diferenças, isto é, I (1). O VEC também pode levar em consideração quaisquer relações de cointegração entre as variáveis.
3.7. Teste de Causalidade de Granger
O teste de causalidade de Granger parte do pressuposto de que o futuro não causa o presente ou o passado. Se o evento A ocorre depois do evento B, então, sabe-se que A não pode causar B. No teste de causalidade de Granger, verifica-se a hipótese nula de que uma variável não ajuda a prever a outra. O teste F ajuda a determinar se os valores defasados de X são suficientemente significativos para o poder explicativo da primeira regressão (PINDYCK;
