nt 101 2011 custos operacionais vprocesso - aneel · c o n c e s s i o n Á r i a s d e d i s t r i...

S U P E R I N T E N D Ê N C I A D E R E G U L A Ç Ã O E C O N Ô M IC A

Nota Técnica nº 101/2011-SRE/ANEEL Brasília, 19 de Abril de 2011

M E T O D O L O G I A D E C Á L C U L O D O S C U S T O S O P E R A C I O N A I S

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . T E R C E I R O C I C L O D E R E V I S Ã O T A R I F Á R I A P E R I Ó D I C A D A S

C O N C E S S I O N Á R I A S D E D I S T R I B U I Ç Ã O D E E N E R G I A E L É T R I C A ( 3 C R T P )

REABERTURA AUDIÊNCIAPÚBLICA

Agência Nacional de Energia Elétrica Superintendência de Regulação Econômica – SRE SGAN 603 / Módulo “J” – 1º andar CEP: 70830-030 – Brasília – DF Tel: + 55 61 2192-8814 Fax: + 55 61 2192-8679

Índice I. DO OBJETIVO .......................................................................................................................................... 1 II. CONTEXTUALIZAÇÃO ............................................................................................................................ 1 II.1 RESUMO DA PROPOSTA FEITA NA ETAPA INICIAL DA AP 040/2010 .................................................. 3 II.2 PRINCIPAIS CONTRIBUIÇÕES RECEBIDAS NA AP 040/2010 .............................................................. 6 III. PROPOSTA CONSOLIDADA DE CÁLCULO DOS CUSTOS OPERACIONAIS PARA O 3CRTP ............... 8 III.1 GANHOS DE PRODUTIVIDADE ............................................................................................................ 8 III.1.1 – BASE DE DADOS - PRODUTIVIDADE........................................................................................... 10 III.1.2 – RESULTADOS - PRODUTIVIDADE ............................................................................................... 12 III.2 ANÁLISE DE EFICIÊNCIA ................................................................................................................... 17 III.2.1 PRIMEIRO ESTÁGIO ....................................................................................................................... 17 III.2.2 SEGUNDO ESTÁGIO ....................................................................................................................... 26 IV. RESUMO DA METODOLOGIA .............................................................................................................. 35 V. CONCLUSÃO ........................................................................................................................................ 35 VI. RECOMENDAÇÃO ............................................................................................................................... 36 VII. ANEXOS .............................................................................................................................................. 37 ANEXO I – Resultados das Simulações ...................................................................................................... 38

Nota Técnica no 101/2011–SRE/ANEEL

Em 19 de Abril de 2011.

Processo n.º 48500.007101/2009-43 Assunto: Proposta de Metodologia de Cálculo de Custos Operacionais Regulatórios a ser Aplicada no Terceiro Ciclo de Revisões Tarifárias das Concessionárias de Distribuição de Energia Elétrica (3CRTP).

I. DO OBJETIVO A presente Nota Técnica tem por objetivo apresentar a metodologia de cálculo dos Custos

Operacionais Regulatórios a ser aplicada no Terceiro Ciclo de Revisões Tarifárias das Concessionárias de Distribuição de Energia Elétrica (3CRTP), consolidada após avaliação das contribuições recebidas na etapa inicial da Audiência Pública nº. 040/2010. Sugere-se que a mesma seja novamente submetida à avaliação da sociedade para consolidação final da proposta.

II. CONTEXTUALIZAÇÃO 2. O 3CRTP terá início em 2011 e se estenderá até 2014. Dentre as metodologias necessárias à implementação das revisões tarifárias está a que define os custos operacionais regulatórios. 3. No 1º (1CRTP) e 2º (2CRTP) ciclos de revisões tarifárias, a metodologia empregada pela ANEEL para determinação dos custos operacionais foi a da Empresa de Referência que, simplificadamente, pode ser entendida como a representação matemática da atividade de distribuição de energia, definindo cada atividade e processo implementados pelas distribuidoras, bem como os custos médios para cada atividade parametrizada.

4. O modelo da Empresa de Referência foi utilizado no 1CRTP; todavia foi totalmente reformulado para utilização no 2CRTP. A reformulação do modelo foi amplamente discutida em Audiência Pública (AP 052/2007). A grande inovação foi a introdução da análise de consistência global, que trouxe uma segunda dimensão na definição dos custos operacionais. Definidos os parâmetros do modelo de Empresa de Referência, foi avaliado, por meio de uma análise de consistência, se o valor resultante da aplicação do modelo refletia suas premissas teóricas, dentre elas o nível médio de eficiência do setor de distribuição.

(Fls. 2 da Nota Técnica no 101/2011-SRE/ANEEL, de 19/04/2011).

5. Aos poucos, a avaliação dos custos operacionais se ateve ao custo global resultante da aplicação do modelo e à observância de seu nível eficiente, considerando as características de cada área de concessão, em detrimento às minúcias do modelo de Empresa de Referência. Como os custos operacionais definidos no 2CRTP, em certa medida, já consideraram essa preocupação, não faria sentido desprezar seus resultados, desde que a metodologia do 3CRTP passasse a observar um dos preceitos fundamentais do processo de revisão tarifária, que seria reverter à modicidade tarifária os ganhos de produtividade obtidos pelas distribuidoras no período entre revisões tarifárias.

6. A proposta para o 3CRTP, conforme prenunciado na etapa inicial da AP 040/2010, dá mais um passo nesse mesmo sentido: o de focar a discussão no nível global de custos a ser reconhecido, não se atendo a detalhes de cada atividade da distribuidora. Não faria sentido, nesse contexto, retroceder ao modelo empregado nos ciclos anteriores, mas sim aperfeiçoar a proposta inicial.

7. Na concepção da metodologia para definição dos custos operacionais para o 3CRTP, buscou-se preservar os princípios e fundamentos que balizaram a definição dos custos operacionais nos ciclos anteriores, introduzindo aperfeiçoamentos na metodologia anteriormente utilizada.

8. Dentre os aperfeiçoamentos perseguidos pode-se destacar a simplificação do modelo, foco no nível de custos eficientes em análise global e não mais pormenorizada, além de buscar uma metodologia que minimizasse os embates na sua aplicação, concentrando as discussões na definição do método.

9. Para atingir as finalidades citadas, há a introdução de ferramentas que até então não eram utilizadas na definição dos custos operacionais no Brasil, mas que são amplamente utilizadas por Agências Reguladoras dos setores de energia em todo o mundo. São ferramentas que têm objetivos similares ao modelo de Empresa de Referência, mas menos intensivas em dados, menos suscetíveis à discussão em sua aplicação nos processos tarifários específicos.

10. Na fase inicial da Audiência Pública AP 040/2010 a ANEEL submeteu à apreciação de toda a sociedade a Nota Técnica nº. 265/2010 e a minuta do Submódulo 2.2 do PRORET, que detalham a proposta de metodologia a ser utilizada para definição dos Custos Operacionais Regulatórios no 3CRTP.

11. A AP 040/2010 se estendeu de 10/09/10 a 10/01/11, sendo a sessão presencial realizada no dia 16/12/2010. As contribuições recebidas foram avaliadas e a presente Nota Técnica apresenta uma proposta consolidada. O relatório de análise de contribuições será disponibilizado quando da conclusão da Audiência Pública. Não está, portanto, integrando a presente Nota Técnica.

12. A presente seção traz um resumo da proposta submetida à etapa inicial da AP 040/2010 e das principais contribuições recebidas. Na seção III, é apresentada a proposta consolidada e, em seguida, a conclusão e recomendação da nota técnica. Os anexos detalham os resultados das simulações. A base de dados utilizadas nas simulações será disponibilizada em meio eletrônico na página da Internet da AP-040/2010. A discussão conceitual acerca da definição dos custos operacionais regulatórios, bem como as principais ferramentas utilizadas para essa finalidade foram apresentadas na Nota Técnica nº. 265/2010 e não serão reproduzidas na presente nota. 13. Na seção III, ao apresentar a metodologia consolidada a ser proposta na reabertura da AP 040/2010, serão detalhados os aprimoramentos propostos para o cálculo dos ganhos de produtividade e para comparação da eficiência das concessionárias.


II.1 RESUMO DA PROPOSTA FEITA NA ETAPA INICIAL DA AP 040/2010 14. Em 10/09/2010 foi disponibilizada pela ANEEL a Nota Técnica 265/2010 SRE/ANEEL com uma proposta de metodologia de cálculo de custos operacionais a ser aplicada no 3CRTP. 15. Em síntese, a proposta previa que os custos operacionais a serem considerados no reposicionamento tarifário do 3CRTP seriam os valores definidos no 2CRTP atualizados considerando-se os ganhos de produtividade alcançados pelas distribuidoras entre o 2CRTP e 3CRTP. O ganho de produtividade consistia simplesmente em medir a relação entre a evolução dos custos operacionais reais (insumos) e a evolução das unidades consumidoras e das redes (produtos).

16. A proposta previa ainda uma segunda avaliação, que consistia em comparar a eficiência das distribuidoras por meio de métodos de Benchmarking. Por ser diferente da metodologia de Empresa de Referência, essa análise de eficiência poderia produzir resultados diferentes dos encontrados na primeira avaliação.

17. Havendo diferença entre os resultados encontrados na atualização dos valores da Empresa de Referência do 2CRTP e nos estudos de eficiência, a diferença seria considerada no cálculo do Fator X, numa componente que estabeleceria uma espécie de trajetória entre os custos operacionais obtidos por meio da atualização da Empresa de Referência do 2CRTP e os custos eficientes obtidos por meio da análise de Benchmark. Em outras palavras, o resultado encontrado na análise de eficiência pode ser interpretado como uma meta de custos a ser atingida no final do 3CRTP.

18. Nessa segunda avaliação, o nível de eficiência das distribuidoras seguiria alguns passos assim resumidos:

Primeiro Estágio – Avalia-se o nível de custos operacionais, dado determinada quantidade de

consumidores, redes e mercado atendido, a fim de determinar uma primeira nota de eficiência;

Segundo Estágio – A fim de corrigir a nota de eficiência definida no primeiro estágio são introduzidas variáveis que não são gerenciáveis pela distribuidora (variáveis ambientais), mas que afetam seus custos.

Qualidade do serviço e Perdas não técnicas – Por fim, a eficiência final da distribuidora seria definida considerando-se o desempenho real da mesma quanto à qualidade do serviço prestado e combate às perdas não técnicas. Nesse ponto, concessionárias com bom desempenho melhorariam suas notas, em sentido contrário das empresas com mau desempenho.

19. Na estimativa dos ganhos de produtividade a serem utilizados na atualização dos valores definidos no 2CRTP, foram consideradas as distribuidoras de energia não supridas por outras distribuidoras, no período 2003/2008. Para a mensuração do que se denominou “Ganhos Potenciais de Produtividade”, tomou-se como parâmetro uma estimativa para a evolução técnica, obtida a partir da decomposição do Índice de Malmquist de produtividade (conforme discutido no anexo I desta Nota Técnica 265/2010). Para representar o produto da distribuidora, foram considerados a extensão da rede e o número de unidades consumidoras.


20. A eficiência de cada distribuidora foi estimada a partir do modelo desenvolvido em Simar e Wilson (2007)1 com algumas adaptações. Foram estimados 14 modelos para as empresas denominadas “de maior porte”, com mercados superiores a 1 TWh/ano e 6 modelos para as denominadas “de menor porte”. Os modelos se diferenciaram em função das variáveis de produto (rede, consumidores e mercado (MWh)) e das variáveis ambientais assumidas, descritas na tabela abaixo:

Tabela 1 – Variáveis ambientais utilizadas no 2º Estágio da Etapa 2

Efeito Variável Ambiental Descrição

Tendência Tendência Ano em que se encontra a empresa na amostra

Salário Médio Salário Médio Nível médio salarial de ocupações relacionadas à distribuição de energia na área da distribuidora

Densidade de Consumidores

Área de Atuação Área em que há redes de distribuição Unidades Consumidoras por Área de Atuação

Razão entre número de unidades consumidoras e a Área de Atuação

Unidades Consumidoras por Número de Transformadores de Distribuição

Razão entre número de unidades consumidores e número de Transformadores de Distribuição.

Índice de Precipitação Índice de Precipitação Índice que mensura a incidência de chuvas na área de atuação

Índice de Complexidade Complexidade da Área de Concessão Índice que mensura complexidade sócio-

econômica no combate às perdas 21. Os resultados permitiram classificar as empresas em grupos, segundo o nível de eficiência estimado, conforme tabelas a seguir.

Tabela 2 - Resultado do 2º Estágio - Distribuidoras com mercado superior a 1 TWh/ano

POS CONCESSIONÁRIA GRUPO

CO Regulatório/CO Real LIM.

INFERIOR 퐿퐼(휃 )

CENTRO 휃

LIM. SUPERIOR 퐿푆(휃 )

1 COELBA

G1 110,00% 115,00% 120,00% 2 RGE 3 CPFL - PIRATININGA 4 CEMAR 5 CEMAT

G2 105,00% 110,00% 115,00% 6 CELPE 7 CPFL - PAULISTA 8 LIGHT 9 AES-SUL

G3 100,00% 105,00% 110,00% 10 E. SERGIPE 11 COSERN

1 Simar, L., Wilson, P. W. (2007). Estimation and Inference in Two-Stage, semi-parametric models of production. Journal of Econometrics, 136, 31-64, Setembro.





CENTRO 휃


12 ENERSUL 13 CELG

G4 90,00% 100,00% 105,00% 14 CEB 15 ELETROPAULO 16 E. PARAÍBA 17 ELEKTRO 18 BANDEIRANTE

G5 80,00% 90,00% 100,00% 19 ESCELSA 20 COPEL 21 CEMIG 22 CELPA

G6 70,00% 80,00% 90,00% 23 COELCE 24 AMPLA 25 CEEE 26 CEPISA

G7 60,00% 70,00% 80,00% 27 CEAL 28 AMAZONAS ENERGIA 29 CELESC 30 CERON

Tabela 3 - Resultado do 2º Estágio - Distribuidoras com mercado inferior a 1 TWh/ano




CENTRO 휃


1 CELTINS

G1 110% 115% 120% 2 ELETROACRE 3 CSPE 4 CLFM 5 EMG

G2 105% 110% 115% 6 CJE 7 CHESP 8 HIDROPAN 9 ELFSM

G3 100% 105% 110% 10 CPEE 11 SULGIPE 12 CLFSC

G4 90% 100% 105% 13 DEMEI 14 COOPERALIANÇA 15 EDEVP

G5 80% 90% 100% 16 EBO 17 EEB


POS CONCESSIONÁRIA GRUPO CO Regulatório/CO Real

LIM. INFERIOR 퐿퐼(휃 )

CENTRO 휃


18 ELETROCAR

G6 70% 80% 90% 19 CFLO 20 CAIUÁ 21 ENF 22 CNEE

G7 60% 70% 80% 23 DMEPC 24 IENERGIA 25 Boa Vista

II.2 PRINCIPAIS CONTRIBUIÇÕES RECEBIDAS NA AP 040/2010 22. A seguir é apresentada uma lista, não-exaustiva, das principais contribuições técnicas a respeito do modelo de custos operacionais proposto, segregado por tema. O objetivo desta listagem é simplesmente contextualizar os pontos gerais levantados nas contribuições da Audiência Pública 040/2010. A lista de todas as contribuições apresentadas, bem como as suas respectivas respostas, serão apresentadas no relatório final de contribuições, a ser disponibilizado ao término da audiência pública.

Evolução da Produtividade (ETAPA 1)

Aprimoramentos diversos na base de dados; Amostra a ser utilizada na definição da produtividade potencial do setor de distribuição – todas as empresas e não somente as não supridas; Considerar a Produtividade Total dos Fatores e não a evolução técnica, obtida a partir da decomposição do índice de Malmquist; Considerar como produto não apenas consumidores e redes, mas também o mercado.

Análise de Eficiência Comparativa (ETAPA 2)

a) Primeiro Estágio

Estimar uma fronteira para cada ano, contrariamente a uma fronteira única para todo o período; Utilizar o modelo DEA com Retornos Variáveis de Escala, conforme Banker et all (1984)2; Considerar como produto a extensão da rede, unidades consumidoras e mercado; Inclusão dos custos associados às perdas não técnicas e a má qualidade no serviço prestado somados aos custos operacionais, como insumos.

2 Banker, R.D., Charnes, A., Cooper, W.W., 1984. Models for the Estimation of Technical and Scale Inefficiencies in Data Envelopment Analysis. Management Science, 30, 1078-1092.


b) Segundo Estágio

Aprimoramentos diversos na base de dados; Modelos alternativos sugeridos: Banker e Natarajan (2008)3; algoritmo 2 proposto em Simar e Wilson (2007); modelo Simar e Wilson adaptado utilizando um modelo Tobit em Painel; modelo Tobit para o 2º Estágio; Considerar a mediana dos parâmetros estimados no modelo Simar e Wilson (2007), contrariamente a média; Não aplicar um modelo DEA em dois estágios para controlar a eficiência estimada para as variáveis ambientais. Clusterizar as empresas previamente segundo as variáveis ambientais; Critério para exclusão de variáveis não significativas; Variáveis ambientais adicionais sugeridas: Percentual do mercado de alta tensão sobre o total; número de unidades consumidoras por conjunto geo-elétrico; percentual de ativos 100% depreciados; número de veículos por habitantes; percentual de rede subterrânea; incidência de raios; percentual de clientes rurais; densidade de estradas pavimentadas.

c) Aplicação

Definição da eficiência a ser considerada através da seguinte equação:

퐸푓. 푁표푟푚푎푙푖푧푎푑푎 = ê

ê é (1)

Estabelecimento de um teto de 125% para os níveis de eficiência das empresas consideradas mais eficientes; Definição da eficiência a ser considerada através da seguinte equação:

퐸푓. 푁표푟푚푎푙푖푧푎푑푎 = 퐸푓푖푐푖ê푛푐푖푎 퐷퐸퐴 + 15% (2)

Não corrigir o parâmetro de eficiência para perdas e qualidade.

d) Outras Algumas contribuições sugeriram a aplicação do modelo de Empresa de Referência do 2º Ciclo de Revisão Tarifária com algumas modificações; Consideração de diversos custos na definição dos custos operacionais, tais como custos decorrentes da Resolução ANEEL 414/2010, Decreto nº 6523 e Portaria nº 2014, Modulo 8 do Prodist, rateio dos custos da administração central, IRFS, Política nacional de Resíduos, Provisões para Contingências, etc.

3 Banker, R.D., Natarajan, R., 2008. Evaluating Contextual Variables Affecting Productivity using Data Envelopment Analysis. Operations Research, 56(1), 48- 58.


III. PROPOSTA CONSOLIDADA DE CÁLCULO DOS CUSTOS OPERACIONAIS PARA O 3CRTP 23. Após a análise das contribuições recebidas, propõe-se, a seguir, uma metodologia de definição dos custos operacionais que incorpora aprimoramentos em relação à metodologia descrita na Nota Técnica 265/2010-SRE/ANEEL. Preservou-se a idéia geral contida nessa com alguns aperfeiçoamentos, principalmente, em relação às variáveis consideradas na análise e base de dados. 24. Em relação aos argumentos em favor da utilização de um modelo de Empresa de Referência, avaliou-se que os mesmos não lograram demonstrar a superioridade daquele modelo frente ao método proposto. Em verdade, essas contribuições, em sua maioria, criticaram a metodologia proposta apontando o que entenderam como limitações da mesma, sem realizar uma análise comparativa ao modelo de Empresa de Referência.

25. A experiência da ANEEL na aplicação do modelo de Empresa de Referência nos dois primeiros ciclos revisionais, apesar de bem sucedida, demonstrou algumas limitações que, em nosso entendimento, podem ser superadas com o método ora proposto, alcançando o mesmo objetivo buscado naquele modelo, qual seja, definir um custo operacional regulatório que reflita o nível médio de eficiência do setor.

26. O modelo de Empresa de Referência, tal como definido no 2CRTP, não tem objetivos diferentes da metodologia agora proposta. Ocorre que, por depender da estimativa de um número muito grande de parâmetros, o mesmo se torna complexo e bastante suscetível à assimetria de informações. Só para definição de custos regulatórios para operação e manutenção da rede era necessário definir, para cada atividade de manutenção de uma distribuidora, parâmetros como: freqüência de manutenção, tipo de equipe, quantitativo de materiais, tipo de materiais e seus valores, salário de cada integrante da equipe, tipo de veículo, tempo de deslocamento, etc. Foi exatamente por isso que, no 2CRTP, foi introduzida a análise de consistência dos resultados gerados pelo modelo, o que garantia a coerência das estimativas do modelo com o custo total eficiente esperado.

27. Com as informações disponíveis, é possível a aplicação de um modelo alternativo, menos intensivo em dados e que define o nível de custos operacionais eficientes de modo global, sem necessidade de pormenorizar cada atividade de uma distribuidora, como era feito no modelo de Empresa de Referência.

28. Em síntese, a proposta aqui apresentada preserva em grande medida a proposta original. Dentre os aperfeiçoamentos incorporados destacam-se: a supressão dos ajustes relativos às perdas não técnicas e qualidade; as empresas deixam de ser agrupadas por nível de eficiência, passando a ser utilizada a eficiência final estimada de cada empresa “normalizada”; e as variáveis ambientais passam a ser tratadas de modo diferente. Outro aprimoramento importante diz respeito à consideração dos ganhos médios de produtividade verificados no período 2003/2009 como parâmetro para atualização dos custos definidos no 2CRTP. III.1 GANHOS DE PRODUTIVIDADE 29. Conforme exposto, estamos propondo que no 3CRTP os custos operacionais a serem reconhecidos no reposicionamento tarifário sejam, regra geral, os valores definidos por meio do Modelo de Empresa de Referência no 2CRTP “atualizados” considerando-se a evolução dos produtos, a inflação e os ganhos de produtividade alcançados pelas distribuidoras no período entre revisões.


30. Os ganhos de produtividade nada mais são do que o comportamento da relação produto/insumo ao longo do tempo. Para a aplicação proposta, os insumos devem ser os custos operacionais reais das distribuidoras.

31. Com relação aos produtos, houve evolução com relação ao que foi proposto na fase inicial da AP 040/2010. Foram atendidas as contribuições que recomendaram a incorporação do mercado faturado como produto e, portanto, os produtos passam a ser o número de unidades consumidoras, a extensão de redes de distribuição e o mercado faturado.

32. Com essa modelagem, a pergunta que se busca responder é: “como variaram os custos operacionais comparativamente à variação do número de unidades consumidoras, da extensão das redes e do mercado atendido?”. Se os custos operacionais crescem menos que os produtos, então há ganhos de produtividade. Nas simulações, podem ser observadas empresas que ganharam ou perderam produtividade, mas o que se busca é um referencial médio do setor de distribuição.

33. Os custos operacionais utilizados nas simulações foram retirados diretamente dos dados contábeis4 e abrangem as seguintes contas: Pessoal, Administradores, Materiais, Serviços de Terceiros, Tributos, Seguros e Outros (parcialmente). 34. Para a estimativa da Produtividade Total dos Fatores - PTF foram utilizados os métodos mais usuais em regulação econômica, que são os índices de Tornqvist e Malmquist, detalhados no Anexo I da Nota Técnica nº. 265/2010-SRE/ANEEL.

35. A estimativa do índice de Tornqvist torna necessária a informação dos pesos de cada produto de modo a ponderar suas participações na formação do produto final. Na etapa inicial da AP 040/2010, foram consideradas as proporções de Custos Comerciais e dos Custos de Operação e Manutenção do Modelo de Empresa de Referência como proxys para a participação do Número de Consumidores e Extensão de Rede, respectivamente, na formação dos custos operacionais. 36. Com a inclusão do mercado faturado como produto, torna-se impreciso definir os pesos dos produtos com base no Modelo de Empresa de Referência, uma vez que em sua definição o mercado faturado tinha pouca influência na definição dos custos operacionais a serem reconhecidos.

37. Como alternativa, sugere-se utilizar a média dos pesos definidos na análise de eficiência por meio do método Data Envelopment Analysis – DEA, com a mesma modelagem, ou seja, custos operacionais como insumos e redes, unidades consumidoras e mercado como produtos. No modelo DEA, os pesos são dados com o intuito de maximizar a eficiência de cada empresa em cada ano. Na simulação feita foram utilizadas todas as concessionárias com dados em painel de 2003 a 2009. Assim, para o cálculo do índice de Tornqvist, a ponderação a ser utilizada será de 42% para o número de unidades consumidoras; 37% para o mercado faturado e 21% para redes de distribuição.

4 Balancete Mensal Padronizado – BMP, Relatório de Informações Trimestrais – RIT e resposta ao Ofício Circular nº. 351/2009-SRE-SFF-SRD/ANEEL, de 15 de setembro de 2009.


III.1.1 – BASE DE DADOS - PRODUTIVIDADE Custos Operacionais

38. Para definição dos custos operacionais a serem considerados nas simulações foram utilizados dados contábeis, subgrupo 615 (Gastos Operacionais) do Manual de Contabilidade do Serviço Público de Energia Elétrica. As fontes de informações foram o Balancete Mensal Padronizado – BMP, o Relatório de Informações Trimestrais – RIT e as respostas ao Ofício Circular nº. 351/2009-SRE-SFF-SRD/ANEEL. 39. No subgrupo 615, foi excluída a sub-conta Custo do Serviço Prestado a Terceiros (615.0X.X.2). Nem todas as Naturezas de Gastos (NG) têm a mesma natureza dos custos operacionais regulatórios. Dessa forma, para se medir a evolução da produtividade dos custos operacionais, foram consideradas as Naturezas de Gastos:

a) NG 01 – Pessoal; b) NG 02 – Administradores; c) NG 11 – Material; d) NG 21 – Serviços de Terceiros; e) NG 92 – Seguros; f) NG 93 – Tributos; g) NG 99 – Outros (parcialmente).

40. Como o foco das simulações são somente os custos com distribuição de energia elétrica, foram excluídos os custos com Geração (615.01.X.X.XX), Transmissão (615.02.X.X.XX) e Atividades Não Vinculadas à Concessão (615.06.X.X.XX). 41. No que tange à NG 99 – Outros, os custos foram considerados apenas parcialmente. Tal exclusão se justifica devido à contabilização de custos que não têm a mesma natureza dos custos operacionais regulatórios, como multas, provisões para perdas de receitas, encargos setoriais, dentre outros. No apêndice são apresentados todos os custos considerados para fins de simulação.

42. O período considerado foi de 2003 a 2009. Os anos anteriores a 2003 não foram considerados em função da limitação de outros dados necessários às simulações e devido ao racionamento de energia ocorrido em 2001 e 2002.

43. Os principais aprimoramentos com relação à proposta submetida quando da abertura da AP 040/2010 são a inclusão das transferências para o imobilizado, a exclusão das contas de arrendamentos e aluguéis e a inclusão das indenizações por perdas e danos.

44. A inclusão das transferências para o ativo imobilizado busca tornar a série histórica comparável com as regras que vigorarão no período de aplicação das metodologias. A exclusão das contas de arrendamentos e aluguéis se deve ao tratamento das anuidades no âmbito da base de remuneração regulatória e, finalmente, a inclusão das indenizações por perdas e danos busca adicionar mais uma dimensão do serviço prestado na análise de eficiência das empresas.


Participação de Unidades Consumidora e Extensão de Redes na formação dos Custos Operacionais

45. Conforme exposto, para utilização do Índice de Tornqvist torna necessário ponderar a participação de cada produto na formação do produto final.

46. Sugere-se utilizar a média dos pesos definidos na análise de eficiência por meio do método Data Envelopment Analysis – DEA, tendo como insumo os custos operacionais, e como produto redes, unidades consumidoras e mercado. Na simulação feita foram utilizadas todas as concessionárias com dados em painel de 2003 a 2009. Assim, para o cálculo do índice de Tornqvist, a ponderação a ser utilizada será de 42% para o número de unidades consumidoras; 37% para o mercado faturado e 21% para redes de distribuição.

47. Para a construção do Índice de Malmquist, a definição prévia dos pesos de cada produtos é desnecessária, já que é estimada pelo próprio método. Extensão das Redes de Distribuição, Número de Unidades Consumidoras e Mercado Faturado 48. A extensão das redes de distribuição utilizada nas simulações tem por base os dados encaminhados pelas distribuidoras em resposta aos Ofícios Circulares nº. 351/2009-SRE-SFF-SRD/ANEEL e nº. 005/2010-SRE/ANEEL e compreendem todas as redes em Baixa Tensão (BT), Média Tensão (MT) e Alta Tensão (AT) de propriedade das distribuidoras no final dos anos 2003 a 2009. Nos casos das distribuidoras que não encaminharam os dados de todos os anos solicitados, foi utilizada extrapolação para se estimar a extensão das redes de distribuição nos anos faltantes. 49. O número de unidades consumidoras compreende as unidades consumidoras faturadas em dezembro dos anos 2003 a 2009 contidos no Sistema de Acompanhamento de Informações de Mercado para Regulação Econômica – SAMP, da ANEEL. 50. Os dados de mercado têm por fonte as informações contidas no Sistema de Acompanhamento de Informações de Mercado para Regulação Econômica – SAMP, da ANEEL e correspondem a todo o mercado faturado, incluído o mercado cativo, livre e de suprimento.

51. Por meio do Ofício Circular nº. 003/2010, a SRE solicitou que as concessionárias consolidassem as informações de mercado contidas no SAMP no sentido de ter resultados mais robustos nas simulações. Mesmo após consolidação dos dados, foi necessário ajustar dados discrepantes. Os dados discrepantes foram determinados a partir de variações atípicas na série mensal de dados de mercado.

52. A partir de todas as variações mensais dos dados de mercado, os considerados atípicos foram definidos estatisticamente da seguinte forma:

퐷푎푑표 í > 푄 + 1,5 × (푄 − 푄 ) (3)

퐷푎푑표 í < 푄 − 1,5 × (푄 − 푄 ) (4)

Onde: 푄 : primeiro quartil;


푄 : terceiro quartil; 53. Variações atípicas seguidas de outra variação atípica, por exemplo, forte redução do mercado em determinado mês, seguida de forte elevação no mês seguinte foram substituídos pela média entre o mercado do mês anterior e do mês posterior. III.1.2 – RESULTADOS - PRODUTIVIDADE 54. No gráfico a seguir é apresentada a evolução anual dos ganhos de produtividade do setor de distribuição de energia elétrica, estimados através dos índices de Tornqvist e Malmquist, para o período 2003/2009. O ganho de produtividade do setor em um ano específico foi estimado pela média geométrica dos ganhos individuais de cada concessionária. Para o cálculo do ganho médio do período foi utilizada a média geométrica dos ganhos de produtividade de cada ano. 55. O ganho médio de produtividade no período estimado através do índice de Tornqvist foi de 0,82% ao ano. Pelo índice de Malmquist a estimativa resultou em 0,92% ao ano. As estimativas anuais demonstram alguma variação entre os anos. Em anexo são apresentados os índices estimados por empresa em cada ano.

Gráfico 1: Ganho Médio de Produtividade no Período 2003-2009

56. Os ganhos de produtividade medidos por ambos os índices têm resultados muito próximos, tanto quando avaliado o resultado geral do setor de distribuição, quanto o resultado por empresa, o que reforça que a estimativa de ambos traz robustez aos resultados encontrados. 57. Como discutido na Nota Técnica nº. 265/2010-SRE/ANEEL, os ganhos de produtividade podem ser decompostos em ganhos de eficiência, evolução técnica e ganhos de escala. Na proposta submetida à Audiência Pública foi proposto utilizar a evolução técnica como a melhor estimativa dos ganhos potenciais de produtividade.

58. A proposta buscava contornar a constatação contra-intuitiva de que, embora as empresas mais eficientes continuassem ganhando produtividade, em média o conjunto das concessionárias vinha

0,82%0,92%

-20,00%

-15,00%

-10,00%

-5,00%

0,00%

5,00%

10,00%

15,00%

20,00%

2004 2005 2006 2007 2008 2009 2010

tornqvist malquist

média torn média malm


perdendo eficiência. Em outras palavras, a fronteira de eficiência se deslocava em velocidade maior que a produtividade média do setor em função de várias empresas estar se distanciando da fronteira.

59. Entendeu-se, portanto, que a produtividade média do setor não seria uma boa medida para se estimar os ganhos potencias de produtividade e que a medida de evolução técnica5 seria mais adequada.

60. Diversas contribuições criticaram a utilização da decomposição do índice de Malmquist na definição da produtividade a ser utilizada na atualização dos custos operacionais do 2CRTP, o que demandou maior aprofundamento no tratamento da questão.

61. Conceitualmente, tanto na Metodologia de cálculo da produtividade quanto nas demais, buscar-se-á, sempre que possível, ater-se às metodologias comumente utilizadas por outros órgãos reguladores de distribuição de energia elétrica. Quando for necessário adaptar o método para alguma característica particular do setor de distribuição brasileiro, a adaptação será introduzida com a segurança necessária.

62. O método adotado para o cálculo da produtividade histórica (Produtividade Total dos Fatores – PTF) é amplamente utilizado por agências reguladoras para se estimar os ganhos de produtividade potenciais. As decomposições do índice de Malmquist, por sua vez, não têm sido empregadas na regulação dos setores de distribuição até o momento, o que sugere cautela em sua utilização.

63. A proposta feita na etapa inicial da AP 040/2010 buscou tratar uma particularidade do setor de distribuição brasileiro, onde a utilização do PTF poderia subestimar a produtividade potencial em função da perda sistemática de eficiência de algumas empresas. A fim de avaliar a robustez das decomposições do índice de Malmquist, foi empregada a técnica de bootstraping proposta em Simar e Wilson (1999)6.

64. Basicamente, a metodologia parte do pressuposto que existe uma incerteza relativa a definição do índice de Malmquist e suas decomposições. Busca-se então estimar intervalos de confiança para os resultados gerados. Os intervalos de confiança gerados auxiliam na análise dos resultados, pois além de dizer se há ganho ou perda de produtividade, mostram se os resultados são significativos do ponto de vista estatístico. 65. A simulação dos intervalos de confiança para os índices de Malmquist e suas decomposições é apresentada na tabela a seguir considerando os níveis de significância de 95%, 90% e 80%. A estimativa do PTF é consistente, não havendo grande incerteza associada à sua estimativa. A evolução técnica e os ganhos de eficiência, por sua vez, possuem elevada incerteza, sendo estatisticamente improvável se afirmar, inclusive, se houve evolução ou involução dos indicadores. Não fica demonstrada, portanto, a robustez necessária para se utilizar a evolução técnica como estimativa para os ganhos potenciais de produtividade.

5 Resumidamente, a evolução técnica é estimada pela variação da fronteira de eficiência, que nada mais é que a evolução dos ganhos de produtividade das empresas eficientes. 6 Simar, L. and Wilson, P.W. (1999), Estimating and bootstrapping Malmquist indices, European Journal of Operational Research 115. 459-471.


Tabela 4 – Intervalos de Confiança do Índice de Malmquist e suas decomposições

66. Como produtividade média de custos operacionais no setor de distribuição será então considerado 0,87% ao ano, que corresponde a média entre os índices de Malmquist (0,92%) e Tornqvist (0,82%). Os resultados de cada um dos índices são bastante similares, além do índice de Malmquist ser estatisticamente robusto, conforme demonstrado na tabela anterior. Além disso, ambos os métodos são amplamente empregados em agências reguladoras de setores de energia. 67. O tratamento que se pretendeu dar à reduzida eficiência média do setor de distribuição não é, portanto, robusto sob o ponto de vista estatístico. Na seção III.2 será proposta uma alternativa para se tratar a mesma questão.

III.1.2.1 PRODUTIVIDADE DE ACORDO COM A VARIAÇÃO DOS PRODUTOS 68. Na etapa inicial da AP 040/2010, foi proposto que a produtividade fosse definida de acordo com o crescimento dos produtos (unidades consumidoras e redes, até então). Quanto maiores fossem os crescimentos dos produtos, maiores seriam os ganhos de produtividade. A relação entre ambos foi definida por análise de regressão do Índice de Tornqvist pela variação do produto do índice de Tornqvist.

69. Em função das contribuições recebidas na Audiência Pública, propõem-se adotar os seguintes aprimoramentos: i) a exemplo da definição do PTF, utilizar nas regressões todas as distribuidoras. ii) substituir as variações anuais pelas variações médias entre 2003 e 2009. iii) empregar como variável dependente tanto o índice Tornqvist quanto o de Malmquist. iv) na variação do produto do índice de Tornqvist é incluída a variável de mercado. 70. Cabe salientar que a intenção é verificar se há relação, estatisticamente significativa, entre a variável dependente e as variáveis explicativas. Não se busca explicar na íntegra a origem dos ganhos de produtividade. No limite, uma medida de ajuste de regressão muito elevada implicaria repassar em cada processo tarifário algo próximo da produtividade real de cada empresa, o que seria um incentivo econômico bastante limitado, que prejudicaria as empresas que tivessem obtido produtividade acima da média em favor daquelas que atingissem os piores desempenhos.

71. Uma das razões que impactam os ganhos de produtividade é a redução dos insumos, ou seja, diminuição dos custos operacionais. A fim de isolar o efeito da melhoria da gestão, na regressão foi utilizada a variação da eficiência como variável de controle. A variação da eficiência deriva das simulações

Mínimo Média Máximo Mínimo Média Máximo Mínimo Média Máximo0.02% 0.92% 2.08% 0.16% 0.92% 1.93% 0.33% 0.92% 1.74%

Eficiência -17.35% -0.58% 14.18% -14.03% -0.58% 11.72% -10.53% -0.58% 9.01%Técnica -14.19% 1.97% 16.17% -11.19% 1.97% 13.75% -7.95% 1.97% 11.08%Es ca la -3.55% -0.34% 0.88% -2.93% -0.34% 0.63% -2.24% -0.34% 0.39%Eficiência -14.65% -1.40% 11.22% -12.19% -1.40% 9.26% -9.48% -1.40% 6.91%Técnica -11.33% 2.29% 13.58% -8.95% 2.29% 11.68% -6.23% 2.29% 9.52%Eficiência -17.35% -0.58% 14.18% -14.03% -0.58% 11.72% -10.53% -0.58% 9.01%Técnica -14.19% 1.97% 16.17% -11.19% 1.97% 13.75% -7.95% 1.97% 11.08%Es ca la -14.97% -0.82% 12.33% -12.04% -0.82% 9.89% -8.86% -0.82% 7.15%Es ca la da Tec. -14.53% 0.40% 12.34% -11.49% 0.40% 10.10% -8.25% 0.40% 7.54%

IC de 80%

Ma lmquist (TFP)

Dec

ompo

siçõ

es

Ray a nd Des l i

Fare

Sima r Wi lson

IC de 95% IC de 90%


realizadas com o DEA para se definir os custos operacionais eficientes, em seu 1º estágio, com estrutura de dados em cross section.

72. Um segundo fator que afeta a produtividade é o crescimento dos produtos. Regra geral, maiores crescimentos de mercado, unidades consumidoras e redes resultam, em média, em maiores ganhos de produtividade.

73. A tabela a seguir resume os resultados das regressões. Foram utilizados como variável dependente os índices de Malmquist e Tornqvist. A produtividade cresce com o crescimento do mercado, unidades consumidoras e redes acima da média. A variação da eficiência foi utilizada apenas como variável de controle, não sendo empregada na definição do componente produtividade, já que não faria sentido que empresas que ganharam mais eficiência tivessem maior produtividade revertida à modicidade tarifária.

Tabela 5 – Resultados regressões Produtividade OPEX

74. Usualmente, as agências reguladoras utilizam a produtividade média do setor como parâmetro a ser empregado para todas as empresas. No entanto, dadas as condições do setor de distribuição brasileiro, onde as concessionárias podem ter diferentes ganhos potenciais de produtividade em função da velocidade do crescimento de seus produtos, busca-se incorporar essa análise adicional na definição da metodologia. 75. A questão que se segue então é qual a variabilidade esperada em torno da produtividade média. Conforme discutido na seção anterior, buscar-se-á, sempre que possível, ater-se às metodologias comumente utilizadas por outros órgãos reguladores de distribuição de energia elétrica. Quando for necessário adaptar o método para alguma característica particular do setor de distribuição brasileiro, a adaptação será introduzida com a segurança necessária.

76. No caso concreto, a produtividade média é largamente utilizada, enquanto que as variações em torno da média com o objetivo de considerar certas particularidades são menos usuais. Propõe-se então maior conservadorismo, dando mais peso para a produtividade média com variações mais suaves em torno da mesma. No entanto, com o intuito de possibilitar ampla discussão são apresentadas ambas as possibilidades. 77. Os resultados acima implicam que para cada ponto percentual acima da média de crescimento dos produtos, têm-se um ganho médio de produtividade 0,309% maior. Apesar de ser uma possibilidade interessante, a aplicação direta dos coeficientes estimados na definição dos ganhos de produtividade poderia resultar em valores muito acima ou abaixo da média. Além disso, é possível que alguns fatores não observados possam ter contribuído para superestimar os coeficientes. Caso haja alguma relação espúria entre empresas que mais ganharam produtividade e elevado crescimento dos produtos, os parâmetros poderão estar superestimados. 78. Desta forma, pode ser interessante, neste momento, empregar com alguma prudência esses resultados, dando maior ênfase à produtividade média. Ter cautela é prerrogativa da agência

Var. Dependente Média MédiaVar. Expl ica tiva Coefi ciente p-va lor Coeficiente p-va lor Coeficiente IC 95%Varia çã o Produtos Tornqvis t 0.382 0.071 (0.034) 0.798 0.235 0.310 (0.225) 0.696 0.309 (0.130)Varia çã o Eficiência 0.912 0.000 0.714 1.110 0.921 0.000 (0.697) 1.144 0.917 0.009R²

Malmquist TornqvistIC 95% IC 95%

0.623 0.556


reguladora ao introduzir adaptações ao método mais usual. A questão remanescente é quão conservador devemos ser. Coerentemente com o que foi definido na metodologia de cálculo do Fator X, a sugestão seria aplicar o limite inferior do intervalo de confiança dos coeficientes estimados, construído para 95% de confiança.

79. No entanto, dado que os coeficientes passam a ser negativos, o que seria um resultado contra-intuitivo, propõem-se utilizar para todas as concessionárias a produtividade média de 0,87% ao ano para a atualização dos custos operacionais definidos do 2CRTP por meio do Modelo de Empresa de Referência.

80. Alternativamente, caso se optasse por não dar maior peso à produtividade média, poderiam ser utilizados os próprios coeficientes das regressões. Nessa proposta alternativa, a produtividade seria definida para cada concessionária a partir da seguinte equação.

휌 (푖) = 푃푟표푑 é + 0,309 × (푉푎푟.푃푟표푑푢푡표 (푖) − 푉푎푟.푀푒푑.푃푟표푑푢푡표 ) (5)

onde: 휌 (푖): Produtividade de custos operacionais da empresa “i”; 푃푟표푑 é : Produtividade média do setor de distribuição, de 0,87%; 푉푎푟.푃푟표푑푢푡표 (푖): Variação dos produtos medida a partir da variação do output do índice de Tornqvist; 푉푎푟.푀푒푑.푃푟표푑푢푡표 : Variação media do output Tornqvist no período avaliado, de 4,14%.

81. Para avaliação do crescimento dos produtos será ponderado o crescimento de redes, unidades consumidoras e mercado pelos pesos definidos na seção anterior, conforme fórmula de variação do produto utilizada no cálculo do índice de Tornqvist: 푉푎푟.푃푟표푑푢푡표 (푖, 푡) = 1 + 푙푛 × 휋 + 푙푛 × 휋 + 푙푛 × 휋 (6)

Onde, 푉푎푟푀푊ℎ(푖, 푡)= Variação anual do mercado; 푈퐶 = Numero de unidades consumidoras no período t; 푀푒푟푐푎푑표 = 12 (doze) meses verificado no período t; 푅푒푑푒 = extensão total da rede de distribuição no período t; 휋 = Peso de cada produto (Unidades Consumidoras (42%), Redes (21%) e Mercado (37%)) na definição dos custos operacionais.

82. Uma vez obtidas as variações anuais dos produtos, a variação média 푉푎푟.푃푟표푑푢푡표(푖) será dada por:

푉푎푟.푃푟표푑푢푡표(푖) =∑ . ( , )

− 1 (7)

Onde, 푉푎푟푀푊ℎ(푖) = Variação média do mercado [%]; n= número de períodos de 12 (doze) meses entre a data da 2° (segunda) revisão tarifária periódica e a data da 3°(terceira) revisão tarifária periódica; t = período de 12 (doze) meses de vigência das tarifas estabelecidas na 2° (segunda) revisão tarifária periódica.


83. Logo, para definição do custo operacional regulatório a ser considerado no reposicionamento no 3CRTP será avaliado o crescimento dos produtos entre o 2CRTP e o 3CRTP e a produtividade esperada para o crescimento do produto apurado, de acordo com a equação a seguir:

퐶푂 = CO × [1 + 푉푎푟.푃푟표푑푢푡표(푖)] × [1 − 휌 ] (8)

Onde: 퐶푂 : custo operacional a ser reconhecido pra fins de reposicionamento no 3CRTP; 퐶푂 : custos operacionais relativos ao 2º ciclo, corrigidos até a data do 3CRTP; 휌 : produtividade média dos custos operacionais, de 0,87%; 푉푎푟.푃푟표푑푢푡표(푖): variação média dos produtos entre o 2CRTP e o 3CRTP.

III.2 ANÁLISE DE EFICIÊNCIA 84. A presente seção tem por objetivo descrever a metodologia a ser empregada para definição do intervalo de valores de custos operacionais eficientes com o qual será comparado o valor definido a partir da equação anterior. Havendo divergência entre os dois resultados a diferença será considerada, regra geral, no cálculo do Fator X. 85. A análise se divide em dois estágios. No primeiro é avaliada a eficiência dos custos operacionais de cada concessionária por meio de métodos de benchmarking, a partir da quantidade total de consumidores, mercado e redes. Em seguida, no segundo estágio, há a consideração de questões ambientais de cada concessão, como o salário médio praticado, nível de chuvas, densidade de carga, dentre outros. III.2.1 PRIMEIRO ESTÁGIO 86. Diversas contribuições listaram alguns problemas encontrados com a aplicação do DEA, entre os quais sensibilidade a presença de outliers, ao número de variáveis consideradas na análise, impossibilidade de se testar estatisticamente os resultados, entre outros. Estes problemas são amplamente conhecidos na literatura. É certo, porém, que isso não impossibilita sua aplicação, tanto que o modelo vem sendo aplicado por diversas agências reguladoras, tanto do setor elétrico, com em outros setores, como gás, telefonia, aviação, etc. 87. É recomendável, porém, combinar os resultados do DEA com outros modelos. Propõe-se a análise de eficiência das empresas utilizando também o modelo COLS (Corrected Ordinary Least Squares). A principal vantagem desse método frente ao DEA é a possibilidade de se testar estatisticamente as variáveis. Sua principal desvantagem é a necessidade de se assumir uma forma funcional específica para função de produção. 88. Em relação ao modelo DEA, foi empregado o modelo com retornos não decrescentes de escala, considerando como produto a extensão da rede, número de unidades consumidoras e o mercado. Este último composto pela energia fornecida (faturada) para os consumidores cativos e livres. Propõe-se estimar uma única fronteira para o período 2003/2009, subdividindo as empresas em 2 grupos, aqui denominadas “Grupo A”, formado pelas empresas com mercado no período acima de 1 TWh, e “Grupo B”, composto pelas demais, conforme proposto na Nota Técnica 265/2010 SRE/ANEEL. Há, portanto, duas


alterações em relação à proposta encaminhada na audiência pública, quais sejam, inclusão dos dados de 2009 e consideração de um único modelo com três produtos.

89. Algumas contribuições questionaram a estimativa de uma única fronteira de eficiência para todo o período e sugeriram a estimativa de uma fronteira para cada ano. O ponto defendido por essas contribuições é que, caso a fronteira de eficiência tenha avançado no período, o que é esperado dado os fortes incentivos a ganhos de eficiência do modelo regulatório implementado pela ANEEL, os níveis eficiência estimados para os primeiros anos provavelmente estariam subestimados. 90. A respeito desse questionamento, cabe inicialmente destacar que na própria Nota Técnica 265/2010 SRE/ANEEL foi discutido o tema (parágrafo 135). Argumentou-se que os parâmetros utilizados na definição dos custos operacionais, que são aqueles do último ano da série, não estão subestimados, daí a possibilidade de se estimar uma única fronteira de eficiência. A opção por considerar uma única fronteira para o período de análise foi a possibilidade de ampliar a amostra de dados e, assim, minizar problemas relacionados à dimensão dos dados. 91. A estimativa de uma única fronteira implica que o parâmetro de eficiência de determinada empresa pode ser obtido comparando o desempenho desta com o de outras empresas em qualquer outro ano da amostra. Assim, uma empresa X, no ano de 2003 pode, por exemplo, ser comparada a uma empresa Y no ano de 2008, ou vice-versa. Ainda, a própria empresa em um ano qualquer pode ser comparada a ela mesma em outro ano.

92. De fato, na medida que se espera que a fronteira avance ao longo dos anos, os parâmetros de eficiência estimados nos anos iniciais podem estar, conforme já discutido na Nota Técnica 265/2010-SRE/ANEEL, subestimados. Isto porque, ao se comparar o desempenho de uma determinada empresa com o de outra empresa em um ano subseqüente, deve ser levado em consideração que parte da eficiência da empresa que serve de comparação só foi possível porque ela teve mais tempo para ganhar eficiência. Neste caso se estaria calculando a eficiência da empresa nos anos iniciais com relação a uma fronteira que, provavelmente, ainda não existia à época. Dito de outra forma: está se estimando uma eficiência que, em tese, não poderia ser alcançada naquele momento. 93. No entanto, a metodologia proposta para o 3CRTP prevê que os parâmetros de eficiência utilizados na definição dos custos operacionais regulatórios correspondam àqueles do último ano da série de dados. Neste caso, os parâmetros de eficiência não estão subestimados. Na medida que a tendência é de ganho de eficiência ao longo do tempo7, não se corre o risco de comparar o desempenho de uma determinada empresa com o de outra empresa que teve mais tempo para ganhar produtividade. Além disso, contribui para considerar os dados como um painel (pool) a possibilidade de ampliar a amostra. 94. Algumas contribuições sugeriram a aplicação do modelo DEA com retornos variáveis de escala (VRS), conforme Banker et al., (1984)8. Para ilustrar a discussão, a seguir é apresentada a fronteira de eficiência estimada, considerando como insumo os custos operacionais e como produtos os consumidores, mercado, rede e o produto agregado, formado pelas três variáveis, conforme calculo do modelo DEA. A amostra considerada são as empresas com mercado maior que 1 TWh. 7 Dentre os fatores que reforçam a tese de avanço continuo da fronteira temos a impossibilidade de involução tecnológica. 8 Banker, R.D., Charnes, A., Cooper, W.W., 1984. Models for the Estimation of Technical and Scale Inefficiencies in Data Envelopment Analysis. Management Science, 30, 1078-1092.


Gráfico 2 – Fronteiras de eficiências com retornos variáveis e não decrescentes de escala

95. Como é possível notar, as fronteiras de eficiência VRS (linha tracejada em azul) e NDRS (retornos não variáveis de escala – linha contínua em vermelho), estimadas a partir das quatro especificações acima, praticamente se coincidem até um determinado nível de produto, a partir do qual se diferenciam substancialmente. Caso a fronteira real fosse mais bem representada pela fronteira VRS, os resultados implicariam uma substancial perda de escala a partir de certo porte no segmento de distribuição de energia elétrica brasileiro.

96. As principais contribuições que defenderam a aplicação do modelo VRS se apoiaram na literatura especializada sobre modelos não paramétricos, em especial, em testes estatísticos que apontaram, segundo estas contribuições, diferenças estatisticamente significativas das fronteiras estimadas pelos dois modelos. Um argumento comum a várias contribuições é o de que, por ser um modelo simplificado do negócio de distribuição de energia elétrica e não se conhecer a fronteira real, o modelo VRS seria mais indicado na medida em que é “menos restritivo” e, para grandes amostras, tende a convergir para fronteira real. Ou seja, o estimador DEA é consistente neste caso. Alguns chamam a atenção para o fato de que, caso a fronteira real seja tal que apresente retornos decrescentes de escala, o modelo NDRS produz estimativas inconsistentes.

0.0e+00 1.0e+09 2.0e+09

0e+0

04e

+06

8e+0

6

Consumidores

Cus

tos

Ope

raci

onai

s

0.0e+00 1.0e+09 2.0e+09

0e+0

02e

+05

4e+0

5

RedesC

usto

s O

pera

cion

ais

0.0e+00 1.0e+09 2.0e+09

0e+0

02e

+07

4e+0

7

Mercado

Cus

tos

Ope

raci

onai

s

0.0e+00 1.0e+09 2.0e+09

0e+0

02e

+07

4e+0

7

Produto Agregado

Cus

tos

Ope

raci

onai

s


97. Em relação aos testes estatísticos, realizamos diferentes versões do teste de Banker9 de escala, cujos resultados são descritos na tabela a seguir. Nela é possível notar que os testes apontam na direção do modelo VRS apenas em situações muito particulares10. Além disso, os resultados são bastante sensíveis a retirada das duas maiores empresas da amostra. Este ponto levanta a possibilidade dos testes estarem capturando não uma diferença entre as fronteiras de eficiência, mas sim um viés na estimativa de eficiência de algumas empresas, presente no modelo VRS.

98. O problema pode estar na falta de uma amostra considerável de empresas de maior porte, e não numa característica da atividade de distribuição de energia elétrica. Ou seja, por ausência de uma amostra maior de empresas de grande porte, o teste pode confundir deseconomias de escala com ineficiência gerencial.

Tabela 6 – Resultados dos Testes de Retornos de Escala

Insumo Produto Período Dados Amostra Teste Opex Rede, UC e Mercado 2003-2009 Painel Todas NDRS Opex Rede, UC 2003-2009 Painel Todas NDRS Opex Rede, Mercado 2003-2009 Painel Todas NDRS Opex Rede, UC e Mercado 2003-2009 Cross Section Todas NDRS Opex Rede, UC e Mercado 2003-2009 Painel Grandes NDRS Opex Rede, UC e Mercado 2003-2009 Cross Section Grandes VRS

Opex Rede, UC e Mercado 2003-2009 Cross Section Grandes, sem as 2 maiores NDRS

99. Os retornos decrescentes de escala a partir de certo porte são bastante contra-intuitivos. As deseconomias de escala estimadas significam reconhecer que até 45% dos custos das maiores empresas seriam explicados por perdas de escala. 100. Parte da argumentação para justificar a presença de deseconomias de escala se baseia no fato da expansão do serviço ocorrer em regiões com baixas densidades populacionais, de difícil acesso, com estradas ruins, topografia irregular, etc. Esse efeito teria se intensificado com o Programa Luz Para Todos, que visa universalizar o serviço em áreas rurais.

101. Primeiramente, cabe mencionar que a expansão do serviço também se dá em outras áreas, como as regiões metropolitanas, com características muito menos adversas. Não está claro que o saldo líquido seja necessariamente o de deseconomias de escala. Além disso, há também expansão vertical em qualquer área de concessão, ou seja, o aumento do consumo médio dos consumidores o que, inequivocamente, implica economias de escala. Outro ponto relevante é que, não necessariamente são as empresas de maior porte que estão expandido o mercado nestas áreas. Existem, por exemplo, empresas de médio porte que vem expandindo seu mercado nessas áreas de forma proporcionalmente mais intensa, como Coelba, Coelce, Cosern, etc. 102. Dessa forma, faltou às contribuições recebidas na AP 040/2010 justificar as razões teóricas que levam às deseconomias de escala. Ademais, nos dois ciclos revisionais passados, ao modelar a 9 Rajiv D. Banker e Ram Natarajan 2004, Statistical Tests Based on DEA Efficiency Scores 10 Os testes marcados com “NDRS” significam que não se pode rejeitar a hipótese de retornos não decrescentes de escala.


atividade de distribuição por meio do Modelo de Empresa de Referência, foi assumido que empresas de maior porte têm menores custos com estrutura administrativa, o que implicaria maiores retornos de escala. Este aspecto nunca foi questionado na aplicação do modelo nos ciclos anteriores. 103. Abaixo são descritas as variáveis consideradas como insumo e produto no primeiro estágio.

Tabela 7 – Insumos e Produtos utilizados no 1º Estágio da Etapa 2

Variável de Insumo Variáveis de Produto

PMSO (Pessoal, Materiais, Serviço de Terceiros e

Outros Custos Oper.) Rede, Consumidores e Mercado

104. A definição dos insumos, produtos e variáveis ambientais utilizados nos modelos de eficiência exigem o conhecimento do negócio de distribuição de energia elétrica. Trata-se de uma etapa que suscita inúmeras interpretações e modelos válidos.

105. A tabela a seguir apresenta uma amostra de trabalhos acadêmicos que envolvem a modelagem de distribuidoras de energia elétrica utilizando DEA. A tabela seguinte, livre tradução de PLAGNET(2006) 11, apresenta as variáveis de insumo e produto utilizadas por agências reguladoras européias nos modelos DEA, para avaliação das eficiências de empresas de distribuição de energia elétrica.

Tabela 8 – Artigos acadêmicos relacionados eficiência de distribuidoras de energia elétrica utilizando DEA. País Insumos Produtos Referência

Suécia

Homens Hora disponíveis; Comprimento das linhas de alta tensão (km); Comprimento das Linhas de Baixa Tensão (km); Capacidade de transformação (kVA)

Energia distribuída em alta tensão (MWh); Energia distribuída em baixa tensão (MWh); Número de consumidores atendidos em alta tensão (MWh); Número de consumidores atendidos em baixa tensão (MWh);

Hjalmarsson, L., Veiderpass, A., 1992. Efficiency and ownership in Swedish electricity retail distribution. Journal of Productivity Analysis 3, 7–23.

Inglaterra Número de empregados; Extensão de rede (Km); Capacidade de Transformação (MVA);

Demanda (kW); Energia por classe de consumo (kWh)

Weyman-Jones, T.G., 1995. Problems of yardstickregulation in electricity distribution. In: Bishop, M., Kay, J., Mayer, C. (Eds.), The Regulatory Challenge. Oxford University Press, Oxford, pp. 423–443.

Austrália, Canadá, Dinamarca e Alemanha.

Número de empregados; Extensão total de Rede (km); Capacidade de Transformação (MVA);

Número de consumidores; Energia residencial distribuída (MWh); Energia não-residencial distribuída (MWh); Área de atendimento (km2); Demanda máxima (MW);

Pollitt, M., 1995. Ownership and Performance in Electric Utilities: the International Evidence on Privatisation and Efficiency. Oxford University Press, Oxford.

Finlândia Custo Operacional; Custo de Capital;

Energia total distribuída (kWh); Indicador de continuidade do serviço (SAIDI);

KORHONEN, Pekka; SYRJÄNEN, Mikko. Evaluation of Cost Efficiency in Finnish Electricity Distribution. Helsinki School of Economics. Finland: 2002.

11 PLAGNET, M. A. 2006. Use of Benchmarking Methods in Europe in the Electricity Distribution Sector. Conference on Applied Infrastructure Research.


Argentina

Número de empregados; Energia Total Distribuída (MWh); Composição das classes de consumo; Capacidade de Transformação (MVA);

Número de clientes;

Pardina, M.A., Rossi, M.A., Ruzzier, C.A., 1998. Fronteras de eficiFinnish Electricity Distributiotion de energia e!ectrica: laexperiencia sudamericana. Anais do XX Encontro Brasileiro de Econometria II, 381–400.

Austrália, Suécia e Nova Zelândia

Número de empregados; Extensão total de Rede (km); Capacidade de Transformação (MVA);

Número de clientes;

Zhang, Y., Bartels, R., 1998. The effects of sample size on the mean efficiency in DEA with an application to electricity distribution in Australia, Sweden and New Zealand. Journal of Productivity Analysis 9, 187–204.

Brasil Número de empregados; Extensão total de Rede (km); Capacidade de Transformação (MVA);

Área de Concessão (km2); Número de unidades consumidoras*; Energia industrial distribuída (MWh); Energia não-industrial distribuída (MWh);

RESENDE, Marcelo. Relative efficiency measurement and prospects for yardstick competition in Brazilian electricity distribution. ELSEVIER: Energy Policy 30 (2002) 637-647.

Noruega Homens hora; Perdas de energia (MWh); Materiais (R$); Capital (R$)

Número de consumidores; Total de Energia Distribuída (MWh); Índice de distância**

FINN R. Førsund; SVERRE A.C. Kittelsen. Productivity development of Norwegian electricity distribution utilities. ELSEVIER; Resource and Energy Econômics 20 (1988) 207-224.

Espanha OPEX; CAPEX;

Energia Total Distribuída; Número de Consumidores; Potência Máxima Simultânea; TIEPI (Tempo de Interrupção Equivalente); NIEPI (Freqüência de interrupção equivalente);

RODRÍGUEZ; Asunción Núñez. Evaluación De La Actividad De Distribución Eléctrica Em España Mediante Fronteras De Eficiência. Máster En Gestión Técnica Y Económica En El Sector Eléctrico. Escuela técnica superior de ingeniería (icai) Instituto de postgrado y formación continua. Universidad pontificia comillas. 2004

Turquia

Capacidade de transformação; Extensão de rede; Perdas Técnicas; Custos Gerenciáveis; Mão de obra;

Número de consumidores; Energia distribuída; Demanda Máxima; Área Atendida;

Necmiddin Bagdadioglu, Catherine M. Waddams Price, Thomas G. Weyman-Jones. Efficiency and ownership in electricity distribution: A non-parametric model of the Turkish experience. ELSEVIER. Energy Econômics 18 (1996) 1-23.

*Em um segundo modelo não foi utilizado. **Expressa a dificuldade de deslocamento, devido à montanhas, rios, estradas, etc.

Tabela 9 – Variáveis utilizadas por reguladores Europeus

País Regulador Input Output Número de Observações

Austrália E-Control Totex Demanda de ponta da média e baixa tensão; Extensão da rede ponderada pela área geográfica; 20

Bélgica CREG Totex Energia distribuída; Demanda de ponta; Número de transformadores; Número de pontos de conexão para alta e média tensão; Extensão de rede para média e alta tensão;

25

Dinamarca DERA Opex Energia distribuída; Extensão de rede segregado em média e baixa tensão e entre redes aéreas e subterrâneas. Número de transformadores.

74


Espanha CNE

Extensão de rede, segregada em alta, média e baixa tensão; Capacidade de transformação segregada em alta, média e baixa tensão.

Número de unidades consumidoras, segregados em baixa, média e alta tensão; Área atendida; Energia distribuída segregada em alta, média e baixa tensão. Qualidade do serviço.

Finlândia EMV Opex Qualidade do serviço; Energia distribuída; Extensão de rede; Número de consumidores; 102

Noruega NVE Ativos de redes; Número de empregados; Indicador de duração de interrupção; Perdas; Opex.

Energia distribuída; Extensão de rede; Número de consumidores; Indicador de duração da interrupção (SAIDI).

~150

Países Baixos Dte Totex

Demanda máxima; Energia Distribuída; Número de unidades consumidoras conectadas em alta, média e baixa tensão; Extensão de rede; Número de transformadores.

20

Reino Unido Ofgem Opex

Indicador que considera a composição de 50% do número de consumidores; 25% da energia distribuída; 25% da extensão de rede.

14

Suécia STEM Coordenadas geográficas; Energia Distribuída; Carga Instalada; Tensão de conexão da unidade consumidora; Energia Faturada; Despesa; Extensão de rede; Opex.

106. As variáveis de produto normalmente utilizadas pelas Agências Reguladoras no modelo DEA são mercado (energia distribuída), número de unidades consumidoras e a extensão de rede. Por sua vez, as variáveis de insumo normalmente utilizadas são OPEX ou TOTEX. A escolha entre as duas variáveis de insumos vai depender do objetivo que se pretende com o modelo de eficiência. 107. O objeto da metodologia proposta para o 3CRTP é a avaliação dos custos operacionais eficientes, razão da escolha do Opex como variável de insumo do modelo. Uma contribuição acatada foi incorporar o mercado como produto, em adição ao número de unidades consumidoras e extensão de rede. Na versão que abriu a AP 040/2010 foi feita a opção de não utilizar as variáveis de mercado e números de unidades consumidoras concomitantemente. Assim, as variáveis unidades consumidoras e extensão de rede eram utilizadas alternadamente nos modelos estimados no primeiro estágio.

108. Ainda em relação às variáveis de insumo, uma contribuição não acatada diz respeito a tratar como insumo, além dos custos operacionais, os custos com qualidade e perdas. Na proposta que abriu a audiência pública, estava previsto que os escores de eficiência, utilizados para o reconhecimento dos custos operacionais regulatórios, seriam ajustados de forma a levar em consideração os resultados das concessionárias com as perdas não técnicas e a qualidade do serviço. Assim, as concessionárias que apresentassem bons resultados no combate às perdas não técnicas e/ou qualidade, passariam a ter um reconhecimento maior de custos operacionais. De forma análoga, as concessionárias que apresentassem resultados ruins passariam a ter um reconhecimento menor. 109. A sugestão recebida na audiência pública foi a de tratar diretamente as perdas não-técnicas e a qualidade como insumos no modelo DEA ao invés de acrescer/reduzir os escores de eficiência depois de calculados. Apesar de ser um modelo extremamente interessante sob o ponto de vista conceitual, ao extrapolar a análise de eficiência também para a gestão da qualidade e das perdas, sua aplicação encontra óbice nas condições previstas nos contratos de concessão. Entende-se que sua aplicação seria mais apropriada caso fossem definidos como integrantes da Parcela B, por exemplo, os custos com compra de


energia para atender o consumo decorrente de perdas não técnicas e compensações com ultrapassagem dos limites de qualidade definidos pela ANEEL. Caso contrário, correr-se-ia o risco de reduzir o reconhecimento dos custos operacionais de alguma concessionária que já houvesse sido penalizada pelo não reconhecimento do seu nível real de perdas, por exemplo.

110. Dentre as contribuições aceitas, destaca-se a incorporação de um segundo método de análise de eficiência no Primeiro Estágio. O método escolhido foi o de mínimos quadrados ordinários corrigidos, também conhecido pela sigla COLS (Corrected Ordinary Least Squares). As razões para a escolha desse método foram a robustez dos resultados encontrados, a sua simplicidade de implementação e o uso em outras agências reguladoras. 111. O COLS é um método de benchmarking que se destaca pela sua simplicidade de cálculo. Logo o método é de fácil entendimento e os resultados são facilmente interpretados. Nesta abordagem, a técnica estatística utilizada para estimar a fronteira de eficiência é a de regressão linear por mínimos quadrados ordinários (OLS). Como é característico nos modelos de regressão é preciso definir uma variável que será explicada (variável dependente) e o conjunto de variáveis explicativas (variáveis independentes). 112. Para tanto, optou-se por considerar as mesmas variáveis utilizadas do modelo DEA. Uma única modelagem para todas as empresas, com os custos operacionais como variável dependente e redes, unidades consumidoras e mercado como variáveis independentes. Propõe-se, pelas razões expostas anteriormente, estimar uma única fronteira para o período 2003/2009. A forma funcional adotada foi a Cobb-Douglas. 113. Um das vantagens do COLS é a sua menor sensibilidade a problemas de erros de medida, quando há suspeita de existência, quando comparado ao modelo DEA. Além disso, o mesmo permite testar estatisticamente as variáveis que devem constar no modelo. Sua principal desvantagem é a necessidade de se assumir uma forma funcional específica para a função de produção, o que não ocorre no DEA. 114. O método consiste na estimação de uma função custo usando técnicas usuais de regressão e posterior “correção” dessa função, de maneira que a empresa que apresentou o melhor desempenho da amostra obtenha uma eficiência de 100%. A função custo assim corrigida passa a corresponder à fronteira de eficiência, de modo que as empresas passam a ser comparadas com os valores da fronteira. 115. Assim, no COLS, a fronteira é obtida em duas etapas. Na primeira etapa é estimada a função custo. Através dessa função é possível identificar a importância relativa das variáveis explicativas observando os coeficientes estimados na regressão. Como o escore de eficiência é uma medida relativa, ainda falta identificar a fronteira de eficiência, pois os valores estimados pelos modelos de regressão tradicionais são médios. Para tanto, na segunda etapa, a fronteira de eficiência é obtida deslocando a função custo de modo que a função corrigida passe pela observação da empresa que teve o menor custo no período, dadas a extensão de rede, o número de consumidores e o mercado. Este deslocamento assegura que todas as demais observações estejam acima da fronteira quando se estima uma função custo. 116. Formalmente, a fronteira eficiente é obtida por meio da subtração da função de regressão - estimada na primeira etapa – do maior erro estimado (positivo) entre todas as observações. De maneira que o escore de eficiência para as empresas situadas acima da fronteira (custo operacional acima do custo eficiente) é obtido ao se dividir o valor esperado do custo operacional (de acordo com a nova função custo corrigida) pelo valor efetivamente praticado de custo operacional.


117. Os resultados alcançados combinando os dois métodos de análise de eficiência DEA e COLS conferem estimativas mais robustas para os escores de eficiência no Primeiro Estágio. Os resultados obtidos por ambos os métodos são similares, com uma correlação de 94%, o que demonstra a robustez dos resultados encontrados. Adicionalmente, é proposto um único de escore de eficiência por empresa, obtido pela média aritmética dos resultados encontrados nos dois métodos. As tabelas a seguir apresentam os resultados do Primeiro Estágio para as empresas de maior e menor porte no ano de 2009.

Tabela 10: Eficiência Estimada 2009 – Média dos Modelos DEA e COLS Empresas de Maior Porte Eficiência

Empresas de Menor Porte Eficiência

COSERN 100,0%

CSPE 98,5% COELBA 99,7%

CJE 90,5%

CPFL PIRATININGA 97,8%

MUXFELDT 83,7% RGE 96,0%

MOCOCA 80,8%

CEMAR 87,4%

CPFL SANTACRUZ 75,3% CPFL PAULISTA 86,2%

EBO 74,0%

COELCE 84,3%

CPEE 68,8% CELPE 84,3%

EMG 63,1%

AES-SUL 81,2%

SANTA MARIA 61,0% ESE 79,8%

BRAGANTINA 60,5%

LIGHT 74,3%

CAIUA 57,8% EPB 72,4%

SULGIPE 54,2%

BANDEIRANTE 69,3%

EVP 53,1% ESCELSA 67,5%

COCEL 50,7%

ELEKTRO 66,9%

CFLO 50,5% ENERSUL 62,5%

CELTINS 50,5%

CEMAT 61,9%

NACIONAL 50,0% AMPLA 55,7%

ENF 47,8%

ELETROPAULO 52,7%

ELETROCAR 45,0% CEMIG 50,8%

DEMEI 44,8%

CEB 49,8%

JOAO CESA 42,9% COPEL 47,9%

CHESP 42,8%

CELESC 47,9%

HIDROPAN 41,7% CELG 47,8%

COOPERALIANÇA 40,5%

CEPISA 47,1%

DME-PC 38,4% CEEE 45,9%

EFLUL 38,3%

AMAZONAS 43,2%

IENERGIA 37,7% CEAL 42,8%

ELETROACRE 37,6%

CELPA 42,7%

UHENPAL 35,9%

BOA VISTA ENERGIA 17,6%


III.2.2 SEGUNDO ESTÁGIO 118. Conforme discutido anteriormente, o Primeiro Estágio considera somente variáveis tradicionais de produto e insumo. Há, entretanto, outras variáveis externas à gestão da empresa que podem afetar a eficiência estimada. Tais variáveis são conhecidas como variáveis ambientais. 119. Na AP 040/2010 foi proposto um método em que se “corrigia” as eficiências estimadas no Primeiro Estágio em função das variáveis ambientais. Foram recebidas diversas críticas ao método, como (1) a existência de diversas outras variáveis ambientais possíveis de serem consideradas; (2) existência de diversos métodos possíveis de serem aplicados, sem consenso na literatura especializada sobre quais desses seriam mais apropriados; (3) escassa experiência em sua aplicação por agências reguladoras e/ou outros órgãos de governo; (4) problemas diversos na aplicação do método no caso específico, como correlação existente entre as variáveis insumo/produto e as variáveis ambientais; etc. 120. A tabela abaixo apresenta as variáveis ambientais sugeridas na etapa inicial da AP 040/2010 e avaliadas na metodologia proposta de custos operacionais eficientes. Como é possível notar, de fato, há uma extensa lista de variáveis que podem afetar a eficiência estimada das empresas.

Tabela 11 – Variáveis ambientais testadas no Segundo Estágio Variável Ambiental Variável Ambiental Descrição

Tendência Tendência Ano em que se encontra a empresa na amostra

Salário Médio Salário Médio Nível médio salarial de ocupações relacionadas à distribuição de energia na área da distribuidora

Densidade de Consumidores

Área de Atuação Área em que há redes de distribuição

Unidades Consumidoras por Área de Atuação

Razão entre número de unidades consumidoras e a Área de Atuação

Unidades Consumidoras por Número de Transformadores de Distribuição

Razão entre número de unidades consumidores e número de Transformadores de Distribuição.

Índice de Precipitação Índice de Precipitação Índice que mensura a incidência de chuvas na

área de atuação

Densidade de raios Quantidade de Raios por km2

Índice de Complexidade Complexidade da Área de Concessão Índice que mensura complexidade sócio-econômica no combate às perdas

Índices de mobilidade Número de veículos por habitante Razão entre o número de veículos e unidades

consumidoras na área de concessão.

Percentual de estradas pavimentadas. Relação entre a quantidade de estradas pavimentadas na área de concessão e o total de estradas.

Redes subterrâneas Percentual de Redes Subterrâneas Razão entre o total de redes subterrâneas e total de redes.


121. No que tange à metodologia empregada para considerar as variáveis ambientais, a mais usual é o DEA em dois estágios. Esta abordagem consiste em regredir os escores de eficiência inicialmente obtidos (primeiro estágio) contra variáveis ambientais (segundo estágio) e posterior correção dos escores utilizando o vetor médio das variáveis ambientais. A principal vantagem dessa abordagem é a possibilidade de testar estatisticamente a influência das variáveis ambientais no parâmetro de eficiência. Tanto no que se refere à influência ou não dessas variáveis na eficiência, bem como o sinal com que essa variável influencia a produtividade, se de forma favorável ou desfavorável12.

122. Há ainda diversos métodos de regressão possíveis de serem aplicados nessa abordagem. Os mais comuns na literatura são o modelo TOBIT e Mínimos Quadrados Ordinários (OLS). Porém, recentemente, alguns trabalhos têm recomendado métodos alternativos que são, em verdade, pequenas modificações nos métodos tradicionais, como em Banker e Natarajan (2008)13 e Simar e Wilson (2007).

123. Em função das contribuições da audiência, reavaliou-se a análise de regressão feita no segundo estágio do modelo. Optou-se por realizar regressões distintas para cada um dos grupos de empresas utilizadas no DEA primeiro estágio, definidos em função do porte da concessionária. Para cada amostra de empresa foi definida apenas uma especificação, com o mesmo conjunto de variáveis ambientais. Foram utilizados três modelos de regressão, conforme sugerido na audiência pública: (1) Algorítmo I (adaptado) de Simar e Wilson (2007); (2) o modelo proposto em Banker e Natarajan (2008) e (3) o modelo mais tradicional aplicando simplesmente o modelo Tobit no Segundo Estágio. 124. Para a seleção dos modelos válidos foram descartados aqueles cujas variáveis ambientais apresentaram baixa significância estatística, medida por meio do P-valor, ou inconsistência do sinal da variável. Destarte, modelos com variáveis cujos coeficientes estimados possuem P-valor abaixo de 10% ou modelos com inconsistência no sinal foram descartados. Os resultados das regressões são apresentados no Anexo desta Nota Técnica, 125. Por fim, o modelo considerado tem como variáveis exógenas: Salário Médio; Índice de precipitação; Consumidores / Área; Percentual da Base 100% Depreciada. Ademais, para as empresas de maior porte considera-se o índice de Complexidade. 126. As variáveis ambientais consideradas procuram mensurar as especificidades mais relevantes no que diz respeito aos custos de operação e manutenção das empresas de distribuição de energia elétrica.

127. Um primeiro fator que afeta os custos operacionais diz respeito aos salários pagos aos colaboradores que exercem funções similares àquelas executadas na concessionária, aqui denominada Salário Médio. É importante ressaltar que não se trata aqui do salário pago pelas empresas aos seus colaboradores, mas do nível médio de remuneração dos profissionais que têm funções similares às empregadas por empresas de distribuição de energia elétrica na região onde a distribuidora atua. É uma 12 Alguns trabalhos sugerem a consideração dessas variáveis diretamente no modelo DEA. Neste caso, as variáveis ambientais que contribuem de forma favorável são incluídas como inputs. Enquanto, que as variáveis que contribuem de forma desfavorável são incluídas como produto. Em outra abordagem desenvolvida por Banker e Morey (1986), as empresas são ordenadas conforme o valor da variável ambiental, e comparadas somente com aquelas outras empresas com valores de variável ambiental menos favorável. Uma terceira abordagem de Charnes, Cooper e Rhodes (1981) é dividir a amostra em sub-amostras de acordo com alguma variável categórica julgada importante.. 13 Banker, R.D., Natarajan, R., 2008. Evaluating Contextual Variables Affecting Productivity using Data Envelopment Analysis. Operations Research, 56(1), 48- 58.


variável que influencia diretamente nos custos operacionais da empresa. Apesar de ser variável com gestão parcial da empresa, é influenciado por tendências regionais.

128. A variável Índice de Precipitação se correlaciona com as despesas operacionais, especialmente operação e manutenção, porque uma maior incidência de chuvas pode estar relacionada a um maior número de desligamentos da rede e, portanto, uma maior necessidade de intervenções. Nesse sentido, para atendimento dos limites de qualidade do serviço definidos pela ANEEL seriam necessárias mais equipes de operação e manutenção. Em períodos de chuva as redes de distribuição estão mais suscetíveis a falhas, devido à redução do isolamento, ocasionando descargas parciais. Ademais, o índice de precipitação está relacionado a outras variáveis que influenciam falhas em redes, tais como velocidade do ar, umidade relativa do ar, dificuldade de deslocamento, etc. 129. O Índice de Complexidade mensura o grau de adversidade enfrentado pelas empresas no combate às perdas não técnicas. Uma empresa que possui uma área de concessão com um índice de complexidade maior possui maior dificuldade em reduzir suas perdas comparativamente à outra cuja área de concessão possui índice menor. Isto pode implicar maiores custos operacionais, na medida em que o combate às perdas pode exigir um maior esforço da empresa.

130. Outra variável ambiental muito utilizada nesse tipo de estudo é a densidade de consumidores. Uma dispersão maior de consumidores na área de atuação da empresa pode implicar maior custo com a logística da empresa, maior número de equipes, quantidade maior de gerências regionais, maiores custos com deslocamentos, frete, etc.

131. A variável de Número de Consumidores por Área mensura diretamente a dispersão dos consumidores na Área de Atuação da empresa. Uma elevada densidade de consumidores por área de atuação e por transformadores indica uma grande concentração de consumidores e que, normalmente, resulta em menores custos operacionais.

132. A variável Área de Atuação foi construída a partir dos dados georreferenciados encaminhados por meio do Ofício Circular nº 351/2009 SRE-SFF-SRD/ANEEL. A mesma corresponde à área onde há atendimento efetivo por parte da concessionária. Ou seja, corresponde à área onde há rede de distribuição. Para as empresas que não encaminharam essa informação, a mesma foi delineada a partir de uma envoltória considerando um buffer de 1 Km em torno das redes de distribuição georreferenciadas. 133. O Percentual da Base 100% Depreciada relaciona-se à taxa de falhas nas redes de distribuição, com reflexos nos custos operacionais. A determinação da vida útil permite avaliar, de forma predita, se é economicamente viável manter ou substituir um bem. 134. Entre as situações que levam os equipamentos a sair de operação, a mais relevante é a da condição física dos bens, ou seja, a que decorre do envelhecimento ou deterioração natural dos bens, provocada por agentes ambientais ou condições de operação, tais como atrito, temperatura ambiente, sobrecarga, intempéries, degradação de materiais, acidentes. Culminam na falha reparável ou não reparável do bem.

135. Nos equipamentos não reparáveis, a falha determina o fim de sua vida útil, que é o que ocorre no caso de queima de uma lâmpada. Todavia, para os equipamentos reparáveis, tais como os equipamentos utilizados nos sistemas elétricos de potência, sua vida útil não é determinada pela falha em si,


mas pela taxa em que as falhas ocorrem. Destarte, para equipamentos reparáveis a operação no período de envelhecimento não determina sua inoperabilidade, mesmo que seja economicamente inviável.

136. Considerando o exposto, o percentual da base 100% depreciada indica a quantidade de equipamentos que estão na fase de envelhecimento, ou seja, estado em que os custos operacionais são mais elevados, em decorrência do maior número de falhas, para uma operação padrão, e, portanto, deve ser considerado no cálculo dos custos operacionais eficientes, como de fato mostra a análise estatística. 137. O percentual de redes subterrâneas foi testado, todavia se mostrou não significante ou com sinal inconsistente. É importante mencionar que as redes subterrâneas possuem uma reduzida taxa de falha, se comparado às redes aéreas. Em que pese ao maior tempo das intervenções, decorrente dos trabalhos em espaços confinados, os custos não parecem diferenciar das redes aéreas, pois o maior tempo de manutenção por falha tende a se compensar pela reduzida quantidade de falhas nas redes subterrâneas. Há diversos trabalhos que apóiam esta tese.

138. A variável veículos por habitante captura objetivos outros além da capacidade de mobilidade das equipes de manutenção, sobremaneira variáveis econômicas da região, cuja variável de salários já pretende considerar. Cabe destacar que foi realizada a análise multivariada, ou seja, mesmo que a variável se mostre estatisticamente significante na análise univariável, pode não sê-lo em conjunto com as demais. Destarte, a variável de veículos por habitante foi preterida visando utilizar a variável de salários.

139. As variáveis Percentual de Estradas Pavimentadas, Área, Percentual de Mercado de Alta Tensão, Unidades Consumidoras por Número de Transformadores de Distribuição, Percentual de Clientes Rurais e Unidades Consumidoras por Conjunto não se mostrara significantes na análise mutivariada, quando utilizada a variável Número de Consumidores por Área, indicando que esta variável, ou o conjunto de variáveis expressa o que se pretendia modelar.

140. O gráfico a seguir apresenta os percentuais de correção na eficiência estimada no primeiro estágio, caso fosse adotado a metodologia tradicional de DEA em dois estágios, para as empresas de maior e menor porte.

Gráfico 3 – Módulo de correção média de cada variável ambiental para empresas de maior porte.

0

0,02

0,04

0,06

0,08

0,1

0,12

0,14

CORREÇÃO TOTAL SALÁRIO CHUVA 100% DEPRECIADO COMPLEXIDADE UC/ÁREA

Peso da Variável

CORREÇÃO TOTAL

SALÁRIO

CHUVA

100% DEPRECIADO

COMPLEXIDADE

UC/ÁREA


141. O salário se mostrou a variável mais relevante na correção no segundo estágio, seguida do índice de precipitação, percentual da base 100% depreciada, complexidade e Unidades Consumidoras por área, nesta ordem.

Gráfico 4 – Módulo de correção média de cada variável ambiental para empresas de menor porte. .

142. Nas empresas de menor porte o salário passa a não ser a variável mais relevante, devido, provavelmente, a maior homogeneidade de salários. Ademais, a complexidade passa a não ser variável significativa e foi, por essa razão, excluída. O resultado é coerente, pois as empresas de menor porte possuem índices de complexidade reduzidos e homogêneos. 143. No gráfico a seguir são apresentados os impactos sobre o percentual de eficiência estimado no Primeiro Estágio das variáveis ambientais, medidos simplesmente pela diferença entre o parâmetro de eficiência do Primeiro e Segundo Estágios. Os valores apresentados correspondem à média dos três métodos de regressão empregados. Como é possível notar, a correção pode afetar substancialmente as eficiências estimadas no Primeiro Estágio. Os resultados implicam que a empresa com maior vantagem em relação a variáveis ambientais poderia apresentar uma eficiência 60 pontos percentuais maior que a as empresas localizadas numa área menos favorável. Dito de outra forma, a primeira poderia gastar 60% a menos que a última em função de suas variáveis ambientais favoráveis.

0

0,02

0,04

0,06

0,08

0,1

0,12

0,14

CORREÇÃO TOTAL CHUVA 100% DEPRECIADO SALÁRIO UC/ÁREA

Peso da Variável

CORREÇÃO TOTAL

CHUVA

100% DEPRECIADO

SALÁRIO

UC/ÁREA


Gráfico 5 – Percentual de correção da eficiência das empresas de maior porte em decorrência do 2º estágio.

144. É possível extrair algumas conclusões importantes dos resultados. Primeiramente, as variáveis ambientais identificadas, apesar de não exaurir a lista completa de variáveis possíveis de serem consideradas nesse contexto, consideram importantes aspectos que interferem na produtividade das distribuidoras. Além disso, a ordem em termos de impacto de cada variável ambiental parece fazer sentido, conforme discutido anteriormente. Faz sentido, por exemplo, a variável “Salário Médio” ocupar a primeira posição da lista, na medida em que cerca de 50% das despesas operacionais podem ser despesas com pessoal. 145. Porém, a importância que as variáveis passaram a ter na explicação da eficiência estimada das empresas após o segundo estágio parece exagerada. Em algumas empresas, as variáveis ambientais passaram a ter uma importância maior que o número de consumidores, extensão da rede ou o mercado na explicação de seus custos operacionais.

146. Uma hipótese plausível para explicação deste fenômeno é a existência de uma correlação espúria entre a eficiência real (o que se pretende estimar) e as variáveis ambientais, ou seja, as empresas menos eficientes poderiam coincidentemente estar localizadas em áreas menos favoráveis. Isto tornaria o efeito estimado das variáveis ambientais sobre os custos operacionais superestimados.

147. Outra possibilidade está na própria mensuração das variáveis ambientais, tais como salário, área, etc., que pode estar amplificando o efeito real destas variáveis nos custos operacionais. Em outras palavras, as diferenças entre as empresas podem não ser tão grandes assim. Uma terceira possível explicação está no próprio conservadorismo do modelo DEA. Na medida em que ele tende a superestimar os níveis de eficiência das empresas, a diferença entre a eficiência real e a estimada comporá o resíduo da regressão. Isso reforça a possibilidade de uma correlação espúria entre eficiência e variáveis ambientais estar afetando as estimativas dos coeficientes do modelo.

-60%

-40%

-20%

0%20

%40

%

COSE

RNRGE

COEL

CEEPB

ESE

PIRA

TIN

ING

A

ESCE

LSA

CPFL

PAU

LIST

A

CELP

E

AES

-SU

L

ELEK

TRO

AM

PLA

CEA

L

CEM

AR

CEM

IG

COEL

BA

ELET

ROPA

ULO

CEEE

COPE

L

BAN

DEI

RAN

TE

ENER

SUL

CEPI

SA

CELE

SC

CEM

AT

CELP

A

AM

AZO

NA

S

CELG

LIG

HT

CEB


148. Dito isso, sugere-se alterar o tratamento proposto na fase inicial da AP 040/2011, onde os escores de eficiência definidos no primeiro estágio eram ajustados a partir da correlação entre a eficiência e as variáveis ambientais (método tradicional de DEA em dois estágios). Preservando-se os resultados do primeiro estágio, ter-se-ia um modelo mais usual, com respaldo em sua ampla aplicação por agências reguladoras em diversos países, e que considera as principais variáveis determinantes dos custos operacionais, conforme discutido anteriormente. Introduzir variáveis ambientais poderia resultar na inserção de mais uma fonte de imprecisão. Assim, as variáveis ambientais deverão fazer parte da “margem de erro”, ou seja, da incerteza associada às estimativas, presente em qualquer modelo.

149. Por outro lado, é importante considerar que esta incerteza não é simétrica em torno das eficiências estimadas para todas as empresas. Empresas em áreas de concessão com variáveis ambientais que tendem a gerar perda de produtividade, ou seja, maiores custos operacionais, possuiriam uma margem de erro mais no sentido de ser mais condescendente com seus reais níveis de eficiência, sendo o contrário verdadeiro para as empresas com vantagens em termos de variáveis ambientais.

150. Uma alternativa para tratar o problema é preservar os escores de eficiência definidos no primeiro estágio, tratando as questões ambientais na definição dos intervalos esperados em torno da eficiência estimada. Dito de outra forma: ao invés de ajustar a eficiência estimada para as características ambientais, propõe-se ajustar o intervalo estabelecido para os possíveis valores de eficiência para as características ambientais de cada concessão. A definição de um intervalo de possíveis valores ao invés de um único ponto se deve à incerteza associada à estimativa, além de certo conservadorismo na aplicação do método. 151. Note que para as concessionárias onde as variáveis ambientais justificam um custo médio mais elevado, por exemplo, onde os níveis salariais são maiores, o intervalo de eficiência, inicialmente estabelecido por uma faixa de +10% e -10%, será deslocado de forma a considerar que a eficiência estimada no primeiro estágio pode estar subestimada. No limite, uma faixa de + 20% e 0% em torno da eficiência estimada para a empresa com área de concessão menos favorável será considerada.

152. Ocorreria o contrário nas áreas onde o custo médio é menor em razão de variáveis ambientais. Neste caso, o intervalo de eficiência inicialmente construído é deslocado de forma a considerar que a eficiência estimada no primeiro estágio está provavelmente superestimada. No limite uma faixa de 0% e -20% em torno da eficiência estimada para a empresa com área de concessão mais favorável.

153. A identificação das concessionárias onde as áreas de concessão são mais ou menos favoráveis é feita utilizando a mesma análise de regressão da abordagem DEA em dois estágios cujos resultados são apresentados no gráfico anterior. A vantagem de se adotar tal procedimento, além de não consistir, a rigor, uma novidade metodológica para a segunda fase da AP/040, é a possibilidade de testar estatisticamente a influência das variáveis ambientais no parâmetro de eficiência, conforme exposto anteriormente.

154. Foi fixada uma variação máxima de 20% no resultado do primeiro estágio. Todavia, a faixa utilizada não será simétrica em torno da eficiência estimada, mas obedecerá ao resultado da correção das variáveis ambientais, respeitando a ordem descrita no gráfico anterior. Em anexo se encontram os parâmetros de eficiência estimados em todos os anos. Na tabela a seguir são apresentados os intervalos em torno da eficiência a serem considerados por empresa.


Tabela 12: Limites a serem considerados no 3CRTP para definição dos custos operacionais

Grupo A Grupo B Empresa Lim Sup Lim Inf

Empresa Lim Inf Lim Sup

CEB 20,00% 0,0%

ELETROCAR 20,0% 0,00% LIGHT 18,36% -1,6%

MOCOCA 19,1% -0,94%

CELG 15,74% -4,3%

CHESP 19,0% -1,00% CELPA 15,08% -4,9%

IENERGIA 18,2% -1,83%

AMAZONAS 15,08% -4,9%

COCEL 17,1% -2,90% CEMAT 13,77% -6,2%

DME-PC 16,8% -3,15%

CELESC 13,11% -6,9%

COOPERALIANÇA 16,6% -3,37% ENERSUL 12,79% -7,2%

CFLO 16,6% -3,43%

CEPISA 12,79% -7,2%

ELETROACRE 16,5% -3,49% CEEE 12,46% -7,5%

UHENPAL 16,2% -3,77%

COPEL 12,46% -7,5%

EFLUL 16,2% -3,84% BANDEIRANTE 12,46% -7,5%

HIDROPAN 16,1% -3,90%

ELETROPAULO 12,13% -7,9%

CAIUA 16,1% -3,93% COELBA 11,80% -8,2%

BOA VISTA ENERGIA 15,9% -4,09%

CEMIG 11,48% -8,5%

EVP 15,8% -4,16% CEAL 11,15% -8,9%

JOAOCESA 15,7% -4,32%

CEMAR 11,15% -8,9%

DEMEI 15,6% -4,44% AMPLA 10,82% -9,2%

CPEE 15,3% -4,73%

AES-SUL 10,49% -9,5%

CELTINS 13,8% -6,21% ELEKTRO 10,49% -9,5%

BRAGANTINA 13,4% -6,58%

CELPE 10,16% -9,8%

NACIONAL 13,1% -6,91% CPFL PAULISTA 9,84% -10,2%

SULGIPE 13,1% -6,95%

CPFL PIRATININGA 8,52% -11,5%

ENF 12,0% -7,95% ESCELSA 8,52% -11,5%

EMG 10,3% -9,68%

ESE 7,54% -12,5%

SANTA MARIA 10,2% -9,80% EPB 5,90% -14,1%

MUXFELDT 9,8% -10,21%

COELCE 5,57% -14,4%

CSPE 6,5% -13,48% RGE 3,93% -16,1%

CPFL SANTA CRUZ 5,0% -15,02%

COSERN 0,00% -20,0%

CJE 4,9% -15,15%

EBO 0,0% -20,00%

155. Os custos operacionais contábeis a serem considerados para definição dos valores dos intervalos em Reais (R$) são referentes ao último ano do período utilizado nas simulações (2009). Os intervalos serão então atualizados até a data base do 3CRTP considerando-se os ganhos de produtividade (Etapa 1), os índices de inflação e a evolução de consumidores, do mercado e das redes de distribuição. Os resultados finais, por empresa, são apresentados na tabela abaixo. Nela, são descritos os percentuais sobre os custos reais de 2009 a serem considerados na construção do intervalo de custos operacionais.


Tabela 13: Intervalo final de custos operacionais no 3CRTP Empresa Limite Inferior Limite Superior Empresa Limite Inferior Limite Superior

COSERN 111% 131%

CSPE 146% 166% COELBA 122% 142%

CJE 132% 152%

CPFL PIRATININGA 116% 136%

MUXFELDT 126% 146% RGE 109% 129%

MOCOCA 130% 150%

CEMAR 105% 125%

CPFL SANTA CRUZ 107% 127% CPFL PAULISTA 103% 123%

EBO 100% 120%

COELCE 96% 116%

CPEE 107% 127% CELPE 100% 120%

EMG 93% 113%

AES-SUL 97% 117%

SANTA MARIA 89% 109% ESE 92% 112%

BRAGANTINA 92% 112%

LIGHT 95% 115%

CAIUA 90% 110% EPB 81% 101%

SULGIPE 81% 101%

BANDEIRANTE 83% 103%

EVP 82% 102% ESCELSA 77% 97%

COCEL 79% 99%

ELEKTRO 78% 98%

CFLO 79% 99% ENERSUL 75% 95%

CELTINS 76% 96%

CEMAT 75% 95%

NACIONAL 74% 94% AMPLA 64% 84%

ENF 70% 90%

ELETROPAULO 61% 81%

ELETROCAR 73% 93% CEMIG 58% 78%

DEMEI 68% 88%

CEB 65% 85%

JOAOCESA 65% 85% COPEL 55% 75%

CHESP 68% 88%

CELESC 56% 76%

HIDROPAN 64% 84% CELG 58% 78%

COOPERALIANÇA 62% 82%

CEPISA 54% 74%

DME-PC 59% 79% CEEE 52% 72%

EFLUL 58% 78%

AMAZONAS 52% 72%

IENERGIA 59% 79% CEAL 47% 67%

ELETROACRE 57% 77%

CELPA 51% 71%

UHENPAL 54% 74%

BOA VISTA ENERGIA 24% 44%

156. Como alternativa para tratar a reduzida eficiência média das concessionárias de distribuição, a eficiência de cada concessionária, definida no Primeiro Estágio, foi dividida pela eficiência média apenas das concessionárias que obtiveram em 2009 eficiência superior à obtida de 2003-2008, ou seja, aquelas que vem aprimorando sua gestão. A proposta busca evitar um prêmio exagerado para empresas mais eficientes simplesmente porque algumas concessionárias não estão acompanhando a evolução de eficiência do setor.


IV. RESUMO DA METODOLOGIA 157. Os custos operacionais a serem considerados no reposicionamento tarifário do 3CRTP serão os valores definidos no 2CRTP atualizados considerando-se o ganho médio de produtividade alcançado pelas distribuidoras no período avaliado, de 0,87% ao ano. O ganho de produtividade consiste simplesmente em medir a relação média entre a evolução dos custos operacionais reais (insumos) e a evolução do número de unidades consumidoras, de mercado e das redes (produtos). Como no período avaliado os custos operacionais cresceram, em média, menos do que os produtos, as distribuidoras ganharam produtividade, o que será revertido em prol da modicidade tarifária no 3CRTP. Chamaremos essa primeira avaliação de Etapa 1.

158. Uma segunda avaliação, que chamaremos de Etapa 2, consistem em comparar a eficiência das distribuidoras, por meio de métodos de Benchmarking que, por ser diferente da metodologia empregada no 2CRTP, pode gerar resultados que diferem dos encontrados na Etapa 1. O intuito da Etapa 2 é definir um intervalo de valores de custos operacionais considerados eficientes, a partir da quantidade de unidades consumidoras, redes e mercado das distribuidoras e das características de sua área de atuação.

159. Havendo diferença entre os resultados encontrados nas Etapas 1 e 2 a diferença será considerada no cálculo do Fator X, criando uma transição mais suave entre os métodos. De outra forma, o resultado encontrado na Etapa 2 pode ser interpretado como uma meta de custos a ser atingida no final do 3CRTP. Se a divergência entre os dois resultados for muito grande (componente “T” do Fator X maior que 2% ou menor que -2%) parte da transição entre os dois métodos já será considerada no reposicionamento tarifário.

160. Nessa Etapa 2, o nível de eficiência das distribuidoras segue alguns passos assim resumidos:

Primeiro Estágio – Avalia-se o nível de custos operacionais, dado determinada quantidade de

consumidores, redes e mercado atendido, a fim de determinar uma primeira nota de eficiência;

Segundo Estágio – Na definição dos intervalos de valores esperados em torno da nota de eficiência definida no Primeiro Estágio, sugere-se ajustar o intervalo de acordo com as características ambientais de cada concessão. As características consideradas foram salário médio na área de atuação, nível de chuvas, complexidade para o combate às perdas não técnicas, densidade de consumidores por área e percentual de ativos cem por cento depreciados na base de remuneração.

V. CONCLUSÃO

161. A partir das contribuições recebidas na fase inicial da AP 040/2010, consolidou-se a proposta de cálculo dos Custos Operacionais para o 3CRTP. A metodologia aperfeiçoada traz avanços relevantes com relação às ferramentas a serem empregadas. Se, por um lado, as ferramentas são aprimoradas, por outro, preservam-se os conceitos e princípios utilizados pela ANEEL na definição dos custos operacionais no 2CRTP, como os incentivos à eficiência, a consideração do nível médio de eficiência, a transparência, reprodutibilidade dos resultados, estabilidade regulatória, preocupação com a assimetria de informação, a modicidade tarifária, dentre outros.


162. Complementarmente, a abordagem buscou agregar novos elementos como a simplificação do método, além de concentrar as discussões na definição da metodologia, tornando a aplicação do método nos processos tarifários menos controversa.

163. A tabela a seguir resume os principais aprimoramentos propostos a partir da análise das contribuições trazidas na primeira fase da Audiência Pública 040/2010.

Tabela 13 – Principais alterações propostas no cálculo do Fator X

Fase inicial AP 040/2010 Versão consolidada

Produtividade

Unidades consumidoras e redes como produtos. Inclusão do mercado faturado. Evolução Técnica - decomposição Malmquist. Produtividade Total dos Fatores. Produtividade de acordo com o crescimento do unidades consumidoras e redes.

Produtividade média a ser utilizada para todas as distribuidoras.

Eficiência 1º Estágio

Eficiência definida pelo Método DEA Eficiência definida pelos Métodos DEA e COLS Dois modelos, um com unidades consumidoras e mercado como produtos e o segundo com redes e unidades consumidoras como produtos.

Um modelo apenas, com unidades consumidoras, redes e mercado como produtos.

Eficiência 2º Estágio

Salário médio, nível de chuvas, complexidade para o combate às perdas não técnicas e densidade de consumidores por área.

Inclusão do percentual de ativos cem por cento depreciados na base de remuneração.

Altera a eficiência definida no 1º estágio, em função das características ambientais da concessão.

Ajusta o intervalo esperado em torno da eficiência definida no 1º estágio de acordo com as características ambientais de cada concessão

Aplicação Empresas agrupadas por patamar de eficiência. Patamar de cada empresa definido pela divisão de sua eficiência pela eficiência média das empresas que vêm ganhando eficiência.

VI. RECOMENDAÇÃO

164. Recomenda-se a reabertura da Audiência Pública 040/2010 a partir da proposta consolidada de metodologia de cálculo dos Custos Operacionais Regulatórios a ser aplicada no 3CRTP.


VII. ANEXOS Acompanham a presente Nota Técnica os seguintes Anexos:

Anexo I – Resultado das simulações; Anexo II – Base de Dados (em meio eletrônico apenas).

CLAUDIO ELIAS CARVALHO Especialista em Regulação

de Serviços Públicos de Energia

HÁLISSON RODRIGUES FERREIRA COSTA Especialista em Regulação


LEANDRO CAIXETA MOREIRA Especialista em Regulação


MÁRCIO ANDREY ROSELLI Especialista em Regulação


THIAGO ROBERTO MAGALHÃES VELOSO Especialista em Regulação


De Acordo:

DAVI ANTUNES LIMA Superintendente de Regulação Econômica


ANEXO I – Resultados das Simulações

Tabela 1: Ganhos de Produtividade Medidos por meio do Índice de Tornqvist Concessionária 2004/03 2005/04 2006/05 2007/06 2008/07 2009/08 Média

Geométrica AES SUL 1.0083 0.9531 1.0021 0.9758 0.9585 0.9669 0.9772 AME 0.9085 1.0007 0.9690 1.0251 1.0165 0.9295 0.9739 AMPLA 0.9357 0.9361 0.9403 0.9932 1.1111 1.0335 0.9896 BANDEIRANTE 0.9766 1.0330 0.8996 1.1031 1.0226 1.0287 1.0087 BOAVISTA 1.0508 0.8271 0.9400 0.9272 0.9742 1.0743 0.9621 CAIUA 0.9699 1.3121 1.0518 1.0888 0.9611 1.1596 1.0842 CEAL 0.9224 1.0200 0.9328 0.9437 1.0813 0.8344 0.9526 CEB 1.0459 1.2903 0.9617 1.0951 1.2338 0.9695 1.0925 CEEE 1.0171 1.0139 1.0542 0.9871 1.0477 0.8598 0.9944 CELESC 0.9615 1.0611 0.8766 0.9964 1.0551 1.0597 0.9994 CELG 0.8170 0.8374 0.8581 1.1102 1.1782 0.9782 0.9534 CELPA 1.2582 0.9609 0.9009 1.0566 1.1636 0.8278 1.0173 CELPE 1.0289 1.0074 0.9069 1.0537 1.1883 1.0164 1.0303 CELTINS 0.9703 1.1503 0.8992 0.9977 1.0577 1.1126 1.0277 CEMAR 1.0821 1.2645 1.0898 1.1125 0.9324 1.0088 1.0770 CEMAT 0.9544 1.2864 0.9070 1.0727 1.1252 0.9656 1.0444 CEMIG 0.9734 0.9201 0.9436 0.9740 1.0856 1.0023 0.9818 CEPISA 0.9136 0.9068 1.0103 1.0449 1.0121 0.9075 0.9642 CFLO 1.0400 1.1057 0.9822 1.0331 0.9795 1.0440 1.0299 CHESP 0.8790 0.8786 0.9212 0.9356 1.0415 0.9607 0.9345 CJE 0.9766 1.0499 1.1732 1.0220 1.3173 1.0441 1.0915 CLFM 1.0015 0.9785 1.0543 1.0864 1.4967 1.1231 1.1116 CLFSC 1.0233 0.9751 0.9712 1.0437 1.2160 1.2749 1.0778 CNEE 0.8892 1.5208 1.0315 0.9664 0.9776 1.0457 1.0549 COCEL 0.9839 1.0538 0.9412 0.8825 1.1369 0.9980 0.9962 COELBA 1.1108 1.1095 0.9582 1.0520 1.2156 1.0083 1.0726 COELCE 1.1032 1.0037 0.9613 0.9709 1.0776 1.0820 1.0316 COOPERALIANÇA 1.0603 1.0203 0.8943 0.9708 1.0445 0.9266 0.9842 COPEL 0.9503 0.9451 0.9797 0.9947 1.0076 0.8802 0.9587 COSERN 1.1067 1.0636 0.8942 1.0690 1.1874 1.0046 1.0503 CPEE 0.9401 1.0013 0.9670 1.0443 1.3440 1.1684 1.0690 CPFL-Paulista 1.0818 0.9689 1.0632 0.9809 1.0594 0.9887 1.0228 CPFL-Piratininga 1.0956 1.0540 1.0212 0.9197 1.1359 1.0011 1.0355 CSPE 0.9745 0.9869 0.9989 1.0105 1.3762 1.2457 1.0886 DEMEI 0.8779 1.0088 1.0653 0.9785 0.7607 0.9965 0.9422 DME-PC 0.9366 0.8541 0.9906 0.8348 1.0180 0.8981 0.9196 EBO 0.9458 1.0974 0.9498 0.9415 1.0463 0.9110 0.9798 EDEVP 1.0256 1.3874 1.1358 1.0578 1.0297 0.9671 1.0927 EEB 0.9451 1.2781 1.0730 1.0872 1.0095 1.1449 1.0847 EFLUL 1.0237 0.9640 1.0728 1.0635 1.0336 1.0544 1.0347 ELEKTRO 1.0632 0.9193 0.9501 1.0506 1.0668 1.0041 1.0074 ELETROACRE 0.9364 1.0005 0.9486 1.1300 1.1821 0.7252 0.9753 ELETROCAR 0.8923 1.0912 0.8975 0.9711 1.0193 0.9638 0.9702 ELETROPAULO 1.2917 0.9924 0.9643 1.0589 1.1223 0.8441 1.0365 EMG 0.8595 0.9537 1.1906 0.9566 1.1143 0.9833 1.0038 ENERSUL 1.0123 0.8944 0.8206 1.0338 1.1428 1.0510 0.9867 ENF 0.8845 0.9869 0.9906 0.9780 1.0315 1.0350 0.9831 EPB 0.8901 1.0424 0.9895 0.8200 1.0326 0.9861 0.9567


Concessionária 2004/03 2005/04 2006/05 2007/06 2008/07 2009/08 Média Geométrica

ESCELSA 1.0545 0.9436 0.8462 0.9847 1.1648 0.9271 0.9818 ESE 1.0363 1.0853 0.9669 0.8988 0.9926 1.0843 1.0085 HIDROPAN 0.9616 0.9461 0.9074 1.0327 1.1239 0.9941 0.9919 IENERGIA 0.9162 1.0050 0.7655 0.8370 1.5072 1.1901 1.0095 JOAO CESA 0.9460 1.2099 0.7662 0.9607 0.9419 0.8952 0.9446 LIGHT 1.1816 1.0698 0.8926 0.9381 1.1788 1.0880 1.0523 MUXFELDT 0.8531 0.9980 1.0141 1.0114 1.0902 1.0069 0.9930 RGE 0.8103 1.1234 0.9732 1.0791 1.0181 1.0164 0.9982 SANTA MARIA 1.0466 1.0133 0.9990 0.9240 1.1364 1.0136 1.0202 SULGIPE 1.0593 0.9554 0.9109 1.0898 0.9912 0.8389 0.9705 UHENPAL 1.2518 0.7334 0.9356 0.5344 0.9876 0.9868 0.8745 Média Geométrica 0.9903 1.0261 0.9621 0.9913 1.0870 0.9972 1.0082 Tornqvist (TFP) -0.97% 2.61% -3.79% -0.87% 8.70% -0.28% 0.82%

Tabela 2 – Ganhos de Produtividade medidos por meio do Índice de Malmquist Concessionária 2004/03 2005/04 2006/05 2007/06 2008/07 2009/08 Média

Geométrica AES SUL 0.9896 1.0507 0.9958 1.0244 1.0410 1.0402 1.0234 AME 1.0994 1.0210 1.0555 0.9859 0.9971 1.0943 1.0413 AMPLA 1.0684 1.0736 1.0802 1.0028 0.8913 0.9710 1.0122 BANDEIRANTE 1.0015 0.9681 1.1048 0.9029 0.9732 0.9844 0.9874 BOA VISTA 0.9565 1.2331 1.0744 1.1030 1.0274 0.9213 1.0478 CAIUA 1.0359 0.7693 0.9519 0.9229 1.0411 0.8614 0.9254 CEAL 1.0857 0.9870 1.0638 1.0548 0.9352 1.1947 1.0504 CEB 0.9537 0.7719 1.0423 0.9148 0.8061 1.0344 0.9146 CEEE 0.9968 0.9914 0.9479 1.0159 0.9523 1.1576 1.0080 CELESC 1.0518 0.9438 1.1290 0.9860 0.9408 0.9352 0.9953 CELG 1.2005 1.1983 1.1700 0.9179 0.8311 1.0425 1.0498 CELPA 0.7913 1.0563 1.1085 1.0013 0.8488 1.1407 0.9823 CELPE 0.9677 1.0072 1.1026 0.9487 0.8377 0.9731 0.9697 CELTINS 1.0049 0.8469 1.0623 0.8901 0.9243 0.8924 0.9340 CEMAR 0.9370 0.7887 0.9109 0.9114 1.0536 0.9627 0.9240 CEMAT 1.0549 0.7557 1.0648 0.8878 0.8199 0.9831 0.9203 CEMIG 1.0267 1.0746 1.0612 1.0224 0.9183 0.9931 1.0147 CEPISA 1.0846 1.1086 0.9584 0.9652 0.9651 1.1143 1.0303 CFLO 0.9559 0.9024 1.0222 1.0500 1.0207 0.9563 0.9833 CHESP 1.1581 1.1373 1.0683 1.0897 0.9614 1.0140 1.0693 CJE 0.9977 0.9222 0.8307 0.9617 0.7665 1.0390 0.9146 CLFM 1.0108 1.0199 0.9501 0.9261 0.6672 0.8914 0.9023 CLFSC 0.9757 1.0288 1.0245 0.9609 0.8234 0.7846 0.9279 CNEE 1.1263 0.7219 0.9697 1.0489 1.0197 0.9570 0.9649 COCEL 1.0150 0.9475 1.0592 1.1351 0.8780 1.0009 1.0027 COELBA 0.9196 0.9085 1.0381 0.9516 0.8276 0.9862 0.9363 COELCE 0.9197 1.0144 1.0295 1.0544 0.9204 0.9319 0.9768 COOPERALIANÇA 0.9383 0.9838 1.1170 1.0361 0.9566 1.0785 1.0164 COPEL 1.0569 1.0596 1.0222 1.0067 0.9908 1.1407 1.0450 COSERN 0.9036 0.9442 1.1180 0.9381 0.8410 0.9851 0.9513 CPEE 1.0717 1.0007 1.0345 0.9591 0.7446 0.8609 0.9382 CPFL - Paulista 0.9268 1.0321 0.9430 1.0234 0.9432 1.0103 0.9789 CPFL - Piratininga 0.8675 0.9482 0.9788 1.1073 0.8726 1.0172 0.9617


Concessionária 2004/03 2005/04 2006/05 2007/06 2008/07 2009/08 Média Geométrica

CSPE 1.0353 1.0128 1.0017 0.9902 0.7251 0.8078 0.9207 DEMEI 1.1355 0.9908 0.9410 1.0302 1.3060 1.0000 1.0607 DME-PC 1.0720 1.1715 1.0095 1.1982 0.9797 1.1091 1.0871 EBO 1.0549 0.9166 1.0596 1.0728 0.9550 1.0922 1.0230 EDEVP 0.9850 0.7256 0.8765 0.9469 0.9708 1.0365 0.9176 EEB 1.0619 0.7857 0.9333 0.9229 0.9888 0.8829 0.9252 EFLJC 1.0511 0.8331 1.2603 1.0233 1.0649 1.1031 1.0482 EFLUL 0.9577 1.0397 0.9180 0.8934 0.9745 0.9764 0.9588 ELEKTRO 0.9422 1.0869 1.0530 0.9521 0.9368 1.0025 0.9939 ELETROACRE 1.0884 1.0418 1.1139 0.8980 0.8110 1.2887 1.0287 ELETROCAR 1.1026 0.9207 1.1110 1.0336 0.9913 1.0121 1.0265 ELETROPAULO 0.7815 1.0038 1.0393 0.9406 0.8867 1.1816 0.9642 ELFSM 0.9283 0.9602 1.0271 1.0934 0.8822 0.9800 0.9762 EMG 1.1703 1.0524 0.8451 1.0315 0.8920 1.0085 0.9942 ENERSUL 0.9992 1.0988 1.1571 0.8639 0.8631 0.9432 0.9814 ENF 1.1389 1.0126 1.0065 1.0255 0.9707 0.9632 1.0180 EPB 1.1174 0.9791 1.0204 1.2159 0.9891 0.9869 1.0480 ESCELSA 0.9510 1.0601 1.1812 1.0146 0.8602 1.1069 1.0236 ESE 0.9649 0.9335 1.0375 1.1199 1.0104 0.9153 0.9946 HIDROPAN 1.0379 1.0483 1.0933 0.9719 0.8881 1.0023 1.0048 IENERGIA 1.1169 0.9990 1.3135 1.2131 0.6751 0.8211 0.9976 LIGHT 0.8559 0.9391 1.1117 1.0676 0.8487 0.9163 0.9514 MUX-Energia 1.1992 1.0256 1.0011 1.0190 0.9174 0.9948 1.0228 RGE 1.2290 0.8899 1.0251 0.9375 0.9855 0.9911 1.0044 SULGIPE 0.9474 1.0325 1.0749 0.9023 0.9803 1.1576 1.0124 UHENPAL 0.8019 1.3791 1.0732 1.8244 1.0177 1.0243 1.1453 Média Geométrica 1.0100 0.9781 1.0366 1.0085 0.9163 0.9997 0.9908 Malmquist (TFP) -1.00% 2.19% -3.66% -0.85% 8.37% 0.03% 0.92%

Tabela 3: Eficiência – Média COLS e DEA Empresa 2003 2004 2005 2006 2007 2008 2009

COSERN 79% 87% 91% 80% 85% 100% 100% COELBA 70% 76% 83% 79% 83% 99% 100% PIRATININGA 80% 89% 93% 95% 86% 98% 98% RGE 98% 79% 89% 86% 93% 95% 96% CEMAR 61% 64% 79% 86% 93% 86% 87% CPFLPAULISTA 76% 82% 79% 84% 82% 87% 86% COELCE 75% 81% 80% 77% 73% 79% 84% CELPE 72% 74% 74% 66% 70% 83% 84% AES-SUL 95% 95% 90% 90% 88% 84% 81% ESSE 87% 87% 92% 87% 77% 75% 80% LIGHT 55% 65% 69% 62% 58% 68% 74% EPB 96% 85% 89% 87% 71% 73% 72% BANDEIRANTE 66% 64% 66% 60% 66% 67% 69% ESCELSA 78% 82% 76% 64% 63% 73% 68%


Tabela 4: Eficiência – Média COLS e DEA

Empresa 2003 2004 2005 2006 2007 2008 2009 CSPE 60% 58% 58% 58% 58% 80% 98% CJE 54% 53% 56% 67% 69% 90% 91% MUXFELDT 92% 77% 76% 77% 77% 83% 84% MOCOCA 44% 44% 43% 45% 48% 72% 81% SANTACRUZ 48% 50% 48% 47% 49% 59% 75% EBO 85% 80% 87% 83% 78% 81% 74% CPEE 47% 44% 44% 42% 44% 59% 69% EMG 63% 54% 51% 61% 58% 64% 63% SANTAMARIA 55% 58% 59% 58% 53% 60% 61% BRAGANTINA 39% 37% 47% 49% 53% 53% 60% CAIUA 37% 35% 46% 48% 52% 50% 58% SULGIPE 67% 70% 68% 61% 66% 66% 54% EVP 32% 33% 45% 51% 54% 55% 53% COCEL 53% 52% 55% 51% 45% 51% 51% CFLO 45% 47% 51% 50% 49% 48% 51% CELTINS 39% 38% 43% 39% 42% 45% 50% NACIONAL 39% 34% 49% 51% 49% 48% 50% ENF 53% 47% 46% 46% 45% 46% 48% ELETROCAR 54% 48% 53% 47% 46% 46% 45% DEMEI 65% 57% 57% 61% 59% 45% 45% JOAOCESA 59% 58% 71% 55% 53% 49% 43% CHESP 66% 58% 51% 47% 43% 45% 43% HIDROPAN 44% 42% 40% 36% 37% 42% 42%

ELEKTRO 64% 68% 63% 60% 63% 67% 67% ENERSUL 65% 65% 58% 47% 52% 59% 63% CEMAT 45% 42% 53% 49% 54% 63% 62% AMPLA 61% 57% 53% 49% 49% 54% 56%

ELETROPAULO 43% 55% 54% 52% 55% 62% 53% CEMIG 57% 56% 51% 48% 47% 51% 51%

CEB 31% 32% 41% 39% 42% 52% 50% COPEL 62% 59% 56% 54% 54% 55% 48% CELESC 48% 46% 48% 43% 43% 45% 48%

CELG 64% 53% 45% 38% 42% 49% 48% CEPISA 64% 58% 52% 51% 52% 52% 47% CEEE 50% 50% 50% 52% 51% 54% 46%

AMAZONAS 58% 52% 51% 47% 47% 47% 43% CEAL 62% 57% 56% 52% 49% 52% 43%

CELPA 43% 54% 51% 45% 45% 51% 43%


Empresa 2003 2004 2005 2006 2007 2008 2009 COOPERALIANÇA 45% 48% 49% 44% 42% 44% 40% DME-PC 63% 59% 51% 50% 42% 43% 38% EFLUL 32% 33% 31% 33% 36% 37% 38% IENERGIA 35% 32% 33% 25% 21% 32% 38% ELETROACRE 49% 45% 44% 40% 45% 52% 38% UHENPAL 80% 100% 74% 69% 37% 36% 36% BOA_VISTA_ENERGIA 23% 24% 20% 19% 17% 16% 18%

Tabela 5: Coeficientes de Regressão – Empresas acima de 1 TWh

TOBIT Banker e Natarajan (2008) Silmar e Wilson (2007)

Coeficiente Desvio padrão Coeficiente Desvio padrão Percentil 0,025 Percentil 0,5 Percentil 0,025

Tendência -0,03 0,01 -0,03 0,01 -0,04 -0,02 0,00 Salário Médio 1,10 0,16 1,06 0,16 0,55 0,81 1,07 Chuva 0,39 0,11 0,37 0,11 0,11 0,30 0,49 Complexidade 0,59 0,21 0,56 0,21 0,09 0,45 0,81 UC/Área -0,07 0,02 -0,07 0,02 -0,08 -0,05 -0,02 100% Depreciado 1,40 0,46 1,39 0,46 0,56 1,36 2,17

Tabela 6: Coeficientes de Regressão – Empresas abaixo de 1 TWh

TOBIT Banker e Natarajan (2008) Silmar e Wilson (2007)

Coeficiente Desvio padrão Coeficiente Desvio padrão Percentil 0,025 Percentil 0,5 Percentil 0,025

Tendência -0,05 0,02 -0,05 0,02 -0,07 -0,04 0,00 Salário Médio 1,27 0,28 1,23 0,27 0,49 0,96 1,43 Chuva 0,84 0,22 0,82 0,22 0,20 0,55 0,92 UC/Área -0,06 0,04 -0,06 0,04 -0,12 -0,05 0,01 100% Depreciado 2,32 0,64 2,24 0,63 0,82 1,96 3,06

nt 101 2011 custos operacionais vprocesso - aneel · c o n c e s s i o n Á r i a s d e d i s t r i...

Documents