relações de co-integração entre preço dos biocombustíveis e

Campo Grande, 25 a 28 de julho de 2010,

Sociedade Brasileira de Economia, Administração e Sociologia Rural

1

RELAÇÕES DE CO-INTEGRAÇÃO ENTRE PREÇO DOS BIOCOMBUS TÍVEIS E ALIMENTOS: COMPARATIVO ENTRE O ETANOL AMERICANO E A PRODUÇÃO DE MILHO NO BRASIL. [email protected] APRESENTACAO ORAL-Comercialização, Mercados e Preços RICARDO BRUNO NASCIMENTO DOS SANTOS; AIRTON LOPES AMORIM; DANIEL ARRUDA CORONEL; FRANCIVANE TELES PAMPOLHA DOS SANTOS. UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA - MG - BRASIL.

RELAÇÕES DE CO-INTEGRAÇÃO ENTRE PREÇO DOS

BIOCOMBUSTÍVEIS E ALIMENTOS: COMPARATIVO ENTRE O ETANOL AMERICANO E A PRODUÇÃO DE MILHO NO BRASIL.

Grupo de Pesquisa: COMERCIALIZAÇÃO, MERCADOS E PREÇOS

Resumo O propósito do referente trabalho foi analisar o comportamento dos biocombustíveis frente ao preço dos alimentos em mercados menos desenvolvidos. Para tanto foi feito um comparativo entre o impacto que o preço do etanol americano causa no preço do milho no Brasil. Para tal análise utiliza-se a metodologia do modelo vetorial de correção de erro (VEC) para identificar a existência de co-integração entre os mercados de etanol americano e milho brasileiro. Os resultados mostram que existe uma relação de co-integração entre os mercados, e dá indícios que de o preço do etanol gera aumento dos preços dos alimentos no mercado brasileiro. Palavras-chaves: Preço do etanol, Preço do milho, Integração de preços. Abstract The purpose of the referent study was to analyze the behavior of biofuels against the price of food in less developed markets. A comparison was made between the impact that the price of ethanol in USA cause in the price of corn in Brazil. For this analysis uses the methodology of the model vector error correction (VEC) to identify the existence of cointegration between the markets of U.S. and Brazilian corn ethanol. The results show that there is a relationship of co-integration among markets, and gives evidence that the price of ethanol causes an increase in food prices in the Brazilian market. Key Words: Ethanol price, corn price, Integration of prices.

1. INTRODUÇÃO



2

Atualmente existe uma grande preocupação sobre o intensivo uso de combustíveis

fósseis no mundo, pois o maior consumo é visto como um dos problemas antrópicos que

atenuam os efeitos do aquecimento global no mundo.

Alguns países se engajaram na procura de uma fonte que possa complementar a

composição dos combustíveis, que possa substituí-los por completo na tentativa de

contribuir para a redução de emissões de gases nocivos à natureza, bem como encontrar

uma fonte alternativa aos combustíveis fósseis.

Dentre a linha de combustíveis alternativos os que mais se destacam são os

biocombustíveis, ou combustíveis biológicos, que por definição é todo combustível

produzido a partir de fontes renováveis de biomassa.

Existem dois tipos de biocombustíveis que representam o volume total de

combustíveis renováveis: etanol e biodiesel. Diversas pesquisas avançam no estudo dos

dois campos, porém esse trabalho estará voltado para o estudo do etanol, especificamente o

produzido nos EUA. O etanol é conhecido também como álcool etílico, que é derivado de

cereais e vegetais. Nos EUA a base do etanol é o milho, e no Brasil o combustível

renovável é derivado da cana de açúcar.

Na Tabela 1 pode-se verificar que, segundo dados da Fapri (2007), os EUA são

um dos maiores produtores de etanol no mundo, seguido do Brasil e pelas projeções

percebe-se que há uma tendência de alta nos níveis de produção

Tabela 1: Projeções de produção e consumo de etanol. Em milhões de galões

Etanol 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 EUA

Produção 4692 6910 9522 11190 11870 11958 11875 11751 11639 11602 11602

Consumo 5370 7297 9911 11684 12453 12611 12594 12578 12627 12750 12912

BRA Produção 4736 4977 5153 5386 5652 5922 6201 6495 6812 7153 7524

Consumo 3848 4322 4433 4606 4794 4981 5192 5421 5674 5954 6269

Fonte: FAPRI 2007 Agricultural Outlook.

No entanto, Von Lampe (2006) afirma que o Brasil é mais competitivo em relação

ao custo de produção do álcool combustível. Atualmente a grande preocupação dos



3

especialistas é se a crescente produção e consumo do etanol de milho irá criar pressões

sobre o preços dos alimentos, Elobeid, Tokgoz, Hayes et al. (2006) demonstraram que os

produtores de milho serão aqueles que levarão mais vantagem com a produção de etanol,

principalmente pelo fato de o produto elevar os preços do milho, porém, se os

suinocultores e avicultores não se adaptarem a essa nova realidade eles irão sair perdendo,

pois seus custos de produção tenderão a aumentar.

Esses resultados refletem outro ponto, que é a questão dos preços em outros

mercados, é de se imaginar que os EUA, com sua elevada produção de etanol, precise

importar milho de outros países, e esse aspecto segundo Tsunechiro e Perez (2007), foi um

dos principais fatores que elevou o Brasil a terceiro maior exportador mundial de milho,

isso pode ser verificado na Tabela 2.

Assim, uma discussão importante no que tange aos biocombustíveis refere-se aos

seus possíveis impactos na oferta e nos preços das culturas alimentares, os estudos de

Sachs (2005; (2007), Tokgoz e Elobeid (2006), Elobeid e Tokgoz (2008) e Motaal (2008)

tem se preocupado com as distorções que os biocombustíveis podem causar nos preços dos

alimentos. Contudo, essa discussão tem poucos estudos empíricos que modelem os

impactos do crescimento da indústria de biocombustíveis na oferta de preços das culturas

alimentares do mundo.

Tabela 2: Exportação de milho, principais países, 2001 a 2007, em milhões de ton.

País 2001 2002 2003 2004 2005 2006 2007 Part. %

Estados Unidos 48,3 47,3 40,9 48,8 45,3 56,2 57,2 65,1

China 7,3 8,6 15,2 7,6 7,6 3,7 3,5 4,0

Argentina 12,2 8,6 12,3 10,4 14,6 10,0 14,5 16,5

Brasil 3,7 3,9 3,2 5,8 1,4 4,5 6,5 7,4

Subtotal 71,6 68,3 71,7 72,6 68,9 74,4 81,7 93,0

Outros 4,8 6,2 6,8 6,6 7,6 8,6 6,2 7,0

Total mundial 76,4 74,5 78,5 79,2 76,6 83,1 87,8 100,0 Fonte: Tsunechiro e Perez (2007).

Dessa forma o presente trabalho tem por objetivo contribuir com uma análise

empírica dos possíveis impactos da expansão da indústria do etanol americana no preço da



4

cultura alimentar do milho no Brasil, via estimação de um modelo vetorial de correção de

erro (VEC).

2. REVISÃO DA LITERATURA

Segundo Sachs (2007) a utilização intensiva de biomassa oferece uma

oportunidade à geração de emprego e renda, principalmente à países tropicais que possuem

vantagens tanto comparativas como competitivas. Porém a grande preocupação é se a área

destinada à produção de biocombustíveis irá provocar o aumento dos preços dos alimentos,

pois os produtores destinariam suas áreas não para a produção de alimentos, mas sim,

destinariam seus produtos à produção de biocombustíveis, que possuem preços mais

atrativos.

Analisando um contexto no âmbito internacional Silva (2008) afirma que há uma

ameaça a segurança alimentar nos países pobres, pois a produção está mais voltada a uma

nova territorialização imposta pelas empresas do agronegócio, que estão concentrando

mais a produção em grãos (soja e milho) e etanol. Produtos como trigo, leite e arroz tornar-

se-ão cada vez mais escassos e custosos para populações de baixa renda. Prova disso é o

crescimento dos preços do leite que atingiu alta de 70% em 2007 e do feijão que

inflacionou em mais de 200%.

Porém essa visão é muito cética, principalmente no que tange aos

biocombustíveis, segundo Abramovay e Magalhães (2007) o atual padrão ambiental,

energético e social em que se apóia grande parte da produção de biocombustíveis no

mundo pode ser substituído por modalidade de bases sociais, sendo a agricultura familiar

um dos principais meios de se realizar esse processo de substituição.

Hernández (2008), em uma análise para o Brasil, afirma que a produção de

biocombustíveis só seria danosa caso ocorresse uma queda nas safras ao longo dos anos,

porém, no caso brasileiro acontece o contrário.

Já Westcott (2007), indica que para os EUA o problema é mais complicado, tendo

em vista que existem poucas áreas livres para a expansão da agricultura no país, e esse

fator poderia vir a ser um dos responsáveis pelo aumento dos preços dos alimentos.



5

Elobeid e Tokgoz (2006) estudaram os impactos de longo prazo da produção de

etanol a base de milho, e verificaram que os impactos positivos no aumento do emprego e

na renda para os produtores de milho e para a indústria de etanol vêem acompanhado de

impactos negativos relacionados a elevação de preços de alimentos e de matérias-primas

que utilizam o milho. Semelhante a essa conclusão, porém para outro produto, Silva e

Almeida (2006) analisaram a trajetória entre o preço do etanol e do açúcar no mercado

internacional, baseando-se na seguinte teoria: como o etanol é substituto direto da gasolina

a elevação do preço do petróleo pode acarretar um aumento do preço do etanol, que por

conseqüência pode elevar o perco da matéria-prima para a sua construção (nesse caso a

cana de açúcar).

O resultado final seria um incentivo dos produtores a substituir a produção de

açúcar por álcool. O resultado do estudo de Silva e Almeida (2006) aponta para uma forte

ligação entre os mercados do açúcar e petróleo.

Tokgoz e Elobeid (2006) também analisam o impacto do choque de preços em

três mercados relacionados ao etanol: gasolina, milho e açúcar. Sua análise trabalha, a

partir de uma relação de oferta e demanda, os impactos em cada mercado, tanto americano

como no brasileiro. Sua análise conclui que a composição da frota de veículos determina a

mudança do consumo do etanol no preço da gasolina. Outro resultado importante é que a

mudança nos custos dos insumos afeta a rentabilidade dos produtores de etanol e o preço

doméstico do biocombustível.

A grande questão que fica é se o a expansão da produção de etanol americano,

com fins de suprir a sua crescente demanda, pode ser feita sem prejuízo a produção de

milho no mercado brasileiro. Um elemento chave neste panorama de mercado se refere ao

comportamento dos preços de milho e do etanol a base de milho, o Gráfico 1 mostra a

evolução do preço, em logaritmo, das duas commodities analisadas, o que se percebe é que

as duas séries de preços não são muito correlacionadas.



6

Gráfico 1: Evolução do logaritmo do preço do etanol de milho (Barril) e do preço do milho (saca de 60Kg) – Junho de 1994 a junho de 2009. Fonte: Agrianual e Nebraska Energy Statistics

3. DADOS UTILIZADOS

Para este trabalho, a relação entre os mercados de etanol de milho dos EUA e do

milho no Brasil e no mercado internacional, foi associada os seus preços. Como proxy para

o preço do etanol americano foi utilizada a série de preços do Nebraska Energy Estatístic -

NEE1, a mesma foi deflacionada pelo índice de preços ao consumidor (IPC) americano,

obtido no FGV-Dados2. Outras séries de preços utilizadas foram o preço do petróleo

(cotação internacional do barril), a cotação internacional do milho (ton.) nos EUA, que

estão disponíveis no IPEADATA3, para a série de preços de milho no Brasil foi utilizado

os dados da Agrianual 2000-20104. No caso da série da cotação internacional de milho e da

cotação internacional do petróleo foram atualizados pelo IPC Americano, já a série de

1 Nee (2010). Disponível em: http://www.neo.ne.gov/statshtml/146.htm 2 Fgvdados (2010). Disponível em: http://www.fgvdados.br/ 3 Ipeadata (2010). Disponível em: http://www.ipeadata.gov.br 4 Para a composição do preço do milho, foi utilizada a média de preço da saca de 60Kg para os principais mercados produtores no Brasil, nesse caso São Paulo; Paraná; Goiás e Rio Grande do Sul.



7

preços do milho no Brasil foi atualizada pelo IGP-DI, todos os valores têm como período

base o mês de janeiro de 2000. Os dados têm periodicidade mensal e cobrem o período de

junho de 1994 a junho de 2009. Todas as séries de preços foram expressas em dólar e

transformadas em logaritmos, de forma que os coeficientes encontrados expressem a

elasticidade de transmissão de preços.

4. METODOLOGIA

A análise de transmissão de preços entre os mercados de etanol e milho foi

realizada a partir da análise de co-integração utilizando o procedimento de Johansen (1988)

para co-integração. Esse processo é mais adequado quando se faz uso de variáveis não-

estacionárias, que inviabiliza o uso do MQO no estabelecimento de relações entre as

variáveis. Outro aspecto importante recai sobe a estimação de modelos VAR e VEC, onde

um dos principais objetivos é analisar os efeitos de inovações individuais sobre a dinâmica

do sistema, implicando em ajustes na matriz de variância-covariância dos resíduos.

4.1. Testes de co-integração

Um dos primeiros passos para a decisão de estimativa sobre um modelo VAR ou

VEC, e para a análise de co-integração seria verificar a ordem de integração das variáveis

de interesse, assim tem-se a necessidade de verificar a existência de raízes unitárias nas

séries de preços, tendo o cuidado de averiguar se a ordem de integração é idêntica para

todas as variáveis.

No caso deste trabalho optou-se pelo uso do teste ADF, que segundo Enders

(1995) pode ser obtido a partir dos seguintes modelos:

(1)

(2)

(3)

Onde (1) é o teste sem a constante, (2) é o teste considerando a constante e (3)

corresponde ao teste considerando constante e tendência, onde a hipótese é feita sobre o

coeficiente .



8

4.2. Os Modelos de Vetor Auto Regressivo (VAR) e de Correção de Erro (VEC) e Co-

integração.

O VAR consiste em um sistema de equações, em que cada variável que compõe o

sistema é função dos valores das demais variáveis no presente, dos seus valores e dos

valores das demais variáveis defasadas no tempo, mais o termo de erro. As equações de um

modelo VAR podem conter também segundo Enders (1995) tendências determinísticas e

variáveis exógenas. Segundo Bueno (2008), o modelo auto-regressivo de ordem p, pode

ser representado por um vetor com n variáveis endógenas, :

(4)

Onde:

A = é uma matriz n x n que define as restrições contemporâneas entre as variáveis

que constituem o vetor n x 1, , além de estabelecer as interconexões entre as variáveis.

= é um vetor de constantes n x 1;

= são matrizes de coeficientes n x n;

B = é uma matriz diagonal n x n de desvios-padrão;

= é um vetor n x 1 de perturbações aleatórias não correlacionadas entre si

contemporânea ou temporalmente, ou seja,

Porém devido a endogeneidade das variáveis, o modelo (4) é normalmente

estimado na sua foram reduzida,

(5)

Agora considerando que as variáveis Z seguem um processo estocástico I(1), o

VAR pode ser estimado por primeira diferença como:

(6)

Essa especificação captura apenas a relação de curto prazo entre as séries.

Segundo Lütkepohl e Krätzig (2004), a diferença entre (6) e o vetor de correção de erro

(VEC) é a presença do termo de correção de erros, que deverá ser incluído apenas se

houver uma relação de equilíbrio de longo prazo entre as séries. O termo de correção de



9

erros informa sobre os desvios das séries em relação ao equilíbrio de longo prazo e pode

ser escrito como um vetor das variáveis em nível defasadas em um período, isto é:

(7)

Onde o posto da matriz n x n Π=αβ’ corresponde ao número de equações de co-

integração5. Assim, cada linha da matriz representa um vetor de co-integração de Z.

Isolando o termo de correção de erro tem-se:

Com isso, temos a combinação linear do lado direito estacionária. Logo, o termo

de correção de erro será diferente de zero e se somente se as variáveis forem co-integradas,

garantindo uma relação de equilíbrio de longo prazo.

Para verificar o número de equações de co-integração no modelo, Johansen (1988)

propôs um teste idêntico ao ADF, considerando um modelo AR(p):

Subtraindo em ambos os lados teremos:

Que depois de algumas manipulações originará:

(8)

Onde:

(9)

(10)

O número de equações de co-integração dependerá do rank da matriz Π. Com

efeito, o rank da matriz será igual ao número de vetores de co-integração. Ou seja, o rank

da matriz é igual ao número de raízes características (autovalores) que diferem de zero.

Segundo Lütkepohl (2007) para realizar o teste de co-integração de Johansen

pode-se utilizar dois testes específicos, o primeiro é o teste de traço , onde:

5 Os coeficientes em β representam os estimadores da relação de equilíbrio de longo prazo. Os coeficientes

em α capturam a velocidade de ajustamento do modelo à relação de equilíbrio. Portanto, o termo de erro mede os desvios temporários (de curto prazo) entre as variáveis que compõem o(s) vetor(es) de co-integração.



10

(11)

Esse teste assume como hipótese nula a existência de vetores de co-integração

contra a hipótese alternativa de r > r* vetores.

O segundo teste é o teste de máximo autovalor que testa a existência de r vetores

de co-integração contra a alternativa de existência de r+1 vetores, a estatística do teste é:

(12)

4.3. A Função Resposta Impulso (FRI) e a Decomposição da Variância no erro de

Previsão no Modelo VAR.

Uma FRI pode ser demonstrada a partir de um VAR representado por um vetor de

médias móveis (VMM), admitindo que (6) seja estacionário e um VAR(1), então a solução

particular através da interação para trás é dado por:

(13)

Considerando agora, que o modelo VAR tenha duas variáveis (y e x), e seja

expresso em forma matricial, então o modelo (13) pode ser representado na seguinte

estrutura:

(14)

A equação (14) expressa em termos de e em termos das seqüências dos

erros, mas dado o objetivo do VAR, pode-se expressa-la em termos das seqüências de

choques puros:

(15)

Operacionalizando a matriz (2 x 2), , com os seus elementos obtém-se:

(16)

Substituindo (16) em (15) e fazendo k=1,2 e j=1,2, encontra-se:

(17)

Que na forma compacta é:



11

(18)

Dessa forma os coeficientes podem ser usados para medir os efeitos dos

choques puros sobre a trajetória temporal das sequências de y e x.

A decomposição da variância segundo Bueno (2008) é uma forma de dizer que

proporção da variância do erro de previsão decorre de cada variável endógena ao longo do

horizonte de previsão. Considerando (18):

Calculando o erro de previsão tem-se:

Trabalhando apenas a variável yt+h:

(19)

Logo:

(20)

5. RESULTADOS E DISCUSSÃO

O resultado do teste de raiz unitária para as variáveis de preços encontram-se na

Tabela 36. Somente a série de preços do petróleo apresentou divergências quanto ao melhor

modelo, com intercepto e com tendência, e o modelo apenas com intercepto, nas demais

séries o melhor modelo foi o com constante e sem tendência. Em todas as séries não se

pode rejeitar a hipótese nula da presença de uma raiz unitária, portanto, pode-se concluir

que todas as séries são integradas de mesma ordem, porém a primeira diferença corrigi a

estacionariedade, portanto, as séries são I(1).

Tabela 3: Teste ADF para as séries selecionadas (em ln)

Série Modelo ADF-Nível

VC 5%

ADF-1ª diferença

VC 5%

6 Os resultados foram obtidos através do pacote econométrico Eviews 5.0



12

LPMI Com const. e sem tend. -2.12 -2.88 -9.88 -2.88

LPMB Com const. e sem tend. -1,87 -2.88 -10,19 -2.88

LPP Com const. e sem tend. -1.27 -2.88 -10.15 -2.88

Com const. e com tend. -2.92 -3.43 -10.12 -3.43

LPE Com const. e sem tend. -2.50 -2.88 -11.04 -2.88

Fonte: Elaboração dos autores. Nota: LPMB - série do ln dos preços da saca de milho (60Kg) para os principais estados produtores no Brasil (US$); LPE – série do ln dos preços de etanol (barril) nos EUA (US$); LPMI – ln dos preços do milho (cotação internacional); LPP – ln da cotação internacional do preço do barril de petróleo.

Tradicionalmente, antes de estimar o vetor de correção de erro é necessário adotar

algum critério para selecionar o número de defasagens que será considerado no modelo,

para isso foi estimado um modelo VAR, e foi utilizado o teste para escolha do número de

lag, no teste baseou-se nos critérios de Akaike (AIC), Schwartz e Hannan-Quinn (HQ), a

Tabela 4 apresenta as estatísticas para os três critérios além do Erro final de predição

(FPE), a estatística seqüencial modificada de Lagrange (LR).

Tabela 4: Teste para a escolha do número de defasagens (lags) – VAR lag order

selection critéria Lag LogL LR FPE AIC SC HQ

0 -113.014 NA 0.000 1.353 1.426 1.382

1 792.267 1758.234 0.000 -8.928 -8.563 -8.780

2 835.127 81.261 1.14e-

09* -9.238* -8.582* -8.972*

3 845.850 19.833 0.000 -9.177 -8.230 -8.793

4 859.967 25.460 0.000 -9.156 -7.916 -8.653

5 871.511 20.286 0.000 -9.104 -7.573 -8.483

Fonte: Elaboração dos autores. Em todo os critérios o melhor modelo VAR seria o com dois lags de defasagem,

portanto o modelo VEC deve ter apenas um lag.

Antes de tomar a primeira diferença das séries e estimar um vetor auto-regressivo

(VAR), foi feito um teste de co-integração para verificar se as variáveis apresentaram uma

relação de equilíbrio de longo prazo. Os testes do traço e do máximo auto-valor,

apresentados na Tabela 5, indicam a existência de apenas um vetor de co-integração

Tabela 5: Teste de Co-integração de Johansen



13

Estatística do Traço Hipóteses Testada Autovalores

Estatística do Traço VC

Nº de CE αααα%%%%5555====

Nenhuma * 0.1586 48,75 47.2100

No máximo 1 0.056 17,84 29.6800

Estatística do Máximo Autovalor

Nenhuma * 0.1586 30,91 27.0700

No máximo 1 0.056 10,32 20.9700

Fonte: Dados da pesquisa Nota: O teste foi realizado sem tendência determinística com uma tendência

com intercepto no modelo

De acordo com o teste do traço e do máximo autovalor, é possível rejeitar a

hipótese nula de que não há equilíbrio de longo prazo entre as variáveis. O teste de

Johansen mostra que há uma equação de co-integração ao nível de significância de 5%,

pois a estatística tanto do traço como do máximo autovalor são maiores do que os valores

críticos do teste.

Com o objetivo de evitar arbitrariedade na ordenação das variáveis, utilizou-se o

teste de causalidade de Granjer (Block Exogeneity Wald Tests) para definir um

ordenamento estatisticamente consistente. Segundo Enders (1995), este teste calcula a

significância conjunta de cada variável endógena defasada para cada equação do VEC. Os

resultados são apresentados na Tabela 6.

Tabela 6: VEC Granger Causality/Block Exogeneity Wald Tests

Série de dados

Variável Dependente

LPP LPE LPMI LPMB

Chi-sq Prob Chi-sq Prob Chi-sq Prob Chi-sq Prob

LPP - - 2,79 0,09 0,33 0,57 1,53 0,22

LPE 0,13 0,72 - - 0,94 0,33 0,97 0,33

LPMI 3,14 0,08 5,98 0,01 - - 0,47 0,49

LPMB 1,88 0,17 0,03 0,85 0,76 0,38 - -

Total 4,45 0,22 9,33 0,03 2,69 0,44 4,18 0,24 Fonte: Dados da pesquisa



14

A partir da estatística Qui-Quadrado ordena-se as variáveis das mais exógenas

(menores valores da estatística) para as mais endógenas. De acordo com este critério, a

ordenação correta é ln do preço do milho no mercado internacional, ln do preço do milho

no Brasil, ln do preço do petróleo e ln do preço do etanol de milho. Esse resultado de

ordenação está coerente com a teoria de que o preço do etanol afeta o preço do milho no

mercado internacional.

De acordo com a Tabela 7 é possível verificar que os coeficiente de todas as

variáveis dos preços foram significativos a 1%. Enquanto que o preço do milho no Brasil e

o preço do etanol de milho afetam positivamente o preço do milho no mercado

intenacional, o preço do petróleo afeta o preço do milho de forma negativa. Essas

informações podem ser encontradas na seguinte equação de co-integração, que representa a

relação de equilíbrio de longo prazo e pode ser escrita como:

LPMI= -36,69+ 1,9664LPMB -4,27LPP +10,05LPE

Os resultados de alguns coeficientes das defasagens chamam a atenção, verifica-se

que um aumento de 1% no preço do petróleo causa um aumento de 0,13% no preço do

etanol de milho em t-1, esse é um tipo de resultado esperado, haja vista que o preço do

petróleo quando encarece faz com que os consumidores passem a demandar maior

quantidade de etanol, resultando em aumento do preço do produto. Pelo resultado percebe-

se que o preço do petróleo defasado em um período repercutiu de forma positiva em seu

próprio preço.

Por sua vez o preço do milho no mercado internacional causas impactos positivos

nele mesmo e no preço do etanol de milho. Caso o preço do milho no mercado

internacional aumente em 1%, o preço do etanol aumentará em 0,24%, o que é uma relação

esperada. O mesmo aumento de 1% provocará também um amento de 0,18% no preço do

petróleo.

Tabela 7: Estimativas do Vetor de Correção de erros

Equação de Co-integração Termo de Correção

de erro D(LPMI) D(LPMB) D(LPP) D(LPE)

LPMI(-1) 1.0000 CointEq1 -0.0043 -0.0095** -0.0049 -0.0230***



15

-0.0033 -0.0048 -0.0047 -0.0044

LPMB(-1) 1.9664*** [-1.32354] [-1.97261] [-1.05663] [-5.23461]

-0.63266 D(LPMI(-1)) 0.3050*** 0.0731 0.1819* 0.2368***

[ 3.10819] -0.0718 -0.1065 -0.1027 -0.0969

[ 4.24596] [ 0.68608] [ 1.77191] [ 2.44462]

LPP(-1) -4.2707*** D(LPMB(-1)) -0.0425 0.2523*** -0.0959 0.0122

-0.90512 -0.0490 -0.0726 -0.0699 -0.0660

[-4.71841] [-0.86893] [ 3.47613] [-1.37108] [ 0.18556]

D(LPP(-1)) -0.0318 -0.1021 0.2456*** 0.1255*

LPE(-1) 10.046*** -0.0557 -0.0825 -0.0795 -0.0750

-1.78599 [-0.57205] [-1.23723] [ 3.08873] [ 1.67228]

[ 5.62462] D(LPE(-1)) -0.0514 -0.0775 -0.0273 0.3277***

-0.0531 -0.0788 -0.0759 -0.0716

C -36.68849 [-0.96840] [-0.98407] [-0.35959] [ 4.57521]

C 0.0013 0.0015 0.0043 -0.0008

-0.0043 -0.0064 -0.0061 -0.0058

[ 0.29117] [ 0.22998] [ 0.69584] [-0.12999] Fonte: Dados da pesquisa Nota: os valores em [ ] representam as estatísticas t; *** significância de 1%, **5% e *10%*

Para os preços do milho no Brasil e do Etanol de milho observou-se impactos

positivos apenas neles mesmos, enquanto que para os outros preços essa relação não

mostrou-se significativa.

O próximo passo consiste em analisar o efeito dinâmico de curto prazo que as

variável preço do etanol exerce sobre os demais preços analisados, o Gráfico 2 traz o

comportamento das funções de impulso e resposta para um período de 36 meses. As

funções abaixo ilustram os coeficientes do VEC e mostram qual a resposta da variável

dependente a um choque de um desvio padrão no preço do petróleo sobre os preço do

petróleo, o preço do milho tanto no mercado internacional como no Brasil.

Observa-se que choques no preço do milho nos primeiros meses são transferidos

para o preço do etanol. Inicialmente tem um efeito crescente até o primeiro período,

decaindo até o oitavo período e estabilizando-se no patamar de preço inicial. O preço do

petróleo impacta de forma diferente, cresce até o segundo período e estabiliza em um

patamar acima do inicial. Já o preço do milho brasileiro impacta negativamente o preço do



16

etanol, inicialmente tem um efeito decrescente e negativo até o período oito estabilizando

abaixo do período inicial.

Gráfico 2: Função de resposta a variações no preço do petróleo, preço do milho no mercado internacional e preço do milho no mercado nacional no preço do Etanol. Fonte: Dados da pesquisa.

As funções impulso-resposta nos preços do milho no mercado internacional e no

Brasil possuem comportamentos semelhantes para choques no preço do etanol e do

petróleo (Gráfico 3). Impactos tanto no preço do petróleo como no preço do etanol acabam

influenciando negativamente no preço do milho. Inicialmente o efeito e decrescente e

negativo e estabilizam no período oito, ficando em um patamar abaixo do preço inicial.



17

Gráfico 3: Função de resposta a variações no preço do petróleo, preço do milho no mercado internacional e preço do etanol a nos preços do milho no mercado internacional e nacional. Fonte: Elaboração dos autores.

Outra importante ferramenta para verificar o comportamento de choques que o

preço do etanol provoca sobre os demais preços é verificar a decomposição de sua

variância, esses resultados podem ser observados no Gráfico 4.

A decomposição da variância dos erros de previsão é uma ferramenta útil por

mostrar a evolução do comportamento dinâmico apresentado pelas variáveis em

consideração n períodos à frente. Grande parte da variância explicada (mais de 50%) se

devem a própria variável explicada. Nesse caso a primeira parte do Gráfico 4 mostra

quanto da variância do preço do milho internacional é explicada por ele mesmo e pelos

demais preços. Praticamente o comportamento do preço do milho internacional é explicado

por suas próprias variações, a partir do 6º período parte da variação do preço do milho

internacional passa a ser explicada pelo preço do etanol.



18

Gráfico 4: Resultado da decomposição da variância dos erros de previsão, considerando o ordenamento de Cholesky para os períodos 1, 6, 12, 24 e 36.

Fonte: Dados da pesquisa.

Um importante aspecto do Gráfico 4 é a participação na composição da variância

do preço do etanol. Entre os quatro preços analisados, depois da explicação das próprias

variáveis, o preço do etanol é quem mais explica a decomposição da variância dos outros

preços. Para o preço do milho internacional, a partir do 6º período o preço do etanol

explica cerca de 13% da decomposição da variância dos erros de previsão para o milho

internacional. Para o preço do milho no Brasil o preço do etanol explica em torno de 22% a

partir do 6 período, e essa explicação mantém-se até o 36º período. Para o preço do

petróleo em torno de 15% são explicados pelo preço do etanol.

Já para o preço do etanol, na composição de sua variância, somente no primeiro

período ele é explicado pelo seu próprio preço em uma composição maior, a partir do 6º



19

período essa participação na decomposição diminui, no 36º período ela é praticamente

zero. Depois de 36 períodos, a maior parte da composição da variância do preço do etanol

é explicada pelo preço do milho no Brasil (38,33%) e pelo preço do petróleo (59,06%).

6. Conclusão

Este estudo vislumbra um esforço em tentar compreender as relações que se

estabelecem entre o mercado de biocombustíveis e de alimentos. Os resultados indicam

que os preços do petróleo, do etanol e do milho tanto no mercado internacional como no

Brasil são co-integrados, ou seja, existe uma relação de equilíbrio de longo prazo. Essas

relações evidenciam que as variações do preço do etanol são transmitidas em uma maior

parcela para o preço do petróleo, bem como existe uma relação de transmissão para o

milho no mercado internacional e brasileiro.

Os resultados também evidenciam, através da função impulso resposta, que o

preço do milho no mercado internacional reage de forma contrária ao preço do milho no

mercado brasileiro, isso fortalece a hipótese de que os biocombustíveis contribuem para o

aumento dos preços dos alimentos nos mercados menos desenvolvidos, pois estes passam a

ser preocupar em direcionar a sua oferta de produto para a produção de biocombustíveis,

devido o etanol exercer elevações dos preços nos outros mercados.

Evidente que este estudo apresenta limitações, pois foi utilizado apenas o preço

do etanol e do milho como parâmetros para o impacto dos biocombustíveis nos alimentos.

É necessário analisar também outras fontes de biocombustíveis alternativos, como a soja,

por exemplo, e comparar o comportamento desse produto nas demais culturas e mercados.

7. Referências Bibliográficas

ABRAMOVAY, R.; MAGALHÃES, R. O Acesso dos Agricultores Familiares ao Mercado de Biodíesel: Parceria entre Grandes Empresas e Movimetos Sociais. São Paulo:: FIPE, n.Texto para Discussão 6, 2007. BUENO, R. D. L. D. S. Econometria de Séries Temporais. 1. ed. São Paulo: CENGAGE Learning, 2008.



20

ELOBEID, A.; TOKGOZ, S. Removal of U.S. Ethanol Domestic and Trade Distortions: Impact on U.S. and Brazilian Ethanol Markets. Iowa State University, Center for Agricultural and Rural Development, n.Working Paper 06-WP 427, 2006. ______. Removing Distortion in the U.S. Ethanol Market: What Does it Imply for the United States and Brazil? AJAE, v. 90, n. 4, p. 918-932, November 2008. ELOBEID, A. et al. The Long-Run Impact of Corn-Based Ethanol on the Grain, Oilseed, and Livestock Sectors: A Preliminary Assessment. Iowa State University, Center for Agricultural and Rural Development, n.CARD Briefing Paper 06-BP 49, 2006. ENDERS, W. Applied Econometric Time Series. 1. ed. New York: John Wiley & Sons, 1995. FAPRI. U.S. and World Agricultural Outlook. Food and Agricultural Policy Research Institute. v. Janeiro. n. Novembro de 20082007. FGVDADOS. FGVDADOS. n. Março de 20102010. HERNÁNDEZ, D. I. M. Efeitos da produção de etanol e biodiesel sobre a produção agropecuária do Brasil. (2008). 176 f. (Dissertação) - Faculdade de Agronomia e Medicina Veterinária, UNB, Brasília, 2008. IPEADATA. Instituto de Pesquisas Econômicas Aplicadas. n. Março de 20102010. JOHANSEN, S. Statistical Analysis of Cointegration Vectors. Journal of Economic Dynamics and Control, v. 12, p. 231-54, Jun/Set 1988. LÜTKEPOHL, H. New Introduction to Multiple Time Series Analysis. 2. ed. New York: Springer, 2007. LÜTKEPOHL, H.; KRÄTZIG, M. Applied Time Series Econometrics. 1. ed. New York: Cambridge University Press, 2004. MOTAAL, D. A. The Biofuels Landscape: Is There a Role for the WTO? World Trade, v. 42, n. 1, p. 61-86, 2008. NEE. - Nebraska Energy Estatistic. n. Março de 20102010. SACHS, I. Os biocombustíveis estão chegando à maturidade. Democracia Viva, n. 29, p. 26-31, Out/Dez 2005. ______. A revolução energética do século XXI. Estudos Avançados, v. 21, n. 59, p. 21-38, jan./abr 2007.



21

SILVA, C. M. S.; ALMEIDA, E. L. F. Formação de um mercado internacional de etanol e suas inter-relações com os mercados de petróleo e açúcar. CBE, 2006. Disponível em:<http://www.gee.ie.ufrj.br/publicacoes/artigosgee/index.php>. Acesso em: Dezembro de 2008. SILVA, M. A. M. Produção de Alimentos e Agrocumbustíveis no Contexto da Nova Divisão Mundial do Trabalho. Revista Pegada, v. 9, n. 1, p. 63-80, Outubro 2008. SPOLADOR, H. F. S.; FREITAS, R. E. Termos de Troca para o Milho na Agricultura Brasileira. Rio de Janeiro:: IPEA, Texto para Discussão n.1279, 2007. TOKGOZ, S.; ELOBEID, A. An Analysis of the Link between Ethanol, Energy, and Crop Markets. Iowa State University, Center for Agricultural and Rural Development, n.Working Paper 06-WP 435, 2006. TSUNECHIRO, A.; PEREZ, L. H. Avanço do Etanol nos Estados Unidos torna o Brasil Terceiro Maior Exportador Mundial de Milho Análises e Indicadores do Agronegócio, v. 2, n. 5, p.1-5, 2007. Disponível em:<http://www.iea.sp.gov.br/out/verTexto.php?codTexto=8942>. Acesso em: Novembro de 2008. VON LAMPE, M. Agricultural Market Impacts of Future Growth in the Production of Biofuels. Working Paper on Agricultural Policies and Markets, Directorate for Food, Agriculture and Fisheries, Committee on Agriculture, Organization for Economic Cooperation and Development (OECD). 2006. Disponível em:<http://www.oecd.org/dataoecd/58/62/36074135.pdf>. Acesso em: Novembro 2008. WESTCOTT, P. C. U.S. Ethanol Expansion Driving Changes Throughout the Agricultural Sector. v. Setembro2007.

relações de co-integração entre preço dos biocombustíveis e

Documents