Eficiência dos Custos Operacionais das Empresas de

Eficiência dos Custos Operacionais das Empresas de Distribuição de Energia
Elétrica no Brasil
Robinson Semolini (IE-UNICAMP); Rosangela Ballini (IE-UNICAMP)
1. Contexto
Dada a característica de monopólio natural da atividade de distribuição de energia, no Brasil
esse segmento tem suas atividades reguladas pela Agência Nacional de Energia Elétrica (ANEEL),
que procura estabelecer uma série de incentivos em direção à eficiência econômica do setor. O
regime econômico-financeiro adotado pela ANEEL para a regulação por incentivos é o Price Cap,
em que as tarifas máximas do serviço público de energia elétrica são fixadas, estimulando as
distribuidoras a reduzirem seus custos e se tornarem mais eficientes.
No regime de preços máximos, as tarifas de fornecimento de energia são revisadas de acordo
com o cronograma de Revisão Tarifária Periódica de cada empresa. Neste processo merece
destaque a definição dos custos operacionais regulatórios da distribuidora, que será repassado para
as tarifas dos consumidores finais. Caso a distribuidora tenha seus custos operacionais acima dos
custos operacionais regulatórios, ela não terá o excedente repassado para as tarifas, e com isto, não
haverá uma receita compatível com os seus gastos.
Os custos operacionais são referentes a aproximadamente 60% da receita gerenciável da
empresa, e envolvem as despesas relacionadas com as atividades de operação e manutenção,
atividades comerciais e administrativas. Contabilmente, as maiores parcelas são o custo com
pessoal e os serviços de terceiros, respectivamente 49% e 41% do total. A experiência internacional
demonstra que, uma vez introduzidos mecanismos de incentivo à sua redução, os custos
operacionais oferecem grande oportunidade para ganhos de produtividade, tornando-se foco sobre
mecanismos regulatórios de incentivo (JAMASB & POLLITT, 2001) e, conforme exposto por
HANEY & POLLITT (2009), metodologias de benchmarking são utilizadas pelos reguladores para
mensurar a eficiência destes custos.
Em 2011, a ANEEL implementou para o 3º. Ciclo de Revisões Tarifárias Periódicas
(3CRTP) das Distribuidoras de Energia Elétrica, metodologia de benchmarking para o cálculo de
custos operacionais regulatórios (ANEEL, 2011) para cada uma das distribuidoras, em substituição
ao Modelo de Empresa de Referência, que vigorava no Brasil desde 2003. A metodologia é baseada
em modelos de fronteira de eficiência: Análise Envoltória de Dados (DEA); e Mínimos Quadrados
Corrigidos (COLS). A abordagem aplica benchmarking nos custos operacionais, OPEX, o insumo,
a partir de três produtos: extensão de redes de distribuição, quantidade de clientes e mercado de
energia. Divide, a priori, as distribuidoras em 2 grupos - grandes e pequenas empresas, e a partir da
média de eficiência dos modelos DEA e COLS, aplica-se um segundo estágio para corrigir a
eficiência média, considerando a inclusão de variáveis ambientais1 com o objetivo de capturar as
heterogeneidades entre as áreas de concessão das distribuidoras.
No âmbito das contribuições da Audiência Pública ANEEL nº 040/2010, houve críticas para
a metodologia de benchmarking, das quais se destacam: (i) utilização da média da eficiência obtida
por meio de duas metodologias distintas; (ii) divisão a priori das distribuidoras em 2 grupos de
acordo com o porte de seu mercado, de forma arbitrária; (iii) não utilização de Modelos de Fronteira
Estocástica – SFA (AIGNER, LOVELL & SCHMIDT, 1977; MEEUSEN & BROECK, 1977); (iv)
aplicação da base de dados em painel na forma de dados empilhados2; (v) escolha do OPEX como
insumo; (vi) não inserção da questão da qualidade do fornecimento de energia; e (vii) conjunto
incompleto de variáveis ambientais e a forma inadequada de inseri-las no modelo.
1.1. Objetivo
A partir dos problemas identificados na metodologia de benchmarking da ANEEL e,
fundamentado em estudo das práticas regulatórias internacionais na aplicação de benchmarking
para regular os custos operacionais de distribuidoras, os objetivos deste trabalho são: (i) propor uma
metodologia de benchmarking para a regulação dos custos operacionais das distribuidoras de
energia no Brasil; e (ii) compor uma proposta de implementação do modelo de benchmarking, em
termos de aumentar o incentivo na busca da eficiência dos custos operacionais, mantendo o
equilíbrio dos investimentos das distribuidoras.
2. Metodologia
Por meio da atualização de estudos entre os principais reguladores de diversos países,
realizados por JAMASB & POLLITT (2001), PLAGNET (2006), HANEY & POLLITT (2009),
FRONTIER ECONOMICS (2010) e NORDREG (2011), foram atualizadas as melhores práticas
internacionais na aplicação de análise de eficiência através de modelos de benchmarking para
regular os custos operacionais das distribuidoras de energia, elencadas a seguir: (i) utilização de
método top-down baseado em análise de fronteira de eficiência (SFA, DEA ou COLS) - quando da
presença de quantidade de dados suficientes, a preferência é por SFA; (ii) dados na forma de painel
observados ao longo do tempo; (iii) TOTEX (OPEX+CAPEX) como insumo; (iv) produtos:
mercado de energia, quantidade de clientes e extensão de rede; (v) inclusão de variáveis ambientais;
e (vi) inclusão da qualidade do serviço de distribuição como insumo. Partindo destas práticas e,
considerando as críticas ao modelo da ANEEL, este trabalho propõe a seguinte metodologia para
calcular a eficiência dos custos operacionais para as distribuidoras brasileiras, conforme Figura 1:
1
Denominação dada as variáveis que capturaram as heterogeneidades entre as firmas.
Dados empilhados, em inglês Pooled time series, referem-se ao mesma indivíduo (firma) sendo observado ao longo do tempo,
sendo estas observações assumidas independentes.
2
Distribuidoras
Tratamento da
Heterogeneidade
sob a Forma de
Gestão
Grupo 2
Modelo SFA:
- Insumos:
TOTEX + Qualidade
- Produtos:
Mercado, Clientes e
Rede
- Variáveis
Ambientais
Grupo 3
Modelo
G.2
Modelo
G.3
Implementação
Modelo
G.1
Grupo 1
Figura 1: Metodologia Proposta para o Benchmarking dos Custos Operacionais
A seguir serão apresentadas as premissas adotadas para esta proposição.
2.1. Homogeneidade Tecnológica
Adequação da solução ao pressuposto de homogeneidade tecnológica, ou seja, as firmas
operam com a mesma tecnologia de produção, pertencendo à mesma fronteira tecnológica (FÄRE
& LOVELL, 1978; RUSSELL, 1985). Os custos operacionais são fortemente dependentes da gestão
da empresa e podem ser reduzidos em função de avanços nas técnicas de gestão administrativa
(JAMASB & POLLITT, 2001). No Brasil há, principalmente, duas dimensões de análise de grandes
fontes de heterogeneidade nesta questão, que provocam diferenças significativas em produtividade e
eficiência: empresas públicas e privadas e, empresas pertencentes a holdings.
Os estudos de JOSKOW (2008) para a Grã-Bretanha, HOUGAARD (1994) para a
Dinamarca e KUMBHAKAR & HJALMARSSON (1998) para a Suécia, mostraram empiricamente
que as distribuidoras de energia privadas são relativamente mais eficientes do que as públicas.
Em estudo para OFGEM (regulador da Grã-Bretanha), CEPA (2003) mostra empiricamente,
que distribuidoras britânicas que se fundiram em grupo (holdings) usam deste artifício para “jogar”
contra o regulador por meio da atribuição de componentes dos custos entre suas empresas da
maneira que mais lhes convém. Desta forma, a não distinção deste tipo de características das
empresas pode resultar em tratamento de empresas independentes de forma severa e empresas
integradas de forma leniente.
A partir dos dados de 59 distribuidoras observadas em um painel ao longo de 7 anos, 2003 a
2009, provenientes de ANEEL (2011), as distribuidoras foram agrupadas em 3 clusters homogêneos
em relação a forma de gestão e propriedade, da seguinte forma:
1. Pública: Empresas de distribuição Públicas: Federais, Estaduais ou Municipais;
2. Privada Independente: Empresas Privadas não pertencentes a nenhuma holding que
contenha mais do que uma empresa de distribuição operando no Brasil;
3. Privada Holding: Empresas Privadas pertencentes a holding com mais do que uma empresa
privada de distribuição operando no Brasil.
A Tabela 1 apresenta as estatísticas descritivas de cada um dos 3 clusters. Os valores da
Eficiência3, Produtividade4, DEC5 e FEC6, são as médias dentro de cada cluster.
Tabela 1: Análise descritiva dos três Clusters de Distribuidoras
Cluster
Qtd. Distribuidoras
Eficiência
Produtividade
DEC
FEC
Pública
14
0,330
0,991
21,6
17,9
Privada Independente
13
0,425
1,048
11,0
11,5
Privada Holding
32
0,507
1,074
17,0
11,9
59(*)
0,447
1,048
16,7
13,2
Média Ponderada
(*) Refere à Quantidade Total de Distribuidoras
Aplicando o teste estatístico não paramétrico Kruskal-Wallis para a verificação da hipótese
nula de igualdade das funções de distribuição da Eficiência e Produtividade, obtém-se como
resultado, ao nível de significância menor do que 1%, que há diferenças no comportamento da
Eficiência e Produtividade entre os 3 clusters construídos, validando assim a estratégia adotada de
criação de clusters homogêneos em relação a forma de gestão, ou seja, mesma fronteira tecnológica.
Ao analisar os indicadores de qualidade, DEC e FEC, na Tabela 1, observa-se que nas
empresas públicas estes dois indicadores são significativamente maiores do que nos outros dois
clusters de empresas privadas, evidenciando empiricamente que na gestão pública, em comparação
com a privada, há um “descaso” com a qualidade do fornecimento de energia.
2.2. Parametrização da Função de Custos
A eficiência de custos se define a partir da função de custos, que relaciona os mínimos
custos associados a determinadas combinações de produtos. No caso da distribuição de energia, em
que os produtos são não gerenciáveis, consideram-se fronteiras de custos orientadas aos insumos
(KUMBHAKAR & LOVELL, 2001).
Segundo GREENE (2008), “as formas funcionais Cobb-Douglas e Translog dominam
esmagadoramente as aplicações na literatura de estimação econométrica de ineficiência”. O autor
indica a utilização da Cobb-Douglas em análise de eficiência devido a ser menos impactada pelo
problema de multicolinearidade, mesmo argumento utilizado pela ANEEL para a não utilização da
Translog (ANEEL, 2011). Assim, neste trabalho será adotada a função Cobb-Douglas como a forma
algébrica da função de custos para a estimação da eficiência.
3
Calculada utilizando uma função de custos Cobb-Douglas, orientada aos insumos, estimada com a metodologia COLS, tendo como
insumo o OPEX e os produtos: mercado, cliente e extensão de rede.
4
Produtividade Total dos Fatores (PTF), medida pelo Índice Tornqvist.
5
DEC: duração média no ano das interrupções do fornecimento de energia por unidade consumidora.
6
FEC: número médio no ano de interrupções do fornecimento de energia por unidade consumidora.
Como produtos, SEMOLINI et al. (2014) estudaram o modelo de benchmarking COLS da
ANEEL utilizado no 3CRTP, evidenciando presença de forte relação linear entre os 3 produtos
(mercado, rede e clientes). Trataram o problema da multicolinearidade por meio de Análise de
Componentes Principais - ACP, resultando na construção de uma Variável de Escala Composta
(CSV). A metodologia proposta foi comparada ao modelo COLS, usado pela ANEEL, e ao método
empregado pelo regulador de gás e eletricidade da Grã-Bretanha, OFGEM, para a construção de
CSV. Os resultados empíricos obtidos evidenciam a coerência na estimação da eficiência utilizando
ACP. Desta forma, neste trabalho, o único produto utilizado será uma Componente Principal (CP)
construída a partir dos produtos mercado, cliente e rede.
Como insumo será utilizado o TOTEX, conforme preferência dos reguladores para tratar o
incentivo das distribuidoras de contabilizarem seus custos operacionais (OPEX) como
investimentos (CAPEX).
Para modelar a relação insumo-produto será aplicado o modelo paramétrico de Análise de
Fronteira Estocástica (SFA), que dentre os 2 maiores reguladores europeus, a Noruega a utiliza e a
Grã-Bretanha a recomenda como melhor método a ser utilizado, quando da presença de quantidade
de dados suficientes, como é o caso do Brasil.
A premissa da evolução da ineficiência ao longo do tempo, necessária para a escolha da
especificação do modelo SFA, será verificada a partir da seguinte função (COELLI et al., 2005):
= ´ + (1)
em que t mede a tendência no tempo, a elasticidade do tempo em relação ao custo (TOTEX) e CP
a Componente Principal - o produto. Desta maneira, a elasticidade do tempo em relação ao TOTEX,
para os clusters das distribuidoras, é apresentada na Tabela 2.
Tabela 2: Estimação da elasticidade do Tempo em relação ao TOTEX
Cluster (1)
Cluster (2)
Cluster (3)
Públicas
Privada Indep.
Pri. Holding
Coef.
p-value
Coef.
p-value
Coef.
p-value
Intercepto
19,3
<0,0001
16,9
<0,0001
19,2
<0,0001
CP
θ
1,008
<0,0001
1,15
<0,0001
0,85
<0,0001
-0,0035
0,66
-0,006
0,56
-0,031
<0,0001
Pela Tabela 2, nota-se que o coeficiente é não significativo a 5% para os clusters 1 e 2, pvalue respectivamente 0,66 e 0,56. A elasticidade deve ser considerada estatisticamente igual a 0.
Para o cluster 3, a elasticidade foi estimada em -0,031, ou seja, conforme o tempo evolui a
ineficiência decresce, e com isto a eficiência melhora.
Desta forma, conclui-se que para os clusters 1 e 2 deverão ser aplicados modelos adequados
para o caso de ineficiência invariante no tempo e, dado que o interesse da análise pelo regulador
está na medição da eficiência para o último ano, será aplicado para estes clusters modelo SFA
trabalhando com os dados da forma de cross-section.
Para o cluster 3, deverá será aplicado modelo para o caso da ineficiência variando no tempo,
tratado os dados na forma de um painel. Baseado no teste estatístico de Hausman, em que a hipótese
nula assume que os coeficientes do efeito aleatório são consistentes, ausência de correlação entre os
efeitos e os regressores, a decisão foi tratar as heterogeneidades não observadas das unidades
individuais como efeitos aleatórios. A partir deste resultado, foi utilizado para o cluster 3 o modelo
desenvolvido por GREENE (2004; 2005), SFA com Verdadeiros Efeitos Aleatórios, que separa o
impacto das características próprias de cada distribuidora, que determinam a heterogeneidade, da
ineficiência que varia no tempo.
2.3. Heterogeneidade Ambiental
De acordo com CHARNES, COOPER & RHODES (1978), o primeiro passo de um
procedimento de benchmarking é “identificar um conjunto de firmas comparáveis”. Assim é
necessário incluir as variáveis ambientais (características geográficas, condições climáticas,
socioeconômicas e características técnicas) nos modelos, de forma a considerar a heterogeneidade
entre as áreas de concessões das distribuidoras, e evitar que este fator seja incorretamente atribuído
à ineficiência. Dado que a fonte de heterogeneidade devido a forma de gestão e propriedade já foi
tratada pela criação dos 3 clusters, a estratégia para tratar as demais heterogeneidades entre as
distribuidoras será por meio da inserção das variáveis ambientais diretamente no modelo SFA, em
um único passo na modelagem da função de custos, por meio da parametrização da média da
distribuição Normal Truncada da ineficiência (STEVENSON, 1980).
2.4. Inclusão da Qualidade do Fornecimento de Energia
A justificativa para adicionar aos custos operacionais os indicadores relativos à qualidade, é
devido ao tratamento do trade-off entre Qualidade, OPEX e CAPEX, ou seja, à possibilidade de que
parte da ineficiência atribuída a uma determinada distribuidora seja fruto de um dispêndio adicional
com a manutenção de um elevado padrão de qualidade, e não seria coerente penalizá-la por isso. No
caso contrário, é possível que o elevado nível de eficiência dos custos de determinada distribuidora
se deva à redução excessiva de despesas com ações de manutenção na rede, a ponto de
comprometer a qualidade. Portanto, o modelo de benchmarking deve ajustar o nível de eficiência de
modo a refletir o desempenho das concessionárias nesses dois aspectos. Caso contrário, corre-se o
risco de transmitir um sinal regulatório equivocado para as distribuidoras de que deveriam reduzir
os seus custos sob qualquer condição, mesmo em detrimento da má qualidade (GROWITCH et al.,
2010; COELLI et al., 2013).
Segundo YU et al. (2009), GROWITCH et al. (2010), COELLI et al. (2013), a qualidade no
modelo de benchmarking, quando se trabalha com uma função de custos orientada aos insumos,
deve ser inserida na forma de um insumo indesejável, dado que é uma variável gerenciável pela
distribuidora e os produtos desta análise não são gerenciáveis - demanda exógena. Desta forma o
insumo qualidade do fornecimento foi inserido por meio da variável Energia não Suprida (ENS7).
Assim, temos na especificação da função de custos dois insumos: TOTEX e ENS. Para ser
possível a modelagem paramétrica desta função, será necessário trabalhar com a Função Distância
com Múltiplos Insumos (SHEPHARD, 1953; 1970), ao invés da função de custos. A função
distância orientada aos insumos, utilizando a forma funcional Cobb-Douglas, definida para o caso
de N insumos e M produtos, é especificada como:
!
= + ∑
+ ∑ ∅ (2)
com α, β e ∅ os parâmetros a serem estimados, i denotando as firmas, x os insumos e y os produtos.
Por fim, a metodologia proposta irá construir um modelo específico para cada um dos 3
clusters e na etapa final será sugerido a forma de implementação destes modelos para regular os
custos das distribuidoras de energia brasileiras.
3. Resultados
Para a construção dos modelos de benchmarking para os 3 clusters foi utilizado a base de
dados foi proveniente da Consulta Pública ANEEL 011/2013 (ANEEL, 2013), contendo dados de
59 distribuidoras observadas ao longo dos anos de 2003 a 2012. A divisão das 59 distribuidora nos
3 clusters obedeceu a condição de propriedade do ano de 2012, último ano do banco de dados. Por
isto as fusões e aquisições ocorridas após este ano não foram considerados neste estudo. Foram
testadas dezenas de variáveis ambientais e, na especificação dos modelos para cada cluster, será
mencionada apenas àquelas variáveis que foram significativas para o modelo.
3.1. Modelo Cluster (1): Públicas
O modelo estimado para este cluster, trabalhando com os dados da forma de cross-section,
será o modelo SFA-NT (STEVENSON, 1980), que consiste em introduzir heterogeneidades
observadas na média da distribuição Normal Truncada do termo da ineficiência uit a partir do vetor
de atributos " da firma i. Assim o modelo ajustado será o seguinte:
7
ENS = ”consumo médio por hora por unidade consumidora” x DEC
= + #
$%&'
()($*&'
+ + , + - + .
(3)
- ~010, 45, 6; . ~0 7 89: ;<=>?>;
+ :, %AB;>? C, 4D, E
Observa-se na formulação deste modelo que os 2 insumos, TOTEX e ENS, foram inseridos
no modelo de acordo com os conceitos da função distância orientada aos insumos, equação (2).
Desta forma, a variável ENS passa para o lado direito da equação sendo dividida pelo TOTEX.
Modelando a média da distribuição Normal Truncada têm-se 2 variáveis ambientais,
inseridas diretamente no modelo:
Densidade: Razão entre o número de clientes e a área de atuação para cada distribuidora, em
•
km2, definida por meio da envoltória de 1 km em torno da rede de Alta e Média Tensão;
%BxRenda: Percentual dos consumidores da distribuidora classificados como Baixa Renda
•
sobre o total dos consumidores Residenciais. Indicador socioeconômico que mede o grau de
renda, ou pobreza, da população da área de concessão de cada distribuidora.
As estimações8 dos coeficientes do modelo (3) são apresentadas na Tabela 3.
Tabela 3: Coeficientes estimados para o modelo SFA-NT - Cluster 1
Coeficiente Erro Padrão
Pr > |t|
Coeficiente Erro Padrão
Pr > |t|
Componete Deterministico da Fronteira Estocástica
Parâmetros da média da distribuição da erro (u )
intercepto
16,697
0,424
0,0000
Densidade
0,191
0,084
0,0230
ln(ENS/TOTEX)
-0,214
0,040
0,0000
%BxRenda
-0,181
0,065
0,0057
CP
1,065
0,010
0,0000
Parâmetros da variância dos componentes do erro
Cliente
0,355
Mercado
0,364
λ
3,584
0,426
0,0077
Rede
0,296
σ
0,356
0,023
0,0000
Na Tabela 3 observa-se que todas as estimativas dos coeficientes são significativas ao nível
de significância de 5%. A Componente Principal (CP) é decomposta em seus 3 produtos originais.
O coeficiente do variável ln(ENS/TOTEX) apresenta sinal negativo, indicando quanto maior
for a variável ENS, maior o DEC e pior a qualidade de fornecimento de energia elétrica. Por isto o
modelo penaliza as distribuidoras com qualidade ruim, estimando um menor custo operacional.
A significância dos parâmetros da variância dos componentes do erro, σ e λ, indicam que
estes parâmetros são considerados estatisticamente diferentes de zero. Assim, o desvio até a
fronteira não é devido apenas a um ruído aleatório, há também efeito da ineficiência.
Quanto as variáveis ambientais, o coeficiente positivo da Densidade indica que as
distribuidoras com alta densidade de consumidores são penalizadas por conseguirem o benefício de
8
Realizadas com o software LIMDEP versão 10 e ACP com o software SAS, versão 9.4.
uma maior economia de escala, quando comparada às distribuidoras com baixa densidade de
consumidores, que apresentam maiores custos operacionais em função desta heterogeneidade não
gerenciável pela empresa. A variável %BxRenda, com coeficiente negativo, indica que quanto
maior a participação dos consumidores classificados como Baixa Renda, pior é a condição
socioeconômica da população da área de concessão da distribuidora, menor o consumo médio por
consumidor, acarretando maior custo operacional por cliente necessário para atender este mercado.
3.2. Modelo Cluster (2): Privada Independente
Seguindo a formulação do cluster 1, o modelo ajustado para este cluster foi o seguinte:
= + #
$%&'
()($*&'
+ + , + - + .
(4)
- ~010, 45, 6 ; . ~0 7 89: ;<=>?>;
+ :, %F;GH. A + :J K=LG? C, 4D, E
Quanto as variáveis ambientais, além da variável Densidade, comum ao cluster 1, há a
inclusão de mais duas variáveis:
•
%Merc.BT: Participação do mercado atendido na baixa tensão (BT) em relação ao mercado
total da distribuidora. O custo de operação e manutenção são maiores na BT relativamente
aos demais níveis de tensão, média e alta. Por isto, uma distribuidora com alto percentual de
seu mercado sendo BT, terá um custo operacional maior;
•
Litoral: Variável dummy que identifica com o valor 1 as distribuidoras com área de
concessão cobrindo regiões costeiras, e 0 para as demais distribuidoras. As distribuidoras
que possuem redes em áreas litorâneas sofrem os efeitos negativos da salinidade marinha,
que deposita nos componentes da rede, provocando corrosão e problemas de corrente
elétrica, queimando os equipamentos da rede. Este efeito provoca um aumento do OPEX
devido ao maior custo de manutenção e também aumento do CAPEX em virtude de maiores
investimentos na rede, que devem possuir em sua constituição materiais específicos que
possuem maior resistência à corrosão salina.
Tabela 4: Coeficientes estimados para o modelo SFA-NT - Cluster 2
Coeficiente Erro Padrão
Pr > |t|
Coeficiente Erro Padrão Pr > |t|
Componete Deterministico da Fronteira Estocástica
Parâmetros da média da distribuição da erro (u )
intercepto
13,410
0,344
0,0000
Densidade
0,801
0,204
0,0001
ln(ENS/TOTEX)
-0,272
0,029
0,0000
% Merc. BT
-1,748
0,416
0,0000
CP
1,258
0,016
0,0000
Dummy Litoral
-1,385
0,724
0,0558
Cliente
0,353
Mercado
0,367
Rede
0,337
Parâmetros da variância dos componentes do erro
λ
4,487
1,241
0,0003
σ
0,475
0,060
0,0000
As estimações dos coeficientes do modelo (4), apresentadas na Tabela 4, mostram que as
estimativas dos coeficientes são significativas ao nível de significância de aproximadamente 5%, pvalue < 0,05. Os coeficientes do modelo apresentam seus valores estimados dentro da lógica
econômica: variável ln(ENS/TOTEX) com sinal negativo e os produtos da Componente Principal
(CP) com sinal positivo. A significância dos parâmetros da variância dos componentes do erro, σ e
λ, validam a utilização do modelo estocástico SFA.
As heterogeneidades não gerenciáveis pela distribuidora são incluídas no modelo por meio:
(i) Densidade, já estudado para o cluster 1; (ii) variável %Merc.BT, com sinal negativo,
beneficiando as distribuidoras que possuem alta percentagem de mercado atendido na BT e
apresentam por isto maior custo operacional; e (iii) da variável dummy Litoral, que aumenta a
eficiência das distribuidoras que possuem parte de sua área de concessão na região costeira, e por
isto apresentam um maior OPEX e CAPEX.
3.3. Modelo Cluster (3): Privada Holding
Este cluster apresenta ineficiência variante no tempo ao longo dos 10 anos de estudo, e por
isto foi utilizado o modelo SFA com Verdadeiros Efeitos Aleatórios, SFA-TRE-NT, dado a seguir:
= + M + #
$%&'
()($*&'
+ + , + - + .
(5)
- ~010, 45, 6 ; . ~0 7 89: %N;O;?çãL
C, 4D, E ; M ~010, 4R, 6
O coeficiente M estima o efeito aleatório por meio de uma distribuição Normal, permitindo
separar o impacto da heterogeneidade fruto das características próprias de cada firma, da
ineficiência que varia no tempo, capturada no termo do erro . . Desta forma, a única
heterogeneidade não capturada pelo efeito aleatório, considerada no modelo, foi a variável
ambiental %Vegetação, que indica a participação em km² da área de concessão da distribuidora com
elevada incidência de vegetação natural. Quanto mais elevada a incidência de vegetação na área de
concessão da distribuidora, maiores custos operacionais em manutenção da rede a distribuidora irá
sofrer.
Tabela 5: Coeficientes estimados para o modelo SFA-TRE-NT - Cluster 3
Coeficiente Erro Padrão
Pr > |t|
Coeficiente Erro Padrão
Pr > |t|
Componete Deterministico da Fronteira Estocástica
Parâmetros da média da distribuição da erro (u )
ln(ENS/TOTEX)
CP
-0,054
0,001
0,0000
intercepto
-0,260
0,0010
0,0000
0,858
0,0003
0,0000
%Vegetação
0,110
0,0004
0,0000
Cliente
0,335
Mercado
0,353
Rede
0,319
Parâmetros da variância dos componentes do erro
Parâmetro do Efeito Aleatório
Média:
α
17,899
0,0093
0,0000
λ
0,309
0,0003
0,0000
σ
0,625
0,0002
0,0000
As estimações dos coeficientes do modelo (5), apresentadas na Tabela 5, mostram que as
estimativas dos coeficientes são significativas ao nível de significância de 5%, e apresentam seus
sinais algébricos na direção esperada. A significância dos parâmetros da variância dos componentes
do erro, σ e λ, validam a utilização do modelo estocástico SFA-TRE-NT.
A variável ambiental %Vegetação, beneficia as distribuidoras que possuem alta percentagem
de incidência de vegetação natural, capturando na modelagem esta heterogeneidade não gerenciável
pela distribuidora.
3.4. Implementação do Modelo de Benchmarking
O objetivo será propor metodologia efetiva, em termos de aumentar o incentivo na busca da
eficiência operacional, de implementar a eficiência calculada pelos modelos de benchmarking para
cada clusters, dentro da estrutura de regulação atual, com a preocupação adicional de manter o
equilíbrio entre os interesses dos agentes (distribuidoras e regulador), principalmente na questão da
manutenção dos investimentos em um nível dito prudente.
A proposta de implementação da metodologia de benchmarking partiu da premissa de que a
estrutura de regulação atual para a estipulação do Valor da Parcela B (VPB), e os controles do
regulador, proporcionam equilíbrio nos investimentos das distribuidoras.
Dado que os modelos para os clusters apresentam, em relação aos modelos da ANEEL para
o 3CRTP, a inclusão do CAPEX e da Qualidade como insumo, formulação defendida por
GIANNAKIS et al. (2004), POUDINEH & JAMASB (2013), entre outros, e tendo a preocupação
de não desequilibrar a estrutura atual do cálculo do VPB, foi adotado a mesma estratégia do
regulador da Noruega (NORDREG, 2011), que constrói um modelo de benchmarking tendo o
TOTEX como insumo, mas aplica a eficiência estimada apenas no OPEX.
Na busca de aprimorar ainda mais o incentivo ao investimento pelas distribuidoras, foi
implementado um Prêmio mediante acréscimo de um incremento ao WACC (taxa do custo de
capital) regulatório, conforme sugestão de BURNS et al. (2005). Desta forma, a regra de
implementação dos modelos de benchmarking é apresentada para cada cluster nas Tabelas 6, 7 e 8.
Os resultados das Tabelas 6, 7 e 8, % meta do OPEX a ser alcançado ao longo do próximo
CRTP e Prêmio a ser somado ao WACC estipulado pela ANEEL, foram estruturados da seguinte
maneira:
1. A Eficiência de 2012 necessitou ser padronizada no intervalo 0,70 a 1 (Coluna “Efic.
Padronizada”) para possibilitar o tratamento de uma política de aplicação uniforme para os 3
clusters;
Tabela 6: Definição da meta de OPEX e prêmio ao WACC. Cluster 3- Privadas Holdings
% OPEX
Prêmio WACC
1-COELCE
Eficiência 2012 Efic. Padronizada
0,924
1
105,0
0,3
2-SANTA CRUZ
0,897
0,97
102,4
0,3
3-CELTINS
0,879
0,96
100,6
0,3
4-COSERN
0,879
0,96
100,6
0,3
5-EPB
0,877
0,95
100,4
0,3
6-CPEE
0,875
0,95
100,2
0,3
7-EBO
0,873
0,95
100,0
0,3
8-MOCOCA
0,866
0,94
99,3
0,2
9-RGE
0,866
0,94
99,3
0,2
10-CELPE
0,864
0,94
99,1
0,2
11-COELBA
0,861
0,94
98,9
0,2
12-EMG
0,853
0,93
98,1
0,2
13-CSPE
0,851
0,93
97,9
0,2
14-CEMAR
0,838
0,92
96,6
0,2
15-EVP
0,833
0,91
96,1
0,2
16-CPFL PAULISTA
0,808
0,89
93,7
0,1
17-AES SUL
0,802
0,88
93,1
0,1
18-CFLO
0,799
0,88
92,8
0,1
19-NACIONAL
0,798
0,88
92,7
0,1
20-CJE
0,797
0,88
92,6
0,1
21-ESCELSA
0,771
0,85
90,0
0,1
22-ENERSUL
0,768
0,85
89,7
0
23-CEMAT
0,762
0,84
89,2
0
24-ESSE
0,761
0,84
89,1
0
25-BRAGANTINA
0,756
0,84
88,6
0
26-CAIUA
0,741
0,82
87,1
0
27-CPFL PIRATININGA
0,730
0,81
86,0
0
28-BANDEIRANTE
0,694
0,78
82,6
0
29-CELPA
0,682
0,76
81,4
0
30-ENF
0,675
0,76
80,7
0
31-AMPLA
0,670
0,75
80,2
0
32-ELETROPAULO
0,617
0,70
75,0
0
Tabela 7: Definição da meta de OPEX e prêmio ao WACC. Cluster 2- Privadas Independentes
Eficiência 2012 Efic. Padronizada
% OPEX
Prêmio WACC
1
105,0
0,3
1- SANTA MARIA
0,962
2- ELEKTRO
0,956
1
104,5
0,3
3- UHENPAL
0,938
0,98
103,3
0,3
4- SULGIPE
0,937
0,98
103,2
0,3
5- MUXFELDT
0,934
0,98
103,0
0,3
6- C.ALIANÇA
0,928
0,98
102,6
0,3
7- CHESP
0,914
0,96
101,5
0,3
8- COCEL
0,784
0,87
92,1
0,1
9- IENERGIA
0,623
0,76
80,5
0
10- LIGHT
0,553
0,70
75,5
0
11- JOAO CESA
0,546
0,70
75,0
0
12- HIDROPAN
0,546
0,70
75,0
0
13- EFLUL
0,546
0,70
75,0
0
Tabela 8: Definição da meta de OPEX e prêmio ao WACC. Cluster 1- Públicas
% OPEX
Prêmio WACC
1- CEPISA
Eficiência 2012 Efic. Padronizada
0,955
1
90,0
0
2- COPEL
0,945
0,99
89,2
0
3- CELG
0,944
0,99
89,1
0
4- CEMIG
0,933
0,98
88,3
0
5- ELETROCAR
0,870
0,93
83,3
0
6- CELESC
0,867
0,93
83,1
0
7- DEMEI
0,867
0,93
83,0
0
8- CEAL
0,830
0,90
80,1
0
9- CEEE
0,765
0,85
74,9
0
10- DME-PC
0,748
0,84
73,6
0
11- CEB
0,658
0,77
66,5
0
12- ELETROACRE
0,594
0,71
61,4
0
13- BOA VISTA
0,576
0,70
60,0
0
14- AME
0,576
0,70
60,0
0
2. A distância da eficiência média do cluster 1- Públicas é de 15%9 para a média dos 2 clusters
das empresas privadas. Por isto, na coluna “%OPEX” o cluster 1 teve sua eficiência
reduzida em 10% e nos clusters 2 e 3, acrescido em 5%. Desta maneira, outro objetivo é
alcançado. Com o aumento em 5% no % meta do OPEX, algumas distribuidoras privadas
serão premiadas por serem eficientes e poderão ao longo dos 4 anos do ciclo terem seu
OPEX aumentado em até 5% - caso daquelas com %OPEX maior do que 100%;
3. Quanto a % de redução do OPEX das distribuidoras ineficientes, o cluster 1 apresenta o pior
caso em 60% e os clusters 2 e 3, em 75%. Desta forma, as empresas públicas deverão
reduzir, no pior caso, em 40% seu OPEX ao longo de 4 anos e as privadas em 25%. No
3CRTP a ANEEL limitou esta redução em 2% ao ano, perfazendo 8,24% ao longo de 4
anos. Quando se observa os dados dos primeiros anos do 3CRTP, 2011 e 2012, nota-se que
6 distribuidoras conseguiram reduzir em mais de 10% o OPEX em 2 anos, mesmo sem o
incentivo para uma redução significativa, evidenciando que o máximo de 25% de redução
em 4 anos seja factível. No caso das distribuidoras públicas a redução imposta ao OPEX, é
visto como uma necessidade ao setor, devido ao alto grau de ineficiência destas empresas na
gestão de seus custos operacionais;
4. Com respeito ao “Prêmio WACC”, a regra estabelecida para incentivar os investimentos das
empresas mais eficientes foi:
•
•
•
9
%OPEX > 100%
95% < %OPEX < 100%
90% < %OPEX < 95%
Prêmio WACC = +0,3;
Prêmio WACC = +0,2;
Prêmio WACC = +0,1.
Da Tabela 1 tem-se que a eficiência média das distribuidoras públicas é de 0,33 e a média dos dois clusters das empresas privadas
é de 0,48, sendo assim a diferença igual a 0,15.
A sugestão para a implementação desta metodologia é que seja válida apenas para um ciclo
de revisão tarifária e, conforme as empresas caminhem em direção à fronteira de eficiência dos
custos operacionais, os parâmetros da metodologia sejam recalibrados.
4. Conclusões
O trabalho propôs uma metodologia de benchmarking para a regulação dos custos
operacionais das distribuidoras de energia no Brasil, construída a partir das melhores práticas
aplicadas pelos mais influentes reguladores internacionais.
A modelagem da eficiência considerou a priori a divisão das empresas em 3 clusters, a fim
de garantir a homogeneidade tecnológica dos grupos com relação à fonte de heterogeneidade
proveniente da forma de gestão e propriedade, devido ao fato de que os custos operacionais são
fortemente dependentes da gestão da empresa e podem ser reduzidos em função de avanços nas
técnicas de gestão administrativa.
Os modelos econométricos estimados para os 3 clusters contemplaram em sua
especificação: (i) TOTEX e Qualidade como insumos, a fim de tratar o trade-off entre OPEX,
CAPEX e Qualidade; (ii) Componente Principal como produto a fim de corrigir o problema de
multicolinearidade existente entre rede, mercado e clientes; e (iii) SFA inserindo as variáveis
ambientais diretamente em sua especificação.
Os 3 modelos estimados apresentaram todos os seus parâmetros significantes e a análise de
seus resíduos validando a utilização das metodologias em questão. A análise dos resultados, ao
nível das distribuidoras, evidencia a coerência dos resultados dos modelos construídos. Além disto,
os modelos construídos primaram em serem totalmente interpretáveis, parcimoniosos, estruturados,
e utilizaram modelagem econométrica consagradas na literatura.
A metodologia de implementação partiu das seguintes contribuições: (i) prêmio ao OPEX
para as distribuidoras eficientes; (ii) prêmio as eficientes tendo um WACC diferenciado; (iii)
rigidez e factibilidade na estipulação das metas de redução do OPEX para as ineficientes,
principalmente para o cluster das Públicas; (iv) tratamento dos 2 clusters das empresas privadas
com semelhantes políticas de incentivos, desta maneira, a diferença de ganho de escala e escopo
entre os 2 clusters é considerada na metodologia, não prejudicando as empresas independentes, e
muito menos as holdings.
Sendo assim, a proposta de implementação do modelo de benchmarking, em termos de
aumentar o incentivo na busca da eficiência dos custos operacionais, tendo a preocupação adicional
de manter o equilíbrio na questão da manutenção dos investimentos das distribuidoras em um nível
prudente, mostrou ser simples, intuitiva, eficiente e factível de ser implementada pelo regulador.
Referências Bibliográficas
AIGNER, D.; LOVELL, C. A. K.; SCHMIDT, P. (1977). Formulation and estimation of stochastic frontier production function. Journal of
Econometrics, v. 6, n. 1, p. 21-37.
ANEEL (2011). Nota Técnica nº 294/2011-SRE/ANEEL. Metodologia de Cálculo dos Custos Operacionais.
ANEEL (2013). Nota Técnica nº 494/2013-SRE/ANEEL. Disponibilização da Base de Dados.
BURNS, P.; JENKINS, C.; RIECHMANN, C. (2005). The role of benchmarking for yardstick competition. Utilities Policy 13.
CEPA (2003). Background to Work on Assessing Efficiency for the 2005 Distribution Price Control Review. Report prepared for Ofgem. Cambridge
Economic Policy Associates Ltd. November 2003.
CHARNES, A.; COOPER, W. W.; RHODES, E. (1978). Measuring the Inefficiency of Decision Making Units. European Journal of Operational
Research 2(6), 429–444.
COELLI, T.J.; ESTACHE, A.; PERELMAN, S.; TRUJILLO, L. (2003). A Primer on Efficiency Measurement for Utilities and Transport Regulators.
World Bank Institute Development Studies.
COELLI, T.J.; GAUTIER, A.; PERELMAN, S.; SAPLACAN-POP, R. (2013). Estimating the cost of improving quality in electricity distribution: A
parametric distance function approach. Energy Policy 53, 287-297.
FÄRE, R.; LOVELL, C. K. (1978). Measuring the technical efficiency of production. Journal of Economic Theory, 19(1), 150–162.
FRONTIER ECONOMICS (2010) “RPI-X@20: The RPI-X@20: The future role of benchmarking in regulatory reviews”, A Final Report Prepared
for Ofgem.
GIANNAKIS, D.; JAMASB, T.; POLLITT, M., (2004). Benchmarking and incentive regulation of quality of service: an application to the UK
electricity distribution networks. Energy Policy 33, 2256–2271.
GREENE, W. H. (2004). Fixed and Random Effects in Stochastic Frontier Models, Journal of Productivity Analysis, 23, pp. 7–32.
GREENE, W. H. (2005). Reconsidering heterogeneity in panel data estimators of the stochastic frontier model. Journal of Econometrics. 126(2): 269–
303.
GREENE, W. H. (2008). The Econometric Approach to Efficiency Analysis, in the Measurement of Efficiency, H. Fried, K. Lovell and S. Schmidt,
eds., Oxford University Press.
GROWITSCH, C.; JAMASB, T.; WETZEL, H. (2010). Efficiency Effects of Quality of Service and Environmental Factors: Experience from
Norwegian Electricity Distribution. EWI Working Paper No. 10/03, Institute of Energy Economics at the University of Cologne.
HANEY A. B.; POLLITT, M. (2009). Efficiency analysis of energy networks-an international survey of regulators, University of Cambridge. Cwpe
0926 & eprg 0915.
HOUGAARD, J. L. (1994). Produktivitetsanalyse af Dansk Elproduktion. AKF- rapport, AKF Forlag, Copenhagen.
JAMASB, T.; POLLITT, M. (2001). Benchmarking and regulation: international electricity experience. Utilities Policy 9, 107-138.
JOSKOW, P. L. (2008). Lessons Learned From Electricity Market Liberalization. The Energy Journal, Special Issue. The Future of Electricity.
KUMBHAKAR, S. C.; HJALMARSSON, L. (1998). Relative performance of public and private ownership under yardstick competition. European
Economic Review 42, 97-122.
KUMBHAKAR, S. C.; LOVELL, C.A. (2001). Stochastic Frontier Analysis. Cambridge University Press.
MEEUSEN, W.; BROECK, J. VAN DEN. (1977). Efficiency estimation from cobb-douglas production functions with composed error. International
Economic Review, v. 18, n. 2, p. 435-444.
NORDREG (2011). Economic regulation of electricity grids in Nordic countries. Nordic Energy Regulators – Report.
PLAGNET, M. A. (2006). Use of Benchmarking Methods in Europe in the Electricity Distribution Sector. Conference on Applied Infrastructure
Research.
POUDINEH, R.; JAMASB, T. (2013). Investment and Efficiency under Incentive Regulation: The Case of the Norwegian Electricity Distribution
Networks. EPRG Working Paper 1306 and Cambridge Working Paper in Economics 1310, Cambridge, UK.
RUSSELL, R. (1985). Measures of technical efficiency. Journal of Economic Theory, 35(1), 109–126.
SEMOLINI, R.; XAVIER, S. S.; BALLINI, R.; MAIA, A. G. (2014). Eficiência dos Custos Operacionais das Empresas de Distribuição de Energia no
Brasil: Utilização de Variável de Escala Composta como Produto. V Simpósio Brasileiro de Sistemas Elétricos - SBSE, Foz do Iguaçu-PR.
SHEPHARD, R. W. (1953). Cost and Production Functions. Princeton University Press, Princeton.
SHEPHARD, R. W. (1970). Theory of Cost and Production Functions, Princeton University Press, Princeton.
STEVENSON, R. (1980). Likelihood Functions for Generalized Stochastic Frontier Estimation. Journal of Econometrics, 13, pp. 58–66.
YU, W.; JAMASB, T.; POLLITT, M. (2009). Willingness-to-Pay for Quality of Service: An Application to Efficiency Analysis of the UK Electricity
Distribution Utilities, The Energy Journal 30(4).1-48.